[发明专利]基于参数优化SVM算法的交联电缆局部放电模式识别方法

摘要

本发明公开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，为避免传统模式识别中神经网络收敛速度慢、过学习等不足或因支持向量机参数选择不当而导致识别精度低，在引入M‑ary分类理论将泛化及学习能力更强的SVM算法扩展为多类分类器的同时，利用改进遗传算法优化各子分类器的惩罚因子及核函数参数，从而构造出最优参数SVM分类模型。结果表明，以优化SVM作为分类器时各缺陷识别率均＞95％，且无论是否优化参数，SVM总体识别能力要优于RBF神经网络。

主权项

1.一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，包括以下步骤：(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；(2)根据得到的局放信号样本绘制局放三维谱图，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D_B及信息维数D_I，作为模式识别分类特征量；其中，计算XLPE电缆局放灰度图分形特征盒维数DB的方法为：1)载入原始灰度图像；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nr(i,j)：首先确定覆盖每个放电点的盒子编号集合L1＝{l1,l2,…,lm}，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＝{l1,l2,…ls}，统计此集合中元素个数，有nr(i,j)＝s；3)计算覆盖原始灰度图像的总盒子数4)利用自适应逐段搜索法确定点集(lnr,lnNr)的分形无标度区；5)在分形无标度区内用最小二乘法计算点集(lnr,lnNr)的负斜率，即为信息维数；计算XLPE电缆局放灰度图分形特征信息维数DI的方法为：1)载入原始灰度图像；2)计算灰度图象的放电的总数Total_N；3)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的信息熵具体计算方法为：首先确定覆盖每个放电点的盒子编号集合L1＝{l1,l2,…,lm}，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＝{l1,l2,…ls}，统计集合L2中各元素在集合L1中出现的次数，记为集合N＝{N1,N2,…,Ns}；此集合N中元素记为Nt，其中t＝1,2,…,s，则Pt＝Nt/Nr；Nr是指的覆盖原始灰度图像的总盒子数；4)计算总信息熵T_r，5)利用自适应逐段搜索法确定点集(lnr,lnTr)的分形无标度区；6)在分形无标度区内用最小二乘法计算点集(lnr,lnTr)的负斜率，即为信息维数；(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；(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；具体方法为：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；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N、最大迭代次数T、交叉概率Pc及变异概率Pm；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Pc和变异概率Pm；引入的自适应交叉概率Pc具体为：引入的自适应变异概率Pm具体为：其中，t为进化次数，初始值t＝1；T为最大进化次数；Pc(1)为第一代交叉概率；Pc(t)为第t代交叉概率；Pm(t)为第t代变异概率；步骤4：将训练样本识别正确率作为改进遗传算法寻优的目标函数，计算种群中每一个体对应的函数值并记录最大值；步骤5：判断是否满足算法终止条件，即迭代次数是否达到设定值T或目标函数值是否满足精度要求，若达到则退出算法并输出参数组合；若未达到则令t＝t+1对训练个体进行选择、交叉及变异操作后返回步骤4直到满足条件为止，将输出解码作为最优参数组合；(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。