一种对变压器直流偏磁异常进行辨识的方法及系统与流程

本发明涉及变压器直流偏磁异常辨识技术领域，更具体地，涉及一种对变压器直流偏磁异常进行辨识的方法及系统。

背景技术：

随着我国特高压输电工程的规模的逐渐扩大，直流输电线路的数量和电压等级不断增长，交直流混合输电所产生的直流偏磁问题日益严峻，而特高压输电工程中普遍采用的三相组式单相变压器的直流偏磁问题尤为突出。由于铁心磁滞回线存在非线性特性，直流偏磁会引起励磁电流发生严重畸变，不但会导致电力变压器的铁心及金属附件产生局部过热进而引发变压器绝缘材料的热老化加速，另外也会导致磁致伸缩加剧，引发变压器铁心振动增强，如不及时处理将引起铁心夹件松动等机械结构稳定性问题。因此，针对交直流混合输电系统中的变压器等关键输电设备，应着重加强直流偏磁的在线监测工作，为设备的状态评估和检修计划制定提供数据支撑和参考。

目前，变压器的直流偏磁状态研究可分为电气量和非电气量两类。变压器的直流偏磁电气量研究依靠计算单相变压器在直流偏磁工况下的激磁电流并进行有限元仿真或构建变压器的电路-磁路模型。这类方法的优势是具有很强的解释性，但目前此类方法存在对模型参数精度要求较高，参数获取困难，模型较为复杂等问题，因此难以实现工程应用；变压器的非电气量研究多集中在振动和声音范畴，变压器等设备在运行过程铁芯、绕组等结构会发生振动并产生机械波，产生的振动和声音信号包含了大量的设备状态信息。此类方法的优势在于传感器无需与变压器之间产生电磁耦合，在变压器的在线监测、不停电检测等工作中具有很强的优势，缺点在于变压器的状态和振动及噪声之间的耦合非常复杂，使用传统的信号分析手段难以获取广泛适用于各类变压器的关键特征量，因此不能形成有效的模式识别方法。

振动量和声音量都包含大量的设备状态信息，由于变压器的振动信号和声音信号相比具有更强的抗干扰能力，因此目前关于变压器的状态监测研究多集中在振动信号的研究，但是振动信号采集对于布点位置的要求更为严格，较小的布点偏移将导致测量结果产生很大的变化，这不利于不同型号变压器振动数据统一化，而声音信号则能很好地解决空间敏感度过高的问题。现有的声信号分析方法多采用声级测定，小波变换，经验模态分解等传统机器学习方法，容易造成声纹特征的流失，且无法持续在线监测。

因此，需要一种技术，以实现对变压器直流偏磁异常进行辨识。

技术实现要素：

本发明技术方案提供一种对变压器直流偏磁异常进行辨识的方法及系统，以解决如何对变压器直流偏磁异常进行辨识的问题。

为了解决上述问题，本发明提供了一种对变压器直流偏磁异常进行辨识的方法，所述方法包括:

对采集的变压器的含噪声信号进行干扰噪声信号分离，获取分离后的去噪声信号；

通过对所述去噪声信号进行特征提取，获取降维后的去噪声信号，并将所述降维后的去噪声信号转换为声信号时频谱图；

将所述声信号时频谱图转变为倒谱系数，根据时间序列和所述倒谱系数，对声音频谱的异常进行识别。

优选地，所述对采集的变压器的含噪信号进行干扰噪声信号分离，获取分离后的去噪信号，包括：

基于相似矩阵的盲源分离法分离瞬时干扰噪声信号；

通过双通道差分法分离持续干扰噪声信号。

优选地，所述干扰噪声信号包括：

瞬时干扰噪声信号和/或持续干扰噪声信号。

优选地，还包括：分别在位于变压器的两个长端面的居中位置设置所述变压器的声信号采集点。

优选地，所述通过双通道差分法分离持续干扰噪声信号，包括：

分别对第一采集点采集的第一变压器含噪信号和第二采集点采集的第二变压器含噪信号进行傅里叶变换，得到第一频域信号和第二频域信号；

基于所述第一频域信号和所述第二频域信号中各频段声音传播存在强度衰减并且不发生频移，基于持续干扰噪声和变压器本体声音的声音强度变化率获取任一采集点的持续干扰噪声和变压器本体声音的频域信号；

