基于声纹和神经网络的变压器高有功值预测方法技术

本发明专利技术公开了一种基于声音信息和神经网络的变压器高有功值预测方法，包括以下步骤：(1)、采集变压器的高有功值持续时间内对应的音频数据；(2)、将时间均匀切分为多个时间片段，并依据时间片段划分为训练集、测试集和验证集；(3)、对音频数据进行特征提取，获得音频数据的Filterbank特征；(4)、构建由输入层、四组卷积‑池化单元、全局平均池化层、全连接层、输出层构成的卷积神经网络；(5)、将训练数据频谱图和真实高有功值输入卷积神经网络，经过训练获得变压器高有功值预测模型；(6)、将测试集输入至预测模型进行验证。本发明专利技术能够避免复杂电力环境的影响，并具有预测结果准确性高的优点。

Prediction method of high active value of transformer based on voiceprint and neural network

【技术实现步骤摘要】
基于声纹和神经网络的变压器高有功值预测方法
本专利技术涉及电力设备参数监测方法领域，具体是一种基于声纹和神经网络的变压器高有功值预测方法。
技术介绍
电力变压器在运行时，高有功值是负荷值的表征，它能反应用电情况，当高有功值越大的时候，电力变压器的负荷率较大，电力变压器输电功率也较大。传统的高有功值监测基于电压、电流值计算得到，需要在电力变压器现场安装电压、电流监测装置。由于电力设备和线路中存在电磁辐射，现场监测装置采集的数据存在误差，并且电压、电流监测装置与电力设备和线路连接，在高有功值存在时容易受到瞬时大电压及电流的冲击，也会造成监测数据不准确的问题。因此需要一种能够实现非接触测量电力变压器高有功值的方法。
技术实现思路
本专利技术的目的是提供一种基于声纹和神经网络的变压器高有功值预测方法，以解决现有技术电力变压器高有功值监测数据测量不准确的问题。为了达到上述目的，本专利技术所采用的技术方案为：基于声纹和神经网络的变压器高有功值预测方法，其特征在于：包括以下步骤：(1)、采集变压器的真实高有功值及高本文档来自技高网...

【技术保护点】
1.基于声纹和神经网络的变压器高有功值预测方法，其特征在于：包括以下步骤：/n(1)、采集变压器的真实高有功值及高有功值持续时间内对应的音频数据；/n(2)、将高有功值持续时间均匀切分为多个时间片段，并将多个时间片段对应的高有功值的音频数据划分为训练集、测试集和验证集；/n(3)、对音频数据进行特征提取，获得音频数据的Filterbank特征，该特征是多维的张量，可看作频谱图；/n(4)、构建卷积神经网络，所述卷积神经网络由输入层、四组卷积-池化单元、全局平均池化层、全连接层、输出层构成，其中输入层是音频数据的Filterbank特征频谱图，每组卷积-池化单元分别由一层卷积层和一层池化层构成，...

【技术特征摘要】
1.基于声纹和神经网络的变压器高有功值预测方法，其特征在于：包括以下步骤：
(1)、采集变压器的真实高有功值及高有功值持续时间内对应的音频数据；
(2)、将高有功值持续时间均匀切分为多个时间片段，并将多个时间片段对应的高有功值的音频数据划分为训练集、测试集和验证集；
(3)、对音频数据进行特征提取，获得音频数据的Filterbank特征，该特征是多维的张量，可看作频谱图；
(4)、构建卷积神经网络，所述卷积神经网络由输入层、四组卷积-池化单元、全局平均池化层、全连接层、输出层构成，其中输入层是音频数据的Filterbank特征频谱图，每组卷积-池化单元分别由一层卷积层和一层池化层构成，每组卷积-池化单元中的池化层均为AvgPooling层，输出层为1维的高有功值；
(5)、将步骤(3)得到的音频数据集的Filterbank特征频谱图作为训练数据频谱图，基于训练数据频谱图和对应的真实高有功值对步骤(4)构建的卷积神经网络进行训练，获得变压器高有功值预测模型；
(6)、将测试集输入至预测模型后再与验证集进行比对，实现对预测模型的验证。


2.根据权利要求1所...

【专利技术属性】
技术研发人员：季坤，张晨晨，丁国成，朱太云，李坚林，陈庆涛，吴兴旺，杨海涛，尹睿涵，秦少瑞，付成成，王维佳，胡心颖，
申请(专利权)人：国网安徽省电力有限公司，国网安徽省电力有限公司电力科学研究院，安徽继远软件有限公司，
类型：发明
国别省市：安徽;34