張 航，張廣東，劉 康，楊 瑞，高立超

(國網(wǎng)甘肅省電力公司電力科學研究院，甘肅蘭州 730050)

0 引 言

變壓器在電力系統(tǒng)中的作用舉足輕重，承載著穩(wěn)壓、電壓電流變換等多種功能，其在多物理量耦合的復雜運行工況下中將不可避免地產(chǎn)生各類型故障，嚴重威脅著電網(wǎng)的安全運行。 對變壓器狀態(tài)進行全面預測分析并評估設備健康水平，是提升故障診斷準確率以及合理安排差異化檢修策略的必要保障，是優(yōu)質(zhì)電力供應的必要基礎。

近年來，基于人工智能的聲紋識別技術(shù)[1]在電力設備狀態(tài)檢測中得到了廣泛的應用。 變壓器在正?；虍惓＿\行時，會產(chǎn)生持續(xù)性的非平穩(wěn)噪聲，該聲信號中蘊含的狀態(tài)信息可直接作為識別變壓器異常工況的特征參量。 同時，用來采集聲信號的錄音設備小巧且不與本體產(chǎn)生直接接觸，可避免與設備產(chǎn)生電磁耦合，還具有可實時檢測傳輸?shù)葍?yōu)勢[2]。 因此，開展基于聲紋檢測技術(shù)的電力設備狀態(tài)識別具有重要的研究意義。 筆者從聲紋檢測技術(shù)的原理出發(fā)，根據(jù)其提取特征量的不同，總結(jié)了不同場景下的應用情況，并提出了目前面臨的困難及未來的發(fā)展方向，為該技術(shù)在電力領(lǐng)域深度應用提供技術(shù)參考。

1 聲紋識別技術(shù)特征

聲音是我們在生活中獲取信息的主要途徑之一，我們所接觸的聲信號中既包含人類語言也包含環(huán)境聲音，而聲紋是對上述原始聲數(shù)據(jù)進行特征提取并轉(zhuǎn)化為可標識、可分辨、可提取語音模型的總稱，對聲信號中關(guān)鍵信息的正確甄別是我們做出決策的重要前提。 同理，作為電力在傳輸、變換中最重要的設備，變壓器在其運行過程中發(fā)出的聲響也可作為狀態(tài)評估的數(shù)據(jù)來源。

聲紋技術(shù)的實施路線可分為信號收集、信號處理、信號特征提取三大階段。 信號收集多采用非接觸式的傳聲器作為聲傳感器，選擇傳感器時需考慮抗干擾性能、靈敏性及較寬的工作頻帶等技術(shù)參數(shù)[3]。信號處理簡言之就是消除信號中的奇異點，濾除信號中不穩(wěn)定的干擾信息的過程，常用的方法有傳統(tǒng)閾值法[4]、小波法、小波分層閾值消噪法[5]等。 信號特征提取是聲紋技術(shù)的核心，是指通過FFT 頻譜分析法、小波包算法[6]、希爾伯特黃變換[7]等方法得到信號的頻譜、功率譜、能量譜，進而區(qū)別出不同聲信號中蘊含的內(nèi)在信息的過程。

2 聲紋識別技術(shù)在變壓器部件松動檢測應用

當電力變壓器內(nèi)部組件松動、老化或產(chǎn)生形變時，產(chǎn)生的振動信號或聲信號會隨之發(fā)生變化，信號中蘊含的信息可作為識別狀態(tài)的特征參量[8]。 已有文獻針對繞組和鐵芯故障引起的持續(xù)性機械振動聲波信號進行甄別進而判斷變壓器運行狀態(tài)。

