本发明涉及声纹缺陷识别，更具体地说，本发明涉及一种智慧电网的电力设备声纹缺陷故障识别方法。
背景技术：
1、智慧电网是集信息技术、通信技术、电力技术等多种技术于一体的新型电网，其稳定运行对于社会生产和人们生活至关重要，电力设备作为智慧电网的核心组成部分，其运行状态直接影响电网的安全性和可靠性，在电力设备的长期运行过程中，由于受到机械磨损、电气老化、环境因素等影响，容易出现各种缺陷故障，若不能及时发现和处理，可能会引发严重的电网事故。
2、随着传感器技术和人工智能技术的发展，基于声纹信号的故障识别方法逐渐受到关注，声纹信号是电力设备运行过程中产生的声音信号，其包含了设备的运行状态信息，当设备出现故障时，声纹信号会发生相应的变化，然而，现有的基于声纹信号的故障识别方法在实际应用中还存在以下不足：
3、一方面，缺陷故障识别过程中忽略了电力设备在不同故障状态下的历史声纹信号，仅依赖单一信号源，无法对电力设备实时声纹信号和历史声纹信号结合分析，判定是否存在故障，并进一步定位发生故障原因，故障识别的智能化程度和数据利用率较低，且准确性得不到保障；
4、此外，现有技术的缺陷故障识别多关注已发生的故障，对未达故障阈值但存在异常的故障隐患缺乏有效监测，且预警结果可信度模糊。
5、因此，推出一种智慧电网的电力设备声纹缺陷故障识别方法。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供一种智慧电网的电力设备声纹缺陷故障识别方法。
2、为实现上述目的，本发明提供如下技术方案：
3、一种智慧电网的电力设备声纹缺陷故障识别方法，包括：
4、设备数据处理：收集电网内各电力设备正常运行状态和不同故障状态下的历史声纹信号作为训练样本，利用设定的数据处理逻辑对各电力设备在正常运行状态下及不同故障状态下的历史声纹信号进行评估处理后，确定各电力设备对应不同故障状态下的缺陷报警图形集合和缺陷报警值；
5、评估处理的具体过程为：
6、从电力设备对应故障状态下的历史声纹信号中提取时域参数、频域参数以及时频域参数；其中时域参数包括时域峰值、时域均值、时域方差以及时域鞘度，记为；频域参数包括频域峰值、频域均值、频域方差以及带宽，记为；时频域参数包括高能量区域占比、能量中心迁移距离以及小波能量熵，记为；
7、提取电力设备正常运行状态下的时域参数、频域参数以及时频域参数，分别记为、、；将电力设备对应故障状态下的时域参数、频域参数以及时频域参数中的任一值分别与正常运行状态下所对应的值进行比值计算，得到电力设备对应故障状态下的时域比值集合a、频域比值集合b以及时频域比值集合c；即表示为：；
8、声纹信号采集：对各电力设备实时采集的声纹信号结合正常运行状态下的历史声纹信号进行评估处理，确定各电力设备的实时报警图形集合和实时报警值；
9、故障识别处理：基于各电力设备的实时报警值和不同故障状态下的缺陷报警值，判定是否存在故障或故障隐患，若判定结果显示某电力设备存在故障则执行相应的步骤定位电力设备的可能故障原因，若判定结果显示某电力设备存在故障隐患则执行相应的步骤生成预警可信等级，同步发送至智慧电网的监控中心；其中预警可信等级包括低信度等级、中信度等级以及高信度等级。
10、具体的，所述确定各电力设备对应不同故障状态下的缺陷报警图形集合和缺陷报警值，具体为：
11、以平面直角坐标系的原点出发，统计集合内的比值数量记为m，将m作为延伸射线数量，按设定角度分布确定各条射线延伸方向，其中设定角度通过计算得到，m为各集合内的比值数量；每条射线代表集合内的一组比值，按照比值大小从各条射线延伸方向开始延伸，直至射线长度与对应比值大小相等时停止延长，确定射线延长后的端点，并依次连接形成一个封闭图形；将电力设备对应故障状态下不同集合所构建的封闭图形标记为时域图形、频域图形以及时频域图形，整合作为电力设备对应故障状态下的缺陷预警图形集合；
12、提取电力设备对应故障状态下时域图形、频域图形以及时频域图形所对应的图形面积，分别与预设的时域权重、频域权重以及时频域权重相乘，然后求和得到电力设备对应故障状态下的缺陷报警值。
13、具体的，所述确定各电力设备的实时报警图形集合和实时报警值，具体为：
14、从电力设备实时采集的声纹信号中提取时域参数、频域参数以及时频域参数，将电力设备实时声纹信号中提取的时域参数、频域参数以及时频域参数中的任一值分别与正常运行状态下所对应的值进行比值计算，得到电力设备实时状态下的时域比值集合、频域比值集合以及时频域比值集合；
15、基于不同集合同理缺陷预警图形集合构建过程构建封闭图形后，将电力设备实时状态下不同集合所构建的封闭图形作为电力设备实时状态下的实时报警图形集合；
16、提取电力设备实时状态下所构建各组封闭图形所对应的图形面积，分别与预设的时域权重、频域权重以及时频域权重相乘，然后求和得到电力设备实时状态下的实时报警值。
