本发明涉及电缆绝缘缺陷故障识别技术领域，，具体涉及一种基于高频局放信号图的电缆绝缘缺陷状态评估方法。
背景技术：
电力电缆在电力系统中主要起到传输和分配大功率电能的作用，是电网重要的组成部分之一，随着电缆在电力线路中所占比重增加，保证电力电缆的稳定运行对电网的意义也愈发显著。其中交联聚乙烯电缆即xlpe电缆机械、电气、热稳定性能良好，敷设安装方便，因此被广泛应用于电力系统中。为了保证xlpe交流电缆的安全可靠运行，需要对电力电缆进行绝缘电阻测量等预防性试验。同时，为了及时、准确地掌握xlpe交流电缆的绝缘缺陷情况，在进行离线测试以外，还需要进行在线的绝缘测试与故障诊断。
现有对电缆绝缘缺陷状态进行评价其采用支持向量机模型对xlpe电缆的绝缘故障进行识别，但是其准确率低。
技术实现要素：
本发明为了解决上述技术问题提供一种基于高频局放信号图的电缆绝缘缺陷状态评估方法。
本发明通过下述技术方案实现：
一种基于高频局放信号图的电缆绝缘缺陷状态评估方法，包括以下步骤，
a、获取电缆的高频局放信号图；
b、提取高频局放信号图的纹理特征、灰度共生矩阵特征、灰度-梯度共生矩阵特征，将其作为特征向量；
c、采用遗传算法对特征向量进行降维；
d、将降维后的特征向量带入蜂群优化的多核支持向量机中进行缺陷识别；
e、进行缺陷类型识别。
由于xlpe交流电缆的绝缘状况常反应于电缆的局部放电量，通过对xlpe交流电缆局部放电进行检测与模式识别掌握电缆的绝缘缺陷状况，并对绝缘缺陷状况进行诊断，不仅可提高对故障识别的准确率，且提高xlpe电缆局部放电检测系统的智能化水平，对于保证电缆的可靠运行具有重要意义。通过提取信号图中的纹理特征、灰度共生矩阵特征、灰度-梯度共生矩阵特征作为特征向量，充分提取局部特征，使本方案的可全面考虑局放信号图的各类特征。采用遗传算法对特征向量的降维处理，可有效的解决陷入局部最优解、容易破坏数据的拓扑结构的缺陷，使本方法可能够进行全局的最优化选择。最后利用蜂群优化的多核支持向量机对缺陷进行识别，可有效的降低本方法的计算量，提升运行速度，提高了识别准确率，对复杂环境下的局放检测具有更强的适应性。
作为优选，所述纹理特征包括粗糙度、对比度、方向性、线相似性、规则性和粗略度。
进一步的，所述粗糙度的提取方法为：
对图像均值滤波，求取平均强度值，滤波窗口大小为2k×2k，其中，κ为滤波窗口参数；
对于每个像素点(i,j)，分别计算其在水平和垂直方向的平均强度差s(i,j)；
对于每个像素点(i,j)，将最大的平均强度差所对应的滤波窗口尺度作为最佳尺度sbest；
计算整幅图像中的sbest并求其平均值得到粗糙度。
进一步的，所述方向性的提取方法为：
计算每个像素的梯度向量，包括水平和垂直方向上的变化量；
根据梯度向量构造一个直方图，计算直方图中峰值的尖锐程度得到图像的方向性。
作为优选，所述灰度共生矩阵特征的提取方法为：
在整幅图像中，统计出每一种(h,k)值出现的次数，再将它们归一化为出现的概率phk，并构成灰度共生矩阵[phk]n×n，其中n为图像的灰度级，k、h为灰度；
构造了4个方向的共生矩阵，包括m(0,1),m(-1,1),m(-1,0),m(-1,-1)；
分别计算着4个共生矩阵的对比度、相关度、能量、同质性、熵值。
作为优选，所述灰度-梯度共生矩阵特征的提取方法为：
用梯度算子提取原始图像的梯度图像g(x,y)；
对梯度图像进行灰度级离散化处理得到新的梯度图像g(x,y),x＝1,2,...,m；y＝1,2,...,n，其灰度级为lg；
灰度-梯度共生矩阵为{hij,i＝0,1,...,l-1；j＝0,1,...,lg-1}，其中，hij为集合{(x,y)|f(x,y)＝i,g(x,y)＝j}中元素的数目；f(x,y)为源图像，x＝1,2,3...m,y＝1,2,3...n；l为源图像的灰度级；
