基于聲紋特征識別的電力變壓器運維檢測技術(shù)研究

向志昊，魏華

（國網(wǎng)銅川供電公司，陜西銅川 727031）

電力變壓器是電力系統(tǒng)中實現(xiàn)電壓轉(zhuǎn)換、能量傳輸?shù)年P(guān)鍵設(shè)備。若變壓器發(fā)生故障可能會導(dǎo)致大面積停電，從而引發(fā)電力系統(tǒng)解列崩潰，甚至造成爆炸、火災(zāi)等重大安全事故，并威脅人們的生命財產(chǎn)安全。因此，對電力變壓器進行健康評估及運維檢測具有重要意義[1-2]。

電力變壓器的運行環(huán)境復(fù)雜，其運行狀態(tài)受電、濕、熱與機械應(yīng)力等多種因素的影響[3-4]。傳統(tǒng)的電力變壓器狀態(tài)監(jiān)測主要通過對電壓電流、溫濕度、振動及熱輻射等信號進行采集，再綜合分析與評估其健康狀態(tài)[5-6]。但電力變壓器的聲紋信號也蘊含著大量的運行狀態(tài)信息，因此可通過對聲紋特征加以分析進而及時發(fā)現(xiàn)其缺陷狀態(tài)[7-8]。隨著人工智能技術(shù)的發(fā)展，聲紋識別技術(shù)已由傳統(tǒng)的人耳聲音辨識，拓展應(yīng)用到照明、測井及工業(yè)自動化設(shè)備的狀態(tài)識別等領(lǐng)域[9-11]。若將聲紋識別技術(shù)應(yīng)用于電力變壓器的狀態(tài)監(jiān)測，便會增加一種有效的監(jiān)測手段，進而有利于保障其安全、穩(wěn)定工作。

針對此，文中利用聲紋識別技術(shù)進行電力變壓器狀態(tài)監(jiān)測，以實現(xiàn)對典型缺陷狀態(tài)的精準識別，且進一步提升電力變壓器運維檢測工作的智能化水平。

1 電力變壓器聲紋特征構(gòu)建

為了將聲紋信號轉(zhuǎn)為人工智能算法能夠計算與分析的結(jié)構(gòu)化數(shù)據(jù)，需對電力變壓器聲紋信號進行預(yù)處理。通常，使用梅爾頻率倒譜系數(shù)（Mel Frequency Cepstral Coefficients，MFCC）來表征聲紋信號的頻率特征[12]。電力變壓器聲紋信號的MFCC 特征構(gòu)建流程如圖1 所示[13]。

圖1 MFCC特征構(gòu)建流程

1）預(yù)加重。由于變壓器聲紋信號中的高頻部分較弱，為了使該信號在頻譜上顯得更為平坦，故需在原始聲紋信號上疊加一個高頻濾波器，則其傳遞函數(shù)可表示為：

式中，H(z)為高頻濾波器的z傳遞函數(shù)；α為預(yù)加重權(quán)重，其取值范圍為(0.9,1)。

2）分幀加窗。分幀加窗操作是為了將連續(xù)不平穩(wěn)的聲紋信號分為多段短時平穩(wěn)信號，以便后續(xù)的處理操作。同時，為保證相鄰聲紋幀之間的連續(xù)性，相鄰兩段的聲紋幀應(yīng)存在一定的重疊部分。該操作是利用窗函數(shù)與原始聲紋信號相乘，計算公式如下：

此處窗函數(shù)采用了漢明（Hamming）窗，該函數(shù)表示如下：

式中，N為漢明窗長度。

3）快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）。將經(jīng)過預(yù)處理后的多段聲紋幀時域信號利用FFT 轉(zhuǎn)化為線性頻譜信號，其計算公式如下：

4）Mel 濾波器組。梅爾頻率倒譜系數(shù)是基于人類對聲紋信號頻率的感知呈對數(shù)關(guān)系而建立的對應(yīng)特征提取參量體系。采用MFCC 系數(shù)對聲紋信號進行處理，可減少高頻信號對特征提取的干擾，從而提高對低頻信號的敏銳程度。

