基于音頻識別分析的無人值守變電站設備在線監(jiān)聽與故障排除

殷守斌 田克強 李明 李中原 谷棟

摘 要： 為了使無人值守變電站獨立高效地運行，介紹了基于音頻識別的實時監(jiān)控系統(tǒng)的理論和結構。該架構側重于音頻數(shù)據(jù)的監(jiān)控和識別過程。首先，通過使用傳感器的系統(tǒng)獲取變電站的音頻信號;然后將多音頻數(shù)據(jù)傳輸?shù)奖O(jiān)控主機，在頻譜分析和處理之后，提取MFCC特征參數(shù)作為信號特征;最后將特征參數(shù)輸入正弦神經(jīng)網(wǎng)絡進行識別，可以有效、準確地識別故障的運行狀態(tài)和類型。實現(xiàn)結果表明，該方法改進了傳統(tǒng)的手動監(jiān)測方法，大大提高了設備檢測的效率。

關鍵詞： 無人值守變電站; 音頻識別; MFCC特征參數(shù); 神經(jīng)網(wǎng)絡

中圖分類號： TP393 ? ? ?文獻標志碼： A

On-line Monitoring and Troubleshooting of Unattended Substation

Equipment Based on Audio Recognition Analysis

YIN Shoubin， TIAN Keqiang， LI Ming， LI Zhongyuan， GU Dong

（State Grid Heze Power Supply Co. Ltd.， Heze 274000）

Abstract： In order to make the unattended substation operate independently and efficiently， this paper introduces the theory and structure of real-time monitoring system based on audio recognition. The architecture focuses on monitoring and identifying the process of audio data. First， the audio signal of the substation is obtained through the system using sensors; then the multi-audio data are transmitted to the monitoring host. After the spectrum analysis and processing， the MFCC characteristic parameter is extracted as a signal feature. Finally， the characteristic parameter is input into the sinusoidal neural network for identification. It can effectively and accurately identify the operational status and type of fault. The implementation results show that the method improves the traditional manual monitoring method and greatly improves the efficiency of equipment detection.

Key words： Unattended substation; Audio recognition; MFCC characteristic parameters; Neural network

0 引言

隨著電網(wǎng)的發(fā)展和安全性要求的提升，變電站的建設正朝著無人值守的方向發(fā)展。目前無人值守的主要趨勢為“五遠”（遠程測量，遠程通信，遠程控制，遠程調整和遠程觀看），即通過遠程視頻監(jiān)控的方式對站設備運行情況進行查看以及操作，然而設備在運行過程中的聲音也能間接判斷出該設備運轉是否正常，由于電氣設備在運行期間會產(chǎn)生不同類型的噪音，工程師可以根據(jù)聲音強度的變化識別設備的運行狀態(tài)，甚至是故障類別。例如當10 kV配電變壓器正常工作時，會發(fā)出輕微均勻的“嗡嗡”聲，這是核心振動的正常現(xiàn)象;如果發(fā)生配電變壓器的異常聲音，原因可能很復雜，可能存在以下幾個方面[1-4]：

如果聲音比平時重，則表明配電變壓器過載;

如果聲音比平常高，則表明電源電壓過高;

那么，根據(jù)以上的故障分析，造成的原因可能如下：

當配電變壓器的內芯結構松動時，會發(fā)出混亂和嘈雜的聲音;

當配電變壓器中存在裂紋聲時，表明存在線圈或芯絕緣擊穿;

當?shù)浔ｋU絲或開關水龍頭接觸不良或其他外部電路發(fā)生故障時，也會引起配電變壓器的聲音變化。

為了判斷配電變壓器故障的具體類型，變電站值班人員通常將一側絕緣桿放在配電變壓器的油箱上，另一側靠近耳朵進行仔細收聽，該傳統(tǒng)方法操作容易，但是不能實現(xiàn)與開發(fā)線程不匹配的遠程在線檢測。那么對于無人值守電站的建設需要通過經(jīng)驗分析獲取檢測模型。為了實現(xiàn)無人值守變電站設備運行狀態(tài)的全面運行情況的掌握，及時發(fā)現(xiàn)故障設備并做出科學的決策和處理，通過音頻識別的手段提升檢測精度，實現(xiàn)設備運行狀態(tài)的實時檢測。

