CN102426835B - 一种基于支持向量机模型的开关柜局部放电信号识别方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机模型的开关柜局部放电信号识别方法，包括训练模型过程和音频识别过程，具体包括以下步骤：对音频信号进行预处理，根据短时能量和过零率提取有效音频，对有效音频分段并提取每一段的美尔倒谱系数、一阶差分美尔倒谱系数、高过零率比等特征参数，再利用支持向量机工具训练样本集，建立相应的支持向量机模型；将待识别音频信号预处理，提取有效音频并分段、提取段特征后，根据支持向量机模型对基于段特征的待测样本进行分类识别，对分类结果后处理，对有无局放信号做出判断。本发明准确识别开关柜的局放信号的有无，预防并避免重大电力事故的发生，降低因绝缘事故造成的经济损失，提高供电可靠性。

Description

一种基于支持向量机模型的开关柜局部放电信号识别方法

技术领域

本发明属于音频信号处理和识别领域，涉及音频信号处理和模式识别技术，具体涉及一种基于支持向量机模型的开关柜局部放电信号识别方法。

背景技术

随着用户对电能质量的认识的不断增强，对供电的可靠性要求也越来越高。配网是供电可靠性的主要落脚点。而开关柜是配网的主要设备之一，统计数据表明，85%的绝缘故障是由局部放电引起的，这些绝缘故障如果得不到及时的预防检测及解决，将会成为安全隐患，甚至演变成严重的电力事故，造成经济损失，危害人身安全。

积极开展开关柜绝缘状态的带电测试或在线监测是目前预防早期绝缘故障，防止绝缘故障发生的最有效的手段。其中局部放电信号是衡量设备绝缘状态最重要的参数之一，故开展开关柜的局部放电现场测试成为运行单位大力尝试的方向。对开关柜的局部放电进行检测，能够及时的发现开关柜中的局部放电，并掌握开关柜的运行状况，预防重大电力事故的发生，保障配网供电的可靠性与安全性。

目前国内外，基于超声波基础上的局部放电的研究及生产的产品，通常的检测方法是基于超声波信号的频谱范围内将检测到的信号转换为声压值大小，并设定阈值与之判断局部放电信号的有无，辅助检测手段是利用耳机监听超声波信号经“外差法”处理后得到的音频信号，来检测局部放电信号的有无及局部放电的严重程度。由于人耳生理结构的限制，有时并不能捕捉到真正的局部放电声音信号，同时不同的操作人员听觉上的差异性，也会引起开关柜绝缘故障的误判，检测可靠性受到威胁，会引起不必要的经济损失及安全威胁。传统局放识别算法据局限性也会造成检测准确率不高，引起误判和漏判，不能及时发现潜在故障，从而造成巨大的经济损失及安全事故。

发明内容

本发明的目的在于克服现有方法的缺点，提供一种基于支持向量机模型的开关柜局部放电信号识别方法，在美尔倒谱系数（简称：MFCC）音频处理技术基础上利用支持向量机原理对开关柜的局部放电进行检测与识别，即利用基于支持向量机的原理对采集到的基于“外差法”得到的开关柜的局部放电声音信号进行识别分类。

支持向量机模型（简称：SVM）是一种基于统计学习理论的机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。该方法不但算法简单，而且具有较好的“鲁棒”性即健壮性，与神经网络相比，它的优点是训练算法中不存在局部极小值问题，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中，现在已经在许多领域取得了成功的应用。

MFCC是Mel标度频率域提取出的倒谱参数，描述了人耳对频率感知的非线性特性。研究表明，MFCC能提高系统的识别性能。开关柜的局部放电信号识别过程就是在得到的外差式音频信号中提取MFCC参数，着眼于人耳的听觉机理，依据听觉实验的结果来分析声音的频谱，获得较高的识别率和较好的噪声鲁棒性。短时平均幅度差（简称：AMDF）能在较低的信噪比情况下准确地检测出语音信号，而且计算方法简单，硬件处理容易，可靠性高，能够满足实时系统的需要。

