[發明專利]一種基于人工智能的高壓電力設備故障診斷方法及系統

在審

• 申請號: 202010690168.5
• 申請日: 2020-07-17
• 公開（公告）號: CN111948487A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 徐鵬;徐明月;周谷亮;田昊洋;季怡萍;李喆
• 申請（專利權）人: 國網上海市電力公司;華東電力試驗研究院有限公司;上海交通大學
• 主分類號: G01R31/08
• 分類號: G01R31/08;G01M7/02;G06N3/00;G06K9/62
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 張寧展

1.一種基于人工智能的高壓電力設備故障診斷方法，其特征在于，包括：

分別對高壓電力設備正常狀態和故障狀態的聲音樣本進行標注；

對標注后的高壓電力設備聲音樣本提取融合特征向量；

利用機器學習算法，對所提取的高壓電力設備聲音樣本的融合特征向量進行分類訓練，形成基于聲音信號的高壓電力設備故障狀態特征圖譜；

根據高壓電力設備故障狀態特征圖譜，對高壓電力設備的工作狀態進行判斷，從而完成高壓電力設備故障診斷。

2.根據權利要求1所述的基于人工智能的高壓電力設備故障診斷方法，其特征在于，所述對標注后的高壓電力設備聲音樣本提取融合特征向量，包括：

對每一樣本分別提取6維時頻域參數和13維梅爾倒譜系數，構成19維的融合特征向量。

3.根據權利要求2所述的基于人工智能的高壓電力設備故障診斷方法，其特征在于，所述6維時頻域參數包括：短時平均過零率、短時能量、能量熵、譜熵、頻譜通量以及頻譜滾降點。

4.根據權利要求1所述的基于人工智能的高壓電力設備故障診斷方法，其特征在于，所述利用機器學習算法，對所提取的高壓電力設備聲音樣本的融合特征向量進行分類訓練，包括：

利用支持向量機模型對聲音樣本的融合特征向量進行分類訓練，并對支持向量機模型的超參數進行優化。

5.根據權利要求4所述的基于人工智能的高壓電力設備故障診斷方法，其特征在于，所述對支持向量機模型的超參數進行優化的方法，包括：

利用粒子群算法對超參數懲罰系數C和核函數的系數gamma進行優化，最終取聲音樣本驗證分類準確率最高的那組超參數懲罰系數C和核函數的系數gamma作為最佳參數。

6.一種基于人工智能的高壓電力設備故障診斷系統，其特征在于，包括：

聲音樣本處理模塊：所述聲音樣本處理模塊對高壓電力設備正常狀態和故障狀態的聲音樣本進行標注，對標注后的高壓電力設備聲音樣本提取融合特征向量；利用機器學習算法，對所提取的高壓電力設備聲音樣本的融合特征向量進行分類訓練，形成基于聲音信號的高壓電力設備故障狀態特征圖譜；

設備診斷模塊：所述設備診斷模塊根據高壓電力設備故障狀態特征圖譜，對高壓電力設備的工作狀態進行判斷，從而完成高壓電力設備故障診斷。

7.根據權利要求6所述的基于人工智能的高壓電力設備故障診斷系統，其特征在于，所述聲音樣本處理模塊對標注后的高壓電力設備聲音樣本提取融合特征向量，包括：

對每一樣本分別提取6維時頻域參數和13維梅爾倒譜系數，構成組合的19維的融合特征向量。

8.根據權利要求7所述的基于人工智能的高壓電力設備故障診斷系統，其特征在于，所述6維時頻域參數包括：短時平均過零率、短時能量、能量熵、譜熵、頻譜通量以及頻譜滾降點。

9.根據權利要求6所述的基于人工智能的高壓電力設備故障診斷系統，其特征在于，所述聲音樣本處理模塊利用機器學習算法，對所提取的高壓電力設備正常狀態和故障狀態聲音樣本的特征向量進行分類訓練，包括：

利用支持向量機模型對聲音樣本的融合特征向量進行分類訓練，并對支持向量機模型的超參數進行優化。

10.根據權利要求9所述的基于人工智能的高壓電力設備故障診斷系統，其特征在于，所述對支持向量機模型的超參數進行優化的方法，包括：

利用粒子群算法對超參數懲罰系數C和核函數的系數gamma進行優化，最終取聲音樣本驗證分類準確率最高的那組超參數懲罰系數C和核函數的系數gamma作為最佳參數。