一种基于声纹的变电设备异常检测方法和装置与流程

本技术涉及变电设备监测领域，尤其涉及一种基于声纹的变电设备异常检测方法和装置。

背景技术：

1、变电设备作为变电站的主要作用设备，其安全稳定运行对变电站、对电力系统的稳定性有至关重要的作用。为此，有必要准确地检测变电设备的异常并及时作出应对决策以防止变电设备故障。

2、在现有技术中，对变电设备的异常检测通常有两种方法，第一种是通过变电设备周期性上报运行数据，分析得到变电设备运行状态，由于其周期性上报的特点，从而部分紧急事态无法及时检出，存在一定的滞后性；另一种是通过传感器，尤其是声音传感器采集变电设备的运行数据，主要是声纹数据，分析得到变电设备运行状态，这种方法可以解决滞后性的问题，但现有对声纹数据的分析主要依赖于使用单一模型的深度学习预测方法，存在特征提取困难、模型训练欠妥等问题，导致基于声纹的变电设备的异常检测准确率不高。因此，如何基于声纹对变电设备进行更准确的异常检测仍是现有技术亟待解决的技术问题。

技术实现思路

1、本技术提供了一种基于声纹的变电设备异常检测方法和装置，以解决现有基于声纹的变电设备异常检测的准确率不高的技术问题。

2、根据本技术实施方式的第一方面，提供一种基于声纹的变电设备异常检测方法，包括：

3、获取多个变电设备的历史声纹特征数据，并基于二维卷积网络，提取所述历史声纹特征数据的局部时频特征，得到第一声纹特征；

4、基于双向循环神经网络，对所述第一声纹特征进行特征提取，得到第二声纹特征；

5、根据所述第二声纹特征，对预设的初始声纹检测模型进行多次迭代训练，迭代时基于对比学习和感知机分类对所述初始声纹检测模型的模型参数进行联合优化，直至所述模型参数满足预设值时完成训练，得到声纹检测模型；

6、获取待检测的变电设备的实时声纹特征，并将所述实时声纹特征输入所述声纹检测模型，得到待检测的变电设备的异常检测结果。

7、本技术先获取多个变电设备的历史声纹特征数据，并基于二维卷积网络提取局部时频特征得到第一声纹特征，再基于双向循环神经网络进行特征提取得到第二声纹特征，能够更准确地提取声纹特征中的时频特征部分，进而根据第二声纹特征，基于对比学习和感知机分类对预设初始声纹检测模型进行多次迭代训练得到声纹检测模型，通过将更准确的第二声纹特征作为训练集，并联合对比学习和感知机分类进行模型参数优化，三者共同作用能够提高最终输出的声纹检测模型的精度，进而在基于实时声纹特征对待检测的变电设备进行异常检测时，提高异常检测的准确率。

8、在本技术的某些实施方式中，所述获取多个变电设备的历史声纹特征数据，具体包括：

9、获取多个变电设备的历史音频数据，并根据预设序列长度，将所述历史音频数据分割为多个样本音频序列；

10、对所述多个样本音频序列进行自适应时频分析，得到所述多个变电设备对应的历史声纹特征数据。

11、本技术先获取多个变电设备的历史音频数据，并根据预设序列长度分割历史音频数据得到多个样本音频序列，通过分割音频数据得到短序列，有利于提高后续时频分析的精度，进而在对多个样本音频蓄力进行自适应时频分析得到历史声纹特征数据时，提高历史声纹特征数据与对应的变电设备运行实际的匹配度。

12、在本技术的某些实施方式中，所述基于二维卷积网络，提取所述历史声纹特征数据的局部时频特征，得到第一声纹特征，具体包括：

13、基于掩膜对所述历史声纹特征数据进行数据增强，得到增强声纹特征数据；

14、基于二维卷积网络，对所述增强声纹特征数据进行下采样，以提取局部时频特征，得到第一声纹特征。

15、本技术先基于掩膜对历史声纹特征数据进行数据增强得到增强声纹特征数据，能够增加样本数据量，防止样本不足导致特征精度下降，进而基于二维卷积对增强声纹特征进行下采样以提取局部时频特征得到第一声纹特征时，保持第一声纹特征的精度。

16、在本技术的某些实施方式中，所述根据所述第二声纹特征，对预设的初始声纹检测模型进行多次迭代训练，迭代时基于对比学习和感知机分类对所述初始声纹检测模型的模型参数进行联合优化，直至所述模型参数满足预设值时完成训练，得到声纹检测模型，具体包括：

17、将所述第二声纹特征进行平均池化，得到第三声纹特征；

18、基于所述第三声纹特征，对预设的初始声纹检测模型进行多次迭代训练，迭代时基于对比学习和感知机分类计算联合总损失，并根据联合总损失对所述模型参数进行优化，直至所述模型参数满足预设值时完成训练，得到声纹检测模型；其中，所述联合总损失包括基于对比学习的对比损失和基于感知机分类的交叉熵损失；

19、所述联合总损失，具体为：

20、l＝α*lcontrast+(1-α)*lce；

21、其中，l，lcontrast，lce分别为联合总损失、对比损失和交叉熵损失，α为损失平衡参数；

22、所述对比损失，具体为：

23、

24、其中，hc为第三声纹特征基于多层感知机的映射输出，h+，h-分别为声纹特征的正样本和负样本，sim(a，b)为输入a与输入b的相似度，τ为温度参数。

25、本技术先将第二声纹特征进行平均池化得到第三声纹特征，再根据第三声纹特征，并基于对比学习的对比损失和基于感知机分类的交叉熵损失计算的联合总损失对预设初始声纹检测模型进行多次迭代训练得到声纹检测模型，三者共同作用能够提高声纹检测模型的精度，进而能够提高变电设备异常检测时的准确率。

26、在本技术的某些实施方式中，所述将所述实时声纹特征输入所述声纹检测模型，得到待检测的变电设备的异常检测结果，具体包括：

27、将所述实时声纹特征输入所述声纹检测模型，得到待检测的变电设备的异常检测分数；

28、当所述异常检测分数大于预设异常阈值时，根据所述异常检测分数，基于滑动窗口法，定位待检测的变电设备的异常产生时段；

29、根据所述异常检测分数和所述异常产生时段，得到待检测的变电设备的异常检测结果。

30、本技术先基于实时声纹特征和声纹检测模型得到待检测的变电设备的异常检测分数，并在异常检测分数大于预设异常阈值时，基于滑动窗口法定位异常产生时段，进而得到异常检测结果，通过预设异常阈值能够排除异常检测的错判，通过滑动窗口法能够更准确地定位异常产生时段，从而得到的异常检测结果更符合于待检测的变电设备的异常实际。

31、根据本技术实施方式的第二方面，提供一种基于声纹的变电设备异常检测装置，包括时频特征获取模块、声纹特征提取模块、检测模型训练模块和设备异常检测模块；

32、所述时频特征获取模块，用于获取多个变电设备的历史声纹特征数据，并基于二维卷积网络，提取所述历史声纹特征数据的局部时频特征，得到第一声纹特征；

33、所述声纹特征提取模块，用于基于双向循环神经网络，对所述第一声纹特征进行特征提取，得到第二声纹特征；

34、所述检测模型训练模块，用于根据所述第二声纹特征，对预设的初始声纹检测模型进行多次迭代训练，迭代时基于对比学习和感知机分类对所述初始声纹检测模型的模型参数进行联合优化，直至所述模型参数满足预设值时完成训练，得到声纹检测模型；

35、所述设备异常检测模块，用于获取待检测的变电设备的实时声纹特征，并将所述实时声纹特征输入所述声纹检测模型，得到待检测的变电设备的异常检测结果。

36、在本技术的某些实施方式中，所述时频特征获取模块包括声纹特征获取子模块；所述声纹特征获取子模块包括音频获取分割单元和序列时频分析单元；

37、所述音频获取分割单元，用于获取多个变电设备的历史音频数据，并根据预设序列长度，将所述历史音频数据分割为多个样本音频序列；

38、所述序列时频分析单元，用于对所述多个样本音频序列进行自适应时频分析，得到所述多个变电设备对应的历史声纹特征数据。

39、在本技术的某些实施方式中，所述时频特征获取模块包括时频特征提取子模块；所述时频特征提取子模块包括声纹特征增强单元和时频特征提取单元；

40、所述声纹特征增强单元，用于基于掩膜对所述历史声纹特征数据进行数据增强，得到增强声纹特征数据；

41、所述时频特征提取单元，用于基于二维卷积网络，对所述增强声纹特征数据进行下采样，以提取局部时频特征，得到第一声纹特征。

42、在本技术的某些实施方式中，所述检测模型训练模块包括声纹特征池化子模块和检测模型训练子模块；

43、所述声纹特征池化子模块，用于将所述第二声纹特征进行平均池化，得到第三声纹特征；

44、所述检测模型训练子模块，用于基于所述第三声纹特征，对预设的初始声纹检测模型进行多次迭代训练，迭代时基于对比学习和感知机分类计算联合总损失，并根据联合总损失对所述模型参数进行优化，直至所述模型参数满足预设值时完成训练，得到声纹检测模型；其中，所述联合总损失包括基于对比学习的对比损失和基于感知机分类的交叉熵损失；

45、所述联合总损失，具体为：

46、l＝α*lcontrast+(1-α)*lce；

47、其中，l，lcontrast，lce分别为联合总损失、对比损失和交叉熵损失，α为损失平衡参数；

48、所述对比损失，具体为：

49、

50、其中，hc为第三声纹特征基于多层感知机的映射输出，h+，h-分别为声纹特征的正样本和负样本，sim(a，b)为输入a与输入b的相似度，τ为温度参数。

51、在本技术的某些实施方式中，所述设备异常检测模块包括异常分数获取子模块、异常时段定位子模块和异常结果获取子模块；

52、所述异常分数获取子模块，用于将所述实时声纹特征输入所述声纹检测模型，得到待检测的变电设备的异常检测分数；

53、所述异常时段定位子模块，用于当所述异常检测分数大于预设异常阈值时，根据所述异常检测分数，基于滑动窗口法，定位待检测的变电设备的异常产生时段；

54、所述异常结果获取子模块，用于根据所述异常检测分数和所述异常产生时段，得到待检测的变电设备的异常检测结果。

55、本技术先获取多个变电设备的历史声纹特征数据，并基于二维卷积网络提取局部时频特征得到第一声纹特征，再基于双向循环神经网络进行特征提取得到第二声纹特征，能够更准确地提取声纹特征中的时频特征部分，进而根据第二声纹特征，基于对比学习和感知机分类对预设初始声纹检测模型进行多次迭代训练得到声纹检测模型，通过将更准确的第二声纹特征作为训练集，并联合对比学习和感知机分类进行模型参数优化，三者共同作用能够提高最终输出的声纹检测模型的精度，进而在基于实时声纹特征对待检测的变电设备进行异常检测时，提高异常检测的准确率。