摘要
电力变压器是电力系统的重要组成部分，及时监测到电力变压器的运行故障有利于维持电力系统的稳定。传统的变压器故障诊断方法存在方法复杂和成本高等缺点，而变压器的声纹中包含丰富的时频信息，能很大程度上反映变压器的运行状态，并且实现简单。因此，研究基于声纹的变压器故障诊断方法有重要的工程实际意义。 本文建立了变压器铁心和绕组振动模型，理论分析变压器振动噪声传播路径和传播特性，研究正常状态下变压器振动噪声产生机理;分析铁心多点接地、铁心夹件松动、绕组接地、绕组变形、局部放电、过励磁以及过负荷七种异常状态或故障状态的原因、发展过程和振动声纹特性;采集正常状态下的声纹，建立声纹数据集。研究结果为变压器声纹的频域分析及变压器声纹的模式识别奠定了基础。 以声纹信号为研究对象，提出了主频、奇次谐波比、偶次谐波比、奇偶次谐波比、高低频比、重心频率以及频率标准差作为变压器状态的特征参量与评价指标;分析并对比了正常状态与异常状态、故障状态的声纹特征。研究结果表明，相比正常状态，局部放电故障、绕组变形故障的声纹特征参量分布发生明显变化，高频分量增多，主频发生偏移;而铁心多点接地故障、铁心夹件松动故障、绕组接地故障、过励磁以及过负荷异常状态的声纹特征参量变化不明显，未能有效识别出故障状态。 为解决上述特征参量无法识别部分故障以及变压器实际运行环境干扰大的问题，提出了基于Mel时频谱的卷积神经网络变压器声纹识别方法。该方法综合了声纹时频域的信息，得到Mel时频谱作为数据集，实现了对声纹特征的有效提取和降维处理，提高了神经网络的学习效率。首先，根据变压器声纹数据量大的特点，在传统的卷积神经网络结构中加入一层卷积核选择层;然后，选择不同的卷积核大小进行预训练，得到效果最好的卷积核大小并进行全部数据的训练;最后，验证了模型的优越性和抗干扰性。算例结果表明，本文所提方法对变压器故障识别准确率均能达到96.6％以上，证实了本文所提出的变压器故障诊断方法的有效性。
NETL