CN119511144A 基于声纹信号的电气设备漏电识别方法和识别装置 （广东电网有限责任公司）

基于声纹信号的电气设备漏电识别方法和本申请提供了一种基于声纹信号的电气设出三个关键本征模态函数分别作为图像的红、特征，采用CNN_SVM模型对纹理特征进行深度特传播至多个声信号传感器的时延差异确定故障2通过灰度共生矩阵提取所述声纹图像的纹理特征，所述纹理特征包括在所述漏电检测结果表示发生漏电故障时，计算所述声信k}为所述模态分量采用迭代优化算法求解uk、分析所有所述模态分量的特性，选择包含信号关键信息RGB图像对应位置的像素灰度值，B(.)表示所述关键本征模态函数归一化后的幅值，所述3令所述声纹图像的灰度值级数为k，变换所述参考点和所述共生点的坐标得到各种不将所述频率统计结果整理成一个方阵，对所述方阵进行归一化处理转换为概率矩阵P采用公式对所述初始灰度共生矩阵进行归一化处12采用公式从所述灰度共生矩阵中提取所述反差特征量，采用公其中，i和j遍历所述灰度共生矩阵的行和列，分别代4求解目标函数计算出所述故障源在空间中的坐标，将所述故障源处理单元，用于利用变分模态分解算法对采集的声信号进行处理，提取单元，用于通过灰度共生矩阵提取所述声纹图像的纹理特征，计算单元，用于在所述漏电检测结果表示发生漏电故障时5数，且从多个所述本征模态函数选择出三个关键本征模态函数，包括：应用公式一将原始的所述声信号分解为一组模态分量，其k6采用迭代优化算法求解uk、道表示所述RGB图像不同颜色的信息；采用公式Pn(i,j)＝B((n_1)M×N/2+M(i_1)+j)构建[0008]可选地，通过灰度共生矩阵提取所述声纹图像的纹理特征，包括：采用公式7[0015]分类识别单元，用于采用CNN_SVM模型对所述纹理特征进行深度特征提取与分类行任意一种所述的基于声纹信号的电气设备漏8[0021]图1示出了根据本申请的实施例中提供的一种执行基于声纹信号的电气设备漏电[0022]图2示出了根据本申请的实施例提供的一种基于声纹信号的电气设备漏电识别方[0023]图3示出了根据本申请的实施例提供的一种基于声纹信号的电气设备漏电识别方[0024]图4示出了根据本申请的实施例提供的一种基于声纹信号的电气设备漏电识别装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，都应当属于本申请保护的范除的时间延长的问题，本申请的实施例提供了一种基于声纹信号的电气设备漏电识别方(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器9明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网[0035]图2是根据本申请实施例的基于声纹信号的电气设备漏电识别方法的流程图示意[0047]CNN_SVM模型结合了深度学习的自动特征提取能力和SVM的分类识别能力。CNN能k采用迭代优化算法求解uk、态的频率分量。通过最小化每个模态分量的带宽，求解模态分量和它们对应的中心频率[0053]在公式一中，表达的是变分模态分解算阵各元素之和等于1。归一化处理是通过将每个矩阵元素除以一个总量或因子(R)来完成[0067]具体地，构建CNN_SVM模型的过程是将卷积神经网络(ConvolutionalNeural具有深度结构。CNN网络不仅支持多层神经网络，还能够同时对特征参数和分类器进行学[0068]卷积层是构建卷积神经网络的核心层，通过卷积操作对输入的图像数据进行处的数量和步长也是重要的参数，根据提取的特征矩阵的不同维数选取相应数目的卷积核，通过步长按比例缩小输入的尺寸，即卷积层能改变图像的尺寸和图像的通道数，如公式[0072]VGG16是目前CNN网络中较为成熟的卷积神经网络，将VGG16架构作为网络模型的[0074]综上，CNN_SVM模型的构建过程是通过CNN自动学习和提i_t0)计算出上述故障源与第i个传感器的距离di，其中，t0是上述漏电故障发生的时计算出上述故障源在空间中的坐标，将上述故障源在空间中的坐标作[0091]分类识别单元40，用于采用CNN_SVM模型对上述纹理特征进行深度特征提取与分[0094]CNN_SVM模型结合了深度学习的自动特征提取能力和SVM的分类识别能力。CNN能数采用迭代优化算法求解态的频率分量。通过最小化每个模态分量的带宽，求解模态分量和它们对应的中心频率ωk。[0102]在公式一中，表达的是变分模态分解算[0107]构建模块，用于采用公式Pn(i,j)＝B((n_1)M×N/2+M(i_1)+j)构建上述声纹图阵各元素之和等于1。归一化处理是通过将每个矩阵元素除以一个总量或因子(R)来完成[0116]提取模块，用于采用公式从上述灰度共生矩阵中提取上述[0120]具体地，构建CNN_SVM模型的过程是将卷积神经网络(ConvolutionalNeural具有深度结构。CNN网络不仅支持多层神经网络，还能够同时对特征参数和分类器进行学[0121]卷积层是构建卷积神经网络的核心层，通过卷积操作对输入的图像数据进行处的数量和步长也是重要的参数，根据提取的特征矩阵的不同维数选取相应数目的卷积核，通过步长按比例缩小输入的尺寸，即卷积层能改变图像的尺寸和图像的通道数，如公式[0125]VGG16是目前CNN网络中较为成熟的卷积神经网络，将VGG16架构作为网络模型的[0127]综上，CNN_SVM模型的构建过程是通过CNN自动学习和提计算出上述故障源在空间中的坐标，将上述故障源在空间中的坐标作为上述故障源的位[0130]上述基于声纹信号的电气设备漏电识别装置包括处理器和存储器，上述处理单现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0148]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个