基于变压器运行声音识别的智能运维辅助决策技术

王剑强，彭涛

（国网浙江省电力有限公司金华供电公司，浙江金华，321000）

0 引言

设备在正常运行时，本体与固件之间、本体内部的相互运动状态发生变化时，设备会发出声音，随着运行状态的变化（发生故障）所发出的声音也会随之变化。变压器在运行的时候，硅钢片的磁致伸缩会使得铁芯随着励磁频率的变化而周期性振动，同时，硅钢片接缝处和叠片之间存在着因漏磁而产生的电磁吸引力，也会引起铁芯的振动，当绕组中有负载电流通过时，负载电流产生的漏磁引起绕组、油箱壁的振动。这些结构的机械振动会通过器身和变压器油传递到变压器箱体表面，同时以声波的形式向外扩散。变压器在不同的运行状况下，器身发出的声音会有所不同于声学特征量的诊断技术，获取声音信号不需要使变压器停止运行，也不用接触设备，装置简单，采集信号方便，安装方式比较灵活，不会干扰设备的正常运行。

变压器正常运行时噪声主要来源于油箱、绕组、铁芯及冷却装置风扇等发生振动，也即变压器本体的振动和冷却装置风扇的空气流动产生的。本体噪音主要包括硅钢片和叠片间因磁通穿过片间而产生的电磁力，引起的铁芯振动，负载电流流过绕组，在绕组之间、线匝之间产生的动态电磁力从而引起的绕组的振动；另外因为漏磁引起的油箱壁的振动等等。冷却装置的噪声主要是潜油泵和冷却风扇运行时产生的[2]。

1 “智慧耳蜗”系统总体思路

“智慧耳蜗”系统基于物联网技术、大数据，根据智能巡检机器人、人工巡视以及音频在线监测装置采集到的设备运行音频信息、气候信息，并集合EMS系统内的负荷潮流以及PMS系统的设备台账等信息形成主变声音数据库，利用大数据挖掘算法对主变运行时的音频进行预测分类，预测主变的运行工况；根据主变运行工况，并结合当班人员信息、实时路况，利用if-then 规则提供智能运维决策策略，帮助运维人员提早介入缺陷发展阶段，缩短应急响应时间。

2 基于设备运行声音的大数据预测模型

2.1 变压器运行声音的音频数据来源及探索

从主变运行声音数据库里选出录音编号为Z1、Z8两段代表主变运行在不同工况下（正常和偏磁）音频进行数据探索。两段音频信号的时域波形分别如下图1所示，为了更直观地反应变压器运行在不同工况下的特征，对上述两段录音编号分别进行小波去噪后进行按下式快速傅里叶变换，结果如下图1所示。

图1 录音编号Z1和Z8的音频时域波形

从下图2的频谱图可知，无论是正常运行还是偏磁运行的变压器它们的频谱图都呈明显的线状分布，且均分布在1000Hz以内。正常运行时的主变其主频在100Hz及倍频，200Hz下噪音明显，与主变所处的环境及负荷有关；偏磁运行时的主变其主频在50Hz及倍频。主变异常运行时，频率幅值比正常运行和偏磁运行时的幅值要大的多[1]；而正常运行和偏磁运行在频谱分布上存在明显的区别。

图2 录音编号Z1和Z8的频域波形

2.2 数据的预处理

首先对主变运行声音数据库的数据进行清洗，对于记录数据缺失值进行补充，由于所列的属性值除了冷却方式和运行工况外均可查询相关系统的历史数据获得。将主变高压侧负荷电流根据额定电流规约到主变负载程度，即按下式转换。

然后对上图中的数值型数据采用Z-score标准化，即

式中，x*为标准化后的数据，x 为标准化前数据，μ为所有样本的均值，σ为所有样本数据的标准差。

对描述性数据的属性，如“变电站”、“厂家”、“冷却方式”、“运行工况”进行语义转换，其中“变电站”按照变电站名称的首字母进行排序后进行数字编号；“冷却方式”与“运行工况”按下数字进行编号。

2.3 基于BP神经网络主变运行工况的预测分类模型

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络算法之一。神经网络算法就是一组相互连接的输入输出单元，这些单元之间的每个连接都关联一个权重。在网络学习阶段，网络通过调整权重来实现输入样本与其相应（正确）类别的对应。神经网络的优点就是对噪声数据有较好适应能力，并且对未知数据也具有较好的预测分类能力。

图3 神经网络示意图

首先对网络里的权重Wij、Vij和偏倚θ进行初始化，网络的权重Wij和偏倚θ初始为小随机数（-1.0到1.0）;接着根据样本数据X按照下式计算隐含层的输出Y：

式中，f(x)为隐含层神经元的激励函数，选择S型正切函数tansig。

选择神经网络传递函数g( x )，计算输出层O:

根据计算得到的输出与期望输出，得到总体计算误差Er,并按照下式对网络权重Wij、Vij进行更新。

式中Tk为期望结果。

式中η为学习率，取0和1之间的常数值；l为输出值的维数。

重复以上步骤，直到所有的ΔVjk、ΔWjk都小于指定的阈值，或超过训练的周期数。

利用变压器运行声音音频信号的20个特征频谱分布作为BP神经网络的输入层，输出层即为主变的运行工况，隐含层神经元个数取8，训练方法采用Levenberg-Marquardt，其速度最快，但是占用内存较大。

取主变运行声音数据库内的32个样本作为神经网络训练样本，学习速率设置0.05，当达到下列任一条件时，训练停止：

a)训练次数已达1000次；

b)误差已收敛至1e-6；

c)网络性能最小梯度到达1e-7。

训练结果如下图4所示，图4（a）为训练过程中误差收敛曲线，在训练到29步时，误差已收敛至1e-6，到达训练停止条件，训练停止；图4(b)为训练样本的回归系数。

图4 训练结果

对训练的神经网络进行测试，选取训练样本外的另外2个样本进行测试，第一个样本分类结果为1.0233；第二个样本的分类结果为1.0001。该两个样本的频谱分布分别如下图5和图6所示，样本1的频率分布中虽然有较大干扰量（50Hz、150Hz、250Hz…等干扰量），但是系统还是能够清晰辨识；样本2中频率分布较干净，是典型的主变正常运行时的频谱分布，预测值也基本准确。

图5 样本1的频谱

图6 样本2的频谱分布

2.4 基于if-then规则的运维决策制定模型

根据变压器运行声音，利用2.3节建立的预测分类模型，以《国家电网公司变电运维管理规定（试行）和细则》为准则，综合考虑天气、实时路况、人员配置、备品备件等信息，建立决策树模型，将决策结果按照权限等级推送至相关人员。决策树是最为广泛的归纳推理算法之一，本文采用if-then规则表示模型。

3 应用预期效果

“智慧耳蜗”上线后，能根据采集到的变压器运行声音，和辅控系统里的相关数据自动生成并更新主变声音数据库，通过“智慧耳蜗”系统进行预测、分类以及决策后，将决策信息上送至辅控平台，并根据权限向相关人员推送。提早介入变压器缺陷的初级发展阶段，合理安排检修计划，统筹值班人员力量，减少设备受迫停运的风险，缩短设备应急处置时间。该系统后续也可以应用到压变、电抗器、电容器等设备，弥补电网设备在“听觉”方面的诊断预测盲区。

图7 基于if-then规则的运维决策模型