对
计算小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差距。
作为优选，所述步骤c具体方法为，
c-1、缺陷特征个体编码：对特征向量的参数按一定顺序排列，染色体的每一个基因对应相应次序的特征项，其中，染色体采用二进制符号串来表示，其等位基因由{0,1}组成；
c-2、缺陷特征优化的遗传操作：包括选择运算、交叉运算、变异运算、终止条件；其中，
选择运算具体为：
计算每个染色体vi的适应值eval(vi)，其中i＝1,2,...n；
计算群体的总适应值
计算每个染色体的选择概率pi＝eval(vi)/f；
计算每个染色体的累计概率
产生一个在区间[[0,1]里的随机数r，依次用qi与r相比较，第一个出现qi≥r的个体i被选择作为复制的父体，重复该步骤，直到个体i的个数满足所需要的个体数目为止；
交叉运算具体为：从种群中选择两个个体作父代，对每一对相互配对的个体，随机设置除第一个位置的某一基因座之后的位置为交叉点；
变异运算具体为：采用基本位变异方法，对个体编码串以设定的变异概率pm随机指定的某一位或几位基因座上的基因值做变异运算，从而产生新的个体；
终止条件具体为遗传的代数t＝100；
c-3、缺陷特征优化选择：利用遗传算法得到最优染色体二进制编码，将冗余设置的特征删除，即为优化后的特征参数。
作为优选，所述多核支持向量机采用蜂群优化的方法为：
初始化种群，包括确定种群数、最大迭代次数m、控制参数l和确定搜索空间，并在搜索空间中随机生成初始解xi，其中，i＝1、2、3...s，s为食物源个数，本文为4个；
初始化后，在整个种群中进行引领蜂、跟随蜂和侦查蜂搜寻过程的重复循环，直到达到最大迭代次数m或误差允许值ε；
在搜索过程开始阶段，每个引领蜂由式(1)产生一个新解，
式中，k∈{1,2,l,s},j∈{1,2,l,d}，且k≠i；
计算新解的适应度值fiti并评价它，若新解的fiti优于旧解fiti-1，则引领蜂将记住新解忘掉旧解；反之，它将保留旧解；
在所有引领蜂完成搜寻过程之后，跟随蜂根据式(2)计算每个解的选择概率，
在[0,1]区间内随机产生一个数，如果解的概率值大于该随机数，则跟随蜂由式(3)产生一个新解，并检验新解的fiti，若新解的fiti比fiti-1好，则跟随蜂将记住新解忘掉旧解；反之，它将保留旧解，
在所有跟随蜂完成搜寻过程之后，如果一个解经过l次循环仍然没有被进一步更新，那么就认为此解陷入局部最优，该食物源就会被舍弃，则此食物源对应的引领蜂转成一个侦查蜂；侦察蜂由(4)式产生一个新的食物源代替它，
xij＝xminj+rand(0,1)(xmaxj-xminj)(4)，其中j∈{1,2,l,d}，
返回引领蜂搜索过程，开始重复循环最终找到最优食物源或最优解。
进一步的，评价食物源时按下式进行贪婪选择，
本发明与现有技术相比，具有如下的优点和有益效果：
本发明地方法通过提取信号图中的纹理特征、灰度共生矩阵特征、灰度-梯度共生矩阵特征作为特征向量，充分提取局部特征，在利用遗传算法对特征向量的降维处理，最后利用蜂群优化的多核支持向量机对缺陷进行识别，其不仅可提高对故障识别的准确率，且可有效的解决陷入局部最优解、容易破坏数据的拓扑结构的缺陷，使本方法可能够进行全局的最优化选择，降低计算量，更适应复杂环境下的使用需求。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为各支持向量机模型的识别准确率。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
一种基于高频局放信号图的电缆绝缘缺陷状态评估方法，包括以下步骤，
a、获取电缆的高频局放信号图；
