一种变电站故障判定声纹识别方法与流程

技术特征：
1.一种变电站故障判定声纹识别方法，其特征是，包括以下步骤：s1、建立系统模型；s2、对变电站设备声音进行采集；s3、对上一步中采集到的变电站设备声音进行识别；s4、将识别得到的结果与预先设定好的系统模型中的故障声音进行关联；s5、通过关联结果判定具体的故障类型。2.根据权利要求1所述的一种变电站故障判定声纹识别方法，其特征是，s1包括以下内容，建立系统模型包括依次连接的预设的声音采集模块、声纹识别模块、故障声纹关联模块和故障判定模块；所述的声音采集模块用于采集变电站中设备的声音并将声音发送至声纹识别模块；所述的声纹识别模块用于将噪声过滤出来，设备噪声的各个带宽预先设定在声纹识别模块中，声纹识别模块内包括若干用于过滤噪声的带通滤波器；故障声纹关联模块用于将声纹识别模块滤波后得到的噪声的波形与预先设定在故障声纹关联模块中的变电站站内各类故障噪声的声纹波形进行比对，将滤波后得到的噪声与变电站站内各类故障噪声进行关联；故障判定模块用于输出具体的故障类型并对本次故障进行报警。3.根据权利要求2所述的一种变电站故障判定声纹识别方法，其特征是，所述声纹采集模块通过以下步骤建立：s11、将变电站站內各类故障的声音进行读取，得到故障声音的最低截止频率和最高截止频率和带宽；s12、通过最低截止频率得到高通滤波器，通过最高截止频率得到低通滤波器，将高通滤波器与低通滤波器串联得到带通滤波器，抑制最低截止频率以下和最高截止频率以上的声音通过；s13、计算带通滤波器的传递函数；s13、将带通滤波器滤波后的噪声信息发送给故障声纹关联模块。4.根据权利要求3所述的一种变电站故障判定声纹识别方法，其特征是，s11包括以下内容：计算故障声音的带宽b＝ω
h
‑
ω
l
、中心频率根据带宽及中心频率计算传递函数得到带通滤波器的具体模型。5.根据权利要求4所述的一种变电站故障判定声纹识别方法，其特征是，所述传递函数的计算方式为：其中，b为滤波器带宽，ω
l
为故障声音确定的滤波器的最低截止频率，ω
h
为故障声音确定的滤波器的最高截止频率，ω0为中心频率，s＝jω,s来自拉普拉斯变换代表复杂的频率。6.根据权利要求1所述的一种变电站故障判定声纹识别方法，其特征是，s4包括以下步骤：
s41、将识别得到的结果故障声音的频域波形图在ω轴平移平移，以斜率大于0处为原点，ω轴为横轴，h(s)轴为纵轴；s42、将预先设定的变电站内故障声音的声纹模型与识别得到的结果故障声音的频域波形图在最低截止频率和最高截止频率重合；s43、识别结果故障声音频域波形图的斜率为0的点作为第一关键点集合a＝{a0,a1,a2,a3...an}；识别预先设定的故障声音频域波形图的斜率为0的点作为第二关键点集合b＝{b0,b1,b2,b3...an}；s44、构建第一斜率集合k＝{k1,k2,k3...kn}和第二斜率集合f＝{f1,f2,f3...fn}；s45、根据第一斜率集合与第二斜率集合构建判别式确定是否与当前的预先设定故障声音关联，若关联则发送结果至故障判定模块，若非关联则继续将识别得到的结果故障声音与下一预先设定的故障声音进行关联比较；其中，s44中k1为关键点a0和a1之间的斜率，f1为关键点b0和b1之间的斜率，以此类推。7.根据权利要求6所述的一种变电站故障判定声纹识别方法，其特征是，所述s44中判别式为：ki*fi＞0；i∈[1,n],n为关键点的个数若满足上述判别式，则判定关联，发送结果至故障判定模块。8.根据权利要求1所述的一种变电站故障判定声纹识别方法，其特征是，s5包括以下内容：故障判定模块读取最后关联的预先设定的故障类型，判定故障类型并进行报警。

技术总结
本发明公开了一种变电站故障判定声纹识别方法，克服了现有技术由于变电站数目和站内设备越来越多导致设备故障判断困难的问题，先建立系统模型存储变电站站内的常有噪声类型，将各种噪声的波形与声纹信息存储在系统模型中，根据已知噪声构建多个滤波器，实时采集变电站站内噪声信息将实时采集的噪声信息经过系统模型的滤波器中，若滤出的噪声能够与预先存储好的某种噪声波形相关联则判定变电站故障。本发明采用声纹识别的方法通过对声音滤波再进行波形的图形比较得到结论。再进行波形的图形比较得到结论。再进行波形的图形比较得到结论。


技术研发人员：冯跃亮 周刚 戚中译 白景涛 刘剑清 周迅 丁建中 蔡宏飞 石惠承
受保护的技术使用者：国网浙江省电力有限公司嘉兴供电公司
技术研发日：2021.04.29
技术公布日：2021/9/9