CN117761448A - 线路异常故障判断方法及系统 - Google Patents
线路异常故障判断方法及系统 Download PDFInfo
- Publication number
- CN117761448A CN117761448A CN202311526533.9A CN202311526533A CN117761448A CN 117761448 A CN117761448 A CN 117761448A CN 202311526533 A CN202311526533 A CN 202311526533A CN 117761448 A CN117761448 A CN 117761448A
- Authority
- CN
- China
- Prior art keywords
- audio
- preset
- subgraphs
- transmission line
- background
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims description 71
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000003595 spectral effect Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例提供一种线路异常故障判断方法及系统,属于输电线路的故障检测技术领域。所述判断方法包括:获取输电线路的在预定时间和预定场景下的音频数据,其中,所述预定时间为夜间,所述预定场景为偏远户外;对所述音频数据进行分解,以得到前景音频和背景音频;判断所述背景音频是否属于现场采集音频;在判断所述背景音频属于现场采集音频的情况下,采用预设的网络模型根据所述前景音频判断所述输电线路是否存在故障。相较于现有技术而言,本发明提供的判断方法及系统通过采用音频判断的方法,替代了常规的人工巡检,提高了输电线路的巡检效率。
Description
技术领域
本发明涉及输电线路的故障检测技术领域,具体地涉及一种线路异常故障判断方法及系统。
背景技术
在电力系统中,输电线路是重要的组成部分,它们的正常运行对于电力系统的稳定性和可靠性至关重要。然而,输电线路容易受到各种因素的影响,包括天气条件、环境污染、生物活动等,从而导致故障。故障可能会导致电力中断,对生活和工业生产产生严重影响。因此,开发出一种能够快速、准确检测输电线路故障的方法是十分必要的。
传统的输电线路故障检测方法主要依赖于电力工作人员的巡检和定期维护。然而,这种做法不仅效率低下,而且在某些情况下,由于地理位置的限制,工作人员可能无法及时到达故障现场。此外,某些故障可能难以通过直接观察来发现,进一步增加了检测的难度。
发明内容
本发明实施例的目的是提供一种线路异常故障判断方法及系统,该判断方法及系统能够在提高输电线路的故障检测效率。
为了实现上述目的,本发明实施例提供一种线路异常故障判断方法,包括:
获取输电线路的在预定时间和预定场景下的音频数据,其中,所述预定时间为夜间,所述预定场景为偏远户外;
对所述音频数据进行分解,以得到前景音频和背景音频;
判断所述背景音频是否属于现场采集音频;
在判断所述背景音频属于现场采集音频的情况下,采用预设的网络模型根据所述前景音频判断所述输电线路是否存在故障。
可选地,对所述音频数据进行分解,以得到前景音频和背景音频,包括:
采用DLTK网络模型对所述音频数据进行处理,以得到所述前景音频和背景音频。
可选地,所述网络模型包括:
多个输入层,用于对输入的所述前景音频进行预处理操作;
特征提取层,与所述输入层一一对应,用于从预处理操作后的所述前景音频中提取音频特征;
特征融合层,与每个所述特征提取层连接,用于对提取出的音频特征进行特征拼接操作;
分类层,与所述特征融合层连接,用于根据特征拼接操作后的所述音频特征进行分类处理,以确定所述输电线路是否存在故障。
可选地,判断所述背景音频是否属于现场采集音频包括:
采用预设的频谱子图库对所述背景音频进行频谱图投影,以将所述背景音频划分为多个音频段;
判断相邻的两个所述音频段时间的时间间隔是否大于预设的时间长度;
在判断所述时间间隔大于所述时间长度的情况下,确定所述背景音频不属于所述现场采集音频;
