[发明专利]一种基于支持向量机模型的开关柜局部放电信号识别方法

说明书

技术领域

本发明属于音频信号处理和识别领域，涉及音频信号处理和模式识别技术，具体涉及一种基于支持向量机模型的开关柜局部放电信号识别方法。

背景技术

随着用户对电能质量的认识的不断增强，对供电的可靠性要求也越来越高。配网是供电可靠性的主要落脚点。而开关柜是配网的主要设备之一，统计数据表明，85%的绝缘故障是由局部放电引起的，这些绝缘故障如果得不到及时的预防检测及解决，将会成为安全隐患，甚至演变成严重的电力事故，造成经济损失，危害人身安全。

积极开展开关柜绝缘状态的带电测试或在线监测是目前预防早期绝缘故障，防止绝缘故障发生的最有效的手段。其中局部放电信号是衡量设备绝缘状态最重要的参数之一，故开展开关柜的局部放电现场测试成为运行单位大力尝试的方向。对开关柜的局部放电进行检测，能够及时的发现开关柜中的局部放电，并掌握开关柜的运行状况，预防重大电力事故的发生，保障配网供电的可靠性与安全性。

目前国内外，基于超声波基础上的局部放电的研究及生产的产品，通常的检测方法是基于超声波信号的频谱范围内将检测到的信号转换为声压值大小，并设定阈值与之判断局部放电信号的有无，辅助检测手段是利用耳机监听超声波信号经“外差法”处理后得到的音频信号，来检测局部放电信号的有无及局部放电的严重程度。由于人耳生理结构的限制，有时并不能捕捉到真正的局部放电声音信号，同时不同的操作人员听觉上的差异性，也会引起开关柜绝缘故障的误判，检测可靠性受到威胁，会引起不必要的经济损失及安全威胁。传统局放识别算法据局限性也会造成检测准确率不高，引起误判和漏判，不能及时发现潜在故障，从而造成巨大的经济损失及安全事故。

发明内容

本发明的目的在于克服现有方法的缺点，提供一种基于支持向量机模型的开关柜局部放电信号识别方法，在美尔倒谱系数（简称：MFCC）音频处理技术基础上利用支持向量机原理对开关柜的局部放电进行检测与识别，即利用基于支持向量机的原理对采集到的基于“外差法”得到的开关柜的局部放电声音信号进行识别分类。

支持向量机模型（简称：SVM）是一种基于统计学习理论的机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。该方法不但算法简单，而且具有较好的“鲁棒”性即健壮性，与神经网络相比，它的优点是训练算法中不存在局部极小值问题，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中，现在已经在许多领域取得了成功的应用。

MFCC是Mel标度频率域提取出的倒谱参数，描述了人耳对频率感知的非线性特性。研究表明，MFCC能提高系统的识别性能。开关柜的局部放电信号识别过程就是在得到的外差式音频信号中提取MFCC参数，着眼于人耳的听觉机理，依据听觉实验的结果来分析声音的频谱，获得较高的识别率和较好的噪声鲁棒性。短时平均幅度差（简称：AMDF）能在较低的信噪比情况下准确地检测出语音信号，而且计算方法简单，硬件处理容易，可靠性高，能够满足实时系统的需要。

为了达到本发明目的，本发明采用了以下技术方案：

一种基于支持向量机模型的开关柜局部放电信号识别方法，包括训练模型过程和音频识别过程，所述训练模型过程是根据训练样本集，得到支持向量机模型；所述音频识别过程是通过支持向量机模型，对待测样本进行识别。

本发明所述训练模型过程包括以下步骤：

（1）输入步骤：输入带有类别标识的音频信号作为训练样本，其中放电标记为1，未放电标记为-1；

（2）预处理步骤：对步骤（1）输入的训练音频信号进行预处理，将音频分帧；

（3）端点检测步骤：通过检测短时能量和过零率，确定步骤（2）得到的音频的始端和末端，去掉音频的噪声和首尾的静音，提取有效音频；

（4）音频分段步骤：以1s为时间长度对步骤（3）得到的有效音频进行分段；

（5）段特征提取步骤：提取步骤（4）得到的分段有效音频的特征参数，得到声音样本段特征；

（6）建模步骤：以步骤（5）提取的声音样本段特征作为参数进行建模，得到支持向量机模型。

本发明所述音频识别过程包括以下步骤：

（1）输入步骤：输入待测音频；

（2）预处理步骤：对步骤（1）输入的待测音频进行预处理，将音频分帧；