Page 133 - 《应用声学》2024年第1期

第 43 卷 第 1 期 张寒等： 声纹信号 -图形差分场增强和多头自注意力机制的变压器工作状态辨识方法 129

光晕区域则主要集中在右上角；放电缺陷类激活图 blackout in great Britain power grid on August 9th, 2019
中的光晕范围覆盖极大，几乎包含所有能量较高的 and its enlightenment to power grid in China[J]. Proceed-
ings of the CSEE, 2019, 39(21): 6183–6192.
狭窄脉冲束。综上，4 种状态下 MDF 图像的类激活
[3] 汲胜昌, 王世山, 李清泉, 等. 用振动信号分析法监测变压器绕
权重关注区域皆不相同，这进一步解释了深度学习 组状况 [J]. 高电压技术, 2002(4): 12–13, 15.
网络进行分类辨识的计算依据，表明所提方法的分 Ji Shengchang, Wang Shishan, Li Qingquan, et al. The
类辨识结果具有较强的可信度。 application of vibration method in monitoring the condi-
tion of transformer winding[J]. High Voltage Engineering,
2002(4): 12–13, 15.
3 结论 [4] 尚勇, 闫春江, 严璋, 等. 基于信息融合的大型油浸电力变压
器故障诊断 [J]. 中国电机工程学报, 2002, 22(7): 115–118.
针对电力变压器运行状态感知能力的不足，提 Shang Yong, Yan Chunjiang, Yan Zhang, et al. Synthetic
出了一种基于非接触式声纹信号检测的 MDF 信号 insulation fault diagnostic model of oil-immersed power
transformers utilizing information fusion[J]. Proceedings
增强和多头自注意力机制的变压器工作状态辨识
of the CSEE, 2002, 22(7): 115–118.
方法，进行了包含变压器典型状态的模拟实验，所得 [5] 王丰华, 王邵菁, 陈颂, 等. 基于改进 MFCC 和 VQ 的变
结论如下： 压器声纹识别模型 [J]. 中国电机工程学报, 2017, 37(5):
(1) 提出了一种针对于电力变压器声纹信号的 1535–1543.
Wang Fenghua, Wang Shaojing, Chen Song, et al.
映射方法，利用该方法可实现变压器不同状态的深 Voiceprint recognition model of power transformers based
层感知与有效表征； on improved MFCC and VQ[J]. Proceedings of the CSEE,
(2) 搭建了 10 kV电力变压器的缺陷模拟系统， 2017, 37(5): 1535–1543.
[6] 邵宇鹰, 王枭, 彭鹏, 等. 基于声场听觉感知的变压器故障诊
模拟了变压器正常状态、绕组松动状态、铁芯松动
断方法研究 [J]. 中国测试, 2021, 47(3): 92–97.
状态以及表面放电 4 种典型缺陷，计算结果表明：所 Shao Yuying, Wang Xiao, Peng Peng, et al. Research
提方法能够实现变压器不同状态的有效辨识，且辨 on transformer fault diagnosis method based on auditory
perception of sound field[J]. China Measurement & Test,
识精度相较于常规方法有显著提升，提升约 6%；在
2021, 47(3): 92–97.
实测信号中加入高斯白噪声干扰模拟实际运行环 [7] 钱苏翔, 杜琦, 顾小军, 等. 基于小波包特征能量提取的变压器
境下干扰，在SNR为4 dB 情况下，所提方法的辨识 绕组变形故障诊断 [J]. 机械设计与制造, 2012(9): 135–137.
准确率仍大于 90%，相较于常规方法具备较强的鲁 Qian Suxiang, Du Qi, Gu Xiaojun, et al. Transformer
winding deformation fault diagnose based on energy fea-
棒性； ture extraction by wavelet packet[J]. Machinery Design &
(3) 对所提方法的分类辨识结果进行了可解释 Manufacture, 2012(9): 135–137.
性分析，验证了模型分类辨识结果的可信度。 [8] 耿琪深, 王丰华, 金霄. 基于 Gammatone 滤波器倒谱系数与
鲸鱼算法优化随机森林的干式变压器机械故障声音诊断 [J].
限于实验数据的有限性，在后续的工作中，笔
电力自动化设备, 2020, 40(8): 191–199, 224.
者计划增加更多缺陷类型的测试数据，并进一步引 Geng Qishen, Wang Fenghua, Jin Xiao. Mechanical
入包含不同电压等级的变压器实际故障数据，以验 fault sound diagnosis based on GFCC and random for-
est optimized by whale algorithm for dry type trans-
证和提高方法的辨识准确率与鲁棒性。
former[J]. Electric Power Automation Equipment, 2020,
40(8): 191–199, 224.
[9] 张朝龙, 何怡刚, 杜博伦, 等. 基于深度学习的电力变压器智能
参 考 文 献 故障诊断方法 [J]. 电子测量与仪器学报, 2020, 34(1): 81–89.
Zhang Chaolong, He Yigang, Du Bolun, et al. Intelli-
[1] 祝丽花, 杨庆新, 闫荣格, 等. 考虑磁致伸缩效应电力变压器 gent fault diagnosis method of power transformer using
振动噪声的研究 [J]. 电工技术学报, 2013, 28(4): 1–6, 19. deep learning[J]. Journal of Electronic Measurement and
Zhu Lihua, Yang Qingxin, Yan Rongge, et al. Research on Instrumentation, 2020, 34(1): 81–89.
vibration and noise of power transformer cores including [10] 邵宇鹰, 王枭, 彭鹏, 等. 基于声成像技术的电力设备缺陷检
magnetostriction effects[J]. Transactions of China Elec- 测方法研究 [J]. 中国测试, 2021, 47(7): 42–48.
trotechnical Society, 2013, 28(4): 1–6, 19. Shao Yuying, Wang Xiao, Peng Peng, et al. Research
[2] 孙华东, 许涛, 郭强, 等. 英国 “8·9” 大停电事故分析及 on defect detection method of power equipment based
对中国电网的启示 [J]. 中国电机工程学报, 2019, 39(21): on acoustic imaging technology[J]. China Measurement &
6183–6192. Test, 2021, 47(7): 42–48.
Sun Huadong, Xu Tao, Guo Qiang, et al. Analysis on [11] 王昕, 赵飞, 蒋佐富, 等. 迁移学习和卷积神经网络电力设备