CN115047290A - 基于深度学习的电缆故障放电声音的检测方法 - Google Patents

Abstract

本申请公开了基于深度学习的电缆故障放电声音的检测方法，包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取待检测电缆在采样区域内的原始采样声音数据；步骤2，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型；步骤3，利用降噪深度学习网络模型对特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，其中，电缆放电故障声音数据用于检测待检测电缆上的故障点。通过本申请中的技术方案，有助于利用故障点因放电现象释放的声音信号对电缆故障点进行精确地检测定位。

Description

基于深度学习的电缆故障放电声音的检测方法

技术领域

本申请涉及电缆故障检测的技术领域，具体而言，涉及基于深度学习的电缆故障放电声音的检测方法。

背景技术

目前在电缆故障检测中常用的方法主要以非运行状态故障定位方法为主，非运行状态故障定位方法包括阻抗测量法与行波测量法等。其中，阻抗测量法是在电缆线路参数已知的前提下，测量测试点与故障点之间的阻抗并且通过特定的计算公式来计算故障距离。而行波测量法是通过向故障电缆施加高压脉冲波，脉冲信号沿着电缆进行传输时会因为故障点处阻抗的变化而向测试端产生反射脉冲，利用仪器记录下发生脉冲的时间与接收到反射脉冲的时间，两者的时间差即为脉冲信号在电缆测试端与电缆故障点之间往返一次所需要的时间，根据信号在电缆中传播的速度和时间即可计算出测试端与故障点的距离。

而现有技术中，电力***中电缆敷设所处的环境状况较为复杂，导致电缆故障检测相对困难。并且，现有的方法多为离线检测，对日常用电需求会造成一定的影响。具体的，阻抗测量法因受到线路参数和过渡电阻的影响，检测时测量精度较低，所测距离与实际故障距离产生较大误差；行波测量法由于所发射的行波较为复杂，难以准确识别到反射波信号。

因此，使用上述方法测量出的故障点所处范围较大，不适宜直接对埋地电缆进行开挖处理。所以，需要采取有效的精确的电缆故障检测定位方式，以提高电缆故障处理速度、减少对埋地电缆上方地表的破环。

发明内容

本申请的目的在于：如何利用故障点因放电现象释放的声音信号对电缆故障点进行精确地检测定位。

本申请的技术方案是：提供了基于深度学习的电缆故障放电声音的检测方法，该方法包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取待检测电缆在采样区域内的原始采样声音数据；步骤2，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型；步骤3，利用降噪深度学习网络模型对特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，其中，电缆放电故障声音数据用于检测待检测电缆上的故障点。

上述任一项技术方案中，进一步地，步骤3之前还包括：构建降噪深度学习网络模型，其中，构建降噪深度学习网络模型的过程具体包括：步骤301，根据特征值的位数，确定隐含层节点数，其中，隐含层节点数由带噪放电声音的对数功率谱的位数确定；步骤302，根据隐含层节点数，搭建双隐含层网络结构，并基于误差反向传播算法，对双隐含层网络结构的权值和阈值进行调整；步骤303，确定双隐含层网络结构的学习算法，构建降噪深度学习网络模型。

上述任一项技术方案中，进一步地，步骤3中还包括：利用训练集对降噪深度学习网络模型进行迭代训练；根据上一次迭代训练后隐含层网络结构输出的总误差，利用修正网络误差性能函数，对训练集进行修正，其中，修正网络误差性能函数的计算公式为：

式中，msereg为归一化的均方误差，γ为误差性能调整率，E(ω,b)为双隐含层网络结构输出的总误差，n₁为隐含层的节点数，j为隐含层的序号，x_j为第j个隐含层的输入；