17、具体的，所述基于各电力设备的实时报警值和不同故障状态下的缺陷报警值，判定是否存在故障或故障隐患，具体为：
18、提取电力设备的实时报警值分别与预设的报警阈值以及不同故障状态下的缺陷报警值进行比对，若高于预设的报警阈值或高于任一故障状态下的缺陷报警值，则判定存在故障并触发故障深检信令；反之则从不同故障状态下的缺陷报警值中提取较低值，利用较低值减去实时报警值得到预距值，若预距值小于预设的预距参考值，则判定存在故障隐患并触发预检信令。
19、具体的，所述判定结果显示某电力设备存在故障则执行相应的步骤定位电力设备的可能故障原因，具体为：
20、若触发故障深检信令，提取电力设备对应不同故障状态下的缺陷报警图形集合，不同故障状态下缺陷报警图形集合内的三组图形分别用z、x、c进行编号，对于电力设备实时报警图形集合内的三组图形分别用e、r、t表示；其中z与e、x与r、c与t对应匹配；
21、分析缺陷报警图形集合和实时报警图形集合之间的面积深检值、射线深检值以及轮廓深检值，对缺陷报警图形集合和实时报警图形集合的面积深检值、射线深检值以及轮廓深检值进行归一化处理后，代入公式进行加权计算，得到缺陷报警图形集合和实时报警图形集合之间的综评值p；其中分别表示面积深检值、射线深检值以及轮廓深检值所对应的面积权重、射线权重以及轮廓权重；
22、在触发故障深检信令下，对于不同故障状态下缺陷报警图形集合与当前实时报警图形集合所分析得到的综评值p，选取综评值p较高的故障状态，作为电力设备的可能故障原因。
23、具体的，所述面积深检值和射线深检值的具体分析过程为：
24、对缺陷报警图形集合内的三组图形面积qz、qx以及qc，分别与实时报警图形集合内的三组图形面积qe、qr以及qt之间代入公式进行计算，得到缺陷报警图形集合与实时报警图形集合之间的面积深检值；
25、提取缺陷报警图形集合内编号为z图形的各条射线长度，在实时报警图形集合内提取编号为e图形的各条射线长度，计算z图形各条射线长度与e图形相同方向射线长度之间的绝对差值，对各组绝对差值求和得到z图形与e图形之间的射线偏差值；同理计算x图形与r图形的射线偏差值、c图形与t图形之间的射线偏差值；将各组射线偏差值累加并除以整数三，得到射线深检值。
26、具体的，所述轮廓深检值的具体分析过程为：
27、对z图形和e图形进行边缘检测，通过阈值分割算法提取图形的闭合边界轮廓，得到由连续像素点组成的z图形轮廓序列和e图形轮廓序列；采用8方向freeman 链码将z图形轮廓序列和e图形轮廓序列中相邻轮廓点的方向映射为设定范围内的整数，即不同方向分别对应一组设定范围内的整数；
28、以z图形轮廓的左侧最低点为基准，按顺时针方向遍历所有轮廓点，记录相邻点方向所转化的整数作为方向值，将各组方向值作为码值形成链码序列；同理形成e图形的链码序列；
29、对z图形的链码序列和e图形的链码序列之间，计算对应位置的码值差；对各组码值差求和记为j，利用公式d=j/（n×4）计算出z图形和e图形之间各位置的平均差异率d；其中n表示链码长度，4为最大可能码值差；
30、则z图形和e图形之间的轮廓相似度通过1-d得到，同理计算x图形与r图形的轮廓相似度、c图形与t图形之间的轮廓相似度；将各组轮廓相似度累加并除以整数三，得到轮廓深检值。
31、具体的，所述触发预检信令执行相应的步骤，具体为：
32、在触发预检信令下，分析预距值所对应故障状态缺陷报警图形集合与当前实时报警图形集合的综评值p，预设综评值p所对应的三组综评值区间，且每组综评值区间分别对应一个预警可信等级；将分析的综评值p与对应的综评值区间进行匹配，确定当前存在故障隐患的预警可信等级。
33、本发明的技术效果和优点：
34、（1）本发明通过收集电力设备正常及不同故障状态的历史声纹信号，提取时域、频域、时频域参数，通过与正常状态参数的比值计算，构建时域、频域、时频域比值集合，将比值集合转化为封闭图形形成缺陷报警图形集合，并基于图形面积与权重计算缺陷报警值，实现历史故障特征的标准化处理，实时采集声纹信号后，按相同逻辑生成实时报警图形集合和实时报警值，通过两者的多维度比对选择性判定是否存在故障，并进一步计算综评值精准匹配故障类型，解决了现有技术中忽略了电力设备在不同故障状态下的历史声纹信号，仅依赖单一信号源，无法对电力设备实时声纹信号和历史声纹信号结合分析的问题；
35、（2）本发明中若实时报警值高于预设阈值或缺陷报警值，判定为故障并触发深检信令，通过综评值定位可能故障原因；若实时报警值未达阈值，计算预距值，当预距值小于参考值时，判定为故障隐患并触发预检信令确定预警可信等级，实现了从故障检测到隐患预警的全周期监测；
36、（3）本发明在分析综评值的过程中，通过缺陷报警图形集合和实时报警图形集合的面积深检值、射线深检值以及轮廓深检值进行综合评估，全面反映了两者之间的故障相似程度，避免单一特征的局限性，提高了故障判定的准确性。