一种输电线路短路识别方法及设备与流程

本说明书涉及计算机，尤其涉及一种输电线路短路识别方法及设备。

背景技术：

1、随着电力系统的不断发展，输电线路的安全运行变得至关重要。然而，输电线路在运行过程中可能会出现短路放电的情况，这给电力系统的正常运行带来了严重的威胁。短路放电故障不仅会导致电力供应中断，还可能引发火灾等安全事故，造成巨大的经济损失和社会影响。

2、为了及时检测和排除输电线路的短路放电故障，研究人员进行了大量的研究工作。目前，已有一些方法被应用于输电线路短路放电故障的检测。其中，采用电流瞬时值或真有效值法作为短路判断依据是一种常见的方法。这种方法通过监测输电线路中的电流变化来判断是否发生短路放电故障。当电流瞬时值或真有效值超过设定的阈值时，系统会发出报警信号。

3、另外，通过短路时电压和相角变化检测也是一种有效的手段。在输电线路发生短路放电故障时，电压和相角会发生明显的变化。通过对这些变化的监测和分析，可以判断是否存在短路放电故障。

4、近年来，基于机器视觉的检测方法也逐渐受到关注。这种方法利用摄像头等设备采集输电线路的图像信息，通过图像处理和分析技术，检测是否存在异常的声、光、热等现象，从而判断是否发生短路放电故障。

5、尽管这些方法在一定程度上能够检测输电线路的短路放电故障，但它们仍然存在一些局限性。例如，电流瞬时值或真有效值法可能会受到噪声和干扰的影响，导致误判；电压和相角变化检测方法对设备的精度要求较高，成本也相对较高；机器视觉检测方法则受到环境因素的影响较大，如光照、雾气等，可能会影响检测的准确性。因此，需要一种更加准确、可靠、经济的输电线路短路放电故障检测方法，以提高电力系统的安全性和可靠性。

技术实现思路

1、本说明书一个或多个实施例提供了一种输电线路短路识别方法及设备，用于解决背景技术提出的技术问题。

2、本说明书一个或多个实施例采用下述技术方案：

3、本说明书一个或多个实施例提供的一种输电线路短路识别方法，所述方法包括：

4、采集输电线路预设范围内的当前声音信息；

5、提取所述当前声音信息的当前梅尔频谱图特征与当前梅尔倒谱系数特征；

6、根据所述当前梅尔频谱图特征与所述当前梅尔倒谱系数特征，构建当前融合声纹特征；

7、将所述当前融合声纹特征输入预先训练的短路识别神经网络模型，输出识别结果，以便根据所述识别结果判断所述当前声音信息是否为短路放电产生。

8、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

9、准确性提高：通过采集输电线路预设范围内的当前声音信息，并提取其梅尔频谱图特征与梅尔倒谱系数特征，构建当前融合声纹特征，再输入预先训练的短路识别神经网络模型进行识别。这种基于声音特征的识别方法可以更准确地判断是否为短路放电产生的声音，避免了电流瞬时值或真有效值法可能受到的噪声和干扰影响，以及电压和相角变化检测方法对设备精度的高要求，从而提高了短路放电故障检测的准确性。

10、可靠性增强：该方法利用声音信息进行短路识别，不受光照、雾气等环境因素的影响，相较于机器视觉检测方法，具有更高的可靠性。能够在各种环境条件下稳定地进行检测，减少了因环境因素导致的误判和检测不准确的情况。

11、经济性优势：与电压和相角变化检测方法相比，该方法可能不需要高精度的昂贵设备，降低了检测成本。同时，通过声音信息进行检测，相对较为简便，也有助于减少维护和运营成本。

12、实时性好：能够实时采集输电线路的声音信息并进行分析，及时发现短路放电故障，有助于快速采取措施进行修复，减少故障对电力系统的影响，提高电力系统的安全性和可靠性。

13、全面性检测：该方法为输电线路短路放电故障检测提供了一种新的手段，与现有的电流、电压和机器视觉等检测方法相结合，可以形成更加全面的检测体系，提高对输电线路短路放电故障的检测能力。

14、进一步的，所述将所述当前融合声纹特征输入预先训练的短路识别神经网络模型前，所述方法还包括：

15、收集输电线路短路放电声音数据；

16、提取所述输电线路短路放电声音数据的梅尔频谱图特征与梅尔倒谱系数特征；

17、根据所述梅尔频谱图特征与所述梅尔倒谱系数特征，构建所述输电线路短路放电声音数据的融合声纹特征；

18、根据所述输电线路短路放电声音数据的融合声纹特征，训练预先创建的初始短路识别神经网络模型，得到符合要求的短路识别神经网络模型。

19、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

20、针对性训练：通过收集输电线路短路放电声音数据，并从中提取梅尔频谱图特征与梅尔倒谱系数特征来构建融合声纹特征，以此对初始短路识别神经网络模型进行训练。这样训练出的模型能够更好地针对输电线路短路放电的声音特征进行识别，提高了模型的针对性和准确性。

