CN113608082B - 一种基于音频信号的环网柜放电状态识别方法 - Google Patents

Abstract

本发明涉及环网柜故障识别技术领域，具体公开了一种基于音频信号的环网柜放电状态识别方法，包括：采集不同状态下的环网柜运行声音信号，其中，不同状态下的环网柜运行声音信号包括不同类型的环网柜放电声音信号；对环网柜运行声音信号进行处理，得到环网柜放电声音信号的能量特征向量；利用Fisher降维准则，使环网柜放电声音信号的能量特征向量的维度减小，得到降维后的能量特征向量；建立环网柜放电声音信号识别模型，将降维后的能量特征向量输入至环网柜放电声音信号识别模型中，得到环网柜放电声音信号识别结果。本发明能够提升环网柜故障的识别精度，更加的快速可靠，对及时发现故障有很大的指导作用。

Description

一种基于音频信号的环网柜放电状态识别方法

技术领域

本发明涉及环网柜故障识别技术领域，更具体地，涉及一种基于音频信号的环网柜放电状态识别方法。

背景技术

环网柜作为电力***中控制和保护的重要中枢环节，成为了保证配电网稳定运行的坚强后盾。在其制造和运行的过程中，会因为种种的缺陷造成局部放电，威胁电网的稳定运行。

针对环网柜的故障问题，要求做到实时掌控，采取措施避免事态的扩大，这就需要获取设备的状态信息。通常依靠工人通过耳朵听和眼睛看的传统方式辨别设备是否处于良好状态存在很多不足。同时，传统的人工方法无法预测设备下一时刻的状态，无法对潜在故障做出预测。而随着智能电网的提出，电气设备的结构越来越复杂。当故障发生时，各类故障具有很强的随机性，多样性。因此，将现代化技术应用于数字信号处理领域，可以借助更多的先进技术获取所需的数据信息。

在环网柜的故障中，主要为绝缘性缺陷。绝缘状态的好坏直接关系到电气设备及线路的安全运行。近年来，电力故障灾难对国民经济造成较大损失。为了最小化损失，必须制定一套可靠的绝缘监测方法。而局部放电是监测绝缘状态的重要形式之一，可以通过建立合理的监测***对局部放电进行监测。

在高压设备运行的过程中，局部放电常伴随有一些可闻声音。实验和相关研究发现，这些声音具有一定的辨识性，可以通过分辨声音的特性来判断其绝缘状态。本发明通过选择声音作为识别对象，提出了基于音频信号的环网柜放电状态识别方法。

发明内容

针对现有技术中存在的上述弊端，本发明提供了一种基于音频信号的环网柜放电状态识别方法，用来针对环网柜的绝缘故障进行声音在线监测，保障环网柜安全可靠的运行。

作为本发明的第一个方面，提供一种基于音频信号的环网柜放电状态识别方法，包括：

步骤S1：采集不同状态下的环网柜运行声音信号，其中，所述不同状态下的环网柜运行声音信号包括不同类型的环网柜放电声音信号；

步骤S2：对所述环网柜运行声音信号进行处理，得到环网柜放电声音信号的能量特征向量，其中，所述环网柜放电声音信号的能量特征向量代表放电声音信号波形的特征；

步骤S3：利用Fisher降维准则，使所述环网柜放电声音信号的能量特征向量的维度减小，得到降维后的能量特征向量；

步骤S4：建立环网柜放电声音信号识别模型，将所述降维后的能量特征向量输入至所述环网柜放电声音信号识别模型中，得到环网柜放电声音信号识别结果。

进一步地，在所述步骤S1中，还包括：

将采集到的所述环网柜运行声音信号通过带通滤波器滤除工频及其谐波噪声。

进一步地，在所述步骤S2中，还包括：

步骤S21：通过小波包能量分析法将所述环网柜运行声音信号分解到各个频率段上后，将0-48khz的频率段划分，经过5层小波包分解得到32个子频率段的波形信号，每个频率段区间为1.5khz；

步骤S22：通过分别计算每个子频率段上分解信号的能量，进而形成小波包节点能量特征向量；其中，环网柜运行声音信号每个子频率段上分解信号的能量E_i及环网柜运行声音信号总能量E的计算公式如下；

其中，x_i(n)为第i个子频率段上的分解信号序列，n为环网柜运行声音信号样本数的序列，例如，200个环网柜运行声音信号样本，n＝1代表第一个环网柜运行声音信号样本；

