CN111626329A - 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 - Google Patents

一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 Download PDF

Info

Publication number
CN111626329A
CN111626329A CN202010313184.2A CN202010313184A CN111626329A CN 111626329 A CN111626329 A CN 111626329A CN 202010313184 A CN202010313184 A CN 202010313184A CN 111626329 A CN111626329 A CN 111626329A
Authority
CN
China
Prior art keywords
texture
features
lda
order
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010313184.2A
Other languages
English (en)
Other versions
CN111626329B (zh
Inventor
周录波
李荪琪
刘君华
周济平
王大方
王栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202010313184.2A priority Critical patent/CN111626329B/zh
Publication of CN111626329A publication Critical patent/CN111626329A/zh
Application granted granted Critical
Publication of CN111626329B publication Critical patent/CN111626329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Testing Relating To Insulation (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明涉及一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，包括：步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；步骤3：通过LDA寻优方法筛选纹理特征；步骤4：根据步骤3筛选出的纹理特征建立CART分类树模型，并对该模型进行训练和测试；步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。与现有技术相比，本发明具有识别准确率高、实现故障自动诊断、实时性好等优点。

Description

一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法
技术领域
本发明涉及局部放电诊断技术领域，尤其是涉及一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法。
背景技术
绝缘管型母线(后简称为绝缘管母)由于集肤效应低、单位截面载流量大、散热条件好、机械强度高、电气绝缘性能强、维护工作量少等突出优点在新型紧凑型变电站中得到广泛应用。绝缘管母作为主变压器和用户母线的重要联结导体，直接影响着系统运行的稳定性及供电可靠性。近绝缘管母设备若发生故障将对电网安全稳定运行及供电可靠性造成较大的影响。采用人工智能方式对绝缘管母的绝缘状态进行实时监测、及时发现识别出绝缘缺陷有助于保障电网供电可靠性与稳定性。
在局部放电信息特征提取和故障类型智能识别的研究中，放电信息特征提取方法及特征的丰富度是影响故障识别效果的重要因素。目前，针对局部放电信息提取的特征主要有：分形特征、统计特征、小波特征、Weibull参数、图像矩特征、纹理特征等。其中，图像的纹理特征具有蕴含信息丰富、抗外界环境干扰能力强、区分能力较好、灵敏性高的优点而被广泛应用于电力设备故障诊断。但仅仅基于所提取的单一维度纹理特征，识别的准确率还无法达到较高水平。中国专利CN109102508A中公开了一种基于局部放电图像特征的交流电缆绝缘缺陷的识别方法，该方法选取了Tamura纹理特征的分量和灰度-梯度共生矩阵的分量作为纹理特征。中国专利CN104360190B中公开了一种基于三传感器推力的换流变压器故障在线诊断方法，该方法中的纹理特征采用灰度和梯度的综合信息提取纹理特征。这些方法仅提取了单一维度的纹理特征，识别率无法达到较高水平。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确率高、实现故障自动诊断、实时性好的基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法。
