基于Transformer模型声纹特性算法的大型电力变压器局部放电主动预警技术研究

基于Transformer模型声纹特性算法的大型电力变压器局部放电主动预警技术研究

余金龙

国能神皖合肥发电有限责任公司  安徽合肥  230000

摘要：通过实际调查发现，局部放电是电力变压器运行过程存在的现象，并且放电数据存在不一致性、多样性。采用基于Transformer模型声纹特性算法可以识别不同声音的特征，并长期以自注意力机制模型自我学习和累积判断变压器本体噪声和放电声音，用以判别变压器放电故障，达到主动预警效果。

关键词：声纹特性算法；电力变压器局部放电；预警技术研究

引言

研究发现，变压器故障的主要原因是绝缘被损害，绝缘老化、维修失误以及生产缺陷都会导致变压器绝缘出现悬浮电位、有气泡残留等损伤，导致绝缘的局部场强过高，产生放电现象。放电导致绝缘破环进一步增大，最终导致击穿。变压器中松动的部件或掉入变压器中的金属小部件可能会产生浮动电势，也会引起放电。变压器内部放电会产生放电声波，经过绝缘介质与腔体的传播，产生的声波信号包含了大量的设备状态信息，可以作为诊断缺陷及故障的重要特征参量。

1、变压器放电声音产生机理与监测现况

油纸绝缘是变压器的主要绝缘材料，因为不同种类材料的击穿场强有差异，可能会导致在变压器整体正常运行的情况下，部分区域中有局部放电产生。导致固体绝缘内部发生放电的原因一般是制造过程存在缺陷，绝缘里存在缺陷，或者绝缘在长期使用过程中发生了老化现象，发生化学反应产生了气体。对于变压器油，工程上使用的变压器油一般都含有水、潮湿的纤维等杂质，杂质的介电常数是变压器油的几十倍,它们在电场作用下首先被极化吸附到高场强处，渐渐排列形成“小桥"，使电场发生畸变，纤维端部电场增大开始放电，变压器油在高场强作用下分解产生气泡。由于固体的介电常数大于气体，当固体绝缘内部存在气隙时，气隙内部的电场强度高于固体绝缘介质，但气体绝缘水平较低，因而在同一电场内，气隙总是先达到击穿场强被击穿。最终导致在气体通道内产生火花放电。变压器内部放电过程中往往会发出声音。一般认为放电声音产生的原因是放电过程中气泡在电场力作用下膨胀收缩，导致体积发生变化，气泡体积不断变化导致声波的产生。

目前有很多学者研究基于超声波的变压器故障诊断检测，但是超声波的频率较高，传播过程中衰减很大。声音从故障处经变压器油以及油箱的传播到达传感器处时幅值很小，传感器检测到的声音很微弱，加上噪声的影响，严重影响了故障声音的识别难度，并且需要人工前期输入大量的参考故障声音库，对比判断后，系统才能故障判别，不能做到自主学习。达不到变压器局部放电主动预警效果。

2、基于Transformer模型声纹特性算法的大型电力变压器局部放电主动预警技术研究

本文致力于研究可听声范围内的变压器局部放电主动预警技术研究。在可听声范围内，变压器本体噪声是以100Hz为基频，掺杂有高次谐波的声纹信号，频率主要在1kHz以下；放电的声音在15kHz以内，声音的频段较低，声音的衰减大大减小，麦克风釆集到的声音幅值比超声波高，抗噪声干扰能力强。鉴于声纹数据的多样性、相关联性、以及相对依赖性，提出了基于Transformer模型声纹特性算法的大型电力变压器局部放电主动预警技术研究。方法可分为三个部分：混合声音采集与分离、声音信号特征提取和故障类型识别。

首先，使用麦克风采集变压器附近的声音，然后使用快速独立分量分析算法将变压器本体噪声和放电声音分离；最后使用基于Transformer神经网络架构算法提取声音信号的特征，并采用基于Transformer声纹特性模型算法识别不同声音的特征，并长期以自注意力机制模型自我学习和累积判断变压器本体噪声和放电声音，用以判别变压器放电故障，达到主动预警效果。

Transformer 的核心是自注意力机制，它允许模型在不同位置之间建立关联，并且可以在不同位置之间共享信息。Transformer 的输入是一个序列，每个元素都有一个向量表示。这些向量首先通过一个线性变换进行转换，然后通过自注意力机制进行处理。自注意力机制允许模型在不同位置之间建立关联，并且可以在不同位置之间共享信息。这使得 Transformer 能够捕捉到输入序列中的长期依赖关系。

由于变压器放电声音数据多样性、标准不一致性，需不停地自主学习，以自适应判断放电故障。Transformer 模型由两个部分组成：Encoder 和 Decoder，变压器所发出的每一个本体噪声和放电声音，Transformer都将其以一个序列输入，Encoder 将输入序列转换为一系列特征向量，而 Decoder 则将这些特征向量转换为输出序列。并将这些声音序列转成文本数据，并进行编码。在训练过程中，通过自主学习，生成大量的文本数据，然后通过模型捕捉到输入序列文本数据中长期依赖关系的规律，进行声音信号特征提取和故障类型识别，并归类。这样，对于变压器放电现象产生的声波多样性、不一致性，模型可以不停训练，随着时间的变化，积累大量的文本数据，系统会变得越来越聪明。因此，可以在不需要人工前期输入大量的参考故障声音库前提下，模型可以自适应不同场景下的变压器，通过自主学习，判别不同变压器的各种放电故障，达到主动预警效果。

结语

  综合上述，基于Transformer模型声纹特性算法的大型电力变压器放电主动预警技术，能够自适应不同场景的变压器，不同放电的故障声音，通过其自主学习机制，可实现主动预警，给现场运维操作人员提供运维建议，及时消除变压器的隐患，杜绝安全事故发生，对电力系统发展具有重要意义。

作者简介：余金龙（1979-10-），男，安徽东至人，本科，工程师，研究方向：电厂设备维护与检修管理，DCS控制系统，热控自动，热控程控保护，智能电站。