基于50 Hz倍頻小波時(shí)頻熵和RUSBoost的變壓器繞組松動(dòng)聲紋識(shí)別*

李 楠,馬宏忠,朱 昊,王 健,崔佳嘉,何 萍

(1.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100；2.國(guó)網(wǎng)南京供電公司，江蘇 南京 210019)

0 引 言

變壓器是電力系統(tǒng)的核心設(shè)備之一，其安全穩(wěn)定運(yùn)行對(duì)電力系統(tǒng)的安全性和可靠性起著重要作用[1]。國(guó)家電網(wǎng)統(tǒng)計(jì)表明，繞組損壞引起的變壓器事故占總事故的55.6%。繞組松動(dòng)導(dǎo)致變壓器抗短路能力大大降低[2]，給變壓器安全穩(wěn)定運(yùn)行造成重大隱患，因此迫切需要切實(shí)有效的繞組松動(dòng)故障診斷方法。

針對(duì)繞組松動(dòng)的故障診斷，現(xiàn)有方法主要包括頻率響應(yīng)法、低壓脈沖法、短路電抗法以及振動(dòng)檢測(cè)法[3]。頻率響應(yīng)法和低壓脈沖法要求設(shè)備必須離線檢測(cè)。短路電抗法允許設(shè)備在線檢測(cè)，但無(wú)法準(zhǔn)確反映故障程度。振動(dòng)檢測(cè)法因其與電力設(shè)備之間無(wú)電氣聯(lián)系以及可以實(shí)現(xiàn)在線監(jiān)測(cè)等優(yōu)點(diǎn)而受到廣泛關(guān)注，但是其對(duì)測(cè)點(diǎn)選擇要求較為苛刻。

變壓器運(yùn)行過(guò)程中發(fā)出的聲紋信號(hào)中包含大量能夠反映設(shè)備狀態(tài)的有效信息。基于聲音信號(hào)的變壓器狀態(tài)監(jiān)測(cè)與故障診斷，具有與被測(cè)對(duì)象沒(méi)有任何接觸、易于實(shí)現(xiàn)帶電監(jiān)測(cè)與診斷等優(yōu)勢(shì)，且能很好地解決振動(dòng)測(cè)點(diǎn)空間敏感度過(guò)高的問(wèn)題，展現(xiàn)出廣闊的應(yīng)用前景[4]。目前，針對(duì)變壓器噪聲產(chǎn)生機(jī)理進(jìn)行了廣泛研究[5-9]。多數(shù)學(xué)者認(rèn)為變壓器聲紋信號(hào)由繞組以及鐵心振動(dòng)產(chǎn)生，可以從振動(dòng)角度去闡述聲紋機(jī)理[10]，繞組以及鐵心振動(dòng)基頻為100 Hz，因此變壓器聲紋信號(hào)的基頻也是100 Hz[11]。然而從現(xiàn)場(chǎng)數(shù)據(jù)測(cè)量分析的結(jié)果看，變壓器聲紋信號(hào)除100 Hz以外，還含有其他50 Hz的倍頻分量，并且不同類型的變壓器以及在變壓器不同的運(yùn)行狀態(tài)下，其聲紋信號(hào)也都存在差異[12]。變壓器本身結(jié)構(gòu)的非線性以及聲紋信號(hào)為多振動(dòng)源疊加是產(chǎn)生上述現(xiàn)象的主要原因，并且在變壓器運(yùn)行工況波動(dòng)時(shí)，提取的特征量在正常和故障之間存在交疊。因此，傳統(tǒng)的特征提取方法難以針對(duì)性地提取各類變壓器關(guān)鍵故障特征量，無(wú)法形成有效的特征提取和識(shí)別方法。

近年來(lái)人工智能技術(shù)在預(yù)測(cè)、分類等方面的高效率和高準(zhǔn)確度發(fā)展，給變壓器故障診斷和狀態(tài)監(jiān)測(cè)提供了一種新的思路。包海龍等[13]針對(duì)常規(guī)波束形成算法定位精確度差的問(wèn)題，開(kāi)展了基于反卷積波束形成算法的干式變壓器異響故障研究。張重遠(yuǎn)等[14]提出一種基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵心松動(dòng)聲紋識(shí)別方法。馬文嘉等[15]針對(duì)變壓器遭受短路沖擊時(shí)的聲信號(hào)，提出基于稀疏自適應(yīng)S變換的變壓器繞組狀態(tài)檢測(cè)方法。大型電力變壓器可靠性高，且工況穩(wěn)定，故障或異常數(shù)據(jù)往往較難獲取，傳統(tǒng)的研究方法對(duì)變壓器聲紋信號(hào)能夠進(jìn)行有效的特征提取和模式識(shí)別，但存在對(duì)不平衡數(shù)據(jù)適用性差和對(duì)數(shù)據(jù)樣本數(shù)量要求較高等問(wèn)題。

為解決上述問(wèn)題，本文提出一種基于50 Hz倍頻小波時(shí)頻熵和RUSBoost的變壓器聲紋繞組松動(dòng)診斷方法。首先，針對(duì)變壓器聲紋特點(diǎn)，提出50 Hz倍頻小波時(shí)頻熵，有效提取聲紋特征。然后，利用RUSBoost模型對(duì)不同松動(dòng)故障進(jìn)行識(shí)別。最后，在現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)的基礎(chǔ)上驗(yàn)證了方法的有效性。研究結(jié)果表明，本文所提方法對(duì)變壓器繞組不同松動(dòng)程度故障能夠進(jìn)行準(zhǔn)確識(shí)別。

1 變壓器聲紋產(chǎn)生機(jī)理分析

變壓器聲紋一般可以分為鐵心聲紋和繞組聲紋。變壓器聲紋由鐵心振動(dòng)和繞組振動(dòng)產(chǎn)生，聲波通過(guò)液體或者固體路徑傳播，最終傳播至變壓器外的聲波為多聲源共同耦合疊加而成。聲波信號(hào)在變壓器油以及空氣傳播中衰減極少，并且聲波信號(hào)在穿過(guò)油箱壁時(shí)也不會(huì)發(fā)生頻率偏移現(xiàn)象。因此，聲紋特性與振動(dòng)特性基本保持一致。本文通過(guò)分析振動(dòng)原理對(duì)變壓器聲紋進(jìn)行分析。

繞組是變壓器的基本結(jié)構(gòu)，而線圈是繞組的基本組成單元，存在多種繞制方式。以往的質(zhì)量-彈簧-阻尼模型大多針對(duì)餅式結(jié)構(gòu)，不具備普適性，將墊塊間的導(dǎo)線作為基本物理單元，稱為簡(jiǎn)化線圈基本單元。將這種具備機(jī)械特性和電磁場(chǎng)特性的物理模型稱為繞組兩體模型[16]。繞組兩體模型的運(yùn)動(dòng)方程為

(1)

對(duì)兩體模型進(jìn)行逐步簡(jiǎn)化分析，將原非線性系統(tǒng)轉(zhuǎn)換為線性系統(tǒng)。假設(shè)流經(jīng)繞組的電流為

i(t)=Icosωt

(2)

式中：I為電流幅值；ω為電源的角頻率。

兩體模型可以轉(zhuǎn)換為

(3)

求解非齊次常系數(shù)線性微分方程的通解，分為齊次方程的通解和非齊次方程的特解，其中通解為自由分量，特解為強(qiáng)制分量。由于實(shí)際系統(tǒng)中的阻尼存在，無(wú)源的自由分量最終衰減為零，因此只需要考慮方程的強(qiáng)制分量解：

(4)

式(4)右邊第一項(xiàng)為恒定力產(chǎn)生的恒定分量，第二項(xiàng)中繞組振動(dòng)的頻率為2ω。對(duì)于50 Hz的電力系統(tǒng)而言，其振動(dòng)頻率為100 Hz，即50 Hz的偶數(shù)倍頻分量。在繞組線圈振動(dòng)情況下，線圈之間發(fā)生周期性變化，使得導(dǎo)線周?chē)艌?chǎng)與自身振動(dòng)存在機(jī)電耦合。當(dāng)變壓器繞組固有頻率與激勵(lì)頻率滿足一定條件時(shí)，會(huì)產(chǎn)生參數(shù)共振；當(dāng)固有頻率與電源頻率相近時(shí)，產(chǎn)生激勵(lì)電流的奇數(shù)倍頻率；當(dāng)固有頻率為電源頻率2倍時(shí)，產(chǎn)生偶數(shù)倍頻率[17]。

2 50 Hz倍頻小波時(shí)頻熵

本文針對(duì)變壓器聲紋信號(hào)特點(diǎn)，提出一種針對(duì)變壓器聲紋信號(hào)的特征提取方法，實(shí)現(xiàn)對(duì)大量音頻信號(hào)的降維壓縮與特征提取，稱之為50 Hz倍頻占比時(shí)頻熵(50 FMWTE)，主要針對(duì)變壓器聲紋信號(hào)中50 Hz倍頻分量，其計(jì)算過(guò)程如圖1所示。

圖1 50 FMWTE計(jì)算過(guò)程圖

(1) 信號(hào)預(yù)處理。對(duì)采集到的聲紋信號(hào)進(jìn)行分幀加窗處理，通過(guò)分幀將長(zhǎng)聲音信號(hào)切成短時(shí)幀，選取幀長(zhǎng)為400 ms,幀重疊率為0.2，并利用漢明窗平滑處理，減輕吉布斯效應(yīng)影響。

(2) 小波時(shí)頻分析。對(duì)聲音信號(hào)進(jìn)行分幀以及加窗處理后，對(duì)聲音信號(hào)進(jìn)行連續(xù)小波變換，先確定小波基與尺度，后求出小波系數(shù)，其計(jì)算公式如下：

(5)

式中：x(t)為輸入聲音信號(hào)序列；ψ為母小波，采用復(fù)數(shù)小波Complex Morlet，其在時(shí)頻兩域具有很好的分辨率，適合處理非平穩(wěn)的聲音信號(hào)。

(3) 熵值計(jì)算。從小波系數(shù)序列中提取50 Hz倍頻分量小波系數(shù)c50×i(i=1,2,3,…,20)，并對(duì)其進(jìn)行相空間重構(gòu)：

Y=

(6)

式中：m為嵌入維數(shù)；t為延遲時(shí)間；K=N-(m-1)t。

將Y中每行重構(gòu)分量按照升序重新排列，將重新排列后的矩陣記為S(l)={j(1),j(2),…,j(m)}，其中每列數(shù)據(jù)記為一種符號(hào)序列，并計(jì)算每一種符號(hào)序列出現(xiàn)的概率，記為{P1，P2,…,PK}。利用以下公式計(jì)算其熵值，再對(duì)計(jì)算結(jié)果進(jìn)行歸一化處理，得各50 Hz倍頻分量的時(shí)頻熵：

(7)

(4) 占比權(quán)重計(jì)算。為削弱無(wú)用分量的波動(dòng)信息，增強(qiáng)幅值大的分量，權(quán)值采用每種頻率分量在時(shí)間序列中的最大值之最大值占所有分量在時(shí)間序列中的最大值之和的比重，計(jì)算公式如下：

(8)

(5) 50 Hz倍頻小波時(shí)頻熵計(jì)算。將50 Hz倍頻分量小波時(shí)頻熵按照頻率大小排列構(gòu)成特征向量Hpe,i×50={Hpe,50,Hpe,100，…，Hpe,1 000}。將權(quán)重按照頻率大小排列構(gòu)成權(quán)重向量δ={δ1,δ2,…,δ20}。50 Hz倍頻小波時(shí)頻熵計(jì)算公式如下所示：

Hi=Hpe,i×50·δ

(9)

3 基于RUSBoost的繞組松動(dòng)故障診斷方法

3.1 RUSBoost模型

人工智能算法往往要求訓(xùn)練集中各樣本數(shù)據(jù)相對(duì)均衡，以保證算法具有良好的泛化性。然而作為運(yùn)行可靠性相對(duì)較高的變壓器而言，各類樣本分布往往不均衡，正常運(yùn)行狀態(tài)數(shù)據(jù)較多，而非正常運(yùn)行狀態(tài)數(shù)據(jù)較少，這使得模型預(yù)測(cè)結(jié)果往往偏向正常狀態(tài)，對(duì)更具意義的非正常樣本識(shí)別效果不佳。

針對(duì)樣本數(shù)據(jù)存在的嚴(yán)重不平衡問(wèn)題，本文提出基于RUSBoost模型建立變壓器聲紋識(shí)別模型，通過(guò)欠采樣提高數(shù)據(jù)樣本的均衡性，并結(jié)合提升法，將多個(gè)簡(jiǎn)單的基學(xué)習(xí)器提升為強(qiáng)學(xué)習(xí)器。對(duì)比當(dāng)前基學(xué)習(xí)器的訓(xùn)練誤差調(diào)整訓(xùn)練樣本的分布權(quán)重，并增加懲罰因子，提高后續(xù)訓(xùn)練過(guò)程中的關(guān)注度，再利用調(diào)整后的樣本訓(xùn)練下一個(gè)基學(xué)習(xí)器，并由此反復(fù)迭代[18]。

RUSBoost模型通過(guò)最小化指數(shù)損失函數(shù)以達(dá)到貝葉斯最優(yōu)錯(cuò)誤率，其中最優(yōu)權(quán)重計(jì)算公式為

(10)

式中：εt為t組樣本預(yù)測(cè)錯(cuò)誤率。

模型最終輸出的學(xué)習(xí)器為T(mén)個(gè)基學(xué)習(xí)器的線性權(quán)重疊加組合。

(11)

式中：ht(x)為基學(xué)習(xí)器ht在對(duì)應(yīng)樣本x下的預(yù)測(cè)值。

設(shè)訓(xùn)練數(shù)據(jù)集為S={S1,S2,…,Sm}。模型流程圖如圖2所示。

圖2 RUSBoost模型流程圖

3.2 在線故障診斷流程

基于50 Hz倍頻小波時(shí)頻熵和RUSBoost的變壓器繞組松動(dòng)聲紋識(shí)別方法如圖3所示。具體步驟如下。

圖3 故障識(shí)別流程

(1) 50 Hz倍頻小波時(shí)頻熵計(jì)算及特征提取。首先將預(yù)處理后的聲紋信號(hào)進(jìn)行小波變換，并提取小波系數(shù)，然后提取50 Hz各倍頻小波系數(shù)計(jì)算熵值，并利用幅值最大值計(jì)算各分量占比權(quán)重，最后計(jì)算50 Hz倍頻小波時(shí)頻熵并疊加，構(gòu)成21維的特征向量。

(2) 構(gòu)建RUSBoost識(shí)別模型。采集構(gòu)建訓(xùn)練集數(shù)據(jù)樣本，通過(guò)欠采樣處理不平衡數(shù)據(jù)，結(jié)合提升法建立模式識(shí)別模型，并通過(guò)網(wǎng)格搜索調(diào)參，完成對(duì)模型的訓(xùn)練。

(3) 基于聲紋的變壓器運(yùn)行狀態(tài)監(jiān)測(cè)。提取測(cè)試集數(shù)據(jù)，通過(guò)上述方法計(jì)算其50 Hz倍頻小波時(shí)頻熵，并將計(jì)算結(jié)果代入訓(xùn)練好的RUSBoost識(shí)別模型，獲得繞組不同松動(dòng)程度的識(shí)別結(jié)果。

4 案例分析

4.1 變壓器聲紋采集平臺(tái)搭建

本文搭建的變壓器聲紋數(shù)據(jù)采集平臺(tái)如圖4所示，數(shù)據(jù)采集平臺(tái)主要包括變壓器、電腦、DHDAS動(dòng)態(tài)信號(hào)采集儀、信號(hào)傳輸線、前置放大器HS14618以及電容式聲傳感器HS14401等。

圖4 數(shù)據(jù)采集平臺(tái)

在信號(hào)測(cè)量方面，電容式聲傳感器有頻率范圍寬、穩(wěn)定性好、能最大程度減少自身誤差等優(yōu)勢(shì)。根據(jù)國(guó)際測(cè)量標(biāo)準(zhǔn)IEC60651，聲信號(hào)測(cè)量應(yīng)該覆蓋20 Hz～20 kHz的可聽(tīng)聲范圍，因此設(shè)備采用50 kHz的采樣頻率。采用抗強(qiáng)磁場(chǎng)干擾的信號(hào)傳輸線，有效減少外界電磁場(chǎng)干擾。電容式聲傳感器測(cè)點(diǎn)布置如圖5所示，距離變壓器油箱外壁30 cm，距離地面35 cm。變壓器短路試驗(yàn)下，繞組振動(dòng)產(chǎn)生的聲音遠(yuǎn)大于鐵心振動(dòng)引起的聲音。因此，本文開(kāi)展短路試驗(yàn)，并利用龍門(mén)吊和扭力扳手模擬繞組不同松動(dòng)程度故障。試驗(yàn)設(shè)置低壓側(cè)短路，高壓側(cè)從零開(kāi)始施加電壓，當(dāng)?shù)蛪簜?cè)電流達(dá)到額定值時(shí)停止，并測(cè)量聲紋信號(hào)。測(cè)量完畢后，重復(fù)通過(guò)變壓器吊芯，并利用扭力扳手調(diào)整變壓器繞組垂直方向上的緊固螺絲松緊程度，分別調(diào)整預(yù)緊力為0、0.25FN、0.5FN、0.75FN和FN，此處FN為額定預(yù)緊力，靜置后重新測(cè)量變壓器聲紋數(shù)據(jù)。

圖5 聲傳感器測(cè)點(diǎn)布置

4.2 聲紋信號(hào)時(shí)頻域與測(cè)點(diǎn)位置分析

頻譜與時(shí)頻譜是聲信號(hào)處理的重要特征頻率譜，頻譜能夠反映信號(hào)在不同頻率的幅值大小，時(shí)頻譜能夠反映聲音信號(hào)在不同時(shí)間下頻率能量的分布狀況。頻譜與時(shí)頻譜可以有效建立時(shí)域與頻域之間的聯(lián)系，展現(xiàn)聲音信號(hào)的特征信息，反映變壓器的運(yùn)行狀態(tài)。如圖6所示，變壓器正常運(yùn)行時(shí)的聲紋信號(hào)頻率分量表現(xiàn)為50、100、150 Hz等50 Hz倍頻分量，其中100、200、300 Hz頻率分量相對(duì)較多。

圖6 聲紋信號(hào)頻域與時(shí)頻分布

對(duì)比不同測(cè)點(diǎn)數(shù)據(jù)，如圖7所示，測(cè)點(diǎn)位置不同，聲音信號(hào)各頻率分量幅值大小有所差異，但都表現(xiàn)出相近的趨勢(shì)。聲音信號(hào)一般都位于900 Hz范圍內(nèi)，并且聲音信號(hào)頻率以50 Hz偶數(shù)倍分量為主，50 Hz及其奇數(shù)倍分量所占比重較少。變壓器聲紋為多聲源耦合疊加，造成聲紋復(fù)雜程度增加，測(cè)點(diǎn)選取應(yīng)遵循簡(jiǎn)單的原則，但變壓器狀態(tài)改變時(shí)，測(cè)點(diǎn)相對(duì)其他測(cè)點(diǎn)變化應(yīng)更為劇烈。2號(hào)測(cè)點(diǎn)多次測(cè)量結(jié)果穩(wěn)定，聲紋特征突出，基頻占比高，因此選擇此測(cè)點(diǎn)作為代表測(cè)點(diǎn)進(jìn)行后續(xù)研究分析。

圖7 不同測(cè)點(diǎn)數(shù)據(jù)對(duì)比

4.3 變壓器繞組松動(dòng)模式識(shí)別

針對(duì)變壓器聲紋信號(hào)特點(diǎn)，提出基于50 Hz倍頻小波時(shí)頻熵的聲紋特征提取方法，既保證了關(guān)鍵信息的提取，又防止數(shù)據(jù)量過(guò)大。對(duì)隨機(jī)森林算法進(jìn)行改進(jìn)，優(yōu)化調(diào)整其參數(shù)，提高識(shí)別率。

數(shù)據(jù)是模型訓(xùn)練識(shí)別的基礎(chǔ)，本文對(duì)設(shè)定的5種工況進(jìn)行數(shù)據(jù)收集，對(duì)麥克風(fēng)接收到的聲紋信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，并計(jì)算其50 Hz倍頻小波時(shí)頻熵得到[H1H2H3…H20]，再對(duì)各50 Hz倍頻熵進(jìn)行疊加求和得到Hsum，將其組合構(gòu)成21維特征向量[H1H2H3…H20Hsum]。

為保證模型識(shí)別的有效性，在進(jìn)行模型訓(xùn)練時(shí)，需要樣本集分成訓(xùn)練集和測(cè)試集，樣本劃分如表1所示。在共計(jì)797組樣本中，正常樣本257組，25%松動(dòng)程度樣本240組，50%松動(dòng)程度樣本218組，75%松動(dòng)樣本43組，100%松動(dòng)樣本39組，各類別樣本間最大不平衡率為6.94。表中對(duì)不同的工況設(shè)置標(biāo)簽，最后將所有帶有標(biāo)簽的樣本隨機(jī)輸入到模型中進(jìn)行訓(xùn)練。

表1 樣本個(gè)數(shù)

模型訓(xùn)練采用10折交叉驗(yàn)證的方式，即將數(shù)據(jù)集劃分為10個(gè)子集，隨機(jī)挑選其中1個(gè)子集作為驗(yàn)證組，其他9個(gè)子集作為訓(xùn)練集，對(duì)模型進(jìn)行10次訓(xùn)練和測(cè)試，并通過(guò)網(wǎng)格搜索的方法對(duì)超參數(shù)進(jìn)行尋優(yōu)。平均準(zhǔn)確率對(duì)不平衡樣本的性能評(píng)價(jià)不夠全面，因此網(wǎng)格搜索的優(yōu)化目標(biāo)為尋找最優(yōu)AUC值。最終設(shè)置調(diào)整最大分裂數(shù)為37、基學(xué)習(xí)器個(gè)數(shù)45以及學(xué)習(xí)率為0.12。評(píng)價(jià)結(jié)果如圖8所示。

圖8 混淆矩陣

在如圖8所示的混淆矩陣中，橫坐標(biāo)為模型的預(yù)測(cè)結(jié)果，縱坐標(biāo)為模型的真實(shí)結(jié)果，最右邊1列為模型識(shí)別準(zhǔn)確率。由圖8可知，針對(duì)鐵心不同松動(dòng)程度的識(shí)別準(zhǔn)確率均高于94%，表明模型對(duì)繞組不同松動(dòng)程度故障均能實(shí)現(xiàn)有效識(shí)別，總體準(zhǔn)確度達(dá)到98.9%。AUC值為0.98，表明模型對(duì)存在不平衡問(wèn)題的變壓器聲紋樣本同樣具有良好的識(shí)別精度和適用性。

4.4 優(yōu)越性驗(yàn)證

為驗(yàn)證本文所提特征提取方法的有效性，繪制各類別特征降維圖，對(duì)故障特征提取前后進(jìn)行可視化。由圖9可知，原始信號(hào)特征在不同故障類別間高度重合，難以被區(qū)分，而本文所提50 Hz倍頻小波時(shí)頻熵具有良好的區(qū)分度。

圖9 特征可視化

為驗(yàn)證本文所提優(yōu)化的RUSBoost模型的優(yōu)越性，將常見(jiàn)的決策樹(shù)(DT)、隨機(jī)森林(RF)、K近鄰(KNN)以及支持向量機(jī)(SVM)等模型與本文所提模型進(jìn)行對(duì)比，模型均采用網(wǎng)格搜索尋找最佳超參數(shù)，使得其AUC值最佳。各模型分類結(jié)果如表2所示。

表2 常見(jiàn)模型分類結(jié)果對(duì)比

由表2可知，5種模型總體識(shí)別準(zhǔn)確率都較高，但對(duì)于樣本量較少的75%松動(dòng)和100%松動(dòng)分類性能較差。針對(duì)75%松動(dòng)故障和100%松動(dòng)故障，本文所提模型相較于RF、DT、KNN、SVM等傳統(tǒng)模型，至少提高了2.8%和2.5%。由此可知RUSBoost模型對(duì)于不平衡的變壓器樣本數(shù)據(jù)具有較好的分類準(zhǔn)確率，這對(duì)在實(shí)際運(yùn)用中解決變壓器故障或異常樣本數(shù)據(jù)缺失具有重要作用。

5 結(jié) 語(yǔ)

本文以變壓器聲紋信號(hào)為研究對(duì)象，通過(guò)變壓器聲紋數(shù)據(jù)采集平臺(tái)采集數(shù)據(jù)，對(duì)變壓器運(yùn)行過(guò)程中的不同工況進(jìn)行研究，并搭建50 FMWTE-RUSBoost聲紋信號(hào)運(yùn)行狀態(tài)監(jiān)測(cè)，為基于聲紋的變壓器狀態(tài)監(jiān)測(cè)和故障診斷提供依據(jù)。主要結(jié)論如下。

通過(guò)理論研究和試驗(yàn)數(shù)據(jù)分析可知，變壓器聲紋信號(hào)主要為50 Hz倍頻分量。針對(duì)此特點(diǎn)，提出50 Hz倍頻小波時(shí)頻熵，提高了信息的利用率和豐富程度，對(duì)變壓器繞組不同程度的聲紋信號(hào)具有較好的區(qū)分度，并對(duì)測(cè)點(diǎn)選擇進(jìn)行研究，選擇信息程度最為豐富、穩(wěn)定的2號(hào)測(cè)點(diǎn)用作后期算例驗(yàn)證。

針對(duì)變壓器聲紋樣本多存在不平衡以及異常樣本較少的問(wèn)題，提出基于RUSBoost的變壓器聲紋運(yùn)行工況模式識(shí)別，總體準(zhǔn)確度達(dá)到98.9%，樣本量較少的75%松動(dòng)樣本和100%松動(dòng)樣本的識(shí)別準(zhǔn)確率高達(dá)97.2%和94.6%，較其他模型至少提高2.8%和2.5%。結(jié)果表明RUSBoost模型較傳統(tǒng)模型對(duì)不平衡樣本數(shù)據(jù)具有更好的準(zhǔn)確度。