一种识别平波电抗器的运行状态的方法及装置与流程

1.本发明涉及声纹识别技术领域，特别是一种识别平波电抗器的运行状态的方法及装置。


背景技术：

2.高压直流(high-voltage direct current，简称:hvdc)是一项旨在提高远距离输电的效率而开发的技术，是将三相交流电通过换流站整流变为直流电，再通过直流输电线路送至另一个换流站，然后逆变成三相交流电的输电方式。高压直流输电系统包括换流器、换流变压器、平波电抗器、交流滤波器、直流避雷器及控制保护设备等。
3.平波电抗器主要作用是阻抗，平波电抗器能防止由直流线路产生的陡波冲击进入阀厅，使换流阀免遭过电压的损坏。当逆变器发生某些故障时，可避免引起继发的换相失败。可减小因交流电压下降引起逆变器换相失败的机率。
4.平波电抗器分为油浸铁芯式和干式空心。干式平波电抗器的噪声产生是由于绕组电流和磁场相互作用产生绕组振动。任何通电导线放到磁场中都会受到力的作用，因此，通过绕组区域的磁场会产生绕组电磁力。当电流通过绕组时，带电绕组在杂散磁场中会产生电磁力，形成绕组振动，从而产生绕组噪声。
5.平波电抗器的噪声信号能够代表振动信号所反映的平波电抗器运行状态信息。但在不同的运行工况下，平波电抗器的噪声信号在时域、频域会出现较大变化，这种运行状态信息非常复杂，难以直接分辨。因此，如何准确识别平波电抗器的运行状态成为当下所需解决的问题。


技术实现要素：

6.鉴于上述问题，本发明的目的在于提供一种识别平波电抗器的运行状态的方法及装置，实现对平波电抗器的运行状态的准确识别，具体方案如下：
7.第一方面，本发明实施例公开了一种识别平波电抗器的运行状态的方法，所述方法包括：
8.获取数据集；所述数据集包括所述平波电抗器在各种运行状态下的声音数据；
9.对所述数据集进行预处理，得到所述平波电抗器在各种运行状态下的mel时频谱样本；
10.获取用于处理所述mel时频谱样本的卷积神经网络；将所述mel时频谱样本输入至所述卷积神经网络进行深度学习，得到能够对所述平波电抗器的运行状态进行识别的权重模型；
11.根据所述权重模型对所述平波电抗器的运行状态进行识别。
12.可选的，所述对所述数据集进行预处理，得到所述平波电抗器在各种运行状态下的mel时频谱样本，包括：
13.从所述数据集中获取所述平波电抗器在各种运行状态下的声音数据切片；所述声
音数据切片的时长为预设时间长度；
14.对所述声音数据切片进行分帧处理，得到与所述声音数据切片对应的波形片段；
15.对所述波形片段进行海明窗加窗操作处理，得到处理后的波形片段；
16.对所述处理后的波形片段进行短时离散傅里叶变换，得到声纹时频谱；所述声纹时频谱为能够描述时间与频率的声纹线性谱；
17.将所述声纹时频谱转化为所述mel时频谱样本。
18.可选的，所述将所述声纹时频谱转化为所述mel时频谱样本，包括：
19.将所述声纹时频谱转换为mel标度下的声纹时频谱；
20.对所述mel标度下的声纹时频谱进行滤波，得到所述mel时频谱样本。
21.可选的，所述对所述mel标度下的声纹时频谱进行滤波，包括：
22.对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理；
23.对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理。
24.可选的，所述对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理，对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理，包括：
25.根据如下公式对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理，对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理：
[0026][0027][0028]
其中，f
max
为滤波器的滤波范围的频率上限，f
min
为所述滤波器的滤波范围的下限，fs为音频的采样频率，n为进行离散傅里叶变换时的帧长度，m为所述滤波器的个数，x(m)为中心频率，hm(f)为等高三角滤波器组的函数，mel-1
为将mel频率转换为hz频率，mel为将hz频率转换为mel频率，m表示所述滤波器为第几个滤波器。
[0029]
第二方面，本发明实施例公开了一种识别平波电抗器的运行状态的装置，所述装置包括：
[0030]
数据采集单元，用于获取数据集；所述数据集包括所述平波电抗器在各种运行状态下的声音数据；
[0031]
数据处理单元，用于对所述数据集进行预处理，得到所述平波电抗器在各种运行状态下的mel时频谱样本；
[0032]
获取单元，用于获取用于处理所述mel时频谱样本的卷积神经网络；
[0033]
训练单元，用于将所述mel时频谱样本输入至所述卷积神经网络进行深度学习，得到能够对所述平波电抗器的运行状态进行识别的权重模型；
