基于声音特征的变电站电力变压器故障检测

基于声音特征的变电站电力变压器故障检测

谢利娟

（乌兰察布职业学院012000）

摘要：变电站电力变压器的故障检测技术，是指通过监控变压器运行状态来检测变电站电为变压器是否仍处于正常工作中，若发生故障，能够做到及时报警，方便工作人员对其进行检测维修，同时还可Ｗ预测变压器未来一段时间内的工作情况。传统的变压器故障检测方法都是依靠人工完成的，包括状态检修、定期检修等，这些方法均需要相关工作人员定期在现场进行操作，对工作人员的技术水平Ｗ及工作经验都有要求，但是传统检测方法不但缺乏时效性，而且具有一定的安全风险。随着工业发展、科技进步、人们生活水平的不断提高，随之而来的是用电需求大幅増长、电网规模变大大，传统的检测手段已无法满足日益变化的需求，此时，伴随着计算机与电子技术的进步，实时的在线故障检测技术已逐步发展起来。

关键词：变压器故障检测；声音特征提取

引言

变电站电力变压器在电力系统中扮演着非常重要的角色，是关键也是最重要的设备之一，其担负着重要的使命：变电、输送与分配电能。电力变压器能否正常运行，直接影响着电力系统的供电工作与安全水平，一旦产生故障，不仅修理费用高，更重要的是会带来直接的重大经济损失。如何提升电力变压器的安全稳定性，确保其正常工作，是电力部鬥极为关切的问题，因此，变压器故障检测技术的研究具有十分重要的意义。随着电力系统向高电压、强电流、高容量方向发展，这就使得电力变压器出现故障的可能性大大增加，同时由于变电站电力变压器内外结构的复杂性，且其长期处于高强度的工作状态下，因此可能出现的故障部位、故障类型及原因多种多样，这也导致对其故障检测的难度大大増加，从而致使维修困难。变电站电力变压器发生故障是指其工作状态出现异常，某些功能失效，或变压器相应指标超出其标定范围等，当出现这些情况就是电力变压器出现了故障。

1变电站电力变压器声音采集、预处理及特征提取

本论文所述故障检测方法是利用变电站电力变压器所发出的声音将性进巧检测的，因而依据本方法所设计的检测系统可实现在线非接触式的变压器状态检测。有经验的变电站工作人员在对变压器进行巡检时，可凭借听到的声音而判断出变压器是否仍处于正常的工作状态，如果发现故障，亦可凭借所听到声音而判断变压器所出现故障类型本论文所述电力变压器故障检测方法就是基于这种构想而提出的。

1.1变电站电力变压器声音采集

为完成课题研究内容，本项目组多次前往山东省章丘市变电站进行实地的数据采集工作。因实验需要，数据采集工作需要分多次进行，为尽量保证所有采集的声音样本统一性，故每次采集工作都用相同设备进行，且固定采样率，采集工作期间未更换其他设备。

对变电站电力变压器声音数据的采集是所有关于本研究开始，因此声音的采集工作十分重要。由于实验条件与实验时间所限，针对采集现场实际情况，前后共录制７种声音样本，正常工作状态的声音样本有：变压器正常运行声音、含有说话声的正常运行声音、含有鸟叫声的正常运行声音、含有风声的正常运行声音、含有雨声的正常运巧声音；故障声音样本有：变压器放电声、变压器机械滑动声。在本论文的工作中将从快速检测故障声音为目的展开研巧，最终实现一旦发现电为变压器出现故障，及时报警，迅速通知相关工作人员抵达现场处理。

1.2变电站电力变压器亩宫的预处理

对运行中的变压器声音进行采集时，我们可Ｗ使用多种不同的设备，如：使用笔记本电脑直接录音、电脑外接麦克风录音或使用手机录音等等，虽然这堅设各都可以实现相同的功能，但由于每种设备的硬件参数不同，我们所采集到的声音数据会存在很大差别。

声音信号是跟随时间一直变化的，从时间轴上看具有非平稳特性，但是在极短的时间内，声音信号又会呈现出平稳信号所具有的特性，因此，在这极短的时间内我们可将其近似为平稳信号来对待，此特性称为短时平稳性。若想得到声音信号的短时平稳特性，这就需要我们对其进行分帧和加窗操作。