1 語音頻率監(jiān)測原理和系統(tǒng)結構

1.1 語音頻率監(jiān)測原理

無人值守變電站語音頻率監(jiān)測系統(tǒng)主要用于在運行過程中檢測變壓器，容量，電抗，GIS等主要設備的聲音信號。系統(tǒng)組成架構，如圖1所示。

在傳感器數(shù)據(jù)采集、濾波、放大和AD轉換之后，多聲道音頻信號被傳輸?shù)轿⒖刂破魈幚砥?經(jīng)過處理后，音頻數(shù)據(jù)傳輸?shù)阶冸娬竟I(yè)個人計算機，音頻頻譜分析后提取音頻特征參數(shù)，然后利用神經(jīng)網(wǎng)絡識別音頻特征，為監(jiān)控人員輸出設備狀態(tài)和故障類型[5-6]。

1.2 語音頻率監(jiān)測系統(tǒng)結構

無人值守設備語音監(jiān)控系統(tǒng)的結構如圖2所示。

系統(tǒng)硬件由聲音信號采集模塊（包括聲音傳感器，現(xiàn)場總線和數(shù)據(jù)采集器），故障類型識別模塊（變電站主機）和人機交互組成。

首先，許多聲音傳感器安裝在需要在變電站中監(jiān)控的電氣設備中（如圖1所示）。數(shù)據(jù)收集器負責多通道音頻數(shù)據(jù)收集，數(shù)據(jù)采集器負責從特定變電站收集多收集器的音頻數(shù)據(jù)，并將其上傳到變電站監(jiān)控主機。然后，變電站監(jiān)控主機根據(jù)設備故障類型和設備優(yōu)先級共享過程多通道音頻數(shù)據(jù)，對音頻數(shù)據(jù)進行轉換和頻譜分析，從音頻數(shù)據(jù)中分散特征向量，然后將特征向量輸入訓練好的神經(jīng)網(wǎng)絡進行識別，識別運行狀態(tài)和發(fā)出此聲音的設備的故障類型。

2 系統(tǒng)關鍵技術

2.1 音頻數(shù)據(jù)采集器

數(shù)據(jù)采集器是實現(xiàn)變電站無人值守音頻監(jiān)控的重要組成部分，該設備負責電氣設備的音頻數(shù)據(jù)處理和初級識別，其內部硬件結構，如圖3所示。

來自音頻傳感器的音頻信號由數(shù)據(jù)采集器按以下程序流程處理，如圖4所示。

信號處理器采用單片機的IOB7和IOB10端口通過通用IO端口設置為UART，為RS422通信提供硬件條件。UART的波特率范圍為1500bps至51200bps（51.2Kbps），通信速率可以滿足狀態(tài)監(jiān)測的要求。為了實現(xiàn)多機通信，每個音頻數(shù)據(jù)收集器都有自己的地址，收集器的地址編碼是通過單片機讀取七個IO二進制碼來實現(xiàn)的，根據(jù)該地址，數(shù)據(jù)采集器通過輪詢每個數(shù)據(jù)收集器使每個子站的多機通信成為可能。

為了提升識別的效率，通過降低上層服務器對音頻數(shù)據(jù)的計算和處理，采用底層底層數(shù)據(jù)處理器對收集的音頻數(shù)據(jù)進行本地化預判，從而達到故障研判的實時性需求。其實現(xiàn)基本原則是：首先，對典型故障音頻進行特征統(tǒng)計，并將統(tǒng)計結果存儲在本地數(shù)據(jù)庫中;然后快速比較當前音頻數(shù)據(jù)的特征與故障音頻數(shù)據(jù)的特征，例如，當音頻信號的幅度相比噪聲信號過高、過低時，可快速判斷其屬于故障音頻。對于這些異常情況，數(shù)據(jù)采集器立即通過RS485總線將判斷結果發(fā)送給數(shù)據(jù)接收器，然后通過數(shù)據(jù)采集器通知監(jiān)控主機。