根据所述持续干扰噪声和所述变压器本体声音的频域信号分离持续干扰噪声信号。

基于本发明的另一方面，提供一种对变压器直流偏磁异常进行辨识的系统，所述系统包括:

分离单元，用于对采集的变压器的含噪声信号进行干扰噪声信号分离，获取分离后的去噪声信号；

降维单元，用于通过对所述去噪声信号进行特征提取，获取降维后的去噪声信号，并将所述降维后的去噪声信号转换为声信号时频谱图；

识别单元，用于通过将所述声信号时频谱图转变为倒谱系数，根据时间序列和所述倒谱系数，对声音频谱的异常进行识别。

优选地，所述分离单元用于对采集的变压器的含噪信号进行干扰噪声信号分离，获取分离后的去噪信号，还用于：

基于相似矩阵的盲源分离法分离瞬时干扰噪声信号；

通过双通道差分法分离持续干扰噪声信号。

优选地，所述干扰噪声信号包括：

瞬时干扰噪声信号和/或持续干扰噪声信号。

优选地，还包括采集单元，用于：分别在位于变压器的两个长端面的居中位置设置所述变压器的声信号采集点。

优选地，所述分离单元用于通过双通道差分法分离持续干扰噪声信号，还用于：

分别对第一采集点采集的第一变压器含噪信号和第二采集点采集的第二变压器含噪信号进行傅里叶变换，得到第一频域信号和第二频域信号；

基于所述第一频域信号和所述第二频域信号中各频段声音传播存在强度衰减并且不发生频移，基于持续干扰噪声和变压器本体声音的声音强度变化率获取任一采集点的持续干扰噪声和变压器本体声音的频域信号；

根据所述持续干扰噪声和所述变压器本体声音的频域信号分离持续干扰噪声信号。

本发明技术方案提供一种对变压器直流偏磁异常进行辨识的方法及系统，其中方法包括:对采集的变压器的含噪声信号进行干扰噪声信号分离，获取分离后的去噪声信号；通过对去噪声信号进行特征提取，获取降维后的去噪声信号，并将降维后的去噪声信号转换为声信号时频谱图；将声信号时频谱图转变为倒谱系数，根据时间序列和倒谱系数，对倒谱系数的异常进行识别。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明优选实施方式的对变压器直流偏磁异常进行辨识的方法流程图；

图2为根据本发明优选实施方式的脚步声干扰信号盲源分离过程示意图；

图3为根据本发明优选实施方式的双通道差分法流程图；

图4为根据本发明优选实施方式的变压器本体声音与散热风机声音混合信号的分离效果示意图；

图5为根据本发明优选实施方式的信号时频域转换示意图；

图6为根据本发明优选实施方式的基于50fmccs-gru的异常辨识系统示意图；以及

图7为根据本发明优选实施方式的对变压器直流偏磁异常进行辨识的系统结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明优选实施方式的对变压器直流偏磁异常进行辨识的方法流程图。本申请实施方式从电网设备运检需求出发，结合公司运检专业特点和构建智能运检体系的发展趋势，开展基于声学指纹深度学习的电力变压器直流偏磁辨识方法及相关系统设计工作。通过人工智能技术与传统运检业务的融合，实现大型电力变压器的直流偏磁工况的智能识别。可为泛在电力物联网建设中的设备运维、检修和生产管理智能化提供支撑，实现设备智能化、运维智能化、检修智能化以及生产管理智能化，提高设备状态管控力和运检管理穿透力，实现数据驱动运检业务创新发展和效率提升，全面推动运检工作方式和生产管理模式的革新。如图1所示，一种对变压器直流偏磁异常进行辨识的方法，方法包括:

优选地，在步骤101：对采集的变压器的含噪声信号进行干扰噪声信号分离，获取分离后的去噪声信号。优选地，对采集的变压器的含噪信号进行干扰噪声信号分离，获取分离后的去噪信号，包括：基于相似矩阵的盲源分离法分离瞬时干扰噪声信号；通过双通道差分法分离持续干扰噪声信号。优选地，干扰噪声信号包括：瞬时干扰噪声信号和/或持续干扰噪声信号。

优选地，还包括：分别在位于变压器的两个长端面的居中位置设置变压器的声信号采集点。优选地，通过双通道差分法分离持续干扰噪声信号，包括：分别对第一采集点采集的第一变压器含噪信号和第二采集点采集的第二变压器含噪信号进行傅里叶变换，得到第一频域信号和第二频域信号；基于第一频域信号和第二频域信号中各频段声音传播存在强度衰减并且不发生频移，基于持续干扰噪声和变压器本体声音的声音强度变化率获取任一采集点的持续干扰噪声和变压器本体声音的频域信号；根据持续干扰噪声和变压器本体声音的频域信号分离持续干扰噪声信号。

本申请首先对干扰噪声源进行分析，变压器的声纹诊断一直以来都未得到广泛应用的主要原因在于：在现场收集声音数据过程中，经常会存在各类干扰噪声，给变压器本体声音的处理与故障诊断带来困扰。因此，在进行深度神经网络训练或实际应用时都应首先对声音信号进行去噪处理。经过对变电站的实地声音信号采集，本申请按照干扰信号特点对变压器运行环境下可能存在的干扰信号分类罗列如下：

表1干扰信号的分类和主要特征

由于变压器声信号会受到的干扰较为复杂，干扰信号类型也有所不同。首先，持续弱干扰类中的电晕放电和瞬时干扰类中的鸟鸣的干扰频带都与变压器本体频带(0-4000hz)无交集，因此可以不用考虑。而对于其他的干扰，本文将使用以下两种算法对变电站的声音信号进行处理：1)对于瞬时干扰信号，采用基于相似矩阵的盲源分离法；2)对于持续强干扰信号，采用双通道差分法。

本申请基于相似矩阵的盲源分离法分离瞬时信号。盲源分离为少量先验源信号的情况下从混叠信号中分离和提取各种源信号的方法。该方法普遍用于分离非稳定信号和连续稳定信号。

在变压器声音采集过程中，鸟鸣等瞬时类干扰在变电站的干扰种类中占据绝大部分。此类干扰的共同特性是持续时间短且干扰信号的能量分布集中，而变压器本体声音则是连续稳定的信号。因此，本申请使用基于相似矩阵的盲源分离方法将瞬时干扰信号从原始声音中剥离，从而排除无关干扰，提高后续识别算法的准确率和效率。

首先将频谱w按列取距离范数并进行归一化，计算每一帧信号之间的相似性得到相似矩阵s其每一点(i,k)对应频谱w中第i帧与第k帧特征向量之间的余弦相似度，相似矩阵计算公式为：

其中，变量m为帧序号，1≤m≤n，n为时频谱的帧长。

相似矩阵通过计算各帧之间的差异，因此对周期性信号不敏感，而瞬时干扰声音信号相对于变压器本体声音信号更具稀疏性和波动性。定义重复谱模型v为矩阵s各频段的中值滤波值，它代表了频谱每一帧与其相似帧向量相关度。用于滤波的重复谱v应小于等于原频谱w，即：

f＝min(v，w)(2)

通过中值滤波得到重复谱模型并不准确，为了更加准确地分离干扰信号，本申请采用维纳滤波法(最小均方差滤波)对重复谱模型进行改进，维纳滤波标准方程为：

rxs(m)＝σih(i)rxx(m-i),m≥0(3)

其中，rxs为期望信号与实际信号的互相关函数，rxx为自相关函数，h即为最小均方差下的最佳滤波系数。

最后使用时频掩蔽提取原始信号重复特征，即可分离出背景时频谱与前景时频谱。为验证算法有效性，本文截取了现场实测数据中包含各类干扰的片段，进行盲源分离得到的瞬时干扰信号、变压器本体信号与原始现场实测信号的时频谱图进行对比。如图2所示。图2中为第一张图为混杂有脚步声信号的变压器声信号，通过基于相似矩阵的盲源分离法可分离出脚步声信号和平稳背景信号。

