变压器是变电站高电压远距离输电系统中的重要设备，也是电力设备故障识别与诊断的重点。文中从声 纹分析角度探讨变压器故障识别系统，介绍系统组成，重点分析变压器噪声分离模块、声纹特征提取模块以及基于 LSTM 的声纹识别模块。与传统的人工听声定障法相比，基于人工智能技术的电力设备声纹的故障诊断方法为电 力设备的故障诊断提出了一种新思路、新方向，且与传统的以电气测试为代表的断电检测相比，因其具有不断电、 实时性的优越性能，极大地提高了故障检测的便利性与时效性，为电力系统的安全运行提供了强力支撑，确保变压 器的安全可靠运行。实验结果表明，文中所提出方法不仅大幅度提升了变压器故障识别的准确率与鲁棒性，还因 其非断电、实时性的效能，大大提高了电力系统故障检测的安全性、可靠性与工作效率。
[1] 崔佳嘉，马宏忠 . 基于改进 MFCC 和 3D-CNN 的变压器铁 心松动故障声纹识别模型[J]. 电机与控制学报 ，2022，26（ 12）∶51-57.
[2] 王丰华，王邵菁，陈颂，等 . 基于改进MFCC和VQ的变压器声 纹识别模型[J]. 中国电机工程学报，2017，37（5）∶1535-1543.
[3] 李敏 . 高噪声环境下变压器故障声纹识别方法研究[D]. 北 京：华北电力大学，2022.
[4] 符劲松 . 基于可听声的变压器内部火花放电故障诊断研究 [D]. 武汉：华中科技大学，2013.
[5] 曹力潭，魏华兵，黄智，等 . 基于 LSTM 神经网络的电抗器 故障声纹识别方法[J]. 浙江电力，2023，42（4）∶114-120.
[6] 李宁，田冬梅，单大鹏，等 . 城市变电站噪声分析及降噪措 施探讨[J]. 高压电器，2015，51（ 1）∶139-144.
[7] 王川川，汪亚，朱宁，等 . 基于构建虚拟多通道的欠定盲源 分离方法研究[J]. 兵工自动化，2023，42（4）∶60-65.
[8] 律方成，潘亦睿，郭佳熠，等 . 基于欠定盲源分离理论与深 度学习的声音样本集获取与分类方法[J]. 华北电力大学学 报（自然科学版），2020，47（4）∶1-9.
[9] 韩烨宸，贺兴，艾芊 .基于GRU-EEMD算法的非侵入式配电网 功率欠定盲源分离[J]. 电力系统自动化，2023，47（14）∶64-71.
[10] 王果，雷武，闵永智，等 . 改进 EEMD算法在高压并联电抗 器声信号去噪中的应用[J]. 电力系统保护与控制，2023， 51（24）∶164-174.
[11] 潘亦睿 . 盲源分离和深度学习相结合的并联电抗器噪声 分离识别技术研究[D]. 北京：华北电力大学，2021.
[12] 吴懿范 . 基于盲源分离与深度神经网络的 1 000 MW火电 机组低频振动故障诊断研究[D]. 杭州：浙江大学，2023
