CN112651424A - 基于lle降维和混沌算法优化的gis绝缘缺陷识别方法及系统 - Google Patents

Abstract

本发明提供的一种基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法及系统，属于GIS绝缘缺陷识别技术领域，本发明采用小波包变换对超高频局放信号进行分解，并根据对数能量熵最小原则选取最优小波包基，提取变换后信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值构造成能完整描述UHF PD信号的特征空间；并用LLE算法将高维特征空间降到低维特征空间，解决了维数危机，并最大限度的保持原有信号的特性；最后建立SVM分类模型，并用混沌算法优化模型参数，使用优化后C‑SVM分类模型对PD信号的特征量进行识别，判断GIS绝缘缺陷，有效提高了识别准确率。

Description

基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法及系统

技术领域

本发明涉及GIS绝缘缺陷识别技术领域，具体涉及一种基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法及系统。

背景技术

气体绝缘组合电器(Gas Insulated Substation，简称GIS)最常见的电气故障特征是在绝缘完全击穿或闪络前产生局部放电(Partial Discharge，简称 PD)。采用超高频(Ultra high frequency，简称UHF)检测GIS内PD可以及时发现设备存在的绝缘缺陷。对获得的PD信号进行模式识别，即可准确地了解和掌握GIS内缺陷类型性质和特征。

支持向量机(support vector machine，SVM)是常用的模式识别算法，基于结构风险最小化原则的SVM能够以较少的样本量实现很好的学习效果，具有出色的泛化性能，且不会陷于局部极小值。

但一般建立的SVM分类器通过手动调参比较识别准确率来寻找最合适的参数，这种方法费时费力且所获得的最优参数不够精准。另外，为了完整体现信号的特点，加强不同类信号之间的区分度，通常会提取大量信号特征，加大了识别模型的运算成本，增加了计算过程中误差累计的风险。盲目的参数选择和过量的特征数量使得模型的识别准确率较低，容易出现绝缘缺陷类型的误判，影响维修工作的进展。

发明内容

本发明的目的在于提供一种降低了计算成本、提高了计算效率和识别准确率的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，包括：

对采集得到的气体绝缘组合电器GIS局放信号进行小波包分解，并以对数能量熵原则选取最优小波包基；

根据最优小波包基对GIS局放信号进行最优小波包变换，提取变换后的信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值作为特征量，构造特征空间；

采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维；

降维后的特征空间作为输入，结合混沌算法优化支持向量机SVM的参数，构建SVM分类器，利用优化好的SVM分类器对GIS局放信号进行识别，判断GIS绝缘缺陷的类别。

优选的，以对数能量熵原则选取最优小波包基包括：

2.1)对已进行归一化处理了的GIS局放信号，采用小波包函数进行4层小波包分解，并计算出各节点的对数能量熵值；

2.2)对最底层的各节点作标记，而对其它各层节点不作标记；

2.3)将每层从左至右每两个节点构成一组，由最底层开始往上进行相邻两层间的下一层每组的两个节点对数能量熵值之和与上一层对应节点的对数能量熵值进行比较；

若最底层的每组的两个节点对数能量熵值之和大于或等于上一层对应节点的对数能量熵值，则对上一层的该节点作标记，而去掉最底层的该两个节点的标记；

若最底层的每组的两个节点对数能量熵值之和小于上一层对应节点的对数能量熵值，则以最底层该两个节点的对数能量熵值之和取代上一层的对应节点的对数能量熵值，但对标记不作处理；

