數(shù)γ這兩個(gè)關(guān)鍵變量進(jìn)行全局優(yōu) 化，構(gòu)造了最優(yōu)參數(shù)組合SVM分類(lèi)器。
[0139] (2)在實(shí)驗(yàn)室開(kāi)展局放模擬試驗(yàn)，提取了表征局放內(nèi)在分形特征的盒維數(shù)及信息 維數(shù)分別作為模式識(shí)別特征量，將參數(shù)優(yōu)化SVM、傳統(tǒng)SVM及RBF神經(jīng)網(wǎng)絡(luò)作為模式分類(lèi)器 對(duì)4類(lèi)典型XLPE絕緣缺陷進(jìn)行識(shí)別。識(shí)別結(jié)果表明，引入改進(jìn)GA建立優(yōu)化最優(yōu)參數(shù)SVM 分類(lèi)模型的方案具有可行性及有效性，且SVM算法在模式識(shí)別方面比RBF神經(jīng)網(wǎng)絡(luò)具有更 強(qiáng)的泛化及學(xué)習(xí)能力。
[0140] 上述雖然結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范 圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不 需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以?xún)?nèi)。
【主權(quán)項(xiàng)】
1. 一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方法，其特征是，包括以 下步驟： (1) 分別在不同的電纜頭中制作不同的電纜典型缺陷模型，對(duì)制作的電纜典型缺陷模 型分別進(jìn)行局放模擬試驗(yàn)，采集每種電纜典型缺陷模型的局放信號(hào)樣本； (2) 根據(jù)得到的局放信號(hào)樣本繪制局放Pf-?三維譜圖，通過(guò)計(jì)算各象素點(diǎn)的灰度值得 到原始灰度圖像，分別計(jì)算XLPE電纜局放灰度圖分形特征盒維數(shù)DB及信息維數(shù)D:，作為模 式識(shí)別分類(lèi)特征量； (3) 依據(jù)M-ary分類(lèi)原理將SVM分類(lèi)器擴(kuò)展為多類(lèi)分類(lèi)器，利用所述多類(lèi)分類(lèi)器將對(duì)應(yīng) 于不同電纜典型缺陷模型的局放信號(hào)輸入樣本進(jìn)行重新組合； (4) 利用改進(jìn)優(yōu)化算法對(duì)多類(lèi)分類(lèi)器懲罰因子C和核函數(shù)參數(shù)γ進(jìn)行全局優(yōu)化，得到 最優(yōu)參數(shù)組合SVM分類(lèi)器； (5) 將待測(cè)樣本輸入最優(yōu)參數(shù)組合SVM分類(lèi)器，進(jìn)行交聯(lián)電纜局部放電模式識(shí)別。2. 如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟（1)中選用脈沖電流法采集局放信號(hào)，采集局放樣本數(shù)據(jù)時(shí)，對(duì)不 同的缺陷模型采用逐步升壓試驗(yàn)法，直到出現(xiàn)穩(wěn)定的局放現(xiàn)象。3. 如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟（2)中各象素點(diǎn)的灰度值根據(jù)局放夢(mèng)f-?三維譜圖中各小區(qū)間內(nèi)的 放電次數(shù)與局放價(jià)f-?三維譜圖內(nèi)的最大放電次數(shù)的比值確定。4. 如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟（2)中計(jì)算XLPE電纜局放灰度圖分形特征盒維數(shù)叫的方法為： 1) 載入原始灰度圖像； 2) 設(shè)定原始灰度圖像盒子尺度r，其中r= 2, 3, 4,…，20,計(jì)算覆蓋第（i，j)個(gè)網(wǎng)格 對(duì)應(yīng)的放電點(diǎn)的盒子數(shù)nji,j):首先確定覆蓋每個(gè)放電點(diǎn)的盒子編號(hào)集合L1= {1u12,… ，ln}，對(duì)該集合中編號(hào)出現(xiàn)了兩次及兩次以上的盒子進(jìn)行編號(hào)，只保留一個(gè)，可得元素不重 復(fù)的盒子編L2= {1u12，…1J，統(tǒng)計(jì)此集合中元素個(gè)數(shù)，有(i,j) =s; 3) 計(jì)算覆蓋原始灰度圖像的總盒子數(shù)4) 利用自適應(yīng)逐段搜索法確定點(diǎn)集（Inr，In隊(duì)）的分形無(wú)標(biāo)度區(qū)； 5) 在分形無(wú)標(biāo)度區(qū)內(nèi)用最小二乘法計(jì)算點(diǎn)集（lnr，lnr〇的負(fù)斜率，即為信息維數(shù)。5. 如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟（2)中計(jì)算XLPE電纜局放灰度圖分形特征信息維數(shù)0:的方法為： 1) 載入原始灰度圖像； 2) 計(jì)算灰度圖象的放電的總數(shù)Total_N; 3) 設(shè)定原始灰度圖像盒子尺度r，其中r= 2, 3, 4,…，20,計(jì)算覆蓋第（i，j)個(gè)網(wǎng)格對(duì)具體計(jì)算方法為： 首先確定覆蓋每個(gè)放電點(diǎn)的盒子編號(hào)集合{1u12，…，1J，對(duì)該集合中編號(hào)出現(xiàn) 了兩次及兩次以上的盒子進(jìn)行編號(hào)，只保留一個(gè)，可得元素不重復(fù)的盒子編號(hào)集合L2 = {Λ，12，…1J，統(tǒng)計(jì)集合L2中各元素在集合L1中出現(xiàn)的次數(shù)，記為集合N= {Ni，N2，…，Ns}; 此集合N中元素記為Nt，其中t= 1，2,…，8，則？