国网上海市电力公司金山供电公司 常 俊 邵 峰 张 勇 马少强 时晓敏 吴胤伯 尹思杰

随着城镇人口不断集聚，用电需求量也大幅增长，对电力系统的安全稳定运行提出了新的挑战。变压器作为电网系统中的核心设备，承接各区域间配送电，其运行状态对整个电力运输的可靠性具有重要意义[1-2]，而变压器在长时间的使用过程中会产生绝缘劣化或者机械故障，影响区域的正常供电。因此，研究变压器故障诊断技术，识别变压器异常状态，快速对异常变压器进行检修，对提高电网的运维管理能力有着重要作用。

目前，针对变压器放电故障和机械故障，通常采用不同的判别手段识别故障类型。放电故障的诊断多采用脉冲电流法[3]、超高频检测[4]等。脉冲电流法对变压器的放电异常较为敏感，根据变压器的视在放电量判断变压器的放电水平，但在现场实际操作中变压器周围存在较强的电磁干扰（电晕放电和开关动作等），这些干扰同放电信号类似，易引起误导的同时还会淹没期望原始放电信号，导致故障的误判。

超高频检测主要通过接收变压器放电时所激发的超高频电磁波实现放电故障的识别，而现场的电磁干扰位于300MHz频段以内，超高频检测可有避免干扰对结果的影响。欧阳旭东[5]多次使用超高频检测方式对在运变压器进行带电试验，有效识别了放电性缺陷，证明了该方法在变压器局部放电检测中的有效性，但超高频检测难以评估放电的严重程度，且缺少视在放电量的标定，导致该方法难以有效表征变压器实际绝缘状况。

变压器机械故障的诊断多采用振动分析[6]、油色谱分析[7]等。振动检测运用于机械故障的诊断已较为成熟，通过对振动信号的时频域分析判断设备的机械状态，马宏忠[8]借助变压器绕组振动机理，结合基频及其倍频分量等特征提出了基频折算模型，有效诊断出变压器绕组内部故障，然而采用振动的方式进行检测不可避免的需将振动传感器与变压器外壳相接触，除了现场安装维护烦琐外，安全距离也是影响该方法普及的重要因素。

油色谱原理为变压器在不同运行状态下油液中所溶解的气体含量有所不同，根据这一特性，薛浩然将各气体含量比值作为特征参量，并利用布谷鸟算法与支持向量机的故障诊断模型进行变压器故障判断，研究结果表明，该方法可有效检测变压器机械状态，但油色谱检测周期较长无法有效判断故障早期的异常状况[9]，且该方法只适用于油浸式变压器，具有较大的局限性。

变压器发生故障时，除了产生振动信号和放电信号，同时也会向外辐射声音信号，由于声音来源放电和振动，放电和振动信号中包含的变压器故障信息同时，也会在声音信号中保留下来，因此声学诊断方法可以有效识别变压器的异常状态，并且可以有效追踪变压器的状态变化，且声信号的采集依托传声器，而传声器与变压器之间相互独立，不会干扰变压器的运行，有效避免了安全距离的局限性。

基于此，本文将变压器辐射声信号运用于变压器放电故障，以及机械故障的识别之中。结合变压器运行机理提取声信号特征，并利用这些特征作为评估指标，结合支持向量机模型进行变压器的状态识别。

1 声纹特征提取

1.1 数据预处理

变压器声信号由于受到传声器零点漂移或者现场环境的影响，数据真实性可能会有所偏离，导致分析结果存在较大误差。本文使用时域差值的波形修正算法[10]消除趋势项。

式中，N为采样长度。取y'（0）=0，并利用最小二乘法对y'（k）进行一次拟合逼近趋势项，最后用y'(k)减去趋势项即可获取真实信号。

1.2 特征量选取

当变压器运行状态发生变化时，其声学特征量也会发生变化，目前变压器故障特征量多采用时域、频域特征，而这些普适特征不具有代表性，运用于变压器的故障诊断缺少有效的理论支撑，故障类型同特征参量映射联系较小，难以有效识别变压器的运行状态，因此寻求具有代表性的特征量成为变压器故障诊断的重中之重。

大量现场实测数据表明，变压器噪声频率的分布较为单一，正常运行时的噪声信号多以100Hz的基频为主，偶尔会出现50Hz及奇数倍频的现象，偶次能量占比较高，且噪声能量主要集中在700Hz频段内，频率复杂度较低；当变压器发生故障时，各频段分量的幅值会有所变化，相应的熵值也会发生改变，可由小波包能量熵作为参考依据。文中提出了基频占比、奇偶次谐波比、小波包能量熵以及频率复杂度作为变压器故障特征量，其计算公式如下：

基频占比则是基频信号占总体信号能量的比重 ：

奇偶次谐波比[11]为：

式中，f2n为变压器声信号的偶次谐波，f2n-1为信号的奇次谐波，N表示为0～2000Hz内50Hz的谐波数。

将变压器声信号进行j层分解之后，获得小波包序列Sji（i= 0～2j-1），由此得到各小波包的测度：

式中，SF（j,i）（l）表示sji序列进行傅里叶变换后的第l个值，N为信号的长度。

由信息熵理论可知，小波包能量熵[12-13]为：

式中，Hjl表示j层第l个小波包能量熵。

频率复杂度为[14]为：

式中，C表示频率复杂度，Ai为第i个50Hz倍频谐波的幅值，Mi为第i个50Hz倍频谐波占0～2000Hz内的幅值比重。

2 现场试验测试

本文对变压器的放电、绕组松动两种故障类型进行分类判别，分析对象为一台型号为SC 800/10的干式变压器，额定电压un为10kV，现场试验如图1所示。为减少试验过程中环境噪声对试验结果的干扰，本次试验在半消声室内进行，试验采用控制变量的方式，通过外加铜丝导线以及控制绕组预紧力的方式制造放电及绕组松动的故障。试验依据GB/T 1094.10—2003（IEC 60076-10：2001，MOD）“电力变压器第10部分：声级测定”规定的声强、声压法测量实施方案，将三个传声器放置于距变压器的1m处的三相前侧进行声信号的采集，传声器布置如图2所示。试验将根据表1工况分别进行放电、绕组松动的故障模拟，采样频率为48kHz，采样时间为5s。进行试验时，传声器采集干式变压器辐射的声信号，并通过数据采集仪将声信号转化为通用型数据格式，利用对样本数据进行分析处理。

3 变压器状态识别

对采集的变压器声信号进行消除趋势项的预处理，预处理后各个工况下的时域波形图如图3所示。将处理后的信号以0.5s的长度分帧，在提取各工况分帧信号的特征值前，需对分帧信号加窗，减少截断时所导致的频谱泄漏现象，经大量试验测试，采用Hamming窗可有效地反映短时信号的频率特性，对加窗后的声信号进行傅里叶变换，并以此提取特征值。为提升后续支持向量机中算法的收敛速度，对特征值进行归一化处理。

特征提取之后需建立变压器状态识别模型，将试验样本进行划分，不同工况下的样本各100个，其中75个列为训练样本，25个列为测试样本，将故障类型进行标签分类，见表2。

表2 故障类型标签

为建立分类标签同变压器特征参量之间的映射关系，选取高斯核函数作为核函数建立基于支持向量机的变压器状态识别模型：

式中，K（|x-y|）为高斯核函数，y为核函数的中心，σ表示函数的宽度参量。使用带惯性权重ω的粒子群算法对支持向量机中的惩罚参数c和宽度参量σ进行选优，种群大小N=200，惯性权重ω=0.9，学习常数C1=1.4，C2=1.6。

经粒子群优化算法优化，SVM模型具有较高的判别率，分类准确度达到94.4%，采用该模型对测试集进行预测，预测结果如图4所示。在共计250个测试集中，有234个样本的预测分类和故障的实际分类相一致，即该模型关于变压器状态识别的准确度达93.6%，诊断结果见表3。

表3 测试集诊断结果

4 结语

本文对变压器放电及绕组故障的声信号进行了分析，将基频占比、奇偶次谐波比、小波包能量熵以及频率复杂度作为表征变压器故障的关键特征参量，并以此建立的变压器状态识别模型，该模型对变压器的放电及绕组松动的检测准确率达93.6%，对变压器设备状态检测具有一定指导意义。由于条件的限制，模型的建立及验证都来自同一台变压器的数据，后续将该方法进一步拓展至其他不同电压等级的变压器。