Page 124 - 《应用声学》2024年第1期

120 2024 年 1 月

with the “time-frequency + transformer network with multi-head self-attention mechanism” and the “MDF+
visual converter with multi-head attention mechanism”, which is about 6%, and also has better robustness,
which can provide a certain reference for the research on the detection of faults in electrical equipment.
Keywords: Motif difference field; Multi-head self-attention mechanism; Transformer; State identification

深度学习是一种可靠的智能辨识技术，凭借学
0 引言
习性能优异、适应性强等优势逐渐被应用于机械设
电力变压器是输变电设备中的核心设备，其主 备的智能诊断领域。王昕等 [11] 提出一种基于迁移
要用于电压转换和电能分配 [1] 。变压器结构复杂， 学习和卷积神经网络的电力设备图像识别方法，并
在长期运行后不可避免地存在问题，因此其故障率 利用实际数据验证了所提方法能够提升学习效率
一直居高不下 [2] 。因此，开展电力变压器故障检测 和精度；黄文礼等 [12] 针对变压器结构复杂、维护成
与诊断方法研究，及时有效识别变压器故障，对于保 本高等特点，提出一种基于深度学习的变压器故障
障电网安全、减少经济损失有着重要的意义。 信号识别算法，并基于实验证明了所提方法的可行
变压器最为常见的故障主要分为以下 3 种：绝 性。然而，上述方法仍存在一定不足：常规神经网络
缘故障、过热故障及机械故障。当设备部件出现故 难以充分利用时间序列数据的内在特性，可能会造
障后，会向外辐射温度、电磁、光学以及振动信号，常 成部分信息的丢失进而使得辨识精度下降。同时常
规变压器状态检测方法也主要针对上述状态量展 规深度神经网络往往是一个黑箱模型，难以明晰其
开分析，如油色谱检测、红外热成像检测、局放检测 内部工作原理与辨别逻辑。
等 [3−4] 。由于电力变压器在运行过程中形成的振动 近期，Zhang 等提出了一种图形差分场 (Motif
信号会向外辐射为声信号，可作为设备缺陷有效的 difference field, MDF) 方法 [13] ，该方法在将一维时
诊断依据。相比于其他常规检测方法，声学检测凭 域信号转化为二维图像的同时，充分保留了时域信
借其非接触式检测安全、测试简单、无需停电等特 号的时间参量信息与非线性特征，进而在时间序列
点，非常适合于数量众多的变压器设备状态检测，因 预测领域得到了应用 [14] 。但目前在电力设备的状
此也成为了近些年的研究热点 [5−6] 。 态监测领域还未见文献介绍。
针对于变压器的声学信号检测处理方法主要 针对上述问题，提出了一种基于 MDF 信号增
有：傅里叶变换、小波包变换等，利用上述方法获取 强和多头自注意力机制的变压器工作状态辨识方
设备不同状态下的时频特征以进一步挖掘深层状 法。通过搭建 10 kV 电力变压器设备的缺陷模拟
态特征。钱苏翔等 [7] 针对变压器绕组故障难以辨识 实验系统，模拟了变压器正常状态、绕组松动状
问题，提出了一种基于频率响应法和小波包特征能 态、铁芯松动状态以及表面放电 4 种典型缺陷，采
量提取的变压器故障诊断方法，实验验证了方法的 集了相应状态的声纹信号，借助 MDF 技术将一维
可靠性；耿琪深等 [8] 提出了一种基于 Gammatone 时域信号映射为二维图像，利用多头自注意力机
倒谱系数和鲸鱼算法优化随机森林的变压器机械 制的 Vision Transformer 分类模型实现了电力变压
故障声诊断方法，对某 10 kV 干式变压器正常与典 器设备状态的有效辨识，并引入梯度加权类激活
型机械故障下声信号的计算结果表明，该诊断方法 映射(Gradient-weighted class activation mapping,
能够较好地识别出故障信号，并具有良好的抗噪性 Grad-CAM)突出了模型的可解释性。
能和鲁棒性。尽管基于声纹信号的变压器状态监测
方法获得了良好的效果，但目前该方法的特征提取 1 理论介绍
仍以人工为主，需要操作人员具备丰富的声学信号
分析及状态监测经验；同时，由于电力变压器应用场 1.1 MDF
景广、应用数量多、运行周期长，采集获得的声纹监 MDF 是一种将时间序列转换为图像的方法，
测数据往往呈现海量化、多模态化的特征，人工操 具备提高时间序列的可视化和特征提取效果等优
作将耗费大量时间精力，因此亟需一种智能化的变 势，目前主要应用于时间序列的复杂性测量、动态
压器状态在线监测方法 [9−10] 。 系统表征等领域 [13] 。