基于時、頻域自相似性的配電變壓器環境噪聲識別方法

劉 元，蘇 盛，劉正誼，夏云峰，劉貫科，李 彬

（1. 長沙理工大學 電網新能源防災減災研究中心，湖南 長沙 410004；2. 國網常德供電公司，湖南 常德 415000；3. 廣東電網有限責任公司東莞供電局，廣東 東莞 523000）

0 引言

電力設備運行時發出的聲音信號能有效反映設備運行狀態。利用非接觸式聲音傳感器采集電力設備運行聲音信號，利用聲音信號分析和診斷運行狀態，具有安裝靈活、信息量豐富和可靠性高等優勢，是電力設備狀態在線監測的重要發展方向?？蒲腥藛T圍繞利用聲音監測電力設備運行狀態開展了大量研究［1-3］，有力地推動了基于聲音的在線監測技術的工程應用。分散分布的配電變壓器由于數量龐大、巡檢周期長，存在的故障隱患問題更突出?；诼曇舻臒o接觸式在線監測技術有望發展為提高配電變壓器運維水平的重要手段。需要指出的是，配電變壓器多布設于街頭巷尾的嘈雜環境中，環境噪聲將對基于聲音的設備運行狀態診斷造成較大的影響。如何消除環境噪聲的干擾，是利用聲音監測配電變壓器運行狀態的關鍵。

已有的電力設備狀態監測研究中，可聽聲音消噪主要針對變電站內變壓器、電抗器等設備，此類應用場景下噪聲干擾來源明確，目前主要有2 種消噪思路。

1）采用濾波消除較強信號中的微弱干擾，一般采用小波分析結合軟、硬閾值濾波等方式，可在弱噪聲條件下取得良好的消噪效果［4-5］。由于電力設備運行環境的噪聲具有強不確定性，該方法主要用于消除微弱噪聲，或信號和噪聲的頻段相互分離的確定性噪聲，如濾除頻率集中在低頻段的冷卻風扇噪聲，但也存在難以濾除強背景噪聲、參數控制困難、容易削弱有效數據的問題。

2）采用盲源分離技術從觀測信號中恢復輻射源信號，該思路以基于獨立分量分析和基于稀疏表示理論的稀疏分量分析的信號分離方法為主。其中，基于獨立分量分析的信號分離方法在變壓器振動、局部放電檢測等領域應用較多［6-7］。但該方法存在非線性欠定問題，需要滿足觀測信號數目大于信號源數目及觀測信號具有線性可疊加性的條件。由于干擾信號源數目難以預知，只能大量增加聲音傳感器。且受聲音反射、折射等因素影響，在不同位置測量的電力設備聲音并不具有嚴格的線性可疊加性，這制約了該方法的推廣應用?；谙∈璞硎纠碚摰南∈璺至糠治龅男盘柗蛛x方法通過對信號的稀疏表示解決非線性欠定性問題，從含環境噪聲干擾的變壓器運行聲音中分離本體振動聲音［8-9］，再根據變壓器運行聲音在頻域上具有稀疏性的特點，提前錄制噪聲干擾較小的變壓器聲音作為樣本集，訓練得到能標識樣本的訓練字典，并挑選出與新采集樣本最為匹配的字典后進行重構。但根據含強環境噪聲的聲音信號重構設備運行聲音，可能會改變聲音對應的設備運行狀態，難以真實還原聲音構成。

此外，經驗模態分解和變模態分解相結合的算法近年來也被用于信號消噪［10］。但前者存在模態混疊問題，后者存在需提前確定模態數量等問題，使得該類算法還需得到進一步優化。

配電變壓器運行在開放、嘈雜的環境中，環境噪聲具有強不確定性，難以預判一般性規律，傳統的噪聲消除方法難以適用，容易將含噪聲的聲音監測樣本判斷為設備異常狀態。因此，有必要研究嘈雜環境下環境噪聲干擾的識別和消除方法，推動基于聲音的配電設備狀態監測技術的發展。

