[發明專利]基于局部圖像特征的局部放電故障的診斷方法

在審

• 申請號: 202110641395.3
• 申請日: 2021-06-09
• 公開（公告）號: CN113343550A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 李澤;錢勇;陳孝信;臧奕茗;王輝;舒博;盛戈皞;江秀臣
• 申請（專利權）人: 上海交通大學;國網浙江省電力有限公司電力科學研究院
• 主分類號: G06F30/25
• 分類號: G06F30/25;G06F30/27;G06K9/46;G06K9/62;G06N3/00
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 張寧展

1.一種基于局部圖像特征的局部放電故障診斷方法，其特征包括以下步驟：

1)采集不同故障類型的局部放電圖像，并對圖像進行預處理，生成局部放電圖像數據庫：利用特高頻傳感器分別采集A種故障類型的局部放電的特高頻信號圖像作為樣本集合X＝{X₁,X₂,…,X_i,…,X_A}，1i≤A，X_i表示第i類信號的樣本集合；并且n表示第i類故障的局部放電信號樣本總數，表示第i類故障中的第j個樣本，1≤j≤n，局部放電特高頻信號圖像樣本的總數為N；

2)采用U-SURF-BoW算法提取局部放電圖像的局部特征，構建局部放電圖像特征空間：包括下列幾步：

2.1)將所述的樣本集合X轉化為灰度圖G，去掉坐標的數值信息，控制每張圖片的像素大小一致，均為r*r，圖片中的任意一個像素點的表達式為D(a,b)，a、b的取值范圍為：1≤a≤r，1≤b≤r；

2.2)對每一張灰度圖G_i，按下列方法確定圖像的U-SURF特征點：

提取圖像中點D處，尺度為σ的Hessian矩陣：

其中，L_xx(D,σ)、L_xy(D,σ)、L_yy(D,σ)表示高斯二階偏導數在D處與圖像的卷積；

分別用Dxx、Dxy、Dyy近似表示圖像和二階導數的卷積，求出Hessian矩陣的近似行列式值如下：

det(H_approximate)＝D_xxD_yy-(wD_xy)²

隨后在3×3×3大小的近鄰區域內采取非極大抑制原則，選擇Hessian矩陣行列式的最大值所在的圖像和其尺度空間位置作為特征點，稱為該灰度圖像G_i的U-SURF特征點，重復步驟2.2)，得到所有灰度圖像G_i的U-SURF特征點；

2.3)計算每張灰度圖像G_i的SURF特征點的描述向量：

以所述的U-SURF特征點為中心，選擇一個20s×20s的正方形區域，其中，s表示該特征點的尺度，將該區域劃分為4×4子區域的效果最佳，然后分別計算每個子區域內對應的4維特征向量V＝{Σdx,Σ|dx|,Σdy,Σ|dy|}，在每一個特征點形成4×4×4＝64維的描述向量；

2.4)通過計算特征間的距離，將步驟2.3)獲得的特征按下列方法全部映射到視覺詞典的詞匯：

利用K-means算法構造單詞表，以K為參數，將所有特征分為L個簇，使簇內具有較高的相似度，而簇間相似度較低，將每個聚類中心看作是詞典中的一個視覺詞匯，共得到L個視覺詞匯，所有視覺詞匯構成一個視覺詞典；

2.5)統計每個圖片中每個視覺單詞出現與否以及出現的次數，獲得不同局部放電圖像特征的視覺單詞的頻率；

提取所有局部放電特高頻信號圖像樣本集合X的U-SURF特征，得到所有樣本集合的特征集合B＝{B₁,B₂,…,B_i,…,B_A}，B_i表示第i類信號的特征集合；并且表示第i類故障中的第j個樣本的特征，每個樣本的特征為1*H維向量，對A類故障類型的特征集合添加對應的故障類型標簽，記為Y＝{Y₁,Y₂,…,Y_i,…,Y_A}；

3)計算所有局部放電特高頻信號圖像特征的BoW特征包，得到所有樣本集合的視覺單詞頻率特征集合C＝{C₁,C₂,…,C_i,…,C_A}，C_i表示第i類信號的特征集合；并且表示第i類故障中的第j個樣本的特征，每個樣本的特征為1*L維向量；

4)使用PCA降維方法對獲取的U-SURF-BOW特征進行降維處理后，獲得降維的特征矩陣P包括：

4.1)將U-SURF特征的每一列進行零均值化，即減去這一行的均值；

4.2)求取協方差矩陣及協方差矩陣的特征值和特征向量；

4.3)將特征向量按對應特征值的大小從上到下排列成矩陣，取前k列的數據組成降維的特征矩陣P，P＝{P₁,P₂,…,P_i,…,P_A},P_i表示第i類信號的特征集合；并且P_i＝{P_i¹,P_i²,…,P_i^q,…,P_i^k}，P_i^q表示第i類故障中的第q個樣本的特征，其中1q≤k＜L；

5)對所述的降維的特征矩陣P進行歸一化處理，得到缺陷特征集合U＝{U₁,U₂,…,U_i,…,U_Z}，U_i表示GIS局部放電特高頻信號所對應的第i類缺陷特征樣本，并有：表示第i類缺陷特征樣本中第j個樣本；且第j個樣本包含k個歸一化后的統計特征，1≤i≤A，1≤j≤M，M表示第i類缺陷特征樣本的總數；

6)初始化天牛觸須長度、天牛運動步長、天牛迭代次數和天牛觸須位置，構建初始支持向量機模型：

6.1)初始化天牛觸須長度為s、天牛運動步長為u、天牛迭代次數為t_max、天牛兩觸須的二維位置坐標向量為P₀＝{P_L,P_R}，其中，P_L表示天牛左觸須位置坐標，P_R表示天牛右觸須位置坐標；利用所述的二維位置坐標向量P₀中兩觸須的x方向、y方向坐標值初始化支持向量機參數，其中，x方向的坐標值表示支持向量機參數c，y方向的坐標值表示支持向量機的參數g；

6.2)定義當前迭代次數為t，并初始化t＝1，以天牛須的二維坐標向量P₀作為第t次迭代的二維坐標向量P_t；以所述的初始的支持向量機模型作為第t次迭代的支持向量機模型；

6.3)利用第t次迭代的二維坐標向量P_t構建第t次迭代的支持向量機模型，并利用第t次迭代的支持向量機模型對e個缺陷特征樣本子集進行交叉驗證，得到局部放電缺陷誤分率，并以所述局部放電缺陷誤分率作為天牛須算法中第t次迭代的適應度值；

6.4)選擇天牛左右兩須所對應的第t次迭代的適應度值中的較小值，以該較小值作為第t次迭代的局部最優值，并以該局部最優值所對應的天牛的觸須坐標；

6.5)天牛按照所述的天牛運動步長u向第t次迭代的局部最優值所對應的觸須一側移動，從而得到第t+1次迭代的二維坐標向量P_t+1；

6.6)將t+1賦值給t后，判斷t是否達到t_max，若未達到，則返回步驟6.3)，若達到則選出t_max次迭代的局部最優值中的最小值作為全局最優值；以所述的全局最優值所對應的二維坐標向量作為最優支持向量機參數構造局部放電故障診斷的支持向量機模型；并進入下一步；

7)利用所述的局部放電故障診斷的支持向量機模型對局部放電特高頻信號圖像的測試樣本集合進行診斷，輸出局部放電的故障診斷結果。