局部放电识别方法和系统

1.一种局部放电识别方法，其特征在于，包括如下步骤：
采集高压设备的音频信号，对所述音频信号进行时域分析和频域分析，提取信号特征；
利用主成分分析法对所述信号特征进行降维；
对降维后的所述信号特征进行分类识别，判断是否产生局部放电；
其中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽；
所述信号特征的提取方法如下：
(1)短时平均幅度提取：
短时平均幅度差Fn(k)的计算公式为：
其中，xn(m+k)＝w(m+k)x(n+m+k)；
w为窗函数；
x为原始信号；
(2)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；
是一个音频段中过零率的平均值；
(3)均方根值提取：
幅度均方根值是信号序列s(n)幅度平方和的平均，其定义为：
(4)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)在各离散点上的乘积之和，得到I个参数Pi，i＝0,1,…,I-1；
计算Pi的自然对数，得到Li，i＝0,1,…,I-1；
对L0，L1,…,LI-1计算其离散余弦变换，得到Di，i＝0,1,…,I-1；
舍去代表直流成分的D0，取D1，D2,…,DJ作为美尔倒谱系数，J＝15；
(5)子带能量比提取：
子带能量比的计算公式如下:
其中，DFT(n,k)是输入信号第n帧的傅立叶变换系数，
其中，L是窗口长度；
K是离散傅立叶变换的阶数；
n是段中音频帧数；
B的取值为4，也就是将频域分为4个倍频子带区间，分别为sb1[0，ω0/8]，sb2[ω0/8，ω0/4]，sb3[ω0/4，ω0/2]，sb4[ω0/2，ω0]，其中，ω0＝fs/2，fs是采样频率；
(6)信号带宽提取：
带宽定义为:
其中，N是一帧内采样点的个数；
DFT是信号的傅立叶变换系数；
SC是频谱质心。
2.根据权利要求1所述的局部放电识别方法，其特征在于，还包括对采集的所述音频信号进行预处理的步骤，其中，所述预处理包括前端处理、降噪和端点检测，所述前端处理包括预加重和加窗分帧。
3.根据权利要求2所述的局部放电识别方法，其特征在于，所述对所述信号特征进行降维为对所述美尔倒谱系数进行降维。
4.一种局部放电识别系统，其特征在于，包括提取模块、降维模块、判断模块；
所述提取模块用于采集高压设备的音频信号，对所述音频信号进行时域分析和频域分析，提取信号特征；
所述降维模块用于利用主成分分析法对所述信号特征进行降维；
所述判断模块用于对降维后的所述信号特征进行分类识别，判断是否产生局部放电；
其中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽；
所述提取模块还用于：
(1)短时平均幅度提取：
短时平均幅度差Fn(k)的计算公式为：
其中，xn(m+k)＝w(m+k)x(n+m+k)；
w为窗函数；
x为原始信号；
(2)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；
是一个音频段中过零率的平均值；
(3)均方根值提取：
幅度均方根值是信号序列s(n)幅度平方和的平均，其定义为：
(4)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)在各离散点上的乘积之和，得到I个参数Pi，i＝0,1,…,I-1；
计算Pi的自然对数，得到Li，i＝0,1,…,I-1；
对L0，L1,…,LI-1计算其离散余弦变换，得到Di，i＝0,1,…,I-1；
舍去代表直流成分的D0，取D1，D2,…,DJ作为美尔倒谱系数，J＝15；
(5)子带能量比提取：
子带能量比的计算公式如下:
其中，DFT(n,k)是输入信号第n帧的傅立叶变换系数，
其中，L是窗口长度；
K是离散傅立叶变换的阶数；
n是段中音频帧数；
B的取值为4，也就是将频域分为4个倍频子带区间，分别为sb1[0，ω0/8]，sb2[ω0/8，ω0/4]，sb3[ω0/4，ω0/2]，sb4[ω0/2，ω0]，其中，ω0＝fs/2，fs是采样频率；
(6)信号带宽提取：
带宽定义为:
其中，N是一帧内采样点的个数；
DFT是信号的傅立叶变换系数；
SC是频谱质心。
