马文婧，郑欣，鲍克磊，张伟欣

(广东电网有限责任公司广州供电局，广东 广州 511400)

0 引 言

特高频检测与气体检测法广泛应用于带电监测中。该方法具有检测频率高和灵敏度高等优点，然而对于放电缺陷类型识别方面还有一些不足，后者检测结果比较准确，但对于突发情况反应较慢[1-2]。而声音识别由于其易于分类识别、低成本以及快速性广泛应用于生产生活领域，随着电网智能化的发展，越来越多的目光集中到这一领域[3]。

传统的声音识别主要是以高斯混合模型(gaussian mixture model，GMM)为分类器，进行模型训练，完成识别任务，但存在着识别率低以及寻找阶数困难等问题[4-5]。此外基于时频特征的识别受声音幅值以及频率影响较大，针对这种情况，本文使用声音信号语谱图和卷积神经网络相结合的方式来提取声音信号的特征参数[6-7]。生成的网络模型具备处理数据能力强、识别率高以及便于优化等优点。对比文献[8]20、文献[9]56，本文方法能够识别的声音信号更加多样化，同时在准确率上也有所提升[10-11]。

1 声音信号特征提取

信号特征能反映声音的重要本质参数，而信号又处于非稳态且时变的状态，因而声音信号需要进行预处理，便于提取特征。预处理主要是对声音信号进行预加重、分帧以及加窗处理。

预加重一般通过数字滤波器实现，其传递函数如式(1)所示。

H(z)=1-ωz-1

(1)

式中:ω为常量，取值范围在0.9～1之间；z为原离散信号的Z变换。设原始声音信号为s(n)，经预加重后如式(2)所示。

s(n)=s(n)-ωs(n-1)

(2)

式中：ω取0.97;n为离散信号点数。……