步骤S23：分别计算每个子频率段上分解信号能量E_i的百分比T_i，百分比T_i的计算公式如下：

其中，T_i为第i个子频率段上分解信号能量的百分比；

步骤S24：抛弃6khz以下的频率段和18khz以上的频率段，只保留8个子频率段，所以得到环网柜放电声音信号的能量特征向量T为：

其中，环网柜放电声音信号的能量特征向量T代表不同子频率段上分解信号能量的百分比。

进一步地，在所述步骤S3中，还包括：

步骤S31：通过Fisher降维准则计算所述环网柜放电声音信号的能量特征向量的重要程度；

其中，所述Fisher降维准则为：

其中，r_Fisher是环网柜放电声音信号的能量特征向量通过Fisher降维准则求出的Fisher比；σ_between表示能量特征向量的类间方差，即不同环网柜放电声音信号的能量特征分量均值的方差；σ_within表示能量特征向量的类内方差，即同一环网柜放电声音信号的能量特征分量的方差的均值；

其中，k代表能量特征向量的维数；m_k表示所有类别的能量特征向量的第k个分量的均值；表示声音能量特征向量中的第i类的第k个分量的的均值；ω_i表示第i类的声音特征序列；N表示分类声音特征序列的类别数；n_i表示各类的样本数，c是声音特征序列的分量；

步骤S32：通过计算Fisher比的降维方法，将原来的8维能量特征向量降维到6维，选取区分度较大的6个频率段组成的新能量特征向量作为最终辨识的依据。

进一步地，在所述步骤S4中，还包括：应用一种单分类支持向量机的方式对所述降维后的能量特征向量进行识别，以识别出所述环网柜放电声音信号的类型；

步骤S41：通过非线性映射，将降维后的环网柜放电声音信号的能量特征向量映射到高维特征空间，形成封闭的超球体，方法如下：

设存在R^N到一高维特征空间χ的非线性映射φ使得φ(X_i)∈χ，寻找一个半径为R球心为a的超球体S，令φ(X_i)尽量包含在超球体S中，得到下列约束方程：

其中，ξ_i为松弛变量，C为松弛系数，允许极小部分的训练数据不满足约束要求；

为了简化建立的高维特征空间的维度，通过核函数对高维特征空间进行映射，高斯核函数为：K(x_i)＝exp{-γx_i ^Tx_i}，γ是高斯核宽度参数；

步骤S42：降维后的环网柜放电声音信号的能量特征向量根据在所述超球体S的位置来进行分类，针对超球体S的约束方程，得到如下拉格朗日方程：

其中，a_i≥0,β_i≥0为拉格朗日算子；

如果a_i＝0，则C＝β_i，ξ_i＝0，降维后的环网柜放电声音信号的能量特征向量的位置在超球体S内部，说明当前降维后的环网柜放电声音信号的能量特征向量属于这个类别；如果0<a_i<C，则R²+ξ_i-||φ(x_i-a)||²＝0，同时满足ξ_i≥0，降维后的环网柜放电声音信号的能量特征向量不在超球体S内部，说明当前降维后的环网柜放电声音信号的能量特征向量不属于这个类别；记为d²(x)＝||φ(x_i-a)||²为能量特征向量到球心的距离，判断待分类环网柜放电声音信号是否为绝缘子沿面放电的能量特征向量，即：

f(x)＝sgn(R²-||φ(x_i-a)||²)＝sgn(R²-d²(x))

其中，R为能量特征向量到球心的距离；

步骤S43：构建OC-SVM辨识模型，在训练过程中只需要训练降维后的环网柜放电声音信号的能量特征向量。

本发明提供的一种基于音频信号的环网柜放电状态识别方法具有以下优点：采用小波包能量分析对放电特征表征，能准确用声音数据的能量分布来判别绝缘状态；将提取到的特征向量使用Fisher降维准则进行降维；基于环网柜放电声音的分类状况，结合实际，提出了基于单分类支持向量机为声音在线监测的识别模型，其综合识别率接近百分之百，相比传统的环网柜故障监测方法，本方法拥有更好的识别精度，更加的快速可靠。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。

图1为本发明提供的一种基于音频信号的环网柜放电状态识别方法的流程图。

图2为本发明提供的单分类支持向量机分类方式示意图。

图3为本发明提供的Fisher比值柱状图。

图4为本发明提供的OC-SVM算法流程。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于音频信号的环网柜放电状态识别方法其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