Mel 頻率與聲紋信號赫茲頻率的轉(zhuǎn)化關(guān)系如下所示：

式中，f為實際赫茲頻率；q為變換后的Mel頻率。

式（5）的逆轉(zhuǎn)換函數(shù)如下：

Mel 濾波器組由D個三角濾波器構(gòu)成，第d個濾波器的傳遞函數(shù)如下：

式中，x(d)為中心頻率，可表征如下：

式中，fmax和fmin分別為Mel 濾波器組濾波頻率范圍的上下限；fs則為電力變壓器聲紋信號的采樣頻率。

5）lg 對數(shù)能量。為提高系統(tǒng)對聲紋信號特征提取的魯棒性，通常先對頻譜信號求平方后，再將其作為Mel 濾波器組的輸入。然后對輸出的Mel 頻譜取對數(shù)，從而將實際線性頻譜轉(zhuǎn)換為對數(shù)梅爾頻譜，具體計算公式如下：

6）離散余弦變換（Dual Clutch Transmission，DCT）。進一步將對數(shù)梅爾頻譜進行離散余弦變換，最后再輸出MFCC 系數(shù)：

7）MFCC 特征。MFCC 參數(shù)僅能反映變壓器聲紋信號的靜態(tài)特征，為了提高系統(tǒng)對聲紋特征的識別能力，有必要將其與聲紋信息的動態(tài)特征相結(jié)合。因此，MFCC 特征矩陣通常由自身參數(shù)疊加其一階、二階差分參數(shù)，差分的具體計算方式定義如下：

式中，dt為一階差分參數(shù)，Ct為MFCC 參數(shù)，T為求取導(dǎo)數(shù)的時間差。

2 電力變壓器異常檢測算法設(shè)計

該文提出了基于深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）和支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）的電力變壓器缺陷狀態(tài)識別算法，其具體流程如圖2 所示。首先對電力變壓器聲紋信號進行預(yù)處理，并構(gòu)建MFCC 聲紋特征；然后將其作為DBN 網(wǎng)絡(luò)輸入，完成對深度聲紋的特征提??；最后再將該特征作為SVDD 算法的輸入，以實現(xiàn)對電力變壓器缺陷狀態(tài)的精準識別，從而為其運維及檢測提供技術(shù)指導(dǎo)。

圖2 基于DBN-SVDD電力變壓器缺陷識別算法流程

2.1 DBN模型

DBN 模型在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加深了網(wǎng)絡(luò)層次，由三層受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）構(gòu)成的典型DBN 模型結(jié)構(gòu)如圖3所示[14]。

圖3 DBN模型結(jié)構(gòu)

2.2 SVDD算法

SVDD 算法是一種數(shù)據(jù)處理分類方法，其與支持向量機（Support Vector Machine，SVM）算法類似[15-16]。該方法的核心思想是構(gòu)建一個超球體對數(shù)據(jù)樣本進行描述，并將球面作為分類界限，而位于球面上的數(shù)據(jù)樣本則為支持樣本。SVDD 算法通常可用于異常數(shù)據(jù)的檢測與數(shù)據(jù)樣本的分類。

假設(shè)有一個包含M個樣本x1,x2,…,xm,…xM的數(shù)據(jù)集，其所構(gòu)建超球體的球心為c，半徑為R。為減少數(shù)據(jù)集中異常樣本對構(gòu)建超球體的影響，因此允許出現(xiàn)一定的偏差，故引入松弛變量ξm及懲罰權(quán)重參數(shù)λ。所構(gòu)建的超球體可描述為以下尋優(yōu)問題：

在式（12）的基礎(chǔ)上引入Lagrange 因子，并構(gòu)建Lagrange 函數(shù)：

式中，μm與νm為Lagrange 因子，且μm≥0、νm≥0。

在式（13）兩邊分別對R,c,ξm求偏導(dǎo)，令其等于零，則可得到：

根據(jù)式（16）與μm≥0、νm≥0 可以得到λ≥0，由此便可將式（12）轉(zhuǎn)化為對偶問題：

由此可以得到超球體半徑為：

其中，xq為支持樣本。對于數(shù)據(jù)集內(nèi)的其他樣本，其與球心c的距離為：

因此，當(dāng)||z-c||2≤R2時，數(shù)據(jù)樣本在超球體內(nèi)部；而當(dāng)||z-c||2＞R2時，數(shù)據(jù)樣本則在超球體外部。