2.4)从下往上对相邻两层按2.3)逐层进行比较，直至所有层均处理完毕；被标记的所有节点所对应的小波包函数即为最优小波包基。

优选的，计算出各节点的对数能量熵值为：

M(s_i)＝log(s_i ²)，满足M(S)＝∑M(s_i)；

其中，s_i表示待分解的GIS局放信号S在正交基上的投影系数，M(s_i)表示对数能量熵值。

优选的，采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维包括：

设特征空间由m个N维特征向量组成{x₁,x₂,...,x_m}，根据k近邻算法，搜索每个特征向量x_i的k个最近邻，构成集合Q(i)；

依据LLE算法，每个特征向量x_i可由邻近点的线性组合近似重构，即：

其中，w_ij表示第j个特征向量对第i个特征向量的组合权重，权重系数通过求解最小化损失函数J(w)获得：

同时，权重系数还需满足：

对于不在x_i邻域内的样本，其与x_i的权重系数为0；

通过拉格朗日乘子法求解J(w)的最优化问题，即得到高维的权重系数；

设特征向量集X＝{x₁,x₂,...,x_m}在低维空间中投影为X′＝{x′₁,x′₂,...,x′_m}，权重系数保持不变，此时，低维空间最小化损失函数J(X′)为：

求解J(X′)即得低维投影，实现特征量降维。

优选的，结合混沌算法优化支持向量机SVM的参数，构建SVM分类器包括：

以故障误判率E作为混沌优化算法的目标函数，设SVM分类器惩罚因子 C和核宽度σ分别为变量z₁、z₂，且z₁、z₂的取值区间分别为[a₁,b₁]，[a₂,b₂]，则目标函数表示为：minE(z₁,z₂)；

由Logistic映射产生混沌序列：

l(n+1)＝hl(n)(1-l(n)),0≤l(n)≤1,0≤h≤4

其中l为混沌序列，n为迭代次数，h为混沌系数，当h＝4时，系统处于完全混沌状态；

基于混沌优化算法寻找(z₁,z₂)最优组合的步骤如下：

5.1)初始化n＝0，

l^*＝l(0)＝0.4，则目标函数初始化为一个较大正数E^*；

5.2)将l(n)映射到优化变量z₁和z₂的取值区间：

z_u(n)＝a_u+(b_u-a_u)l_u(n)，u＝1,2

5.3)优化搜索，若E(z_u(n))≤E^*，则E^*＝E(z_u(n))，

否则继续；

5.4)n＝n+1,l_u(n+1)＝hl_u(n)(1-l_u(n))；

5.5)重复步骤5.2)至5.4)，直到达到最大迭代次数，则

为当前最优解，即得最优惩罚因子C^*和核宽度σ^*。

优选的，识别得到的GIS绝缘缺陷类型包括金属突出物缺陷、自由金属微粒缺陷、绝缘子表面固定金属微粒缺陷以及气隙缺陷。

第二方面，本发明提供一种基于LLE降维和混沌算法优化的GIS绝缘缺陷识别系统，包括：

分解模块，用于对采集得到的气体绝缘组合电器GIS局放信号进行小波包分解，并以对数能量熵原则选取最优小波包基；

构造模块，用于根据最优小波包基对GIS局放信号进行最优小波包变换，提取变换后的信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值作为特征量，构造特征空间；

降维模块，用于采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维；

识别模块，用于结合混沌算法优化以降维后的特征空间作为输入构建的SVM分类器的的参数，利用优化好的SVM分类器对GIS局放信号进行识别，判断GIS绝缘缺陷的类别。

第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的方法的指令。

第四方面，本发明提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。

第五方面，本发明提供一种电子设备，所述设备包括用于执行如上所述的方法的装置。

本发明有益效果：采用小波包变换对超高频局放信号进行分解，并根据对数能量熵最小原则选取最优小波包基，提取变换后信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值构造成能完整描述UHF PD信号的特征空间；并用LLE算法将高维特征空间降到低维特征空间，解决了维数危机，并最大限度的保持原有信号的特性；最后建立SVM分类模型，并用混沌算法优化模型参数，使用优化后C-SVM分类模型对PD信号的特征量进行识别，判断GIS绝缘缺陷，有效提高了识别准确率。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所述的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法流程图。