文獻[9]針對電纜繞組變壓器，建立了能夠計算軸向振動的分析模型，研究了各匝線圈在瞬態(tài)短路力作用下的振動、波動特點，同時也分析了撐條根數(shù)等對振動特性的影響。 文獻[10-11]分別對變壓器聲紋信號進行Hilbert-Huang 變換與小波包分解，得出變壓器正常以及常見異常工況下的功率譜圖，可為故障識別分析提供依據(jù)。 文獻[12]將復Morlet 小波變換與短路沖擊試驗結(jié)合起來，通過計算得出試驗中響應聲信號的半頻能量占比，能量大小的差異能夠反映變壓器繞組不同的運行狀態(tài)。 文獻[13]發(fā)現(xiàn)隨著變壓器投運時間增長、負載率上升和電壓等級提高，聲信號中的頻譜分布和小波分解能量均隨之變化。 文獻[14]在實驗室條件下模擬了不同程度鐵芯松動的情況，提取聲紋特征并分析其變化趨勢，結(jié)果表明壓緊力的變化直接影響噪聲的圖譜特征，當擰緊力小于10 N·m 時發(fā)生突變。 文獻[15]提出一種基于壓縮觀測與判別字典學習的變壓器聲紋識別方法，首先采用稀疏隨機矩陣預處理目標數(shù)據(jù)，隨后對目標函數(shù)的約束項系數(shù)進行優(yōu)選，可較為準確地識別變壓器正常運行、鐵芯松動、繞組松動等不同工作狀態(tài)。 文獻[16]使用Mel 時頻譜對變壓器聲信號數(shù)據(jù)進行降維，然后結(jié)合卷積神經(jīng)網(wǎng)絡建立了變壓器鐵芯聲紋識別模型，可精確識別不同類型激勵下鐵芯的聲信號。文獻[17]基于從人耳聽覺特性出發(fā)的Mel 倒譜系數(shù)提取了變壓器聲音信號的特征向量，綜合基于F 比的加權(quán)處理和主成分分析法對其進行了優(yōu)化，最后應用矢量量化模型識別了變壓器鐵芯不同程度的松動狀態(tài)。 文獻[18]在鐵芯夾件松動影響噪聲信號頻域特征的基礎上，構(gòu)建了卷積神經(jīng)網(wǎng)絡識別模型，利用Mel 法處理后得出鐵芯聲紋輸入樣本，進行鐵芯夾件松動故障識別。 文獻[19]使用頻譜分析方法、小波算法、Hilbert-Huang 變換等特征信號提取技術(shù)對實際采集到的正常運行的變壓器和實驗室模擬變壓器放電故障得到的聲信號進行頻譜特征分析，結(jié)果顯示變壓器在正常運行時，會產(chǎn)生集中在100 Hz 和200 Hz的聲信號，而實驗室模擬放電試驗測試得到放電聲信號頻率主要集中在250 Hz 和部分極少量的50 Hz 奇數(shù)倍頻。 文獻[20]提出一種綜合振動和聲紋的聯(lián)合檢測方法，通過對本體各測點提供的信號和噪聲形成的聲紋綜合分析，結(jié)合傅里葉變換，根據(jù)頻譜結(jié)果判斷出該升高座電流互感器鐵心可能飽和或緊固出現(xiàn)異常。

3 聲紋識別技術(shù)在變壓器內(nèi)部放電故障檢測中的應用

與此同時，也有部分研究將聲紋識別技術(shù)應用于變壓器內(nèi)部放電性故障診斷中，但相對比較匱乏。 當變壓器內(nèi)部發(fā)生放電時，聲波信號主要是由變壓器油內(nèi)的氣泡規(guī)律性地變化產(chǎn)生，并不斷向四周擴散能量[21-22]，通過分析不同放電情況下的聲信號特征，并與正常運行時作對比，就可以辨別出變壓器內(nèi)部是否存在異常放電、放電的類型以及放電的嚴重程度，結(jié)合脈沖電流法則可對故障源進行準確定位。 文獻[23]基于CEEMDAN 算法，對收集到的配電變壓器異常放電聲紋信號進行減噪處理，并結(jié)合SVDD 算法實現(xiàn)放電故障類型識別，提供了一種能高效濾除現(xiàn)場聲信號中夾雜的無用干擾信息的方法，并能判別典型放電故障。 文獻[24]采集了正常運行及實驗室條件下三種常見火花放電故障的變壓器聲紋信號，并利用傅里葉、小波包變換對兩類信號進行分析，結(jié)果表明，實驗室條件下三種異常工況對應的放電特征有明顯差異，并給出運用小波變換得到的不同特征頻率區(qū)間，進而進行放電模式鑒別的方法。 文獻[25]采用M-robust算法辨識了變壓器內(nèi)部的電弧聲信號，相比于其他算法提高了抗干擾能力。 文獻[26]通過對變壓器可聽聲音信號與火花放電信號進行時頻分析及區(qū)間能量提取，分離能夠反映設備真實狀態(tài)的特征信息，兩種狀態(tài)下頻譜特征有明顯的不同，但均沒有考慮設備本體的噪聲干擾。 文獻[27]采用盲源分離方法對4 種類型的局部放電模式信號進行預處理并得到特征量，進而得到訓練樣本，然后結(jié)合卷積神經(jīng)網(wǎng)絡，可較為準確地識別不同類型的局部放電模式。 文獻[28]采用希爾伯特-黃變換及支持向量數(shù)據(jù)描述對變壓器可聞聲信號進行內(nèi)部放電故障識別，基于實驗室模擬工況及現(xiàn)場實測數(shù)據(jù)對算法進行驗證，有較為準確的識別率。