因為電力設備故障多為慢變過程，狀態異常檢測的時效性要求不高，加之基于聲音的在線監測系統可持續不斷地記錄設備聲音數據，只要能準確識別和剔除含環境噪聲干擾的錄音樣本，仍可利用含環境噪聲較小的錄音樣本聚類識別設備運行狀態。本文利用正常和故障異常狀態下電力設備運行聲音與環境噪聲的特性差異，提出了一種基于時、頻域自相似性的環境噪聲識別與剔除方法，將每分鐘的錄音數據分幀后提取每幀的時、頻域特征，利用基于MeanShift 聚類的相似度分析方法對特征進行相似度分析，識別其中是否包含不具有時、頻域自相似性的環境噪聲，從而篩選出有效樣本，為后續基于聲音信號識別電力設備運行狀態監測提供支撐。

1 配電變壓器與環境噪聲特性分析

1.1 配電變壓器運行聲音的時、頻域特征

變壓器振動發出的聲音主要由鐵芯和繞組振動產生［12］。其中，鐵芯振動是由硅鋼片的磁致伸縮效應、硅鋼片接縫處的電磁力引起的，繞組振動是由通電繞組在漏磁場中受力引起的。在分鐘級時間尺度上，電力設備的電氣量參數波動有限，振動聲音信號的時、頻域特征隨時間變化較小，具有穩定性和自相似性。配電變壓器在輕載、重載以及底座螺栓松動故障下發出聲音的時域和時頻域圖像見附錄A圖A1。

1）從圖A1左邊的時域波形圖能直觀看出，聲音強度在輕載時波動幅度很小，重載時聲音強度略有加大且頻繁出現小幅毛刺；底座螺栓松動時發出聲音的強度明顯高于正常運行場景，也頻繁出現小幅毛刺。

2）圖A1 右邊的時頻域特征圖展示了頻率成分隨時間變化的情況，顏色對應能量大小，顏色越亮的區域對應頻率成分的能量越強。輕載時頻率成分在60 s 內基本平穩；重載時頻率成分和頻率波動與輕載時大致相同，但低頻能量明顯更強；底座螺栓松動時，出現了較多的高頻分量，包含低頻能量在內的各部分能量進一步加強。此外，在3 種故障下頻率分量在60 s內均基本平穩。

1.2 典型環境噪聲的時、頻域特征

配電設備運行環境中的可聽聲音可分為設備運行聲音和環境噪聲兩大類，如表1所示。第1類是配電房或環網柜內目標監測配電設備運行時的可聽聲音，主要包括正常運行時的設備振動聲音和異常時的振動、放電聲音；第2 類是周圍環境噪聲，如語音、車輛經過、蟬蟲鳴叫、蛙鳴、風聲、雨聲、雷電聲等。其中，電力設備在正常和異常狀態下發出的聲音均具有穩定持續的特性，而環境噪聲均為短期內不穩定變化的聲音，無論在時域上還是在頻域上都不具有持續穩定的特性。含典型環境噪聲的錄音數據的時域和時頻域圖像見附錄A圖A2。

表1 配電設備運行環境中的可聽聲音分類Table 1 Classification of audible sound in operation environment of distribution equipment

1）圖A2（a）所示的錄音包含語音和車輛經過的噪聲。由圖可見：語音大小和頻率無規律，不具有平穩性，與配電設備運行聲音存在較大差異；車輛經過時發出的聲音隨車輛與配電設備的距離的變化而持續波動，車輛從遠處駛來，經過配電設備且車身側面正對配電設備時，發出的聲音先增大后減小。

2）圖A2（b）所示的錄音包含蟬鳴和鳥叫，由圖可見，兩者在時域上部分區域存在規律的脈沖，在短時間內具有一定的周期性。但動物鳴叫是靠發聲器官的肌肉收縮，聲音隨時間變化較大，不會長期持續穩定存在。

3）圖A2（c）為下雨時的錄音數據，雨點落在聲音傳感器附近造成類似脈沖的噪聲干擾，使得聲音的時域波形存在較多毛刺，在時頻域圖像中表現為顏色較亮的條紋。

4）圖A2（d）為大風天氣下的錄音。刮風時風速的起伏將在經過聲音傳感器時留下呼嘯聲，隨風速變化產生較明顯的不穩定噪聲。

綜上所述，配電設備運行環境噪聲在時域和時頻域上具有和設備運行聲音顯著不同的差異性特征，可考慮利用這一差異識別和剔除含環境噪聲的錄音數據。

2 基于時、頻域自相似性的噪聲識別方法

2.1 噪聲識別原理

電力設備的振動類和放電類故障為慢變過程，異常聲音將持續存在。在分鐘級時間尺度上，電力設備的電壓、電流等參數波動幅度有限，發出聲音的時域和頻域特征隨時間變化較小，在時域和頻域上具有較高的自相似性。而環境噪聲在時域和頻域上隨時間有較明顯的變化，不會長期持續，并不具有自相似性。將分鐘級的聲音樣本分幀分割為若干片段后，可對各幀進行相似性分析，發現樣本聲音在時、頻域上不具有相似性時，可判斷該樣本為含噪聲樣本。