2.2 設備運行狀態(tài)識別

設備運行狀態(tài)識別作為變電站音頻監(jiān)控系統(tǒng)的核心單元，其基本識別過程如圖5所示。

監(jiān)控主機對上傳的音頻數(shù)據(jù)進行頻域變換和頻譜分析，然后提取音頻信號的特征參數(shù)。采用MFCC（Mel Frequency Cepstrum Coefficient）[7]算法，通過下一個輸入特征向量到訓練的基于正弦的神經(jīng)網(wǎng)絡進行計算，識別由該音頻數(shù)據(jù)表征的設備運行狀態(tài)。

識別過程的關鍵即是Mel系數(shù)的提取，實現(xiàn)過程描述如下：

（1） 預處理

通過高通濾波器采樣后，計算數(shù)字音頻信號s（n）：H（z）=1-az-10.9 ? ? （2） 取樣

通常將10-20 ms作為語音處理信號的一幀，為了避免窗口邊界頻譜信號泄漏，在轉換到幀時，需要進行幀選擇（幀之間的重疊部分進行去重處理）。通常將半幀作為幀移位，即移動半幀然后拍攝下一幀，可以避免不同幀之間過多的特征轉換。

（3） 計算短時能量

短時能量定義為音量的幅度，即聲音幅度的大小。可以根據(jù)這個能量值濾除語音信號的微小噪聲，當幀的能量值低于設定閾值時，則可以將該幀設置為靜音段。

（4） 窗口化處理

語語音在很長的范圍內不斷變化，沒有固定的特性就無法處理。因此，為了消除每幀兩側引起的信號不一致，將每個幀替換為窗口函數(shù)，并將窗口值設置為0。根據(jù)窗口函數(shù)的頻率特性，本文采用采用漢明窗口，定義如下公式所示：w（n）=0.54-0.46cos（2πn/（n-1）） ?（5） 快速傅里葉變換（FFT）

由于時域中語音信號的變化是快速且不穩(wěn)定的，因此通常將其轉換為用于觀察的頻域。此時，其頻譜將隨時間緩慢變化，因此，窗口后的幀通常通過FFT轉換計算頻率參數(shù)。

（6） 三角帶通濾波器

每幀的頻譜參數(shù)通過由一組N三角帶通濾波器（N通常為20至30）組成的Mel標度濾波器。每個三角形窗口的覆蓋范圍匯集了人耳的臨界帶寬，以模擬人耳的掩蔽效應。取每個輸出頻帶的對數(shù)并計算每個輸出的對數(shù)能量，k=1，2，…，N，然后對這N個參數(shù)進行余弦變換，得到L階Mel頻率倒譜系數(shù)。

通過以上獲取了Mel的參數(shù)，下一步進行音頻數(shù)據(jù)的識別處理，本文采用基于正弦基函數(shù)的神經(jīng)網(wǎng)絡模型對預處理過的語音信號進行識別，識別原理如圖6所示。

其中，C1（ω1），C2（ω2），…，CN（ωN）是正弦函數(shù)，分別定義如下C1（ω1）=sin（12ω1），C2（ω2）=sin（32ω2），…，Cn（ωn）=sin[（n-12）ωn）]，以MFCC提取的N個參數(shù)[ω1，ω2，…，ωN]作為神經(jīng)網(wǎng)絡的輸入，并定義為向量Ω=[ω1，ω2，…，ωN]，ωi∈（0，1），由于輸入向量具有16個元素，因此所選輸入層和隱藏層神經(jīng)元的數(shù)量為N=16。由于變壓器運行狀態(tài)的評估結果是確定值，輸出神經(jīng)元的數(shù)量選擇為1，假設變壓器運行狀態(tài)水平大致分為10個等級，那么預期的神經(jīng)輸出是D（Ω）=[1， 0.9， 0.8， …， 0.1]，神經(jīng)網(wǎng)絡輸出定義如下：Y（Ω）=∑Nn=1wnsin[（n-12）wn] ?根據(jù)神經(jīng)網(wǎng)絡輸出作為變電站故障識別的分析結果。