在本实施例中提供了一种基于音频信号的环网柜放电状态识别方法，如图1所示，一种基于音频信号的环网柜放电状态识别方法包括：

步骤S1：采集不同状态下的环网柜运行声音信号，其中，所述不同状态下的环网柜运行声音信号包括不同类型的环网柜放电声音信号；

需要说明的是，每段试验声音录制2秒，不同绝缘子在不同状态下录制10次，分解成100ms一段的数据，每种状态共得到200组环网柜运行声音样本数据；

步骤S2：对所述环网柜运行声音信号进行处理，得到环网柜放电声音信号的能量特征向量，其中，所述环网柜放电声音信号的能量特征向量代表放电声音信号波形的特征；

步骤S3：利用Fisher降维准则，使所述环网柜放电声音信号的能量特征向量的维度减小，得到降维后的能量特征向量；

需要说明的是，使放电声音信号波形的特点能够集中表现，降维后的能量特征向量具有接近高斯分布的特性，满足环网柜放电声音信号识别模型训练阶段的输入样本数据特点；

步骤S4：建立环网柜放电声音信号识别模型，将所述降维后的能量特征向量输入至所述环网柜放电声音信号识别模型中，得到环网柜放电声音信号识别结果。

应当理解的是，通过环网柜放电声音信号识别模型识别降维后的能量特征向量以区分不同类型的放电声音信号。

优选地，在所述步骤S1中，还包括：

将采集到的所述环网柜运行声音信号通过带通滤波器滤除工频及其谐波噪声。

优选地，在所述步骤S2中，还包括：

步骤S21：通过小波包能量分析法将所述环网柜运行声音信号(200组环网柜运行声音样本数据)分解到各个频率段上后，将0-48khz的频率段划分，经过5层小波包分解得到32个子频率段的波形信号，每个频率段区间为1.5khz；

步骤S22：通过分别计算每个子频率段上分解信号的能量，进而形成小波包节点能量特征向量；其中，环网柜运行声音信号每个子频率段上分解信号的能量E_i及环网柜运行声音信号总能量E的计算公式如下；

其中，x_i(n)为第i个子频率段上的分解信号序列，n为环网柜运行声音信号样本数的序列，例如，200个环网柜运行声音信号样本，n＝1代表第一个环网柜运行声音信号样本；

步骤S23：为了方便数据的分析与处理，使分析结果更加直观，通常将得到的能量按下式做归一化处理，具体为，分别计算每个子频率段上分解信号能量E_i的百分比T_i，百分比T_i的计算公式如下：

其中，T_i为第i个子频率段上分解信号能量的百分比；

步骤S24：考虑到带通滤波器的作用，抛弃6khz以下的频率段和18khz以上的频率段，只保留8个子频率段，所以得到环网柜放电声音信号的能量特征向量T为：

其中，环网柜放电声音信号的能量特征向量T代表不同子频率段上分解信号能量的百分比。

需要说明的是，基于小波包分析，获取了放电声音信号的能量特征向量，其表征了放电声音信号频段能量的特点。在辨识训练算法阶段，过多的维数会降低辨识效率与准确程度。某些频率区间的能量分量，不能够和其他声音相区分，也不能表征放电声音信号的特点。为了进一步优化数据，需要使用Fisher判别准则对能量特征向量的影响程度进行评价，得到其中有较大区分程度的特征分量，组成新的频段能量特征向量。

优选地，在所述步骤S3中，还包括：

步骤S31：通过Fisher降维准则计算所述环网柜放电声音信号的能量特征向量的重要程度；

其中，所述Fisher降维准则为：

其中，r_Fisher是环网柜放电声音信号的能量特征向量通过Fisher降维准则求出的Fisher比；σ_between表示能量特征向量的类间方差，即不同环网柜放电声音信号的能量特征分量均值的方差；σwithin表示能量特征向量的类内方差，即同一环网柜放电声音信号的能量特征分量的方差的均值；

其中，k代表能量特征向量的维数；m_k表示所有类别的能量特征向量的第k个分量的均值；表示声音能量特征向量中的第i类的第k个分量的的均值；ω_i表示第i类的声音特征序列；N表示分类声音特征序列的类别数；n_i表示各类的样本数，c是声音特征序列的分量；

需要说明的是，能量特征分量的类间方差σ_between表征了不同类型放电声音之间的区分度，而类内方差σ_within反映了放电声音信号的关联度；对于不同类别的声音特征向量，需要对不同类别放电声音信号的类内方差和类间方差进行运算，得到放电声音信号不同频段分类量Fisher准则之间的关系；

步骤S32：通过计算Fisher比的降维方法，将原来的8维能量特征向量降维到6维，选取区分度较大的6个频率段组成的新能量特征向量作为最终辨识的依据；得到了不同频率区间的Fisher比值，剔除Fsiher比小于0.1的特征分量，即E₇,E₈两个分量，保留E₁～E₆分量；Fisher比的结果如图3所示，通过降维，使得能量特征向量的维度减小，使能量特征向量的特点能够集中表现。

优选地，在所述步骤S4中，还包括：应用一种单分类支持向量机的方式对所述降维后的能量特征向量进行识别，以识别出所述环网柜放电声音信号的类型；

步骤S41：通过非线性映射，将降维后的环网柜放电声音信号的能量特征向量映射到高维特征空间，形成封闭的超球体，方法如下：

设存在R^N到一高维特征空间χ的非线性映射φ使得φ(X_i)∈χ，寻找一个半径为R球心为a的超球体S，令φ(X_i)尽量包含在超球体S中，得到下列约束方程：

其中，ξ_i为松弛变量，C为松弛系数，允许极小部分的训练数据不满足约束要求；

为了简化建立的高维特征空间的维度，通过核函数对高维特征空间进行映射，高斯核函数为：K(x_i)＝exp{-γx_i ^Tx_i}，γ是高斯核宽度参数；

步骤S42：降维后的环网柜放电声音信号的能量特征向量根据在所述超球体S的位置来进行分类，针对超球体S的约束方程，得到如下拉格朗日方程：

其中，a_i≥0,β_i≥0为拉格朗日算子；

如果a_i＝0，则C＝β_i，ξ_i＝0，降维后的环网柜放电声音信号的能量特征向量的位置在超球体S内部，说明当前降维后的环网柜放电声音信号的能量特征向量属于这个类别；如果0<a_i<C，则R²+ξ_i-||φ(x_i-a)||²＝0，同时满足ξ_i≥0，降维后的环网柜放电声音信号的能量特征向量不在超球体S内部，说明当前降维后的环网柜放电声音信号的能量特征向量不属于这个类别；记为d²(x)＝||φ(x_i-a)||²为能量特征向量到球心的距离，判断待分类环网柜放电声音信号是否为绝缘子沿面放电的能量特征向量，即：

f(x)＝sgn(R²-||φ(x_i-a)||²)＝sgn(R²-d²(x))

其中，R为能量特征向量到球心的距离；单分类支持向量机分类方式如图2所示；

步骤S43：构建OC-SVM辨识模型，在训练过程中只需要训练降维后的环网柜放电声音信号的能量特征向量。

需要说明的是，OC-SVM辨识模型的识别率主要取决于核宽度参数γ及松弛系数C，通过调节两个参数获得更高的辨识率。借助网格搜索法不断来改变核宽度参数γ及松弛系数C，获得最佳的参数组合。

具体地，网格搜索法是一种对参数的穷举方法，具体为：将核参数及松弛参数可能的取值罗列出来进行排列组合，这一组合形成了网格；然后将得出的各个可能的参数组合用进行训练，并用交叉验证法对各参数组合做评估；通过网格搜索不断改变参数γ和参数C，寻找最佳的识别率；通过不断循环迭代，可得到不同参数γ和参数C的组合条件下的辨识效果，从中选出最佳的辨识参数组合，通过计算对于声音的综合识别率可以达到99.93％，具有实际应用的可行性；其中，OC-SVM算法流程如图4所示。

本发明提供的一种基于音频信号的环网柜放电状态识别方法，采用小波包能量分析对放电特征表征，能准确用声音数据的能量分布来判别绝缘状态；将提取到的特征向量使用Fisher降维准则进行降维；基于环网柜放电声音的分类状况，结合实际，提出了基于单分类支持向量机为声音在线监测的识别模型，其综合识别率接近百分之百，相比传统的环网柜故障监测方法，本方法拥有更好的识别精度，更加的快速可靠。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.一种基于音频信号的环网柜放电状态识别方法，其特征在于，包括：

步骤S1：采集不同状态下的环网柜运行声音信号，其中，所述不同状态下的环网柜运行声音信号包括不同类型的环网柜放电声音信号；

步骤S2：对所述环网柜运行声音信号进行处理，得到环网柜放电声音信号的能量特征向量，其中，所述环网柜放电声音信号的能量特征向量代表放电声音信号波形的特征；

步骤S3：利用Fisher降维准则，使所述环网柜放电声音信号的能量特征向量的维度减小，得到降维后的能量特征向量；

步骤S4：建立环网柜放电声音信号识别模型，将所述降维后的能量特征向量输入至所述环网柜放电声音信号识别模型中，得到环网柜放电声音信号识别结果；

其中，在所述步骤S4中，还包括：应用一种单分类支持向量机的方式对所述降维后的能量特征向量进行识别，以识别出所述环网柜放电声音信号的类型；

步骤S41：通过非线性映射，将降维后的环网柜放电声音信号的能量特征向量映射到高维特征空间，形成封闭的超球体，方法如下：

设存在R^N到一高维特征空间χ的非线性映射φ使得φ(X_i)∈χ，寻找一个半径为R球心为a的超球体S，令φ(X_i)尽量包含在超球体S中，得到下列约束方程：

其中，ξ_i为松弛变量，C为松弛系数，允许极小部分的训练数据不满足约束要求；

为了简化建立的高维特征空间的维度，通过核函数对高维特征空间进行映射，高斯核函数为：K(x_i)＝exp{-γx_i ^Tx_i}，γ是高斯核宽度参数；

步骤S42：降维后的环网柜放电声音信号的能量特征向量根据在所述超球体S的位置来进行分类，针对超球体S的约束方程，得到如下拉格朗日方程：

其中，a_i≥0,β_i≥0为拉格朗日算子；

如果a_i＝0，则C＝β_i，ξ_i＝0，降维后的环网柜放电声音信号的能量特征向量的位置在超球体S内部，说明当前降维后的环网柜放电声音信号的能量特征向量属于这个类别；如果0<a_i<C，则R²+ξ_i-||φ(x_i-a)||²＝0，同时满足ξ_i≥0，降维后的环网柜放电声音信号的能量特征向量不在超球体S内部，说明当前降维后的环网柜放电声音信号的能量特征向量不属于这个类别；记为d²(x)＝||φ(x_i-a)||²为能量特征向量到球心的距离，判断待分类环网柜放电声音信号是否为绝缘子沿面放电的能量特征向量，即：

f(x)＝sgn(R²-||φ(x_i-a)||²)＝sgn(R²-d²(x))

其中，R为能量特征向量到球心的距离；

步骤S43：构建OC-SVM辨识模型，在训练过程中只需要训练降维后的环网柜放电声音信号的能量特征向量。

2.根据权利要求1所述的一种基于音频信号的环网柜放电状态识别方法，其特征在于，在所述步骤S1中，还包括：

将采集到的所述环网柜运行声音信号通过带通滤波器滤除工频及其谐波噪声。

3.根据权利要求1所述的一种基于音频信号的环网柜放电状态识别方法，其特征在于，在所述步骤S2中，还包括：

步骤S21：通过小波包能量分析法将所述环网柜运行声音信号分解到各个频率段上后，将0-48khz的频率段划分，经过5层小波包分解得到32个子频率段的波形信号，每个频率段区间为1.5khz；

步骤S22：通过分别计算每个子频率段上分解信号的能量，进而形成小波包节点能量特征向量；其中，环网柜运行声音信号每个子频率段上分解信号的能量E_i及环网柜运行声音信号总能量E的计算公式如下；

其中，x_i(n)为第i个子频率段上的分解信号序列，n为环网柜运行声音信号样本数的序列，例如，200个环网柜运行声音信号样本，n＝1代表第一个环网柜运行声音信号样本；

步骤S23：分别计算每个子频率段上分解信号能量E_i的百分比T_i，百分比T_i的计算公式如下：

其中，T_i为第i个子频率段上分解信号能量的百分比；

步骤S24：抛弃6khz以下的频率段和18khz以上的频率段，只保留8个子频率段，所以得到环网柜放电声音信号的能量特征向量T为：

其中，环网柜放电声音信号的能量特征向量T代表不同子频率段上分解信号能量的百分比。

4.根据权利要求3所述的一种基于音频信号的环网柜放电状态识别方法，其特征在于，在所述步骤S3中，还包括：

步骤S31：通过Fisher降维准则计算所述环网柜放电声音信号的能量特征向量的重要程度；

其中，所述Fisher降维准则为：

其中，r_Fisher是环网柜放电声音信号的能量特征向量通过Fisher降维准则求出的Fisher比；σ_between表示能量特征向量的类间方差，即不同环网柜放电声音信号的能量特征分量均值的方差；σ_within表示能量特征向量的类内方差，即同一环网柜放电声音信号的能量特征分量的方差的均值；

其中，k代表能量特征向量的维数；m_k表示所有类别的能量特征向量的第k个分量的均值；表示声音能量特征向量中的第i类的第k个分量的均值；ω_i表示第i类的声音特征序列；N表示分类声音特征序列的类别数；n_i表示各类的样本数，c是声音特征序列的分量；

步骤S32：通过计算Fisher比的降维方法，将原来的8维能量特征向量降维到6维，选取区分度较大的6个频率段组成的新能量特征向量作为最终辨识的依据。