电力设备在电力全面的各个生产环节中施展着重要的作用，其中任意一个重要的电力设备出现故障都有可能造成整个系统运行失稳，因此，研发可靠的电力设备在线监测技术具有重要意义。

　　上海交通大学电子信息与电气工程学院的李喆教授研究团队，与国家电网、南方电网公司等行业龙头央企合作研发，采用众包方式建立了电力设备故障音频库，提出了基于 人工智能 的电力设备声纹识别方法。该方法可在高噪声环境中保证故障识别准确率，并将算法集成到监测端，研制了一套具有 边缘计算 功能的声纹识别设备，开发了具有台账管控功能的电力设备监控后台，与现有的电力设备智能诊断技术形成互补，实现多设备协同的变电站数字化运维。当前该系统已在上海、广州等地区多个变电站挂网运行，赋能电网数字化转型。

　　在电力设备声纹识别领域的一个共同的困扰是故障样本的稀缺性。电力设备故障具有突发性，发生概率低，再加上电气从业人员在过去并没有录制故障音频的意识，引发现存故障样本很少。在目前声音监测装置未大规模列装的情景下，仅通过现场实地收集的形式获取故障样本其实不实际，其数据量难以支持模型训练。针对这一行业空白，团队提出了模拟实验与实际工况收集相结合的众包数据收集方式，定制了真型变压器、真型GIS等设备进行故障模拟，并在多地变电站收集挂网运行状态下的电力设备故障音频，累计收集到各类电力设备故障声音五十余种，建立了电力设备故障音频样本库，填补了电力设备声纹识别领域行业空白。

　　由于电力设备运行场景的复杂性和多样性，在实际应用中往往随同陌生的噪声干扰，引发现场误报率较高。项目组针对这一问题开展了大量研究，提出了基于新奇检测的电力设备两级声纹识别算法，在识别算法前引入一级陌生类检测算法，通过学习训练集数据在高维空间的界限来辨识后续输入样本是否属于异常值，分离被噪声污染的样本。根据一线巡检人员的实际需求，项目组开发了“高检出”“低误报”两种工作模式，减轻了巡检人员的担子，降低了电力设备巡检运维成本。

　　十长时间以来，上海交通大学李喆教授研究团队与南方电网公司、国家电网公司一直维持密切合作，瞄准变电站一线紧迫的技术需求和电网数字化转型的目标，面向电力设备声纹在线监测这一领域集中力量联合攻关。上海交大负责基础理论与算法研究、系统开发与产品研制，所研发系统在国家电网、南方电网公司变电站挂网运行，实际测试并推广应用，完全做到了产学研一体化，保障电力设备的稳态运行。项目团队在实际需求中不断迭代更新产品，已开发针对调流变压器、GIS设备等不同设备的声纹诊断系统，研制出适用于室内、室外的两套硬件设备，并支持4G/5G/wifi等多种通信方式，当前该系统已在上海、 广州市 多个变电站挂网运行，保障电力系统稳态运行，为我国电网数字化转型赋能。