b、提取高频局放信号图的纹理特征、灰度共生矩阵特征、灰度-梯度共生矩阵特征，将其作为特征向量；
c、采用遗传算法对特征向量进行降维；
d、将降维后的特征向量带入蜂群优化的多核支持向量机中进行缺陷识别；
e、进行缺陷类型识别。
下面针对每一步具体说明。
纹理特征即tamura特征，包括粗糙度、对比度、方向性、线相似性、规则性和粗略度。
其中，粗糙度fcrs是描述纹理中粒度大小和分布的物理量，纹理基元尺寸越大，基元之间距离越远，纹理也就越粗糙。粗糙度的提取方法为：
对图像均值滤波，求取平均强度值，滤波窗口大小为2k×2k，其中，κ为滤波窗口参数；
对于每个像素点(i,j)，分别计算其在水平和垂直方向的平均强度差s(i,j)；
对于每个像素点(i,j)，将最大的平均强度差所对应的滤波窗口尺度作为最佳尺度sbest；
计算整幅图像中的sbest并求其平均值得到粗糙度，其计算方法具体为：
对比度fcon可通过对像素强度分布情况的统计得到，给出了整个图像或区域中对比度的全局变量，可通过下式得到：
α4＝μ4/σ4，其中，μ指像素分布的一次矩，σ指像素值的标准差，μ4是四次矩，而σ2是方差。
方向性的提取方法为：
计算每个像素的梯度向量|△g|，包括水平和垂直方向上的变化量，可通过图像卷积来计算，具体为：
|△g|＝(|△h|+|△v|)/2
|δg|＝(|δh|+|δv|)/2
其中，△h和△v分别为水平和垂直方向上的变化量；
当计算出所有的像素梯度向量后，根据梯度向量构造一个直方图，计算直方图中峰值的尖锐程度得到图像总体的方向性。
线相似性flin用来描述由线组成的纹理元素，其提取方法为：首先，构造方向共生矩阵，其元素pdd(i,j)被定义为在图像上出现沿边缘方向间隔距离dd的两个相邻单元的相对频率矩阵，i和j分别代表两个方向。利用共生矩阵，可以预测元件的几个重要结构特征。为了度量线相似性，我们定义相同方向用+1加权，而垂直方向用-1加权：
其中pdd是n×n局部方向共生矩阵。n代表矩阵为n阶矩阵。
规则性freg用来描述重复模式的规律性。其计算方法为：
freg＝1-r(σcrs+σcon+σdir+σlin)，其中，r是归一化因子，σcrs、σcon、σdir、σlin代表一种偏差标准。
物体的粗略度frgh无法直接描述。经对视觉心理逻辑实验的研究表明，我们更强调粗糙度与对比度的影响，并使用其作为量度来近似计算粗略度，目的在于将其近似简化成与人类视觉感知相对应的程度。可用下式表征：
frgh＝fcrs+fcon。
灰度共生矩阵是指图像中相距(△x,△y)的两个灰度像素同时出现的联合频率分布。即：若将图像的灰度级定为n级，那么共生矩阵为n×n矩阵，可表示为m(△x,△y)(h,k)。其中，位于(h,k)的元素值mhk表示一个灰度为h而另一个灰度为k的两个相距为(△x,△y)的像素或像素对出现的次数。其提取方法为：
在整幅图像中，统计出每一种(h,k)值出现的次数，再将它们归一化为出现的概率phk，得到方阵[phk]n×n，方阵[phk]n×n为灰度联合概率矩阵，也称为灰度共生矩阵。灰度联合概率矩阵实际上就是两像素点的联合直方图。构造4个方向的共生矩阵即m(0,1),m(-1,1),m(-1,0),m(-1,-1)，分别表示相距为1的0度偏移，45度偏移，90度偏移和135度偏移。然后分别计算这4个共生矩阵的5个纹理参数：对比度、相关度、能量、同质性、熵值。
对比度返回整幅图像中像素与它相邻像素之间的亮度反差。灰度一致的图像，对比度为0，对于粗纹理，phk的数值集中于主对角线附近，此时|h-k|的值较小，所以对比度较小；反过来，对于细纹理，phk的数值分布比较均匀，因此，对比度较大。其计算方法为：
相关度返回整幅图像中像素预期相邻像素是如何相关的度量值。描述了矩阵中列或行之间的灰度相似度。它是灰度线性关系的度量。其计算方法为：
