基于變壓器運(yùn)行聲音識別的智能運(yùn)維輔助決策技術(shù)

王劍強(qiáng)，彭濤

（國網(wǎng)浙江省電力有限公司金華供電公司，浙江金華，321000）

0 引言

設(shè)備在正常運(yùn)行時，本體與固件之間、本體內(nèi)部的相互運(yùn)動狀態(tài)發(fā)生變化時，設(shè)備會發(fā)出聲音，隨著運(yùn)行狀態(tài)的變化（發(fā)生故障）所發(fā)出的聲音也會隨之變化。變壓器在運(yùn)行的時候，硅鋼片的磁致伸縮會使得鐵芯隨著勵磁頻率的變化而周期性振動，同時，硅鋼片接縫處和疊片之間存在著因漏磁而產(chǎn)生的電磁吸引力，也會引起鐵芯的振動，當(dāng)繞組中有負(fù)載電流通過時，負(fù)載電流產(chǎn)生的漏磁引起繞組、油箱壁的振動。這些結(jié)構(gòu)的機(jī)械振動會通過器身和變壓器油傳遞到變壓器箱體表面，同時以聲波的形式向外擴(kuò)散。變壓器在不同的運(yùn)行狀況下，器身發(fā)出的聲音會有所不同于聲學(xué)特征量的診斷技術(shù)，獲取聲音信號不需要使變壓器停止運(yùn)行，也不用接觸設(shè)備，裝置簡單，采集信號方便，安裝方式比較靈活，不會干擾設(shè)備的正常運(yùn)行。

變壓器正常運(yùn)行時噪聲主要來源于油箱、繞組、鐵芯及冷卻裝置風(fēng)扇等發(fā)生振動，也即變壓器本體的振動和冷卻裝置風(fēng)扇的空氣流動產(chǎn)生的。本體噪音主要包括硅鋼片和疊片間因磁通穿過片間而產(chǎn)生的電磁力，引起的鐵芯振動，負(fù)載電流流過繞組，在繞組之間、線匝之間產(chǎn)生的動態(tài)電磁力從而引起的繞組的振動；另外因?yàn)槁┐乓鸬挠拖浔诘恼駝拥鹊?。冷卻裝置的噪聲主要是潛油泵和冷卻風(fēng)扇運(yùn)行時產(chǎn)生的[2]。

1 “智慧耳蝸”系統(tǒng)總體思路

“智慧耳蝸”系統(tǒng)基于物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)，根據(jù)智能巡檢機(jī)器人、人工巡視以及音頻在線監(jiān)測裝置采集到的設(shè)備運(yùn)行音頻信息、氣候信息，并集合EMS系統(tǒng)內(nèi)的負(fù)荷潮流以及PMS系統(tǒng)的設(shè)備臺賬等信息形成主變聲音數(shù)據(jù)庫，利用大數(shù)據(jù)挖掘算法對主變運(yùn)行時的音頻進(jìn)行預(yù)測分類，預(yù)測主變的運(yùn)行工況；根據(jù)主變運(yùn)行工況，并結(jié)合當(dāng)班人員信息、實(shí)時路況，利用if-then 規(guī)則提供智能運(yùn)維決策策略，幫助運(yùn)維人員提早介入缺陷發(fā)展階段，縮短應(yīng)急響應(yīng)時間。

2 基于設(shè)備運(yùn)行聲音的大數(shù)據(jù)預(yù)測模型

2.1 變壓器運(yùn)行聲音的音頻數(shù)據(jù)來源及探索

從主變運(yùn)行聲音數(shù)據(jù)庫里選出錄音編號為Z1、Z8兩段代表主變運(yùn)行在不同工況下（正常和偏磁）音頻進(jìn)行數(shù)據(jù)探索。兩段音頻信號的時域波形分別如下圖1所示，為了更直觀地反應(yīng)變壓器運(yùn)行在不同工況下的特征，對上述兩段錄音編號分別進(jìn)行小波去噪后進(jìn)行按下式快速傅里葉變換，結(jié)果如下圖1所示。

圖1 錄音編號Z1和Z8的音頻時域波形

從下圖2的頻譜圖可知，無論是正常運(yùn)行還是偏磁運(yùn)行的變壓器它們的頻譜圖都呈明顯的線狀分布，且均分布在1000Hz以內(nèi)。正常運(yùn)行時的主變其主頻在100Hz及倍頻，200Hz下噪音明顯，與主變所處的環(huán)境及負(fù)荷有關(guān)；偏磁運(yùn)行時的主變其主頻在50Hz及倍頻。主變異常運(yùn)行時，頻率幅值比正常運(yùn)行和偏磁運(yùn)行時的幅值要大的多[1]；而正常運(yùn)行和偏磁運(yùn)行在頻譜分布上存在明顯的區(qū)別。

圖2 錄音編號Z1和Z8的頻域波形

2.2 數(shù)據(jù)的預(yù)處理

首先對主變運(yùn)行聲音數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行清洗，對于記錄數(shù)據(jù)缺失值進(jìn)行補(bǔ)充，由于所列的屬性值除了冷卻方式和運(yùn)行工況外均可查詢相關(guān)系統(tǒng)的歷史數(shù)據(jù)獲得。將主變高壓側(cè)負(fù)荷電流根據(jù)額定電流規(guī)約到主變負(fù)載程度，即按下式轉(zhuǎn)換。

然后對上圖中的數(shù)值型數(shù)據(jù)采用Z-score標(biāo)準(zhǔn)化，即

式中，x*為標(biāo)準(zhǔn)化后的數(shù)據(jù)，x 為標(biāo)準(zhǔn)化前數(shù)據(jù)，μ為所有樣本的均值，σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