本发明的目的可以通过以下技术方案来实现：
一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，该方法为内嵌在计算机内的程序，包括：
步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；
步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；
步骤3：通过LDA寻优方法筛选纹理特征；
步骤4：根据步骤3筛选出的纹理特征建立CART分类树模型，并对该模型进行训练和测试；
步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。
优选地，所述的步骤1具体为：
步骤1-1：依据特高频传感器采集的局部放电信号构建PRPD谱图；
步骤1-2：将PRPD谱图构建为Gaussian金字塔谱图空间。
更加优选地，所述的步骤1-2具体为：
以原图像G0作为Gaussian金字塔的底层，首先将k-1层图像与窗口函数w(m,n)进行卷积，然后将卷积的结果进行隔行隔列的降采样，Gaussian金字塔的k层Gk的表达式为：
Figure BDA0002458614710000021
其中，N为Gaussian金字塔顶层的层号；Cl为Gaussian金字塔第l层图像的列数；Rl为Gaussian金字塔第l层图像的行数；w(m,n)为一窗口函数。
更加优选地，所述的Gaussian金字塔的层数为4；所述的w(m,n)为5×5的窗口函数，具体表达式为：
Figure BDA0002458614710000031
优选地，所述的步骤2中多尺度纹理特征包括一阶纹理统计量、二阶纹理统计量和高阶纹理统计量。
更加优选地，所述的一阶纹理统计量的计算方法为：
Figure BDA0002458614710000032
Figure BDA0002458614710000033
Figure BDA0002458614710000034
Figure BDA0002458614710000035
Figure BDA0002458614710000036
Figure BDA0002458614710000037
其中，H(i)为特征直方图，包括灰度直方图进行归一化处理后的特征直方图和LBP直方图进行归一化处理后的特征直方图；d1,d2,d3,d4,d5,d6分别为直方图的数组均值、方差、偏斜度、峰态、能量和熵。
更加优选地，所述的二阶纹理特征为包括从Tamura纹理提取的粗糙度、对比度和方向度、从灰度共生矩阵GLCM中提取的角二矩阵、对比度、相关性和熵以及从Laws纹理中提取的纹理能量测度矩阵Rtem的能量En和方差Var；
所述的Rtem矩阵的能量En和方差Var提取方法具体为：
首先，将表示四个方向的L5、E5、S5和R5四个基本向量相互卷积形成16个纹理模板，L5、E5、S5和R5分别为水平、边缘、点和波纹特征；然后将PRPD谱图分别与16个纹理模板卷积，得到微窗口下的像元相邻的灰度分布特性，形成16幅纹理图像Gm，其中m表示使用的纹理模板；再将纹理图像Gm通过一个宏窗口，计算出每幅图像对应的纹理能量测度TEM，TEM是一个图像像素尺寸的矩阵Rtem，矩阵中各元素a(i,j)的计算方法为：
Figure BDA0002458614710000041
其中，a(i,j)为Rtem矩阵中像素坐标，Gm(i,j)为纹理图像中像素坐标；
最后计算Rtem矩阵的能量En和方差Var作为Laws特征，En和Var的计算方法为：
Figure BDA0002458614710000042
其中，i,j为像素坐标；T为像素总数；E为Rtem矩阵中像素均值，计算方法为：
Figure BDA0002458614710000043
更加优选地，所述的高阶纹理特征统计量包括三阶矩p3(τ1,τ2)、三阶累积量c3(τ1,τ2)、四阶矩p4(τ1,τ2,τ3)和四阶累积量c4(τ1,τ2,τ3)；所述的三阶矩p3(τ1,τ2)、三阶累积量c3(τ1,τ2)、四阶矩p4(τ1,τ2,τ3)和四阶累积量c4(τ1,τ2,τ3)的表达式分别为：
p3(τ1,τ2)＝E[x(k)x(k+τ1)x(k+τ2)]
c3(τ1,τ2)＝E{[x(k)-p1][x(k+τ1)-p1][x(k+τ2)-p1]}
p4(τ1,τ2,τ3)＝E[x(k)x(k+τ1)x(k+τ2)x(k+τ3)]
c4(τ1,τ2,τ3)＝p4(τ1,τ2,τ3)-[p2(τ1)p2(τ3-τ2)-p2(τ2)p2(τ3-τ1)
-p2(τ3)p2(τ2-τ1)
-p1[p3(τ2-τ1,τ3-τ1)+p3(τ2,τ3)+p3(τ1,τ3)+p3(τ1,τ2)]
+2p1 2[p2(τ1)+p2(τ2)+p2(τ3)+p2(τ3-τ1)+p2(τ3-τ1)
+p2(τ3-τ2)+p2(τ2-τ1)-64p1 4]]
其中，x(k)为二维图像转化为的一维序列；p1和p2分别为图像的一阶矩和二阶矩；E(·)为矩阵中像素的均值。
优选地，所述的步骤3具体为：
