电力设备故障声学检测技术综述及展望

电力设备故障声学检测技术综述及展望

高培锋

国网新疆电力有限公司喀什供电公司  新疆  喀什市  844000

摘要：电力设备的声学检测技术正处于飞速发展的阶段，其关键技术及工程应用方面还有待完善。现有的文献报道通常单独介绍不同的声学检测技术原理、声学检测技术在不同的场景下的应用，较少有系统性的综述声学检测技术的报道。文章对电力设备故障声学检测技术进行了研究。

关键词：电力设备；故障；声学检测技术

1电力系统声学检测原理

1.1电力设备异响机理

电力系统中的电力设备异响主要有两大类.1）电力设备机械振动异常引起的异响；2）电力设备异常放电引起的异响。电力设备机械振动引起的异常声响通常是由于设备过负荷、设备组件松动或老化、设备潜在缺陷、运输及安装不当的情况下，设备受到的电磁力导致设备产生异常振动，进而通过设备的机械结构和空气传导，形成异响。如电力变压器的铁芯松动异响、风扇异响等都属于电力设备的机械振动异响。电力设备放电所致异响的激励源类型比较多，激励源主要包括电晕放电、局部放电、沿面放电、微粒放电等。例如，电晕放电导致的异响通常是由于电力设备高压端表面不均匀而导致电场畸变引起。畸变的电场将电离附近的空气而产生等离子体，在空气的电离过程中部分能量以声音的形式向外传递产生异响。不同电力设备的不同异常作为激励源所产生的声信号各具特点，且电力设备故障类型和其激励产生的声音信号通常具有强对应关系，因此通过检测声音信号对电力设备运行状态进行监测，保证电力系统正常运行，具有较强的技术可行性。

1.2声学检测系统架构

声学检测技术与电力设备故障检测技术中的超高频检测、红外检测、光学检测等技术的本质区别在于所采集和分析的信号不同，但是基本应用架构有着共通之处。声学检测在电力设备故障检测的应用架构主要包括待测对象层、硬件处理层、数据分析层，各层通过数据交互，为系统应用层提供故障处理解决方案及依据。待测对象层主要为电力系统中需要检测的关键设备；硬件处理层主要功能为高保真地采集待测对象的声音信号；数据分析层主要是通过声音信号的识别，实现系统设备故障诊断及故障定位。

2电力设备异常声信号采集

声信号精确采集是声学检测在电力系统的应用基础。声音传感器作为可将声音信号转换为电信号的测量元件，是可准确进行电力设备异常信号声学检测的先决条件。根据有效检测频率可将声音传感器分为噪声传感器和超声波传感器两大类。

声音传感器阵列技术比传统的单一声传感器检测具有更高的检测精度，更能实现电力设备故障的精确定向。针对电力变压器中局部放电难以准确定位的问题，引入相控阵列技术，研制了16*16阵元的平面超声传感器相控阵列用以故障检测与定位，但阵元数量较多。研发了一种用于电力设备局部放电检测的复合式声传感器，通过应用高阶积量处理技术，对十字形超声阵列传感器进行虚拟扩展使其具有61阵元的阵列性能，从而提高了超声阵列孔径和方向性锐度，将定位的相对误差减小为5%，为阵列技术在电力设备故障检测领域的实用化提供了可能性。