为了达到本发明目的，本发明采用了以下技术方案：

一种基于支持向量机模型的开关柜局部放电信号识别方法，包括训练模型过程和音频识别过程，所述训练模型过程是根据训练样本集，得到支持向量机模型；所述音频识别过程是通过支持向量机模型，对待测样本进行识别。

本发明所述训练模型过程包括以下步骤：

（1）输入步骤：输入带有类别标识的音频信号作为训练样本，其中放电标记为1，未放电标记为-1；

（2）预处理步骤：对步骤（1）输入的训练音频信号进行预处理，将音频分帧；

（3）端点检测步骤：通过检测短时能量和过零率，确定步骤（2）得到的音频的始端和末端，去掉音频的噪声和首尾的静音，提取有效音频；

（4）音频分段步骤：以1s为时间长度对步骤（3）得到的有效音频进行分段；

（5）段特征提取步骤：提取步骤（4）得到的分段有效音频的特征参数，得到声音样本段特征；

（6）建模步骤：以步骤（5）提取的声音样本段特征作为参数进行建模，得到支持向量机模型。

本发明所述音频识别过程包括以下步骤：

（1）输入步骤：输入待测音频；

（2）预处理步骤：对步骤（1）输入的待测音频进行预处理，将音频分帧；

（3）端点检测步骤：通过检测短时能量和过零率，确定步骤（2）得到的音频的始端和末端，去掉音频的噪声和首尾的静音，提取有效音频；

（4）音频分段步骤：以1s为时间长度对步骤（3）得到的有效音频进行分段；

（5）段特征提取步骤：提取步骤（4）得到的分段有效音频的特征参数，得到声音样本段特征；

（6）分类识别步骤：用支持向量机模型对基于声音样本段特征的待测样本进行分类识别。

本发明所述预处理步骤包括如下步骤：

（1）采样量化：以8kHz的采样率对音频数据进行采样，并统一转换为单声道的wav格式的音频数据；

（2）预加重：原始音频信号表达式为x(n)，预加重后的信号表达式为y(n)，将输入的音频信号通过如下的FIR预加重滤波器，对wav格式的音频数据进行预加重：y(n)=x(n)-px(n-l)，其中，p为预加重系数，p=0.9375；

（3）加窗：用长度为240个采样点的汉宁窗序列截取语音信号进行分析，并让该窗序列滑动，为保证连续性，帧与帧之间有三分之二的重叠，帧移量为80。

本发明所述端点检测步骤采用短时能量门限和过零率门限进行有效音频端点检测，包括如下步骤：

（1）确定音频的始端：根据对音频帧进行短时能量和过零率的计算，判断为有效音频的始端，当音频帧的短时能量大于高能量门限，则确定该音频帧为有效音频的始端；当音频帧的短时能量大于低能量门限或者音频帧的过零率大于低过零率门限，则确定该音频帧为有效音频的疑似始端，若之后该音频帧的短时能量大于高能量门限或过零率大于高过零率门限，则该疑似始端判为有效音频的始端；若之后短时能量和过零率都小于低能量门限和低过零率门限，则该疑似始端判为噪声；

（2）确定音频的末端：根据对音频帧进行短时能量和过零率的计算，判断为有效音频的末端，当音频帧的短时能量小于低能量门限且过零率小于低过零率门限，则该音频帧为静音帧，判定该帧为有效音频的疑似末端；继续判断，当静音帧的持续时间大于最长静音持续时间门限时，则该疑似末端判定为有效音频的末端；所述最长静音持续时间门限为10帧；

（3）去除噪声：当有效音频的持续时间小于最短有效音频持续时间门限，判为噪声，最短有效音频持续时间门限为250帧。

本发明所述段特征提取步骤是对每一个有效音频段分别进行美尔倒谱系数、一阶差分美尔倒谱系数、高过零率比和短时平均幅度差特征参数提取，包括以下步骤：

（1）美尔倒谱系数提取：

先确定每一帧语音采样序列的点数N，取N=240点，在序列后面补零，然后再进行256级离散FFT变换，则第m帧语音的频谱为：

，其中，{s(n,m)|n=0,1,……,239}为第m帧语音的240个采样点，{s(n,m)|n=240,……,255}为零，对语音的频谱取模平方得到离散功率谱S(m)；