步骤3-1：根据PRPD谱图提取到的多尺度纹理特征向量为Xk＝[x1,x2,x3,...,xn]，其中，k表示第k个样本，n为原特征向量维度，将样本分为训练样本和测试样本，总训练样本数为M，mi为第i类缺陷的训练样本数，然后计算第i类缺陷训练样本的均值ui和总训练样本的均值U；
第i类缺陷训练样本的均值ui为
Figure BDA0002458614710000051
总训练样本的均值U为
Figure BDA0002458614710000052
其中，c为缺陷类数；
步骤3-2：计算各类缺陷样本之间的类间散度矩阵Sb和样本类内散度矩阵Sw，具体计算方法为：
Figure BDA0002458614710000053
Figure BDA0002458614710000054
步骤3-3：引入Fisher准则函数，并求解该准则函数，所述的Fisher准则函数为：
Figure BDA0002458614710000055
其中，J(w)为优化目标，w为需要求解的特征向量矩阵；
步骤3-4：获得筛选后的特征向量Pk，表示为：
Pk＝wTXk。
优选地，所述的CART分类树模型通过Gini系数计算最优分割点。
与现有技术相比，本发明具有以下优点：
本发明中的绝缘管母故障诊断方法选用多尺度纹理特征构建CART分类树，较现有技术中仅使用一阶纹理特征、二阶纹理特征或高阶纹理特征构建分类树的方法，本发明中的方法所包含的信息更加全面；同时使用LDA寻优方法对多尺度纹理特征进行降维，筛选出对故障识别更加有用的特征，然后使用降维后的特征构建CART分类树，大大提高了绝缘管母故障识别的准确率；本发明中的故障诊断方法实现了对绝缘管母故障的自动诊断，可以有效帮助维修人员准确获得绝缘管母的实时运行状态，便于在故障发生的第一时间安排维修。
附图说明
图1为本发明中绝缘管母故障诊断方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，该方法为一种内嵌在计算机内的程序，其流程示意如图1所示，包括以下步骤：
步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；
步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；
步骤3：通过LDA寻优方法筛选纹理特征；
步骤4：建立CART分类树模型，并对该模型进行训练和测试；
步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。
步骤1具体为：首先依据特高频检测得到的绝缘管母局放信号，形成PRPD谱图，其次将PRPD谱图构建成Gaussian金字塔谱图空间。
构建Gaussian金字塔谱图空间的具体方法为：
以原图像G0作为Gaussian金字塔的底层，首先将k-1层图像与窗口函数w(m,n)进行卷积，然后将卷积的结果进行隔行隔列的降采样，Gaussian金字塔的k层Gk的表达式为：
Figure BDA0002458614710000061
其中，N为Gaussian金字塔顶层的层号；Cl为Gaussian金字塔第l层图像的列数；Rl为Gaussian金字塔第l层图像的行数；w(m,n)为一窗口函数；
本实施例中Gaussian金字塔的层数设置为4，即一幅PRPD谱图最终可以得到包括原图在内的四个图像，窗口函数w(m,n)为5×5的窗口函数，具体表达式为：
Figure BDA0002458614710000071
步骤2中的多尺度纹理特征包括一阶纹理统计量、二阶纹理统计量和高阶纹理统计量。
一阶纹理统计量是指基于图像纹理特征，从特征直方图中提取的特征。本实施例选择灰度直方图和LBP特征直方图两种特征直方图并对其进行归一化处理后提取其一阶纹理特征。
针对归一化后的特征直方图的特征提取方法具体为：
Figure BDA0002458614710000072
Figure BDA0002458614710000073
Figure BDA0002458614710000074
Figure BDA0002458614710000075
Figure BDA0002458614710000076
Figure BDA0002458614710000077
其中，H(i)为灰度直方图和LBP特征直方图进行归一化处理后的特征直方图；d1,d2,d3,d4,d5,d6分别为直方图的数组均值、方差、偏斜度、峰态、能量和熵。
二阶纹理特征为包括从Tamura纹理提取的粗糙度、对比度和方向度、从灰度共生矩阵GLCM中提取的角二矩阵、对比度、相关性和熵以及从Laws纹理中提取的纹理能量测度矩阵Rtem的能量En和方差Var，由于Tamura纹理、灰度共生矩阵的特征应用较普遍，具体提取过程不作赘述。
下面提供一种Laws纹理特征的提取方法：
首先，将表示四个方向的L5、E5、S5和R5四个基本向量相互卷积形成16个纹理模板，L5、E5、S5和R5分别为水平、边缘、点和波纹特征，具体为：
L5＝[1 4 6 4 1]
E5＝[-1 -2 0 2 1]
S5＝[-1 0 2 0 1]
