一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法技术

本发明专利技术涉及一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，包括：步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；步骤3：通过LDA寻优方法筛选纹理特征；步骤4：根据步骤3筛选出的纹理特征建立CART分类树模型，并对该模型进行训练和测试；步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。与现有技术相比，本发明专利技术具有识别准确率高、实现故障自动诊断、实时性好等优点。

【技术实现步骤摘要】
一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法
本专利技术涉及局部放电诊断
，尤其是涉及一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法。
技术介绍
绝缘管型母线(后简称为绝缘管母)由于集肤效应低、单位截面载流量大、散热条件好、机械强度高、电气绝缘性能强、维护工作量少等突出优点在新型紧凑型变电站中得到广泛应用。绝缘管母作为主变压器和用户母线的重要联结导体，直接影响着系统运行的稳定性及供电可靠性。近绝缘管母设备若发生故障将对电网安全稳定运行及供电可靠性造成较大的影响。采用人工智能方式对绝缘管母的绝缘状态进行实时监测、及时发现识别出绝缘缺陷有助于保障电网供电可靠性与稳定性。在局部放电信息特征提取和故障类型智能识别的研究中，放电信息特征提取方法及特征的丰富度是影响故障识别效果的重要因素。目前，针对局部放电信息提取的特征主要有：分形特征、统计特征、小波特征、Weibull参数、图像矩特征、纹理特征等。其中，图像的纹理特征具有蕴含信息丰富、抗外界环境干扰能力强、区分能力较好、灵敏性高的优点而被广泛应用于电力设备故障诊断。但仅仅基于所提取的单一维度纹理特征，识别的准确率还无法达到较高水平。中国专利CN109102508A中公开了一种基于局部放电图像特征的交流电缆绝缘缺陷的识别方法，该方法选取了Tamura纹理特征的分量和灰度-梯度共生矩阵的分量作为纹理特征。中国专利CN104360190B中公开了一种基于三传感器推力的换流变压器故障在线诊断方法，该方法中的纹理特征采用灰度和梯度的综合信息提取纹理特征。这些方法仅提取了单一维度的纹理特征，识别率无法达到较高水平。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种准确率高、实现故障自动诊断、实时性好的基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法。本专利技术的目的可以通过以下技术方案来实现：一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，该方法为内嵌在计算机内的程序，包括：步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；步骤3：通过LDA寻优方法筛选纹理特征；步骤4：根据步骤3筛选出的纹理特征建立CART分类树模型，并对该模型进行训练和测试；步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。优选地，所述的步骤1具体为：步骤1-1：依据特高频传感器采集的局部放电信号构建PRPD谱图；步骤1-2：将PRPD谱图构建为Gaussian金字塔谱图空间。更加优选地，所述的步骤1-2具体为：以原图像G0作为Gaussian金字塔的底层，首先将k-1层图像与窗口函数w(m,n)进行卷积，然后将卷积的结果进行隔行隔列的降采样，Gaussian金字塔的k层Gk的表达式为：其中，N为Gaussian金字塔顶层的层号；Cl为Gaussian金字塔第l层图像的列数；Rl为Gaussian金字塔第l层图像的行数；w(m,n)为一窗口函数。更加优选地，所述的Gaussian金字塔的层数为4；所述的w(m,n)为5×5的窗口函数，具体表达式为：优选地，所述的步骤2中多尺度纹理特征包括一阶纹理统计量、二阶纹理统计量和高阶纹理统计量。更加优选地，所述的一阶纹理统计量的计算方法为：其中，H(i)为特征直方图，包括灰度直方图进行归一化处理后的特征直方图和LBP直方图进行归一化处理后的特征直方图；d1,d2,d3,d4,d5,d6分别为直方图的数组均值、方差、偏斜度、峰态、能量和熵。更加优选地，所述的二阶纹理特征为包括从Tamura纹理提取的粗糙度、对比度和方向度、从灰度共生矩阵GLCM中提取的角二矩阵、对比度、相关性和熵以及从Laws纹理中提取的纹理能量测度矩阵Rtem的能量En和方差Var；所述的Rtem矩阵的能量En和方差Var提取方法具体为：首先，将表示四个方向的L5、E5、S5和R5四个基本向量相互卷积形成16个纹理模板，L5、E5、S5和R5分别为水平、边缘、点和波纹特征；然后将PRPD谱图分别与16个纹理模板卷积，得到微窗口下的像元相邻的灰度分布特性，形成16幅纹理图像Gm，其中m表示使用的纹理模板；再将纹理图像Gm通过一个宏窗口，计算出每幅图像对应的纹理能量测度TEM，TEM是一个图像像素尺寸的矩阵Rtem，矩阵中各元素a(i,j)的计算方法为：其中，a(i,j)为Rtem矩阵中像素坐标，Gm(i,j)为纹理图像中像素坐标；最后计算Rtem矩阵的能量En和方差Var作为Laws特征，En和Var的计算方法为：其中，i,j为像素坐标；T为像素总数；E为Rtem矩阵中像素均值，计算方法为：更加优选地，所述的高阶纹理特征统计量包括三阶矩p3(τ1,τ2)、三阶累积量c3(τ1,τ2)、四阶矩p4(τ1,τ2,τ3)和四阶累积量c4(τ1,τ2,τ3)；所述的三阶矩p3(τ1,τ2)、三阶累积量c3(τ1,τ2)、四阶矩p4(τ1,τ2,τ3)和四阶累积量c4(τ1,τ2,τ3)的表达式分别为：p3(τ1,τ2)＝E[x(k)x(k+τ1)x(k+τ2)]c3(τ1,τ2)＝E{[x(k)-p1][x(k+τ1)-p1][x(k+τ2)-p1]}p4(τ1,τ2,τ3)＝E[x(k)x(k+τ1)x(k+τ2)x(k+τ3)]c4(τ1,τ2,τ3)＝p4(τ1,τ2,τ3)-[p2(τ1)p2(τ3-τ2)-p2(τ2)p2(τ3-τ1)-p2(τ3)p2(τ2-τ1)-p1[p3(τ2-τ1,τ3-τ1)+p3(τ2,τ3)+p3(τ1,τ3)+p3(τ1,τ2)]+2p12[p2(τ1)+p2(τ2)+p2(τ3)+p2(τ3-τ1)+p2(τ3-τ1)+p2(τ3-τ2)+p2(τ2-τ1)-64p14]]其中，x(k)为二维图像转化为的一维序列；p1和p2分别为图像的一阶矩和二阶矩；E(·)为矩阵中像素的均值。优选地，所述的步骤3具体为：步骤3-1：根据PRPD谱图提取到的多尺度纹理特征向量为Xk＝[x1,x2,x3,...,xn]，其中，k表示第k个样本，n为原特征向量维度，将样本分为训练样本和测试样本，总训练样本数为M，mi为第i类缺陷的训练样本数，然后计算第i类缺陷训练样本的均值ui和总训练样本的均值U；第i类缺陷训练样本的均值ui为总训练样本的均值U为其中，c为缺陷类数；步骤3-2：计算各类缺陷样本之间的类间散度矩阵Sb和样本类内散度矩阵Sw，具体计算方法为：<本文档来自技高网...

【技术保护点】
1.一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，该方法为内嵌在计算机内的程序，其特征在于，所述的故障诊断方法包括：/n步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；/n步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；/n步骤3：通过LDA寻优方法筛选纹理特征；/n步骤4：根据步骤3筛选出的纹理特征建立CART分类树模型，并对该模型进行训练和测试；/n步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。/n

【技术特征摘要】
1.一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，该方法为内嵌在计算机内的程序，其特征在于，所述的故障诊断方法包括：
步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；
步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；
步骤3：通过LDA寻优方法筛选纹理特征；
步骤4：根据步骤3筛选出的纹理特征建立CART分类树模型，并对该模型进行训练和测试；
步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。


2.根据权利要求1所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的步骤1具体为：
步骤1-1：依据特高频传感器采集的局部放电信号构建PRPD谱图；
步骤1-2：将PRPD谱图构建为Gaussian金字塔谱图空间。


3.根据权利要求2所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的步骤1-2具体为：
以原图像G0作为Gaussian金字塔的底层，首先将k-1层图像与窗口函数w(m,n)进行卷积，然后将卷积的结果进行隔行隔列的降采样，Gaussian金字塔的k层Gk的表达式为：



其中，N为Gaussian金字塔顶层的层号；Cl为Gaussian金字塔第l层图像的列数；Rl为Gaussian金字塔第l层图像的行数；w(m,n)为一窗口函数。


4.根据权利要求3所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的Gaussian金字塔的层数为4；所述的w(m,n)为5×5的窗口函数，具体表达式为：





5.根据权利要求1所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的步骤2中多尺度纹理特征包括一阶纹理统计量、二阶纹理统计量和高阶纹理统计量。


6.根据权利要求5所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的一阶纹理统计量的计算方法为：


















其中，H(i)为特征直方图，包括灰度直方图进行归一化处理后的特征直方图和LBP直方图进行归一化处理后的特征直方图；d1,d2,d3,d4,d5,d6分别为直方图的数组均值、方差、偏斜度、峰态、能量和熵。


7.根据权利要求5所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的二阶纹理特征为包括从Tamura纹理提取的粗糙度、对比度和方向度、从灰度共生矩阵GLCM中提取的角二矩阵、对比度、相关性和熵以及从Laws纹理中提取的纹理能量测度矩阵Rtem的能量En和方差Var；
所述的Rtem矩阵的能量En和方差Var提取方法具体为：
首先，将表示四个方向的L5、E5、S5和R5四个基本向量相互卷积形成16个纹理模板，L5、E5、S5和R5分别为水平、边缘、点和波纹特征；然后将PRPD谱图分别与16个纹理模板卷积，得到微窗口下的像元相邻的灰度分布特性，...

【专利技术属性】
技术研发人员：周录波，李荪琪，刘君华，周济平，王大方，王栋，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：上海;31