[发明专利]一种基于声音信号分析的开关柜局部放电检测方法

权利要求书

1.一种基于声音信号分析的开关柜局部放电检测方法，包括如下步骤：

S1、采集高压开关柜绝缘破坏放电声音训练样本；

S2、对训练样本预处理，计算其语谱图，并提取显著性特征；

S3、构建基于语谱图的深度学习模型并进行训练；

S4、将待测放电声音进行与步骤S2同样的预处理，提取特征参数后送入步骤S3生成的分类器完成最终的检测识别。

2.根据权利要求1所述的一种基于声音信号分析的开关柜局部放电检测方法，其特征在于，步骤S2中语谱图的显著性特征的计算步骤为：

S21、将语音信号通过快速傅里叶变换转换为语谱图；

S22、计算各通道的显著度特征；

基于语谱图通过中心-周边差算子计算各特征的显著度，得到不同通道和不同尺度下的显著度特征，即表示强度I变化、方位O_θ特征、频率F变化、时频T特征和音调P变化的显著图。具体公式如下：

M(c,s)＝|M(c)ΘM(s)|，M∈{I,O_θ,F,T,P} (1)

其中，中心尺度c∈{2,3,4}，s＝c+δ，且δ∈{3,4}。中心尺度c和四周尺度s的差计算用符号Θ表示。

S23、提取特征矩阵；

将每幅特征图分成s行t列，共s×t个子区域，用每个子区域的中位值替代该子区域，将图像进一步归一化为s×t的特征矩阵，从而以一个低分辨率的图像特征矩阵来描述整个语谱。

S24、特征降维并重构，得到主特征向量；

将每幅特征图对应的特征矩阵重塑为1×st的向量，并由这些向量构成特征向量矩阵。计算类内离散度矩阵为：

其中，i为类别编号，j为样本编号，m_i为第i类样本的均值，N_i为样本个数。c个类别的总体类内离散度矩阵为：

其中，P_i为第i类的先验概率。类间离散度矩阵定义为：

其中，m为全体样本的均值向量。

由此得到的变换矩阵，通过计算的u_i可将原始特征空间降维至低维空间中，得到主特征向量。

3.根据权利要求2所述的一种基于声音信号分析的开关柜局部放电检测方法，其特征在于，s取值为5，t取值为6。

4.根据权利要求1所述的一种基于声音信号分析的开关柜局部放电检测方法，其特征在于，步骤S3中语谱图的深度学习模型的训练过程具体包括如下步骤：

S31、初始化深度学习网络结构，确定训练数据的样本，训练次数L，可见层和隐层的神经节点数m和n，学习率ε，初始化隐层和可视层的偏置项a_i和b_j以及两层神经元节点之间的权值W_ij，其中，i和j分别代表隐层和可视层的层数；

S32、求出似然函数对偏置项和权值的偏导数ΔW_ij，Δa_i，Δb_j，并对偏置项和权值进行更新；

Δb_j≈p_θ(h_j＝1|v⁰)-p_θ(h_j＝1|v^k) (8)

其中，p_θ代表参数θ的概率，h和v分别代表隐层和可视层，k代表迭代次数。

S33、重复步骤S31和步骤S32，直到达到训练次数L。