CN115219015A - 一种基于多维时频特征的变压器故障声纹识别方法 - Google Patents

Abstract

本发明提供的一种基于多维时频特征的变压器故障声纹识别方法，涉及数字电力技术领域。本发明首先通过傅里叶变换与分帧法提取变压器噪声，过滤电晕、风机、环境干扰数据；其次，采用变压器全寿命周期声纹库与当前变压器声纹进行比较，判断是否存在异常。在此基础上，通过熵权法调整多维时频特征评估权重，从而辨识变压器绕组故障声纹。相较于现有技术，本发明具有识别准确率高、无需停电检修、除振动传感器外无需额外的检测设备、能判断故障类型、对绕组故障识别效果好的优点。

Description

一种基于多维时频特征的变压器故障声纹识别方法

技术领域

本发明涉及数字电力技术领域，尤其涉及一种基于多维时频特征的变压器故障声纹识别方法。

背景技术

主变压器是变电站的核心设备，承担着变换电压、分配电能的任务，其安全、可靠的运行对电网安全稳定运行保障具有积极的意义。主变压器设计复杂，尤其是换流变压器处于质量完善期，故障率高，若变压器出现故障，将造成停电损失、维护成本高等问题。引发变压器故障原因多，而变压器状态采集技术能力偏低，关键隐患不能实时预警。因此我们需要介入变压器故障的识别来保障变压器的正常工作运行。

变压器故障的识别主要分为停电检修和在线检测这两类。停电检修方式，即将变压器停电后，采用吊芯法观测绕组是否发生形变，或采用电容量测试方法、短路阻抗方法、频率响应曲线方法来判断变压器是否存在故障。但上述方法需停电试验，检验耗时长，不能及时发现变压器故障隐患。在线检测法，即通过变压器局部放电、变压器油溶解气体分析(Dissolved Gas Analysis,DGA)等方法进行检查。但上述方法仅对套管、油箱等故障识别率高，对绕组故障识别效果差。

因此，有必要提供一种基于多维时频特征的变压器故障声纹识别方法来解决上述之一技术问题。

发明内容

为解决上述技术问题之一，本发明提出一种基于多维时频特征的变压器故障声纹识别方法，包括变压器振动信号采集步骤、变压器噪声数据分离步骤、变压器声纹特征提取步骤、设备全寿命周期标准声纹对比步骤、故障声纹时域分析步骤、故障声纹信息熵分析步骤和故障声纹缺陷辨识步骤。

具体的，变压器振动信号采集步骤：通过振动传感器将变压器运行的工程机械振动参量转换为电信号，并对其进行测量，从而获得变压器运行时的变压器声纹B_a。

具体的，变压器噪声数据分离步骤：将变压器声纹B_a转换为频域信号F_a，并通过分帧操作对频域信号F_a中的变压器噪声数据进行分离，得到变压器噪声数据分离后的振动信号F_b。

具体的，变压器声纹特征提取步骤：通过MFCC梅尔频谱系数对振动信号F_b进行变压器声纹特征提取和滤波，得到变压器声纹特征M_b。

具体的，设备全寿命周期标准声纹对比步骤：包括全寿命周期标准声纹采集和全寿命周期标准声纹对比；所述全寿命周期标准声纹采集即对变压器从出厂试验到退运的全过程的标准声纹数据进行采集，并建立全寿命周期标准声纹；所述全寿命周期标准声纹对比即将变压器声纹特征M_b与全寿命周期标准声纹进行对比，并计算失真度；若失真度超过失真阈值，判断为变电器发生故障，并得到故障声纹；反之则变电器正常运行。