在判断所述时间间隔小于或等于所述时间长度的情况下,确定所述背景音频属于所述现场采集音频。
可选地,判断所述背景音频是否属于现场采集音频包括:
获取所述预定场景中无输电线路影响下的历史音频数据;
根据所述历史音频数据生成时域频谱图和频域频谱图;
按照预设的时间区间划分所述时域频谱图,以得到不同时间区间下的频谱子图;
比较每两个所述频谱子图,以确定每两个所述频谱子图的二阶平均差;
判断所述二阶平均差是否小于或等于预设的平均差阈值;
在判断二阶平均差小于或等于预设的平均差阈值的情况下,将对应的两个频谱子图合并为同一个频谱子图;
判断所述频谱子图的数量是否处于预设的数量范围内;
在判断所述频谱子图的数量处于所述数量范围内的情况下,将所有的所述频谱子图存储为所述频谱子图库。
可选地,判断所述背景音频是否属于现场采集音频包括:
在判断所述频谱子图的数量位于所述数量范围左侧的情况下,减小所述时间区间;
在判断所述频谱子图的数量位于所述数量范围右侧的情况下,增大所述时间区间。
另一方面,本发明还提供一种线路异常故障判断系统,所述判断系统包括处理器,所述处理器用于执行如上述任一所述的判断方法。
通过上述技术方案,本发明提供的线路异常故障判断方法及系统对输电线路在夜间的音频数据进行分解,通过频域特征较为单一的背景音频验证当前的音频数据采集是否成功,再结合验证的结果确定是否能够通过前景音频进行判断。相较于现有技术而言,本发明提供的判断方法及系统通过采用音频判断的方法,替代了常规的人工巡检,提高了输电线路的巡检效率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是根据本发明的一个实施方式的线路异常故障判断方法的流程图;
图2是根据本发明的一个实施方式的背景音频是否属于现场采集音频的方法的流程图;
图3是根据本发明的一个实施方式的获取频谱子图库的方法的流程图;
图4是根据本发明的一个实施方式的用于判断前景音频的网络模型的示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
如图1所示是根据本发明的一个实施方式的线路异常故障判断方法的流程图。在该图1中,该判断方法可以包括以下步骤:
在步骤S10中,获取输电线路的在预定时间和预定场景下的音频数据,其中,预定时间为夜间,预定场景为偏远户外;
在步骤S11中,对音频数据进行分解,以得到前景音频和背景音频;
在步骤S12中,判断背景音频是否属于现场采集音频;
在步骤S13中,在判断背景音频属于现场采集音频的情况下,采用预设的网络模型根据前景音频判断输电线路是否存在故障。
在该如图1所示出的判断方法中,步骤S10可以用于获取输电线路在预定时间和预定场景下的音频数据。其中,该预定时间可以为夜间,而预定场景可以为偏远户外。由于白天(6:00-18:00)的噪音杂质较多,并且在这个时间段,工作人员会进行日常的巡检,故此时可以不作任何远程判断。而在夜间(18:00-6:00),此时噪音较为单一,便于直接通过配电线路的声音判断是否发生故障,并且在这个时间段,工作人员无法做到随时巡检,因此采用该时间段和场景下的输电线路的音频数据进行判断能够有效地提高故障检测的效率。
步骤S11可以用于对音频数据进行分解,从而得到表示配电线路的前景音频和表示环境噪音的背景音频。对于分解该音频数据的方法,可以是本领域人员所知的多种形式。在本发明的一个示例中,可以是采用DLTK(Deep Learning Toolkit,深度学习工具网络)网络模型对音频数据进行处理,以得到前景音频和背景音频。
步骤S12可以用于判断背景音频是否属于现场采集音频。其中,该背景音频可以包括如图2中所示出的方法。在该图2中,该步骤S12可以包括以下步骤:
在步骤S20中,采用预设的频谱子图库对背景音频进行频谱图投影,以将背景音频划分为多个音频段;
在步骤S21中,判断相邻的两个音频段时间的时间间隔是否大于预设的时间长度;
在步骤S22中,在判断时间间隔大于时间长度的情况下,确定背景音频不属于现场采集音频;
在步骤S23中,在判断时间间隔小于或等于时间长度的情况下,确定背景音频属于现场采集音频。
在该如图2所示出的方法中,步骤S20可以用于采用预设的频谱子图库对背景音频进行频谱图投影,以将背景音频划分为多个音频段。频谱图投影操作是通过根据频谱子图库中的频谱子图在背景音频中寻常相似部分,然后将相似的部分作为一个投影,及划分出一个音频段,也即该频谱图投影也可以是理解为一种基于相似度匹配的方式。
