基于声纹识别技术的变压器故障诊断实测与分析

冯 跃

（云南电网有限责任公司文山供电局，云南 文山 663000）

变压器是发电系统、输电系统、配电系统的关键和核心设备，其运行工况直接影响电能使用。由于变压器运行机理复杂、运行环境多样，随着运行年限的增加，各组件均可能发生异常从而导致变压器故障。变压器故障不仅会造成电力企业和用户直接经济损失，还可能引发不良的社会影响，因此变压器的故障诊断非常关键和重要。

当前，已形成了变压器溶解气体、红外测温、局部放电和频率响应等解决变压器故障方法。其中变压器溶解气体分析方法是基于变压器油和纤维受到氧气、水分等影响老化并分解出气体，通过检测这些气体的成分和密度实现变压器故障诊断，然而实际工程中发现溶解气体虽然超过注意值但依然健康运行，反之，溶解气体未达到注意值时已发生故障[1]，为此，刘展程等[2]提出一种考虑多因素的变压器油中溶解气体含量自适应预测方法，融合了注意力机制（Attention Mechanism）、麻雀搜索算法（Sparrow Search Algorithm，SSA）对双向门控循环单元（Bidirectional Gated Recurrent Unit，BiGRU）构建SSA-BiGRU-Attention优化模型，研究结果显示，预测精度可达到98.3%，但该方法需要大量的样本数据，对运算平台资源要求较高。红外测温则是感知变压器不同部分运行温度判断变压器运行工况，其中张卫庆等[3]设计了带红外视窗的油浸式变压器测试系统，将多通道光纤温度传感器和红外测温技术相结合，并据此利用耦合法（Coupling method，CM）和三对角矩阵算法（The tridiagonal matrix algorithm，TDMA）建立了电力变压器温度场的分布模型，可实现变压器温度预测及故障精准诊断。在基于局部放电开展变压器故障诊断的关键在于有效检测局部放电量，周国华等[4]提出了一种基于改进双链量子遗传算法与正交匹配追踪方法相结合的局部放电稀疏分解去噪新方法，实验结果表明该方法检测性能均优于传统的小波阈值去噪法和EEMD去噪法，该方法较为复杂。另外，贾骏等[5]提出复杂多径传播条件下变压器局部放电定位方法，在有效分析局放信号载变压器内折射、绕射传播路径的基础上构建抗多径效应的局部放电定位模型，通过优化求解可确定变压器内部局部放电准确位置，然而该方法需要准确模型数据。针对传统的频率响应分析（FRA）法无法识别自耦变压器绕组常见轴向移位故障的问题，郭蕾等[6]提出基于动态分频段的FRA法，结果表明，该设计的方法生成的极坐标图数据点重叠情况得到改善，有利于图形分析和特征提取，可为自耦变压器现场诊断提供参考。周中锋等[7]根据工程试验，总结了变压器绕组变形排查过程注意事项，并分析了频率响应法的主要干扰因素，对现场工作具有一定指导意义。

近年来，随着信号处理技术及深度学习技术的快速发展，基于声纹识别技术开展变压器故障诊断的研究不断涌现。王喆[8]提出了一种基于快速增量式SVDD（Fast Incremental Support Vector Data Description，FISVDD）以及门控循环单元（Gate Recurrent Unit，GRU）的变压器机械故障声纹识别方法。结果表明，相较于单级算法其识别能力更为准确和可靠。曾有学者设计了基于闭集算法的声纹识别模型，其模型参数通过混叠学习正负样本获得，为了弱化室外其他设备的影响，同时保持故障样本召回率，提出了一种基于新奇检测的两级声纹识别算法。

声纹识别技术具有感知信息丰富、完整，感知过程不影响变压器运行，不会对变压器造成破坏等优点。然而，现有研究主要基于仿真和实验室开展，少有涉及实际现场应用和分析，为此本文依托64通道麦克风阵列设备开展了500 kV变电站、220 kV变电站共计7台变压器的实际声源采集，分析了500 kV变电站3台主变的声纹特性，对比了不同方位下相同变压器的声纹特性。本文工作成果可为后续业界开展基于声纹识别的变压器故障诊断提供场景数据。

1 基于麦克风的声音感知设备

麦克风可将声源信号（包括振动信号）转化成电信号，经进一步加工处理后可直观呈现感知对象的声源特性。当前，主流的麦克风主要分为数字麦和模拟2类，其中MEMS（微型机电系统）数字麦克风因具有体积小、输出数字信号、抗干扰能力强和成本低等特点而被广泛应用。

