基于声震一体的变电站监测装置设计

彭 鹏，施玉松，王岳鹏，邵宇鹰 ，蒋莹莹

(1.国网上海市电力公司，上海 200438；2.上海事凡物联网科技有限公司，上海 201800)

变电站是电网的重要组成部分，随着电网信息化的不断深入，220 k及以下电压等级变电站已开始逐渐实现无人值守，但是依赖于“三遥”自动化系统的传统意义无人值守变电站依然存在一些问题，如对人员入侵、火灾、水浸、自然灾害等异常环境的监测手段较为薄弱，加上变电站地处偏僻，安全保卫工作存在一定隐患[1]。另外，在役变电站一次、二次设备出现问题的频率较高，当设备发生故障或者所处环境发生改变时，其所发出的声音和震动信号也会随之改变，因此对设备声音和震动参量的快速辨识可以协助开展站内设备安全管理[2-5]。为此，笔者研制了一套基于声震一体化的移动式、可视化、智能型变电站智能监测装置，该设备通过对声音和震动参量进行协同检测，能够有效克服单一参量监测诊断造成的漏判与误判，并及时获取设备的状态和环境信息，从而实现变电站设备的无人值守，有效节约人力资源，提高管理效率，提升经济效益。

1 装置设计

1.1 总体设计

研制的声震一体化监测装置总体结构如图1所示。其中，声阵列传感器位于设备顶部，方向均向上，顶部箭头所指为参考方位角；震动传感器则位于设备底部，和检测的电力设备刚性连接，具有宽动态和低噪声的特点；信号处理板和电源接口板固定在设备中间，对外和固定在设备一侧的防水接头相连，该接头用来供电和传输数字信号。

图1 声震一体化监测装置总体结构示意

该装置在进行固定连接或者埋于地下等环境布设后，声阵列传感器能够实时采集设备的声音信号，判断故障位置并分析设备状态；震动传感器能够实时采集周围环境和设备的震动波形，经过融合处理，形成环境与设备的声震节点信息，提升无人值守变电站环境和设备状态监测水平。

1.2 硬件设计

该声震一体化监测装置由声阵列传感器、震动传感器、信息处理模块、接口电路和电源管理电路等组成，其结构框图如图2所示，图中MIC为麦克风，SPI为串行外设接口，UART为通用异步接收器/发送器。

图2 声震一体化监测装置硬件结构框图

声阵列传感器包括四个圆形分布方向一致的拾音器，其功能分为长期监测和分类定向两种，其中长期监测单元处于长期在线工作状态，而分类定向单元平时处于关闭状态，当有异常声信号出现时才转入工作态，以实现低功耗运行。

震动传感器采用压电式微机电系统(MEMS)设计，具有频率范围宽、动态范围大、精度高等特点，和声阵列传感器协同处理，可实现对设备异常信号的监测。

信息处理模块包括主控制器、存储器和调理电路，用于运行声音定向算法、声震融合算法、故障分类算法和传输协议，实现设备故障类型判断和预测的前端处理。传感器信号处理流程如图3所示。

图3 传感器信号处理流程

电源管理电路用于给信息处理模块和声震传感器提供高稳定度低纹波的直流电源，并输出多种通信接口。

传感器节点硬件实物如图4所示。

图4 传感器节点硬件实物

声音和震动传感器成本相对较低, 可实现多点布设，且可采用深埋、胶黏等多种连接方式，易于集成，因此研制的声震一体化监测装置，可在全站范围内布设该装置，并和传感器节点组网，形成覆盖全站的传感器网络[6]，可连续采集设备与外界信息, 对周围状态进行探测、识别和定位，全天候监测变电站安全。

1.3 算法和软件设计

传感网络中声震节点的信息处理包括目标声音和震动信号的处理、分类、跟踪、定位，其很大程度上受到外界环境的影响，同时每个传感器的节点能量有限、可靠性差、无线模块通信距离有限, 并且比其他操作的功耗更大[6], 这就要求单节点在提高分类能力的同时亦降低识别算法的运算复杂度, 降低功耗。

ELGORT等[7]发现，给每个节点配置分类器, 使声音和震动节点协同工作, 就可以达到很高的分类性能。文章从声音采集、特征提取、分类识别、声音定向和故障定位等一系列智能化监测识别技术入手，采用基于幅频特性的声音特征提取法，同时对声音信号的频谱特征进行降维处理，提取主要特征信息，并通过支持向量机算法对声音信号进行分类识别，从而判断出电力设备的运行状态和环境信息[8-9]。装置故障分类识别算法流程如图5所示。