对于该频谱子图库,可以是本领域人员预先提取存储的。在本发明的一个示例中,该频谱子图库可以是采用以下如图3中示出的方法来获得。具体地,在该图3中,获取该频谱子图库的方法可以是包括以下步骤:
在步骤S30中,获取预定场景中无输电线路影响下的历史音频数据;
在步骤S31中,根据历史音频数据生成时域频谱图和频域频谱图;
在步骤S32中,按照预设的时间区间划分时域频谱图,以得到不同时间区间下的频谱子图;
在步骤S33中,比较每两个频谱子图,以确定每两个频谱子图的二阶平均差;
在步骤S34中,判断二阶平均差是否小于或等于预设的平均差阈值;
在步骤S35中,在判断二阶平均差小于或等于预设的平均差阈值的情况下,将对应的两个频谱子图合并为同一个频谱子图;
在步骤S36中,判断频谱子图的数量是否处于预设的数量范围内;
在步骤S37中,在判断频谱子图的数量处于数量范围内的情况下,将所有的频谱子图存储为频谱子图库。
在步骤S38中,在判断频谱子图的数量位于数量范围左侧的情况下,减小时间区间;
在步骤S39中,在判断频谱子图的数量位于数量范围右侧的情况下,增大时间区间。
在该如图3所示出的方法中,步骤S30可以用于获取预定场景中无输电线路影响下的历史音频数据。该历史音频数据可以是在夜间和对应的输电线路所在位置所采集得到。步骤S31可以用于根据历史音频数据生成时域频谱图和频域频谱图。步骤S32可以用于按照预设的时间区间划分时域频谱图,以得到不同时间区间下的频谱子图。考虑到步骤S32中直接划分的频谱子图的数量可能较多,这会制约后续频谱投影操作的效率。因此还需要步骤S33至步骤S39来将相似的频谱子图合并,从而避免产生相似的频谱子图。其中,步骤S33确定每两个频谱子图的二阶平均差的具体方法,可以是本领域人员所知的多种形式。在本发明的一个示例中,考虑到传感器本身的灵敏度变化,在采集时可能会出现整体的基准值不同,那么可以是采用以下公式(1)和公式(2)来计算该二阶平均差,
Δxi=di 1-di 2, (2)
其中,Δs为所述二阶平均差,di 1为一个频谱子图中的第i个采样点的点值,di 2为一个频谱子图中的第i+1个采样点的点值,n为一个频谱子图中的采样点的数量。
步骤S21可以用于判断相邻的两个音频段时间的时间间隔是否大于预设的时间长度,从而确定当前背景音频中是否存在频谱子图库为存储的频谱特征的情况。如果存在,则说明当前所采集的音频数据有异常情况,也即输电线路可能存在故障,即步骤S22:在判断时间间隔大于时间长度的情况下,确定背景音频不属于现场采集音频。反之,则说明不不存在故障。
步骤S13可以用于采用预设的网络模型根据前景音频判断输电线路是否存在故障。对于该网络模型,可以是本领域人员所知的多种形式。在本发明的一个示例中,该网络模型可以是包括如图4中所示出的结构。在该图4中,该网络模型可以包括多个输入层1、特征提取层2、特征融合层3以及分类层4。其中,多个输入层1可以用于对输入的前景音频进行预处理操作。特征提取层2可以与输入层1一一对应,用于从预处理操作后的前景音频中提取音频特征。
特征融合层3可以与每个特征提取层2连接,用于对提取出的音频特征进行特征拼接操作。分类层4可以与特征融合层3连接,用于根据特征拼接操作后的音频特征进行分类处理,以确定输电线路是否存在故障。
另一方面,本发明还提供一种线路异常故障判断系统,所述判断系统包括处理器,所述处理器用于执行如上述任一所述的判断方法。该判断方法可以是如图1至图4所示。具体地,在该图1中,该判断方法可以包括以下步骤:
在步骤S10中,获取输电线路的在预定时间和预定场景下的音频数据,其中,预定时间为夜间,预定场景为偏远户外;
在步骤S11中,对音频数据进行分解,以得到前景音频和背景音频;
在步骤S12中,判断背景音频是否属于现场采集音频;
在步骤S13中,在判断背景音频属于现场采集音频的情况下,采用预设的网络模型根据前景音频判断输电线路是否存在故障。
在该如图1所示出的判断方法中,步骤S10可以用于获取输电线路在预定时间和预定场景下的音频数据。其中,该预定时间可以为夜间,而预定场景可以为偏远户外。由于白天(6:00-18:00)的噪音杂质较多,并且在这个时间段,工作人员会进行日常的巡检,故此时可以不作任何远程判断。而在夜间(18:00-6:00),此时噪音较为单一,便于直接通过配电线路的声音判断是否发生故障,并且在这个时间段,工作人员无法做到随时巡检,因此采用该时间段和场景下的输电线路的音频数据进行判断能够有效地提高故障检测的效率。