计算S(m)经过I个滤波器H _i (m)后所得的功率值，I=24，即计算S(m)和H _i (m)在各离散点上的乘积之和，得到I个参数P _i ，i=0,1,…,I-1；

计算P _i 的自然对数，得到L _i ，i=0,1,…,I-1；

对L ₀，L ₁,…,L _I-1计算其离散余弦变换，得到D _i ，i=0,1,…,I-1；

舍去代表直流成分的D ₀，取D ₁，D ₂,…,D _J作为美尔倒谱系数，J=12；

（2）一阶差分美尔倒谱系数提取：

根据公式：

，计算得到的一阶美尔倒谱系数差分参数，作为一个有效音频段的差分参数，获得局放声音的12维特征参数，其中，d（n）表示第n帧的一阶差分美尔倒谱系数，D(n+i)表示第（n+i）帧的美尔倒谱系数，k为常数，k=2；

（3）高过零率比提取：

设定一个过零率的阈值，计算出一个音频段中过零率高于这个阈值的帧所占的比例，即高过零率比，定义为：

，其中，N为一个音频段中的总帧数，ZCR（n）为第n帧的过零率，ZCR阈值为一个音频段中的ZCR（n）平均值的1.1倍，sgn为符号函数，avZCR是一个音频段中过零率的平均值，定义为

；

（4）短时平均幅度差提取：

短时平均幅度差F _n (k)的计算公式为

，其中，

，w为窗函数，x为原始信号。

本发明所述建模步骤包括类别标识、归一化处理、选择核函数和训练模型；

所述类别标识是将提取的每一段有效音频的特征参数进行类别标识，将放电标记为1，未放电标记为-1；所述特征参数包括美尔倒谱系数、一阶差分美尔倒谱系数、短时能量、过零率、高过零率比和短时平均幅度差；

所述归一化处理是对除美尔倒谱系数、一阶差分美尔倒谱系数外的特征参数数据进行归一化处理，每一个有效音频段的特征参数除高过零率比外都取段内所有帧特征参数的平均值，将携带类别标识的音频段的所有特征参数作为一个训练样本，得到训练数据集；

所述选择核函数是选择多项式内核作为核函数，将训练数据的特征映射到高维空间，所述核函数K(x,x _i )=[(x ^T x _i )+1] ^q ，q=3，对应支持向量机模型为一个3阶多项式分类器；

所述训练模型是使用支持向量机工具对训练数据集进行训练，得到基于多项式核函数的支持向量机模型。

本发明所述分类识别步骤包括归一化处理、识别步骤和分类后处理；

所述归一化处理是提取待识别音频段的特征参数后，将除美尔倒谱系数、一阶差分美尔倒谱系数外的特征参数进行归一化处理，形成待识别数据集；所述特征参数包括美尔倒谱系数、一阶差分美尔倒谱系数、短时能量、过零率、高过零率比和短时平均幅度差；

所述识别步骤是使用基于多项式核函数的支持向量机模型，由判别函数 

对待识别数据进行分类判断，得到每一个音频段的分类信息，其中，x _i 为支持向量，即训练样本的特征参数，x为未知向量，即待测样本的特征参数，y _i 为对应于x_i的类别标识，K(x,x _i )=[(x ^T x _i )+1] ^q ，q=3；f(x)为故障分类结果，若为1则判为放电，若为-1则判为未放电；

所述分类后处理是根据局部放电超声波信号的脉冲特性，当输入的整个音频中不少于N段的音频被判为放电的话，整个音频被判为放电，根据局部放电的脉冲特性，将N设定为5。

本发明所述短时能量的计算公式为：，其中，x(n)表示音频帧中的第n个采样点，N表示一帧内的采样点个数。

本发明所述过零率的计算公式为：，其中，x(n)表示音频帧中的第n个采样点，N表示一帧内的采样点个数，sgn()是符号函数。

SVM在分类函数形式上类似于一个神经网络，其输出是若干中间层节点的线性组合，而每一个中间层节点对应于输入样本与一个支持向量的内积。最终的判别函数中实际上只包含未知向量与支持向量的内积的线性组合。

本发明与现有技术相比，具有以下有益效果：

（1）本发明将高压设备中局部放电信号的识别转移到利用音频信号识别的领域，充分利用支持向量机模型的优势及人耳听觉特性，利用语音信号处理技术来识别高压设备开关柜中局部放电信号，提取包括：MFCC、一阶差分美尔倒谱系数（简称：△MFCC）、AMDF及高过零率比（简称：HZCRR）等参数在内的特征参数，利用支持向量及待测信号的特征参数来在线识别开关柜中的局放信号的有无，保障供电的可靠性及安全性；

（2）本发明突破了传统的依赖于人工监听局放声音来识别局部放电导致误判漏判的局限，在提取局部放电信号特征参数的基础上来分辨局部放电，大大提高了检测准确率；

（3）本发明利用支持向量机模型进行分类识别，即使在样本数较少的情况下，仍能得到极高的检测准确率；

（4）由于本发明是在超声波的基础上进行分析的，而局部放电过程中产生的超声波信号时能够很容易及时检测到的，因此本方法的适用范围广，可以应用到局部放电的巡检及全天候监测中，并辅助定位局放源的位置，预防并及时发现电力故障。

附图说明

图1为本发明的基于支持向量机模型的开关柜局部放电信号识别方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但是本发明要求保护的范围并不限于此。

如图1所示，一种基于支持向量机模型的开关柜局部放电信号识别方法，包括训练模型过程和音频识别过程，训练模型过程是根据训练样本集，得到支持向量机模型；音频识别过程是通过支持向量机模型，对待测样本进行识别。

训练模型过程包括以下步骤：

（1）输入步骤：输入带有故障标识的训练音频信号作为样本，其中放电标记为1，未放电标记为-1；

（2）预处理步骤：对步骤（1）输入的训练音频信号进行预处理，将音频分帧；

（3）端点检测步骤：通过检测短时能量和过零率，确定步骤（2）得到的音频的始端和末端，去掉音频的噪声和首尾的静音，提取有效音频；

（4）音频分段步骤：以1s为时间长度对步骤（3）得到的有效音频进行分段；

（5）段特征提取步骤：提取步骤（4）得到的分段有效音频的特征参数，得到声音样本段特征；

（6）建模步骤：以步骤（5）提取的声音样本段特征作为参数进行建模，得到支持向量机模型。

音频识别过程包括以下步骤：

（1）输入步骤：输入待测音频；

（2）预处理步骤：对步骤（1）输入的待测音频进行预处理，将音频分帧；

（3）端点检测步骤：通过检测短时能量和过零率，确定步骤（2）得到的音频的始端和末端，去掉音频的噪声和首尾的静音，提取有效音频；

（4）音频分段步骤：以1s为时间长度对步骤（3）得到的有效音频进行分段；

（5）段特征提取步骤：提取步骤（4）得到的分段有效音频的特征参数，得到声音样本段特征；

（6）分类识别步骤：用支持向量机模型对基于声音样本段特征的待测样本进行分类识别。

训练模型过程和音频识别过程中的预处理步骤具体包括如下步骤：

（1）采样量化：以8kHz的采样率对音频数据进行采样，并统一转换为单声道的wav格式的音频数据；

（2）预加重：原始音频信号表达式为x(n)，预加重后的信号表达式为y(n)，将输入的音频信号通过如下的FIR预加重滤波器，对wav格式的音频数据进行预加重：y(n)=x(n)-px(n-l)，其中，p为预加重系数，p=0.9375；

（3）加窗：用长度为240个采样点的汉宁窗序列截取语音信号进行分析，并让该窗序列滑动，为保证连续性，帧与帧之间有三分之二的重叠，帧移量为80。

训练模型过程和音频识别过程中的端点检测步骤采用短时能量门限和过零率门限进行有效音频端点检测，具体包括如下步骤：

（1）确定音频的始端：根据对音频帧进行短时能量和过零率的计算，判断为有效音频的始端，当音频帧的短时能量大于高能量门限，则确定该音频帧为有效音频的始端；当音频帧的短时能量大于低能量门限或者音频帧的过零率大于低过零率门限，则确定该音频帧为有效音频的疑似始端，若之后该音频帧的短时能量大于高能量门限或过零率大于高过零率门限，则该疑似始端判为有效音频的始端；若之后短时能量和过零率都小于低能量门限和低过零率门限，则该疑似始端判为噪声；