本申请通过双通道差分法分离持续干扰信号，在信号采集阶段需要使用两个同型号声音传感器进行同步采集。传感器布置位置需保证两个传感器的位置具有一定距离，目的在于保证接收到的两组信号中，风机声与变压器本体声占比不同。由于两个传感器位置不同但同处同一介质中，各频段声音传播仅存在强度衰减但不发生频移。若求得风机和变压器本体的声音强度变化率即可算得任意通道处的风机声音、变压器本体的频域信号，从而达到分离风机声音和变压器本体声音的目的。

首先，需将两通道信号进行傅里叶变换得到频域信号，并通过50hz倍频梳状滤波器。每个通道采集到的信号皆由风机和变压器本体的两个声源发出的信号组成；

下一步，需要先划分两通道信号中各频率分量的声源构成。可按照各频段声源构成将分为三个相互独立的子集：p1为纯粹由变压器本体产生的频率点序号集合，p2为纯粹由风机产生的频率点的序号集合，p3为由变压器和风机共同构成的频率点的序号集合；

由于属于同一声源中的两个频率点的声音强度会在传播过程中按同一变化率衰减，因此两频率点声强之比在变换位置后并不会发生变化，属于不同声源的两频率点声强之比在变换位置后会产生变化，根据该条件，可确定分别确定集合p1和p2；本申请可计算出声音强度变化率；最后，根据声音强度变化率计算得到两通道信号中分离后的风机声音、变压器本体声音的频域向量。

具体步骤如图3所示，在信号采集阶段需要使用两个同型号声音传感器进行同步采集。传感器布置位置需保证两个传感器的位置具有一定距离，目的在于保证接收到的两组信号中，风机声与变压器本体声占比不同。由于两个传感器位置不同但同处同一介质中，各频段声音传播仅存在强度衰减但不发生频移。若求得风机和变压器本体的声音强度变化率即可算得任意通道处的风机声音、变压器本体的频域信号，从而达到分离风机声音和变压器本体声音的目的。分析效果如图4所示，变压器本体声音与散热风机声音混合信号的分离效果，通梳状滤波器结合差分法得到的分离结果与原始变压器本体声音基本一致。

优选地，在步骤102：通过对去噪声信号进行特征提取，获取降维后的去噪声信号，并将降维后的去噪声信号转换为声信号时频谱图。

本申请对原始信号降维处理，由于变压器声音原始信号中包含很多信息，但也存在许多冗余信息。为了充分利用计算机计算资源、提高识别模型的性能，首先需要对变压器原始声音信号进行降维处理。由于变压器振动是声音产生的源头，因此为了得到性能更好的降维处理方式，需要先对变压器运行状态振动规律进行分析。

在传统的语音识别领域的算法中，通常使用梅尔倒谱系数(mfccs，mel-frequencycepstrumcoefficents)对语音信号进行特征提取。人耳的听觉系统对各频段的频率感知敏感度是不同的，mfccs主要优势在于利用了基于人类听觉感知实验得到的mel非线性频谱对声音信号进行特征提取。而本申请参考mfccs思路，依据变压器声音信号频率特性，提出了一种针对变压器声音模式识别的特征提取的方法，来实现对音频信号的降维处理。

(1)首先对原始信号进行分帧、加窗和短时离散傅里叶变换处理

分帧：由上一小节对变压器运行状态振动规律分析可知，由于变压器声信号主要为50hz倍频，因此为了保证不遗漏信息，进行短时快速傅里叶变换时的帧长应不小于0.02s。基于该结论，本申请以时长为1s的变压器声音信号作为一个样本，对样本进行分帧处理，每帧取帧长为0.04s，帧移为0.01s，按时域将每个样本分隔为97帧。