能量是对图像灰度分布均匀性的度量，当phk分布较集中时，能量值较大；反之，则能量值较小。其计算方法为：
同质性返回灰度共生矩阵中元素分布到对角线紧密程度，主要是局部均匀性的体现。其计算方法为：
若图像没有任何纹理，熵值接近于零。若图像充满细纹理，当灰度共生矩阵中phk数值相差不大且分布比较均匀时，则熵值较大；反之，phk数值较集中时，则熵值较小。熵值的计算公式为：
源图像为f(x,y),x＝1,2,...,m；y＝1,2,...,n，其灰度级为l。其灰度-梯度共生矩阵的提取方法为：用sobel算子或其他梯度算子提取原始图像的梯度图像g(x,y)，把梯度图像进行灰度级离散化，设灰度级数目为lg，新的灰度为
式中
变换后，梯度图像为g(x,y),x＝1,2,...,m；y＝1,2,...,n，其灰度级为lg。
灰度-梯度共生矩阵为{hij,i＝0,1,...,l-1；j＝0,1,...,lg-1}，其中，hij定义为集合{(x,y)|f(x,y)＝i,g(x,y)＝j}中元素的数目。将
利用灰度—梯度共生矩阵，可以计算纹理特征统计量：
小梯度优势
大梯度优势
灰度分布不均匀性
梯度分布不均匀性
能量
灰度平均
梯度平均
灰度均方差
梯度均方差
相关
灰度熵
梯度熵
混合熵
惯性
逆差距
最终得到，6个tamura特征，5个灰度共生矩阵特征和15个灰度-梯度共生矩阵特征，总共26个特征参数。
对特征向量降维的具体方法为，
c-1、缺陷特征个体编码：对特征向量的参数按一定顺序排列，染色体的每一个基因对应相应次序的特征项，即当染色体中的某个基因为“1”时，表示该基因对应的特征项被选中；反之为“0”；其中，染色体采用二进制符号串来表示，其等位基因由{0,1}组成，由于共提取的电缆局放信号图的特征参数为26维，所以染色体的长度l＝32位。
c-2、缺陷特征优化的遗传操作：包括选择运算、交叉运算、变异运算、终止条件。
选择运算即采用个体适应度大小排序来选择复制的父体，具体为：
计算每个染色体vi的适应值eval(vi)，其中i＝1,2,...n；
计算群体的总适应值
计算每个染色体的选择概率pi＝eval(vi)/f；
计算每个染色体的累计概率
产生一个在区间[[0,1]里的随机数r，依次用qi与r相比较，第一个出现qi≥r的个体i被选择作为复制的父体，重复该步骤，直到个体i的个数满足所需要的个体数目为止。
两个同源染色体通过交配而重组，形成新的染色体，从而产生出新个体。这里采用单点交叉算子，根据所设定的交叉概率尸。交叉运算具体为：从种群中选择两个个体作父代，对每一对相互配对的个体，随机设置除第一个位置的某一基因座之后的位置为交叉点，共有l-1＝25个可能的交叉点位置。
变异运算具体为：采用基本位变异方法，对个体编码串以设定的变异概率pm随机指定的某一位或几位基因座上的基因值做变异运算，即对每一指定变异点处的基因值做取反运算，基因由“0”变成“1"，或由“1”变成“0”，从而产生新的个体。
终止条件具体为遗传的代数t＝100。
c-3、缺陷特征优化选择：利用遗传算法得到最优染色体二进制编码为：(0110001101011101001110111)，由特征的编码顺序可知，没有被选中的特征是第1，4，5，6，9，11，15，17，18和22，这就是说这10个特征的信息是冗余的，将冗余设置的特征删除，选择的第2，3，7，8，10，12，13，14，16，19，20，21，23，24和25，这15个特征为优化后的特征参数。
给定一个样本集，是一个维样本输入实数向量，是对应输出实数，svm的基本思想是通过核函数把输入样本向量映射到n维特征空间，在特征空间构造最优决策函数，
式中，ω＝(ω1，ω2，ω3...ωn)t为线性权值向量，b为阈值。
