Page 55 - 《应该声学》2022年第2期

第 41 卷 第 2 期 王磊磊等： 基于听觉谱特征的变压器绕组状态检测研究 223

集与本文所提方法相同，训练集包括两种工况样本 的能量、功率熵和峭度这 3类特征，可将识别准确率
各70 个，测试集各包括 30 个，使用支持向量机进行 进一步提高到97.64%；
分类，得到各种方法的识别准确率如图7所示。 (3) 通过将本文所提方法与传统方法进行比较，
发现基于听觉谱的单个特征和融合特征的识别准
100 ᝫጷᬷ ฾តᬷ
确率均高于传统的时域、频域和时频域特征，这证
80 明了该方法更具有优越性。
គѿюᆸဋ/% 60 压器，即训练数据与测试数据来自于同一台变压器。
受试验条件限制，本文的研究工作基于一台变

后期将在该工作的基础上，增加同型号变压器的故
40
障模拟试验，研究所提算法在非训练同型设备上诊
20
断性能。
0
Kurtosis FBD ESEH SC SEI MFCC ASF
គѿྲढ़
参 考 文 献
图 7 不同特征参数的识别准确率对比
[1] 刘兴发, 唐雨萌, 周兵, 等. 65 dB 以下变压器噪声暴露对 SD
Fig. 7 Comparison of recognition accuracy with
大鼠神经递质和海马区神经组织的影响实验研究 [J]. 高电压
different feature parameters
技术, 2017, 43(8): 2486–2495.
由图 7可知，在传统特征提取方法中，时频域特 Liu Xingfa, Tang Yumeng, Zhou Bing, et al. Experimen-
tal study on the effects of transformer noise exposure be-
征识别准确率显著高于时域和频域特征，最高达到
low 65 dB on neurotransmitters and neural tissue in hip-
81.43%，这是因为变压器声信号为非平稳信号，单 pocampus of SD rats[J]. High Voltage Technology, 2017,
纯的时域特征或频域特征都不能完整地表征采集 43(8): 2486–2495.
信号的信息，而时频域特征可以弥补这一缺陷，从而 [2] 赵莉华, 丰遥, 谢荣斌, 等. 基于交叉小波的变压器振动信号
幅频特征量提取方法 [J]. 高电压技术, 2019, 45(2): 505–511.
实现了更高的识别准确率。MFCC 也实现 87.14%
Zhao Lihua, Feng Yao, Xie Rongbin, et al. Amplitude
的识别准确率，且该特征也考虑到了某些听觉特性， frequency feature extraction method of transformer vibra-
这也从侧面说明了听觉系统在声信号识别方面的 tion signal based on cross Wavelet[J]. High Voltage Tech-
优势。虽然上述两种特征在变压器绕组松动识别时 nology, 2019, 45(2): 505–511.
[3] 杨毅, 刘石, 张楚, 等. 基于振动分布特征的电力变压器绕组
表现出优异的性能，但是它们的识别准确率仍然低
故障诊断 [J]. 振动与冲击, 2020, 39(1): 199–208.
于本文所提的基于听觉谱的特征。与时频域特征相 Yang Yi, Liu Shi, Zhang Chu, et al. Winding fault di-
比，听觉外周模型在处理信号时体现出基底膜的选 agnosis of power transformer based on vibration distribu-
频特性，实现了信号在不同频率段的分解，类似于 tion characteristics[J]. Vibration and Shock, 2020, 39(1):
199–208.
一种时频分析方式，因此提取的特征信息全面；与 [4] 汲胜昌, 王世山, 李清泉, 等. 用振动信号分析法监测变压器
MFCC相比，听觉谱特征实现了更高的识别准确率， 绕组状况 [J]. 高电压技术, 2002, 4(1): 12–13, 15.
可能与听觉外周模型考虑了锁相特性和外毛细胞 Ji Shengchang, Wang Shishan, Li Qingquan, et al. Mon-
itoring transformer winding condition by vibration signal
的主动放大机制等更多的听觉特性有关。
analysis[J]. High Voltage Technology, 2002, 4(1): 12–13,
15.
5 结论 [5] 王洪方, 王乃庆, 李同生. 变压器绕组轴向预紧力对绕组轴向
振动特性的影响 [J]. 电网技术, 1999, 23(9): 8–11, 18.
本文提出了一种基于听觉谱特征的变压器绕 Wang Hongfang, Wang Naiqing, Li Tongsheng. Influence
组松动识别方法。通过试验测试，得到如下结论： of transformer winding axial preload on winding axial vi-
bration characteristics[J]. Power Grid Technology, 1999,
(1) 不同预紧力工况的变压器声信号经过听觉
23(9): 8–11, 18.
外周模型处理后，得到听觉谱具有显著差异，高预紧 [6] 梁小冰, 王耀龙, 黄萍, 等. 基于 DGA 的变压器故障诊断多专
力状态下的听觉谱峰值分布于低频，低预紧力状态 家融合策略 [J]. 电力系统自动化, 2005(18): 80–84.
下的听觉谱峰值分布于中高频； Liang Xiaobing, Wang Yaolong, Huang Ping, et al. Multi
expert fusion strategy for transformer fault diagnosis
(2) 听觉谱特征为有效识别特征，单个听觉谱
based on DGA[J]. Power System Automation, 2005(18):
特征即可实现较高的识别准确率；通过融合听觉谱 80–84.