5.根据权利要求4所述的局部放电识别系统，其特征在于，还包括预处理模块，用于对所述提取模块中采集的所述音频信号进行预处理；其中，所述预处理包括前端处理、降噪和端点检测，所述前端处理包括预加重和加窗分帧。
6.根据权利要求5所述的局部放电识别系统，其特征在于，所述降维模块中对所述信号特征进行降维为对所述美尔倒谱系数进行降维。

局部放电识别方法和系统\n技术领域\n[0001] 本发明涉及局部放电技术领域，特别是涉及一种局部放电识别方法，以及一种局部放电识别系统。\n背景技术\n[0002] 局部放电主要是变压器、互感器以及其它一些高压电气设备在高电压的作用下，其内部绝缘发生的放电。它是各种高压设备发生故障的主要原因之一。\n[0003] 随着我国电力事业的飞速发展和城乡电网建设、改造工作的不断深入,社会发展和进步对供电可靠性的要求也不断提高，如何及时掌握高压设备健康状态，制定正确的检修对策，避免因设备本身质量问题导致的突发性事故的发生，变得尤为重要。\n[0004] 目前国内外针对高压设备是否产生局部放电的研究方法主要有两种，第一种是把采集到的信号经处理后与某一经验阈值比较，高于此阈值则发生局部放电，这种基于单一特征参数识别方法虽然方便简洁，但局部放电的识别率较低。第二种是提取局部放电信号的多维特征参数，训练出是否局部放电的模型，运用支持向量机（SVM）的局放识别器对所采集的信号进行识别，该方法有效的提高了局部放电的识别率，但是SVM有个缺点：随着样本数目的增大，所需的计算时间和空间存储资源都会成几何级数增加，在识别大容量样本时，SVM局部放电识别器往往不能有效的工作。\n发明内容\n[0005] 基于此，本发明提供一种局部放电识别方法，该方法利用主成分分析方法对数据进行预处理，降低样本空间的维数，在保证识别率的情况下大大提高了计算速度。\n[0006] 本发明的技术方案如下：\n[0007] 一种局部放电识别方法，包括如下步骤：\n[0008] 采集高压设备的音频信号，对所述音频信号进行时域分析和频域分析，提取信号特征；\n[0009] 利用主成分分析法对所述信号特征进行降维；\n[0010] 对降维后的所述信号特征进行分类识别，判断是否产生局部放电；\n[0011] 其中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽；\n[0012] 所述信号特征的提取方法如下：\n[0013] （1）短时平均幅度提取：\n[0014] 短时平均幅度差Fn(k)的计算公式为：\n[0015] \n[0016] 其中，xn(m+k)＝w(m+k)x(n+m+k)；\n[0017] w为窗函数；\n[0018] x为原始信号；\n[0019] （2）高过零率比提取：\n[0020] 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：\n[0021] \n[0022] 其中，N为一个音频段中的总帧数；\n[0023] ZCR（n）为第n帧的过零率；\n[0024] ZCR阈值为一个音频段中的ZCR（n）平均值的1.1倍；\n[0025] sgn为符号函数；\n[0026] 是一个音频段中过零率的平均值。\n[0027] （3）均方根值提取：\n[0028] 幅度均方根值是信号序列s(n)幅度平方和的平均，其定义为：\n[0029] \n[0030] （4）美尔倒谱系数提取：\n[0031] 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\n256级离散FFT变换，则第m帧语音的频谱为：\n[0032] \n[0033] 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)；\n[0034] 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)在各离散点上的乘积之和，得到I个参数Pi，i=0,1,…,I-1；\n[0035] 计算Pi的自然对数，得到Li，i=0,1,…,I-1；\n[0036] 对L0，L1,…,LI-1计算其离散余弦变换，得到Di，i=0,1,…,I-1；\n[0037] 舍去代表直流成分的D0，取D1，D2,…,DJ作为美尔倒谱系数，J=15。