（2）确定音频的末端：根据对音频帧进行短时能量和过零率的计算，判断有效音频的末端，当音频帧的短时能量小于低能量门限且过零率小于低过零率门限，则该音频帧为静音帧，判定该帧为有效音频的疑似末端；继续判断，当静音帧的持续时间大于最长静音持续时间门限时，则该疑似末端判定为有效音频的末端；所述最长静音持续时间门限为10帧；

（3）去除噪声：当有效音频的持续时间小于最短有效音频持续时间门限，判为噪声，最短有效音频持续时间门限为250帧。

短时能量的计算公式为：，其中，x(n)表示音频帧中的第n个采样点，N表示一帧内的采样点个数。

过零率的计算公式为：

，其中，x(n)表示音频帧中的第n个采样点，N表示一帧内的采样点个数，sgn()是符号函数。

训练模型过程和音频识别过程中的段特征提取步骤是对每一个有效音频段分别进行美尔倒谱系数、一阶差分美尔倒谱系数、高过零率比和短时平均幅度差特征参数提取，包括以下步骤：

（1）美尔倒谱系数提取：

先确定每一帧语音采样序列的点数N，取N=240点，在序列后面补零，然后再进行256级离散FFT变换，则第m帧语音的频谱为：

，其中，{s(n,m)|n=0,1,……,239}为第m帧语音的240个采样点，{s(n,m)|n=240,……,255}为零，对语音的频谱取模平方得到离散功率谱S(m)；

计算S(m)经过I个滤波器H _i (m)后所得的功率值，I=24，即计算S(m)和H _i (m)在各离散频率点上的乘积之和，得到I个参数P _i ，i=0,1,…,I-1；

计算P _i 的自然对数，得到L _i ，i=0,1,…,I-1；

对L ₀，L ₁,…,L _I-1计算其离散余弦变换，得到D _i ，i=0,1,…,I-1；

舍去代表直流成分的D ₀，取D ₁，D ₂,…,D _J作为美尔倒谱系数，J=12；

（2）一阶差分美尔倒谱系数提取：

根据公式：，计算得到的一阶美尔倒谱系数差分参数，作为一个有效音频段的差分参数，获得局放声音的12维特征参数，其中，d（n）表示第n帧的一阶差分美尔倒谱系数，D(n+i)表示第（n+i）帧的美尔倒谱系数，k为常数，k=2；

（3）高过零率比提取：

设定一个过零率的阈值，计算出一个音频段中过零率高于这个阈值的帧所占的比例，即高过零率比，定义为：，其中，N为一个音频段中的总帧数，ZCR（n）为第n帧的过零率，ZCR阈值为一个音频段中的ZCR（n）平均值的1.1倍，sgn为符号函数，avZCR是一个音频段中过零率的平均值，定义为

；

（4）短时平均幅度差提取：

短时平均幅度差F _n (k)的定义为

，其中，

，w为窗函数，x为原始信号。

训练模型过程中的建模步骤包括类别标识、归一化处理、选择核函数和训练模型；

类别标识是将提取的每一段有效音频的特征参数进行类别标识，将放电标记为1，未放电标记为-1；所述特征参数包括美尔倒谱系数、一阶差分美尔倒谱系数、短时能量、过零率、高过零率比和短时平均幅度差；

归一化处理是对除美尔倒谱系数、一阶差分美尔倒谱系数外的特征参数数据进行归一化处理，每一个有效音频段的特征参数除高过零率比外都取段内所有帧特征参数的平均值，将携带类别标识的音频段的所有特征参数作为一个训练样本，得到训练数据集；

选择核函数是选择多项式内核作为核函数，将训练数据的特征映射到高维空间，所述核函数K(x,x _i )=[(x ^T x _i )+1] ^q ，q=3，对应支持向量机模型为一个3阶多项式分类器；