具体实施方式

下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。

还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。

本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。

实施例1

本发明实施例1提供一种基于LLE降维和混沌算法优化的GIS绝缘缺陷识别系统，包括：

分解模块，用于对采集得到的气体绝缘组合电器GIS局放信号进行小波包分解，并以对数能量熵原则选取最优小波包基；

构造模块，用于根据最优小波包基对GIS局放信号进行最优小波包变换，提取变换后的信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值作为特征量，构造特征空间；

降维模块，用于采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维；

识别模块，用于结合混沌算法优化以降维后的特征空间作为输入构建的 SVM分类器的的参数，利用优化好的SVM分类器对GIS局放信号进行识别，判断GIS绝缘缺陷的类别。

在本实施例1中，分解模块被配置为对采集得到的气体绝缘组合电器GIS 局放信号进行小波包分解，并以对数能量熵原则选取最优小波包基。

以对数能量熵原则选取最优小波包基包括：

2.1)对已进行归一化处理了的GIS局放信号，采用小波包函数进行5层小波包分解，并计算出各节点的对数能量熵值；

2.2)对最底层的各节点作标记，而对其它各层节点不作标记；

2.3)将每层从左至右每两个节点构成一组，由最底层开始往上进行相邻两层间的下一层每组的两个节点对数能量熵值之和与上一层对应节点的对数能量熵值进行比较；

若最底层的每组的两个节点对数能量熵值之和大于或等于上一层对应节点的对数能量熵值，则对上一层的该节点作标记，而去掉最底层的该两个节点的标记；

若最底层的每组的两个节点对数能量熵值之和小于上一层对应节点的对数能量熵值，则以最底层该两个节点的对数能量熵值之和取代上一层的对应节点的对数能量熵值，但对标记不作处理；

2.4)从下往上对相邻两层按2.3)逐层进行比较，直至所有层均处理完毕；被标记的所有节点所对应的小波包函数即为最优小波包基。

计算出各节点的对数能量熵值为：

M(s_i)＝log(s_i ²)，满足M(S)＝∑M(s_i)；

其中，s_i表示待分解的GIS局放信号S在正交基上的投影系数，M(s_i)表示对数能量熵值。

降维模块被配置为采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维。

采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维包括：

设特征空间由m个N维特征向量组成{x₁,x₂,...,x_m}，根据k近邻算法，搜索每个特征向量x_i的k个最近邻，构成集合Q(i)；

依据LLE算法，每个特征向量x_i可由邻近点的线性组合近似重构，即：

其中，w_ij表示第j个特征向量对第i个特征向量的组合权重，权重系数通过求解最小化损失函数J(w)获得：

同时，权重系数还需满足：

对于不在x_i邻域内的样本，其与x_i的权重系数为0；

通过拉格朗日乘子法求解J(w)的最优化问题，即得到高维的权重系数；

设特征向量集X＝{x₁,x₂,...,x_m}在低维空间中投影为X′＝{x′₁,x′₂,...,x′_m}，权重系数保持不变，此时，低维空间最小化损失函数J(X′)为：

求解J(X′)即得低维投影，实现特征量降维。

识别模块被配置为结合混沌算法优化以降维后的特征空间作为输入构建的SVM分类器的的参数，利用优化好的SVM分类器对GIS局放信号进行识别，判断GIS绝缘缺陷的类别。

结合混沌算法优化SVM分类器的参数包括：

以故障误判率E作为混沌优化算法的目标函数，设SVM分类器惩罚因子C和核宽度σ分别为变量z₁、z₂，且z₁、z₂的取值区间分别为[a₁,b₁]，[a₂,b₂]，则目标函数表示为：minE(z₁,z₂)；