[0034]
识别单元，用于根据所述权重模型对所述平波电抗器的运行状态进行识别。
[0035]
可选的，所述数据处理单元具体用于：
[0036]
从所述数据集中获取所述平波电抗器在各种运行状态下的声音数据切片；所述声音数据切片的时长为预设时间长度；
[0037]
对所述声音数据切片进行分帧处理，得到与所述声音数据切片对应的波形片段；
[0038]
对所述波形片段进行海明窗加窗操作处理，得到处理后的波形片段；
[0039]
对所述处理后的波形片段进行短时离散傅里叶变换，得到声纹时频谱；所述声纹时频谱为能够描述时间与频率的声纹线性谱；
[0040]
将所述声纹时频谱转化为所述mel时频谱样本。
[0041]
可选的，所述数据处理单元具体用于：
[0042]
将所述声纹时频谱转换为mel标度下的声纹时频谱；
[0043]
对所述mel标度下的声纹时频谱进行滤波，得到所述mel时频谱样本。
[0044]
可选的，所述数据处理单元具体用于：
[0045]
对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理；
[0046]
对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理。
[0047]
可选的，所述数据处理单元具体用于：
[0048]
根据如下公式对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理，对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理：
[0049][0050][0051]
其中，f
max
为滤波器的滤波范围的频率上限，f
min
为所述滤波器的滤波范围的下限，fs为音频的采样频率，n为进行离散傅里叶变换时的帧长度，m为所述滤波器的个数，x(m)为中心频率，hm(f)为等高三角滤波器组的函数，mel-1
为将mel频率转换为hz频率，mel为将hz频率转换为mel频率，m表示所述滤波器为第几个滤波器。
[0052]
相对于现有技术，本发明具有以下有益效果：
[0053]
通过获取平波电抗器在各种运行状态下的声音数据，对各种运行状态下的声音数据进行预处理，得到对应的mel时频谱样本，将mel时频谱样本输入至卷积神经网络进行深度学习，从而得到能够对平波电抗器的运行状态进行识别的权重模型，并根据训练后的权重模型对平波电抗器的运行状态进行识别，实现根据平波电抗器所产生的噪声信号识别平波电抗器所处于的运行状态。
附图说明
[0054]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0055]
图1是本发明实施例一种识别平波电抗器的运行状态的方法的流程图；
[0056]
图2是本发明实施例中所述mel时频谱样本结构示意图；
[0057]
图3是本发明实施例中卷积神经网络的网络结构示意图；
[0058]
图4是本发明实施例中数据集批量预处理的流程图；
[0059]
图5是本发明实施例中数据集批量预处理的流程示意图；
[0060]
图6是本发明实施例中adadelta与不同损失函数组合的识别准确率对比图；
[0061]
图7是本发明实施例中adam与不同损失函数组合的识别准确率对比图；
[0062]
图8是本发明实施例中不同cnn模型的测试集识别准确率对比图；
[0063]
图9是本发明实施例中不同cnn模型的测试集识别损失值对比图；
[0064]
图10是本发明实施例中一种识别平波电抗器的运行状态的装置的示意图。
具体实施方式
[0065]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0066]
本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0067]
如图1所示，本技术实施例公开了一种识别平波电抗器的运行状态的方法，所述方法包括：
[0068]
s101：获取数据集；所述数据集包括所述平波电抗器在各种运行状态下的声音数据。
[0069]
采集平波电抗器在各种运行状态下的声音数据，对采集到的声音数据根据工况进行划分，将同种工况下的声音数据归为一类，并进行统一标签，从而得到平波电抗器在各种运行状态下的数据集，以及声音数据与运行状态的对应关系，便于后续进行训练和测试。
[0070]
此外，为了避免网络过拟合，将所有类型的样本及对应标签进行随机排序作为数据集，从而在后续根据数据集对模型进行训练时，能够以打乱的顺序输入到深度学习网络中，以保证学习的有效性。
[0071]
如图2所示，本技术实施例为了验证模型的泛化特征能量，随机抽取数据集中20％
的数据作为测试集，用于在模型训练完成之后，验证模型的有效性，将数据集中剩余的80％作为训练集，用于对模型进行训练。需要说明的是，训练集和测试集的选取比例可根据实际情况进行修改，此处仅为举例说明。
[0072]
