一种面向电网监控的声纹模型演化设备故障融合判决方法技术

本发明专利技术提供了一种面向电网监控的声纹模型演化设备故障融合判决方法，包括：实时采集音频，采用基于小波变换的双重分类去噪方法进行干扰噪声去除预处理；提取经过预处理的各类正常状态下的设备声音信号数据的MFCC特征向量，分别得到各类正常状态下的样本数据集，建立并更新目标设备在各类正常状态下的高斯混合模型；提取待测音频样本数据并建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；基于多高斯混合模型，进行目标设备声纹故障融合判决。本发明专利技术的方法可以消除环境的弱异常干扰与强异常干扰带来的影响，能够实时匹配样本数据的变化规律，有效地对电网监控场景进行监测，实现异常监测并及时预警。监测并及时预警。监测并及时预警。

【技术实现步骤摘要】
一种面向电网监控的声纹模型演化设备故障融合判决方法


[0001]本专利技术涉及电网监控和声纹故障监测预警
，具体但不限于涉及一种面向电网监控的声纹模型演化设备故障融合判决方法。

技术介绍

[0002]随着科技的不断发展，越来越多的配电工业设备出现在人们的视野中。电网监控是对电网运行状况进行监督和控制，对电网运行中出现的故障或者不正常运行状况都能及时发现和解决。在智能电网发展的过程中，电网监控的智能化成为一个重要方面，它关系着整个电力系统运行稳定性和安全性，目前传统的监测普遍方法采用大样本机器学习算法，不仅维护成本高、效率低，而且电网监控场景异常样本严重不足，影响着判别的准确率。然而现有的检修方法凭借的是先验知识，而且不同人员的鉴别能力各不相同，没有一种行之有效的方法能够代替检修人员监测。
[0003]针对上述问题，基于自适应算法的监测方法受到了越来越多的关注，将算法匹配到电网监控场景中的主设备中，进行一对一监测，不仅可以降低调度成本，还可以大大提高维修效率。现有的故障监测方法通常集中在湿度、压力和温度等传感方面，但是都不及视觉监测或者听觉监测更加直接有效。派遣专业人员定期维护虽可以在一定程度上减少电网监控中心故障的发生，但是雇佣人工成本高、监测效率低。于是，音频监测方法因为其效率高和成本低逐渐被人们所知晓，基于声纹的故障监测预警可以及时发现故障且及时发出预警。
[0004]有鉴于此，需要提供一种新的方法，以期解决上述至少部分问题。

