基于變壓器運行聲音識別的智能運維輔助決策技術

王劍強，彭濤

（國網浙江省電力有限公司金華供電公司，浙江金華，321000）

0 引言

設備在正常運行時，本體與固件之間、本體內部的相互運動狀態發生變化時，設備會發出聲音，隨著運行狀態的變化（發生故障）所發出的聲音也會隨之變化。變壓器在運行的時候，硅鋼片的磁致伸縮會使得鐵芯隨著勵磁頻率的變化而周期性振動，同時，硅鋼片接縫處和疊片之間存在著因漏磁而產生的電磁吸引力，也會引起鐵芯的振動，當繞組中有負載電流通過時，負載電流產生的漏磁引起繞組、油箱壁的振動。這些結構的機械振動會通過器身和變壓器油傳遞到變壓器箱體表面，同時以聲波的形式向外擴散。變壓器在不同的運行狀況下，器身發出的聲音會有所不同于聲學特征量的診斷技術，獲取聲音信號不需要使變壓器停止運行，也不用接觸設備，裝置簡單，采集信號方便，安裝方式比較靈活，不會干擾設備的正常運行。

變壓器正常運行時噪聲主要來源于油箱、繞組、鐵芯及冷卻裝置風扇等發生振動，也即變壓器本體的振動和冷卻裝置風扇的空氣流動產生的。本體噪音主要包括硅鋼片和疊片間因磁通穿過片間而產生的電磁力，引起的鐵芯振動，負載電流流過繞組，在繞組之間、線匝之間產生的動態電磁力從而引起的繞組的振動；另外因為漏磁引起的油箱壁的振動等等。冷卻裝置的噪聲主要是潛油泵和冷卻風扇運行時產生的[2]。

1 “智慧耳蝸”系統總體思路

“智慧耳蝸”系統基于物聯網技術、大數據，根據智能巡檢機器人、人工巡視以及音頻在線監測裝置采集到的設備運行音頻信息、氣候信息，并集合EMS系統內的負荷潮流以及PMS系統的設備臺賬等信息形成主變聲音數據庫，利用大數據挖掘算法對主變運行時的音頻進行預測分類，預測主變的運行工況；根據主變運行工況，并結合當班人員信息、實時路況，利用if-then 規則提供智能運維決策策略，幫助運維人員提早介入缺陷發展階段，縮短應急響應時間。

2 基于設備運行聲音的大數據預測模型

2.1 變壓器運行聲音的音頻數據來源及探索

從主變運行聲音數據庫里選出錄音編號為Z1、Z8兩段代表主變運行在不同工況下（正常和偏磁）音頻進行數據探索。兩段音頻信號的時域波形分別如下圖1所示，為了更直觀地反應變壓器運行在不同工況下的特征，對上述兩段錄音編號分別進行小波去噪后進行按下式快速傅里葉變換，結果如下圖1所示。

圖1 錄音編號Z1和Z8的音頻時域波形

從下圖2的頻譜圖可知，無論是正常運行還是偏磁運行的變壓器它們的頻譜圖都呈明顯的線狀分布，且均分布在1000Hz以內。正常運行時的主變其主頻在100Hz及倍頻，200Hz下噪音明顯，與主變所處的環境及負荷有關；偏磁運行時的主變其主頻在50Hz及倍頻。主變異常運行時，頻率幅值比正常運行和偏磁運行時的幅值要大的多[1]；而正常運行和偏磁運行在頻譜分布上存在明顯的區別。

圖2 錄音編號Z1和Z8的頻域波形

2.2 數據的預處理

首先對主變運行聲音數據庫的數據進行清洗，對于記錄數據缺失值進行補充，由于所列的屬性值除了冷卻方式和運行工況外均可查詢相關系統的歷史數據獲得。將主變高壓側負荷電流根據額定電流規約到主變負載程度，即按下式轉換。

然后對上圖中的數值型數據采用Z-score標準化，即

式中，x*為標準化后的數據，x 為標準化前數據，μ為所有樣本的均值，σ為所有樣本數據的標準差。

對描述性數據的屬性，如“變電站”、“廠家”、“冷卻方式”、“運行工況”進行語義轉換，其中“變電站”按照變電站名稱的首字母進行排序后進行數字編號；“冷卻方式”與“運行工況”按下數字進行編號。

2.3 基于BP神經網絡主變運行工況的預測分類模型

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡算法之一。神經網絡算法就是一組相互連接的輸入輸出單元，這些單元之間的每個連接都關聯一個權重。在網絡學習階段，網絡通過調整權重來實現輸入樣本與其相應（正確）類別的對應。神經網絡的優點就是對噪聲數據有較好適應能力，并且對未知數據也具有較好的預測分類能力。

圖3 神經網絡示意圖

首先對網絡里的權重Wij、Vij和偏倚θ進行初始化，網絡的權重Wij和偏倚θ初始為小隨機數（-1.0到1.0）;接著根據樣本數據X按照下式計算隱含層的輸出Y：

式中，f(x)為隱含層神經元的激勵函數，選擇S型正切函數tansig。

選擇神經網絡傳遞函數g( x )，計算輸出層O:

根據計算得到的輸出與期望輸出，得到總體計算誤差Er,并按照下式對網絡權重Wij、Vij進行更新。

式中Tk為期望結果。

式中η為學習率，取0和1之間的常數值；l為輸出值的維數。

重復以上步驟，直到所有的ΔVjk、ΔWjk都小于指定的閾值，或超過訓練的周期數。

利用變壓器運行聲音音頻信號的20個特征頻譜分布作為BP神經網絡的輸入層，輸出層即為主變的運行工況，隱含層神經元個數取8，訓練方法采用Levenberg-Marquardt，其速度最快，但是占用內存較大。

取主變運行聲音數據庫內的32個樣本作為神經網絡訓練樣本，學習速率設置0.05，當達到下列任一條件時，訓練停止：

a)訓練次數已達1000次；

b)誤差已收斂至1e-6；

c)網絡性能最小梯度到達1e-7。

訓練結果如下圖4所示，圖4（a）為訓練過程中誤差收斂曲線，在訓練到29步時，誤差已收斂至1e-6，到達訓練停止條件，訓練停止；圖4(b)為訓練樣本的回歸系數。

圖4 訓練結果

對訓練的神經網絡進行測試，選取訓練樣本外的另外2個樣本進行測試，第一個樣本分類結果為1.0233；第二個樣本的分類結果為1.0001。該兩個樣本的頻譜分布分別如下圖5和圖6所示，樣本1的頻率分布中雖然有較大干擾量（50Hz、150Hz、250Hz…等干擾量），但是系統還是能夠清晰辨識；樣本2中頻率分布較干凈，是典型的主變正常運行時的頻譜分布，預測值也基本準確。

圖5 樣本1的頻譜

圖6 樣本2的頻譜分布

2.4 基于if-then規則的運維決策制定模型

根據變壓器運行聲音，利用2.3節建立的預測分類模型，以《國家電網公司變電運維管理規定（試行）和細則》為準則，綜合考慮天氣、實時路況、人員配置、備品備件等信息，建立決策樹模型，將決策結果按照權限等級推送至相關人員。決策樹是最為廣泛的歸納推理算法之一，本文采用if-then規則表示模型。

3 應用預期效果

“智慧耳蝸”上線后，能根據采集到的變壓器運行聲音，和輔控系統里的相關數據自動生成并更新主變聲音數據庫，通過“智慧耳蝸”系統進行預測、分類以及決策后，將決策信息上送至輔控平臺，并根據權限向相關人員推送。提早介入變壓器缺陷的初級發展階段，合理安排檢修計劃，統籌值班人員力量，減少設備受迫停運的風險，縮短設備應急處置時間。該系統后續也可以應用到壓變、電抗器、電容器等設備，彌補電網設備在“聽覺”方面的診斷預測盲區。

圖7 基于if-then規則的運維決策模型