基于参数优化svm算法的交联电缆局部放电模式识别方法
【技术领域】
[0001] 本发明涉及电缆局部放电模式识别技术领域，尤其涉及一种基于参数优化SVM算 法的交联电缆局部放电模式识别方法。
【背景技术】
[0002] 近年来，交联聚乙稀（Cross-linkedpolyethylene,XLPE)电缆因具有合理的工艺 结构、安装敷设简单和不存在漏油问题等优势，逐渐成为了我国配电网中电力输送的主流 设备，其运行可靠性与电网稳定密切相关。除外界因素，局部放电（以下简称局放）是导致 电缆绝缘故障的主要原因。在对电缆进行局放检测过程中采集到的局放信号承载着电缆全 部绝缘故障信息，不同缺陷产生的局放信号特征不同，不同放电类型对电缆绝缘的破坏程 度存在巨大差异。因此，电缆局放模式识别问题的研究，对XLPE电缆绝缘诊断有十分重要 的意义。
[0003] 截止目前，国内外针对这一问题已开展较多研究。比如：
[0004] (1)直接对各种局放三维谱图及其波形和频谱进行分析比较的方法，这种 方法虽归纳出了具有一定参考价值的识别规律，但这种识别方法很大程度上取决于工程经 验，客观性不强。
[0005] (2)直接将局放脉冲时域波形数据值作为模式识别放电指纹的方法，该方法虽简 化了特征提取过程，但即使经过降维处理，识别过程中仍可能遭遇"维数灾难"。
[0006] (3)提取局放灰度图象的分形维数作为神经网络输入的方法，该方法特征量维数 适中，取得了不错的识别效果，但人工神经网络方法缺乏数学理论支撑，存在收敛速度慢且 易陷入局部极小值的缺点，网络类型及参数选取不当会对分类结果造成很大影响，是一种 取决于经验的非线性分类算法。
[0007] (4)利用基于局放统计特征的支持向量机（SupportVectorMachine,SVM)的电缆 局放模式方法，虽能取得不错的识别效果，但所用的SVM其参数多依靠人工调试，并未考虑 到若SVM参数选择不当会对模式识别精度及算法的运行速度产生负面影响，无法保证识别 的速度与精度。
【发明内容】
[0008] 本发明的目的就是为了解决上述问题，提出了一种基于参数优化SVM算法的交联 电缆局部放电模式识别方法，该方法将改进遗传算法与支持向量机算法相结合，利用改进 遗传算法对与SVM性能密切相关的两个参数惩罚因子C及核函数参数γ进行优化，构造出 最优参数组合SVM模式分类器，用于XLPE电缆局放模式识别，提高了缺陷识别的正确率。
[0009] 为了实现上述目的，本发明采用如下技术方案：
[0010] 一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，包括以下步骤：
[0011] (1)分别在不同的电缆头中制作不同的电缆典型缺陷模型，对制作的电缆典型缺 陷模型分别进行局放模拟试验，采集每种电缆典型缺陷模型的局放信号样本；
[0012] (2)根据得到的局放信号样本绘制局放梦爹W三维谱图，通过计算各象素点的灰度 值得到原始灰度图像，分别计算XLPE电缆局放灰度图分形特征盒维数DB及信息维数D:，作 为模式识别分类特征量；
[0013] (3)依据M-ary分类原理将SVM分类器扩展为多类分类器，利用所述多类分类器将 对应于不同电缆典型缺陷模型的局放信号输入样本进行重新组合；
[0014] (4)利用改进优化算法对多类分类器惩罚因子C和核函数参数γ进行全局优化， 得到最优参数组合SVM分类器；
[0015] (5)将待测样本输入最优参数组合SVM分类器，进行交联电缆局部放电模式识别。
[0016] 所述步骤（1)中选用脉冲电流法采集局放信号，采集局放样本数据时，对不同的 缺陷模型采用逐步升压试验法，直到出现稳定的局放现象。
[0017] 所述步骤（2)中各象素点的灰度值根据局放爹f-?三维谱图中各小区间内的放电 次数与局放三维谱图内的最大放电次数的比值确定。
[0018]所述步骤（2)中计算XLPE电缆局放灰度图分形特征盒维数叫的方法为：
[0019] 1)载入原始灰度图像；
[0020] 2)设定原始灰度图像盒子尺度r，其中r= 2, 3, 4,…，20,计算覆盖第（i,j)个 网格对应的放电点的盒子数nji，j):首先确定覆盖每个放电点的盒子编号集合!；= ΙΛ，12，…，1J，对该集合中编号出现了两次及两次以上的盒子进行编号，只保留一个，可得 元素不重复的盒子编L2= {1u12，…1J，统计此集合中元素个数，有(i,j) =s;
[0021] 3)计算覆盖原始灰度图像的总盒子数$ =Σ <··./：
[0022] 4)利用自适应逐段搜索法确定点集（Inr，In队）的分形无标度区；
[0023] 5)在分形无标度区内用最小二乘法计算点集（lnr，1ηΓ〇的负斜率，即为信息维 数。
[0024] 所述步骤（2)中计算XLPE电缆局放灰度图分形特征信息维数0:的方法为：
[0025]1)载入原始灰度图像；
[0026] 2)计算灰度图象的放电的总数Total_N;
[0027] 3)设定原始灰度图像盒子尺度p其中r= 2, 3, 4,…，20,计算覆盖第（i,j)个网 格对应的放电点的盒子的信息熵具体计算方法为： f-.l
[0028] 首先确定覆盖每个放电点的盒子编号集合{lu12，…，1J，对该集合中编号出 现了两次及两次以上的盒子进行编号，只保留一个，可得元素不重复的盒子编号集合L2 = {Λ，12，…1J，统计集合L2中各元素在集合L1中出现的次数，记为集合N= {Ni，N2，…，Ns};
[0029] 此集合N中元素记为Nt，其中t= 1，2,…，8，则Pt=Nt/Nr;Nr是指的覆盖原始灰 度图像的总盒子数；
[0030] 4)计算总信息熵?；，& =ΣΓ，（心 h J.
[0031] 5)利用自适应逐段搜索法确定点集（Inr，1η?；)的分形无标度区；
[0032] 6)在分形无标度区内用最小二乘法计算点集（lnr，Ιη?；)的负斜率，即为信息维 数。
[0033] 所述步骤（3)的具体方法为：
[0034] 设定缺陷类型：将局部损伤缺陷标记为A、将线芯表面毛刺缺陷标记为B、将绝缘 内含气泡缺陷标记为C，将绝缘受潮缺陷标记为D;
[0035] 依据M-ary分类原理设计两个二分类SVM子分类器SVM1和SVM2,将对应于不同缺 陷类型的输入样本进行重新组合；根据子分类器SVM1和SVM2中的缺陷类型标记，归纳各待 识别样本的分类归属。
[0036] 缺陷类型标记对应的待识别样本分类归属方法如下表所示：
[0037] 表1.四类缺陷样本数据类型标记
[0038]
[0039] 表2待识别样本分类归属
[0040]
[0041] 所述步骤（4)的具体方法为：
[0042]步骤1 :将样本数据分为训练样本与待测样本两部分并进行数据归一化处理；采 用浮点编码方式编码待优化参数组合（C，γ)，确定各参数的寻优区间；
[0043]步骤2:初始化种群设定改进遗传算法参数，所述参数包括：种群规模Ν、最大迭代 次数Τ、交叉概率Ρ。及变异概率Ρ
[0044]步骤3:为避免改进遗传算法在寻优过程中陷入局部极值，引入自适应的交叉概 率Ρ。和变异概率Ρ