劉云鵬，王博聞，周旭東，羅世豪，劉嘉碩

(華北電力大學 河北省輸變電設備安全防御重點實驗室，河北 保定 071003)

0 引 言

超、特高壓電力變壓器作為電網(wǎng)的核心設備，對大范圍電網(wǎng)的安全穩(wěn)定運行具有重要影響[1]。為保障特高壓變壓器的安全穩(wěn)定運行，已有許多不停電檢測技術應用于到變壓器中。其中，變壓器的聲紋檢測技術由于傳感裝置無需與變壓器之間產(chǎn)生電磁耦合且能夠?qū)ψ儔浩鞯恼w性機械故障進行檢測與診斷，因此在變壓器的在線監(jiān)測、不停電檢測等工作中具有很強的優(yōu)勢。

變壓器在運行過程鐵芯、繞組等結(jié)構會發(fā)生振動并產(chǎn)生機械波，產(chǎn)生的振動和聲音信號包含了大量的設備狀態(tài)信息。由于變壓器的振動信號和聲音信號相比具有更強的抗干擾能力，因此目前關于變壓器的狀態(tài)監(jiān)測研究多集中在振動信號的研究，但是振動信號采集對于布點位置的要求更為嚴格，較小的布點偏移將導致測量結(jié)果產(chǎn)生很大的變化[2]，這不利于不同型號變壓器振動數(shù)據(jù)統(tǒng)一化，而聲音傳感器的小幅位置偏移后接收到的信號則不會產(chǎn)生較大差異，使得聲紋診斷法在人工巡檢中具有一定優(yōu)勢。

對于變壓器聲紋診斷方法，主要分為機器學習方法與特征值診斷方法[3，4]。以深度學習為代表的機器學習方法具備更強大的特征學習能力，可以從大量樣本的數(shù)據(jù)集中訓練出更強大的模型，能夠從原始輸入數(shù)據(jù)中抽象出其本質(zhì)。但此類方法的可解釋性弱，不利于輔助運維人員決策，且通常需要較為完備的樣本類型和較平衡的數(shù)據(jù)樣本才能得到可商用的成熟模型。近兩年來，國內(nèi)變壓器聲紋監(jiān)測項目方興未艾，但未來一段時間內(nèi)故障樣本尚不能支撐深度學習模型商用落地。因此，需要在積累數(shù)據(jù)樣本的同時，圍繞聲紋特征值診斷方法展開研究。

聲波與振動波同屬機械波，聲信號起源于振動信號，當機械波從振源傳播到空氣中即呈現(xiàn)為聲信號，因此在聲信號的研究中一般會從其振動源頭出發(fā)進行機理性分析。目前，已有需對專家學者從機理分析與實驗模擬角度，針對變壓器異常狀態(tài)下的聲振特征值研究：汲勝昌、師愉航等人構建了兩體物理模型對變壓器繞組多倍頻振動特性進行了理論解釋并提出半頻率比特征量[5，6]。王豐華等人從繞組墊片力學非線性角度給出了振動特性中出現(xiàn)高次信號現(xiàn)象的理論解釋，指出不同繞組松動程度與振動信號中100 Hz倍頻分量之間的關聯(lián)關系[7]。吳曉文對實驗室中的變壓器的進行了不同負載狀態(tài)下A計權聲壓級測量[8]。馬宏忠等人認為基頻是判斷變壓器機械狀態(tài)的重要特征[9]。祝麗花等人對直流偏磁下鐵心搭迭區(qū)域的振動特征進行描述[10]。何金良等人對于500 kV直流偏磁的聲信號進行分析[11]。上述理論研究對變壓器各狀態(tài)下可能出現(xiàn)的頻率現(xiàn)象進行了單獨的分析，為聲音及振動信號分析提供了大量分析判斷依據(jù)，具有重要參考價值。然而，領域內(nèi)學者的研究樣本大部分基于實驗室模擬平臺，針對現(xiàn)場數(shù)據(jù)的分析數(shù)量較少，對于各種特征指標在現(xiàn)場應用時預警的閾值比較模糊，亟需在大量數(shù)據(jù)統(tǒng)計的基礎上進行預警閾值劃定。