3电力设备故障声信号分析与诊断

3.1信号去噪

虽然电力系统中的声学信号可反映电力设备的异常运行状态，但是通常也伴随着噪声污染，影响检测结果的准确性。除了电力设备产生的异响外，工作人员运维时走动、巡视车运行、电力设备周围环境等都会产生干扰噪声。如何去除噪声污染是声学检测技术准确检测的关键。除在硬件设计过程中加入滤波环节以外，还可通过数据处理进行去噪，已有研究表明小波去噪是最常用的方法。小波去噪的质量受到小波基、小波分解层数及阈值设定的限制，目前大多数学者仅仅对其中某一影响因素进行优化，不一定能达到最优的去噪效果。定义了适用于气体绝缘金属封闭输电线路的声发射小波去噪复合评价指标，并提出一种最优小波去噪算法；该算法通过小波基、分解层数、阈值等自适应选择，实现最优化去噪效果的目的。基于离散小波变换统计与能量分析技术，使用小波数学形态联合降噪算法对信号进行预处理，利用快速傅里叶变换与均方根技术优化小波参数，结合改进组合的神经网络算法建立了滚动轴承故障振动信号模型。提取电力系统中不同设备的不同故障类型对应有不同的声音信号特征。为了准确地进行故障的分析与定位，电力设备的故障特征提取方法显得尤为重要。电力设备异常情况的声音信号特征提取方法包括统计特征法、小波分析法、指纹特征法等。小波分析法具有能够从极强背景干扰中检测微弱信号与提取时*频结构信息中“指纹”特征的能力。通过对电力设备多种典型缺陷模型数据的统计，提出一种改进的小波分析方法，重新定义了充分利用小波变换域提供的时*频结构信息的特征量。提出基于风电机组叶片裂纹声发射信号优化的小波重分配尺度谱裂纹扩展识别方法，利用最小香农熵优化小波基函数的带宽参数，克服了小波重分配尺度谱的时频分辨率不能同时达到最佳的困难。提出了自适应白噪声完备经验模态分解算法以实现对电力设备放电故障异常声信号的特征提取。首先，对信号进行分解得到若干个本征模态函数；然后，求取各峭度值；最后，选取合适的峭度值对信号进行重构，提取放电故障的特征量。但是该方法仅针对变压器的放电故障进行测试，不具有普适性。

3.2异常识别

随着人工智能技术的不断发展，人工智能算法不断被应用于电力设备故障声学检测技术的故障识别方面。神经网络、支持向量机等人工智能算法在电力设备故障声学检测技术应用较多。人工神经网络是最常见的应用于电力设备缺陷识别的方法，将所提取到的特征量作为网络的输入，利用已知的缺陷样本改变网络中的各层神经元的权重来完成学习。最后，设定权重进行电力设备缺陷类型识别，但是训练过程中存在所需样本基数大且容易局部收敛问题。应用于电力设备故障声学检测的人工神经网络主要有BP神经网络、学习向量量化等。支持向量机适合用于解决样本较少、数据维度高、非线性等问题，但是难以确定规则化系数，预测的结果不具备统计意义。

3.3故障定位

随着电力系统的不断发展，电力设备故障准确定位的要求也不断被提高。目前，基于声学信号的故障定位技术可大致分为延时定位、衰减定位、声电联合定位、基于传感器阵列的定位技术等。延时定位通过在待测设备的不同位置布置多个声传感器，利用声音到达不同传感器的时差乘以波速等于传感器与距离声源坐标距离之差的原理，求得声源的三维坐标。衰减定位通过声信号能量和传播距离的指数衰减模型，反推求得到故障声音位置。基于阵列传感器的定位技术采集声源信号到各声音传感器的相位差与方向角度，利用波速成型算法等阵列信息处理技术进行声源位置的确定。提出一种变压器局部放电的超声窄带阵列信号波达方向估计算法，并提出了一种基于多平台侧向定位原理及优化全局搜索的变压器局部放电超声阵列定位方法，大量试验表明算法定位成功率高，且故障定位精度小于10cm。声电联合定位中电磁波信号为光速传播，达到传感器的时间可视为0，声传感器和电传感器之间的信号延时即为声源信号传到检测点的时间，利用声信号传播速度乘以传播时间即可找到声源位置。

4声学检测技术在电力系统的应用

4.1噪声检测

噪声检测在电力设备的变压器、电抗器、断路器等关键电力设备的机械振动、谐波引起的谐振、典型放电故障检测中应用广泛。

4.2超声检测

超声波检测技术的有效检测频率较高，因而具有低频干扰信号噪声抑制能力，而被广泛应用于电力变压器、GIS、断路器等电力系统关键设备的放电故障的检测。典型的放电故障有局部放电、沿面放电、微粒放电等。

4.3声发射检测

声发射检测主要应用领域包括电力设备绝缘健康状态、机械健康状态及局部放电故障的检测等。

5结论

推进以电力设备故障声学检测技术为代表的无损检测技术的发展，是适应智能电网及电力系统智能化发展的重要举措。声学检测技术具有与设备无直接电气连接、可实时在线监测、定位准确等优点，为解决电力系统关键电气设备的状态检修提供重要支撑，具有广阔的应用研究前景。

参考文献：

[1]王盛厅.配电网电力设备故障维修技术[J].中国科技信息，2022（01）：54-55.

[2]陈龙.电力设备故障检测中图像融合算法的研究[D].东北电力大学，2021.