CN105388402A - 基于参数优化svm算法的交联电缆局部放电模式识别方法 - Google Patents

Abstract

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。

Description

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

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

近年来，交联聚乙烯(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。

截止目前，国内外针对这一问题已开展较多研究。比如：

(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。

(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”。

(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。

(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

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。

为了实现上述目的，本发明采用如下技术方案：

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：

(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；

(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；

(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。

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。

所述步骤(2)中各象素点的灰度值根据局放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。

所述步骤(2)中计算XLPE电缆局放灰度图分形特征盒维数D_B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n_r(i,j)：首先确定覆盖每个放电点的盒子编号集合L¹＝{l₁,l₂,…,l_m}，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＝{l₁,l₂,…l_s}，统计此集合中元素个数，有n_r(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,lnN_r)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,lnN_r)的负斜率，即为信息维数。

所述步骤(2)中计算XLPE电缆局放灰度图分形特征信息维数D_I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,…,l_m}，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,…l_s}，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,…,N_s}；

此集合N中元素记为N_t，其中t＝1,2,…,s，则P_t＝N_t/N_r；N_r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,lnT_r)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,lnT_r)的负斜率，即为信息维数。

所述步骤(3)的具体方法为：

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；

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。

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：

表1.四类缺陷样本数据类型标记

表2待识别样本分类归属

所述步骤(4)的具体方法为：

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P_c及变异概率P_m；

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P_c和变异概率P_m；

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。

所述步骤3中引入的自适应交叉概率P_c具体为：

$P_c(t+1)=P_c\left(t\right)-\frac{\[P_c\left(1\right)-0.6\]}{T};$

其中，t为进化次数，初始值t＝1；T为最大进化次数；P_c(1)为第一代交叉概率；P_c(t)为第t代交叉概率。

所述步骤3中引入的自适应变异概率P_m具体为：

$P_m(t+1)=P_m\left(t\right)-\frac{\[0.08-P_m\left(1\right)\]}{T};$

其中，t为进化次数，初始值t＝1；T为最大进化次数；P_m(1)为第一代变异概率；P_m(t)为第t代变异概率。

本发明的有益效果是：

本文采用建立在统计学习理论基础上的新型机器学习算法SVM作为模式识别分类器，在引入M-ary分类理论将SVM扩展为多类分类器的同时，利用改进的GA对与各子分类器性能密切相关的参数惩罚因子C和核函数参数γ进行全局寻优，构造出最优参数组合SVM分类模型，提取局放灰度图象分形维数作为识别特征量，分别利用最优参数组合SVM模型、未优化SVM分类器及径向基函数(RadialBasisFunction,RBF)神经网络识别实验室中模拟的4种XLPE电缆绝缘缺陷。结果表明优化后的SVM分类器具有更高的缺陷识别正确率。

附图说明

图1为XLPE电缆典型绝缘缺陷示意图；

图2为XLPE电缆局放模拟试验接线示意图；

图3为盒维数计算流程示意图；

图4为信息维数计算流程示意图。

具体实施方式：

下面结合附图与实例对本发明做进一步说明：

本发明采用建立在统计学习理论基础上的支持向量机(SupportVectorMachine,SVM)作为模式识别分类器，在引入M-ary分类理论将SVM扩展为多类分类器的同时，利用改进遗传算法(GeneticAlgorithm,GA)优化各子分类器的惩罚因子C及核函数参数γ，提取局放灰度图象分形维数作为识别特征量，分别利用最优参数组合SVM模型、未优化SVM分类器及径向基函数(RadialBasisFunction,RBF)神经网络识别实验室中模拟的4种XLPE电缆绝缘缺陷。

结果表明优化后的SVM分类器具有更高的缺陷识别正确率，且无论是否经过参数优化，SVM算法整体识别率均优于RBF神经网络。

本发明基于参数优化SVM算法的交联电缆局部放电模式识别方法，包括以下步骤：

(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；

(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及核函数参数γ进行全局优化，得到最优参数组合SVM分类器；

(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。

具体实现方法如下：

1利用改进GA实现SVM参数优化

1.1SVM算法基本原理

对于非线性分类问题，SVM算法基本思想在于：将样本空间中的线性不可分部分非线性映射至高维甚至是无穷维的特征空间中，并在此空间建立一最优分类超平面，使两类训练样本分类间隔达到最大，由此可将分类问题转化为如下凸二次规划问题：

$\left\{\begin{array}{c}\min \frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&xi;}}_i\\ \begin{array}{cc}s.t.& y_i\&lsqb;<\mathrm{\&omega;}\&CenterDot;x_i>+b\&rsqb;\&GreaterEqual;1-{\mathrm{\&xi;}}_i\end{array}\\ \begin{array}{cc}{\mathrm{\&xi;}}_i\&GreaterEqual;0& i=1,2,...,l\end{array}\end{array}\right.---\left(1\right)$

其中，(x_i,y_i)为训练样本且x∈Rⁿ，y＝{+1,-1}；ω∈Rⁿ为平面法向量；b∈R为平面截距；C为惩罚因子，用于控制算法运行复杂程度与逼近误差的折衷，该值过小会因对错分样本惩罚力度不够使算法陷入欠学习，而该值过大则会引起过学习现象；ξ_i为松弛变量，用于容许错分样本存在。

为解决式(1)中的凸二次规划问题，考虑数学中带约束极值问题的求解方法，引入Lagrange乘子α＝(α₁,α₂,…,α_l)，α_i≥0，i＝1,2,…,l，将式(1)转化为其对偶问题：

$\left\{\begin{array}{c}\max \underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i=1}{\overset{l}{\&Sigma;}}\underset{j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j(x_i\&CenterDot;x_j)\\ \begin{array}{ccc}s.t.& 0\&le;\mathrm{\&alpha;}\&le;C& i=1,2,...,l\end{array}\\ \underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i=0\end{array}\right.---\left(2\right)$

求解上式得最优解α_i ^*，使α_i ^*不为0的样本就是支持向量。依据泛函理论，在最优分类超平面中引入符合Mercer条件的核函数K(x_i,x_j)即可实现非线性映射后的线性分类。故分类决策函数为：

$F\left(x\right)=\mathrm{sgn}(\underset{i-1}{\overset{l}{\&Sigma;}}{y}_i{{\mathrm{\&alpha;}}_i}^{*}K\left(x,x_i\right)+b^{*})---\left(3\right)$

在本文中，核函数选用Gauss函数，即：

K(x,x_i)＝exp(-γ||x-x_i||²)(4)

其中，γ为核函数参数，特征空间VC维与其值选取密切相关。

1.2GA基本原理

GA是一种建立在生物进化论与遗传变异论基础上，通过模拟自然界生物进化机制实现全局寻优的人工智能优化算法，该算法因具有结构简单、鲁棒性强等优势得以广泛应用。

GA主要包含以下步骤：

①编码，将待优化变量以字符串形式表示。

②初始化种群，全局寻优以一个包含潜在最优解的种群为基本单位展开，按照“适者生存，优胜劣汰”准则逐代产生更优个体。

③适应度函数，通过计算各个体对应的适应度值挑选出优胜个体。

④交叉操作，交换两个体的基因信息产生新个体。

⑤变异操作，以小概率随机改变个体基因位点信息。

1.3SVM参数优化算法设计

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，故本文将GA与SVM算法相结合，利用GA对惩罚因子C及核函数参数γ进行优化，意在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，SVM参数优化算法具体运行步骤如下。

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)，确定各参数寻优区间。

步骤2：初始化种群设定GA参数，即种群规模N、最大迭代次数T、交叉概率P_c及变异概率P_m。为避免GA在寻优过程中陷入局部极值，本文引入自适应P_c及P_m：

$P_c(t+1)=P_c\left(t\right)-\frac{\&lsqb;P_c\left(1\right)-0.6\&rsqb;}{T}---\left(5\right)$

$P_m(t+1)=P_m\left(t\right)-\frac{\&lsqb;0.08-P_m\left(1\right)\&rsqb;}{T}---\left(6\right)$

其中，t为进化次数，初始值t＝1。

步骤3：将训练样本识别正确率作为GA寻优的目标函数，计算每一个体对应的函数值并记录最大值。

步骤4：判断是否满足算法终止条件，即迭代次数达到T或目标函数值满足精度要求，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3直到满足条件为止，将输出解码即为最优参数组合。

2XLPE电缆局放信号分形特征提取

2.1电缆缺陷模型设计及模拟局放试验

XLPE电缆局放形式与缺陷类型密切相关，为客观反映电缆在制作、敷设及运行期间暴露出的典型缺陷的特征与放电机理，本文在4个电缆头中分别制作4类典型缺陷模型：局部损伤、线芯表面毛刺、绝缘内含气泡和绝缘受潮。图1为电缆绝缘缺陷示意图，实际制作中4种缺陷相互独立，互不干扰。

参照IEC60270标准，模拟试验选用脉冲电流法采集局放信号，图2为XLPE电缆局放模拟试验接线示意图。为屏蔽通信电磁干扰，获取真实局放试验数据，在全电磁屏蔽实验室中开展试验。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。每条样本为连续50个工频放电周期累加，每种缺陷模型各测100组样本，共计400组。

2.2分形维数计算

利用计算机处理系统绘制局放三维谱图，知局放灰度图象灰度级为0～255，依据谱图中最小放电量与最大放电量分别对应着灰度图象上最小灰度级与最大灰度级的标准，易知各象素点的灰度值为：

$m_{i,j}=\frac{n_{i,j}}{n_{\max }}\&times;255---\left(8\right)$

其中，m_i,j为局放灰度图象上各象素点灰度值；n_i,j为局放三维谱图中各小区间内的放电次数；n_max为三维谱图内最大放电次数。

XLPE电缆局放灰度图分形特征盒维数D_B及信息维数D_I的计算分别在图象正、负半周进行，灰度图上灰度值为0的点意味着绝缘状况良好，还没有出现放电现象，故计算中可忽略不计。灰度图分形特征提取流程分别如图3和图4所示。

如图3所示，计算XLPE电缆局放灰度图分形特征盒维数D_B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n_r(i,j)：首先确定覆盖每个放电点的盒子编号集合L¹＝{l₁,l₂,…,l_m}，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＝{l₁,l₂,…l_s}，统计此集合中元素个数，有n_r(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,lnN_r)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,lnN_r)的负斜率，即为信息维数。

如图4所示，计算XLPE电缆局放灰度图分形特征信息维数D_I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,…,l_m}，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,…l_s}，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,…,N_s}；

此集合N中元素记为N_t，其中t＝1,2,…,s，则P_t＝N_t/N_r；

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,lnT_r)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,lnT_r)的负斜率，即为信息维数。

3XLPE电缆局放模式识别

3.1SVM分类器扩展

由于将分形维数作为模式分类特征量，故SVM输入样本为4维向量。为将SVM分类器扩展为多类分类器，本文引入M-ary分类思想，首先设定缺陷类型：局部损伤(A)、线芯毛刺(B)、内含气泡(C)及绝缘受潮(D)，随后依据M-ary分类原理设计两个二分类SVM子分类器，将对应于4种缺陷类型的输入样本进行重新组合，组合结果如表1所示。

表14类缺陷样本数据类型标记

分析上表数据易知，SVM1将B、D数据组成的样本集标记为正训练样本，SVM2将A、B数据组成的样本集标记为负训练样本，对于某一条样本数据，若SVM1识别为正而SVM2识别为负，则该样本对应的缺陷类型为B类。依此类推，归纳各待识别样本分类归属如表2所示。

表2待识别样本分类归属

3.2RBF神经网络分类器设计

RBF神经网络包含一个输入层、一个输出层和一个带径向基函数的隐含层，具有三层前馈式结构。在本文中，设计RBF网络输入层神经元为4个，与4个分形特征量相对应；输出层神经元为4个，分别对应4种缺陷类型，网络理想输出格式采用二进制来描述；隐含层径向基函数采用高斯函数，设置其均方误差(MSE)为10^-6，该网络能根据输入矢量和输出目标矢量要求自动调整隐层节点个数，直到满足误差条件为止。

3.3模式识别结果及分析

在模式识别过程中，4种缺陷类型各有100条有效样本，其中50条用于分类器训练，50条用于测试。首先用训练样本集训练RBF神经网络，按照3.1节方法标记200条训练样本，在进行SVM分类器扩展的同时，利用改进GA分别优化SVM1及SVM2参数。优化过程中，设定N＝100，T＝100，P_c(1)＝0.8，P_m(1)＝0.008，寻优区间C_bound＝[0.01,100]，γ_bound＝[0.01,1000]。所得SVM分类器最优参数组合(C,γ)为SVM1：(81.4,0.625)，SVM2：(83.8,0.487)。将待测样本输入分类器，识别结果对比如表3。

表3XLPE电缆局放模式识别结果对比

分析数据易知，以RBF神经网络作为分类器时，虽局部损伤及绝缘受潮缺陷识别率大于90％，但整体识别率为三者中最低。改用SVM算法分类后，各类缺陷识别率均高于90％且提高至少2.2％，总体识别率提高3.26％。引入改进GA进行参数优化后，GA-SVM分类器对各缺陷识别率均达到了95％以上，与传统SVM相比，各类缺陷识别率提高至少4.4％，整体识别率提高5.12％。因此，优化SVM模型具有最佳的识别正确率，且无论是否优化，使用SVM作为分类器时取得的识别结果整体优于RBF神经网络。

4结论

(1)深入研究SVM算法，在引入M-ary分类思想将SVM分类器扩展为多类分类器的同时，利用改进GA对各子分类器惩罚因子C及核函数参数γ这两个关键变量进行全局优化，构造了最优参数组合SVM分类器。

(2)在实验室开展局放模拟试验，提取了表征局放内在分形特征的盒维数及信息维数分别作为模式识别特征量，将参数优化SVM、传统SVM及RBF神经网络作为模式分类器对4类典型XLPE绝缘缺陷进行识别。识别结果表明，引入改进GA建立优化最优参数SVM分类模型的方案具有可行性及有效性，且SVM算法在模式识别方面比RBF神经网络具有更强的泛化及学习能力。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

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；

(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；

(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。

2.如权利要求1所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，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。

3.如权利要求1所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，所述步骤(2)中各象素点的灰度值根据局放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。

4.如权利要求1所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，所述步骤(2)中计算XLPE电缆局放灰度图分形特征盒维数D_B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n_r(i,j)：首先确定覆盖每个放电点的盒子编号集合L¹＝{l₁,l₂,…,l_m}，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＝{l₁,l₂,…l_s}，统计此集合中元素个数，有n_r(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,lnN_r)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,lnN_r)的负斜率，即为信息维数。

5.如权利要求1所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，所述步骤(2)中计算XLPE电缆局放灰度图分形特征信息维数D_I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 $T_r(i,j)=\underset{t=1}{\overset{S}{\&Sigma;}}{P}_{t}ln\left(P_t\right);$

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,…,l_m}，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,…l_s}，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,…,N_s}；

此集合N中元素记为N_t，其中t＝1,2,…,s，则P_t＝N_t/N_r；N_r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,lnT_r)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,lnT_r)的负斜率，即为信息维数。

6.如权利要求1所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，所述步骤(3)的具体方法为：

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；

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。

7.如权利要求6所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，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：

表1.四类缺陷样本数据类型标记

表2待识别样本分类归属

8.如权利要求1所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，所述步骤(4)的具体方法为：

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P_c及变异概率P_m；

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P_c和变异概率P_m；

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。

9.如权利要求8所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，所述步骤3中引入的自适应交叉概率P_c具体为：

$P_c(t+1)=P_c\left(t\right)-\frac{\&lsqb;P_c\left(1\right)-0.6\&rsqb;}{T};$

其中，t为进化次数，初始值t＝1；T为最大进化次数；P_c(1)为第一代交叉概率；P_c(t)为第t代交叉概率。

10.如权利要求8所述的一种基于参数优化SVM算法的交联电缆局部放电模式识别方法，其特征是，所述步骤3中引入的自适应变异概率P_m具体为：

$P_m(t+1)=P_m\left(t\right)-\frac{\&lsqb;0.08-P_m\left(1\right)\&rsqb;}{T};$

其中，t为进化次数，初始值t＝1；T为最大进化次数；P_m(1)为第一代变异概率；P_m(t)为第t代变异概率。