利用修正后的训练集，对上一次迭代训练后的降噪深度学习网络模型进行下一次迭代训练，直至降噪深度学习网络模型收敛。

上述任一项技术方案中，进一步地，原始采样声音数据的对数功率谱的计算公式为：

X(n2,d)＝log|Y(n2,d)|²

式中，X(n2,d)为第n2个采样点、功率谱幅值为d的对数功率谱，Y(n2,d)为第n2个采样点、功率谱幅值为d的频域，||为绝对值函数。

上述任一项技术方案中，进一步地，步骤3中，具体包括：步骤311，对原始采样声音数据进行DFT变换，提取原始采样声音数据的对数功率谱及相位角；步骤312，利用降噪深度学习网络模型对特征值进行降噪处理，根据降噪处理后的特征值以及相位角，利用声音重构函数，进行声音片段重构；步骤313，使用重叠相加法，对重构后的声音片段进行时域叠加，生成电缆放电故障声音数据。

上述任一项技术方案中，进一步地，检测方法还包括：当判定电缆放电故障声音数据大于报警阈值时，将当前电缆放电故障声音数据对应位置处的电缆，记作待检测电缆上的故障点。

本申请的有益效果是：

本申请中的技术方案，采用脉冲发生器向待检测电缆施加高压直流脉冲信号，如果待检测电缆上存在故障点，则故障点在该直流脉冲信号的作用下产生放电现象并且向环境中释放声音信号，对该信号进行采集和分析，即可实现对故障点的检测。但由于实际电缆检测环境中充满了各种环境噪声，导致采集到原始采样声音数据里面混合了大量噪声信号，对故障点的准确定位造成影响。因此，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型，由降噪深度学习网络模型进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，有效地滤除了放电声音中的环境噪声，提高了电缆故障定位的精度，有助于减少对埋地电缆上方地表的破环。

附图说明

本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请的一个实施例的基于深度学习的电缆故障放电声音的检测方法的示意流程图；

图2是根据本申请的一个实施例的网络模型各阶段数据处理的示意图；

图3是根据本申请的一个实施例的故障放电声音信号特征提取框图；

图4是根据本申请的一个实施例的前馈神经网络拓扑结构图；

图5是根据本申请的一个实施例的故障放电声音波形重构图；

图6是根据本申请的一个实施例的降噪前后的故障放电声音波形对比图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。

如图1和图2所示，本实施例提供了基于深度学习的电缆故障放电声音的检测方法，该方法包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取待检测电缆在采样区域内的原始采样声音数据；步骤2，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型；步骤3，利用降噪深度学习网络模型对特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，其中，电缆放电故障声音数据用于检测待检测电缆上的故障点。

进一步的，该检测方法还包括：当判定电缆放电故障声音数据大于报警阈值时，将当前电缆放电故障声音数据对应位置处的电缆，记作待检测电缆上的故障点。

在进行电缆故障点诊断时，需要在故障电缆上使用相应的仪器施加直流高压脉冲信号，当该信号传输到故障点时，故障点处由于绝缘介质被破坏而会产生放电现象，而这种放电现象伴随着向环境中释放放电声音信号，因此，可以通过在地面上沿着电缆的走向，使用传感器提取待检测电缆采样区域内的声音信号，作为原始采样声音数据，通过降噪深度学习网络模型对原始采样声音数据进行降噪处理，滤除原始采样声音数据中的噪声，如人群嘈杂声、汽车噪声、机器噪声、风声以及白噪声等。因此，输出的电缆放电故障声音数据中声音信号最强的地方或者大于报警阈值时，该位置处的电缆即为电缆故障点。

通过上述方法在实现对电缆故障点进行精确地检测定位的同时，极大的提高了电缆故障处理速度、减少了对埋地电缆上方地表的破环。

进一步的，本实施例利用原始采样声音数据的对数功率谱作为特征值，以便从原始采样声音数据中提取出最鲜明的特征。在特征值提取的过程中，如图3所示，对声音数据进行DFT变换，之后按照时间间隔，对各个采样点处的声音信号波形的频域取对数，以保证输出的特征值可以保留较为完整的信息，有利于后期对声音进行恢复和重构。其中，原始采样声音数据的对数功率谱的计算公式为：