核函数的选择是支持向量机中的重要组成部分。核技巧用样本输入空间的两个模式的核函数的求值，来代替原高维hilbert空间中两个点的内积计算。在svm进行回归预测时，核函数首先会把样本向量从原空间利用核函数映射到高维线性空间，然后在高维线性空间中构造最优逼近函数。常见的核函数有：线性核函数：k(x，x′)＝x·x′、sigmoid核函数：k(x，x′)＝1/1+exp[β(x·x′)+b]、高斯核函数：k(x，x′)＝exp[(-||x-x′||2)/(2λ2)]。
构造适合不同样本数据类型输入的多核混合核函数：
式中，m是核的数目，σm≥0，1≤m≤m0的系数。
msvm可以针对不同作用类型的样本输入，分别采用不同的核函数进行映射，充分利用各种不同类型的输入变量的信息知识，提高模型的预测精度。
svm模型参数的选择对预测精度有着重要的影响。本文采用蜂群算法进行msvm中阈值、核的数目m0、参数、进行优化。
人工蜂群算法中将人工蜂群分为引领蜂、跟随蜂和侦查蜂三类，每一次搜索过程中，引领蜂和跟随蜂是先后开采食物源，即寻找最优解，而侦查蜂是观察是否陷入局部最优，若陷入局部最优则随机地搜索其它可能的食物源。每个食物源代表问题一个可能解，食物源的花蜜量对应相应解的质量即适应度值fiti。
适应度函数用每次迭代后svm回归的平均绝对误差表示：
式中n为样本数，
人工蜂群算法搜索过程中，首先需要初始化，其中包括确定种群数、最大迭代次数m、控制参数l和确定搜索空间即解的范围，在搜索空间中随机生成初始解xi(i＝1,2,l,s)，s为食物源个数，本文为4个，即msvm中阈值b、核的数目m0、参数λ、σm，每个解xi是一个4维的向量。初始化之后，整个种群将进行引领蜂、跟随蜂和侦查蜂搜寻过程的重复循环，直到达到最大迭代次数m或误差允许值ε。
在搜索过程开始阶段，每个引领蜂由式(1)产生一个新解，
式中，k∈{1,2,l,s},j∈{1,2,l,d}，且k≠i；
计算新解的适应度值fiti并评价它，若新解的fiti小于fiti-1，则引领蜂将记住新解忘掉旧解；反之，它将保留旧解；
在所有引领蜂完成搜寻过程之后，引领蜂会在招募区跳摇摆舞把解的信息及fiti信息与跟随蜂分享，跟随蜂根据式(2)计算每个解的选择概率，
在[0,1]区间内随机产生一个数，如果解的概率值大于该随机数，则跟随蜂由式(3)产生一个新解，并检验新解的fiti，若新解的fiti比fiti-1小，则跟随蜂将记住新解忘掉旧解；反之，它将保留旧解
在所有跟随蜂完成搜寻过程之后，如果一个解经过l次循环仍然没有被进一步更新，那么就认为此解陷入局部最优，该食物源就会被舍弃，则此食物源对应的引领蜂转成一个侦查蜂；侦察蜂由(4)式产生一个新的食物源代替它，
xij＝xminj+rand(0,1)(xmaxj-xminj)(4)，其中j∈{1,2,l,d}，
返回引领蜂搜索过程，开始重复循环。
人工蜂群算法在评价食物源时一般进行贪婪选择按式(5)进行。
人工蜂群算法就是通过循环搜索，最终找到最优食物源或最优解。
将经过电缆的局放信号图进行特征提取和降维后，分别带入svm，msvm和abc-msvm模型，不同缺陷模型在各模型的识别准确率范围如图1所示。其中条状为平均识别准确率，i型线描述各识别率的范围，从图1中，我们可以发现，针对各种缺陷类型，abc-msvm的平均识别率分别为85.58％，89.65％，88.17％，93.96％，仅在故障类型1，比msvm的平均识别率低2.56％，其他类型的平均识别率都明显高于其他两种识别类型，尤其是故障类型2，比msvm的平均识别率高25.64％。
各模型的整体识别准确率及运行时间如表所示。abc-msvm对4种缺陷类型的平均识别率达到89.34％，而svm和msvm分别为61.12％和76.31％。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。