3 算例分析

該文采用實驗室獲取電力變壓器聲紋信號作為數(shù)據(jù)樣本，其結(jié)構(gòu)如表1 所示。該樣本包括7 個缺陷類別共8 000 條數(shù)據(jù)，其中20%的數(shù)據(jù)作為測試樣本，剩下的數(shù)據(jù)則作為訓(xùn)練樣本[17-19]。

表1 數(shù)據(jù)樣本結(jié)構(gòu)

3.1 DBN模型超參數(shù)優(yōu)化

DBN 模型中的超參數(shù)對于算法的計算速度、預(yù)測準確率等性能至關(guān)重要。文中針對批尺寸（Batch Size）、學(xué)習(xí)率這兩個超參數(shù)進行優(yōu)化，以實現(xiàn)最優(yōu)的缺陷識別效果。不同批尺寸下的算法性能如表2所示。

表2 不同批尺寸下的算法性能

從表中可以看出，當(dāng)批尺寸為128 或256 時，算法的計算速度較快但準確率偏低；當(dāng)批尺寸為32 或64 時，算法準確率均可達到100%；且當(dāng)批尺寸為64時，其計算速度也較快。因此綜合考慮計算速度及準確率兩個方面，最終選擇的批尺寸為64。不同學(xué)習(xí)率下的算法性能如表3 所示。

表3 不同學(xué)習(xí)率下的算法性能

可以看到，當(dāng)學(xué)習(xí)率為0.1和0.01時，算法的訓(xùn)練誤差較大，準確率較低；當(dāng)學(xué)習(xí)率為0.001 和0.000 1時，算法準確率均達到了100.0%。且當(dāng)學(xué)習(xí)率為0.001 時，算法的平均訓(xùn)練誤差僅為2.23×10-6，小于學(xué)習(xí)率為0.000 1 的情況。綜合考慮訓(xùn)練誤差及準確率，故選擇的學(xué)習(xí)率為0.001。

3.2 不同算法性能對比

為驗證所提算法的準確性和有效性，該文選擇SVDD 及BPN-SVDD 算法作為對照組進行了實驗。前者直接將MFCC 特征作為SVDD 算法的輸入，后者則采用BP 神經(jīng)網(wǎng)絡(luò)對MFCC 特征進行處理，以實現(xiàn)對聲紋深度特征的提取。不同算法的缺陷識別結(jié)果，如表4 所示。

表4 不同算法的缺陷識別結(jié)果

由表4 可知，所提DBN-SVDD 算法對于電力變壓器缺陷類型具有較好的識別率，平均識別準確率可達97.94%。而BPN-SVDD 算法平均準確率則為90.68%。這是由于BPN 模型網(wǎng)絡(luò)的層次較淺，因此未能充分挖掘深層次的聲紋特征。而當(dāng)采用SVDD算法時，算法的平均準確率僅為85.03%，原因是其直接將聲紋的MFCC 特征作為SVDD 算法輸入，并未對聲紋特征進行深度提取。

3.3 應(yīng)用效果分析

為驗證該文算法的實際應(yīng)用效果，將其應(yīng)用于某省電網(wǎng)電力變壓器的運維檢測。2021 年度共發(fā)現(xiàn)電壓器缺陷次數(shù)達735 次，不同缺陷類型的分布如圖4 所示?？梢钥吹?，繞組變形、鐵芯松動和過負荷的缺陷占比較高，均超過了20%。因此在對電力變壓器的運維檢修中，可重點針對這三類缺陷類型展開分析。

圖4 不同缺陷類型分布圖

4 結(jié)束語

文中利用電力變壓器聲紋信息，結(jié)合人工智能算法實現(xiàn)了對電力變壓器缺陷狀態(tài)的識別。通過仿真算例表明，當(dāng)批尺寸為64 且學(xué)習(xí)率為0.001 時，該算法在計算速度、訓(xùn)練誤差與識別準確率方面均能達到最優(yōu)。而與SVDD 和BPN-SVDD 算法相比，其缺陷識別準確率也更高。此外，通過在某省電網(wǎng)的實際應(yīng)用中發(fā)現(xiàn)了繞組變形、鐵芯松動及過負荷三類缺陷的占比較高，這對運維檢修工作能夠提供輔助，但所提算法僅能實現(xiàn)缺陷類型的識別，而無法對缺陷位置進行精準定位，這將在后續(xù)的研究中展開。