X(n2,d)＝log|Y(n2,d)|²

式中，X(n,d)为第n2个采样点、功率谱幅值为d的对数功率谱，Y(n2,d)为第n2个采样点、功率谱幅值为d的频域，||为绝对值函数。

另外，由于采集到的故障电缆的放电声音是模拟信号，其时域波形值表示声压随时间变化的关系，难以代表声音的特征，因此，需要通过转换器进行模数转换。将声音波形转换为声学特征向量，具体过程不再赘述。

本实施例中，不同于常规的声音模式识别，降噪过程为了能够较好的将估计所得的降噪声音特征值还原成波形信号，需要在特征提取的过程中保留一定量的信息，即降噪后输出的具有故障特征的电缆放电故障声音数据，以便对电缆故障点进行检测。

进一步的，本实施例还需要构建降噪深度学习网络模型，该过程具体包括：

步骤301，根据特征值的位数，确定隐含层节点数；其中，隐含层节点数由带噪放电声音的对数功率谱的位数确定。

步骤302，根据隐含层节点数，搭建双隐含层网络结构，并基于误差反向传播算法，对双隐含层网络结构的权值和阈值进行调整；

步骤303，确定双隐含层网络结构的学习算法，构建降噪深度学习网络模型。

具体的，由于实际电缆故障诊断环境较为复杂，且故障点位置具有随机性。本实施例中，为了能够使网络充分学习各种环境下的放电声音，以深度神经网络为基础，构建具有更好表达能力的双隐含层网络结构，如图4所示。

在网络正向传播时，深度神经网络的输入信号X₁,X₂,X₃,…,X_n将经过输入层X输入到网络中，然后通过隐含层H₁和隐含层H₂中权值和阈值的处理后传到输出层Y。

本实施例使用声音信号的对数功率谱特征值作为网络的输入，需要选择合适的隐含层节点数、学习算法以及传递函数等。具体过程如下：

1.选择合适的隐含层节点数

在隐含层节点数的选取过程中，需截取故障电缆放电声音信号中一段固定时长的带噪放电声音，对其进行分频、加窗及短时傅里叶变换STFT得到其频域信号Y(n,d)，然后求取该频率信号的对数功率谱，所得对数功率谱的位数即为网络输入与输出节点数。

在实际运算时，通过应选取合适的隐含层节点数，且设置两层隐含层的节点个数相同，合适的隐含层节点数能保证神经网络预测精度和训练效率。如果节点数选取较少，会使网络无法很好地学习，导致训练次数增加影响训练精度；如果节点数选取太多，会增加网络训练的时间，网络也容易陷入过拟合。

2.确定网络学习算法

本实施例采用变学习率作为网络学习算法，其梯度下降算法不仅能够在网络训练的过程中保证算法运行的稳定，同时能使学习速率尽可能快。该算法能够依据局部误差曲面对学习率做出相应地调整，表达式为：

其中，k_inc和k_dec分别为增量因子和减量因子，a(k)为学习速率，E(k)为第k次训练的网络预测误差。

当网络预测误差不断减小，证明网络修正的方向是趋于目标的，可以通过将学习速率a(k)乘以增量因子k_inc来增加训练的步长；而当网络预测误差的增长量超过预先设置的数值时，证明网络参数过修改，可以通过将学习速率a(k)乘以减量因子k_dec来降低训练的步长，使学习速率减小，同时将前一步增加误差的修正过程舍弃。其中，增量因子小于1，减量因子大于1，均为设定值，以便调整网络的学习方向和速率。

3.选取传递函数

传递函数能够增强网络模型的非线性，提升网络的性能，使神经网络可以实现较为复杂的学习，同时激活函数的存在有利于权值误差梯度的反向传播。因此，选择非线性的对数S型传递函数，并应用于输入层和隐含层之间的传递函数为：