步骤S11可以用于对音频数据进行分解,从而得到表示配电线路的前景音频和表示环境噪音的背景音频。对于分解该音频数据的方法,可以是本领域人员所知的多种形式。在本发明的一个示例中,可以是采用DLTK(Deep Learning Toolkit,深度学习工具网络)网络模型对音频数据进行处理,以得到前景音频和背景音频。
步骤S12可以用于判断背景音频是否属于现场采集音频。其中,该背景音频可以包括如图2中所示出的方法。在该图2中,该步骤S12可以包括以下步骤:
在步骤S20中,采用预设的频谱子图库对背景音频进行频谱图投影,以将背景音频划分为多个音频段;
在步骤S21中,判断相邻的两个音频段时间的时间间隔是否大于预设的时间长度;
在步骤S22中,在判断时间间隔大于时间长度的情况下,确定背景音频不属于现场采集音频;
在步骤S23中,在判断时间间隔小于或等于时间长度的情况下,确定背景音频属于现场采集音频。
在该如图2所示出的方法中,步骤S20可以用于采用预设的频谱子图库对背景音频进行频谱图投影,以将背景音频划分为多个音频段。频谱图投影操作是通过根据频谱子图库中的频谱子图在背景音频中寻常相似部分,然后将相似的部分作为一个投影,及划分出一个音频段,也即该频谱图投影也可以是理解为一种基于相似度匹配的方式。
对于该频谱子图库,可以是本领域人员预先提取存储的。在本发明的一个示例中,该频谱子图库可以是采用以下如图3中示出的方法来获得。具体地,在该图3中,获取该频谱子图库的方法可以是包括以下步骤:
在步骤S30中,获取预定场景中无输电线路影响下的历史音频数据;
在步骤S31中,根据历史音频数据生成时域频谱图和频域频谱图;
在步骤S32中,按照预设的时间区间划分时域频谱图,以得到不同时间区间下的频谱子图;
在步骤S33中,比较每两个频谱子图,以确定每两个频谱子图的二阶平均差;
在步骤S34中,判断二阶平均差是否小于或等于预设的平均差阈值;
在步骤S35中,在判断二阶平均差小于或等于预设的平均差阈值的情况下,将对应的两个频谱子图合并为同一个频谱子图;
在步骤S36中,判断频谱子图的数量是否处于预设的数量范围内;
在步骤S37中,在判断频谱子图的数量处于数量范围内的情况下,将所有的频谱子图存储为频谱子图库。
在步骤S38中,在判断频谱子图的数量位于数量范围左侧的情况下,减小时间区间;
在步骤S39中,在判断频谱子图的数量位于数量范围右侧的情况下,增大时间区间。
在该如图3所示出的方法中,步骤S30可以用于获取预定场景中无输电线路影响下的历史音频数据。该历史音频数据可以是在夜间和对应的输电线路所在位置所采集得到。步骤S31可以用于根据历史音频数据生成时域频谱图和频域频谱图。步骤S32可以用于按照预设的时间区间划分时域频谱图,以得到不同时间区间下的频谱子图。考虑到步骤S32中直接划分的频谱子图的数量可能较多,这会制约后续频谱投影操作的效率。因此还需要步骤S33至步骤S39来将相似的频谱子图合并,从而避免产生相似的频谱子图。其中,步骤S33确定每两个频谱子图的二阶平均差的具体方法,可以是本领域人员所知的多种形式。在本发明的一个示例中,考虑到传感器本身的灵敏度变化,在采集时可能会出现整体的基准值不同,那么可以是采用以下公式(1)和公式(2)来计算该二阶平均差,
Δxi=di 1-di 2, (2)
其中,Δs为所述二阶平均差,di 1为一个频谱子图中的第i个采样点的点值,di 2为一个频谱子图中的第i+1个采样点的点值,n为一个频谱子图中的采样点的数量。
步骤S21可以用于判断相邻的两个音频段时间的时间间隔是否大于预设的时间长度,从而确定当前背景音频中是否存在频谱子图库为存储的频谱特征的情况。如果存在,则说明当前所采集的音频数据有异常情况,也即输电线路可能存在故障,即步骤S22:在判断时间间隔大于时间长度的情况下,确定背景音频不属于现场采集音频。反之,则说明不不存在故障。