為獲得可靠明確的聲紋預警閾值，課題組首先針對國網(wǎng)河北省電力有限公司管轄的162臺500 kV超高壓、1 000 kV特高壓單相變壓器展開現(xiàn)場聲紋采集工作；其次，使用幅值相角波動性法去除風機干擾噪聲，排除統(tǒng)計樣本的干擾因素；然后，圍繞五項特征值展開數(shù)據(jù)統(tǒng)計分析，給出正常運行中的超特高壓變壓器聲紋特征值分布規(guī)律；最后，根據(jù)統(tǒng)計結(jié)果，給予特征值預警閾值建議，并應用2例現(xiàn)場實測變壓器故障或異常聲紋樣本對預警閾值進行測試，證明其應用可靠性。該預警閾值劃定方法能簡單有效地挖掘正常數(shù)據(jù)樣本的價值，不必受制于故障樣本稀缺的條件限制，短期內(nèi)即可積累大量樣本，因此具備一定的實用價值。

1 500 kV變壓器聲紋樣本庫采集

1.1 樣本庫變壓器類型分布

課題組針對國網(wǎng)河北省電力有限公司管轄的500 kV、1 000 kV超、特高壓變壓器展開現(xiàn)場聲紋采集工作(不含換流變壓器)。由于變壓器全部為三相分體式變壓器，每相的變壓器可認為是一臺單相變壓器，狀態(tài)相對獨立，因此本文以單相變壓器作為樣本個體進行統(tǒng)計分析。樣本變壓器屬地、冷卻方式、生產(chǎn)廠家分別如表1、表2、表3所示(部分變壓器為多種冷卻方式相結(jié)合，能夠根據(jù)不同負荷進行調(diào)節(jié)，表2中按照其滿負荷運行狀態(tài)下的冷卻方式進行統(tǒng)計)。

表1 聲紋樣本庫變壓器所屬站所分布

表2 聲紋樣本庫變壓器冷卻方式

表3 聲紋樣本庫變壓器生產(chǎn)廠家

樣本涵蓋3類冷卻方式、10個生產(chǎn)廠家、21個站所的162臺變壓器。變壓器均處于正常運行狀態(tài)，負荷率均在30%～50%之間，采集現(xiàn)場已對梯子等異響附件進行了消噪處理，排除了無關干擾聲源。樣本庫涵蓋的超、特高壓變壓器型號多樣，類型豐富，能夠支撐聲紋特征統(tǒng)計結(jié)果的可靠性。

1.2 聲紋測量系統(tǒng)及傳感器布置原則

在聲紋采集裝置方面，根據(jù)IEC 61672[12]標準，噪聲測量頻率范圍應覆蓋25 Hz～16 kHz，采集設備采用駐極電容槍式指向型麥克風與錄機的組合系統(tǒng)以確保記錄數(shù)據(jù)的可靠性：槍式指向型麥克風具有較強的指向性，頻率響應范圍滿足采樣要求；錄機具有24 bit 96 kHz記錄能力，其高頻率響應與寬動態(tài)范圍能夠記錄盡可能多的噪聲細節(jié)，保證了數(shù)據(jù)的準確性。

在采集裝置布置方式方面，麥克風布置位置遵循以下原則：(1)避開冷卻器所在端面；(2)盡量設置在長端面?zhèn)龋?3)垂直對準繞組，對于單相變壓器而言，布置于端面居中位置;(4)麥克風指向方向垂直于變壓器表面非加強筋位置;(5)距變壓器油箱壁水平距離以不超過麥克風最大量程為準，一般選取50～150 cm之間，本文采集均選擇布置于100 cm處;(6)距地面垂直距離150 cm。