利用環境噪聲不具有自相似性的特點，按圖1所示流程，采用無需預設類簇數的MeanShift 聚類算法判斷錄音數據的自相似性。將錄制的分鐘級聲音分幀分割為若干秒級片段，然后提取每幀的時域能量、小波包頻域能量特征，作為特征向量進行聚類。不含噪聲的聲音片段在時、頻域特征上具有較高的相似性，會緊密聚成一個類簇，而含噪聲的聲音片段和不含噪聲的片段具有差異性，會被識別為不同的類簇。

圖1 含環境噪聲樣本的識別、剔除流程Fig.1 Identification and elimination flowchart of samples with environmental noise

2.2 預處理及特征提取

2.2.1 預處理

識別電力設備監測錄音中的環境噪聲時，對聲音的預處理主要包括分幀和加窗2 個步驟。進行信號分幀時，為了使相鄰幀具有連續性，可參照圖2 在兩幀之間設置部分重疊區域，重疊區域長度一般為幀長的1/3～1/2。圖2 中，分幀幀長為T，重疊區域為T/2，后一幀相對前一幀的位移量稱為幀移。

圖2 樣本分幀示意圖Fig.2 Schematic diagram of sample frame

2.2.2 特征提取

本文選擇小波包分解后的能量特征作為頻域特征，用于表征不同頻段上的頻率成分的能量分布［15］。小波包分解是一種頻段劃分方法，能將信號按任意時頻分辨率分解到不同頻段，具有精確細分的特點和較強的時頻局部化能力，能很好地滿足信號特征提取的要求。

對于已知聲音信號s(t)，經過i層小波包分解后將在第i層獲得2i個信號的子頻段，此時s(t)可表示為：

式中：i=0，1，2，…，2i-1；fi，j(tj)為進行i層小波包分解后節點j在第i層的重構信號。若信號的最小頻率為fmin，最大頻率為fmax，則經過i層分解后第i層的每個子頻段頻率寬度為(fmax-fmin)/2i。

由于含噪聲與不含噪聲的聲音片段在頻率分布上具有差異性，可提取不同頻段上的特征如能量進行區分。上述信號s(t)經過小波包分解后，每個子頻段能量Ei，j可表示為：

2.3 基于MeanShift聚類的相似性分析方法

聚類算法是以相似性為基礎，將樣本集合按照特征屬性劃分為不同類簇，它認為屬于同一類簇的樣本具有較大的相似性，屬于不同類簇的樣本間具有較大的差異性。

式中：h為帶寬參數；核函數K(x)滿足式（6）。

式中：ck，d為保證K(x)積分為1的標準化常數。

另外定義向量函數k(x)的負導函數g(x)，即g(x)=-k′(x)，其對應的核函數G(x)為：

1）給定初始點x、g(x)的核函數G(x)、容許誤差ε，計算均值漂移向量mh(x)；

2）將mh(x)賦值給x；

3）重復步驟1）、2），直至‖ ‖mh(x)-x≤ε時結束循環。

圖3 MeanShift聚類示意圖Fig.3 Schematic diagram of MeanShift clustering

將一段聲音信號經過分幀后得到的n幀信號記 作{yi|i=1，2，…，n}，將 其 時 域 特 征 向 量 記 作Si，1—Si，4，將頻域特征向量記作Pi，1—Pi，128，則第i幀聲音信號的特征向量Mi、單個聲音樣本總的特征矩陣M分別如式（10）、（11）所示。

對樣本的特征矩陣進行聚類分析，若能聚成一類，則說明各幀信號具有較高的相似性，判斷為可用于診斷設備運行狀態的有效樣本；若形成多個類簇，則說明樣本不具有自相似性，判斷為含噪聲樣本。