步骤S13可以用于采用预设的网络模型根据前景音频判断输电线路是否存在故障。对于该网络模型,可以是本领域人员所知的多种形式。在本发明的一个示例中,该网络模型可以是包括如图4中所示出的结构。在该图4中,该网络模型可以包括多个输入层1、特征提取层2、特征融合层3以及分类层4。其中,多个输入层1可以用于对输入的前景音频进行预处理操作。特征提取层2可以与输入层1一一对应,用于从预处理操作后的前景音频中提取音频特征。
特征融合层3可以与每个特征提取层2连接,用于对提取出的音频特征进行特征拼接操作。分类层4可以与特征融合层3连接,用于根据特征拼接操作后的音频特征进行分类处理,以确定输电线路是否存在故障。
通过上述技术方案,本发明提供的线路异常故障判断方法及系统对输电线路在夜间的音频数据进行分解,通过频域特征较为单一的背景音频验证当前的音频数据采集是否成功,再结合验证的结果确定是否能够通过前景音频进行判断。相较于现有技术而言,本发明提供的判断方法及系统通过采用音频判断的方法,替代了常规的人工巡检,提高了输电线路的巡检效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实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的功能的装置。
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定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实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的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种线路异常故障判断方法,其特征在于,所述判断方法包括:
获取输电线路的在预定时间和预定场景下的音频数据,其中,所述预定时间为夜间,所述预定场景为偏远户外;
对所述音频数据进行分解,以得到前景音频和背景音频;
判断所述背景音频是否属于现场采集音频;
在判断所述背景音频属于现场采集音频的情况下,采用预设的网络模型根据所述前景音频判断所述输电线路是否存在故障。
2.根据权利要求1所述的判断方法,其特征在于,对所述音频数据进行分解,以得到前景音频和背景音频,包括:
采用DLTK网络模型对所述音频数据进行处理,以得到所述前景音频和背景音频。
3.根据权利要求1所述的判断方法,其特征在于,所述网络模型包括:
多个输入层,用于对输入的所述前景音频进行预处理操作;
特征提取层,与所述输入层一一对应,用于从预处理操作后的所述前景音频中提取音频特征;
特征融合层,与每个所述特征提取层连接,用于对提取出的音频特征进行特征拼接操作;
分类层,与所述特征融合层连接,用于根据特征拼接操作后的所述音频特征进行分类处理,以确定所述输电线路是否存在故障。
4.根据权利要求1所述的判断方法,其特征在于,判断所述背景音频是否属于现场采集音频包括:
采用预设的频谱子图库对所述背景音频进行频谱图投影,以将所述背景音频划分为多个音频段;
判断相邻的两个所述音频段时间的时间间隔是否大于预设的时间长度;
在判断所述时间间隔大于所述时间长度的情况下,确定所述背景音频不属于所述现场采集音频;
在判断所述时间间隔小于或等于所述时间长度的情况下,确定所述背景音频属于所述现场采集音频。
5.根据权利要求4所述的判断方法,其特征在于,判断所述背景音频是否属于现场采集音频包括:
获取所述预定场景中无输电线路影响下的历史音频数据;
根据所述历史音频数据生成时域频谱图和频域频谱图;
按照预设的时间区间划分所述时域频谱图,以得到不同时间区间下的频谱子图;
比较每两个所述频谱子图,以确定每两个所述频谱子图的二阶平均差;
判断所述二阶平均差是否小于或等于预设的平均差阈值;
在判断二阶平均差小于或等于预设的平均差阈值的情况下,将对应的两个频谱子图合并为同一个频谱子图;
判断所述频谱子图的数量是否处于预设的数量范围内;
在判断所述频谱子图的数量处于所述数量范围内的情况下,将所有的所述频谱子图存储为所述频谱子图库。
6.根据权利要求5所述的判断方法,其特征在于,判断所述背景音频是否属于现场采集音频包括:
在判断所述频谱子图的数量位于所述数量范围左侧的情况下,减小所述时间区间;
在判断所述频谱子图的数量位于所述数量范围右侧的情况下,增大所述时间区间。
7.一种线路异常故障判断系统,其特征在于,所述判断系统包括处理器,所述处理器用于执行如权利要求1至6任一所述的判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526533.9A CN117761448A (zh) | 2023-11-13 | 2023-11-13 | 线路异常故障判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526533.9A CN117761448A (zh) | 2023-11-13 | 2023-11-13 | 线路异常故障判断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117761448A true CN117761448A (zh) | 2024-03-26 |
Family
ID=90311368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311526533.9A Pending CN117761448A (zh) | 2023-11-13 | 2023-11-13 | 线路异常故障判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117761448A (zh) |
-
2023
- 2023-11-13 CN CN202311526533.9A patent/CN117761448A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
US11531688B2 (en) | Time-series data processing device, time-series data processing system, and time-series data processing method | |
CA2927545C (en) | Integrated transformer health monitoring architecture | |
CN110209560B (zh) | 数据异常检测方法及检测装置 | |
CN108039959B (zh) | 一种数据的态势感知方法、系统及相关装置 | |
US9424485B2 (en) | Grid data processing method and apparatus | |
CN108776276B (zh) | 用电异常检测方法及系统 | |
CN109005162B (zh) | 工控系统安全审计方法及装置 | |
CN104616092A (zh) | 一种基于分布式日志分析的行为模式处理方法 | |
CN112565422B (zh) | 一种对电力物联网故障数据的识别方法、系统和存储介质 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN103675354A (zh) | 一种风速仪故障检测的方法和系统 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN117761448A (zh) | 线路异常故障判断方法及系统 | |
CN115658441B (zh) | 一种基于日志的家政业务系统异常监控方法、设备及介质 | |
CN117172984A (zh) | 基于设备检修数字孪生场景的安全风险识别方法及系统 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
KR101984257B1 (ko) | 클라우드기반 빅데이터분석시스템 및 방법 | |
CN113590663A (zh) | 一种环境检测方法及系统 | |
CN117033913A (zh) | 基于电力设备画像的异常检测方法及设备、存储介质 | |
CN114330569A (zh) | 一种检测风机组部件故障的方法、设备及存储介质 | |
CN113989746A (zh) | 一种场景中复杂事件的检测方法、系统、设备及存储介质 | |
CN113283076A (zh) | 用电异常的研究方法、装置与计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |