基于多維時頻特征的變壓器故障聲紋識別方法研究

唐冬來,李擎宇,龔奕宇,鐘 聲,陳澤宇,聶 瀟

(1.四川思極科技有限公司,四川 成都 610047;2.國網四川省電力公司,四川 成都 610041)

0 引言

主變壓器是變電站的核心設備,承擔著變換電壓、分配電能的任務。主變壓器的安全、可靠運行對保障電網的安全、穩定運行具有積極意義[1]。主變壓器設計復雜,尤其是新型換流變壓器處于質量完善期,故障率高,若發生變壓器故障將造成停電損失[2]。引發變壓器故障的原因較多,而變壓器故障狀態采集技術能力偏低[3-5],關鍵隱患不能實時預警。

變壓器故障識別方法主要分為停電檢測和在線檢測兩類。停電檢測法將變壓器停電后,采用吊芯法觀測繞組是否發生形變,或采用電容量測試法、短路阻抗法、頻率響應曲線法來判斷變壓器是否存在故障[6-7]。但上述方法需停電試驗,檢驗耗時長,不能及時發現變壓器故障隱患。在線檢測法通過變壓器局部放電、變壓器油溶解氣體分析(dissolved gas analysis,DGA)等方法進行檢查[8-9]。但上述方法僅對套管、油箱等故障識別率高,對繞組故障的識別效果差。

為解決變壓器繞組故障檢查難度大、識別準確率低的問題,本文提出了一種基于多維時頻特征的變壓器故障聲紋識別方法。該方法對變壓器聲紋的聲壓、高頻能量比重、奇偶次諧波幅值比等的時頻特征進行了關聯分析,從多個維度印證變壓器是否存在故障,消除了單一維度辨識變壓器故障的誤差,提高了變壓器故障辨識的準確性。

1 變壓器故障聲紋識別框架

基于多維時頻特征的變壓器故障聲紋識別框架分為變壓器聲紋特征提取、變壓器標準聲紋比對和變壓器故障聲紋缺陷辨識三部分。變壓器故障聲紋識別流程如圖1所示。

圖1 變壓器故障聲紋識別流程圖

由圖1可知,在變壓器聲紋特征提取環境,通過安裝在變壓器機械結構連接處的振動傳感器采集變壓器的聲音數據,并采用分幀法分離噪聲數據后,進行變壓器聲紋特征提取。在變壓器標準聲紋比對環節,利用變壓器交接試驗和正常運行數據形成典型的變壓器聲紋庫,并將其與當前的變壓器聲紋數據進行比對,以判斷當前聲紋是否存在異常。若存在異常,則為變壓器故障聲紋。在變壓器故障聲紋缺陷辨識環節,首先對變壓器多維度的聲紋時頻域進行分析,然后計算各維度的信息熵值,最后形成變壓器故障聲紋辨識結果。

2 變壓器故障聲紋識別模型

2.1 變壓器聲紋特征提取

振動傳感器將變壓器運行的工程機械振動參量轉換為電信號,并對其進行測量,從而獲得變壓器運行的機械振動特征。振動傳感器的頻率監測范圍為5 Hz～30 kHz[10]。為確保變壓器振動信號獲取準確,在變壓器多個機械連接處安裝接觸式振動傳感器進行聲紋提取。提取到的變壓器聲紋Ba為:

(1)

式中:na為變壓器所安裝的振動傳感器數量;bsi為不同的振動傳感器采集的變壓器機械振動信號。

變壓器振動傳感器所提取到的信號主要包括變壓器噪聲、風機噪聲、電暈噪聲和環境噪聲。其中,變壓器噪聲為50 Hz整數倍的穩定信號,頻率范圍在2 kHz內;風機噪聲為2 kHz內的全頻段信號;電暈噪聲為寬頻的短時脈沖信號;環境噪聲為20 Hz～20 kHz的全頻段信號。

通過傅里葉變換將振動傳感器中的聲音信號轉換為頻域信號Fa:

(2)

式中:τ為周期函數的時間;x(τ)為τ的周期函數;d為函數;σ(τ-t)為傅里葉變換中的窗函數;e-2πjkt為傅里葉變換中的復變函數。

變壓器噪聲數據分離采用分幀方式。在分幀后,兩幀之間的噪聲信號會存在重疊的情況。變壓器噪聲幀數Ga為:

(3)

式中:nc為變壓器噪聲數據的總長度;oa為分幀的長度;c為兩幀信號之間的重疊率。

變壓器噪聲數據分離后的振動信號Fb為:

Fb={f1,f2,…,fnb}

(4)

式中:nb為變壓器振動數據中50 Hz整數倍的上限;f1和f2分別為變壓器振動數據中50 Hz的1倍與2倍。

梅爾頻譜系數(Mel frequency cestrum coefficient,MFCC)是聲紋識別領域的典型方法[11],具有聲紋識別準確率高的優點。因此,本文采用MFCC提取變壓器聲紋特征。梅爾轉換頻率Ma為:

(5)

式中:d′為變壓器振動頻率。

經過濾波得到的變壓器聲紋Mb為:

(6)

式中:nd為傅里葉變換的點數;Gbi為不同的傅里葉變換后的變壓器振動數據;δi為不同的聲紋提取濾波器參數。

2.2 變壓器標準聲紋比對

變壓器全生命周期聲紋是變壓器從出廠試驗到退運的全過程的聲紋數據。變壓器全生命周期聲紋包括變壓器出廠試驗聲紋、交接試驗聲紋、正常運行聲紋、設備異常帶電檢測聲紋、故障停電檢測聲紋和故障試驗聲紋。

首先,將當前的變壓器聲紋與出廠試驗聲紋、交接試驗聲紋、正常運行聲紋進行比較,以判斷當前聲紋與變壓器正常聲紋的失真度。若當前聲紋與上述聲紋的失真度大,則說明變壓器存在故障。其次,將當前聲紋與設備異常帶電檢測聲紋、故障停電檢測聲紋和故障試驗聲紋進行比較,以判斷當前聲紋與異常聲紋的失真度。若當前聲紋與異常聲紋的失真度小,則說明變壓器存在故障。

矢量量化(vector quantization,VQ)是一種基于香農理論的信號相關性量化方法[12]。該方法將多個標量數據構建成矢量數據,并在矢量空間整體量化,從而實現矢量之間的失真比對。

變壓器標準聲紋比對平均失真率Ha為:

(7)

式中:ng為變壓器訓練矢量集的個數;d(xi,yi)為不同訓練集的向量x與y之間的距離。

本文分別統計當前變壓器聲紋與變壓器全壽命周期正常失真度Hb與異常聲紋失真度Hc。

(8)

式中:Δf1為出廠試驗聲紋;Δf2為交接試驗聲紋;Δf3為正常運行聲紋;Δf4為設備異常帶電檢測聲紋;Δf5為故障停電檢測聲紋;Δf6為故障試驗聲紋。

在變壓器聲紋正常工作的情況下,Hb≤Ha

2.3 變壓器故障聲紋缺陷辨識

變壓器振動傳播路徑如圖2所示。

圖2 變壓器振動傳播路徑圖

由圖2可知,變壓器的振動傳播路徑不發生變化時,振動信號發生變化較小。當變壓器出現故障時,變壓器機械狀態改變,振動信號發生變化。

變壓器繞組故障主要包括繞組永久變形、絕緣劣化和絕緣損壞三種類型。繞組永久變形為繞組發生傾斜、扭曲、位移、塌陷和鼓包等問題。絕緣劣化為繞組的抗短路能力不足、匝間出現絕緣老化。絕緣損壞為長時間繞組變形和絕緣劣化后出現的絕緣破壞。上述變壓器繞組故障均會導致變壓器聲紋出現變化。

由于不同電壓等級、不同生產廠商的變壓器在不同負載、繞組形變等運行工況下的變壓器聲紋特征差異較大,本文依據變壓器行業協會的典型設置選取多維時頻特征進行分析。多維時頻特征指標如表1所示。

表1 多維時頻特征指標

熵權法是一種系統指標權重評估方法。該方法通過熵值的大小來判斷指標的離散層度。若離散層度越大,則熵值越小、指標的權重越大。因此,本文采用熵權法進行變壓器聲紋多維度時頻特征分析。變壓器聲紋多維時頻聯合分析的信息熵R(za,zb,zc,zd)為:

R(za,zb,zc,zd)=R(za)+R(zb)+R(zc)+R(zd)+R(za|zb|zc|zd)

(9)

式中:R(za)、R(zb)、R(zc)、R(zd)分別為變壓器聲紋聲強級、高頻能量比重、奇偶次諧波幅值比、頻譜成分的信息熵;R(za|zb|zc|zd)為上述四個信息熵的交叉部分。

通過多維時頻特征的信息熵值,即可判斷變壓器繞組故障。

3 算例分析

3.1 場景與參數設定

本文采用基于多維時頻特征的變壓器故障聲紋識別方法,在某省電科院的35 kV、110 kV、220 kV、500 kV變電站仿真環境中進行試驗驗證。本文采用安裝在變壓器油枕機械連接處的振動傳感器進行聲紋數據采集,并通過消息隊列遙測傳輸(message queuing telemetry transport,MQTT)協議將數據無線傳輸至變電站物聯網關,并經隔離裝置將聲紋信號傳輸至變電站聲紋分析服務器。聲紋分析服務器的處理器采用INTEL XEON E5-2690,運行主頻率為2.9 GHz,處理器核心數為8,線程數為16。服務器內存為128 GB,服務器硬盤為20 TB。本文方法采用Python搭建,用于比對的方法為文獻[13]中的數據融合方法和文獻[14]中的振動信號支持向量機(support rector machines,SVM)分類方法。上述兩種對比方法在變電站故障聲紋識別中廣泛使用。

3.2 算例運行分析

①變壓器噪聲提取分析。

變壓器噪聲提取分析是為了評估傅里葉變換和分幀提取變壓器噪聲的有效性。振動傳感器中的電暈、風機和環境噪聲過濾得越干凈,則變壓器噪聲提取越準確。變壓器頻域分離數據如圖3所示。

圖3 變壓器頻域分離數據

由圖3可知,通過變壓器噪聲數據提取,可有效分離變壓器噪聲數據和電暈、風機、環境干擾數據。

②變壓器繞組故障識別準確率。

變壓器繞組故障識別準確率是衡量本文方法性能的核心指標之一。該指標的計算方法為:首先,采用GB/T 1094.1—2003標準測定變壓器廠商提供的標準仿真變壓器繞組異常聲音信號,并將其作為標準的故障仿真信號;然后,將算法識別結果與故障仿真信號進行比對,兩者一致即為識別準確。其比值為變壓器繞組故障識別準確率。

本文分別對35 kV、110 kV、220 kV、500 kV變電站各發送1 000組變壓器繞組異常信號,并分別采用本文方法與數據融合方法、振動信號SVM分類方法比較變壓器繞組故障識別準確率。變壓器繞組故障識別準確率如表2所示。

表2 變壓器繞組故障識別準確率

由表2可知,本文方法的變壓器繞組平均故障識別準確率為95.9%,高于數據融合方法(84.9%)和振動信號SVM分類方法(91.1%)。

③變壓器繞組故障識別時間。

變壓器繞組故障識別時間是衡量本文方法性能的核心指標之一,其值為發生仿真信號的開始時間與結束時間之差。

本文分別對35 kV、110 kV、220 kV、500 kV變電站各發送1 000組變壓器繞組異常信號,并分別采用本文方法與數據融合方法、振動信號SVM分類方法比較變壓器繞組故障識別時間。變壓器繞組故障識別時間如表3所示。

表3 變壓器繞組故障識別時間

由表3可知,本文方法的變壓器繞組平均單次識別時間為2.7 s,高于數據融合方法(10.4 s)和振動信號SVM分類方法(7.3 s)。

4 結論

為解決變壓器繞組故障檢查難度大、識別準確率低的問題,本文提出了一種基于多維時頻特征的變壓器故障聲紋識別方法。該方法通過傅里葉變換與分幀法提取變壓器噪聲數據,并采用多維時頻特征對變壓器繞組故障聲紋進行識別,提高了識別準確性。某省電科院的仿真試驗驗證了該方法的有效性。