摘要：电力系统的安全稳定运行关乎民生国计，电力系统设备不可避免会发生各种形式的故障，毫无预警的电力事故可能造成严重的社会影响，因此加强电力设备的状态检测具有重大意义。为了适应电力系统不断智能化及电力系统不断提高的检测要求，无损检测技术受到越来越广泛的关注。声学检测技术作为无损检测的典型代表，具有检测精度高、准确性强、定位方便等优势。国内外学者已开展若干研究，研究的方向主要涉及声学检测技术中信号采集、故障诊断、故障定位以及声学检测系统的研发应用等方面。
关键词：电力设备；故障
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，从而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，噪声传感器有效检测频率为20 Hz～20 kHz, 超声波传感器有效检测频率大于20 kHz, 可从物理上滤除人耳可听范围的背景声信号，具有较强的抗干扰能力。
3 电力设备故障声信号分析与诊断
镀镍钢带
peepm3.1 信号去噪客户通讯录管理系统
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。高频发生器
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。
3.2 特征提取
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。
3.3 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(learning vector quantization, LVQ)、自适应共振理论(adaptive resonance theory, ART)等。
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
防喷网谐振、典型放电故障检测中应用广泛。
基于GIS机械故障时振动产生的噪声信号辐射的声场变化特性，采用具有方向性的声传感器探头设计GIS声场测量的声成像系统，并验证了系统的检测性能，对GIS设备安全稳定运行具有十分重要的意义。开发了基于web技术的变压器噪声监测系统，主要实现对监测信号的查询与显示交互功能，缺少对异常信号的分析。利用.NET技术开发了一套用于变压器振动噪声检测的综合分析系统，该系统可采集变压器稳态与短路冲击下的噪声信号，采用不同的分析方法提取噪声特征量，为全面评估变压器运行状态提供了可靠参考。搭建了基于声音阵列传感器的电力变压器铁芯振动声成像检测试验平台，得到了图像特征值和铁芯不同松动程度的变化规律。
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。
利用超声波检测仪与常规脉冲电流检测仪搭建了交流运行电压下GIS故障实验检测系统，对金属微粒的运动行为、局部放电及危害程度进行研究。
5 声学检测的关键问题及研究思路
声学检测技术在电力系统中具有良好的发展前景。为了能够更好地适应电力系统智能化发展检测要求，声学检测技术的检测有效性及故障定位精确性等方面有待进一步研究。
1)传感器阵列及算法优化
目前，电力系统声学检测技术的发展瓶颈在于定位准确性有待提高和直观交互性较差。综合研究声传感器阵列的排布规律及信号处理算法，减小声传感器在电力系统应用中的检测误差，提高电力设备故障定位的准确率。一方面研究声传感器阵列的最优排布，提高检测精度并减少阵元数目降低成本；另一方面深度优化基于阵列信号处理技术的电力设备故障定位或者声学成像处理算法。
2)声场仿真技术的发展
随着计算机技术的快速发展，基于声学检测的仿真分析技术具有较好的发展潜力。未来基于声学检测的仿真分析技术可更准确地描述声场，更精准地分析声波组成成分，可对声传感器的设计、故障诊断分析等方面起到理论指导作用。研究声场理论，构建适应多种环境的电力设备故障声场分析模型，利用Matlab等软件对声场进行仿真并给出可视化结果，从而使得电力设备故障声信号分析或预测难度得到极大简化。多媒体调度台
6 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。
前面主要针对电力设备中故障声学检测技术的基本原理、故障分析诊断及典型的应用等方面，综述了声学检测技术的研究现状和关键问题，并对后续可能的研究方向与思路进行探讨。希望可以为声学检测技术在电力系统故障检测方面的发展提供有益参考，不断推进电力系统设备故障检测技术的发展。
参考文献
[1] 项添春，房向阳，干耀生，等.声学检测技术在电力系统中的应用概况及前景[J].华北电力技术，2017(11):7-10.
[2] 王成江，李光.基于声发射技术的绝缘子放电识别用特征量研究[J].电力自动化设备，2021,32(7):143-148.
[3] 王建元，梁惠娟，康爱民.国内电力变压器局部放电超声波定位研究进展[J].东北电力大学学报，2019,39(2):10-14.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议