聲紋監測系統在智能化變電站預警與事故排查中的應用研究

摘" 要：為了實現高效的智能化變電站預警與事故排查，創新性提出了一種聲紋信號分解與時頻特征提取模型。并在該模型的基礎之上對聲紋監測系統總體框架進行了設計。實驗結果表明，新型方法不僅在區分不同故障狀態方面具有優勢。且與其余先進方法相比，其對不同故障類型的故障預測準確率均達到了90%以上。由此可知，新型方法不僅能夠提升故障識別的準確性，還能夠增強聲紋監測系統的可靠性和效率。

關鍵詞：聲紋監測"" 變電站"" 預警"" 事故排查

中圖分類號：TM76

Research on the Application Study of VoiceprintAcoustic Monitoring System in Intelligent Substation Early Warning and Accident DetectionInvestigation

FANG Jun" YAO Shaoguang" MENG Zichen" FANG Zhizheng" ZHANG Panfeng

State Grid Zhejiang Electric Power Co.， Ltd.， Jinhua Power Supply Company，Jinhua， Zhejiang Province， 321000 China

Abstract： To achieve efficient intelligent substation early warning and accident investigation， an innovative voiceprint signal decomposition and time-frequency feature extraction model is proposed. And based on this model， the overall framework of the voiceprint monitoring system was designed. The experimental results show that the new method not only has advantages in distinguishing different fault states. Compared with other advanced methods， its accuracy in predicting faults of different types has reached over 90%. From this， it can be seen that the new method can not only improve the accuracy of fault recognition， but also enhance the reliability and efficiency of the voiceprint monitoring system.

Key Wwords： VoiceprintAcoustic monitoring; Substation; Early warning; Accident investigationdetection

智能化變電站作為電力系統的重要組成部分，其安全穩定和高效的運行對于整個電網的可靠性至關重要。聲紋監測系統通過分析變電站設備運行時產生的聲音特征，能夠實現對設備狀態的實時監測和故障預警。與傳統的人工巡檢相比，聲紋監測系統具有更高的效率和可靠性，能夠在各種氣象條件下穩定工作，減少人力成本。然而，智能化地埋式變電站的聲紋信號采樣頻率往往較高，直接利用聲紋監測系統處理這些大量數據點不僅費時，而且難以精確判斷設備狀況^[1]。因此，對這些聲紋信號進行有效分解，提取關鍵信號分量，對于確保聲紋監測系統能夠準確識別和分離故障特征至關重要。鑒于此，研究創新性地提出了一種預警與事故排查聲紋監測方法，旨在進一步提升智能化變電站的運維管理水平，確保電力系統的穩定運行。

1" 智能化變電站預警與事故排查方法設計

1.1" 聲紋信號分解與時頻特征提取模型構建

目前信號分解領域廣泛采用的技術主要有小波分解、變分模態分解（Variational Mode Decomposition， VMD）、經驗模態分解等^[2]。其中，VMD特別適用于分析和處理復雜、非線性、非平穩且具有多尺度特性的變電站聲紋信號^[3]。但地埋變聲紋信號在應用VMD前需要預先設定模態數量，并且VMD的分解效果易受此參數的影響^[4]。因此，研究采用奇異值分解（Singular Value Decomposition， SVD）對VMD進行了改進，并使用精細復合多尺度散布熵（Refined Composite Multiscale Dispersion Entropy， RCMDE）作為地埋變聲紋信號時域特征，最終提出了一種新型的聲紋信號分解與時頻特征提取模型。

由圖1可知，研究主要通過分析原始聲紋信號的奇異值分布曲線，識別其中的轉折點，以此作為依據來確定VMD中所包含的固有模態函數（Intrinsic Mode Function， IMF）數量。首先，輸入地埋變聲紋信號，接著將這些聲紋信號構造成矩陣形式。然后，對這些矩陣進行SVD，并依據奇異值的分布趨勢計算斜率。通過將這些斜率與閾值進行比較，從而確定有效的分解階次。最后，利用VMD對地埋變聲紋信號進行分解，得到獨立的IMF。時頻域特征提取過程則主要包括3個步驟。首先，利用改進后的VMD方法對地埋變聲紋信號進行分解。其次，對每個分解得到的IMF計算CMSDE，并將所有IMF的CMSDE值整合，形成CMSDE特征向量矩陣。最后，對CMSDE特征向量矩陣進行主成分分析降維，從而得到地埋變聲紋信號時域特征向量。這一流程不僅能夠提高特征提取的效率，也能夠增強信號分析的準確性。