具体的，故障声纹时域分析步骤：对故障声纹进行时域分析，并得到多维时频域特征和对应的权重。

具体的，故障声纹信息熵分析步骤：通过熵权法对故障声纹的多维时频域特征进行特征分析，得到变压器声纹多维时频联合分析的故障声纹信息熵。

具体的，故障声纹缺陷辨识步骤：先验设置各类故障对应的信息熵特征，并将故障声纹信息熵与各类故障的信息熵特征进行辨识分类，得到变电器的故障类别。

作为更进一步的解决方案，所述振动传感器的频率监测范围为5Hz至30KHz，并在变压器多个机械连接处安装接触式振动传感器进行声纹提取，提取到的变压器声纹B_a为：

其中，n_a为变压器所安装的振动传感器数量；b_si为不同的振动传感器采集的变压器机械振动信号。

作为更进一步的解决方案，所述变压器噪声数据分离步骤通过傅里叶变换将振动传感器中的声音信号转换为频域信号F_a：

其中，x(τ)为τ的周期函数；τ为周期函数的时间；σ(τ-t)为傅里叶变换中的窗函数；e^-2πjkt为傅里叶变换中的复变函数。

作为更进一步的解决方案，变压器噪声数据的分离采用分帧方式，且在分帧后两帧之间的噪声信号存在重叠的情况，故变压器噪声帧数G_a为：

其中，n_c为变压器噪声数据的总长度；o_a为分帧的长度；c为两帧信号之间的重叠率；通过变压器噪声帧数G_a抽离变压器噪声数据，得到的振动信号F_b：

其中，n_b为变压器振动数据中50Hz整数倍的上限；f₁和f₂分别为变压器振动数据中50Hz的1倍与2倍。

作为更进一步的解决方案，MFCC梅尔频谱系数对振动信号F_b进行变压器声纹特征提取，梅尔转换频率M_a为：

其中，d为变压器振动频率。

作为更进一步的解决方案，经过滤波得到的变压器声纹M_b为：

其中，n_d为傅里叶变换的点数；G_bi为不同的傅里叶变换后的变压器振动数据；δ_i为不同的声纹提取滤波器参数。

作为更进一步的解决方案，从出厂试验到退运的全过程的标准声纹数据包括压器出厂试验声纹、交接试验声纹、变压器正常运行声纹、设备异常带电检测声纹、故障停电检测声纹和故障试验声纹。

作为更进一步的解决方案，通过矢量量化将多个标准声纹数据构建成矢量数据，并在矢量空间整体量化，从而实现矢量之间的失真比对；变压器标准声纹比对平均失真率H_b为：

其中，n_g为变压器训练矢量集的个数；d(x_i,y_i)为不同训练集的向量x与y之间的距离。

作为更进一步的解决方案，所述故障声纹时域分析步骤选取声强级、高频能量比重、奇偶次谐波幅值比和频谱成分作为多维时频域特征。

作为更进一步的解决方案，采用熵权法进行变压器声纹多维度时频特征分析，得到变压器声纹多维时频联合分析的故障声纹信息熵R(z_a,z_b,z_c,z_d)：

R(z_a,z_b,z_c,z_d)＝R(z_a)+R(z_b)+R(z_c)+R(z_d)+R(z_a|z_b|z_c|z_d)

其中，R(z_a)、R(z_b)、R(z_c)、R(z_d)分别为变压器声纹声强级、高频能量比重、奇偶次谐波幅值比、频谱成分的信息熵。R(z_a|z_b|z_c|z_d)为R(z_a)、R(z_b)、R(z_c)、R(z_d)四个信息熵的交叉部分。

与相关技术相比较，本发明提供的一种基于多维时频特征的变压器故障声纹识别方法具有如下有益效果：

本发明首先通过傅里叶变换与分帧法提取变压器噪声，过滤电晕、风机、环境干扰数据；其次，采用变压器全寿命周期声纹库与当前变压器声纹进行比较，判断是否存在异常。在此基础上，通过熵权法调整多维时频特征评估权重，从而辨识变压器绕组故障声纹。相较于现有技术，本发明具有识别准确率高、无需停电检修、除振动传感器外无需额外的检测设备、能判断故障类型、对绕组故障识别效果好的优点。

附图说明

图1为本发明提供的一种基于多维时频特征的变压器故障声纹识别方法的流程图；

图2为本发明提供的变压器振动传播路径图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

如图1至图2所示，本发明提供的一种基于多维时频特征的变压器故障声纹识别方法，包括变压器振动信号采集步骤、变压器噪声数据分离步骤、变压器声纹特征提取步骤、设备全寿命周期标准声纹对比步骤、故障声纹时域分析步骤、故障声纹信息熵分析步骤和故障声纹缺陷辨识步骤。

具体的，变压器振动信号采集步骤：通过振动传感器将变压器运行的工程机械振动参量转换为电信号，并对其进行测量，从而获得变压器运行时的变压器声纹B_a。

具体的，变压器噪声数据分离步骤：将变压器声纹B_a转换为频域信号F_a，并通过分帧操作对频域信号F_a中的变压器噪声数据进行分离，得到变压器噪声数据分离后的振动信号F_b。

具体的，变压器声纹特征提取步骤：通过MFCC梅尔频谱系数对振动信号F_b进行变压器声纹特征提取和滤波，得到变压器声纹特征M_b。

具体的，设备全寿命周期标准声纹对比步骤：包括全寿命周期标准声纹采集和全寿命周期标准声纹对比；所述全寿命周期标准声纹采集即对变压器从出厂试验到退运的全过程的标准声纹数据进行采集，并建立全寿命周期标准声纹；所述全寿命周期标准声纹对比即将变压器声纹特征M_b与全寿命周期标准声纹进行对比，并计算失真度；若失真度超过失真阈值，判断为变电器发生故障，并得到故障声纹；反之则变电器正常运行。

具体的，故障声纹时域分析步骤：对故障声纹进行时域分析，并得到多维时频域特征和对应的权重。

具体的，故障声纹信息熵分析步骤：通过熵权法对故障声纹的多维时频域特征进行特征分析，得到变压器声纹多维时频联合分析的故障声纹信息熵。

具体的，故障声纹缺陷辨识步骤：先验设置各类故障对应的信息熵特征，并将故障声纹信息熵与各类故障的信息熵特征进行辨识分类，得到变电器的故障类别。

需要说明的是：如图1所示，在变压器声纹特征提取环节，通过安装在变压器机械结构连接处的振动传感器采集变压器的声音数据，并采用分帧法分离噪声数据后，进行变压器声纹特征提取。在变压器标准声纹比对环节，利用变压器交接试验和正常运行数据形成典型的变压器声纹库，并其与当前的变压器声纹数据进行比对，判断当前声纹是否存在异常，若存在异常，则为变压器故障声纹。在变压器故障声纹缺陷辨识环节，首先对变压器多维度的声纹时频域进行分析，然后计算各维度的信息熵值，形成变压器故障声纹辨识结果。

作为更进一步的解决方案，所述振动传感器的频率监测范围为5Hz至30KHz，并在变压器多个机械连接处安装接触式振动传感器进行声纹提取，提取到的变压器声纹B_a为：

其中，n_a为变压器所安装的振动传感器数量；b_si为不同的振动传感器采集的变压器机械振动信号。

需要说明的是：振动传感器将变压器运行的工程机械振动参量转换为电信号，并对其进行测量，从而获得变压器运行的机械振动特征，振动传感器的频率监测范围为5Hz至30KHz。为确保变压器振动信号获取准确，在变压器多个机械连接处安装接触式振动传感器进行声纹提取。

作为更进一步的解决方案，所述变压器噪声数据分离步骤通过傅里叶变换将振动传感器中的声音信号转换为频域信号F_a：

其中，x(τ)为τ的周期函数；τ为周期函数的时间；σ(τ-t)为傅里叶变换中的窗函数；e^-2πjkt为傅里叶变换中的复变函数。

需要说明的是：变压器振动传感器所提取到的信号主要包括：变压器噪声、风机噪声、电晕噪声和环境噪声。其中变压器噪声为50Hz整数倍的稳定信号，频率范围在2kHz内；风机噪声为2kHz内的全频段信号；电晕噪声为宽频的短时脉冲信号；环境噪声为20Hz至20kHz的全频段信号。

作为更进一步的解决方案，变压器噪声数据的分离采用分帧方式，且在分帧后两帧之间的噪声信号存在重叠的情况，故变压器噪声帧数G_a为：

其中，n_c为变压器噪声数据的总长度；o_a为分帧的长度；c为两帧信号之间的重叠率；通过变压器噪声帧数G_a抽离变压器噪声数据，得到的振动信号F_b：

其中，n_b为变压器振动数据中50Hz整数倍的上限；f₁和f₂分别为变压器振动数据中50Hz的1倍与2倍。

需要说明的是：由于变压器噪声数据具备固定的频率和周期，变压器噪声为50Hz整数倍的稳定信号，频率范围在2kHz内；而其他噪声与之有明显区别，因此我们可以通过确定变压器噪声帧数G_a来抽取变压器噪声数据。

作为更进一步的解决方案，MFCC梅尔频谱系数对振动信号F_b进行变压器声纹特征提取，梅尔转换频率M_a为：

其中，d为变压器振动频率。

作为更进一步的解决方案，经过滤波得到的变压器声纹M_b为：

其中，n_d为傅里叶变换的点数；G_bi为不同的傅里叶变换后的变压器振动数据；δ_i为不同的声纹提取滤波器参数。

作为更进一步的解决方案，从出厂试验到退运的全过程的标准声纹数据包括压器出厂试验声纹、交接试验声纹、变压器正常运行声纹、设备异常带电检测声纹、故障停电检测声纹和故障试验声纹。

