基于參數(shù)優(yōu)化svm算法的交聯(lián)電纜局部放電模式識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電纜局部放電模式識別技術(shù)領(lǐng)域，尤其涉及一種基于參數(shù)優(yōu)化SVM算 法的交聯(lián)電纜局部放電模式識別方法。
【背景技術(shù)】
[0002] 近年來，交聯(lián)聚乙?。–ross-linkedpolyethylene,XLPE)電纜因具有合理的工藝 結(jié)構(gòu)、安裝敷設(shè)簡單和不存在漏油問題等優(yōu)勢，逐漸成為了我國配電網(wǎng)中電力輸送的主流 設(shè)備，其運行可靠性與電網(wǎng)穩(wěn)定密切相關(guān)。除外界因素，局部放電（以下簡稱局放）是導致 電纜絕緣故障的主要原因。在對電纜進行局放檢測過程中采集到的局放信號承載著電纜全 部絕緣故障信息，不同缺陷產(chǎn)生的局放信號特征不同，不同放電類型對電纜絕緣的破壞程 度存在巨大差異。因此，電纜局放模式識別問題的研究，對XLPE電纜絕緣診斷有十分重要 的意義。
[0003] 截止目前，國內(nèi)外針對這一問題已開展較多研究。比如：
[0004] (1)直接對各種局放三維譜圖及其波形和頻譜進行分析比較的方法，這種 方法雖歸納出了具有一定參考價值的識別規(guī)律，但這種識別方法很大程度上取決于工程經(jīng) 驗，客觀性不強。
[0005] (2)直接將局放脈沖時域波形數(shù)據(jù)值作為模式識別放電指紋的方法，該方法雖簡 化了特征提取過程，但即使經(jīng)過降維處理，識別過程中仍可能遭遇"維數(shù)災(zāi)難"。
[0006] (3)提取局放灰度圖象的分形維數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入的方法，該方法特征量維數(shù) 適中，取得了不錯的識別效果，但人工神經(jīng)網(wǎng)絡(luò)方法缺乏數(shù)學理論支撐，存在收斂速度慢且 易陷入局部極小值的缺點，網(wǎng)絡(luò)類型及參數(shù)選取不當會對分類結(jié)果造成很大影響，是一種 取決于經(jīng)驗的非線性分類算法。
[0007] (4)利用基于局放統(tǒng)計特征的支持向量機（SupportVectorMachine,SVM)的電纜 局放模式方法，雖能取得不錯的識別效果，但所用的SVM其參數(shù)多依靠人工調(diào)試，并未考慮 到若SVM參數(shù)選擇不當會對模式識別精度及算法的運行速度產(chǎn)生負面影響，無法保證識別 的速度與精度。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的就是為了解決上述問題，提出了一種基于參數(shù)優(yōu)化SVM算法的交聯(lián) 電纜局部放電模式識別方法，該方法將改進遺傳算法與支持向量機算法相結(jié)合，利用改進 遺傳算法對與SVM性能密切相關(guān)的兩個參數(shù)懲罰因子C及核函數(shù)參數(shù)γ進行優(yōu)化，構(gòu)造出 最優(yōu)參數(shù)組合SVM模式分類器，用于XLPE電纜局放模式識別，提高了缺陷識別的正確率。
[0009] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0010] 一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識別方法，包括以下步驟：
[0011] (1)分別在不同的電纜頭中制作不同的電纜典型缺陷模型，對制作的電纜典型缺 陷模型分別進行局放模擬試驗，采集每種電纜典型缺陷模型的局放信號樣本；
[0012] (2)根據(jù)得到的局放信號樣本繪制局放夢爹W三維譜圖，通過計算各象素點的灰度 值得到原始灰度圖像，分別計算XLPE電纜局放灰度圖分形特征盒維數(shù)DB及信息維數(shù)D:，作 為模式識別分類特征量；
[0013] (3)依據(jù)M-ary分類原理將SVM分類器擴展為多類分類器，利用所述多類分類器將 對應(yīng)于不同電纜典型缺陷模型的局放信號輸入樣本進行重新組合；
[0014] (4)利用改進優(yōu)化算法對多類分類器懲罰因子C和核函數(shù)參數(shù)γ進行全局優(yōu)化， 得到最優(yōu)參數(shù)組合SVM分類器；
[0015] (5)將待測樣本輸入最優(yōu)參數(shù)組合SVM分類器，進行交聯(lián)電纜局部放電模式識別。
[0016] 所述步驟（1)中選用脈沖電流法采集局放信號，采集局放樣本數(shù)據(jù)時，對不同的 缺陷模型采用逐步升壓試驗法，直到出現(xiàn)穩(wěn)定的局放現(xiàn)象。
[0017] 所述步驟（2)中各象素點的灰度值根據(jù)局放爹f-?三維譜圖中各小區(qū)間內(nèi)的放電 次數(shù)與局放三維譜圖內(nèi)的最大放電次數(shù)的比值確定。
[0018]所述步驟（2)中計算XLPE電纜局放灰度圖分形特征盒維數(shù)叫的方法為：
[0019] 1)載入原始灰度圖像；
[0020] 2)設(shè)定原始灰度圖像盒子尺度r，其中r= 2, 3, 4,…，20,計算覆蓋第（i,j)個 網(wǎng)格對應(yīng)的放電點的盒子數(shù)nji，j):首先確定覆蓋每個放電點的盒子編號集合!；= ΙΛ，12，…，1J，對該集合中編號出現(xiàn)了兩次及兩次以上的盒子進行編號，只保留一個，可得 元素不重復(fù)的盒子編L2= {1u12，…1J，統(tǒng)計此集合中元素個數(shù)，有(i,j) =s;
[0021] 3)計算覆蓋原始灰度圖像的總盒子數(shù)$ =Σ <··./：
[0022] 4)利用自適應(yīng)逐段搜索法確定點集（Inr，In隊）的分形無標度區(qū)；
[0023] 5)在分形無標度區(qū)內(nèi)用最小二乘法計算點集（lnr，1ηΓ〇的負斜率，即為信息維 數(shù)。
[0024] 所述步驟（2)中計算XLPE電纜局放灰度圖分形特征信息維數(shù)0:的方法為：
[0025]1)載入原始灰度圖像；
[0026] 2)計算灰度圖象的放電的總數(shù)Total_N;
[0027] 3)設(shè)定原始灰度圖像盒子尺度p其中r= 2, 3, 4,…，20,計算覆蓋第（i,j)個網(wǎng) 格對應(yīng)的放電點的盒子的信息熵具體計算方法為： f-.l
[0028] 首先確定覆蓋每個放電點的盒子編號集合{lu12，…，1J，對該集合中編號出 現(xiàn)了兩次及兩次以上的盒子進行編號，只保留一個，可得元素不重復(fù)的盒子編號集合L2 = {Λ，12，…1J，統(tǒng)計集合L2中各元素在集合L1中出現(xiàn)的次數(shù)，記為集合N= {Ni，N2，…，Ns};
[0029] 此集合N中元素記為Nt，其中t= 1，2,…，8，則Pt=Nt/Nr;Nr是指的覆蓋原始灰 度圖像的總盒子數(shù)；
[0030] 4)計算總信息熵?；，& =ΣΓ，（心 h J.
[0031] 5)利用自適應(yīng)逐段搜索法確定點集（Inr，1η?；)的分形無標度區(qū)；
[0032] 6)在分形無標度區(qū)內(nèi)用最小二乘法計算點集（lnr，Ιη?；)的負斜率，即為信息維 數(shù)。
[0033] 所述步驟（3)的具體方法為：
[0034] 設(shè)定缺陷類型：將局部損傷缺陷標記為A、將線芯表面毛刺缺陷標記為B、將絕緣 內(nèi)含氣泡缺陷標記為C，將絕緣受潮缺陷標記為D;
[0035] 依據(jù)M-ary分類原理設(shè)計兩個二分類SVM子分類器SVM1和SVM2,將對應(yīng)于不同缺 陷類型的輸入樣本進行重新組合；根據(jù)子分類器SVM1和SVM2中的缺陷類型標記，歸納各待 識別樣本的分類歸屬。
[0036] 缺陷類型標記對應(yīng)的待識別樣本分類歸屬方法如下表所示：
[0037] 表1.四類缺陷樣本數(shù)據(jù)類型標記
[0038]
[0039] 表2待識別樣本分類歸屬
[0040]
[0041] 所述步驟（4)的具體方法為：
[0042]步驟1 :將樣本數(shù)據(jù)分為訓練樣本與待測樣本兩部分并進行數(shù)據(jù)歸一化處理；采 用浮點編碼方式編碼待優(yōu)化參數(shù)組合（C，γ)，確定各參數(shù)的尋優(yōu)區(qū)間；
[0043]步驟2:初始化種群設(shè)定改進遺傳算法參數(shù)，所述參數(shù)包括：種群規(guī)模Ν、最大迭代 次數(shù)Τ、交叉概率Ρ。及變異概率Ρ
[0044]步驟3:為避免改進遺傳算法在尋優(yōu)過程中陷入局部極值，引入自適應(yīng)的交叉概 率Ρ。和變異概率Ρ