\n[0038] （5）子带能量比提取：\n[0039] 子带能量比的计算公式如下:\n[0040] \n[0041] 其中，DFT（n,k）是输入信号第n帧的傅立叶变换系数，\n[0042] \n[0043] 其中，L是窗口长度；\n[0044] K是离散傅立叶变换的阶数；\n[0045] n是段中音频帧数；\n[0046] B的取值为4，也就是将频域分为4个倍频子带区间，分别为sb1[0，ω0/8]，sb2[ω0/8，ω0/4]，sb3[ω0/4，ω0/2]，sb4[ω0/2，ω0]，其中，ω0=fs/2，fs是采样频率；\n[0047] （6）信号带宽提取：\n[0048] 带宽定义为:\n[0049] \n[0050] 其中，N是一帧内采样点的个数；\n[0051] DFT是信号的傅立叶变换系数；\n[0052] SC是频谱质心。\n[0053] 在其中一个实施例中，还包括对采集的所述音频信号进行预处理的步骤，其中，所述预处理包括前端处理、降噪和端点检测，所述前端处理包括预加重和加窗分帧。\n[0054] 在其中一个实施例中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽。\n[0055] 在其中一个实施例中，所述对所述信号特征进行降维为对所述美尔倒谱系数进行降维。\n[0056] 本发明的另一目的还在于提供能实现上述方法的局部放电识别系统。\n[0057] 一种局部放电识别系统，包括提取模块、降维模块、判断模块；\n[0058] 所述提取模块用于采集高压设备的音频信号，对所述音频信号进行时域分析和频域分析，提取信号特征；\n[0059] 所述降维模块用于利用主成分分析法对所述信号特征进行降维；\n[0060] 所述判断模块用于对降维后的所述信号特征进行分类识别，判断是否产生局部放电；\n[0061] 其中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽；\n[0062] 所述提取模块还用于：\n[0063] （1）短时平均幅度提取：\n[0064] 短时平均幅度差Fn(k)的计算公式为：\n[0065] \n[0066] 其中，xn(m+k)＝w(m+k)x(n+m+k)；\n[0067] w为窗函数；\n[0068] x为原始信号；\n[0069] （2）高过零率比提取：\n[0070] 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：\n[0071] \n[0072] 其中，N为一个音频段中的总帧数；\n[0073] ZCR（n）为第n帧的过零率；\n[0074] ZCR阈值为一个音频段中的ZCR（n）平均值的1.1倍；\n[0075] sgn为符号函数；\n[0076] 是一个音频段中过零率的平均值。\n[0077] （3）均方根值提取：\n[0078] 幅度均方根值是信号序列s(n)幅度平方和的平均，其定义为：\n[0079] \n[0080] （4）美尔倒谱系数提取：\n[0081] 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\n256级离散FFT变换，则第m帧语音的频谱为：\n[0082] \n[0083] 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)；\n[0084] 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)在各离散点上的乘积之和，得到I个参数Pi，i=0,1,…,I-1；\n[0085] 计算Pi的自然对数，得到Li，i=0,1,…,I-1；\n[0086] 对L0，L1,…,LI-1计算其离散余弦变换，得到Di，i=0,1,…,I-1；\n[0087] 舍去代表直流成分的D0，取D1，D2,…,DJ作为美尔倒谱系数，J=15。\n[0088] （5）子带能量比提取：\n[0089] 子带能量比的计算公式如下:\n[0090] \n[0091] 其中，DFT（n,k）是输入信号第n帧的傅立叶变换系数，\n[0092] \n[0093] 其中，L是窗口长度；\n[0094] K是离散傅立叶变换的阶数；\n[0095] n是段中音频帧数；\n[0096] B的取值为4，也就是将频域分为4个倍频子带区间，分别为sb1[0，ω0/8]，sb2[ω0/8，ω0/4]，sb3[ω0/4，ω0/2]，sb4[ω0/2，ω0]，其中，ω0=fs/2，fs是采样频率；\n[0097] （6）信号带宽提取：\n[0098] 带宽定义为:\n[0099] \n[0100] 其中，N是一帧内采样点的个数；\n[0101] DFT是信号的傅立叶变换系数；\n[0102] SC是频谱质心。\n[0103] 在其中一个实施例中，还包括预处理模块，用于对所述提取模块中采集的所述音频信号进行预处理；其中，所述预处理包括前端处理、降噪和端点检测，所述前端处理包括预加重和加窗分帧。\n[0104] 在其中一个实施例中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽。\n[0105] 在其中一个实施例中，所述降维模块中对所述信号特征进行降维为对所述美尔倒谱系数进行降维。\n[0106] 本发明针对现有SVM识别器技术识别大容量样本时的缺陷，先对采集的音频信号进行预处理消除数据的相关性和噪声干扰，通过时域分析和频域分析提取信号特征后，利用主成分分析法对信号特征进行降维，提取包含样本数据信息的主元，降低样本空间的维数，在局放识别率基本不变的前提下，提高了局放识别速率，大大地简化计算和节约资源空间。\n附图说明\n[0107] 图1为本发明局部放电识别方法在一实施例中的流程示意图；\n[0108] 图2为本发明局部放电识别系统在一实施例中的结构框图。\n具体实施方式\n[0109] 下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方式不限于此。\n[0110] 如图1，是本发明局部放电识别方法在一实施例中的流程示意图，包括以下步骤：\n[0111] S101、采集高压设备的音频信号，对所述音频信号进行时域分析和频域分析，提取信号特征；\n[0112] 对于S101、在一个优选的实施例中，还包括对采集的所述音频信号进行预处理的步骤；在本实施例中，可采集局部放电的音频信号进行预处理；利用超声波传感器采集到待测音频信号以后，经过降频处理，将得到的音频信号以1S为单位经过节选后以wav的格式存储，以用于接下来的信号预处理；本实施例中音频信号的抽样频率设置为40千赫兹。\n[0113] 所述预处理优选包括前端处理、降噪和端点检测，所述前端处理优选包括预加重和加窗分帧；\n[0114] 由于信号在高频段部分有严重的跌落，频谱较尖锐，因此需要在信号的预处理中首先对其进行预加重处理以提升高频部分，平滑信号频谱，便于信号的频谱特征分析与特征参数提取。可将采集到的wav格式的信号通过一个一阶数字滤波器进行预加重，滤波器-1\n的表达式为Hs(z)＝1-ψZ ；\n[0115] 本实施例采用ψ的值为0.9375的滤波器进行预加重处理，所述音频信号进行预滤波处理后，信号的信噪比得以提高。\n[0116] 加窗分帧处理可采用长度为240个采样点的汉宁窗序列：\n[0117] \n[0118] 对预加重后的音频信号进行处理，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。\n[0119] 降噪处理可采用滤波的信号降噪法，对前端处理后的音频信号中单一频率噪声采用窗口法设计的FIR带阻滤波器对信号进行滤波处理，以除去背景噪声干扰；带阻滤波器通过设定参数滤除掉50Hz左右的噪声干扰，带阻滤波器利用凯塞窗，实现了基于滤波的信号降噪，从而达到去除噪声的干扰、促进信号的特征提取、改进音频信号的质量和减少背景噪声对信号分析的影响的目的。\n[0120] 端点检测，即对所述音频信号段的进行分割，是所述音频信号品质特性的研究与识别中至关重要的一步。所述音频信号的处理与特征参数的提取都需要根据对应的信号段来实现，因此只有准确地判断出每帧音频信号对应的端点，才能准确地提取出有用的音频信号段。\n[0121] 在一个优选的实施例中，可采用基于过零率和短时能量的时域端点检测方法。以时域参数作为特征的端点检测算法，一般主要以时间轴上能反映音频信号特征的幅值、能量等作为参数来区分信号与噪声而进行端点检测，具有直观准确等优点。\n[0122] 离散信号的过零率实际就是每帧内信号采样点符号变化的次数。信号按段分割后处理可称为短时，把分帧后的信号按每帧内采样点的过零次数作统计平均就是短时平均过零率。