技术实现思路

[0005]针对现有技术中的一个或多个问题，本专利技术提出了一种面向电网监控的声纹模型演化设备故障融合判决方法，实时有效地对电网监控场景进行监测，实现异常监测并及时预警。
[0006]实现本专利技术目的的技术解决方案为：
[0007]一种面向电网监控的声纹模型演化设备故障融合判决方法，包括：
[0008]步骤1：采集电网设备的实时声音信号，采用基于小波变换的双重分类去噪对实时声音信号进行预处理，去除其中的环境干扰噪声；
[0009]步骤2：提取经过预处理的各正常状态下的电网设备声音信号的MFCC特征向量，构建各正常状态下的样本数据集，根据样本数据集建立并更新目标设备在各正常状态下的高斯混合模型；
[0010]步骤3：提取待测声音样本数据，建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；
[0011]步骤4：根据多高斯混合模型进行目标设备的声纹故障融合判决。
[0012]进一步的，本专利技术的面向电网监控的声纹模型演化设备故障融合判决方法，步骤1
具体包括：
[0013]步骤1
‑
1：目标电网设备的环境干扰噪声包括背景噪声与异常干扰的叠加，将实时声音信号X(t)进行离散小波变换，得到小波系数W
i,k
：
[0014][0015]其中，a
i
＝2
‑
i
为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；为小波函数；
[0016]步骤1
‑
2：进行第一重背景噪声去除：若实时声音信号幅值小于背景噪声的判别阈值λ
′
i
，则去除其对应的小波系数标号，否则保留；
[0017]所述背景噪声的判别阈值λ
′
i
为：
[0018][0019]其中，σ1表示背景噪声补偿系数，与背景噪声强度成正比，σ1>1；r表示周边设备到目标电网设备的平均距离；r0为距离规范化常数，用于克服远近效应；γ为信号长度；α表示异常因素的强化因子，若无异常因素则α＝1，若有异常因素，则：
[0020]α＝1+LΔ
[0021]其中，Δ为强化步长，L为异常干扰因素个数；
[0022]步骤1
‑
3：进行第二重异常干扰去除：若实时声音信号幅值大于异常干扰的判别阈值则去除相应的小波系数标号，否则保留；
[0023]所述异常干扰的判别阈值为：
[0024][0025]其中，σ2表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，且σ2＞＞σ1；
[0026]利用视频监控系统与传感器数据收集系统获知异常干扰因素，记当前异常干扰因素共L个，由先验统计得到第l个异常干扰因素产生的声音中心频点为f
l
，并根据X(t)>th1获得相应的个时间段的中心时点t
τ
，得到异常干扰因素对应的伸缩因子a
i
和小波系数标号k：
[0027][0028]k＝v(t
τ
)
[0029]其中，th1为第一阈值，u(
·
)表示幂指数近似处理，v(
·
)表示取整处理，1≤l≤L，)表示取整处理，1≤l≤L，
[0030]则得到异常干扰因素对应的小波分解层数i和小波系数标号k；
[0031]步骤1
‑
4：通过双重分类去噪，得到重构的小波系数W
′
i,k
：
[0032][0033]其中，W
i,k
′
为经过阈值处理重构的小波系数；
[0034]步骤1
‑
5：对重构的小波系数W
′
i,k
进行相应的离散小波逆变换，得到去除干扰噪声后的目标电网设备的声音信号X
′
(t)。
[0035]进一步的，本专利技术的面向电网监控的声纹模型演化设备故障融合判决方法，步骤2中提取MFCC特征向量的步骤包括：
[0036]步骤2
‑
1：将目标电网设备的声音信号X
′
(t)划分为I帧，每帧包含N＝512个样本，相邻帧有256个样本重叠，则第l帧音频信号x
l
(n)为：
[0037]x
l
(n)＝x(l*N+n)w(n)
[0038]其中，x为分帧之后的音频信号，l为音频信号帧数标号，N为窗长，n为窗口移动步数，x(.)表示分帧处理，汉宁窗w(n)为：
[0039][0040]步骤2
‑
2：设计一个有36个频带的滤波器，滤波器个数L＝36，频率范围为0Hz到5512Hz，使用重叠的三角形频带，每个三角形滤波器的输出为m(q)，其中，q＝1,2
…
,L；
[0041]步骤2
‑
3：对所有滤波器的输出m(q)做对数运算，再做离散余弦变换，得到一组MFCC参数：
[0042][0043]其中，β＝0,1,
…
,R，1≤R≤L，β为MFCC特征向量标号索引。
[0044]进一步的，本专利技术的面向电网监控的声纹模型演化设备故障融合判决方法，步骤2中，根据样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，包括：步骤1：采集电网设备的实时声音信号，采用基于小波变换的双重分类去噪对实时声音信号进行预处理，去除其中的环境干扰噪声；步骤2：提取经过预处理的各正常状态下的电网设备声音信号的MFCC特征向量，构建各正常状态下的样本数据集，根据样本数据集建立并更新目标设备在各正常状态下的高斯混合模型；步骤3：提取待测声音样本数据，建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；步骤4：根据多高斯混合模型进行目标设备的声纹故障融合判决。2.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤1具体包括：步骤1
‑
1：目标电网设备的环境干扰噪声包括背景噪声与异常干扰的叠加，将实时声音信号X(t)进行离散小波变换，得到小波系数W
i,k
：其中，a
i
＝2
‑
i
为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；为小波函数；步骤1
‑
2：进行第一重背景噪声去除：若实时声音信号幅值小于背景噪声的判别阈值λ
′
i
，则去除其对应的小波系数标号，否则保留；所述背景噪声的判别阈值λ
′
i
为：其中，σ1表示背景噪声补偿系数，与背景噪声强度成正比，σ1>1；r表示周边设备到目标电网设备的平均距离；r0为距离规范化常数，用于克服远近效应；γ为信号长度；α表示异常因素的强化因子，若无异常因素则α＝1，若有异常因素，则：α＝1+LΔ其中，Δ为强化步长，L为异常干扰因素个数；步骤1
‑
3：进行第二重异常干扰去除：若实时声音信号幅值大于异常干扰的判别阈值则去除相应的小波系数标号，否则保留；所述异常干扰的判别阈值为：其中，σ2表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，且σ2＞＞σ1；利用视频监控系统与传感器数据收集系统获知异常干扰因素，记当前异常干扰因素共L个，由先验统计得到第l个异常干扰因素产生的声音中心频点为f
l
，并根据X(t)>th1获得相应的
┏
个时间段的中心时点t
τ
，得到异常干扰因素对应的伸缩因子a
i
和小波系数标号k：
k＝v(t
τ
)其中，th1为第一阈值，u(
·
)表示幂指数近似处理，v(
·
)表示取整处理，1≤l≤L，1≤τ≤
┏
；则得到异常干扰因素对应的小波分解层数i和小波系数标号k；步骤1
‑
4：通过双重分类去噪，得到重构的小波系数W
′
i,k
：其中，W
i,k
′
为经过阈值处理重构的小波系数；步骤1
‑
5：对重构的小波系数W
′
i,k
进行相应的离散小波逆变换，得到去除干扰噪声后的目标电网设备的声音信号X
′
(t)。3.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤2中提取MFCC特征向量的步骤包括：步骤2
‑
1：将目标电网设备的声音信号X
′
(t)划分为I帧，每帧包含N＝512个样本，相邻帧有256个样本重叠，则第l帧音频信号x
l
(n)为：x
l
(n)＝x(l*N+n)w(n)其中，x为分帧之后的音频信号，l为音频信号帧数标号，N为窗长，n为窗口移动步数，x(.)表示分帧处理，汉宁窗w(n)为：步骤2
‑
2：设计一个有36个频带的滤波器，滤波器个数L＝36，频率范围为0Hz到5512Hz，使用重叠的三角形频带，每个三角形滤波器的输出为m(q)，其中，q＝1,2
…
,L；步骤2
‑
3：对所有滤波器的输出m(q)做对数运算，再做离散余弦变换，得到一组MFCC参数：其中，β＝0,1,
…
,R，1≤R≤L，β为MFCC特征向量标号索引。4.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤2中，根据样本数据集建立N个高斯混合模型，每个高斯混合模型均由M个高斯分布混合而成，其中，第n个正常态的高斯混合模型表示为：其中，1≤n≤N，1≤m≤M，n表示高斯混合模型的索引，m表示高斯混合模型各分模型的索引，x
q
表示高斯混合模型的输入，q表示输入样本标号，1≤q≤Q，Q为累计输入样本数量，P
(x
q
|u
nm
,δ
nm
)为第m个高斯分布在x
q
的概率密度值，w
nm
...

【专利技术属性】
技术研发人员：张晖，左庆华，赵海涛，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：