1.2" 預警與事故排查聲紋監測系統總體設計

上述所提出的聲紋信號分解與時頻特征提取模型解決了聲紋監測系統自動化特征提取與預警準確性的困難。為了進一步完善方法，研究還以該模型為基礎，對預警與事故排查聲紋監測系統的總體框架進行了設計。

由圖2可知，研究將聲紋監測系統劃分為了3個核心層，即遠程診斷服務應用層、智能感知層、數據采集與邊緣計算層。其中：遠程診斷服務應用層為最頂層，主要負責提供用戶界面和遠程訪問功能，使用戶能夠遠程監控和診斷聲紋數據，執行高級分析和故障診斷任務；最底層為智能感知層，這一層集成了聲紋信號的預處理和特征提取算法，能夠智能地識別和分離關鍵的聲紋特征，為上層應用提供必要的數據支持；中間層是數據采集與邊緣計算層，負責從聲紋傳感器收集原始數據，并在邊緣節點進行初步處理，如降噪、信號增強等，以減少傳輸到云端的數據量并提高處理效率。整個系統的設計旨在實現高效的聲紋信號處理和分析，以便于更好地監測和維護設備狀態^[5]。

2" 預警與事故排查方法性能測試

2.1" 時頻特征提取驗證分析

為了驗證研究方法的性能效果，研究以四川某廠礦企業實測的地埋式變電站聲紋信號作為數據集。同時，對采集到的原始數據進行預處理和特征提取，將處理后的數據集按8∶2的比例劃分為訓練集與測試集，以歸一化值為測試指標進行了對比測試。

圖3（a）與圖3（b）分別為采用本文研究方法與VMD-MSE方法對地埋變聲紋信號處理的結果。由圖3（a）可知，不同故障狀態下的CMSDE歸一化值和曲線趨勢有明顯差異，表明本文研究方法能夠捕捉到不同故障狀態下的信號特征變化。由圖3（b）可知，當尺度因子超過6時，曲線開始接近甚至重疊。表明在VMD-MSE方法下不同故障狀態下的信號特征難以區分。由此可知，與VMD-MSE方法相比，本文研究方法在區分不同故障狀態方面具有明顯優勢。

2.2" 故障預警與事故排查準確率分析

為了驗證研究方法的優越性，研究還引入了目前先進的智能化變電站中預警與事故排查方法，即同步相量測量裝置（Phasor Measurement Unit， PMU）、電子式電壓互感器（Electronic Voltage Transformer， EVT）、電子式電流電壓互感器（Electronic Current amp; Voltage Transformer， ECVT），以預警準確率為測試指標，進行了對比測試。

圖4（a）與圖4（b）分別為不同故障預警與事故排查方法在訓練集與測試集中的測試結果。由圖4可知，與其余方法相比，研究方法具有最佳的故障預警準確率，對4種類型的故障預測準確率均達到了90%以上，平均高于其他方法10%～30%左右。由此可知，利用聲紋信號的頻域特性對時域特性進行增強，能夠顯著提升地埋變故障識別的精確度。

3" 結論

為了提高電力變電站的智能化預警和事故排查能力，研究創新性地引入了VMD技術，提出了一種智能化地埋式變電站聲紋信號分解與時頻特征提取模型。基于此模型，進一步設計了一種新型聲紋監測系統。實驗結果表明，地埋變聲紋信號經過研究方法處理之后，能夠有效提取出關鍵的時頻特征。此外，相較于其他先進方法，本文研究方法的故障預警準確率平均提升了10%～30%左右。由此可知，研究方法在智能化變電站的預警與事故排查中具有顯著的應用潛力和實際效果。然而，本文研究并未綜合考慮地埋變技術性能參數和歷史數據，未來，可以結合地埋變技術的性能參數和歷史數據進行深入分析，從而為預防性維護提供數據支持。

參考文獻

[1]田昊洋，王梟，高凱，等.基于MEMS傳聲器的變電站噪聲檢測系統設計與實現[J].高壓電器，2021，57（2）：145-152[ 9]".

[2]張藝藍.基于聲紋識別和遷移學習的軸承故障診斷方法研究[D].濟南：山東大學，2023.

[3]劉雪芹，力剛，葛強.基于聲紋監測技術的大型泵站機組振動特性研究[J].中國農村水利水電，2024（2）：103-108，114.[ 10]

[4]陳睿妍，盧璐，沈明威，等.基于線性SVM的變電站故障聲紋檢測算法[J].中國電子科學研究院學報，2023，18（11）：989-995.

[5]徐棟.基于聲發射多特征統計分析的纖維增強復合材料損傷分類與性能預測[D].杭州：浙江大學，2022.