R5＝[1 -4 6 -4 1]
相互卷积形成的纹理模板如表1所示。
表1纹理模板
Figure BDA0002458614710000081
然后将PRPD谱图分别与16个纹理模板卷积，得到微窗口下的像元相邻的灰度分布特性，形成16幅纹理图像Gm，其中m表示使用的纹理模板；再将纹理图像Gm通过一个宏窗口，宏窗口的尺寸为15×15，计算出每幅图像对应的纹理能量测度TEM，TEM是一个图像像素尺寸的矩阵Rtem，其中有9个具有旋转不变性的TEM在表2中列出，矩阵中各元素a(i,j)的计算方法为：
Figure BDA0002458614710000082
其中，a(i,j)为Rtem矩阵中像素坐标，Gm(i,j)为纹理图像中像素坐标；
最后计算Rtem矩阵的能量En和方差Var作为Laws特征，En和Var的计算方法为：
Figure BDA0002458614710000083
其中，i,j为像素坐标；T为像素总数；E为Rtem矩阵中像素均值，计算方法为：
Figure BDA0002458614710000084
表2具有旋转不变性的Rtem
R<sub>tem</sub>L<sub>5</sub>E<sub>5</sub> R<sub>tem</sub>L<sub>5</sub>S<sub>5</sub> R<sub>tem</sub>L<sub>5</sub>R<sub>5</sub>
R<sub>tem</sub>S<sub>5</sub>R<sub>5</sub> R<sub>tem</sub>E<sub>5</sub>S<sub>5</sub> R<sub>tem</sub>E<sub>5</sub>R<sub>5</sub>
R<sub>tem</sub>R<sub>5</sub>R<sub>5</sub> R<sub>tem</sub>S<sub>5</sub>S<sub>5</sub> R<sub>tem</sub>E<sub>5</sub>E<sub>5</sub>
图像的高阶统计量是指大于二阶统计量的高阶矩、高阶累积量以及它们所对应的高阶矩谱和高阶累积量谱等主要统计量。对高阶统计量中的k阶矩和k阶累积量进行提取，记为pk(τ1,τ2,...,τk-1)和ck(τ1,τ2,...,τk-1)，其中τ1,τ2,...,τk-1为时延序列。
考虑到实际计算复杂性，本实施例主要针对三、四阶统计量进行提取，三阶矩p3(τ1,τ2)、三阶累积量c3(τ1,τ2)、四阶矩p4(τ1,τ2,τ3)和四阶累积量c4(τ1,τ2,τ3)的表达式分别为：
p3(τ1,τ2)＝E[x(k)x(k+τ1)x(k+τ2)]
c3(τ1,τ2)＝E{[x(k)-p1][x(k+τ1)-p1][x(k+τ2)-p1]}
p4(τ1,τ2,τ3)＝E[x(k)x(k+τ1)x(k+τ2)x(k+τ3)]
c4(τ1,τ2,τ3)＝p4(τ1,τ2,τ3)-[p2(τ1)p2(τ3-τ2)-p2(τ2)p2(τ3-τ1)
-p2(τ3)p2(τ2-τ1)
-p1[p3(τ2-τ1,τ3-τ1)+p3(τ2,τ3)+p3(τ1,τ3)+p3(τ1,τ2)]
+2p1 2[p2(τ1)+p2(τ2)+p2(τ3)+p2(τ3-τ1)+p2(τ3-τ1)
+p2(τ3-τ2)+p2(τ2-τ1)-64p1 4]]
其中，x(k)为二维图像转化为的一维序列；p1和p2分别为图像的一阶矩和二阶矩；E(·)为矩阵中像素的均值。
依据以上所述方法对PRPD谱图进行一阶纹理统计量、二阶纹理统计量及高阶纹理统计量提取，得到特征如下：对于一个PRPD谱图，一阶纹理统计量数量为12，二阶纹理统计量数量为25个，其中有3个Tamura纹理特征，4个从灰度共生矩阵GLCM中提取的特征，从Laws纹理中提取的18个特征，包括9个纹理能量测度矩阵Rtem的能量和方差共18个，高阶纹理统计量数量为4。本实施例包括一个PRPD谱图和三个Gaussian金字塔谱图共四幅图像，所以基于图像多尺度分解的纹理特征共提取41×4＝164个特征量。
步骤3具体为：
多尺度纹理特征在提升特征描述细化程度的同时也将因特征量过多而对后续模式识别运算效率带来巨大影响，利用线性判别分析(Linear discriminant analysis，LDA)算法可对步骤2中获取的多尺度纹理特征有监督地进行降维，有效筛选出对分类帮助较大的一批特征量。
步骤3-1：根据PRPD谱图提取到的多尺度纹理特征向量为Xk＝[x1,x2,x3,...,xn]，其中，k表示第k个样本，n为原特征向量维度，将样本分为训练样本和测试样本，总训练样本数为M，mi为第i类缺陷的训练样本数，然后计算第i类缺陷训练样本的均值ui和总训练样本的均值U；
第i类缺陷训练样本的均值ui为
Figure BDA0002458614710000101
总训练样本的均值U为
Figure BDA0002458614710000102
其中，c为缺陷类数；
步骤3-2：计算各类缺陷样本之间的类间散度矩阵Sb和样本类内散度矩阵Sw，具体计算方法为：
Figure BDA0002458614710000103