21、提高识别准确性：使用专门的输电线路短路放电声音数据进行训练，使得短路识别神经网络模型能够更好地学习到短路放电声音的特征模式，从而在实际应用中能够更准确地判断输入的当前融合声纹特征是否为短路放电产生，减少误判的可能性。

22、增强模型适应性：经过大量的实际短路放电声音数据训练，模型能够更好地适应不同情况下的输电线路短路放电声音，提高了模型的泛化能力和适应性，使其在面对各种复杂的实际场景时仍能保持较好的识别性能。

23、优化模型性能：通过不断调整模型的参数，使其能够更好地拟合训练数据，从而提高模型的性能和精度，为后续的短路放电故障检测提供更可靠的支持。

24、节省时间和成本：在实际检测中，使用训练好的符合要求的短路识别神经网络模型，可以快速地对采集到的声音信息进行分析和判断，节省了人工分析的时间和成本，提高了检测效率。

25、进一步的，所述输电线路短路放电声音数据包括：真实输电线路短路放电声音数据、模拟短路放电声音数据与扩充短路放电声音数据；

26、所述真实输电线路短路放电声音数据包括多种类型的真实输电线路短路放电声音数据；

27、所述模拟短路放电声音数据基于不同类型的真实输电线路短路放电声音数据混合生成；

28、所述扩充短路放电声音数据基于不同类型的真实输电线路短路放电声音数据和所述模拟短路放电声音数据，同输电线路场景中的噪声混叠生成。

29、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

30、数据多样性：包含了真实输电线路短路放电声音数据、模拟短路放电声音数据与扩充短路放电声音数据，使得数据类型更加丰富多样。多种类型的真实输电线路短路放电声音数据进一步增加了数据的多样性，有助于模型学习到不同情况下的短路放电声音特征，提高模型的泛化能力。

31、模拟数据的优势：模拟短路放电声音数据基于不同类型的真实输电线路短路放电声音数据混合生成，能够补充真实数据中可能存在的不足，增加数据的覆盖范围。通过模拟数据，模型可以学习到更多不同情况下的短路放电声音模式，提高对复杂情况的适应能力。

32、扩充数据的意义：扩充短路放电声音数据基于真实数据和模拟数据与输电线路场景中的噪声混叠生成。这样的扩充数据更贴近实际的输电线路运行环境，考虑了噪声的影响。使得模型在训练过程中能够更好地学习如何在噪声环境下准确识别短路放电声音，提高模型在实际应用中的抗干扰能力和准确性。

33、提高模型准确性：丰富多样的数据类型和更贴近实际情况的数据生成方式，能够为模型提供更全面的学习素材，有助于模型更准确地学习短路放电声音的特征，从而提高短路识别神经网络模型的准确性和可靠性。

34、增强模型适应性：通过使用多种类型的真实数据、模拟数据和扩充数据进行训练，模型能够更好地适应不同的输电线路场景和噪声环境，提高了模型在实际应用中的适应性和稳定性。

35、进一步的，所述提取所述输电线路短路放电声音数据的梅尔频谱图特征与梅尔倒谱系数特征，包括：

36、根据预先设定的预加重系统，对所述输电线路短路放电声音数据进行预加重处理，得到预加重输电线路短路放电声音数据；

37、将所述预加重输电线路短路放电声音数据按照时间切分为多帧声音数据；

38、对每帧声音数据乘以预设的窗函数，得到加窗输电线路短路放电声音数据；

39、提取所述加窗输电线路短路放电声音数据的梅尔频谱图特征与梅尔倒谱系数特征。

40、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

41、提高信号质量：通过预先设定的预加重系统对输电线路短路放电声音数据进行预加重处理，可以增强声音信号的高频部分，补偿声音在传输过程中的高频衰减，提高信号的质量和清晰度，有助于后续特征的提取和分析。

42、分帧处理的优势：将预加重后的声音数据按照时间切分为多帧声音数据，使得信号在时间上被分割成较小的片段。这样可以更好地捕捉声音信号的时变特征，提高对声音信号的分析精度，并且有助于处理非平稳信号。