需要说明的是：变压器全寿命周期声纹是指变压器从出厂试验到退运的全过程的声纹数据。包括：变压器出厂试验声纹、交接试验声纹、变压器正常运行声纹、设备异常带电检测声纹、故障停电检测声纹和故障试验声纹。

首先，将当前的变压器声纹与出厂试验声纹、交接试验声纹、正常运行声纹进行比较，判断当前声纹与变压器正常声纹的失真度，若当前声纹与上述声纹的失真度大，则说明变压器存在故障。其次，再将其与设备异常带电检测声纹、故障停电检测声纹和故障试验声纹，判断当前声纹与异常声纹的失真度。若当前声纹与异常声纹的失真度小，则说明变压器存在故障。

作为更进一步的解决方案，通过矢量量化将多个标准声纹数据构建成矢量数据，并在矢量空间整体量化，从而实现矢量之间的失真比对；变压器标准声纹比对平均失真率H_b为：

其中，n_g为变压器训练矢量集的个数；d(x_i,y_i)为不同训练集的向量x与y之间的距离。

需要说明的是：矢量量化(Vector Quantization，VQ)是一种基于香农理论的信号相关性量化方法，该方法将多个标量数据构建成矢量数据，并在矢量空间整体量化，从而实现矢量之间的失真比对。

在一个具体的实施例中，分别统计当前比变压器声纹与变压器全寿命周期正常与异常声纹的失真度。

式中：△f₁为出厂试验声纹；△f₂为交接试验声纹；△f₃为正常运行声纹；△f₄为设备异常带电检测声纹；△f₅为故障停电检测声纹；△f₆为故障试验声纹。

作为更进一步的解决方案，所述故障声纹时域分析步骤选取声强级、高频能量比重、奇偶次谐波幅值比和频谱成分作为多维时频域特征。

需要说明的是：变压器绕组故障主要包括绕组永久变形、绝缘劣化和绝缘损坏三种类型，其中，绕组永久变形为绕组发生倾斜、扭曲、位移、塌陷和鼓包等情况；绝缘劣化为绕组的抗短路能力不足、匝间出现绝缘老化；绝缘损坏为长时间出现绕组变形和绝缘劣化后出现的绝缘破坏。上述变压器绕组故障均会导致变压器声纹出现变化。变压器振动传播路径如图2所示。由图2可见，变压器的振动传播路径不发生变化时，振动信号发生变化较小，当变压器出现故障时，变压器机械状态改变，振动信号发生变化。

由于不同电压等级、不同生产厂商的变压器在不同负载、绕组形变等运行工况下变压器声纹特征差异较大，因此，依据变压器行业协会的典型设置选取声强级、高频能量比重、奇偶次谐波幅值比、频谱成分的多维时频域特征进行分析，如表1所示。

表1多维时频域特征指标表

作为更进一步的解决方案，采用熵权法进行变压器声纹多维度时频特征分析，得到变压器声纹多维时频联合分析的故障声纹信息熵R(z_a,z_b,z_c,z_d)：

R(z_a,z_b,z_c,z_d)＝R(z_a)+R(z_b)+R(z_c)+R(z_d)+R(z_a|z_b|z_c|z_d)

其中，R(z_a)、R(z_b)、R(z_c)、R(z_d)分别为变压器声纹声强级、高频能量比重、奇偶次谐波幅值比、频谱成分的信息熵。R(z_a|z_b|z_c|z_d)为R(z_a)、R(z_b)、R(z_c)、R(z_d)四个信息熵的交叉部分。

需要说明的是：熵权法是一种***指标权重评估方法。在该方法中，通过熵值的大小来判断指标的离散程度，若离散程度越大，则熵值越小，则指标的权重就越大。因此，文中采用熵权法进行变压器声纹多维度时频特征分析。

在得到故障声纹信息熵后，便能通过人工分类或者机器学习模型分类，从而辨识变压器绕组故障类型，人工分类或者机器学习模型分类为现有的分类技术，在此不作赘述。

以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，包括变压器振动信号采集步骤、变压器噪声数据分离步骤、变压器声纹特征提取步骤、设备全寿命周期标准声纹对比步骤、故障声纹时域分析步骤、故障声纹信息熵分析步骤和故障声纹缺陷辨识步骤；

变压器振动信号采集步骤：通过振动传感器将变压器运行的工程机械振动参量转换为电信号，并对其进行测量，从而获得变压器运行时的变压器声纹B_a；

变压器噪声数据分离步骤：将变压器声纹B_a转换为频域信号F_a，并通过分帧操作对频域信号F_a中的变压器噪声数据进行分离，得到变压器噪声数据分离后的振动信号F_b；