加窗：将每帧时域数据进行加窗处理，目的是为了削弱下一步要进行的傅里叶变换带来的失真影响。本申请选取的是具有较好的时间和频率聚集特性的汉明窗(hamming)：

其中，n为汉明窗的长度。

短时离散傅里叶变换(stft，short-timefouriertransform)：随后对加窗后的声音信号进行stft，计算公式为：

其过程如图3所示。

(2)对每一帧进行周期能量谱估计

pi(k)能量谱估计数组。

(3)设计50hz倍频三角滤波器组

根据变压器声音频率特性分析，本申请设计了50hz倍频三角滤波器组，首先需要将50hz倍频频率值转化到50hz间隔频率列表上，用f(m)表示：

m＝(1，2，3，...，fmax/100)(7)

其中rs为音频文件的采样率；m为滤波器的序号，滤波器总数由需要提取特征的频率范围上限fmax决定。根据实测的变压器铁心声音数据，绝大部分能量都集中在0到4khz范围内。另外需要注意的是：对于换流变来说运行声音信号在4khz以上部分的能量不能被忽视，如果应用对象为换流变则可以增加滤波器数量，将更高频段的信息囊括进来。本发明后续的内容仅为普通电力变压器而非换流变，因此此处的滤波器组数量为4000/100＝40个。

滤波器组构建方式为：第一个滤波器从f(m)的第一点开始，第二个时取得最大值，第三个点又归零。第二个滤波器从f(m)的第二个点开始，第三点时达到最大值，第四点归零，依次类推。由此可得到滤波器组表达式如下：

使用设计的滤波器组对能量谱pi(k)滤波，得到的x(k)已经对50hz倍频附近的能量进行了加强。接着对x(k)进行倒谱分析：先取对数，再做离散余弦变换(dct，discretecosinetransform)，即可得到每一帧组成的倒谱系数，为方便表述，后续之称为50hz倍频倒谱系数，简写作50fmccs(50hz-frequencymultiplicationcepstrumcoefficients)。将所有帧的50fmccs组合为矩阵r(k，t)，其中k表示跟频域相关的倒谱系数序号，t表示跟时域相关的帧序号。具体步骤如图5所示。

优选地，在步骤103：将声信号时频谱图转变为倒谱系数，根据时间序列和倒谱系数，对声音频谱的异常进行识别。

由于变压器声信号差异化情况非常严重，即使是同一厂家生产的三相分体式的变压器，其中每个独立的单相变压器的声音信号时频特性都具有一定差异，而深度学习对于传统机器学习来说最大的优势就在于随着样本扩大，模型的泛化性也将随之提高。因此，本申请将采用深度神经网络中的门循环单元(gatedrecurrentunit，gru)对变压器声音序列进行故障模式识别。但是无论是频域量还是时域量都很大，直接作为输入量输入深度神经网络，将导致计算量剧增，运算时间大幅增长。为了保证变压器样本的特征被保留的同时压缩数据输入量，本申请使用50fmccs作为gru的输入量，两者结合即形成了50fmccs-gru识别系统，如图6所示。

(1)50fmccs

首先对一个时长为1s，频带截取至4khz的原始样本进行去噪处理。然后压缩特征量得到50fmccs，此时的50fmccs由97组特征向量构成，每组特征向量长度为40。

(2)gru

将特征向量按时间顺序依次输入gru输入层的各个节点x_n中，其中n表示节点的序号。数据从输入层输入后，进入gru子单元再进去隐含层的各个节点h_n，最终输出到输出层节点o。此时通过标签值y与输出值o进行比较得到误差l，根据误差反向传递的方式进行不断迭代，最终确定网络结构中的各个权重参数和偏置参数。

为验证50fmccs-gru识别模型有效性，本申请采用500kv敬亭变电站在进行直流大电流入地试验期间分别收集了500kv交流变压器的直流偏磁状态和正常运行状态声音数据构成数据集。

