, , , ,

(1.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州 510080； 2.中國航空工業(yè)集團公司洛陽電光設(shè)備研究所，河南 洛陽 471000)

無人值守變電站電力設(shè)備音頻監(jiān)測及故障診斷系統(tǒng)

易琳1,沈琦2,王銳1,王柯1,彭向陽1

(1.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州510080； 2.中國航空工業(yè)集團公司洛陽電光設(shè)備研究所，河南洛陽471000)

針對智能變電站的無人值守需求及現(xiàn)有故障診斷系統(tǒng)的不足，提出一種電力設(shè)備音頻監(jiān)測及故障診斷系統(tǒng);根據(jù)變電站電力設(shè)備音頻信號信噪比較低的特點，采用具有強魯棒性的梅爾頻率倒譜系數(shù)作為判斷音頻信號異常的特征參數(shù)，在此基礎(chǔ)上根據(jù)音頻特征構(gòu)成多樣本觀測序列，并采用隱馬爾科夫模型進行故障診斷，通過對比對數(shù)似然估計概率的輸出值確定故障類型；該方法具有實時性較強的優(yōu)勢，也避免了現(xiàn)有故障診斷方法要求較大樣本容量的缺陷；實驗結(jié)果表明，該故障診斷系統(tǒng)具有較高的識別率和魯棒性。

變電站; 電力設(shè)備; 故障診斷; 隱馬爾科夫模型; 梅爾頻率倒譜系數(shù)

0 引言

電力行業(yè)的發(fā)展日新月異，但如何確保電力系統(tǒng)的安全運行始終是人們關(guān)注的焦點。作為電力網(wǎng)絡(luò)的管控執(zhí)行單元，變電站的可靠性是決定電網(wǎng)整體可靠性的關(guān)鍵因素。隨著智能電網(wǎng)戰(zhàn)略的推進，新型變電站需具有易于管理和維護的特征，且需滿足無人值守需求，因此研究電力設(shè)備的智能故障診斷技術(shù)，實現(xiàn)快速故障隔離以保障電網(wǎng)的安全運行，具有重要的工程價值[1]。然而其困難在于，現(xiàn)有變電站電力設(shè)備如變壓器等不僅結(jié)構(gòu)復(fù)雜，而且型號多樣，其故障機理和特征具有高度的復(fù)雜性和一定的隨機性[2]，傳統(tǒng)閾值式診斷難以有效反映故障表現(xiàn)特征與故障機理之間的客觀規(guī)律，較難取得理想的在線診斷效果[3]。

變電站電力設(shè)備如出現(xiàn)機械故障時，其振動特性或部分頻段內(nèi)的振動能量將發(fā)生改變，這常伴隨異常的聲音。此外，設(shè)備的超負荷運行或其它電路故障也會引起異常的聲音變化[4]。因此，在電力設(shè)備的不同位置所測取的聲音信號包含著豐富的信息，具有豐富經(jīng)驗的工程師也通常根據(jù)現(xiàn)場的異常聲音判斷故障?；诖嗽砜稍O(shè)計用于變電站電力設(shè)備的音頻實時監(jiān)測故障診斷系統(tǒng)，其獨特優(yōu)勢在于僅通過聲音傳感器獲取音頻信號即可實現(xiàn)對設(shè)備工況的實時判斷，且不影響電力系統(tǒng)的正常運行，具有信息量大、反應(yīng)快和低成本優(yōu)勢，豐富了無人值守變電站的故障診斷手段，具有良好的應(yīng)用前景。然而，變電站具有較強的背景噪聲，非接觸式測量所獲取的音頻信號易受傳感器安裝位置和其它外圍設(shè)備噪聲源影響，干擾信號有可能會淹沒掉與設(shè)備工況相關(guān)的有效特征值，因此，對故障信號特征參數(shù)的有效提取尤為關(guān)鍵。此外，變電站設(shè)備型號復(fù)雜，積累的監(jiān)測數(shù)據(jù)與有效故障樣本較少，如何對特征參數(shù)進行處理以實現(xiàn)準(zhǔn)確識別，也是亟待解決的關(guān)鍵問題。由于以上問題的復(fù)雜性，現(xiàn)有研究成果并不多見。文獻[5]采用基于獨立分量分析的信號分離方法處理聲音源信號，提取MFCC特征參數(shù)并與專家?guī)煨盘柶ヅ?，根?jù)動態(tài)時間規(guī)整算法判斷電氣設(shè)備故障類型，但該方法較難實現(xiàn)在線故障診斷。文獻[6]提出采用正弦基前向神經(jīng)網(wǎng)絡(luò)的音頻識別方法，但實際工程中可能存在陷入局部極值的缺陷。

針對現(xiàn)有研究的不足，本文提出一種可應(yīng)用于無人值守變電站電力設(shè)備的音頻監(jiān)測及故障診斷系統(tǒng)。根據(jù)工作流程，該系統(tǒng)可劃分為信號檢測、特征參數(shù)提取、狀態(tài)識別及診斷決策3個環(huán)節(jié)，針對變電站電力設(shè)備音頻信號信噪比較低的特點，提出采用具有強魯棒性的MFCC參數(shù)作為判斷音頻異常的特征參數(shù)，在此基礎(chǔ)上根據(jù)音頻特征構(gòu)成多個觀測序列并用以訓(xùn)練HMM，對比對數(shù)似然估計概率的輸出值，可判定設(shè)備故障的具體類型，從而實現(xiàn)在線故障檢測和診斷功能，該方法的優(yōu)勢在于實時性較強，同時也避免了現(xiàn)有故障診斷方法普遍要求較大樣本容量的缺陷。

1 音頻監(jiān)測及故障診斷系統(tǒng)結(jié)構(gòu)

在各變電站需要進行監(jiān)測的電氣設(shè)備如變壓器、互感器、電容器、電抗器、GIS(氣體絕緣開關(guān))等旁安裝聲音傳感器，或采用移動巡檢的方式，在巡檢機器人上安裝傳感器，對聲音信號進行實時采集，并在每個變電站內(nèi)設(shè)置一個多路信號采集站，負責(zé)采集全站的多路音頻數(shù)據(jù)并通過以太網(wǎng)傳送至遠方的監(jiān)測中心。監(jiān)測中心主要由信號處理服務(wù)器、樣本截取工作站、模型庫和監(jiān)測子站構(gòu)成。其中，信號處理服務(wù)器是故障診斷系統(tǒng)的核心，根據(jù)設(shè)備優(yōu)先級和故障狀況，負責(zé)對各站上傳的多路音頻信號進行處理，具體包括對音頻信號的變換和頻譜分析、特征參數(shù)提取，并與模型庫所保存的歷史音頻數(shù)據(jù)及典型故障聲音進行對比，判斷設(shè)備運行狀況和故障類型，若檢測到異常信號則發(fā)出報警。樣本截取工作站負責(zé)對正常信號和異常信號進行截取和建模，并存入模型庫；模型庫負責(zé)存儲信號樣本及歷史數(shù)據(jù)；監(jiān)測子站負責(zé)與各變電站信號采集站進行遠程通信，并向各變電站工作人員提供報警信號。所設(shè)計的音頻監(jiān)測及故障診斷系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 變電站音頻監(jiān)測及故障診斷系統(tǒng)結(jié)構(gòu)

2 音頻信號特征參數(shù)提取算法

對音頻信號特征參數(shù)的有效提取是實現(xiàn)電力設(shè)備音頻故障診斷系統(tǒng)的前提。在語音信號處理系統(tǒng)中，基于語音頻譜導(dǎo)出的參數(shù)得到普遍關(guān)注，如基音頻率[7-8]、功率譜、共振峰和梅爾頻率倒譜系數(shù)(Mel-frequency cepstrum coefficients, MFCC)等。其中，MFCC參數(shù)來源于聲音的產(chǎn)生和接收機制，在噪聲環(huán)境下應(yīng)用最為廣泛。現(xiàn)有應(yīng)用于電力系統(tǒng)故障分類或識別的算法主要包括基于核的判別[9]、神經(jīng)網(wǎng)絡(luò)[10]、模糊分類[11]、支持向量機[12]等，但以上方法的訓(xùn)練需要足夠的樣本容量，通常被用于處理靜態(tài)模式分類，較難適用于對實時性要求較高的動態(tài)分類問題。隱馬爾科夫模型(Hidden Markov Model，HMM)作為雙重隨機過程的有限狀態(tài)自動機，其優(yōu)勢在于具有較強的特征分類能力，并適用于對非平穩(wěn)信號進行統(tǒng)計分析[13-14]，且可通過較少的樣本訓(xùn)練出可靠模型，相較神經(jīng)網(wǎng)絡(luò)等方法而言，所保留的統(tǒng)計信息更為豐富，具有較高的識別率。人耳的感知程度與聲波頻率并非簡單的線性關(guān)系，內(nèi)耳基礎(chǔ)膜對接收到的信號產(chǎn)生自適應(yīng)調(diào)節(jié)作用，Mel頻率與人耳聽覺特性高度吻合，適用于模擬人耳對聲音的感知，且對信號性質(zhì)并無依賴，具有較強的魯棒性。MFCC參數(shù)是在Mel標(biāo)度頻率域提取出的倒頻譜參數(shù)，Mel頻率與實際頻率的關(guān)系可由以下對數(shù)關(guān)系近似表示[15]：

(1)

式(1)中，f為頻率。

鑒于MFCC參數(shù)的優(yōu)良性能，本文采用MFCC參數(shù)作為判斷變電站電力設(shè)備故障的特征參數(shù)。其參數(shù)提取步驟如下：

1)考慮短時間內(nèi)故障信號的激勵性質(zhì)及聲道形狀未有顯著變化，對音頻信號采用短時分析技術(shù)。首先需進行預(yù)處理過程，包括預(yù)加重、分幀及加窗等環(huán)節(jié)。預(yù)加重環(huán)節(jié)可提升音頻信號的高頻頻譜，使信號頻譜平坦化，易于對音頻信號進行頻譜分析；分幀環(huán)節(jié)將所采集的音頻信號劃分為毫秒級短時段信號，根據(jù)電力設(shè)備故障信號的特性，采用重疊分段的分幀方式來保持信號連貫性及幀之間的平滑過渡；加窗環(huán)節(jié)可有效減弱截斷效應(yīng)，降低音頻幀的坡度。此外，在處理變電站異常聲音信號過程中，當(dāng)變電站背景噪聲對信號產(chǎn)生較為嚴(yán)重的干擾時，還需針對背景噪聲進行預(yù)處理，如進行有效的端點檢測等。

2)對預(yù)處理后的信號進行快速傅立葉變換(FFT)，實現(xiàn)信號從時域到頻域的轉(zhuǎn)換，并計算其模的平方，得到能量譜。

3)設(shè)計具有M個帶通濾波器的濾波器組并采用三角濾波器，信號的截止頻率決定該濾波器組的個數(shù)M，濾波器的中心頻率在0～F/2范圍內(nèi)按Mel頻率分布，由Mel(f)與實際線性頻率f的關(guān)系計算出三角帶通濾波器組Hm(k)。計算公式為：

(2)

式(2)中，f(m)為濾波器的中心頻率，m<1,2,…,M。濾波器組Hm(k)滿足：

(3)

則每個濾波器組輸出的對數(shù)能量可表示為：

(4)

式(4)中，P[·]為音頻信號經(jīng)FFT變換后得到線性頻譜的平方值。

(4)由于Mel頻譜系數(shù)均為實數(shù)，利用離散余弦變換(DCT)，將Mel頻譜系數(shù)變換到時域，得到MFCC系數(shù)為：

(5)

式(5)中，0≤n≤M-1。

3 故障信號識別技術(shù)實現(xiàn)

3.1 基于HMM的故障診斷系統(tǒng)結(jié)構(gòu)

變電站電力設(shè)備故障信號的識別，究其本質(zhì)而言，是一個極為復(fù)雜的模式識別問題，也是音頻故障診斷系統(tǒng)的關(guān)鍵技術(shù)。對異常故障信號進行特征提取的目的僅為挖掘出可揭示故障音頻本質(zhì)特征的參數(shù)，實現(xiàn)智能診斷還必需進行分類器設(shè)計，將特征提取過程所得到的特征參數(shù)序列通過已知模型庫進行模式匹配，因此，相關(guān)模式匹配算法的優(yōu)劣也在很大程度上決定了故障診斷系統(tǒng)的準(zhǔn)確率。本文設(shè)計的故障診斷系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 故障診斷系統(tǒng)結(jié)構(gòu)

不同變電站電力設(shè)備的型號、新舊程度均有差別，且音頻信號的特點也受諸多隨機因素的影響，故障信息必然包含在信號的統(tǒng)計規(guī)律中，因此本文采用較為成熟的統(tǒng)計模式識別的方法來實現(xiàn)故障狀態(tài)判別。鑒于HMM具有較強的抗噪性能，以及在描述時變序列的統(tǒng)計特征方面所具有的良好數(shù)學(xué)結(jié)構(gòu)，提出將HMM用于故障模型的描述，建立基于HMM的變電站電力設(shè)備音頻故障模式識別系統(tǒng)。

離散型HMM可記為：

λ=(N,M,π,A,B)

(6)

式(6)中：N為模型中Markov鏈狀態(tài)數(shù)目，M為每個隱狀態(tài)對應(yīng)的可能的觀察值數(shù)目，π為初始狀態(tài)概率分布矢量；A為狀態(tài)轉(zhuǎn)移概率矩陣；B表示觀察值概率分布矩陣。利用HMM進行電力設(shè)備狀態(tài)識別，首先建立能反映觀察序列統(tǒng)計特征的HMM，然后計算未知觀察序列在HMM下的輸出概率值，并通過比較模型輸出概率值的大小來判斷設(shè)備工況，基于HMM的電力設(shè)備故障診斷算法流程如圖3所示。

圖3 基于HMM的電力設(shè)備故障診斷算法流程

3.2 HMM訓(xùn)練及識別算法

實現(xiàn)HMM的訓(xùn)練首先建立初始模型，即確定初始模型的結(jié)構(gòu)和參數(shù)；然后是解決模型的參數(shù)優(yōu)化問題，即在給定初始模型和訓(xùn)練觀察序列的情況下，調(diào)整模型λ=(π,A,B)的參數(shù)，使訓(xùn)練序列在模型下輸出的概率P(O/λ)最大。本文采用前向算法，定義前向變量αt(i)為：

αt(i)=P(O1,O2,…,Ot,qt=θi/λ)，1≤t≤T

(7)

式(7)中，αt(i)是t時刻HMM在狀態(tài)i下產(chǎn)生觀察序列(O1,O2,…,Ot)的概率。根據(jù)αt(i)的定義，按照遞推關(guān)系可計算出t+1時刻HMM處于狀態(tài)j并產(chǎn)生觀察值Ot+1的概率αt+1(j)，因此當(dāng)t=T時，P(O/λ)可按如下前向遞推原理求出：

算法初始化計算式為：

α1(i)=πibi(O1)，1≤i≤N

(8)

遞推過程為：

(9)

式(9)中，1≤t≤T-1，1≤j≤N。

前向遞推公式為：

(10)

根據(jù)前向遞推原理，給出觀察符號序列O=O1,O2,…OT在已知模型λ=(π,A,B)下的輸出概率P(O/λ)的算法步驟為：

(1)設(shè)置N×T維的二維數(shù)組變量αt(i)，獲取模型參數(shù)和觀察符號序列O=O1,O2,…OT；

(2)根據(jù)式(8)，計算t=1時模型在各隱狀態(tài)θi下輸出觀察值O1的初始前向概率α1(i)；

(3)根據(jù)式(9)，計算從t時刻出發(fā)到t+1時刻模型從N個狀態(tài)轉(zhuǎn)移到狀態(tài)θj時輸出觀察值Ot+1的前向概率αt+1(j)；

(4)重復(fù)(2)的遞推過程，計算出t+1時刻所有N個狀態(tài)下的前向概率αt+1(j)，(j=1,2,…,N)；

(5)重復(fù)(2)(3)的遞推過程，直到t=T-1；

(6)取出終止?fàn)顟B(tài)的αT(i)進行求和即得到P(O/λ)。

4 實驗結(jié)果

4.1 故障診斷方法步驟

本文實驗采用了基于聲音信號分析處理的故障診斷方法，故障診斷的過程大體有3個步驟：首先是信號的采集與處理，其目的是從待檢設(shè)備上提取出真實可靠的信息，這里采用聲音傳感器進行原始數(shù)據(jù)的采集；其次是特征提取，利用信號處理技術(shù)從檢測信號中提取出故障的特征信號，本文采用聲音的倒譜域特征參數(shù)MFCC作為特征參數(shù)；最后是狀態(tài)識別與診斷決策，它是利用特征提取后的信息對故障狀態(tài)進行識別、判斷和預(yù)報，這里采用在核電故障診斷方面已取得應(yīng)用的隱馬爾科夫模型的統(tǒng)計信號處理方法，前期需要建立初始模型，通過基于HMM模型的分類器，對已知類別的故障音頻數(shù)據(jù)進行訓(xùn)練建模聚類，對未知類別的故障音頻數(shù)據(jù)樣本進行分類，分類過程中，當(dāng)有待分類樣本需要識別時，利用已經(jīng)建立的HMM參數(shù)來計算每套參數(shù)產(chǎn)生該序列的概率值，將新樣本歸入概率值最大的類別中，并給出分類結(jié)果從而確定所屬故障狀態(tài)。

4.2 故障分類實驗

實驗樣本為電網(wǎng)變電站場地巡檢機器人錄制的電氣設(shè)備聲音，樣本精度為16bit，采樣率為44.1 kHz，隨機選取了261組數(shù)據(jù)作為訓(xùn)練、識別數(shù)據(jù)。其中包括87組變壓器數(shù)據(jù)、86組互感器數(shù)據(jù)和88組電容器數(shù)據(jù)，經(jīng)過提取MFCC參數(shù)，3種設(shè)備的每幀信號都已轉(zhuǎn)換為24維的MFCC 的特征矢量。HMM訓(xùn)練共使用了70組變壓器數(shù)據(jù)、70組互感器數(shù)據(jù)和73組電容器數(shù)據(jù)，剩下的17組變壓器數(shù)據(jù)、16組互感器數(shù)據(jù)和15組電容器數(shù)據(jù)則用于模型識別，識別結(jié)果如表1所示。

表1 識別實驗結(jié)果

從表1可以看出，將MFCC及其HMM結(jié)合起來進行電網(wǎng)聲音識別，共使用48組數(shù)據(jù)，正確識別47組，識別率達到98%，而常見實驗中，將語音特征參數(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合最高識別率只達到89%左右，且所需樣本較多，計算較復(fù)雜。

表2為一組變壓器、互感器和電容器的輸出概率測試結(jié)果。以變壓器為例，把一組變壓器的MFCC特征參數(shù)輸入到變壓器的HMM中，得到的對數(shù)輸出概率為-25660，而把該數(shù)據(jù)輸入到互感器和電容器的HMM中，得到的對數(shù)輸出概率為-27899、-31611，分類還是較為清晰的?？梢姡x取的MFCC特征參數(shù)能很好地描述聲音信息，而HMM模型也具有良好的聲音識別效果。

表2 HMM模型測試結(jié)果

4.3 變壓器故障診斷實驗

變壓器是變電站電力設(shè)備中的核心，根據(jù)音頻監(jiān)測系統(tǒng)提取的不同故障音頻特征，對所發(fā)生的故障類型進行診斷，是監(jiān)測診斷系統(tǒng)的關(guān)鍵功能。為此，在國網(wǎng)臺州供電公司國清220 KV變電站進行測試實驗，1號變壓器為OSSZ10-150000/220，2號變壓器為OSS9-150000/220，設(shè)備均已較為陳舊，緊貼變壓器周圍設(shè)置多個音頻監(jiān)測點，當(dāng)有故障發(fā)生時，提取有效音頻信號，并對其進行特征參數(shù)提取，與已驗證的故障機理相結(jié)合，可監(jiān)測出的典型故障類型包括：1)繞組匝間短路/分撥開關(guān)故障；2)線路接地短路；3)變壓器過載嚴(yán)重/大負荷用戶頻繁啟動；4)穿心螺桿松動；5)高壓套管臟污或釉質(zhì)脫落；6)變壓器內(nèi)部缺油。

應(yīng)用本文算法，提取以上6類典型故障發(fā)生時的音頻特征，并在模型訓(xùn)練之后存入模型庫。并將實時釆集的待識別變壓器故障音頻經(jīng)過采樣、預(yù)處理、MFCC參數(shù)提取等步驟，得到待識別序列，然后通過本文算法來計算該序列在每個己訓(xùn)練模型下的概率，識別結(jié)果為最大概率所對應(yīng)的故障類型。圖3為典型故障樣本在已訓(xùn)練好的故障模型下的輸出概率值：

表3 典型變壓器故障輸出概率

由圖3可知，不同故障音頻在其相對應(yīng)的故障模型下的對數(shù)概率值最大，而在其他模型下取值都較小，這也驗證了HMM分類算法的有效性，可實現(xiàn)對變壓器故障類型的準(zhǔn)確判別。需要說明的是，由于變壓器故障原理較為復(fù)雜，不同的故障機理可能呈現(xiàn)出相類似的音頻特征，如故障B實際上包括變壓器繞組匝間短路和分撥開關(guān)故障兩類，所提取的音頻特征較為類似，這也說明故障診斷本身的復(fù)雜性。

5 結(jié)論

本文提出一種適用于無人值守變電站的設(shè)備音頻在線檢測系統(tǒng)，提取MFCC作為判斷音頻信號異常的特征參數(shù)，采用HMM模型對故障狀態(tài)進行訓(xùn)練，具有結(jié)構(gòu)簡單、易于工程實現(xiàn)的特點，可實現(xiàn)對故障設(shè)備的有效分類，還可對典型電力設(shè)備如變壓器的典型故障進行識別，其診斷結(jié)果具有較高的準(zhǔn)確性。該音頻監(jiān)測及故障診斷系統(tǒng)對于發(fā)現(xiàn)早期電力設(shè)備故障，快速掌握設(shè)備缺陷及其性質(zhì)具有積極意義，可及時消除設(shè)備危險點，降低事故發(fā)生率，有助于電網(wǎng)的安全運行，是人工智能技術(shù)在電力系統(tǒng)中的成功應(yīng)用。

[1] 李 鵬, 許愛東, 郭曉斌, 等.面向巡維中心的變電站駕駛艙架構(gòu)設(shè)計與實現(xiàn)[J]. 南方電網(wǎng)技術(shù), 2015; 9(6): 1-5.

[2] 董海鷹, 李曉楠, 姚 軍. 基于粗糙集和灰關(guān)聯(lián)分析的750 kV變電站故障診斷[J]. 高電壓技術(shù), 2015, 41(10): 3313-3319.

[3] 鄭蕊蕊, 趙繼印, 趙婷婷，等. 基于遺傳支持向量機和灰色人工免疫算法的電力變壓器故障診斷[J]. 中國電機工程學(xué)報, 2011, 31(7): 56-63.

[4] 張 冰, 劉連光, 肖湘寧. 地磁感應(yīng)電流對變壓器振動、噪聲的影響[J]. 高電壓技術(shù), 2009, 35(4): 900-904.

[5] 杜世斌. 基于音頻特征的電氣設(shè)備故障監(jiān)測算法研究[D]. 濟南：山東大學(xué), 2014.

[6] 曹文明, 王耀南.基于音頻識別的無人值守變電站設(shè)備在線監(jiān)測[J].湖南大學(xué)學(xué)報：自然科學(xué)版,2013,40(9):48-55.

[7] Zhao X J, Shao Y, Wang D L. CASA-based robust speaker identification[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2012, 20(5): 1608-1616.

[8] Huang F, Lee T. Pitch estimation in noisy speech using accumulated peak spectrum and sparse estimation technique[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2013, 21(1): 99-109.

[9] 阮 羚, 李成華, 宿 磊，等. 基于奇異值分解的局部放電模式識別方法[J]. 電工技術(shù)學(xué)報, 2015, 30(18): 223-228.

[10] 尚海昆, 苑津莎, 王 瑜，等.基于交叉小波變換和相關(guān)系數(shù)矩陣的局部放電特征提取[J]. 電工技術(shù)學(xué)報, 2014, 29(4): 274-281.

[11] 李 贏, 舒乃秋. 基于模糊聚類和完全二叉樹支持向量機的變壓器故障診斷[J]. 電工技術(shù)學(xué)報, 2016, 31(4): 64-70.

[12] 汪 可，李金忠，張書琦，等. 基于時頻相似度的油紙絕緣多局部放電源脈沖群分離與識別策略[J]. 電工技術(shù)學(xué)報, 2014, 29(12): 251-260.

[13] Brognaux, Drugman. HMM-Based Speech Segmentation: Improvements of Fully Automatic Approaches[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2016, 24(1): 5-15.

[14] Percybrooks, Moore, A New HMM-Based Voice Conversion Methodology Evaluated on Monolingual and Cross-Lingual Conversion Tasks[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2015, 23(12): 2298-2310.

[15] Sahidullah, Saha, A Novel Windowing Technique for Efficient Computation of MFCC for Speaker Recognition[J]. IEEE Signal Processing Letters, 2013, 20(2): 149-152.

FaultDiagnosisandConditionMonitoringofSmartSubstationEquipmentBasedonAcousticSignals

Yi Lin1, Shen Qi2, Wang Rui1, Wang Ke1, Peng Xiangyang1

(1.Electric Power Research Institute，Guangdong Power Grid Co., Ltd., Guangzhou 510080, China;2.Luoyang Institute of Electro-Optical Equipment, AVIC2, Luoyang 471000, China)

Aiming at the requirement of unattended intelligent substation and the shortcomings of existing fault diagnosis system, an audio monitoring and fault diagnosis system of power equipment is proposed. According to the low signal-to-noise ratio (SNR) of the audio signal in substation power equipment, the Mel-frequency cepstrum coefficients with strong robustness are used as the characteristic parameters to judge the audio signal anomaly. Based on the audio feature, a multi-sample observation sequence is constructed. The hidden Markov model (HMM) is used to diagnose the fault, and the fault type is identified by comparing the logarithm likelihood estimate output value. The method has the advantage of real-time and avoids the limitation of the existing fault diagnosis method which requires large sample size. The experimental result shows that the proposed fault diagnosis system has high recognition rate and robustness.

electric substations; electric power equipment; fault diagnosis; hidden Markov model; Mel-frequency cepstrum coefficients

2017-01-13；

2017-05-18。

易 琳(1986-)，工程師，博士，主要從事電力智能巡檢技術(shù)及應(yīng)用。

1671-4598(2017)11-0009-04

10.16526/j.cnki.11-4762/tp.2017.11.003

TP273

A