式中，x为传递函数的输入值，f₁为输入层至第一隐含层的传递函数，f₂为第一隐含层至第二隐含层的传递函数。

本实施例中，如果输出层Y中的网络预测值Y₁,Y₂,Y₃,…,Y_m与期望数值相差较大时，则该深度神经网络模型使用误差反向传播算法，通过误差反向调整各层的权值和阈值从而使网络预测输出的误差减小到可以接受的程度。

通过上述过程，即完成了降噪深度学习网络模型的搭建，可对其进行训练，直至其收敛，便可用于对采集到的原始采样声音数据进行降噪处理。

需要说明的是，在对降噪深度学习网络模型进行训练之前，还需要构建相应的训练样本，由于采集到的放电声音信号中混合了大量的环境噪声，对电缆故障点具***置的判断造成一定影响，需要对采集到的信号进行降噪处理，生成用于神经网络模型训练的声音数据样本。该声音数据样本包括降噪声音信号与带噪放电声音信号两种类型的声音数据。

构建网络训练样本集时，采用指数衰减的震荡信号来表示放电声音信号，采样频率为8kHz，采用声音数据库中的人群嘈杂声、汽车噪声、机器噪声、风声以及白噪声作为噪声信号(噪声数据)，以模拟真实环境噪声。由于现实生活中影响人的听感的主要因素通常是加性噪声，因此可以通过加性模型来构建带噪放电声音信号。

依据该加性模型，构建了大量的网络训练样本对，得到训练样本，该加性模型为：

y(t)＝x(t)+n(t)

其中，y(t)为带噪放电声音信号，x(t)为降噪放电声音信号，n(t)为噪声信号。

1)网络训练部分，以采集到的带噪放电声音和降噪放电声音数据的对数功率谱作为特征值，经过特征提取之后得到大量的声音特征对，将上述特征值作为神经网络的输入，确定网络所使用大量的样本集对网络进行训练。

2)声音降噪部分，将深度神经网络作为映射模型，学习带噪放电声音和降噪声音之间复杂的非线性关系，选取的该深度神经网络是一个有监督的网络模型。在该深度神经网络的测试中，会遇到与训练集不相符的、偏差较大的测试集，大量带噪放电声音和降噪声音数据对可以提高对不匹配测试集的泛化能力。

在降噪过程中，把一段带噪放电声音信号进行特征提取后，将特征值输入到已经训练好的深度神经网络中，得到估计的降噪放电声音信号特征值(对数功率谱)，然后通过波形重构的方法，结合带噪放电声音的相位，合成较为理想的降噪声音波形文件。

优选的，步骤3中还包括：

利用训练集对降噪深度学习网络模型进行迭代训练；

根据上一次迭代训练后隐含层网络结构输出的总误差，利用修正网络误差性能函数，对训练集进行修正，其中，修正网络误差性能函数的计算公式为：

式中，msereg为归一化的均方误差，γ为误差性能调整率，E(ω,b)为双隐含层网络结构输出的总误差，n₁为隐含层的节点数，j为隐含层的序号，x_j为第j个隐含层的输入；

利用修正后的训练集，对上一次迭代训练后的降噪深度学习网络模型进行下一次迭代训练，直至降噪深度学习网络模型收敛。

具体的，在网络训练的过程中，常常会出现过拟合的情况，即训练好的网络在测试集可以对放电声音进行有效的降噪，但同时也会输入与训练集不相符的偏差较大的测试集，此时，神经网络的降噪效果难以达到理想状态。利用归一化的方法可以提高网络的泛化能力，以改善网络的过拟合情况，能够更加有效地滤除放电声音的噪声。

在训练过程中，利用修正网络误差性能函数对训练集进行修正，将其作为系数对训练集进行处理，修正误差性能，降低训练集的偏差。该函数可以使网络获得较小的权值和阈值，从而使网络的响应变得平滑，提高对故障电缆放电声音波形的识别能力。其中，修正网络误差性能函数的计算公式为：

式中，msereg为归一化的均方误差，γ为误差性能调整率，E(ω,b)为双隐含层网络结构输出的总误差，n1为隐含层的节点数，j为隐含层的序号，x_j为第j个隐含层的输入。