4 實驗及結果分析

無人值守變電站音頻監(jiān)控系統(tǒng)的實驗驗證在XXX220 kV控制中心及50公里外的110 kV工業(yè)變電站進行，系統(tǒng)設備包括：2個集中站主機，4個變電站主機，16個數(shù)據(jù)采集器，接線盒，配電箱，開關機和通信電纜。控制中心主要安裝集中站主機，其余主要設備安裝在工業(yè)變電站。

變電站進行通過音頻數(shù)據(jù)采集器進行錄音，其中包含時域和頻域音頻信號，使用MATLAB讀取音頻文件以計算時域特征，運算結果如圖7所示。

使用MATLAB計算主變壓器音頻數(shù)據(jù)的MFCC特征參數(shù)，結果如圖8所示。

當變壓器處于相同的運行狀態(tài)時，其音頻具有穩(wěn)定的一致性，不同時期相同狀態(tài)的MFCC特征圖也表現(xiàn)出相似性，如圖9所示。

4 總結

在變電站設備運行過程中，可以通過對設備運轉聲音進行音頻信號分析處理，通過這種方法，進行及時有效的處理，達到故障的實時性處理。本文提出了一種精確識別音頻特征的方法，并利用神經(jīng)網(wǎng)絡判斷設備的故障類型，從根本上改進了傳統(tǒng)的手工方法和電氣設備故障檢測水平。并且通過實驗 驗證了該方法在變電站故障檢測過程中有較高的識別率。

參考文獻

[1] 蔡利忠. 無人值班變電站電氣設備智能監(jiān)控系統(tǒng)[D]. 長春：吉林大學，2015.

[2] 賈鑫. 基于雙監(jiān)督信號卷積神經(jīng)網(wǎng)絡的電氣設備紅外故障識別研究[D].天津：天津理工大學，2018.

[3] 王麗娜. 機組電氣設備在線安全評價及故障預測[D].石家莊：華北電力大學，2014.

[4] 曹文明，王耀南.基于音頻識別的無人值守變電站設備在線監(jiān)測[J].湖南大學學報（自然科學版），2013，40（9）：48-55.

[5] 張明. 變電站主設備工況音頻監(jiān)控系統(tǒng)[D].長沙：長沙理工大學，2014.

[6] 溫錢明. 500KV監(jiān)控中心微機防誤操作系統(tǒng)關鍵技術研究[D].南昌：南昌大學，2014.

[7] Ngodrup， Zhao D C， Droma D Q. Research on Tibetan Lhasa Dialect phonetic feature extraction technology based on LDA-MFCC[C]// International Conference on Information Science and Technology. Hangzhou， China， IEEE， 2011：369-372.

（收稿日期： 2018.12.28）

基金項目：國網(wǎng)山東省電力公司科技項目（SGSDHZ00JXJS1800334）

作者簡介：殷守斌（1979-），男，菏澤，高級工程師，研究方向：電氣工程及其自動化。

田克強（1981-），男，菏澤，高級工程師，研究方向：電子信息與科學技術。

李明（1990-），男，菏澤，工程師，研究方向：電氣工程及其自動化。

李中原（1992-），男，菏澤，助理工程師，研究方向：電氣工程及其自動化。

谷棟（1990-），男，菏澤，工程師，研究方向：電氣工程及其自動化。文章編號：1007-757X（2020）02-0031-04