由Logistic映射产生混沌序列：

l(n+1)＝hl(n)(1-l(n)),0≤l(n)≤1,0≤h≤4

其中l为混沌序列，n为迭代次数，h为混沌系数，当h＝4时，系统处于完全混沌状态；

基于混沌优化算法寻找(z₁,z₂)最优组合的步骤如下：

5.1)初始化n＝0，

l^*＝l(0)＝0.4，则目标函数初始化为一个较大正数E^*；

5.2)将l(n)映射到优化变量z₁和z₂的取值区间：

z_u(n)＝a_u+(b_u-a_u)l_u(n)，u＝1,2

5.3)优化搜索，若E(z_u(n))≤E^*，则E^*＝E(z_u(n))，

否则继续；

5.4)n＝n+1,l_u(n+1)＝hl_u(n)(1-l_u(n))；

5.5)重复步骤5.2)至5.4)，直到达到最大迭代次数，则

为当前最优解，即得最优惩罚因子C^*和核宽度σ^*。

识别得到的GIS绝缘缺陷类型包括金属突出物缺陷、自由金属微粒缺陷、绝缘子表面固定金属微粒缺陷以及气隙缺陷。

实施例2

本发明实施例2提供基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，该方法通过以对数能量熵为原则搜索最优小波包用来分解UHF PD信号、采用LLE算法对特征空间降维、加入混沌算法优化支持向量机的模型参数，提高GIS绝缘缺陷的识别准确率。

本实施例2中，实验通过4种典型GIS缺陷UHF局放模型采集数据并进行识别，结果表明，基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法能够较好的应用于UHF PD信号模式识别，且有效提高了识别准确率。

本实施例2所述的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法具体包括如下步骤：

(1)对特高频传感器采集得到的GIS局放信号，应用小波包分解UHF局放信号，并以对数能量熵原则选取最优小波基，对变换后信号提取特征量。

小波包分解是一种更加精细的离散小波变换，对频带进行多层次划分，对每一节点系数采用近似值矢量分离法分解成两个部分，从而得到完整的二进树。小波包系数中包含了重构信号的所有信息，其平方值代表了小波包树特定子带中信号的能量。从小波包基库中任意选取一个小波包基均能在不同程度上反映待分析信号的特性，只是每个小波包基反映信号所用的数据量不同，最优小波包基应该是用尽可能少的数据来反映尽可能多的信息。

对某一特定信号而言，选择一个“最优度量准则”下性质好的最优基进行分解，则可以使展开的系数之间存在明显差异，这样便可以较好地刻画信号特征。通常作为最优小波包基搜索的代价函数有门阀函数和熵。

本实施例2中，则选用对数能量熵作为代价函数，打破一直以来应用 shannon熵的惯例。对数能量熵的定义为：

M(s_i)＝log(s_i ²)，满足M(S)＝∑M(s_i)；

其中，s_i表示待分解的GIS局放信号S在正交基上的投影系数，M(s_i)表示对数能量熵值。

对数能量熵值直接反映了它所处状态的均匀程度：对数能量熵值越小，它所处的状态越是有序，越不均匀；对数能量熵值越大，它所处的状态越是无序，越均匀。

为了使小波包对待分析信号分解时的系数之间的差异(即不均匀性)明显，达到以较少数的数据反映尽可能多的信息的目的，本实施例2中采用db系列小波包对UHF PD信号进行分解，分解层数5层，其最优小波包基快速搜索算法如下：

1)对已进行归一化处理了的UHF PD信号，采用小波包函数进行5层小波包分解，并计算出各节点的对数能量熵值；

2)对最低层的各节点作标记，而对其它各层节点不作标记；

3)将每层从左至右每两个节点构成一组，由下往上进行相邻两层的下一层每组的两个节点之和与上一层对应节点的熵值比较；

4)若下一层的两个节点的对数能量熵和大于等于上一层对应节点的对数能量熵，则对上一层的该节点作标记，而去掉下一层的该两个节点的标记，否则，以下一层该两个节点的对数能量熵之和取代上一层的该节点的对数能量熵，但对标记不作处理；

5)从下往上对相邻两层按上述过程逐层进行比较，直至所有层均处理完毕。被作上标记的所有节点所对应的小波包函数即是搜索到的最优小波包基。

在计算得出最优小波基后，据此对信号进行最优小波包变换，并对变换后信号提取其在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值作为特征量，构造特征空间。