本实施例中，对降噪深度学习网络模型进行训练的过程具体包括：

1.初始化输入层X和隐含层H₁的阈值为b_H1，权值为ω_H1；隐含层H₁和隐含层H₂的阈值为b_H2，权值为ω_H2；隐含层H₂和输出层Y的阈值为b_Y，权值为ω_Y。

2.根据输入层X、各层之间的连接权值以及阈值计算隐含层H₁、H₂和输出层节点的输出:

H₁＝f₁(ω_H1X+b_H1)

H₂＝f₂(ω_H2H₂+b_H2)

Y＝Liner(ω_YH₂+b_Y)

3.计算误差：设网络有P对输入样本数据(特征值)，深度神经网络对于相异的输入样本，最终会得到不同的误差值，表达式：

其中，Y_k为第k个训练样本的期望值，

为第k个训练样本所预测的值。

在网络训练中，将全部样本输入到网络之后，对获得的误差进行平方得到E_P ²，可以有效避免因为样本采样的不均匀和样本的输入顺序而造成的网络训练结果的片面性，并且将误差的平方相加然后开方，得到的输出误差值作为总误差E(ω,b)，表达式：

其中，ω为所有权值集合，b为所有偏差集合。

4.利用上述总误差反向调整各层的权值和阈值，这种累计误差训练的批量处理方法称为批量处理训练。批量处理训练可以在网络样本数较多的情况下有较快的收敛速度，并且该训练原理能够保证总误差持续减小。

5.判断算法迭代是否结束，若未结束，则返回2重新进行迭代。

进一步的，本实施例在对降噪处理后的原始采样声音数据进行声音波形重构过程中，具体包括：

步骤311，对原始采样声音数据进行DFT变换，提取原始采样声音数据的对数功率谱及相位角；

步骤312，利用降噪深度学习网络模型对特征值进行降噪处理，根据降噪处理后的特征值以及相位角，利用声音重构函数，进行声音片段重构；

步骤313，使用重叠相加法，对重构后的声音片段进行时域叠加，生成电缆放电故障声音数据。

具体的，如图5所示，经过上述网络降噪处理得到的放电声音信号特征值，需要经过声音信号结合带噪放电声音的相位，合成获得电缆放电故障声音数据。

利用已经训练好的上述网络，可以估计得到降噪声音信号的对数功率谱特征值，然后对其进行波形重构，重构函数为：

其中，∠Y(n,d)为在带噪放电声音信号中获得的相位角，

为降噪处理后的特征值，

为重构后的声音片段。

对声音片段进行分帧，将其分割成一帧一帧的信号。通过使用重叠相加法，将每一帧波形重构后的声音片段

进行短时傅里叶逆变换，把频域信号

变换为时域信号

然后在相邻两帧之间把时间重叠的部分相加，得到一段完整的声音时域信号

生成电缆放电故障声音数据。对应的计算公式为：

其中，f_n为分帧后的总帧数，i为帧数。

在样本集模型训练完成后，从测试集中随机抽取一些声音数据，将这些数据经过训练好的神经网络进行降噪处理，通过对比图6降噪前和降噪后的放电声音波形图，由图可知基于深度学习的电缆故障放电声音处理与检测方法能够处理训练集外的数据，有效的消除环境中的噪声；降噪后放电波形的故障段更为清晰，范围更小，该方法提高了故障检测精度，对电缆的故障点有了较为精确的定位。

为了验证本实施例中的检测方法，通过MATLAB/Simulink平台搭建电力电缆故障模型，模拟电缆故障。同时搭建直流高压脉冲发生器模块向故障电缆发射脉冲信号，电缆故障点被该信号击穿会产生放电声音信号，进而利用搭建出的神经网络提取故障电缆的放电声音。