训练模型是使用支持向量机工具对训练数据集进行训练，得到基于多项式核函数的支持向量机模型。支持向量机工具采用libsvm中的svmtrain（TrainLabel, TrainData, Mparameter）函数，参数TrainLabel表示训练数据的类别标识，即采集到的局部放电声音信号是否放电，放电为1，未放电为-1，参数TrainData对应训练数据，Mparameter表示核函数的参数，函数的输出结果即为支持向量机模型。

音频识别过程中的分类识别步骤包括归一化处理、识别步骤和分类后处理；

归一化处理是提取待识别音频段的特征参数后，将除美尔倒谱系数、一阶差分美尔倒谱系数外的特征参数数据进行归一化处理，形成待识别数据集；需要提取的特征参数包括美尔倒谱系数、一阶差分美尔倒谱系数、短时能量、过零率、高过零率比和短时平均幅度差；

识别步骤是使用基于多项式核函数的支持向量机模型，由判别函数

对待识别数据进行分类判断，得到每一个音频段的分类信息，其中，x _i 为支持向量，即训练样本的特征参数，x为未知向量，即待测样本的特征参数，y _i 为对应于x_i的类别标识，K(x,x _i )=[(x ^T x _i )+1] ^q ，q=3；f(x)为故障分类结果，若为1则判为放电，若为-1则判为未放电；识别步骤由libsvm中的svmpredict（PredictLabel, PredictData, Model）函数来实现，PredictLabel为待测样本的默认标识值，PredictData为待测样本数据，Model为训练好的支持向量机模型，该函数的输出结果为经计算后的待测样本的识别结果以及准确度；

分类后处理是根据局部放电超声波信号的脉冲特性，当输入的整个音频中不少于N段的音频被判为放电的话，整个音频被判为放电，根据局部放电的脉冲特性，将N设定为5。

由于待测样本是待测音频中的切分段，即当整个音频中有5个或以上的待测样本被判为放电的话，则整个音频被判为放电，即判断为对应的开关柜发生了局部放电，应当引起操作人员及相关单位的注意，避免发生重大电力事故以及造成人身伤害。

Claims (10)

1.一种基于支持向量机模型的开关柜局部放电信号识别方法，包括训练模型过程和音频识别过程，其特征在于：所述训练模型过程是根据训练样本集，得到支持向量机模型；所述音频识别过程是通过支持向量机模型，对待测样本进行识别；在美尔倒谱系数音频处理技术基础上利用支持向量机原理对开关柜的局部放电进行检测与识别，利用语音信号处理技术来识别高压设备开关柜中局部放电信号，提取MFCC、一阶差分美尔倒谱系数、AMDF及高过零率比的特征参数，利用支持向量及待测信号的特征参数来在线识别开关柜中的局放信号的有无。

