基于局部图像特征的局部放电故障的诊断方法技术

一种基于局部图像特征的局部放电故障诊断方法，包括：采集不同故障类型的局部放电图像，并对图像进行预处理，生成局部放电图像数据库；采用U

【技术实现步骤摘要】
基于局部图像特征的局部放电故障的诊断方法


[0001]本专利技术属于局部放电模式识别领域，具体的说是一种基于局部图像特征的局部放电故障诊断方法。

技术介绍

[0002]局部放电(Partial Discharge,PD)是反映电气设备绝缘劣化的重要征兆，不同放电类型在绝缘劣化机理、放电发展过程以及危害性方面存在差异。因此，及时有效地识别局部放电的类型，对设备故障辨识和绝缘状态评估具有重要意义。特高频(UHF)检测法作为一种灵敏度高、可定位放电源、抗干扰能力强的检测方法，在PD检测和模式识别方面得到广泛的应用。特高频检测方法的原理是通过利用局部放电产生的脉冲电流所激发的高频电磁波来监测局部放电的发生。
[0003]为了提高局部放电故障诊断的效率，需要将智能算法代替人工，模式识别就是用于智能诊断的工具。针对GIS局部放电模式识别，目前常用的特征提取方法包括统计特征、纹理特征、形状特征等方法。然而这些算法也存在一定的局限性，对于存在噪声的现场环境中的识别效果不佳，且容易提取到大量的冗余特征。目前常用的分类器主要包括反向传播神经网络(称为BPN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部图像特征的局部放电故障诊断方法，其特征包括以下步骤：1)采集不同故障类型的局部放电图像，并对图像进行预处理，生成局部放电图像数据库：利用特高频传感器分别采集A种故障类型的局部放电的特高频信号图像作为样本集合X＝{X1,X2,
…
,X
i
,
…
,X
A
}，1<i≤A，X
i
表示第i类信号的样本集合；并且n表示第i类故障的局部放电信号样本总数，表示第i类故障中的第j个样本，1≤j≤n，局部放电特高频信号图像样本的总数为N；2)采用U
‑
SURF
‑
BoW算法提取局部放电图像的局部特征，构建局部放电图像特征空间：包括下列几步：2.1)将所述的样本集合X转化为灰度图G，去掉坐标的数值信息，控制每张图片的像素大小一致，均为r*r，图片中的任意一个像素点的表达式为D(a,b)，a、b的取值范围为：1≤a≤r，1≤b≤r；2.2)对每一张灰度图G
i
，按下列方法确定图像的U
‑
SURF特征点：提取图像中点D处，尺度为σ的Hessian矩阵：其中，L
xx
(D,σ)、L
xy
(D,σ)、L
yy
(D,σ)表示高斯二阶偏导数在D处与图像的卷积；分别用Dxx、Dxy、Dyy近似表示图像和二阶导数的卷积，求出Hessian矩阵的近似行列式值如下：det(H
approximate
)＝D
xx
D
yy
‑
(wD
xy
)2随后在3
×3×
3大小的近邻区域内采取非极大抑制原则，选择Hessian矩阵行列式的最大值所在的图像和其尺度空间位置作为特征点，称为该灰度图像G
i
的U
‑
SURF特征点，重复步骤2.2)，得到所有灰度图像G
i
的U
‑
SURF特征点；2.3)计算每张灰度图像G
i
的SURF特征点的描述向量：以所述的U
‑
SURF特征点为中心，选择一个20s
×
20s的正方形区域，其中，s表示该特征点的尺度，将该区域划分为4
×
4子区域的效果最佳，然后分别计算每个子区域内对应的4维特征向量V＝{Σdx,Σ|dx|,Σdy,Σ|dy|}，在每一个特征点形成4
×4×
4＝64维的描述向量；2.4)通过计算特征间的距离，将步骤2.3)获得的特征按下列方法全部映射到视觉词典的词汇：利用K
‑
means算法构造单词表，以K为参数，将所有特征分为L个簇，使簇内具有较高的相似度，而簇间相似度较低，将每个聚类中心看作是词典中的一个视觉词汇，共得到L个视觉词汇，所有视觉词汇构成一个视觉词典；2.5)统计每个图片中每个视觉单词出现与否以及出现的次数，获得不同局部放电图像特征的视觉单词的频率；提取所有局部放电特高频信号图像样本集合X的U
‑
SURF特征，得到所有样本集合的特征集合B＝{B1,B2,
…
,B
i
,
…
,B
A
}，B
i
表示第i类信号的特征集合；并且表示第i类信号的特征集合；并且表示第i类故障中的第j个样本的特征，每个样本的特征为1*
H维向量，对A类故障类型的特征集合添加对应的故障类型标签，记为Y＝{Y1,Y2,
…
,Y
i
,
…
,Y
A
}；3)计算所有局部放电特高频信号图像特征的BoW特征包，得到所有样本集合的视觉单词频率特征集...

【专利技术属性】
技术研发人员：李泽，钱勇，陈孝信，臧奕茗，王辉，舒博，盛戈皞，江秀臣，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：