变压器声纹特征提取步骤：通过MFCC梅尔频谱系数对振动信号F_b进行变压器声纹特征提取和滤波，得到变压器声纹特征M_b；

设备全寿命周期标准声纹对比步骤：包括全寿命周期标准声纹采集和全寿命周期标准声纹对比；所述全寿命周期标准声纹采集即对变压器从出厂试验到退运的全过程的标准声纹数据进行采集，并建立全寿命周期标准声纹；所述全寿命周期标准声纹对比即将变压器声纹特征M_b与全寿命周期标准声纹进行对比，并计算失真度；若失真度超过失真阈值，判断为变电器发生故障，并得到故障声纹；反之则变电器正常运行；

故障声纹时域分析步骤：对故障声纹进行时域分析，并得到多维时频域特征和对应的权重；

故障声纹信息熵分析步骤：通过熵权法对故障声纹的多维时频域特征进行特征分析，得到变压器声纹多维时频联合分析的故障声纹信息熵；

故障声纹缺陷辨识步骤：先验设置各类故障对应的信息熵特征，并将故障声纹信息熵与各类故障的信息熵特征进行辨识分类，得到变电器的故障类别。

2.根据权利要求1所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，所述振动传感器的频率监测范围为5Hz至30KHz，并在变压器多个机械连接处安装接触式振动传感器进行声纹提取，提取到的变压器声纹B_a为：

其中，n_a为变压器所安装的振动传感器数量；b_si为不同的振动传感器采集的变压器机械振动信号。

3.根据权利要求1所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，所述变压器噪声数据分离步骤通过傅里叶变换将振动传感器中的声音信号转换为频域信号F_a：

其中，x(τ)为τ的周期函数；τ为周期函数的时间；σ(τ-t)为傅里叶变换中的窗函数；e^-2πjkt为傅里叶变换中的复变函数。

4.根据权利要求1所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，变压器噪声数据的分离采用分帧方式，且在分帧后两帧之间的噪声信号存在重叠的情况，故变压器噪声帧数G_a为：

其中，n_c为变压器噪声数据的总长度；o_a为分帧的长度；c为两帧信号之间的重叠率；

通过变压器噪声帧数G_a抽离变压器噪声数据，得到的振动信号F_b：

其中，n_b为变压器振动数据中50Hz整数倍的上限；f₁和f₂分别为变压器振动数据中50Hz的1倍与2倍。

5.根据权利要求1所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，MFCC梅尔频谱系数对振动信号F_b进行变压器声纹特征提取，梅尔转换频率M_a为：

其中，d为变压器振动频率。

6.根据权利要求5所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，经过滤波得到的变压器声纹M_b为：

其中，n_d为傅里叶变换的点数；G_bi为不同的傅里叶变换后的变压器振动数据；δ_i为不同的声纹提取滤波器参数。

7.根据权利要求1所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，从出厂试验到退运的全过程的标准声纹数据包括压器出厂试验声纹、交接试验声纹、变压器正常运行声纹、设备异常带电检测声纹、故障停电检测声纹和故障试验声纹。

8.根据权利要求7所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，通过矢量量化将多个标准声纹数据构建成矢量数据，并在矢量空间整体量化，从而实现矢量之间的失真比对；变压器标准声纹比对平均失真率H_b为：

其中，n_g为变压器训练矢量集的个数；d(x_i,y_i)为不同训练集的向量x与y之间的距离。

9.根据权利要求1所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，所述故障声纹时域分析步骤选取声强级、高频能量比重、奇偶次谐波幅值比和频谱成分作为多维时频域特征。

10.根据权利要求9所述的一种基于多维时频特征的变压器故障声纹识别方法，其特征在于，采用熵权法进行变压器声纹多维度时频特征分析，得到变压器声纹多维时频联合分析的故障声纹信息熵R(z_a,z_b,z_c,z_d)：

R(z_a,z_b,z_c,z_d)＝R(z_a)+R(z_b)+R(z_c)+R(z_d)+R(z_a|z_b|z_c|z_d)

其中，R(z_a)、R(z_b)、R(z_c)、R(z_d)分别为变压器声纹声强级、高频能量比重、奇偶次谐波幅值比、频谱成分的信息熵。R(z_a|z_b|z_c|z_d)为R(z_a)、R(z_b)、R(z_c)、R(z_d)四个信息熵的交叉部分。

Images