2.根据权利要求1所述的开关柜局部放电信号识别方法，其特征在于，所述训练模型过程包括以下步骤：

（1）输入步骤：输入带有类别标识的音频信号作为训练样本，其中放电标记为1，未放电标记为-1；

（2）预处理步骤：对步骤（1）输入的训练音频信号进行预处理，将音频分帧；

（3）端点检测步骤：通过检测短时能量与过零率，确定步骤（2）得到的音频的始端和末端，去掉音频的噪声和首尾的静音，提取有效音频；

（4）音频分段步骤：以1s为时间长度对步骤（3）得到的有效音频进行分段；

（5）段特征提取步骤：提取步骤（4）得到的分段有效音频的特征参数，得到声音样本段特征；

（6）建模步骤：以步骤（5）提取的声音样本段特征作为参数进行建模，得到支持向量机模型。

3.根据权利要求2所述的开关柜局部放电信号识别方法，其特征在于，所述音频识别过程包括以下步骤：

（1）输入步骤：输入待测音频；

（2）预处理步骤：对步骤（1）输入的待测音频进行预处理，将音频分帧；

（3）端点检测步骤：通过检测短时能量和过零率，确定步骤（2）得到的音频的始端和末端，去掉音频的噪声和首尾的静音，提取有效音频；

（4）音频分段步骤：以1s为时间长度对步骤（3）得到的有效音频进行分段；

（5）段特征提取步骤：提取步骤（4）得到的分段有效音频的特征参数，得到声音样本段特征；

（6）分类识别步骤：用支持向量机模型对基于声音样本段特征的待测样本进行分类识别。

4.根据权利要求1~3之一所述的开关柜局部放电信号识别方法，其特征在于，所述预处理步骤包括如下步骤：

（1）采样量化：以8kHz的采样率对音频数据进行采样，并统一转换为单声道的wav格式的音频数据；

（2）预加重：原始音频信号表达式为x(n)，预加重后的信号表达式为y(n)，将输入的音频信号通过如下的FIR预加重滤波器，对wav格式的音频数据进行预加重：y(n)=x(n)-px(n-l)，其中，p为预加重系数，p=0.9375；

（3）加窗：用长度为240个采样点的汉宁窗序列截取语音信号进行分析，并让该窗序列滑动，为保证连续性，帧与帧之间有三分之二的重叠，帧移量为80。

5.根据权利要求4所述的开关柜局部放电信号识别方法，其特征在于，所述端点检测步骤采用能量门限和过零率门限进行，包括如下步骤：

（1）确定音频的始端：根据对音频帧进行短时能量和过零率的计算，判断为有效音频的始端，当音频帧的短时能量大于高能量门限，则确定该音频帧为有效音频的始端；当音频帧的短时能量大于低能量门限或者音频帧的过零率大于低过零率门限，则确定该音频帧为有效音频的疑似始端，若之后该音频帧的短时能量大于高能量门限或过零率大于高过零率门限，则该疑似始端判为有效音频的始端；若之后短时能量和过零率都小于低能量门限和低过零率门限，则该疑似始端判为噪声；

（2）确定音频的末端：根据对音频帧进行短时能量和过零率的计算，判断为有效音频的末端，当音频帧的短时能量小于低能量门限且过零率小于低过零率门限，则该音频帧为静音帧，判定该帧为有效音频的疑似末端；继续判断，当静音帧的持续时间大于最长静音持续时间门限时，则该疑似末端判定为有效音频的末端；所述最长静音持续时间门限为10帧；

（3）去除噪声：当有效音频的持续时间小于最短有效音频持续时间门限，判为噪声，最短有效音频持续时间门限为250帧。

6.根据权利要求5所述的开关柜局部放电信号识别方法，其特征在于，所述段特征提取步骤是对每一个有效音频段分别进行美尔倒谱系数、一阶差分美尔倒谱系数、高过零率比和短时平均幅度差特征参数提取，包括以下步骤：

（1）美尔倒谱系数提取：

先确定每一帧语音采样序列的点数N，取N=240点，在序列后面补零，然后再进行256级离散FFT变换，则第m帧语音的频谱为：

其中，{s(n,m)|n=0,1,……,239}为第m帧语音的240个采样点，{s(n,m)|n=240……,255}为零，对语音的频谱取模平方得到离散功率谱S(m)；

计算S(m)经过I个滤波器Hi(m)后所得的功率值，I=24，即计算S(m)和Hi(m)在各离散频率点上的乘积之和，得到I个参数P_i，i＝0,1,…,I-1；

计算P_i的自然对数，得到L_i，i＝0,1,…,I-1；

对L₀，L₁,…，L_I-1计算其离散余弦变换，得到D_i，i＝0,1,…,I-1；

舍去代表直流成分的D₀，取D₁，D₂,…,D_J作为美尔倒谱系数，J=12；

（2）一阶差分美尔倒谱系数提取：

根据公式：，

$d\left(n\right)=\frac{1}{\sqrt{\underset{i=-k}{\overset{k}{\mathrm{\Σ}}}{i}^2}}\underset{i=-k}{\overset{k}{\mathrm{\Σ}}}i\·D(n+i)$

计算得到的一阶美尔倒谱系数差分参数，作为一个有效音频段的差分参数，获得局放声音的12维特征参数，其中，d（n）表示第n帧的一阶差分美尔倒谱系数，D(n+i)表示第(n+i）帧的美尔倒谱系数，k为常数，k＝2；

（3）高过零率比提取：

设定一个过零率的阈值，计算出一个音频段中过零率高于这个阈值的帧所占的比例，即高过零率比，定义为： $\frac{1}{2N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}[\mathrm{sgn}(\mathrm{ZCR}\left(n\right)-1.5\mathrm{avZCR})+1],$ 其中，N为一个音频段中的总帧数，ZCR（n）为第n帧的过零率，ZCR阈值为一个音频段中的ZCR（n）平均值的1.1倍，sgn为符号函数，avZCR是一个音频段中过零率的平均值，定义为

（4）短时平均幅度差提取：

短时平均幅度差F_n(k)的定义为 $F_n\left(k\right)=\underset{m=0}{\overset{N-1-k}{\mathrm{\Σ}}}|x_n\left(m\right)-x_n(m+k)|,$ 其中，x_n(m+k)＝w(m+k)x(n+m+k)，w为窗函数，x为原始信号。

7.根据权利要求6所述的开关柜局部放电信号识别方法，其特征在于，所述建模步骤包括类别标识、归一化处理、选择核函数和训练模型；

所述类别标识是将提取的每一段有效音频的特征参数进行类别标识，将放电标记为1，未放电标记为-1；所述特征参数包括美尔倒谱系数、一阶差分美尔倒谱系数、短时能量、过零率、高过零率比和短时平均幅度差；

所述归一化处理是对除美尔倒谱系数、一阶差分美尔倒谱系数外的特征参数数据进行归一化处理，每一个有效音频段的特征参数除高过零率比外都取段内所有帧特征参数的平均值，将携带类别标识的音频段的所有特征参数作为一个训练样本，得到训练数据集；

所述选择核函数是选择多项式内核作为核函数，将训练数据的特征映射到高维空间，所述核函数K(x,x_i)=[(x^Tx_i)+1]^q，q=3，对应的支持向量机模型为一个3阶多项式分类器；

所述训练模型是使用支持向量机工具对训练数据集进行训练，得到基于多项式核函数的支持向量机模型。

8.根据权利要求7所述的开关柜局部放电信号识别方法，其特征在于，所述分类识别步骤包括归一化处理、识别步骤和分类后处理；

所述归一化处理是提取待识别音频段的特征参数后，将除美尔倒谱系数、一阶差分美尔倒谱系数外的特征参数进行归一化处理，形成待识别数据集；所述特征参数包括美尔倒谱系数、一阶差分美尔倒谱系数、短时能量、过零率、高过零率比和短时平均幅度差；

所述识别步骤是使用基于多项式核函数的支持向量机模型，由判别函数 $f\left(x\right)=\mathrm{sgn}[{\left(W^{*}\right)}^T\mathrm{\φ}\left(x\right)+b^{*}]=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i^{*}{y}_{i}K(x_i,x)+b^{*})$ 对待识别数据进行分类判断，得到每一个音频段的分类信息，其中，x_i为支持向量，即训练样本的特征参数，x为未知向量，即待测样本的特征参数，y_i为对应于x_i的类别标识，K(x,x_i)=[(x^Tx_i)+1]^q，q=3；f(x)为故障分类结果，若为1则判为放电，若为-1则判为未放电；

所述分类后处理是根据局部放电超声波信号的脉冲特性，当输入的整个音频中不少于N段的音频被判为放电的话，整个音频被判为放电，根据局部放电的脉冲特性，将N设定为5。

9.根据权利要求8所述的开关柜局部放电信号识别方法，其特征在于，所述短时能量的计算公式为：

其中，x(n)表示音频帧中的第n个采样点，N表示一帧内的采样点个数。

10.根据权利要求8所述的开关柜局部放电信号识别方法，其特征在于，所述过零率的计算公式为： $\mathrm{ZCR}=\frac{1}{2}\underset{n=1}{\overset{N-1}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[x(n+1)]-\mathrm{sgn}[x\left(n\right)\left]\right|,$ 其中，x(n)表示音频帧中的第n个采样点，N表示一帧内的采样点个数，sgn()是符号函数。