基于边缘计算与神经网络的放电声音检测方法
本发明提供了一种基于边缘计算与神经网络的放电声音检测方法，针对电力系统中设备绝缘老化引起的局部放电现象，提出通过布置在边缘节点的信号检测模型实时监控电力设备正常工作、局部放电和发生故障的三种状态，并将异常状态反馈给运维中心，帮助运维中心实时监控设备故障，可提高电力系统运维响应时间，避免设备的绝缘劣化导致的重大电力事故，减少运维成本。且本发明检测方法易于实施，检测准确率高，适合推广使用。
发明专利
CN202010979821.X
2020-09-17
CN112581940A
2021-03-30
G10L15/16(2006.01)
国网江苏省电力有限公司信息通信分公司
缪巍巍;曾锃;张震;李凤强;李世豪;王传君;张厦千;张明轩;苏宇
210024 江苏省南京市鼓楼区北京西路20号
南京钟山专利代理有限公司
金子娟
江苏;32
1.一种基于边缘计算与神经网络的放电声音检测方法，其特征在于，包括以下步骤： 步骤(A)收集电力设备在正常工作、局部放电和发生故障三种状态下的语音样本，提取其音频特征，并打上标签，构建数据集； 步骤(B)建立具有多分类功能的神经网络模型，利用步骤(A)构建的数据集训练模型，并且使用多分类交叉熵和adam优化算法编译所述模型； 步骤(C)对训练好的模型进行准确率和误差分析； 步骤(D)将准确率达标的模型视为目标模型，将目标模型部署于边缘节点，利用所述目标模型在节点终端处对电力设备的漏电状态进行检测，并将检测结果回传给运维中心； 步骤(E)针对边缘节点回传的检测结果，运维中心在云端进行数据统计与分析，做出相应的运维响应。 2.根据权利要求1所述的一种基于边缘计算与神经网络的放电声音检测方法，其特征在于，步骤(B)中，所述多分类功能的神经网络模型包括输入层、隐藏层和输出层； 所述隐藏层的计算方法如下： hidden＝f(W×X+b) hidden为隐藏层输出，f(W×X+b)为非线性激活函数，其中，W为网络的权重，X为输入层向量，即步骤(A)提取的音频特征，b为网络的偏置； 所述输出层的计算方法如下： Y＝softmax(WY×hiddenlast+bY) 其中，Y为输出层输出，hiddenlast为最后一个隐藏层的输出值，WY是输出层的权重，bY是输出层的偏置，softmax为输出层的激活函数； 由于此处检测了三种漏电状态，因此WY是一个二维矩阵，其中一个维度为3，而bY则是一个长度为3的向量； 所述softmax函数的定义如下： 其中，S取值为3，对应电力设备的3种状态，j为3种状态中的任一种，1≤j≤3； 该式表示对于语音样本x，判别其为状态j的概率，最后选取输出结点的时候，选择概率最大的结点作为预测目标。 3.根据权利要求1所述的一种基于边缘计算与神经网络的放电声音检测方法，其特征在于，步骤(B)中，所述多分类交叉熵损失函数定义如下： 其中,C表示语音样本数量,Yq是所述神经网络模型对第q个语音样本的分类结果,yq则是该样本的真实标签。 4.根据权利要求1所述的一种基于边缘计算与神经网络的放电声音检测方法，其特征在于，步骤(C)中，准确率的定义为： 其中，P为准确率，TP是模型正确分类的样本数量，FP是模型错误分类的样本数量。 5.根据权利要求1-4中任一项所述的一种基于边缘计算与神经网络的放电声音检测方法，其特征在于，所述音频特征为短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、梅尔倒谱相关参数、共振峰相关参数中的一种或多种。 6.根据权利要求5所述的一种基于边缘计算与神经网络的放电声音检测方法，其特征在于，采用梅尔倒谱相关参数作为音频特征，所述步骤(A)的具体过程包括： a1)针对每个语音样本提取相同的语音帧数，继而对每一帧语音提取相应的语音特征，为模型的训练做准备； 对分帧加窗后的语音信号xi(n)计算其快速傅里叶变化，其中，n是语音时序的采样点，i为帧的索引； 从时域数据变换到频域数据： Xi(k)＝FFT”xi(n)” a2)对每一帧FFT后的Xi(k)计算谱线能量Ei(k)，k表示频域中的第k条谱线； Ei(k)＝|Xi(k)|2 a3)把每一帧谱线能量通过梅尔滤波器组，计算其在各个滤波器组中的能量 其中，N是FFT变化的长度，m为滤波器的序号，M是滤波器的总个数，Hm(k)是梅尔滤波器的频率响应： 其中，f(m)、f(m-1)、f(m+1)分别表示第m个、第m-1个、第m+1个滤波器的中心频率，f(m-1)和f(m+1)的计算公式依据f(m)的计算公式类推； fl和fH分别是滤波器频率范围的最低与最高频率，N是FFT变化的长度，fs是采样频率，FMel()表示将括号中实际频率转换为mel频率的函数，是FMel()的逆函数，即将mel频率转为实际频率； a4)通过离散余弦变换DCT去相关，将步骤a3)得到的Si(m)带入下式，获得最终的语音特征参数MFCC； 上式中，mfcci(n)即第i帧语音提取的相应语音特征。