4 聲紋識別技術(shù)在變壓器直流偏磁異常檢測中的應用

高壓直流輸電系統(tǒng)運行過程中，由于太陽磁暴、單極-大地回線運行、雙極不平衡大地回線運行等，會引發(fā)變壓器嚴重的直流偏磁現(xiàn)象，隨之產(chǎn)生局部溫升過高、振動噪聲加劇、勵磁電流波形畸變，因此可根據(jù)聲信息判斷變壓器直流偏磁狀態(tài)。 文獻[29]分析了在直流偏磁工況下，變壓器噪聲、語音樣本及振動加速度的變化特征，針對上述因素討論了聲紋樣本特征值的提取。 文獻[30]區(qū)別了變壓器正常運行和偏磁工況下聲信息的頻譜特征，并且基于Mel 時頻圖和卷積神經(jīng)網(wǎng)絡的MBCNN 二分類模型分析得出偏磁工況下噪聲頻譜頻率分量寬于正常運行狀態(tài)。 文獻[31]提出一種基于50 Hz 倍頻倒譜系數(shù)和門控循環(huán)單元的直流偏磁聲學模型，針對直流偏磁聲紋數(shù)據(jù)庫，結(jié)合深度神經(jīng)網(wǎng)絡進行訓練識別。 文獻[32]發(fā)現(xiàn)變壓器噪聲信號主要來源于本體、風扇及油箱，其基頻分布與變壓器容量有關(guān)，直流偏磁會帶來大量的高次諧波。 文獻[33]研究得出變壓器發(fā)出的噪聲與直流偏磁電流呈正相關(guān)關(guān)系，但有飽和值，并且在現(xiàn)場測量下，噪聲增量最大點處于變壓器有載調(diào)壓機構(gòu)附近。

5 聲紋識別技術(shù)在其他電力設備狀態(tài)檢測中的應用

目前基于聲紋識別的電力設備狀態(tài)檢測研究多集中于變壓器狀態(tài)識別，僅有少量文獻對其他電力設備進行探究。 如文獻[34]羅列出可用小波分析、包絡分析和突變起點提取法等算法來處理高壓開關(guān)發(fā)出的振動信號提取指紋特征。 并提出可結(jié)合信號處理方法和人工智能算法挖掘振動聲紋中可表征開關(guān)狀態(tài)的特征量，為高壓開關(guān)設備的狀態(tài)感知提供良好的數(shù)據(jù)支撐。 文獻[35]對干式鐵芯電抗器運行中產(chǎn)生的異常聲響進行分析，通過對不同頻率段的信號進行篩查，排查出在某一特定頻段信號集中在設備地腳固定處發(fā)出，準確定位缺陷處。 文獻[36]總結(jié)了聲學檢測技術(shù)在電廠設備狀態(tài)評價中的應用場景，一是電廠鍋爐爐內(nèi)溫度場、動力場、爐管泄漏聲學在線監(jiān)測；二是聲發(fā)射技術(shù)在電廠大型旋轉(zhuǎn)機械故障診斷、壓力容器及管道檢測中的應用；三是兩相流動介質(zhì)中流量、濃度、粒徑的聲學測量；四是電廠設備中松動部件聲學監(jiān)測等。

6 基于聲紋識別技術(shù)的電力設備故障診斷展望

從上述文獻看出，國內(nèi)外在基于聲紋識別技術(shù)的電力設備故障診斷方面已有一定的研究基礎，從信號收集、信號處理、算法優(yōu)化到故障識別已有一套成形的理論。 但是該技術(shù)在變壓器及相關(guān)電力設備故障診斷與預警中的應用仍然存在很多需要研究完善的問題，主要有以下幾點。

(1) 缺乏大量的原始信號數(shù)據(jù)。 從文獻可以看出，很多故障信號均是由實驗室環(huán)境模擬得出，與現(xiàn)場故障信號會存在一定差別，而且故障的類型較為單一，今后可與相關(guān)電力部門合作，充實設備故障種類與數(shù)據(jù)，補充完善公共數(shù)據(jù)集。

(2) 數(shù)據(jù)分析工具有待優(yōu)化。 從上述文獻可以看出，不論是識別什么類型的故障，聲音信號的時頻特征分析是技術(shù)核心。 如何降噪，如何壓縮數(shù)據(jù)集，如何提取特征量，如何提高運算速度，尋求一種在各方面都具有優(yōu)勢的信號分析算法在未來是研究重點。

(3) 聲紋數(shù)據(jù)的采集位置未被確定。 目前對于聲源的采點沒有確定的選擇方案，需補充研究位置對識別結(jié)果的影響，可通過數(shù)理統(tǒng)計的方法，針對不同的電力設備，從特征值的準確提取出發(fā)，研究原始信號的最優(yōu)采集方式。

(4) 特征量單一。 目前多采用頻譜、能量譜作為特征量，對于其他的聲學物理參數(shù)是否也可反映聲紋的特征信息鮮有提及，多維度參量一起參與識別能夠使故障診斷更加有效、準確。

(5) 診斷系統(tǒng)智能化、在線化不足。 目前，聲紋診斷已有較為成熟的實驗室應用，后期應以實際工程現(xiàn)場應用為落腳點，開發(fā)可綜合數(shù)據(jù)收集、數(shù)據(jù)處理、故障識別、預防預警于一體的在線監(jiān)測系統(tǒng)，實現(xiàn)電力設備實時、智能化故障研判是未來的發(fā)展方向。