3 現場實驗

3.1 數據采集及處理

采用TEAC 公司的TASCAMDR-05 錄音機在部署有一臺配電變壓器的箱式變壓器內持續采集2 個月的可聽聲音，現場布置見附錄B 圖B1。聲音傳感器的測量誤差在3 dB 以內，采樣頻率為48 kHz。錄制了變壓器正常運行狀態和底座螺栓松動狀態下，大量含不同類型環境噪聲的聲音樣本，錄制時的環境噪聲以車輛路過、語音、雨聲、風聲等為主。由于錄音是現場采集，將人工挑選的高信噪比聲音樣本作為不含環境噪聲的正常運行聲音樣本。

將錄音數據分割成長度為60 s 的子音頻樣本，以其中一個子樣本為例進行說明。首先，按分幀幀長10 s 對子樣本進行分幀，如圖4 所示；然后提取每幀的時、頻域特征。將小波包分解層數設置為7，小波基選擇db10，利用小波包分解提取不同頻段的能量特征，得到128 個頻段能量，每頻段帶寬約為156 Hz。取前3幀的前10個頻段的能量分布進行分析，如圖5 所示，圖中為含噪聲幀（第1 幀）與不含噪聲幀（第2、3幀）的前10個頻段的能量分布。由圖可見，含噪聲與不含噪聲幀在不同頻段上的能量分布有明顯差異，不含噪聲的正常運行幀之間的頻段能量差異較小，因此小波包頻段能量可作為區分噪聲的特征向量。

圖4 含環境噪聲樣本的分幀Fig.4 Framing of samples with environmental noise

圖5 含噪聲與不含噪聲幀的頻率能量占比分布Fig.5 Frequency energy ratio distribution of frames with and without noise

3.2 噪聲剔除

利用MeanShift 算法對每個樣本的特征矩陣進行聚類分析，當聚類結果中只有1 個類簇時，為不含噪聲的有效樣本，否則為含噪聲樣本。該算法需設置帶寬參數h，基于大量歷史樣本實驗測試本文設置h=0.02。

由于高維數據無法直接顯示，本文采用多維標度法將高維數據降維至二維［19］，部分樣本聚類結果如附錄B 圖B2 所示。圖B2（a）、（b）中，樣本各幀聚類形成1 個類簇，各幀錄音具有較高的相似性，可見圖B2（a）、（b）所示的樣本為有效樣本。圖B2（d）—（f）為含語音、雨聲、風聲噪聲的變壓器正常運行聲音樣本，由圖可見，樣本各幀聚類后形成多個類簇，可判斷為含噪聲樣本。圖B2（c）為含鳥叫噪聲的正常運行樣本，由圖可見，樣本各幀同樣也被聚為一類，出現了含噪聲樣本各幀聚類形成單個類簇的情況，相比其他含噪聲樣本，該樣本中的噪聲具有持續時間較短、能量小的特點。經分析比較，筆者認為分幀的幀長設置是影響判斷的關鍵要素。該算例中，分幀長度為10 s，長度偏大，使得每幀信號的時、頻域統計特征相對平滑，減小了含噪聲幀與不含噪聲幀的特征差異，使得具有較高相似性的樣本被聚為一類。但幀長設置過小也存在放大局部細節、削弱樣本之間相似性的問題。

3.3 分幀長度對聚類結果的影響

為分析分幀長度對樣本聚類結果的影響，在不同的分幀幀長下對附錄B 圖B3 所示的測試樣本進行聚類，分析聚類類簇數目對分幀長度變化的影響，結果如圖6 所示。圖中，樣本1—4 分別對應圖B3中含鳥叫的正常運行聲音樣本、不含噪聲的正常運行聲音樣本、底座螺栓松動聲音樣本、繞組松動聲音樣本。由圖可見：分幀長度T≥6.4 s 時，含噪聲樣本聚類為1 個類簇，而在T≤3.2 s 時無法聚類為1 個類簇，因此，為識別該含噪聲的樣本，分幀長度不宜超過6.4 s；不含噪聲的聲音樣本在T＞0.1 s時均可聚類為1 個類簇，而當T＜0.1 s 時出現多個類簇；底座螺栓松動聲音樣本在T≥0.4 s 時能聚類為1 個類簇，當T＜0.4 s時開始出現多個類簇；繞組松動聲音樣本在T≥0.8 s時只能聚類為1個類簇。為了保證后3種有效樣本不被聚類為多個類簇，T應大于0.8 s。

圖6 不同分幀長度下類簇數目的變化Fig.6 Change of number of clusters with different framing lengths

3.4 分幀長度范圍的確定

3.3節的分析表明分幀長度會影響聚類結果，并給出了能同時識別含噪聲樣本和有效樣本的大致分幀長度的取值范圍，但該取值范圍僅利用少量樣本得到，不能代表實際情況。為保證有效樣本（不含噪聲的正常、故障聲音樣本）只能聚類為1 個類簇，同時含噪聲樣本不能聚類為1 個類簇，本節利用大量不同類型的聲音樣本進行訓練，得到各種不同類型樣本的優選分幀長度取值范圍，并取交集得到總體的優選取值范圍。

在設置有效樣本的優選分幀長度時，可定義式（12）所示的有效樣本識別率PT1，PT1越大，類簇數目為1的有效樣本數量越多，則有效樣本識別率越高。

式中：N1為類簇數目為1的有效樣本數量；Ne為有效樣本數量。

在設置含噪聲樣本的優選分幀長度時，可定義式（13）所示的噪聲樣本識別率PT2，PT2越大，表明越多的噪聲樣本難以形成1 個類簇，噪聲樣本識別率越高。

式中：N0為類簇數目不為1的樣本數量；Nn為含噪聲的樣本數量。

當PT1=100%時，優選的有效樣本分幀長度T1存在一取值范圍，當PT2=100%時，優選的含噪聲樣本分幀長度T2存在一取值范圍，理論上這2 個取值范圍之間存在交集，該交集即為總體的最優分幀長度取值范圍。

設置初始分幀長度為0.1 s，以步長為0.1 s 進行迭代，T最大取值為15 s，訓練樣本的信息及其優選分幀長度范圍如表2 所示。由表可見，為有效識別有效樣本，需要T1≥0.9 s，為有效識別含噪聲樣本，需要T2≤3.5 s，取交集得到總體的最優分幀長度取值范圍為［0.9，3.5］s。

表2 訓練結果Table 2 Training results

為測試優選的分幀長度取值范圍能否適應其他樣本，利用人工挑選的測試集（包括40 組有效樣本、40 組含各種噪聲的樣本），得到指標PT1、PT2的測試結果如圖7 所示。由圖可見：當分幀長度設置在［0.9，3.5］s 范圍內時，PT1、PT2始終大于95%；在［1.5，3］s 范圍內，PT1、PT2同時達到100%。由此可見，所確定的優選分幀長度范圍能夠滿足現場需求，可保留大部分有效樣本，同時識別含噪聲樣本。

圖7 PT1、PT2的測試結果Fig.7 Test results of PT1 and PT2

4 結論

本文利用電力設備在正常和故障狀態下運行聲音具有自相似性而環境噪聲不平穩、無自相似性的差異性特征，提出了一種基于時、頻域自相似性分析的電力設備環境噪聲識別與剔除方法，主要結論如下：

1）對比設備正常、故障運行聲音和典型環境噪聲的時、頻域特征，分析發現兩者在穩定性和自相似性上具有明顯差異；

2）提出基于時、頻域自相似性的配電設備錄音監測數據中環境噪聲的識別與剔除方法，將錄音數據分割為分鐘級片段后再進行分幀，對各幀的時、頻域特征指標進行聚類分析識別含非平穩環境噪聲的錄音數據；

3）基于現場實測數據的分析表明，所提方法的環境噪聲剔除準確度主要受分幀長度影響，將分幀長度設置在［1.5，3］s范圍內時可準確識別并剔除所有含環境噪聲的錄音數據。

本文所提方法為后續利用聲音信號識別配電設備運行狀態奠定了重要基礎。需要指出的是，所提方法是以環境噪聲不具有穩定性和自相似性為前提的，在本文的測試環境下能有效識別和剔除環境噪聲。未來一方面需要進行更多運行場景下的測試分析，探尋可能出現的具有自相似性的環境噪聲，另一方面也可以從設備運行狀態診斷分析的算法設計上入手，利用夾雜穩定的具有自相似性的環境噪聲的設備運行錄音識別配電設備運行狀態。

附錄見本刊網絡版（http：//www.epae.cn）。