s102：对所述数据集进行预处理，得到所述平波电抗器在各种运行状态下的mel时频谱样本。
[0073]
对数据集进行批量预处理，得到平波电抗器在各种运行状态下的mel时频谱样本，使得后续构建的卷积神经网络模型能够根据各种运行状态下的mel时频谱样本进行深度学习。
[0074]
s103：获取用于处理所述mel时频谱样本的卷积神经网络。
[0075]
根据数据集的大小以及数据集的特点，创建卷积神经网络的网络结构，获取创建后的卷积神经网络的网络结构，该网络结构能够以较好的性能达到较为理想的识别准确率，并在兼顾训练稳定性的同时，避免了过拟合与梯度爆炸等问题。
[0076]
图3为本技术实施例中根据数据集的大小以及数据集的特点所构建的卷积神经网络示意图，具体为：
[0077]
卷积神经网络的网络结构包括：输入、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、和第二全连接层以及输出。
[0078]
通过在第一全连接层和第二全连接层进行dropout操作，设置概率随机丢弃神经元，使得mel时频谱样本中的声纹样本在保持输入和输出神经元的数量不变的情况下进行参数迭代。并且通过在卷积层中激活relu函数提高了网络的训练速度，通过批规范化解决神经元的兼容性问题，增加了网络的性能和稳定性。
[0079]
s104：将所述mel时频谱样本输入至所述卷积神经网络进行深度学习，得到能够对所述平波电抗器的运行状态进行识别的权重模型。
[0080]
mel时频谱样本作为代表电抗器声音信号的输入量，输入图像像素为[188*40*3]维度(宽x高x深)，其中输入宽度188代表电抗器声信号的时间分量，输入高度40代表mel频率尺度下的电抗器声信号频域分量，输入深度3代表电抗器声信号能量谱密度表示的rgb颜色通道。将图像依次输入cnn网络后，卷积神经网络对各种运行状态下的mel时频谱样本进行交叉学习和特征提取，并最终泛化出能够进行模式识别的权重模型，实现对不同运行状态下的电抗器进行识别分类。
[0081]
s105：根据所述权重模型对所述平波电抗器的运行状态进行识别。
[0082]
应用完成学习后的权重模型对待识别的平波电抗器进行识别，得到待识别平波电抗器所对应的运行状态。
[0083]
通过获取数据集，对数据集中的数据进行预处理，得到不同运行状态下的mel时频谱样本，获取用于处理mel式频谱样本的卷积神经网络结构，并将不同运行状态下的mel时频谱样本输入至卷积神经网络进行深度学习，得到权重模型，根据权重模型对平波电抗器的运行状态进行识别，从而实现对电平器运行状态的准确识别。
[0084]
如图4所示，在一种可选的实施例中，上述步骤s102具体包括：
[0085]
s201：从所述数据集中获取所述平波电抗器在各种运行状态下的声音数据切片；所述声音数据切片的时长为预设时间长度。
[0086]
获取各种运行状态下预设时间长度为1秒的声音数据切片。
[0087]
s202：对所述声音数据切片进行分帧处理，得到与所述声音数据切片对应的波形片段。
[0088]
对原始时域声波信号进行交叠分段的分帧，每一段分帧长4096帧，每段重叠量的交叠段长为512帧。
[0089]
s203：对所述波形片段进行海明窗加窗操作处理，得到处理后的波形片段。
[0090]
根据窗函数公式对分帧处理后的波形进行海明窗(hamming)加窗操作，从而有效减小后续因傅里叶变换造成的信号失真的程度。
[0091]
其中，n表示窗函数的总长度，n表示窗函数的有效长度。
[0092]
s204：对所述处理后的波形片段进行短时离散傅里叶变换，得到声纹时频谱；所述声纹时频谱为能够同时描述时间与频率的声纹线性谱。
[0093]
根据如下公式对处理后的波形片段进行短时离散傅里叶变换：
[0094]
0≤n且k≤n-1
[0095]
其中，k表示采样点，n表示窗函数的有效长度,n表示采样点的振动的周期个数。
[0096]
如图5所示，时频谱图中的横坐标为时间，纵坐标为频率，条纹状图形的颜色代表了当前频率在该时刻含量的大小，用功率谱密度(power spectral density,psd)进行表示，与频率对应的颜色可采用七色光波进行表示，或其他能够展示出频率区别的形式进行表示。
[0097]
s205：将所述声纹时频谱转化为所述mel时频谱样本。
[0098]
通过mel滤波器组将声纹时频谱转化为mel时频谱样本。
[0099]
在一种可能的实施例中，步骤s205具体包括：
[0100]
s2051：将所述声纹时频谱转换为mel标度下的声纹时频谱。
[0101]
在语音识别领域，由于人耳对于正常频率标度的感知是非线性的，因此使用mel滤波(mel filter)将声纹时频谱变换为mel标度下的mel时频谱，转换关系的表达式如下：
[0102]
mel(k)＝2595*log
10
(1 f/700)，用于将正常尺度的声纹时频谱转换为mel标度下的声纹时频谱。
[0103]
mel-1
(f)＝700(10
(1 k/2595)-1)，用于将mel标度下的声纹时频谱转化为正常尺度的声纹时频谱。
[0104]
其中，f为正常尺度的频率，0≤f≤48000，单位均为hz，k为mel尺度频率，单位为mel。
[0105]
s2052：对所述mel标度下的声纹时频谱进行滤波，得到所述mel时频谱样本。
[0106]
a1、对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理。
[0107]
a2、对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理。
[0108]
针对噪声样本的频率分布特点，采用mel滤波器组对低频和中低频数据进行滤波放大处理，对中高频和高频数据进行滤波降噪处理，从而实现样本数据的降维以及声纹特征的准确提取。
[0109]
在一种实施例中，所述对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理，对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理，包括：
[0110]
根据如下公式对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理，对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理：
[0111][0112][0113]
其中，f
max
为滤波器的滤波范围的频率上限，f
min
为所述滤波器的滤波范围的下限，fs为音频的采样频率，n为进行离散傅里叶变换时的帧长度，m为所述滤波器的个数，x(m)为中心频率，hm(f)为等高三角滤波器组的函数，mel-1
为将mel频率转换为hz频率，mel为将hz频率转换为mel频率，m表示所述滤波器为第几个滤波器。
[0114]
需要说明的是，滤波器组为等高三角形滤波器组。
[0115]
mel时频谱图相较于时频谱图，显示出了更好的声纹特征规律，且mel时频谱的数据尺寸[40x188]相较于式频谱图的数据尺寸[48000x188]得到了大幅度压缩，使得数据样本得到了有效降维，为后续深度学习模式识别的应用奠定了基础。
[0116]
通过使用mel滤波对声纹时频谱图进行降维处理，对电抗器松动声纹信号进行特征提取，从而实现人耳对频率感知的线性化处理，降低干扰频段的权重，并且在保留声纹特征的前提下，大大降低样本尺寸，提高电抗器松动模式识别的模型训练速度及识别速度。
[0117]
在一种可能的实现方式中，本技术实施例还包括选择优化器和损失函数对步骤s104中的卷积神经网络进行调参，具体为：
[0118]
超参数是影响神经网络训练速度和网络模型准确度的重要因素。损失函数(loss function)与优化器(optimizer)是深度学习中最重要的2个超参数，损失函数会影响识别结果与标签之间的损失值计算，优化器会影响降低损失值的优化过程，损失函数与优化器之间需要合理匹配，以确保深度学习网络中损失值(loss)的下降与准确率(accuracy)的提升。
[0119]
常见的优化器有随机梯度下降(stochastic gradient descent,sgd)、自适应矩估计(adaptive moment estimation,adam)、均坊差扩散(root mean square prop,rmsprop)、自适应学习率(adaptive learning rate method,adadelta)等。而损失函数则包括均方差(mean square error,mse)、对数均方差(mean squared logarithmic error,
msle)、平均绝对值误差(mean absolute error,mae)、归一化绝对值平均误差(mean absolute percentage error,mape)、多分类交叉熵(categorical cross entropy loss,catagorical_crossentropy)等。
[0120]
如图6和图7所示，为了实现最优组合，本技术实施例选取了adam.adadelta优化器与上述损失函数进行mel时频谱-cnn识别模型调参，迭代200次，其数据集、网络模型以及其他超参数均保持一致。
[0121]
通过adam优化器与多分类交叉熵函数的组合，从而提高识别模型的识别准确度、学习速度和稳定性。
[0122]
adadelta优化器的特点是可以对学习率进行自适应调整,在训练迭代初期梯度较小时放大学习率在中后期梯度较大时放缓学习率，从而实现自适应调整，进而实现最优迭代。adadelta与多种损失函数的超参数组合识别效果对比情况如图6所示。除了归一化绝对值平均误差(mape)函数之外(由于连续50次迭代损失值没有下降，在第90次迭代时退出计算)，其余组合均达到了较高的识别准确率。但从学习速度来说，多分类交叉熵(catagorical crossentropy)函数表现最优。
[0123]
