WXRedian | CES电气 | 北京交通大学研究者提出一种正确率更高的电力变压器声纹识别方法

北京交通大学研究者提出一种正确率更高的电力变压器声纹识别方法

文摘科技 2024-12-24 07:02 北京

电力变压器健康水平关系到电力系统的安全稳定运行，其一旦发生故障，将严重影响电力系统供电可靠性。在长时间运行过程中，电力变压器容易出现材料劣化、局部部件疲劳磨损、绝缘性能下降等问题，从而诱发异常振动、局部放电等缺陷，严重时导致电网大规模停电事故。因此，对变压器运行状态的监测已成为业界关注的焦点。

近年来，针对变压器铁心及绕组动力学特性的声纹检测法因灵敏度高、便于在线监测等优点受到国内外研究者的广泛关注，并成为变压器状态监测领域的重要研究方向之一。

变压器声纹信号中蕴含着丰富的变压器运行状态信息，但由于声信号的复杂性，对变压器声纹特征的识别是长期以来的难点。结合深度学习技术对电气设备进行模式识别，是解决新一代电力系统工程问题的重要方法之一。

目前，相关研究基本围绕深度学习领域的声纹时频谱、卷积神经网络及相应的衍生算法展开，但由于目前对于卷积神经网络的结构特征、参数配置尚未形成统一结论，该方法的识别效果对样本规模有很强的依赖性，在样本容量偏小的场合下，模型过拟合的风险将大幅提高。受限于实际故障数据的获取难度，变压器的声纹数据常常以小规模样本的形式呈现，且伴随着极高的干扰分量，在此情形下，基于传统卷积神经网络的模式识别方法难以发挥其优势。

针对小规模样本下电力变压器的声纹识别问题，北京交通大学电气工程学院的胡睿喆、杨晓峰，提出一种基于小波散射网络-贝叶斯优化门控循环单元（GRU）的声纹识别方法。

图1 变压器声纹识别模型整体结构

首先，为滤除干扰分量，提高声纹识别的正确率，通过经验小波变换（EWT）与快速独立成分分析算法（FastICA）对原始信号进行盲源分离，得到变压器本体声纹信号。然后，为降低模型输入数据的复杂度，采用小波散射网络提取声纹信号的特征向量作为声纹识别模型的输入，并采用GRU作为模型分类器。最后，通过贝叶斯算法完成对GRU网络层数与初始学习率的超参数优化。

表1 三种模型的训练结果

研究者发现，EWT-FastICA算法对变压器混合信号中的噪声具有较好的滤除作用，滤波后的信号与本体信号具有较高的波形相似度，从而可以实现对变压器本体声纹的提取。此外，通过小波散射网络可以高效实现输入信号的特征提取，将提取的小波散射向量作为GRU网络的输入，相较于原始数据，散射系数序列的维度显著降低，在维持信号原有特征的同时极大地提高了模型的识别准确度。

他们指出，实验结果表明，在样本规模偏小的情况下，相较于当前普遍使用的声纹时频谱——深度卷积神经网络模型，本次研究所构建的模型收敛用时缩短及更低的计算资源占用，识别正确率提高，性能得到了明显改善，更能满足实际工程场景需求。

本工作成果发表在2024年第8期《电气技术》，论文标题为“基于小波散射网络-贝叶斯优化门控循环单元的电力变压器声纹识别方法”，作者为胡睿喆、杨晓峰。

下载论文PDF版，请点击左下角“阅读原文”，访问期刊网站。