MEMS将电子电路和机械组件集成至芯片中，从而有效降低体积和功耗。MEMS麦克风大多基于电容型结构设计，其运行机理是MEMS麦克风振膜在声音输入时产生振动，该振动引起膜表面的电荷变化，进而完成声音信号与电信号的转换，随后，将电信号输入到前置放大器（AMP）和模数转换器（ADC）中转换为数字信号，经数字运行器（DSP）处理后，转换成单比特脉冲密度解调格式的数字信号。

为了提高感知能力，基于阵列设计的MEMS可集成几十个感知单元。

2 试验及分析

2.1 试验过程

为了有效感知变压器实际运行中产生声音信息，现场测试时使用64通道麦克风阵列设备，其外观如图1所示，设备可结合辅助支架或直接吸附在感知对象，非常适合于变压器复杂而多样的运行工况测试。

图1 64通道麦克风阵列设备

为获得更多样、丰富的变压器声纹数据，本次现场测试选择了2个电压等级共计7台变压器开展测试。具体的，包括1座500 kV变电站（3台变压器，单台容量750 MVA）、2座220 kV变电站（每座2台变压器，容量包括180、150 MVA）的7台高压电力变压器，累计采集获得20多段音频数据（每1段音频数据持续时间超过1 min），图2为现场开展测试的情况。

图2 测试现场

在实际测试中，因变电站内其他设备也同时产生声音，这些声音互相耦合、混叠和干扰，并且强度会随着变电站电压等级增加而变强。如何有效隔离其他站内设备干扰，保证测试数据基本或者完全由所测的变压器发出尤为关键。为此，实际测试时通过2种传声方法采集音频数据，通过2种方法数据有结合提高识别的准确性。另外，采样设备尽可能地靠近变压器箱体，即能减少因空气造成的衰减和干扰，又可有效隔离其他站内设备影响。在某些现场，在保证现场安全的前提下，采样设备贴紧变压器箱体，这种方式虽然有效，但受限于实际现场条件。

2.2 试验数据

2.2.1 数据处理

在获得现场测试数据后，所有数据都需要2次处理。具体的，使用剪辑和平滑工具处理采用数据，最终截取最为平稳的10 s声信号开展分析。同时通过傅里叶变化等技术获得声信号的频域信息，使得分析更直观、有效。图3和图4分别为某组采用音频的原始数据及其所对应的频率响应图，不难看出直接分析原始信号很难提取关键信息，而图4较为直观的呈现声信号的变化特性。

图3 原始声信号

图4 声信号频率响应图

2.2.2 数据分析

限于篇幅，仅展示和分析测试的部分数据。具体的，选取500 kV变电站3台主变（1#、2#、3#）音频典型数据，如图5—图7所示。

图5 1#主变声信号频率响应图

图6 2#主变声信号频率响应图

图7 3#主变声信号频率响应图

图5中，1#主变以200 Hz为主，主频附近较为平滑，干扰信号有效滤除，初步判断变压器运行工况良好；相较之下，图6的2#主变所产生的声音以100、200及600 Hz为主，且在100 Hz及其整数倍频率附近有显著的旁瓣信号；2#主变与3#主变的声信号频谱分布非常相似，均以100 Hz、200 Hz为主，主频信号的旁瓣明显，初步判断2#主变、3#主变总体运行工况良好，但也存在故障发生的风险，建议进一步安排检定。总体来说，3台主变均以低频为主，属于正常运行情况下本体振动所产生的声音，即绕组振动或是铁芯磁致伸缩所引起的振动发声。

另外相同变压器不同测试方位所得的信号分布特性有所差异。为此，选取了某220 kV主变作为分析对象，通过处理后得到声信号频率响应图（图8），其包含了该主变2个方位所得的信号，其中图8（a）主频为500 Hz，而图8（b）中主频率为300 Hz及600 Hz，这也印证了前面所述的观点：变压器不同方位感知的信号存在差异。

虽然图8（a）和（b）的频谱存在差异，但主频谱总体态势和特性较为相似，都能体现当前变压器的运行工况，只是分别突出所靠近的变压器组件声纹特征。

图8 主变声信号频率响应图

同时，对比500 kV和220 kV主变的音频特性可知，变压器电压等级越高、容量越大，主频的幅值相应的越大；当变压器主频分布于1 000 Hz以内时，变压器较为健康；当变压器主频向更高频变化时，建议重点关注。

3 结束语

变压器运行工况直接影响电网安全，如果快速、准确地分析和诊断变压器故障情况对保证人民生活、企业生成至关重要。本文基于声纹技术开展实际现场的变压器声纹测试，分析了测试中发现的关键问题，并给出行之有效的缓解方法，最后重点分析了3台500 kV主变的声纹特性，从主频判断3台变压器的当期工况。本文所提供的测试方法和声纹特性数据可为内深入开展基于声纹技术识别变压器故障研究和应用提供实际场景支撑。