基于声纹特征的变电站状态识别方法及装置制造方法及图纸

本说明书一个或多个实施例提供一种基于声纹特征的变电站状态识别方法、装置、介质和设备，其中的方法包括：获取变电站中设置的各类设备的声音信息，并提取所述声音信息的声纹特征；将所述声纹特征输入到预设的声音识别模型，得到输出的预测结果，其中，所述声音识别模型为，预先以一定帧数的声音训练信息以及声纹训练特征所对应的预测标注为样本，以与所述声音训练信息平行的声音信息所对应的声纹特征为样本标签进行训练得到。本发明专利技术提取声音信息中的声纹特征，建立与变电站状态间的关联关系，并通过声音识别模型预判变电站的潜在故障，为变电站故障预警提供技术支持，为变电站故障检测和识别提供了新的技术手段。故障检测和识别提供了新的技术手段。故障检测和识别提供了新的技术手段。

【技术实现步骤摘要】
基于声纹特征的变电站状态识别方法及装置


[0001]本说明书一个或多个实施例涉及人工智能
，尤其涉及一种基于声纹特征的变电站状态识别方法、装置、介质及设备。

技术介绍

[0002]随着人工智能技术的迅猛发展，电力行业在输电线路、变电站、供电营业厅等场景正逐步应用人工智能技术，将电力员工从高危、重复性的日常工作中解放出来，同时提升用户服务的智能化水平。变电站是电网安全稳定运行的关键，人工智能在变电站的应用，目前主要集中于变电站内高清摄像机和机器人巡检所拍摄图像的缺陷识别，部分企业正研究利用声纹解决主变故障的预判，目前仍处于理论研究阶段，如何通过变电站声场识别变电站故障则是有待技术突破的问题。

