[发明专利]一种用于局部放电模式识别算法的PRPD图谱数据增强方法

说明书

一种用于局部放电模式识别算法的PRPD图谱数据增强方法，将不同格式的PRPD图谱图片通过背景色彩稳定且背景占比最大的特征进行背景特征的提取，通过PRPD图谱图片中局部放电信号的表示形式一般为实心圆或者实心矩形且占有多个像素点的特征进行局部放电幅值和相位的提取，实现PRPD图谱图片由图片格式向数据格式的转换，并完成归一化处理；通过随机抽取的方法实现PRPD图谱数据的有效扩充，完成PRPD图谱数据的增强。从而为基于机器学习的局部放电模式识别算法提供更多的有效原始数据。

技术领域

本发明涉及高压电力装备故障智能化诊断领域，具体的说是一种用于局部放电模式识别算法的PRPD图谱数据增强方法。

背景技术

局部放电是反映高压电力装备的绝缘状态的常用指标之一，而局部放电类型是现场检测中关注的重点，因此开展局部放电类型的模式识别研究是十分必要的。

目前局部放电模式识别方法通常利用PRPD图谱作为原始数据，以机器学习作为核心算法进行模式识别，一般包括三个步骤：(1)数据收集；(2)数据清洗；(3)数据挖掘。其中基于机器学习算法有效的前提是庞大的样本数据，即在数据收集步骤需要获得大量的数据。但是，以下几个方面的原因导致可用于模式识别的PRPD图谱数据较少：(1)装备发生局部放电的拆机验证过程比较困难，因此得到有效验证的局部放电案例较少，导致有效的局部放电PRPD图谱数据不多；(2)不同厂家的局部放电检测仪器检测结果的格式不统一；(3)早期大量的检测结果没有保存数据文件，仅保留图片文件；(4)电力装备用户单位众多，不同单位之间的数据无法实现有效的交流。以上原因导致有效的PRPD图谱数据总量较少，且格式不统一。即便搜集到大量的原始数据，因格式差别较大，在数据清洗阶段也被清洗，造成数据的浪费。这个问题严重制约着局部放电检测仪器的模式识别功能。同时局部放电的发生是随时间变化的动态过程，而获得PRPD图谱图片格式数据是一种静态数据，图片数据直接用于数据挖掘是一种数据浪费。

发明内容

本发明旨在提供一种用于局部放电模式识别算法的PRPD图谱数据增强方法，为基于机器学习的局部放电模式识别算法提供更多的有效原始数据。

为了解决以上技术问题，本发明采用的具体方案为：一种用于局部放电模式识别算法的PRPD图谱数据增强方法，将不同格式的PRPD图谱图片通过背景色彩稳定且背景占比最大的特征进行背景特征的提取，通过PRPD图谱图片中局部放电信号的表示形式一般为实心圆或者实心矩形且占有多个像素点的特征进行局部放电幅值和相位的提取，实现PRPD图谱图片由图片格式向数据格式的转换，并完成归一化处理；通过随机抽取的方法实现PRPD图谱数据的有效扩充，完成PRPD图谱数据的增强。

优选的，包括以下步骤：

S1、将不同格式的PRPD图谱图片转化为RGB图片数据格式，记做矩阵 pic_rgb[i,j]，其中i、j为像素点的坐标，每个坐标点包含r、g、b三个原色值；

S2、将矩阵pic_rgb[i,j]转换为灰度图矩阵pic_gray[i,j]，其中i、j为像素点的坐标，每个坐标点包含灰度值g，g的取值范围为0-255；

S3、利用PRPD图谱图片中背景色彩稳定且背景占比最大的特征，进行背景特征提取，具体步骤如下：

S301、初始化灰度频次数组N_gray[n]，n的取值范围为0-255；

S302、依次读取S2中获取的灰度图矩阵pic_gray[i,j]中各个像素点的灰度值g_ij，将数组N_gray[g_ij]对应的元素加1，直至全部像素点读取完毕；

S303、统计数组N_gray[n]中的最大值N_gray_max，对应的数组N_gray 元素序号g_ij_max即为PRPD图谱图片中的背景特征值；