adam优化器可以计算不同参数并进行自适应学习率的调整，其优势在于迭代过程学习率有确定的范围，从而使得整体训练过程中参数保持相对平稳。adam与多种损失函数的超参数组合识别效果对比情况如图7所示。adam与多分类交叉熵函数的组合在识别准确度、学习速度、稳定性的表现上均超越了其他组合。对比图6、图7可以看出，多分类交叉熵函数与adam的组合表现要优于与adadelta的组合，选用自适应矩阵估计adam作为优化器，选用多分类交叉熵函数作为损失函数。在确定优化器与损失函数后，为了对比不同识别模型的性能，对mel时频谱-cnn模型与其他cnn网络模型进行了识别效果的比较，测试集识别准确率(validation accuracy)与测试集损失值(validation loss)如图8-9所示。
[0124]
从图8中可知，无论是构建的网络结构(customcnn)还是resnet50、inception、resnet50、densenet121、mobilenet，在50次迭代后，其测试集准确率均达到了90％以上，仅有vgg19在前50次迭代中的准确率出现停滞增长的现象。可以看出，提出的网络结构在学习速度以及识别准确性上的表现均更为优异。
[0125]
如图9所示，resnet50的测试集损失值在49次迭代后达到最小，但其稳定性较差,在第50次迭代中出现了大幅波动，采用的网络结构可以将损失值降低至10-4
数量级，且下降趋势相对稳定。
[0126]
综上所述，建立的cnn网络结构能够较好地契合mel时频谱的数据集，对3种不同工况的声信号识别准确率达到了99.71％，验证了mel时频谱-cnn识别模型的有效性。
[0127]
本技术实施例提供了一种识别平波电抗器的运行状态的装置，所述装置包括以下单元：
[0128]
数据采集单元1001，用于获取数据集；所述数据集包括所述平波电抗器在各种运行状态下的声音数据。
[0129]
数据处理单元1002，用于对所述数据集进行预处理，得到所述平波电抗器在各种运行状态下的mel时频谱样本。
[0130]
获取单元1003，用于获取用于处理所述mel时频谱样本的卷积神经网络。
[0131]
训练单元1004，用于将所述mel时频谱样本输入至所述卷积神经网络进行深度学
习，得到能够对所述平波电抗器的运行状态进行识别的权重模型。
[0132]
识别单元1005，用于根据所述权重模型对所述平波电抗器的运行状态进行识别。
[0133]
数据处理单元1002，具体用于：
[0134]
从所述数据集中获取所述平波电抗器在各种运行状态下的声音数据切片；所述声音数据切片的时长为预设时间长度；
[0135]
对所述声音数据切片进行分帧处理，得到与所述声音数据切片对应的波形片段；
[0136]
对所述波形片段进行海明窗加窗操作处理，得到处理后的波形片段；
[0137]
对所述处理后的波形片段进行短时离散傅里叶变换，得到声纹时频谱；所述声纹时频谱为能够描述时间与频率的声纹线性谱；
[0138]
通过mel滤波器组将所述声纹时频谱转化为所述mel时频谱样本。
[0139]
数据处理单元1002，具体用于：
[0140]
将所述声纹时频谱转换为mel标度下的声纹时频谱；
[0141]
对所述mel标度下的声纹时频谱进行滤波，得到所述mel时频谱样本。
[0142]
数据处理单元1002，具体用于：
[0143]
对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理；
[0144]
对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理。
[0145]
数据处理单元1002，具体用于：
[0146]
根据如下公式对所述mel标度下的声纹时频谱中的低频数据和中低频数据进行滤波放大处理，对所述mel标度下的声纹时频谱中的中高频数据与高频数据进行滤波降噪处理：
[0147][0148][0149]
其中，f
max
为滤波器的滤波范围的频率上限，f
min
为所述滤波器的滤波范围的下限，fs为音频的采样频率，n为进行离散傅里叶变换时的帧长度，m为所述滤波器的个数，x(m)为中心频率，hm(f)为等高三角滤波器组的函数，mel-1
为将mel频率转换为hz频率，mel为将hz频率转换为mel频率，m表示所述滤波器为第几个滤波器。
[0150]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0151]
通过获取平波电抗器在各种运行状态下的声音数据，对各种运行状态下的声音数据进行预处理，得到对应的mel时频谱样本，将mel时频谱样本输入至卷积神经网络进行深度学习，从而得到能够对平波电抗器的运行状态进行识别的权重模型，并根据训练后的权重模型对平波电抗器的运行状态进行识别，实现根据平波电抗器所产生的噪声信号识别平波电抗器所处于的运行状态。
[0152]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。