图5 装置故障分类识别算法流程

该算法流程具体分为以下7个部分。

(1) 对声信号数据进行滤波，滤除采样过程中产生的干扰数据，减少对电力设备故障诊断的影响。

(2) 对滤波后的声信号进行线性归一化处理，降低拾音器差异的影响。

(3) 通过数据预加重增加声信号高频部分的能量，提升声学模型的高频共振峰幅值。

(4) 对声信号进行分帧和加窗处理，使信号具有短时平稳特性。

(5) 对信号进行短时傅里叶变换，并提取特征参数。

(6) 采用二维主成分分析(2D-PCA)方法对声信号特征矩阵进行降维处理[10-11]。

(7) 采用高斯径向基核函数对声信号样本进行分类处理。

对于声源方位的定向和故障定位，采用多子带加权(ISM)算法[12-16]，同时剔除信号样本中的干扰信号，确定声源方位，迅速找到故障位置，具体处理流程如下。

(1) 针对声阵列的所有4阵元接收的时域信号进行快速傅里叶变换。

(2) 选择其中两通道声信号计算各子频带的子带幅度均方相关值(SMSC)，对各子带幅度均方相关值进行降序排列，筛选出超过设定阈值的K个子频带。

(3) 针对选择的K个子频带，利用SMSC计算各子频带的加权值。

(4) 计算参与加权的子带相关矩阵，并进行特征值分解，得出各子频带的流行矩阵和噪声子空间。

(5) 计算K个子频带加权后的联合多信号分类空间谱。

(6) 通过谱峰搜索得出声源目标的方位角。

同时，为实现声音、震动参量的联合感知，提出一种基于多类型传感器的融合感知算法，以震动、声音参量的多种特征作为多通道的信号输入，基于多核线性组合的方法，实现多通道目标特征级融合，此方法还可扩展至更多不同的传感器类型，如温湿度传感器等，其算法流程如图6所示。

图6 基于多类型传感器的融合感知算法流程

将不同类型传感器的数据送入各自对应的浅层卷积神经网络，提取出对应的特征向量，融合中心通过二次卷积神经网络完成特征向量的融合处理。该结构的优点在于实现了可观的数据压缩，降低了数据处理的要求，从而能够有效地实时处理数据。

2 测试和分析

采用该装置分别在实验室和现场进行变压器设备数据采集和分析，主要测试了正常环境和异常环境、设备安装位置、设备安装姿态、工频干扰等对数据采集和识别的影响。

该装置的震动传感器采用微加速度换能器，声阵列采用MEMS传声器，均具有灵敏度高、功耗低、 体积小等特点，传感器参数如表1所示。

表1 声震一体化监测装置的传感器参数

该装置在实验室进行模拟测试，所采集的数据片段如图7所示，在信号采集工具系统中可以看出该装置能够清晰地分辨出四路声音信号和震动信号的采样值。故障识别算法可基于此样本值对特征信号进行提取和分类，从而对设备当前的运行状态进行检测。

图7 监测装置采集的测试数据片段(实验室)

采用该设备在上海久隆电力(集团)有限公司变压器修试分公司的S9-400/10型号变压器上进行安装测试(装置与变压器刚性可靠连接)，测试现场如图8所示。设备正常工作时检测到的异常声源时域和频域响应信号如图9所示。

图8 测试现场

图9 测试时异常声源的时域和频域响应信号

对电力物联网中变压器的异常声源检测和定向功能进行测试，声阵列ISM算法对不同声源的识别结果如图10所示，可以看出通过多子带加权ISM算法，该装置对近场声源和远场声源均可实现较好的探测识别。

图10 测试时声阵列ISM算法对不同声源的识别结果

3 结语

基于声震融合和识别技术，提出了声震一体式传感器节点的设计方法，并通过对复合感知数据的多通道目标特征级进行融合，研制了融合声音、震动多类型传感参量的声震一体化状态监测装置，完成了对声震节点信号的异常监测、分类识别和声源定向测试，实现了声震多参量的联合感知与设备故障识别，有助于提高无人值守变电站的安全工作水平。