43、减少频谱泄漏：对每帧声音数据乘以预设的窗函数，可以使帧两端的信号平滑地过渡到零，从而减少频谱泄漏。频谱泄漏可能导致频率分辨率降低和能量分散，通过加窗处理可以提高频谱分析的准确性。

44、准确特征提取：在经过上述预处理后，提取加窗输电线路短路放电声音数据的梅尔频谱图特征与梅尔倒谱系数特征，能够更准确地反映声音信号的本质特征。这些特征对于短路放电声音的识别和分类具有重要意义，有助于提高短路识别的准确性和可靠性。

45、增强模型性能：准确提取的梅尔频谱图特征与梅尔倒谱系数特征可以为后续的短路识别神经网络模型提供高质量的输入数据，从而提高模型的训练效果和性能，使其能够更好地识别输电线路短路放电声音。

46、提高系统适应性：通过对声音数据的预处理和特征提取，可以使系统更好地适应不同的输电线路短路放电声音情况，提高系统的通用性和适应性。

47、提升故障检测能力：有助于更准确地检测输电线路短路放电故障，及时发现问题并采取相应的措施，提高电力系统的安全性和可靠性。

48、进一步的，所述提取所述输电线路短路放电声音数据的梅尔频谱图特征与梅尔倒谱系数特征，包括：

49、对所述输电线路短路放电声音数据中的每帧声音数据进行傅里叶变换，得到傅里叶变换数据，基于所述傅里叶变换数据得到功率谱信号；

50、将梅尔滤波器组中每个滤波器分别和功率谱信号进行点乘，得到梅尔频谱图特征；

51、对经过梅尔滤波器组的功率谱信号取对数，得到对数处理结果，对所述对数处理结果进行离散余弦变换，得到梅尔倒谱系数特征。

52、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

53、深入分析声音信号：对每帧声音数据进行傅里叶变换并得到功率谱信号，能够将声音信号从时域转换到频域，更深入地分析声音的频率成分，为后续特征提取提供基础。

54、突出关键特征：通过将梅尔滤波器组与功率谱信号进行点乘得到梅尔频谱图特征，能够突出人类听觉系统对不同频率感知的特性，使得提取的特征更符合人类听觉感知，有助于提高对短路放电声音的识别准确性。

55、增强特征的可区分性：对经过梅尔滤波器组的功率谱信号取对数，能够压缩信号的动态范围，突出较弱的信号成分，增强特征的可区分性。

56、提高模型的准确性：得到的梅尔倒谱系数特征具有较好的抗噪性和鲁棒性，将其作为输入特征可以提高短路识别神经网络模型的准确性和可靠性。

57、更好地适应实际应用场景：这些特征的提取方法考虑了人类听觉感知和声音信号的特性，使得在实际应用中，能够更好地应对复杂的环境噪声和信号变化，提高系统在实际场景中的性能。

58、为故障诊断提供有力支持：准确提取的梅尔频谱图特征和梅尔倒谱系数特征有助于更精确地识别输电线路短路放电声音，为及时发现和诊断输电线路故障提供有力的支持，提高电力系统的安全性和稳定性。

59、进一步的，根据所述梅尔频谱图特征与所述梅尔倒谱系数特征，构建所述输电线路短路放电声音数据的融合声纹特征，包括：

60、在所述输电线路短路放电声音数据中选取一个真实输电线路短路放电声音数据作为基准声音数据，并提取所述基准声音数据的基准梅尔频谱图特征与基准梅尔倒谱系数特征；

61、对所述输电线路短路放电声音数据中所有短路放电声音提取相同特征维度的梅尔频谱图特征与梅尔倒谱系数特征；

62、将所有短路放电声音的梅尔频谱图特征与梅尔倒谱系数特征，与所述基准声音数据的基准梅尔频谱图特征与基准梅尔倒谱系数特征，分别计算特征相似度，得到梅尔频谱图特征的特征相似度平均得分与梅尔倒谱系数特征的特征相似度平均得分；

63、根据所述梅尔频谱图特征的特征相似度平均得分与所述梅尔倒谱系数特征的特征相似度平均得分，构建融合声纹特征所需的梅尔频谱图特征对应的特征融合权重与梅尔倒谱系数特征对应的特征融合权重；

64、根据所述梅尔频谱图特征、所述梅尔频谱图特征对应的特征融合权重、所述梅尔倒谱系数特征，以及所述梅尔倒谱系数特征对应的特征融合权重，构建所述输电线路短路放电声音数据的融合声纹特征。

65、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

66、基准数据的参考作用：选取一个真实输电线路短路放电声音数据作为基准声音数据，并提取其特征，为后续的特征比较和融合提供了参考标准，有助于确保融合声纹特征的准确性和可靠性。

67、特征维度的一致性：对所有短路放电声音提取相同特征维度的梅尔频谱图特征与梅尔倒谱系数特征，保证了数据的一致性和可比性，便于进行后续的特征相似度计算和融合操作。

68、特征相似度评估：通过计算所有短路放电声音的特征与基准声音数据的特征相似度，得到梅尔频谱图特征和梅尔倒谱系数特征的特征相似度平均得分。这有助于了解不同声音数据之间的相似性程度，为构建融合声纹特征提供了重要的依据。

69、合理的特征融合权重：根据特征相似度平均得分构建融合声纹特征所需的特征融合权重，使得融合过程更加科学和合理。能够根据特征的重要性和相似性程度，为梅尔频谱图特征和梅尔倒谱系数特征分配适当的权重，提高融合声纹特征的质量和有效性。

70、构建融合声纹特征：综合考虑梅尔频谱图特征、梅尔频谱图特征对应的特征融合权重、梅尔倒谱系数特征以及梅尔倒谱系数特征对应的特征融合权重，构建输电线路短路放电声音数据的融合声纹特征。这种融合声纹特征能够充分利用两种特征的优势，更全面地描述短路放电声音的特性，提高对短路放电声音的识别和分析能力。

71、提高识别准确性：融合声纹特征相较于单一特征能够提供更丰富和准确的信息，有助于提高输电线路短路放电声音的识别准确性，减少误判和漏判的可能性。

72、增强系统的可靠性：通过构建融合声纹特征，可以提高短路放电声音检测系统的可靠性和稳定性，使其能够更好地适应不同的输电线路运行环境和故障情况。

73、为故障诊断提供更有力支持：准确的融合声纹特征能够为输电线路的故障诊断提供更有力的支持，帮助及时发现和定位短路故障，提高电力系统的安全性和运行效率。

74、进一步的，所述根据所述梅尔频谱图特征的特征相似度平均得分与所述梅尔倒谱系数特征的特征相似度平均得分，构建融合声纹特征所需的梅尔频谱图特征对应的特征融合权重与梅尔倒谱系数特征对应的特征融合权重，包括：

75、根据公式与构建融合声纹特征所需的梅尔频谱图特征对应的特征融合权重与梅尔倒谱系数特征对应的特征融合权重；

76、其中，α为所述梅尔频谱图特征对应的特征融合权重，β为所述梅尔倒谱系数特征对应的特征融合权重，avg1为所述梅尔频谱图特征的特征相似度平均得分，avg2为所述梅尔倒谱系数特征的特征相似度平均得分。

77、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

78、科学分配权重：通过上述公式根据梅尔频谱图特征的特征相似度平均得分与梅尔倒谱系数特征的特征相似度平均得分来构建特征融合权重，能够科学地确定两种特征在融合声纹特征中的重要性程度。这种基于特征相似度的权重分配方法，使得融合权重的确定更加客观和合理。

79、突出优势特征：该方法可以根据特征的相似度情况，为相似度较高的特征分配更大的权重，从而突出那些在描述输电线路短路放电声音数据方面更具优势的特征。这样可以提高融合声纹特征的准确性和有效性，更好地反映声音数据的本质特征。

80、提高融合效果：合理的特征融合权重能够使梅尔频谱图特征和梅尔倒谱系数特征在融合声纹特征中得到更好的结合，充分发挥各自的优势，从而提高融合效果。这有助于更准确地识别和分析输电线路短路放电声音，提高故障检测的准确性。

81、增强系统适应性：通过根据特征相似度动态调整融合权重，使融合声纹特征能够更好地适应不同的输电线路短路放电声音情况。这增强了系统在面对各种实际应用场景时的适应性和鲁棒性。

82、进一步的，所述根据所述当前梅尔频谱图特征与所述当前梅尔倒谱系数特征，构建当前融合声纹特征，包括：

83、根据所述当前梅尔频谱图特征、所述梅尔频谱图特征对应的特征融合权重、所述当前梅尔倒谱系数特征，以及所述梅尔倒谱系数特征对应的特征融合权重，构建所述当前融合声纹特征。

84、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

85、全面表征声音特征：结合当前梅尔频谱图特征和当前梅尔倒谱系数特征，能够更全面地描述输电线路短路放电声音的特性。梅尔频谱图特征反映了声音的频率信息，梅尔倒谱系数特征则包含了声音的时域和频域综合信息。融合这两种特征可以提供更丰富、更全面的声音特征表示。

86、提高特征的准确性：通过为梅尔频谱图特征和梅尔倒谱系数特征分别设置对应的特征融合权重，能够根据两种特征在描述短路放电声音数据方面的重要性进行合理加权。这样可以使融合后的特征更加准确地反映声音的本质特征，减少单一特征可能带来的误差和局限性。

87、增强故障检测能力：构建的当前融合声纹特征能够更有效地识别输电线路短路放电声音。这有助于提高故障检测的准确性和可靠性，及时发现潜在的短路故障，减少电力系统的安全隐患。

88、适应复杂环境：融合声纹特征具有更强的抗干扰能力和适应性。在实际的输电线路运行环境中，可能存在各种噪声和干扰因素。融合多种特征并合理分配权重可以使特征更加稳健，能够更好地应对复杂的环境变化，提高故障检测的稳定性。

89、进一步的，所述根据所述梅尔频谱图特征、所述梅尔频谱图特征对应的特征融合权重、所述梅尔倒谱系数特征，以及所述梅尔倒谱系数特征对应的特征融合权重，构建所述输电线路短路放电声音数据的融合声纹特征，包括：

90、根据公式fmix＝α*f1+β*f2，构建所述输电线路短路放电声音数据的融合声纹特征；

91、其中，fmix为所述输电线路短路放电声音数据的融合声纹特征，α为所述梅尔频谱图特征对应的特征融合权重，β为所述梅尔倒谱系数特征对应的特征融合权重，f1为所述梅尔频谱图特征，f2为所述梅尔倒谱系数特征。

92、需要说明的是，本说明书实施例关于上述内容，具有下述有益效果：

93、优化特征表示：通过将梅尔频谱图特征和梅尔倒谱系数特征进行融合，并根据各自的特征融合权重进行加权，能够得到一个更优化的输电线路短路放电声音数据的融合声纹特征。这个融合特征可以更全面、准确地反映声音的特性，避免了单一特征可能存在的局限性。

94、提高故障诊断准确性：融合声纹特征能够更好地捕捉输电线路短路放电声音的细节和特征，从而提高对短路故障的诊断准确性。有助于更及时、准确地发现故障，减少误判和漏判的情况，提高电力系统的安全性和可靠性。

95、增强特征的鲁棒性：考虑了特征融合权重的融合声纹特征，对噪声和其他干扰具有更强的抵抗能力。即使在复杂的环境下，也能够保持较好的性能，提高了特征的鲁棒性和稳定性。

96、本说明书一个或多个实施例提供的一种输电线路短路识别设备，包括：

97、至少一个处理器；以及，

98、与所述至少一个处理器通信连接的存储器；其中，

99、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

100、采集输电线路预设范围内的当前声音信息；

101、提取所述当前声音信息的当前梅尔频谱图特征与当前梅尔倒谱系数特征；

102、根据所述当前梅尔频谱图特征与所述当前梅尔倒谱系数特征，构建当前融合声纹特征；

103、将所述当前融合声纹特征输入预先训练的短路识别神经网络模型，输出识别结果，以便根据所述识别结果判断所述当前声音信息是否为短路放电产生。

104、本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

105、准确性提高：通过采集输电线路预设范围内的当前声音信息，并提取其梅尔频谱图特征与梅尔倒谱系数特征，构建当前融合声纹特征，再输入预先训练的短路识别神经网络模型进行识别。这种基于声音特征的识别方法可以更准确地判断是否为短路放电产生的声音，避免了电流瞬时值或真有效值法可能受到的噪声和干扰影响，以及电压和相角变化检测方法对设备精度的高要求，从而提高了短路放电故障检测的准确性。

106、可靠性增强：该方法利用声音信息进行短路识别，不受光照、雾气等环境因素的影响，相较于机器视觉检测方法，具有更高的可靠性。能够在各种环境条件下稳定地进行检测，减少了因环境因素导致的误判和检测不准确的情况。

107、经济性优势：与电压和相角变化检测方法相比，该方法可能不需要高精度的昂贵设备，降低了检测成本。同时，通过声音信息进行检测，相对较为简便，也有助于减少维护和运营成本。

108、实时性好：能够实时采集输电线路的声音信息并进行分析，及时发现短路放电故障，有助于快速采取措施进行修复，减少故障对电力系统的影响，提高电力系统的安全性和可靠性。

109、全面性检测：该方法为输电线路短路放电故障检测提供了一种新的手段，与现有的电流、电压和机器视觉等检测方法相结合，可以形成更加全面的检测体系，提高对输电线路短路放电故障的检测能力。