本实施例中，使用神经网络学习放电声音和冲击放电声音之间复杂的非线性关系，通过设计神经网络结构并且对放电声音信号进行特征提取；然后利用训练集对神经网络进行训练，使用训练好的神经网络对测试集中的数据进行降噪处理，将估计得到的特征值进行波形重构；最后通过对带噪放电声音进行降噪处理，证明上述方法可以有效的消除环境噪声，检测到电缆因故障放电发出的放电声音。

以上结合附图详细说明了本申请的技术方案，本申请提出了基于深度学习的电缆故障放电声音的检测方法，包括：步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取待检测电缆在采样区域内的原始采样声音数据；步骤2，提取原始采样声音数据的对数功率谱作为特征值，并将特征值输入至降噪深度学习网络模型；步骤3，利用降噪深度学习网络模型对特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出原始采样声音数据对应的电缆放电故障声音数据，其中，电缆放电故障声音数据用于检测待检测电缆上的故障点。通过本申请中的技术方案，有助于利用故障点因放电现象释放的声音信号对电缆故障点进行精确地检测定位。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。

Claims (6)

1.基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述方法包括：

步骤1，利用脉冲发生器向待检测电缆施加高压直流脉冲信号，获取所述待检测电缆在采样区域内的原始采样声音数据；

步骤2，提取所述原始采样声音数据的对数功率谱作为特征值，并将所述特征值输入至降噪深度学习网络模型；

步骤3，利用所述降噪深度学习网络模型对所述特征值进行降噪处理，并使用重叠相加法，对降噪处理后的特征值进行声音波形重构，输出所述原始采样声音数据对应的电缆放电故障声音数据，

其中，所述电缆放电故障声音数据用于检测所述待检测电缆上的故障点。

2.如权利要求1所述的基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述步骤3之前还包括：构建所述降噪深度学习网络模型，其中，构建所述降噪深度学习网络模型的过程具体包括：

步骤301，根据所述特征值的位数，确定隐含层节点数，其中，所述隐含层节点数由带噪放电声音的对数功率谱的位数确定；

步骤302，根据所述隐含层节点数，搭建双隐含层网络结构，并基于误差反向传播算法，对所述双隐含层网络结构的权值和阈值进行调整；

步骤303，确定所述双隐含层网络结构的学习算法，构建所述降噪深度学习网络模型。

3.如权利要求1所述的基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述步骤3中还包括：

利用训练集对所述降噪深度学习网络模型进行迭代训练；

根据上一次迭代训练后所述隐含层网络结构输出的总误差，利用修正网络误差性能函数，对所述训练集进行修正，其中，所述修正网络误差性能函数的计算公式为：

式中，msereg为归一化的均方误差，γ为误差性能调整率，E(ω,b)为所述双隐含层网络结构输出的总误差，n₁为隐含层的节点数，j为隐含层的序号，x_j为第j个隐含层的输入；

利用修正后的训练集，对上一次迭代训练后的降噪深度学习网络模型进行下一次迭代训练，直至降噪深度学习网络模型收敛。

4.如权利要求1所述的基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述原始采样声音数据的对数功率谱的计算公式为：

X(n2,d)＝log|Y(n2,d)|²

式中，X(n2,d)为所述第n2个采样点、功率谱幅值为d的对数功率谱，Y(n2,d)为所述第n2个采样点、功率谱幅值为d的频域，||为绝对值函数。

5.如权利要求1所述的基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述步骤3中，具体包括：

步骤311，对所述原始采样声音数据进行DFT变换，提取所述原始采样声音数据的对数功率谱及相位角；

步骤312，利用所述降噪深度学习网络模型对所述特征值进行降噪处理，根据降噪处理后的特征值以及所述相位角，利用声音重构函数，进行声音片段重构；

步骤313，使用重叠相加法，对重构后的声音片段进行时域叠加，生成所述电缆放电故障声音数据。

6.如权利要求1所述的基于深度学习的电缆故障放电声音的检测方法，其特征在于，所述检测方法还包括：

当判定所述电缆放电故障声音数据大于报警阈值时，将当前电缆放电故障声音数据对应位置处的电缆，记作所述待检测电缆上的故障点。

Images