[發(fā)明專利]一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110451068.1
• 申請(qǐng)日: 2021-04-26
• 公開（公告）號(hào): CN113376473A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 劉釗;盧靜雅;曹雪瑋;翟術(shù)然;王子洋;張暉;孫穎;張兆杰;李康;李金順
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)天津市電力公司城南供電分公司;國(guó)網(wǎng)天津市電力公司;國(guó)家電網(wǎng)有限公司
• 主分類號(hào): G01R31/08
• 分類號(hào): G01R31/08;G01R31/12;G06K9/00;G06K9/62
• 代理公司: 天津盛理知識(shí)產(chǎn)權(quán)代理有限公司 12209
• 代理人: 王來佳

1.一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：包括以下步驟：

S1、從入戶處安裝的智能電表獲取用電數(shù)據(jù)；

S2、根據(jù)預(yù)先獲取的電壓電流數(shù)據(jù)生成V-I軌跡曲線，采用V-I軌跡曲線提取和圖像識(shí)別的方法對(duì)電壓電流信號(hào)進(jìn)行特征提取和組合，得到電弧特征量，即通過一系列數(shù)據(jù)預(yù)處理操作，將電子圖像轉(zhuǎn)換為可供模型識(shí)別的圖像特征向量；

S3、將S2所得的訓(xùn)練集標(biāo)簽作為特征，對(duì)其進(jìn)行基于SVM的故障電弧檢測(cè)，識(shí)別得到是否產(chǎn)生故障電弧。

2.根據(jù)權(quán)利要求1所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：用電數(shù)據(jù)包括總電流和電壓。

3.根據(jù)權(quán)利要求1所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：S2包括以下步驟：

S21、將所得的V-I軌跡曲線進(jìn)行裁剪和灰度處理，采用平均加權(quán)法對(duì)圖像進(jìn)行灰度化處理，如式(1)：

f(i，j)＝0.299.R(i，j)+0.587.G(i，j)+0.114.B(i，j) (1)

對(duì)灰度化處理后的圖像二值化，將灰度值設(shè)置在0或者255,分離成一副特征明顯的二值化圖像；

S22、將二維圖像轉(zhuǎn)化為一維數(shù)組；

S23、將標(biāo)簽轉(zhuǎn)化為數(shù)字矩陣，預(yù)處理過程將圖像標(biāo)簽轉(zhuǎn)化為向量形式。

4.根據(jù)權(quán)利要求3所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：每張二值化圖像包含64×64個(gè)像素，向量長(zhǎng)度64×64＝4096。

5.根據(jù)權(quán)利要求3所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：訓(xùn)練數(shù)據(jù)集為一個(gè)形狀為[i,4096]的張量，i為訓(xùn)練集圖像總數(shù)，第一個(gè)維度用來索引圖片，第二個(gè)維度用來索引每張圖片中的像素點(diǎn)，黑白圖片上每一個(gè)像素點(diǎn)由一個(gè)正數(shù)表示該點(diǎn)的黑白程度，圖像由二維像素點(diǎn)轉(zhuǎn)化為一維的數(shù)組。

6.根據(jù)權(quán)利要求3所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：標(biāo)簽0表示為([1,0])，標(biāo)簽1表示為([0,1])，訓(xùn)練集標(biāo)簽是一個(gè)[i,2]的數(shù)字矩陣。

7.根據(jù)權(quán)利要求1所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：S3包括以下步驟：

S31、給定樣本集X＝{X₁，X₂，...，X_N}，其中包含兩類樣本，N為S2所得訓(xùn)練集中元素的數(shù)目，每一個(gè)樣本X_i，對(duì)應(yīng)一個(gè)樣本標(biāo)簽Y_i，Y_i∈{-1，1}，1和-1分別表示兩類不同樣本的標(biāo)簽，i＝1，...，N。；

S32、尋找最優(yōu)的分類超平面，即尋找最優(yōu)的ω和b，使得分類間隔最大；

S33、建立拉格朗日函數(shù)，得到原問題的對(duì)偶問題；

S34、將實(shí)時(shí)數(shù)據(jù)輸入到經(jīng)過樣本訓(xùn)練獲得的SVM分類器中，判斷類別。

8.根據(jù)權(quán)利要求7所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：所有樣本標(biāo)簽組成標(biāo)簽集Y。樣本集X和標(biāo)簽集Y共同組成訓(xùn)練樣本集φ，若輸入數(shù)據(jù)所在的特征空間存在作為決策邊界的超平面H:ω^T·x+b＝0，將學(xué)習(xí)目標(biāo)，則按正類和負(fù)類將超平面H分開，并使任意樣本的點(diǎn)到超平面H的距離大于等于1，則稱該分類問題具有線性可分性，如式(1)所示：

其中ω是超平面的法向量，b是超平面的常數(shù)項(xiàng)。

9.根據(jù)權(quán)利要求7所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：S32最終歸結(jié)為一個(gè)二次規(guī)劃問題：

其中為損失項(xiàng)，C為損失系數(shù)。

10.根據(jù)權(quán)利要求7所述的一種基于支持向量機(jī)和圖像識(shí)別的故障電弧檢測(cè)方法，其特征在于：

S33根據(jù)式(2)、(3)建立拉格朗日函數(shù)，得到原問題的對(duì)偶問題：

設(shè)求解式(4)、(5)得到的最優(yōu)拉格朗日乘子為則原問題的最優(yōu)解為：

其中，為正樣本中第i個(gè)支持向量，為負(fù)樣本中第i個(gè)支持向量，m₁為正樣本中的支持向量個(gè)數(shù)，m₂為負(fù)樣本中的支持向量個(gè)數(shù)；

S34根據(jù)式(8)判斷類別：

其中，X^(t)為測(cè)試樣本，根據(jù)輸出結(jié)果即可判斷是否產(chǎn)生故障電弧。