技术实现思路

[0003]有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于声纹特征的变电站状态识别方法、装置、介质及设备，以准确地识别变电站各类设备故障。
[0004]基于上述目的，本说明书一个或多个实施例提供了一种基于声纹特征的变电站状态识别方法，包括：
[0005]获取变电站中设置的各类设备的声音信息，并提取所述声音信息的声纹特征；
[0006]将所述声纹特征输入到预设的声音识别模型，得到输出的预测结果；
[0007]其中，所述声音识别模型为，预先以一定帧数的声音训练信息以及声纹训练特征所对应的预测标注为样本，以与所述声音训练信息平行的声音信息所对应的声纹特征为样本标签进行训练得到。
[0008]结合上述说明，在本专利技术实施例一种可能的实施方式中，所述方法还包括：
[0009]建立所述声纹特征与变电站各类设备的运行状态之间的关联关系；
[0010]结合所述关联关系和所述预测结果，对所述变电站的故障进行预判。
[0011]结合上述说明，在本专利技术实施例一种可能的实施方式中，所述方法还包括：
[0012]对一维时序的所述样本进行转化，得到时序频谱数据样本；
[0013]通过所述时序频谱数据样本，以与所述声音训练信息平行的声音信息所对应的声纹特征为样本标签进行训练，得到所述声音识别模型。
[0014]结合上述说明，在本专利技术实施例一种可能的实施方式中，所述对一维时序的所述样本进行转化，得到时序频谱数据样本，包括：
[0015]生成时序样本集，包括：
[0016]将原始的所述声音信息分为若干帧，且相邻帧间设置帧移；
[0017]设置时序长度，预设帧数的所述声音信息为一个样本，以样本为单位进行预测标注，以得到时序样本集；
[0018]生成MFCC时序频谱特征向量，包括：
[0019]利用梅尔倒谱系数MFCC形成所述声音信息的时序频谱特征向量；
[0020]对所述时序样本集进行转化，得到时序频谱数据样本。
[0021]结合上述说明，在本专利技术实施例一种可能的实施方式中，所述将所述声纹特征输入到预设的声音识别模型，得到输出的预测结果，包括：
[0022]在所述声音识别模型的特征融合层引入分类器，以表征变电站的状态概率特征向量。
[0023]第二方面，本专利技术还提供了一种基于声纹特征的变电站状态识别装置，包括：
[0024]获取模块，用于获取变电站中设置的各类设备的声音信息；
[0025]提取模块，用于提取所述声音信息的声纹特征；
[0026]识别模块，用于将所述声纹特征输入到预设的声音识别模型，得到输出的预测结果；其中，所述声音识别模型为，预先以一定帧数的声音训练信息以及声纹训练特征所对应的预测标注为样本，以与所述声音训练信息平行的声音信息所对应的声纹特征为样本标签进行训练得到。
[0027]上述的装置，所述装置还包括：
[0028]关联模块，用于建立所述声纹特征与变电站各类设备的运行状态之间的关联关系；
[0029]预判模块，用于结合所述关联关系和所述预测结果，对所述变电站的故障进行预判。
[0030]上述的装置，所述装置还包括：
[0031]转化模块，用于对一维时序的所述样本进行转化，得到时序频谱数据样本；
[0032]建模模块，用于通过所述时序频谱数据样本，以与所述声音训练信息平行的声音信息所对应的声纹特征为样本标签进行训练，得到所述声音识别模型。
[0033]第三方面，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于声纹特征的变电站状态识别方法。
[0034]第四方面，本专利技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行所述的基于声纹特征的变电站状态识别方法。
[0035]从上面所述可以看出，本说明书一个或多个实施例提供的基于声纹特征的变电站状态识别方法、装置、介质及设备，综合考虑了变电站各类设备运行声音、设备操作声音、振动声音等各类声音，提取声音声学特征与变电站状态间的关联关系，预判变电站的潜在故障，为变电站故障预警提供技术支持，为变电站故障检测和识别提供了新的技术手段。
附图说明
[0036]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本说明书一个或多个实施例的基于声纹特征的变电站状态识别方法的基本
流程示意图；
[0038]图2为本说明书一个或多个实施例声纹特征提取过程示意图；
[0039]图3为本说明书一个或多个实施例的声音识别模型的层组成示意图；
[0040]图4为本说明书一个或多个实施例的装置示意图；
[0041]图5为本说明书一个或多个实施例的设备示意图。
具体实施方式
[0042]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0043]需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0044]本专利技术涉及一种基于声纹特征的变电站状态识别方法，其主要运用于变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声纹特征的变电站状态识别方法，其特征在于，包括：获取变电站中设置的各类设备的声音信息，并提取所述声音信息的声纹特征；将所述声纹特征输入到预设的声音识别模型，得到输出的预测结果；其中，所述声音识别模型为，预先以一定帧数的声音训练信息以及声纹训练特征所对应的预测标注为样本，以与所述声音训练信息平行的声音信息所对应的声纹特征为样本标签进行训练得到。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：建立所述声纹特征与变电站各类设备的运行状态之间的关联关系；结合所述关联关系和所述预测结果，对所述变电站的故障进行预判。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：对一维时序的所述样本进行转化，得到时序频谱数据样本；通过所述时序频谱数据样本，以与所述声音训练信息平行的声音信息所对应的声纹特征为样本标签进行训练，得到所述声音识别模型。4.根据权利要求3所述的方法，其特征在于，所述对一维时序的所述样本进行转化，得到时序频谱数据样本，包括：生成时序样本集，包括：将原始的所述声音信息分为若干帧，且相邻帧间设置帧移；设置时序长度，预设帧数的所述声音信息为一个样本，以样本为单位进行预测标注，以得到时序样本集；生成MFCC时序频谱特征向量，包括：利用梅尔倒谱系数MFCC形成所述声音信息的时序频谱特征向量；对所述时序样本集进行转化，得到时序频谱数据样本。5.根据权利要求1所述的方法，其特征在于，所述将所述声纹特征输入到预设的声音识别模型，得到输出的预测结果，包括：在所述声音识别模型的特...

【专利技术属性】
技术研发人员：何清素，靳丹，张小敏，张旭，赵雪梅，张建明，闫晓斌，王生宏，卫祥，刘晓光，盖晓平，车志刚，程玉涛，刘志远，王晶，李春亮，张磊，党倩，杨波，刘宁，万鹏，
申请(专利权)人：国网甘肃省电力公司信息通信公司，
类型：发明
国别省市：