电力设备在电力系统的各个生产环节中发挥着重要的作用，其中任意一个关键的电力设备出现故障都有可能引起整个系统运行失稳，甚至导致大面积停电，带来难以估计的经济损失。据统计，单台220kv变压器故障造成的直接损失费用超百万元，加上由于停电引起的间接损失，总损失超千万。此外，电力设备关键器件，例如互感器、电容器、避雷器的故障往往会引发连锁反应，不仅会波及临近设备，严重的还会引发爆炸和起火，造成人员伤亡。因此，研发可靠的电力设备在线监测技术具有重要意义。

目前电力设备在线监测系统都是基于接触式传感器的在线监测装置，尤其是非原厂商集成的二次在线监测系统，本身可能是个风险点；非接触式监测方式有图像、声音、红外的方式，其中声音方式成本最低，尤其适用于机械振动类设备；声音异常直接反映了设备运行状态的异常工况或者故障。上海交通大学电子信息与电气工程学院的李喆教授研究团队，与国家电网、南方电网公司等行业龙头央企合作研发，采用众包方式建立了电力设备故障音频库，提出了基于人工智能的电力设备声纹识别方法。该方法可在高噪声环境中保证故障识别准确率，并将算法集成到监测端，研制了一套具有边缘计算功能的声纹识别设备，开发了具有台账管控功能的电力设备监控后台，与现有的电力设备智能诊断技术形成互补，实现多设备协同的变电站数字化运维。目前该系统已在上海、广州等地区多个变电站挂网运行，赋能电网数字化转型。

建立电力设备声纹样本库：模拟实验与实际工况结合，填补行业空白

在电力设备声纹识别领域的一个共同的难题是故障样本的稀缺性。电力设备故障具有突发性，发生概率低，再加上电气从业人员在过去并没有录制故障音频的意识，导致现存故障样本很少。在目前声音监测装置未大规模列装的情况下，仅通过现场实地采集的方式获取故障样本并不实际，其数据量难以支持模型训练。针对这一行业空白，团队提出了模拟实验与实际工况采集相结合的众包数据收集方式，定制了真型变压器、真型GIS等设备进行故障模拟，并在多地变电站收集挂网运行状态下的电力设备故障音频，累计收集到各类电力设备故障声音五十余种，建立了电力设备故障音频样本库，填补了电力设备声纹识别领域行业空白。

提出两级声纹识别算法：降低现场误报率，满足巡检需求

由于电力设备运行场景的复杂性和多样性，在实际应用中往往伴随陌生的噪声干扰，导致现场误报率较高。目前广泛使用的卷积神经网络，随机森林等算法均属于闭集识别算法，这些算法假设所有可能接受到的样本都属于固定的几个类别，当陌生类或受噪声污染的样本出现，则算法识别的准确率将显著下降，而误报率将明显上升，对巡检工作造成较大困扰。项目组针对这一问题开展了大量研究，提出了基于新奇检测的电力设备两级声纹识别算法，在识别算法前引入一级陌生类检测算法，通过学习训练集数据在高维空间的边界来辨识后续输入样本是否属于异常值，分离被噪声污染的样本。根据一线巡检人员的实际需求，项目组开发了“高检出”“低误报”两种工作模式，减轻了巡检人员的负担，降低了电力设备巡检运维成本。

开发声纹识别设备：大范围、连续实时监测，实现边缘计算

电力设备工作环境较为复杂，现场难以布控大型计算存储设备，针对这一问题，团队开发了一套具有边缘计算功能的声纹识别设备，在边缘端实现音频录制、工况诊断等功能。同时，团队根据变电站实际运维需求，开发了具有识别结果可视化以及传感器管理功能的网页系统。此系统部署于服务器中，通过网络通信与各个边缘端设备进行连接，用于管理传感器回传的电力设备运行音频以及识别结果并进行可视化，同时对传感器的参数和算法进行设置更新。

产学研用结合，助力电网数字化转型

十多年来，上海交通大学李喆教授研究团队与南方电网公司、国家电网公司一直保持密切合作，瞄准变电站一线紧迫的技术需求和电网数字化转型的目标，面向电力设备声纹在线监测这一领域集中力量联合攻关。上海交大负责基础理论与算法研究、系统开发与产品研制，所研发系统在国家电网、南方电网公司变电站挂网运行，实际测试并推广应用，真正做到了产学研一体化，保障电力设备的稳态运行。项目团队在实际需求中不断迭代更新产品，已开发针对换流变压器、GIS设备等不同设备的声纹诊断系统，研制出适用于室内、室外的两套硬件设备，并支持4G/5G/wifi等多种通信方式，目前该系统已在上海市、广州市多个变电站挂网运行，保障电力系统稳态运行，为我国电网数字化转型赋能。

来源：新闻学术网