對描述性數(shù)據(jù)的屬性，如“變電站”、“廠家”、“冷卻方式”、“運(yùn)行工況”進(jìn)行語義轉(zhuǎn)換，其中“變電站”按照變電站名稱的首字母進(jìn)行排序后進(jìn)行數(shù)字編號；“冷卻方式”與“運(yùn)行工況”按下數(shù)字進(jìn)行編號。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)主變運(yùn)行工況的預(yù)測分類模型

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)算法之一。神經(jīng)網(wǎng)絡(luò)算法就是一組相互連接的輸入輸出單元，這些單元之間的每個連接都關(guān)聯(lián)一個權(quán)重。在網(wǎng)絡(luò)學(xué)習(xí)階段，網(wǎng)絡(luò)通過調(diào)整權(quán)重來實(shí)現(xiàn)輸入樣本與其相應(yīng)（正確）類別的對應(yīng)。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)就是對噪聲數(shù)據(jù)有較好適應(yīng)能力，并且對未知數(shù)據(jù)也具有較好的預(yù)測分類能力。

圖3 神經(jīng)網(wǎng)絡(luò)示意圖

首先對網(wǎng)絡(luò)里的權(quán)重Wij、Vij和偏倚θ進(jìn)行初始化，網(wǎng)絡(luò)的權(quán)重Wij和偏倚θ初始為小隨機(jī)數(shù)（-1.0到1.0）;接著根據(jù)樣本數(shù)據(jù)X按照下式計(jì)算隱含層的輸出Y：

式中，f(x)為隱含層神經(jīng)元的激勵函數(shù)，選擇S型正切函數(shù)tansig。

選擇神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)g( x )，計(jì)算輸出層O:

根據(jù)計(jì)算得到的輸出與期望輸出，得到總體計(jì)算誤差Er,并按照下式對網(wǎng)絡(luò)權(quán)重Wij、Vij進(jìn)行更新。

式中Tk為期望結(jié)果。

式中η為學(xué)習(xí)率，取0和1之間的常數(shù)值；l為輸出值的維數(shù)。

重復(fù)以上步驟，直到所有的ΔVjk、ΔWjk都小于指定的閾值，或超過訓(xùn)練的周期數(shù)。

利用變壓器運(yùn)行聲音音頻信號的20個特征頻譜分布作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，輸出層即為主變的運(yùn)行工況，隱含層神經(jīng)元個數(shù)取8，訓(xùn)練方法采用Levenberg-Marquardt，其速度最快，但是占用內(nèi)存較大。

取主變運(yùn)行聲音數(shù)據(jù)庫內(nèi)的32個樣本作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，學(xué)習(xí)速率設(shè)置0.05，當(dāng)達(dá)到下列任一條件時，訓(xùn)練停止：

a)訓(xùn)練次數(shù)已達(dá)1000次；

b)誤差已收斂至1e-6；

c)網(wǎng)絡(luò)性能最小梯度到達(dá)1e-7。

訓(xùn)練結(jié)果如下圖4所示，圖4（a）為訓(xùn)練過程中誤差收斂曲線，在訓(xùn)練到29步時，誤差已收斂至1e-6，到達(dá)訓(xùn)練停止條件，訓(xùn)練停止；圖4(b)為訓(xùn)練樣本的回歸系數(shù)。

圖4 訓(xùn)練結(jié)果

對訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，選取訓(xùn)練樣本外的另外2個樣本進(jìn)行測試，第一個樣本分類結(jié)果為1.0233；第二個樣本的分類結(jié)果為1.0001。該兩個樣本的頻譜分布分別如下圖5和圖6所示，樣本1的頻率分布中雖然有較大干擾量（50Hz、150Hz、250Hz…等干擾量），但是系統(tǒng)還是能夠清晰辨識；樣本2中頻率分布較干凈，是典型的主變正常運(yùn)行時的頻譜分布，預(yù)測值也基本準(zhǔn)確。

圖5 樣本1的頻譜

圖6 樣本2的頻譜分布

2.4 基于if-then規(guī)則的運(yùn)維決策制定模型

根據(jù)變壓器運(yùn)行聲音，利用2.3節(jié)建立的預(yù)測分類模型，以《國家電網(wǎng)公司變電運(yùn)維管理規(guī)定（試行）和細(xì)則》為準(zhǔn)則，綜合考慮天氣、實(shí)時路況、人員配置、備品備件等信息，建立決策樹模型，將決策結(jié)果按照權(quán)限等級推送至相關(guān)人員。決策樹是最為廣泛的歸納推理算法之一，本文采用if-then規(guī)則表示模型。

3 應(yīng)用預(yù)期效果

“智慧耳蝸”上線后，能根據(jù)采集到的變壓器運(yùn)行聲音，和輔控系統(tǒng)里的相關(guān)數(shù)據(jù)自動生成并更新主變聲音數(shù)據(jù)庫，通過“智慧耳蝸”系統(tǒng)進(jìn)行預(yù)測、分類以及決策后，將決策信息上送至輔控平臺，并根據(jù)權(quán)限向相關(guān)人員推送。提早介入變壓器缺陷的初級發(fā)展階段，合理安排檢修計(jì)劃，統(tǒng)籌值班人員力量，減少設(shè)備受迫停運(yùn)的風(fēng)險(xiǎn)，縮短設(shè)備應(yīng)急處置時間。該系統(tǒng)后續(xù)也可以應(yīng)用到壓變、電抗器、電容器等設(shè)備，彌補(bǔ)電網(wǎng)設(shè)備在“聽覺”方面的診斷預(yù)測盲區(qū)。

圖7 基于if-then規(guī)則的運(yùn)維決策模型