2 風機干擾噪聲的去噪處理

變壓器聲信號采集過程中會不可避免的收集到瞬態(tài)干擾和穩(wěn)態(tài)干擾，由于變壓器本體聲紋穩(wěn)定持續(xù)，因此在計算聲紋特征時可以通過避開存在瞬態(tài)干擾片段的方式避免該類干擾，然而超特高壓大型變壓器上普遍配置有風冷系統(tǒng)，風機噪聲作為穩(wěn)態(tài)干擾，不可避免地會混合進信號中，因此在進行特征分析前應首先對聲紋開展風機噪聲剔除工作。

2.1 幅值相角波動性判別法去風機噪聲方法

本文應用幅值相角波動性判別法[13]消除風機噪聲與背景噪聲。該方法圍繞聲紋樣本信號短時傅里葉變換后各頻點的幅值與相角隨時間的波動性來區(qū)分變壓器本體頻點和風機噪聲頻點。根據(jù)以上2個維度的波動特性，將得到2個變壓器本體聲紋主導的頻率點集合，取兩者的交集形成最終的變壓器本體聲紋主導的頻率點集合，其他的頻點即認為是風機或環(huán)境噪聲的頻率點集合。最后，將快速傅里葉變換后的風機噪聲頻率點在混合信號中進行譜減，即可得到變壓器本體的頻譜分布，方法計算流程如圖2所示。

圖2 幅值相角波動性判別法去風機噪聲步驟

(1)幅值波動性計算過程中，50 Hz倍頻臨近頻點的方差平均值ak計算公式如式(1)所示：

(1)

式中:δf為頻率f的方差，k為正整數(shù)；w為頻點臨近區(qū)域范圍，一般取10。若δf>ak即判定頻率f為干擾頻點。

(2)相角波動性計算過程中，50 Hz倍頻臨近頻點的相角波動量平均值bk計算公式如式(2)所示：

(2)

式中：ηf為頻率f的相角波動量，由短時傅里葉變換第i幀算得的相角在幅值為1時的復數(shù)zi計算得到，計算公式如式(3)所示，式中：pf為聲紋樣本在計算頻率f時分幀的數(shù)量，由幀長、幀移和樣本長度決定，幀長為10/f，幀移為1/f。

(3)

若ηf>bk即判定頻率f為干擾頻點。

2.2 幅值相角波動性去噪算例

根據(jù)幅值相角波動性法，本文對162臺500 kV、1 000 kV超、特高壓變壓器中部分風機噪聲干擾較大的樣本進行去噪處理。由于篇幅有限，此處僅列出邢臺站2號主變A相的去噪結(jié)果。圖3與圖4分別為幅值波動與相角波動的判斷結(jié)果，被判定為干擾信號的50 Hz倍頻點被圈出。

圖3 幅值波動判斷結(jié)果

圖4 相角波動判斷結(jié)果

譜減法去除紅圈標記的頻點后，進行傅里葉逆變換即可得到去噪后聲紋樣本。去噪前后頻譜對比如圖5所示。

圖5 變壓器本體與風機噪聲分離結(jié)果

3 變壓器聲紋特征篩選

變壓器本體聲紋可分為瞬態(tài)聲紋與穩(wěn)態(tài)聲紋。瞬態(tài)聲紋主要是指變壓器遭受短路沖擊瞬間的聲紋，除了此之外，變壓器聲紋在絕大多數(shù)情況下都是相對平穩(wěn)的穩(wěn)態(tài)聲紋。本文主要圍繞變壓器的穩(wěn)態(tài)聲紋的特征進行分析研究。

3.1 變壓器聲紋案例時域信號與頻域分布

以某500 kV變電站1號主變?yōu)槔儔浩髡＿\行時聲紋時域和頻域信號如圖6所示。

圖6 變壓器正常運行時聲紋的時域信號與頻域分布圖

當變壓器出現(xiàn)異常狀態(tài)時，變壓器的聲紋信號在時域或頻域上都將發(fā)生一定變化。如圖7所示為兩例現(xiàn)場實測得到的變壓器異常狀態(tài)案例。例一為某500 kV變壓器直流偏磁狀態(tài)，例二為某220 kV變壓器墊塊松動?？梢钥闯觯缓屠穆暭y時域信號和頻譜分布都差異。相較于直接使用時域信息，聲紋的頻域信息能夠一定程度對信號進行壓縮，且對頻譜分布特征差異更為顯著。因此，本文主要對變壓器聲紋的頻域特征進行梳理和分析，篩選出最具代表性、能反映故障信息的特征量，為后文的數(shù)據(jù)統(tǒng)計的提供依據(jù)。

圖7 變壓器異常狀態(tài)時聲紋的時域信號與頻域分布圖

3.2 頻域特征篩選

變壓器常規(guī)聲紋的頻域特征主要有：頻域幅值最大值、幅值最小值、幅值中位數(shù)、幅值平均值、幅值峰峰值、主頻、振動熵、50 Hz奇偶次倍頻比、主頻比重、基頻比重、總諧波畸變率、高低頻比、高頻比重共13個特征。具體表達式如表4所示，表中：Xf為振動信號在頻率f處的頻率分量幅值；N為統(tǒng)計的頻率上限，由于變壓器聲信號能量主要分布在0～2 000 Hz范圍內(nèi)，因此N一般取2 000 Hz；argmaxXf為頻率分量最大時的頻率fHz；Xf為Xf2/(X1002+X2002+…+X20002)；fh為高低頻分界頻點，一般取700 Hz。

本文圍繞表4中的13個特征值，分別進行分析篩選：

(1)出由于不同變壓器本身機械結(jié)構、傳感器布點位置等因素都會對采集到的聲紋幅值產(chǎn)生影響，因此本文認為跟聲紋的幅值相關的特征值只能作為單臺變壓器長期固定監(jiān)測時的相對參考，對于不同變壓器之間的橫向?qū)Ρ葲]有太大意義，因此本文對表4特征指標中的頻域幅值最大值、頻域幅值最小值、頻域幅值峰峰值、頻域幅值平均值、頻域幅值中位數(shù)均不做深入分析；

表4 頻域特征值及其計算表達式

(2)主頻：變壓器本體聲紋主頻通常不會有較大變化，一般為50 Hz的偶次倍頻。當變壓器機械結(jié)構或電磁激勵出現(xiàn)變化時，聲紋將發(fā)生主頻轉(zhuǎn)移或主頻變?yōu)?0 Hz奇次倍頻；

(3)振動熵：振動熵能夠描述變壓器聲紋50Hz倍頻的含量分散程度，當變壓器繞組變形或機械松動時，振動熵將升高；

(4)50 Hz奇偶次倍頻比：當變壓器處于直流偏磁狀態(tài)時，鐵心發(fā)生故障都會導致50 Hz奇次倍頻上升；

(5)主頻比重：文獻[14]分析了變壓器主頻比重，但變壓器主頻受機械結(jié)構或電磁激勵影響，在變壓器發(fā)生機械故障時主頻會發(fā)生轉(zhuǎn)移，此時主頻比重的計算對象也隨之轉(zhuǎn)移，因此主頻比重這一特征值對變壓器狀態(tài)分析并無明確意義，本文不做深入分析；

(6)基頻比重：變壓器鐵心及繞組振動基頻為100 Hz，在實際運行中鐵心和繞組受到諧波、形變、松動等因素干擾導致振動信號中增加了其他頻點。因此針對基頻比重的監(jiān)測能夠反映外界干擾因素變化狀況，對變壓器狀態(tài)監(jiān)測具有一定意義；

(7)總諧波畸變率：總諧波畸變率與基頻比重的特征核心意義相同，兩者大致互為倒數(shù)的關系，因此本文僅選取基頻比重展開分析；

(8)高低頻比：當變壓器發(fā)生鐵心、繞組機械松動或處于直流偏磁狀態(tài)時，變壓器聲紋高低頻比會上升；

(9)高頻比重：高頻比重與高低頻比的特征核心意義相同，因此本文僅選高低頻比展開分析。

4 變壓器聲紋典型特征預警閾值統(tǒng)計分析

根據(jù)上一章的分析結(jié)果，本文最終選擇主頻、振動熵、50 Hz奇偶次倍頻比、基頻比重、高低頻比五項典型特征值進行預警閾值分析。首先通過對各特征值進行特征分布計算，確定特征是否呈現(xiàn)聚集性，然后根據(jù)特征值計算原理分別確定其上限或下限為預警閾值，最后使用實際案例進行有效性驗證，若聲紋的某項或某幾項特征超過閾值即可判斷為狀態(tài)異常。

4.1 特征分布分析

(1)主頻:如圖8(a)所示為變壓器聲紋主頻分布直方圖，從圖中可以看出，變壓器聲紋集中分布在100 Hz、200 Hz等50 Hz的偶數(shù)頻點上。由累積概率曲線可知，僅有1例樣本在100 Hz到400 Hz之外，絕大部分數(shù)據(jù)集中在100 Hz到400 Hz之間。

(2)振動熵:如圖8(b)所示為變壓器聲紋振動熵分布直方圖，從圖中可以看出，變壓器振動熵集中分布在1.0至1.7之間。由累積概率曲線可知，99%的樣本在1.7以下。

圖8 變壓器聲紋典型特征分布直方圖與累積概率曲線

(3)50 Hz奇偶次倍頻比:如圖8(c)所示為變壓器聲紋50 Hz奇偶次倍頻比分布直方圖，從圖中可以看出，變壓器振動熵集中分布在0至0.6之間。由累積概率曲線可知，99%的樣本在0.9以下。

(4)基頻比重:如圖8(d)所示為變壓器聲紋基頻比重分布直方圖，從圖中可以看出，變壓器基頻比重集中分布在0.025至0.3之間。由累積概率曲線可知，99%的樣本在0.025以上。

(5)高低頻比:如圖8(e)所示為變壓器聲紋高低頻比分布直方圖，從圖中可以看出，變壓器高低頻比集中分布在0.01至0.08之間。由累積概率曲線可知，99%的樣本在0.14以下。

由圖8可知，除振動熵符合正態(tài)分布以外，其他特征均呈現(xiàn)右偏態(tài)，符合對數(shù)正態(tài)分布規(guī)律。按各特征值的分布狀態(tài)繪制概率圖如圖9所示，各圖中數(shù)據(jù)點均沿參考線均勻排布，驗證了表5中各特征值分布狀態(tài)的合理性，具體的分布參數(shù)如表5所示。

圖9 變壓器聲紋典型特征正態(tài)/對數(shù)正態(tài)概率圖

表5 特征值分布狀態(tài)與分布參數(shù)

4.2 典型特征值預警閾值

根據(jù)上節(jié)分析可知，5項典型特征值都服從正態(tài)分布或?qū)?shù)正態(tài)分布，具有很強的聚集性，具備閾值預警方法的分布特性基礎，可以設置特征值的上分位線或下分位線為預警閾值，用于變壓器異常狀態(tài)檢測。

(1)主頻: 當變壓器處于直流偏磁時，主頻會向高次頻點轉(zhuǎn)移，需要關注主頻分布的上限。為排除少量異常值，選取99%分位線作為主頻預警閾值，本文樣本數(shù)據(jù)集得到的主頻上限預警閾值為400 Hz；

(2)振動熵: 變壓器繞組變形或機械松動時，振動熵將升高，即振動熵與變壓器異常概率成正比，因此需要關注分布的上限。為排除少量異常值，選取99%分位線作為振動熵警戒閾值。本文樣本數(shù)據(jù)集得到的振動熵上限預警閾值為2.3；

(3)50 Hz奇偶次倍頻比: 變壓器直流偏磁會使主頻向50 Hz奇次倍頻點轉(zhuǎn)移，需要關注50 Hz奇偶次倍頻比的分布上限。為排除少量異常值，選取99%分位線作為50 Hz奇偶次倍頻比預警閾值，本文樣本數(shù)據(jù)集得到的50 Hz奇偶次倍頻比上限預警閾值為0.852；

(4)基頻比重: 變壓器的諧波、漏磁、形變、松動等因素干擾會導致振動信號中增加了其他頻點，使基頻比重下降，因此需要關注基頻比重的分布下限。為排除少量異常值，選取1%分位線作為基頻比重預警閾值，本文樣本數(shù)據(jù)集得到的基頻比重下限預警閾值為0.025；

(5)高低頻比: 當變壓器發(fā)生鐵心、繞組機械松動或處于直流偏磁狀態(tài)時，都會導致頻率分布向高頻轉(zhuǎn)移，需要關注高低頻比的分布上限。為排除少量異常值，選取99%分位線作為高低頻比預警閾值，本文樣本數(shù)據(jù)集得到的高低頻比上限預警閾值為0.136 6。

4.3 預警閾值有效性實例驗證

為了驗證上述設定的預警閾值的合理性和有效性，本文對1例樣本庫以外的500 kV變壓器正常狀態(tài)案例與3.1小節(jié)中的2例變壓器異常狀態(tài)聲紋案例進行特征計算，并將結(jié)果與特征預警閾值進行對比，如圖10所示。預警結(jié)果如表6所示。

圖1 變壓器聲紋采集方案示意圖

表6 現(xiàn)場實測案例樣本特征判斷

圖10 異常案例典型特征值與預警線對比

(1)直流偏磁案例聲紋的主頻、50 Hz奇偶次倍頻比、高低頻比4項指標超出預警閾值；

(2)墊塊松動案例聲紋的振動熵、基頻比重、高低頻比2項指標超出預警閾值；

(3)正常案例的聲紋沒有指標超出預警閾值。

由以上案例可以看出，本文根據(jù)162臺河北省超、特高壓變壓器統(tǒng)計特性給出的預警閾值能夠?qū)ΜF(xiàn)場異常狀態(tài)的變壓器聲紋進行有效預警，且對正常狀態(tài)變壓器的聲紋沒有產(chǎn)生誤判。

5 結(jié) 論

電力變壓器運行聲音中包含運行狀態(tài)信息，通過對大量變壓器聲音信號的采集與分析，可以為變壓器的運行狀態(tài)評估提供重要參考。本文通過采集162臺現(xiàn)場實測樣本進行特征值預警閾值劃定方法，為5項典型聲紋特征劃定了參考預警閾值。得到主要結(jié)論如下：

(1)采用聲紋的幅值相角波動性法能夠有效消除了風機噪聲，能夠?qū)罄m(xù)的聲紋特征分析、狀態(tài)判別等工作提供支撐；

(2)通過篩選比對，本文選出主頻、振動熵、50 Hz奇偶次倍頻比、基頻比重、高低頻比等五項最具代表性的聲紋特征值，能夠反映變壓器的激勵變化、機械狀態(tài)變化；

(3)主頻、振動熵、50 Hz奇偶次倍頻比、基頻比重、高低頻比五項聲紋特征值都服從正態(tài)分布或?qū)?shù)正態(tài)分布，具有很強的聚集性，具備閾值預警方式的分布特性基礎，隨著數(shù)據(jù)增加，能夠?qū)ψ儔浩髀暭y特征分布情況進行更準確地描述；

(4)本文劃定的特征閾值能夠?qū)?例變壓器異常狀態(tài)聲紋案例與1例正常狀態(tài)聲紋案例正確判別，證明了本文所提出的特征閾值劃定方法具有一定的合理性和實用價值；

(5)本文證明了由正常樣本構建的變壓器聲紋數(shù)據(jù)庫同樣具有重要價值。由于正常樣本具有廣泛的采集基礎，能夠在短期內(nèi)大量積累，從而使本文的預警閾值劃定方法快速落地應用。