由于信号的采样频率是固定的，所以过零率也是信号频率的一种反映，可以通过信号的过零率对信号的频谱特性进行粗略的估测。其数学表达式如下所示：\n[0123] \n[0124] 其中，sgn[]为符号函数；\n[0125] \n[0126] 音频信号与噪声信号的主要区别表现在它们的能量上，且随时间变化较为明显，音频段的能量比噪声段的大，音频段的能量相当于噪声段能量与音频信号声波能量的叠加。当环境噪声和系统输入噪声较小时，即能够保证系统的信噪比相当高的情况下，可利用计算输入信号的短时能量的方法把信号段和噪声段区分开来。若已知s(m)为原始声音信号采样序列，则信号的短时能量Em定义为：\n[0127] \n[0128] 在一个优选的实施例中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽。时域分析方法为基于能量、功率、幅度的分析处理的时域分析方法；频域分析方法为基于短时傅里叶变换、倒谱变换、离散余弦变换的频域分析方法。\n[0129] 上述信号特征的提取方法如下：\n[0130] （1）短时平均幅度提取：\n[0131] 短时平均幅度差Fn(k)的计算公式为\n[0132] \n[0133] 其中，xn(m+k)＝w(m+k)x(n+m+k)；\n[0134] w为窗函数；\n[0135] x为原始信号。\n[0136] （2）高过零率比提取：\n[0137] 可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：\n[0138] \n[0139] 其中，N为一个音频段中的总帧数；\n[0140] ZCR（n）为第n帧的过零率；\n[0141] ZCR阈值为一个音频段中的ZCR（n）平均值的1.1倍；\n[0142] sgn为符号函数；\n[0143] 是一个音频段中过零率的平均值。\n[0144] （3）均方根值提取：\n[0145] 幅度均方根值是信号序列s(n)幅度平方和的平均，其定义为：\n[0146] \n[0147] （4）美尔倒谱系数提取：\n[0148] 可先确定每一帧语音采样序列的点数N，本实施例中取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：\n[0149] \n[0150] 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)；\n[0151] 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)在各离散点上的乘积之和，得到I个参数Pi，i=0,1,…,I-1；\n[0152] 计算Pi的自然对数，得到Li，i=0,1,…,I-1；\n[0153] 对L0，L1,…,LI-1计算其离散余弦变换，得到Di，i=0,1,…,I-1；\n[0154] 舍去代表直流成分的D0，取D1，D2,…,DJ作为美尔倒谱系数，J=15。\n[0155] （5）子带能量比提取：\n[0156] 子带能量比用来描述音频信号频率分布的频域特征，它衡量了不同子带的能量占整个频带能量的比例，每个子带的宽度可以是等长的，也可以按照人耳的感知特性分配每个子带的宽度，使得每个子带包含相同个数的临界带宽。子带能量比的计算公式如下:\n[0157] \n[0158] 其中，DFT（n,k）是输入信号第n帧的傅立叶变换系数，\n[0159] \n[0160] 其中，L是窗口长度；\n[0161] K是离散傅立叶变换的阶数；\n[0162] N是段中音频帧数。\n[0163] 实际计算时，B的取值为4。也就是将频域分为4个倍频子带区间，分别为sb1[0，ω0/8]，sb2[ω0/8，ω0/4]，sb3[ω0/4，ω0/2]，sb4[ω0/2，ω0]，其中，ω0=fs/2，fs是采样频率。\n[0164] （6）信号带宽提取：\n[0165] 带宽反映了信号功率或信号能量在频谱中集中的范围，是衡量音频频域范围的指标，其定义为:\n[0166] \n[0167] 其中，N是一帧内采样点的个数；\n[0168] DFT是信号的傅立叶变换系数；\n[0169] SC是频谱质心。\n[0170] S102、利用主成分分析法对所述信号特征进行降维。\n[0171] 对于S102、在一个优选的实施例中，可利用主成分分析法对所述美尔倒谱系数进行降维；所述主成分分析法的原理如下：\n[0172] （1）原始数据标准化\n[0173] 设有n个样本，每个样本有P项指标，则原始样本矩阵为\n[0174] X＝(Xij)n×p；i=1，2，…,n；j=1,2,…p\n[0175] 式中，Xij表示第i个样本的第j项指标。\n[0176] 考虑指标的趋势和量纲问题，可采用倒数的方法对指标进行同趋势化处理，然后用Z—score法对样本进行标准化变换，即：\n[0177] \n[0178] 其中：\n[0179] \n[0180] 则可得到标准化样本矩阵：\n[0181] Z＝((Zij)n×p)，i=1，2，…,n；j=1,2,…p。\n[0182] （2）相关系数矩阵\n[0183] 计算标准化样本每2指标间的相关系数，得出相关系数矩阵R：\n[0184] \n[0185] 其中，\n[0186] （3）计算主成分\n[0187] 由特征式|λI-R|＝0求得P个特征根，将其按大小排列为λ1≥λ2≥…\n≥λp≥0。它们是主成分的方差，其大小描述了各对应的主成分对原始样本的权重。由特征方程式求得每个特征根对应的特征向量lg1,lg2,lg3,…,lgp。通过特征向量Fg＝Z×Lg，g=1，2，...，p将标准化的指标转化为主成分：F1为第1主成分，…，Fp为第P主成分。\n[0188] （4）确定主成分个数\n[0189] 主成分个数等于原始指标个数。为减少计算量并降低维数，一般根据主成分方差累计贡献率大于80％～90％确定取用的主成分个数k，即：\n[0190] \n[0191] 本实施例中对所述音频信号中的美尔倒谱系数采用主成分分析法进行降维，主成分方差的累计贡献率设定为85%，所得出的美尔倒谱系数主成分个数为15。\n[0192] S103、对降维后的所述信号特征进行分类识别，判断是否产生局部放电\n[0193] 对于S103、在一个优选的实施例中，所述分类识别步骤可包括归一化处理、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\n[0194] \n[0195] 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，xi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，yi为对应于xi的类别T q\n标识，K(x,xi)＝[(xxi)+1]，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。\n[0196] 下面结合附图和具体实施例对本发明局部放电识别系统的技术方案做详细的说明。\n[0197] 如图2所示是本发明局部放电识别系统的结构框图，包括：提取模块201、降维模块202、判断模块203；\n[0198] 所述提取模块201用于采集高压设备的音频信号，对所述音频信号进行时域分析和频域分析，提取信号特征；\n[0199] 所述降维模块202用于利用主成分分析法对所述信号特征进行降维；\n[0200] 所述判断模块203用于对降维后的所述信号特征进行分类识别，判断是否产生局部放电。\n[0201] 在一个优选的实施例中，还包括预处理模块，用于对所述提取模块201中采集的所述信号进行预处理；所述预处理包括前端处理、降噪和端点检测，所述前端处理包括预加重和加窗分帧。\n[0202] 在一个优选的实施例中，所述信号特征包括：短时平均幅度、高过零率比、均方根值、美尔倒谱系数、子带能量比和信号带宽。\n[0203] 在一个优选的实施例中，所述降维模块203中对所述信号特征进行降维为对所述美尔倒谱系数进行降维。\n[0204] 本发明通过超声波传感器采集到待测音频信号后进行前端处理、降噪、端点检测等预处理，提高音频信号的信噪比、消除背景噪声干扰，准确地判断出每帧音频信号对应的端点；通过时域分析方法和频域分析方法提取信号特征后，利用主成分分析法对信号特征中的美尔倒谱系数进行降维，降低了样本空间的维数，最后利用支持向量机的局放识别器对分类后的信号特征进行是否发生局放进行判断，在局放识别率基本不变的前提下，提高了局放识别速率。\n[0205] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。