1=Nt/Nr;Nr是指的覆蓋原始灰度圖 像的總盒子數(shù)； 4) 計(jì)算總信息熵?；5) 利用自適應(yīng)逐段搜索法確定點(diǎn)集（Inr，1η?；)的分形無(wú)標(biāo)度區(qū)； 6) 在分形無(wú)標(biāo)度區(qū)內(nèi)用最小二乘法計(jì)算點(diǎn)集（lnr，lnl；)的負(fù)斜率，即為信息維數(shù)。6. 如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟（3)的具體方法為： 設(shè)定缺陷類(lèi)型：將局部損傷缺陷標(biāo)記為A、將線芯表面毛刺缺陷標(biāo)記為B、將絕緣內(nèi)含 氣泡缺陷標(biāo)記為C，將絕緣受潮缺陷標(biāo)記為D; 依據(jù)M-ary分類(lèi)原理設(shè)計(jì)兩個(gè)二分類(lèi)SVM子分類(lèi)器SVM1和SVM2,將對(duì)應(yīng)于不同缺陷類(lèi) 型的輸入樣本進(jìn)行重新組合；根據(jù)子分類(lèi)器SVM1和SVM2中的缺陷類(lèi)型標(biāo)記，歸納各待識(shí)別 樣本的分類(lèi)歸屬。7. 如權(quán)利要求6所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，缺陷類(lèi)型標(biāo)記對(duì)應(yīng)的待識(shí)別樣本分類(lèi)歸屬方法如下表所示： 表1.四類(lèi)缺陷樣本數(shù)據(jù)類(lèi)型標(biāo)記表2待識(shí)別樣本分類(lèi)歸屬8. 如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟（4)的具體方法為： 步驟1 :將樣本數(shù)據(jù)分為訓(xùn)練樣本與待測(cè)樣本兩部分并進(jìn)行數(shù)據(jù)歸一化處理；采用浮 點(diǎn)編碼方式編碼待優(yōu)化參數(shù)組合（C，γ)，確定各參數(shù)的尋優(yōu)區(qū)間； 步驟2 :初始化種群設(shè)定改進(jìn)遺傳算法參數(shù)，所述參數(shù)包括：種群規(guī)模Ν、最大迭代次數(shù)Τ、交叉概率Ρ。及變異概率Ρ 步驟3:為避免改進(jìn)遺傳算法在尋優(yōu)過(guò)程中陷入局部極值，引入自適應(yīng)的交叉概率Ρ。 和變異概率Ρ^; 步驟4 :將訓(xùn)練樣本識(shí)別正確率作為改進(jìn)遺傳算法尋優(yōu)的目標(biāo)函數(shù)，計(jì)算每一個(gè)體對(duì) 應(yīng)的函數(shù)值并記錄最大值； 步驟5 :判斷是否滿(mǎn)足算法終止條件，即迭代次數(shù)是否達(dá)到設(shè)定值T或目標(biāo)函數(shù)值是否 滿(mǎn)足精度要求，若達(dá)到則退出算法并輸出參數(shù)組合；若未達(dá)到則令t=t+Ι對(duì)訓(xùn)練個(gè)體進(jìn)行 選擇、交叉及變異操作后返回步驟4直到滿(mǎn)足條件為止，將輸出解碼作為最優(yōu)參數(shù)組合。9. 如權(quán)利要求8所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟3中引入的自適應(yīng)交叉概率P。具體為：其中，t為進(jìn)化次數(shù)，初始值t= 1 ;T為最大進(jìn)化次數(shù)；PJ1)為第一代交叉概率；h(t) 為第t代交叉概率。10. 如權(quán)利要求8所述的一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方 法，其特征是，所述步驟3中引入的自適應(yīng)變異概率P"具體為：其中，t為進(jìn)化次數(shù)，初始值t= 1 ;T為最大進(jìn)化次數(shù)；PJ1)為第一代變異概率；Pjt) 為第t代變異概率。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于參數(shù)優(yōu)化SVM算法的交聯(lián)電纜局部放電模式識(shí)別方法，為避免傳統(tǒng)模式識(shí)別中神經(jīng)網(wǎng)絡(luò)收斂速度慢、過(guò)學(xué)習(xí)等不足或因支持向量機(jī)參數(shù)選擇不當(dāng)而導(dǎo)致識(shí)別精度低，在引入M-ary分類(lèi)理論將泛化及學(xué)習(xí)能力更強(qiáng)的SVM算法擴(kuò)展為多類(lèi)分類(lèi)器的同時(shí)，利用改進(jìn)遺傳算法優(yōu)化各子分類(lèi)器的懲罰因子及核函數(shù)參數(shù)，從而構(gòu)造出最優(yōu)參數(shù)SVM分類(lèi)模型。結(jié)果表明，以?xún)?yōu)化SVM作為分類(lèi)器時(shí)各缺陷識(shí)別率均＞95％，且無(wú)論是否優(yōu)化參數(shù)，SVM總體識(shí)別能力要優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)。
【IPC分類(lèi)】G01R31/12
【公開(kāi)號(hào)】CN105388402
【申請(qǐng)?zhí)枴緾N201510732891
【發(fā)明人】胡曉黎, 段玉兵, 張皓, 雍軍, 楊波, 孫曉斌, 孟海磊, 劉嶸
【申請(qǐng)人】山東電力研究院, 國(guó)家電網(wǎng)公司
【公開(kāi)日】2016年3月9日
【申請(qǐng)日】2015年10月30日