Figure BDA0002458614710000104
步骤3-3：引入Fisher准则函数，并求解该准则函数，所述的Fisher准则函数为：
Figure BDA0002458614710000105
其中，J(w)为优化目标，w为需要求解的特征向量矩阵；
投影的直线为y＝wTx，w为投影方向，即将任意样本的原特征向量通过w投影到新特征向量。为了使数据能够更好的分离，需要将样本数据的类间投影点的距离尽可能增大，使类内投影点的距离尽可能缩小，因此引入Fisher准则函数。为了使J(w)取得最大值，必须满足Sbw＝λSww。
设降维的特征量目标维度为d，计算矩阵Sw -1Sb的特征值，将其所有特征值由大到小排列，选出前d个较大的特征值，并计算其对应的d个特征向量，然后构成投影矩阵w。
步骤3-4：获得筛选后的特征向量Pk，表示为：
Pk＝wTXk。
步骤4具体为：
首先将步骤1中获得的样本数据分为训练集和测试集，训练集用于构建CART分类树，确定各个根节点的属性与分割阈值，测试集用于检测CART分类树的识别效果。根节点的属性以及分割阈值由Gini系数决定，Gini系数的计算过程如下：
设样本集为S，共可分为n类，分类集为{C1,C2,...,Cn}，每个类别对应一个样本子集Si(1≤i≤n)，样本集的Gini系数的计算方法为：
Figure BDA0002458614710000111
其中，
Figure BDA0002458614710000112
表示样本集S中样本属于Ci类的概率，|S|为样本集S的样本数，|Ci|为样本集S中属于Ci类的样本数。
Gini系数表示该数据集中样本属于某一类的不确定度，Gini系数越小，样本类别的不确定性越小，若样本集S中只有一个类别，Gini系数为0，样本的不确定性则为0。
由于多尺度纹理特征为连续属性，在对属性进行二元分裂时，需要先对属性取值进行分割。对属性A，假设在某节点上的样本数量为total，则先将这些样本按照属性A的具体数值从小到大进行排序，得到属性值序列{A1,A2,…,Atotal}。然后在序列中生成total-1个分割点，第i个分割点的取值设置为
Figure BDA0002458614710000113
每个分割点均可将样本集S划分为两个子集S1＝{s|s∈S,A(s)≤Vi}和S2＝{s|s∈S,A(s)＞Vi}，A(s)为样本s在属性A上的取值。之后针对total-1个分割点分别计算其Gini系数，具体计算方法为：
Figure BDA0002458614710000114
GiniA,i(s)为属性A的第i个分割点的Gini系数，对比属性A所有分割点的Gini系数，得到Gini系数最小的分割点作为该属性的分割阈值来划分样本。
按照上述方法，对属性集中的所有属性，计算得到各个属性Gini系数最小的分割点，并记录此时的Gini系数，比较各个属性Gini系数，选取Gini系数最小的属性作为根节点的分裂属性。
重复上述步骤建立CART分类树的根节点，循环直至所有子节点中的样本属于同一类别或没有可以选作分裂属性的属性为止，完成CART分类树构建。
之后将测试集中各个样本输入已建立的分类树中，通过识别结果与实际类别比较验证CART分类树的准确性。
步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。
为了验证本发明中绝缘管母故障诊断方法的优势，经试验采集绝缘管母在三种缺陷下的数据，使用本发明中的绝缘管母故障诊断方法进行分类识别，根据测试集的分类结果验证该方法的准确性。训练集与测试集的划分如表3所示。
表3实验样本统计
Figure BDA0002458614710000121
根据本发明中的绝缘管母故障诊断方法提取各样本的多尺度纹理特征，共164个，经过LDA寻优方法优化后可以将纹理特征数量控制到有利于绝缘管母缺陷识别的情况，表4中显示了选定不同降维后维度得出的最终识别结果。
表4绝缘管母故障识别结果
Figure BDA0002458614710000122
比较表4中数据可以发现当选定降维后特征维度为40时，绝缘管母的故障识别准确率最高，且远高于不经LDA降维时的识别准确率。这证明当原有164个多尺度纹理特征优化保留至40个特征量时有利于缺陷的准确有效识别。
为验证选用多尺度纹理特征进行故障识别的优越性，分别将一阶、二阶和高阶纹理特征单独应用，统计不同纹理特征的识别准确率，对比结果如表5所示。
表5识别结果对比
Figure BDA0002458614710000131
由表4中的识别结果对比可见，本实施例中的多尺度纹理特征较仅采用一阶、二阶或高阶纹理特征时的识别正确率有较大提升，表明其对于绝缘管母PRPD谱图的描述更为细致，有利于分类器对于不同缺陷类型的识别，验证了本发明提出的基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法具有较高的准确率，可以为运维人员提供依据，为提高电力系统的稳定运行提供了保障。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，该方法为内嵌在计算机内的程序，其特征在于，所述的故障诊断方法包括：
步骤1：采集绝缘管母局部放电信号，构建PRPD谱图，然后将PRPD谱图构建为Gaussian金字塔谱图空间；
步骤2：提取Gaussian金字塔谱图空间的纹理统计量形成多尺度纹理特征；
步骤3：通过LDA寻优方法筛选纹理特征；
步骤4：根据步骤3筛选出的纹理特征建立CART分类树模型，并对该模型进行训练和测试；
步骤5：使用步骤4建立的CART分类树模型进行绝缘管母故障诊断，输出故障诊断结果。
2.根据权利要求1所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的步骤1具体为：
步骤1-1：依据特高频传感器采集的局部放电信号构建PRPD谱图；
步骤1-2：将PRPD谱图构建为Gaussian金字塔谱图空间。
3.根据权利要求2所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的步骤1-2具体为：
以原图像G0作为Gaussian金字塔的底层，首先将k-1层图像与窗口函数w(m,n)进行卷积，然后将卷积的结果进行隔行隔列的降采样，Gaussian金字塔的k层Gk的表达式为：
Figure FDA0002458614700000011
其中，N为Gaussian金字塔顶层的层号；Cl为Gaussian金字塔第l层图像的列数；Rl为Gaussian金字塔第l层图像的行数；w(m,n)为一窗口函数。
4.根据权利要求3所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的Gaussian金字塔的层数为4；所述的w(m,n)为5×5的窗口函数，具体表达式为：
Figure FDA0002458614700000021
5.根据权利要求1所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的步骤2中多尺度纹理特征包括一阶纹理统计量、二阶纹理统计量和高阶纹理统计量。
6.根据权利要求5所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的一阶纹理统计量的计算方法为：
Figure FDA0002458614700000022
Figure FDA0002458614700000023
Figure FDA0002458614700000024
Figure FDA0002458614700000025
Figure FDA0002458614700000026
Figure FDA0002458614700000027
其中，H(i)为特征直方图，包括灰度直方图进行归一化处理后的特征直方图和LBP直方图进行归一化处理后的特征直方图；d1,d2,d3,d4,d5,d6分别为直方图的数组均值、方差、偏斜度、峰态、能量和熵。
7.根据权利要求5所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的二阶纹理特征为包括从Tamura纹理提取的粗糙度、对比度和方向度、从灰度共生矩阵GLCM中提取的角二矩阵、对比度、相关性和熵以及从Laws纹理中提取的纹理能量测度矩阵Rtem的能量En和方差Var；
所述的Rtem矩阵的能量En和方差Var提取方法具体为：
首先，将表示四个方向的L5、E5、S5和R5四个基本向量相互卷积形成16个纹理模板，L5、E5、S5和R5分别为水平、边缘、点和波纹特征；然后将PRPD谱图分别与16个纹理模板卷积，得到微窗口下的像元相邻的灰度分布特性，形成16幅纹理图像Gm，其中m表示使用的纹理模板；再将纹理图像Gm通过一个宏窗口，计算出每幅图像对应的纹理能量测度TEM，TEM是一个图像像素尺寸的矩阵Rtem，矩阵中各元素a(i,j)的计算方法为：
Figure FDA0002458614700000031
其中，a(i,j)为Rtem矩阵中像素坐标，Gm(i,j)为纹理图像中像素坐标；
最后计算Rtem矩阵的能量En和方差Var作为Laws特征，En和Var的计算方法为：
Figure FDA0002458614700000032
Figure FDA0002458614700000033
其中，i,j为像素坐标；T为像素总数；E为Rtem矩阵中像素均值，计算方法为：
Figure FDA0002458614700000034
8.根据权利要求5所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的高阶纹理特征统计量包括三阶矩p3(τ1,τ2)、三阶累积量c3(τ1,τ2)、四阶矩p4(τ1,τ2,τ3)和四阶累积量c4(τ1,τ2,τ3)；所述的三阶矩p3(τ1,τ2)、三阶累积量c3(τ1,τ2)、四阶矩p4(τ1,τ2,τ3)和四阶累积量c4(τ1,τ2,τ3)的表达式分别为：
p3(τ1,τ2)＝E[x(k)x(k+τ1)x(k+τ2)]
c3(τ1,τ2)＝E{[x(k)-p1][x(k+τ1)-p1][x(k+τ2)-p1]}
p4(τ1,τ2,τ3)＝E[x(k)x(k+τ1)x(k+τ2)x(k+τ3)]
c4(τ1,τ2,τ3)＝p4(τ1,τ2,τ3)-[p2(τ1)p2(τ3-τ2)-p2(τ2)p2(τ3-τ1)-p2(τ3)p2(τ2-τ1)-p1[p3(τ2-τ1,τ3-τ1)+p3(τ2,τ3)+p3(τ1,τ3)+p3(τ1,τ2)]+2p1 2[p2(τ1)+p2(τ2)+p2(τ3)+p2(τ3-τ1)+p2(τ3-τ1)+p2(τ3-τ2)+p2(τ2-τ1)-64p1 4]]
其中，x(k)为二维图像转化为的一维序列；p1和p2分别为图像的一阶矩和二阶矩；E(·)为矩阵中像素的均值。
9.根据权利要求1所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的步骤3具体为：
步骤3-1：根据PRPD谱图提取到的多尺度纹理特征向量为Xk＝[x1,x2,x3,...,xn]，其中，k表示第k个样本，n为原特征向量维度，将样本分为训练样本和测试样本，总训练样本数为M，mi为第i类缺陷的训练样本数，然后计算第i类缺陷训练样本的均值ui和总训练样本的均值U；
第i类缺陷训练样本的均值ui为
Figure FDA0002458614700000041
总训练样本的均值U为
Figure FDA0002458614700000042
其中，c为缺陷类数；
步骤3-2：计算各类缺陷样本之间的类间散度矩阵Sb和样本类内散度矩阵Sw，具体计算方法为：
Figure FDA0002458614700000043
Figure FDA0002458614700000044
步骤3-3：引入Fisher准则函数，并求解该准则函数，所述的Fisher准则函数为：
Figure FDA0002458614700000045
其中，J(w)为优化目标，w为需要求解的特征向量矩阵；
步骤3-4：获得筛选后的特征向量Pk，表示为：
Pk＝wTXk。
10.根据权利要求1所述的一种基于LDA寻优多尺度纹理特征的绝缘管母故障诊断方法，其特征在于，所述的CART分类树模型通过Gini系数计算最优分割点。
CN202010313184.2A 2020-04-20 2020-04-20 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 Active CN111626329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010313184.2A CN111626329B (zh) 2020-04-20 2020-04-20 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010313184.2A CN111626329B (zh) 2020-04-20 2020-04-20 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法

Publications (2)

Publication Number Publication Date
CN111626329A true CN111626329A (zh) 2020-09-04
CN111626329B CN111626329B (zh) 2023-07-28

Family

ID=72259828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010313184.2A Active CN111626329B (zh) 2020-04-20 2020-04-20 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法

Country Status (1)

Country Link
CN (1) CN111626329B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113447771A (zh) * 2021-06-09 2021-09-28 上海交通大学 一种基于sift-lda特征的局部放电模式识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160242690A1 (en) * 2013-12-17 2016-08-25 University Of Florida Research Foundation, Inc. Brain state advisory system using calibrated metrics and optimal time-series decomposition
CN107894564A (zh) * 2017-11-09 2018-04-10 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
US20190171879A1 (en) * 2017-12-04 2019-06-06 Transport Planning and Research Institute Ministry of Transport Method of extracting warehouse in port from hierarchically screened remote sensing image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160242690A1 (en) * 2013-12-17 2016-08-25 University Of Florida Research Foundation, Inc. Brain state advisory system using calibrated metrics and optimal time-series decomposition
CN107894564A (zh) * 2017-11-09 2018-04-10 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
US20190171879A1 (en) * 2017-12-04 2019-06-06 Transport Planning and Research Institute Ministry of Transport Method of extracting warehouse in port from hierarchically screened remote sensing image

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
万周政;: "基于小波尺度谱和遗传算法的转子故障诊断" *
杜伟;房立清;齐子元;: "基于独立特征选择与流形学习的故障诊断" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113447771A (zh) * 2021-06-09 2021-09-28 上海交通大学 一种基于sift-lda特征的局部放电模式识别方法

Also Published As

Publication number Publication date
CN111626329B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Wang et al. Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN109614488B (zh) 基于文本分类和图像识别的配网带电作业条件判别方法
CN108052946A (zh) 一种基于卷积神经网络的高压机柜开关自动识别方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
Guo et al. Fault diagnosis based on multiscale texture features of cable terminal on EMU of high-speed railway
CN108919067A (zh) 一种用于gis局部放电模式的识别方法
CN108875819B (zh) 一种基于长短期记忆网络的物体和部件联合检测方法
CN111402224A (zh) 一种用于电力设备的目标识别方法
CN112036450B (zh) 一种基于迁移学习的高压电缆局放模式识别方法及系统
CN113447771A (zh) 一种基于sift-lda特征的局部放电模式识别方法
CN116756594A (zh) 一种电网数据异常点检测方法、系统、设备及介质
CN112257585A (zh) 一种基于概率密度的断路器状态监测方法
CN113592324A (zh) 一种基于层次分析的电缆终端塔带电作业的风险评估方法
CN111626329B (zh) 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法
CN112699921B (zh) 一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法
CN114359167A (zh) 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法
CN113283371A (zh) 一种基于brisk特征的局部放电特征提取及分类方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN112507881A (zh) 一种基于时间卷积神经网络的sEMG信号分类方法及系统
CN110610203A (zh) 基于dwt和极限学习机的电能质量扰动分类方法
CN116452604A (zh) 一种复杂变电站场景分割方法、设备及存储介质
CN115471705A (zh) 一种探地雷达的输电线路走廊隐性病害识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant