本发明专利技术公开了一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，为避免传统模式识别中神经网络收敛速度慢、过学习等不足或因支持向量机参数选择不当而导致识别精度低，在引入M-ary分类理论将泛化及学习能力更强的SVM算法扩展为多类分类器的同时，利用改进遗传算法优化各子分类器的惩罚因子及核函数参数，从而构造出最优参数SVM分类模型。结果表明，以优化SVM作为分类器时各缺陷识别率均＞95％，且无论是否优化参数，SVM总体识别能力要优于RBF神经网络。
【技术实现步骤摘要】
本专利技术涉及电缆局部放电模式识别
，尤其涉及一种基于参数优化SVM算 法的交联电缆局部放电模式识别方法。
技术介绍
近年来，交联聚乙稀（Cross-linkedpolyethylene,XLPE)电缆因具有合理的工艺 结构、安装敷设简单和不存在漏油问题等优势，逐渐成为了我国配电网中电力输送的主流 设备，其运行可靠性与电网稳定密切相关。除外界因素，局部放电（以下简称局放）是导致 电缆绝缘故障的主要原因。在对电缆进行局放检测过程中采集到的局放信号承载着电缆全 部绝缘故障信息，不同缺陷产生的局放信号特征不同，不同放电类型对电缆绝缘的破坏程 度存在巨大差异。因此，电缆局放模式识别问题的研究，对XLPE电缆绝缘诊断有十分重要 的意义。 截止目前，国内外针对这一问题已开展较多研究。比如： (1)直接对各种局放三维谱图及其波形和频谱进行分析比较的方法，这种 方法虽归纳出了具有一定参考价值的识别规律，但这种识别方法很大程度上取决于工程经 验，客观性不强。 (2)直接将局放脉冲时域波形数据值作为模式识别放电指纹的方法，该方法虽简 化了特征提取过程，但即使经过降维处理，识别过程中仍可能遭遇"维数灾难"。 (3)提取局放灰度图象的分形维数作为神经网络输入的方法，该方法特征量维数 适中，取得了不错的识别效果，但人工神经网络方法缺乏数学理论支撑，存在收敛速度慢且 易陷入局部极小值的缺点，网络类型及参数选取不当会对分类结果造成很大影响，是一种 取决于经验的非线性分类算法。 (4)利用基于局放统计特征的支持向量机（SupportVectorMachine,SVM)的电缆 局放模式方法，虽能取得不错的识别效果，但所用的SVM其参数多依靠人工调试，并未考虑 到若SVM参数选择不当会对模式识别精度及算法的运行速度产生负面影响，无法保证识别 的速度与精度。
技术实现思路
本专利技术的目的就是为了解决上述问题，提出了一种基于参数优化SVM算法的交联 电缆局部放电模式识别方法，该方法将改进遗传算法与支持向量机算法相结合，利用改进 遗传算法对与SVM性能密切相关的两个参数惩罚因子C及核函数参数γ进行优化，构造出 最优参数组合SVM模式分类器，用于XLPE电缆局放模式识别，提高了缺陷识别的正确率。 为了实现上述目的，本专利技术采用如下技术方案： 一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，包括以下步骤： (1)分别在不同的电缆头中制作不同的电缆典型缺陷模型，对制作的电缆典型缺 陷模型分别进行局放模拟试验，采集每种电缆典型缺陷模型的局放信号样本； (2)根据得到的局放信号样本绘制局放梦爹W三维谱图，通过计算各象素点的灰度 值得到原始灰度图像，分别计算XLPE电缆局放灰度图分形特征盒维数DB及信息维数D:，作 为模式识别分类特征量； (3)依据M-ary分类原理将SVM分类器扩展为多类分类器，利用所述多类分类器将 对应于不同电缆典型缺陷模型的局放信号输入样本进行重新组合； (4)利用改进优化算法对多类分类器惩罚因子C和核函数参数γ进行全局优化， 得到最优参数组合SVM分类器； (5)将待测样本输入最优参数组合SVM分类器，进行交联电缆局部放电模式识别。 所述步骤（1)中选用脉冲电流法采集局放信号，采集局放样本数据时，对不同的 缺陷模型采用逐步升压试验法，直到出现稳定的局放现象。 所述步骤（2)中各象素点的灰度值根据局放爹f-?三维谱图中各小区间内的放电 次数与局放三维谱图内的最大放电次数的比值确定。所述步骤（2)中计算XLPE电缆局放灰度图分形特征盒维数叫的方法为： 1)载入原始灰度图像； 2)设定原始灰度图像盒子尺度r，其中r= 2, 3, 4,…，20,计算覆盖第（i,j)个 网格对应的放电点的盒子数nji，j):首先确定覆盖每个放电点的盒子编号集合!；= ΙΛ，12，…，1J，对该集合中编号出现了两次及两次以上的盒子进行编号，只保留一个，可得 元素不重复的盒子编L2= {1u12，…1J，统计此集合中元素个数，有(i,j) =s; 3)计算覆盖原始灰度图像的总盒子数$ =Σ <··./： 4)利用自适应逐段搜索法确定点集（Inr，In队）的分形无标度区； 5)在分形无标度区内用最小二乘法计算点集（lnr，1ηΓ〇的负斜率，即为信息维 数。 所述步骤（2)中计算XLPE电缆局放灰度图分形特征信息维数0:的方法为：1)载入原始灰度图像； 2)计算灰度图象的放电的总数Total_N; 3)设定原始灰度图像盒子尺度p其中r= 2, 3, 4,…，20,计算覆盖第（i,j)个网 格对应的放电点的盒子的信息熵具体计算方法为： f-.l 首先确定覆盖每个放电点的盒子编号集合{lu12，…，1J，对该集合中编号出 现了两次及两次以上的盒子进行编号，只保留一个，可得元素不重复的盒子编号集合L2 = {Λ，12，…1J，统计集合L2中各元素在集合L1中出现的次数，记为集合N= {Ni，N2，…，Ns}; 此集合N中元素记为Nt，其中t= 1，2,…，8，则Pt=Nt/Nr;Nr是指的覆盖原始灰 度图像的总盒子数； 4)计算总信息熵?；，& =ΣΓ，（心 h J. 5)利用自适应逐段搜索法确定点集（Inr，1η?；)的分形无标度区； 6)在分形无标度区内用最小二乘法计算点集（lnr，Ιη?；)的负斜率，即为信息维 数。 所述步骤（3)的具体方法为： 设定缺陷类型：将局部损伤缺陷标记为A、将线芯表面毛刺缺陷标记为B、将绝缘 内含气泡缺陷标记为C，将绝缘受潮缺陷标记为D; 依据M-ary分类原理设计两个二分类SVM子分类器SVM1和SVM2,将对应于不同缺 陷类型的输入样本进行重新组合；根据子分类器SVM1和SVM2中的缺陷类型标记，归纳各待 识别样本的分类归属。 缺陷类型标记对应的待识别样本分类归属方法如下表所示： 表1.四类缺陷样本数据类型标记 表2待识别样本分类归属 所述步骤（4)的具体方法为：步骤1 :将样本数据分为训练样本与待测样本两部分并进行数据归一化处理；采 用浮点编码方式编码待优化参数组合（C，γ)，确定各参数的寻优区间；步骤2:初始化种群设定改进遗传算法参数，所述参数包括：种群规模Ν、最大迭代 次数Τ、交叉概率Ρ。及变异概率Ρ步骤3:为避免改进遗传算法在寻优过程中陷入局部极值，引入自适应的交叉概 率Ρ。和变异概率Ρ...
【技术保护点】
一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，包括以下步骤：(1)分别在不同的电缆头中制作不同的电缆典型缺陷模型，对制作的电缆典型缺陷模型分别进行局放模拟试验，采集每种电缆典型缺陷模型的局放信号样本；(2)根据得到的局放信号样本绘制局放三维谱图，通过计算各象素点的灰度值得到原始灰度图像，分别计算XLPE电缆局放灰度图分形特征盒维数DB及信息维数DI，作为模式识别分类特征量；(3)依据M‑ary分类原理将SVM分类器扩展为多类分类器，利用所述多类分类器将对应于不同电缆典型缺陷模型的局放信号输入样本进行重新组合；(4)利用改进优化算法对多类分类器惩罚因子C和核函数参数γ进行全局优化，得到最优参数组合SVM分类器；(5)将待测样本输入最优参数组合SVM分类器，进行交联电缆局部放电模式识别。
【技术特征摘要】
【专利技术属性】
技术研发人员：胡晓黎，段玉兵，张皓，雍军，杨波，孙晓斌，孟海磊，刘嵘，
申请(专利权)人：山东电力研究院，国家电网公司，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。