噪声信号采集方面，根据iec60651标准，噪声测量频率范围应覆盖25hz～16khz，采集设备采用驻极电容式枪型指向麦克风与录机的组合系统以确保记录数据的可靠性：枪型指向麦克风，具有较强的指向性，频率响应范围满足采样要求；具有24bit96khz记录能力的录机，其高频率响应与宽动态范围能够记录尽可能多的噪声细节，通过卡农口与枪麦连接，保证了数据传输的稳定性和抗干扰能力。麦克风布置位置采用对称布置方式，位于每个变压器的两个长端面侧的居中位置。麦克风指向方向垂直于变压器长端面，距离变压器油箱壁50cm，距离地面距离150cm。

数据集划分方面，利用500kv敬亭变为三相分体式变压器的特点，使用其中a相、b相的数据作为训练集，c相数据作为测试集。由于变压器声音信号影响因素较多，因此虽然三个单相变压器为同一厂家生产，但声纹依然存在较大差异。这也保证了训练集和测试集之间具有很好的独立性，实验结果能够一定程度的反映模型的泛化性。最终数据集样本数具体情况如表2所示。

表2数据集样本分布

(3)不同识别模型效果对比

为了对比不同识别模型的性能，本文分别对50fmccs-gru模型和其他识别模型进行了超参数优化，并将深度学习识别模型迭代100步的结果和支持向量机(svm,supportvectormachine)、k最近邻(knn，k-nearestneighbor)等传统机器学习算法结果进行了对比。结果如表3所示。

表3基于本算例的几种识别模型超参数调优结果和效果对比

从表3中可以看出，基于深度学习的算法无论从运算时间还是准确率上都普遍优于传统的机器学习算法。而50fmccs特征提取能够极大的提升运算准确率，单纯使用时域的数据作为gru、rnn、lstm等深度学习模型的输入量会存在不收敛的情况，准确度极低。因此本文提出的50fmccs具有一定的应用价值。50fmccs-gru、50fmccs-lstm、50fmccs-rnn之间的对比可知，gru相比于其他两种循环深度神经网络在计算准确度上具有很强的优势，从计算速率上看，50fmccs-gru、50fmccs-lstm、50fmccs-rnn的每次迭代中每批次计算时长分别为0.42s、0.23s、0.56s。gru由于结构相对于rnn更为简洁，因此在保证准确率的情况下计算速率也比lstm更快。

图7为根据本发明优选实施方式的对变压器直流偏磁异常进行辨识的系统结构图。如图7所示，本申请提供一种对变压器直流偏磁异常进行辨识的系统，系统包括:

分离单元701，用于对采集的变压器的含噪声信号进行干扰噪声信号分离，获取分离后的去噪声信号。优选地，分离单元701用于对采集的变压器的含噪信号进行干扰噪声信号分离，获取分离后的去噪信号，还用于：基于相似矩阵的盲源分离法分离瞬时干扰噪声信号；通过双通道差分法分离持续干扰噪声信号。优选地，干扰噪声信号包括：瞬时干扰噪声信号和/或持续干扰噪声信号。优选地，还包括采集单元，用于：分别在位于变压器的两个长端面的居中位置设置变压器的声信号采集点。

降维单元702，用于通过对去噪声信号进行特征提取，获取降维后的去噪声信号，并将降维后的去噪声信号转换为声信号时频谱图。

识别单元703，用于将声信号时频谱图转变为倒谱系数，根据时间序列和倒谱系数，对声音频谱的异常进行识别。

优选地，分离单元用于通过双通道差分法分离持续干扰噪声信号，还用于：分别对第一采集点采集的第一变压器含噪信号和第二采集点采集的第二变压器含噪信号进行傅里叶变换，得到第一频域信号和第二频域信号；基于第一频域信号和第二频域信号中各频段声音传播存在强度衰减并且不发生频移，基于持续干扰噪声和变压器本体声音的声音强度变化率获取任一采集点的持续干扰噪声和变压器本体声音的频域信号；根据持续干扰噪声和变压器本体声音的频域信号分离持续干扰噪声信号。

本发明优选实施方式的对变压器直流偏磁异常进行辨识的系统700与本发明优选实施方式的对变压器直流偏磁异常进行辨识的方法100相对应，在此不再进行赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。