1.3声音特征参数选择

声音特征参数的选择是作为利用声音特性进行变电站电力变压器故障检测的一项最基本的工作、同时也是最重要的工作之一。选择好的声音特征，不仅能减少故障检测系统的运行时间，更重要的是能够大大降低故障检测的误判率。每种声音都会有很多特征可供使用，在选擇声音特征参数时，我们首先应遵循的原则是该特征对故障检测的贡献度最大，其次还要考虑该特征计算的复杂度，如果计算过于复杂，这对检测系统的时效性也会有一定影响。

2基于声音特征的变电站电力变压器故障检测实验及分析

2.1变电站电力变压器声音处理

本实验在变电站进行声音样本采集时，每段数据都是以３分钟进行存储的。而在采集过程中，因变压器故障声音又很难采集到，为保证实验样本的数据量，在实验前以１秒为单位对声音数据进行了分割，从而构成训练样本和测试样本来使用。此处需注意的是由于本实验采集变压器声音数据时，所收集的故障声音样本较少，所Ｗ对声音样本采用１秒为单位进行分割，若故障音样本量大，可适当加大声音样本的分割时间，以１砂为单位对文件进行分割并不绝对。

2.2对每帧数据应用短时傅立叶变换

短时傅立叶变换是由傅立叶变换发展而来，因声音信号是非平稳的，为了分析非平稳声音信号的频域特性，人们对傅立叶变换进行了推广，从而发展了短时傅立叶变换。本论文所用变压器声音数据特征就是基于频域下的幅频特性提取的。

2.3变电站电力变压器声音特征选择

对电力变压器声音数据进行短时傅立叶变换之后，我们便可得到每帧声音频域下的幅频变化规律。本论文所用声音特征就是基于这种幅频变化规律提取的，从而构造代表每个声音文件的特征行向量或二维特征矩阵。

3变电站电力变压器声音特征变维

3.1应用PCA方法降维

用PCA方法对特征降维，需要将原声音数据每峽提取的特征向量姐合成一个行向量形式，中也思想就是利用训练样本这些组合后的特征行向量计算协方差矩阵，进而找到最优投影轴构造投影矩阵，然后将每个声音数据各侦组成的特征行向量向该投影矩阵投影，从而得到每个声音样本特征降维后的投影数据。

3.2应用2DPCA方法降维

本文在应用PCA＼2DPCA＋SVM方法进行变电站电力变压器故障检测仿真时，使用的计算机配置为：intelXeonE３处理器，８Ｇ内存，５００Ｇ硬盘。仿真过程中所用SVM程序包是由台湾大学林智仁教授通过Ｃ＋＋所开发的LIBSVM，目前关于SVM方法开发的程序较多，但相比之下林智仁教授的程序简单易用，参数设置较少，故本论文在实验中应用SVM方法进行的检测计算都是基于林教授的程序来完成的。

3.3分类下应用不同特征降维阈值对故障检测准确率的影响

特征降维阈值就是在选择最优投影轴时对应的特征值贡献度，下或简称阈值。阈值设定越大，我们提取的投影轴数量越多，所得投影数据保留的原恃征数据信息量越大，反之越少。

结语

本论文采用2DPCA算法进行特征降维是在应用DPCA方法进行实验过程中联想到并对声音特征数据加以改变所得，即通过对所提取每倾声音特征按巧排列成二维矩阵，使其符合2DPCA的降维算法。应用2DPCA算法可以简化降维计算的复杂度，同时实验结果表明采用2DPCA＋SVM的方法对变电站电力变压器故障检测同样可以达到很好的效果。

参考文献

[1]朱英浩.变压器发展中的一些新技术要求——纪念《变压器》杂志创刊40周年暨出版400期内.变压器，2004,41(3).

[2]刘鹏样，周金萍，潘颖瑜.10KV配网故障停电原因分析及解决对策研究[J]，中国高新技术企业，2012(2).

[3]赵振宁，郑浦水，徐元载.火电厂实施状态检修的意义与方法[J].华北电力技术.

[4]魏松，李埼，赵仁才.基于短时傅立叶变撫语言信号分析算法[J].电子测量技术，2006，29(1).