(2)采用局部线性嵌入(locally linear embedding，简称LLE)算法将特征空间由高维空间投影到低维空间中，实现特征降维。

LLE算法的主要思想是认为每个点可由与它相邻的多个点的线性组合而近似重构，投影到低维空间时保持这种线性重构关系，即保持数据点之间的局部线性关系。

在本实施例2中，设提取所得PD信号特征空间m个N维特征向量组成 {x₁,x₂,...,x_m}。根据k近邻算法，搜索每个特征向量x_i的k个最近邻，构成集合Q(i)。依据LLE算法原理，每个特征向量x_i可由邻近点的线性组合近似重构，即如下式所示：

其中，w_ij表示第j个特征向量对第i个特征向量的组合权重，权重系数通过求解最小化损失函数J(w)获得：

同时，权重系数还需满足：

对于不在x_i邻域内的样本，其与x_i的权重系数为0。通过拉格朗日乘子法求解J(w)的最优化问题，即得到高维的权重系数。

设特征向量集X＝{x₁,x₂,...,x_m}在低维(维度为d)空间中投影为 X′＝{x′₁,x′₂,...,x′_m}，权重系数保持不变，此时最小化损失函数J(X′)为

求解该损失函数即得低维投影，特征量由此从高维降至低维，实现特征量降维，减小模式识别的计算成本。

(3)构建支持向量机分类器对降维后的特征量进行识别，其中支持向量机的重要参数基于混沌算法进行优化，形成C-SVM分类器。

支持向量机(Support Vector Machine，SVM)通过求取分类超平面将实现两类样本的分类。

设样本x_i及其所属类别y_i∈{-1,1}，则能将样本正确区分的分类超平面方程为：w^Tx+b＝0；X为样本集，包含N个样本点x_i(i＝1,2,...,N)，X＝{(x_i,y_i)|i＝1,2,...,N}；b为阈值，w为与数据集同维的向量。为使分类效果最好，不同样本间的分类间隔需最大，则SVM的优化问题为：

s.t.y_i(w^Tx_i+b)≥1-ξ_i,i＝1,2,...,N

ξ_i≥0,i＝1,2,...,N

其中，ξ_i为松弛因子，C为惩罚因子，起到控制对错分样本惩罚程度的作用，实现在错分样本的比例核算法复杂程度之间的折中。

通常需要分类的样本为线性不可分，此时需加入高维空间映射核函数 K(x,y)，将样本空间映射到高维特征空间，使其线性可分。

本实施例2中，采用高斯径向基核函数，表达式为

其中，σ是核宽度参数。

惩罚因子C和核宽度σ对SVM分类器的诊断和泛化能力有很大的影响。只有合理选择参数，才能得到满意的诊断精度。鲁棒性较好的混沌优化算法用以选择SVM的最佳参数。

本实施例2中，以故障误判率E来评估SVM分类器的性能，作为混沌优化算法的目标函数，设SVM分类器惩罚因子C和核宽度σ分别为变量z₁、z₂，且 z₁、z₂的取值区间分别为[a₁,b₁]，[a₂,b₂]，则目标函数表示为：minE(z₁,z₂)；

由Logistic映射产生混沌序列：

l(n+1)＝hl(n)(1-l(n)),0≤l(n)≤1,0≤h≤4

其中l为混沌序列，n为迭代次数，h为混沌系数，当h＝4时，系统处于完全混沌状态；

基于混沌优化算法寻找(z₁,z₂)最优组合的步骤如下：

5.1)初始化n＝0，

l^*＝l(0)＝0.4，则目标函数初始化为一个较大正数E^*；

5.2)将l(n)映射到优化变量z₁和z₂的取值区间：

z_u(n)＝a_u+(b_u-a_u)l_u(n)，u＝1,2

5.3)优化搜索，若E(z_u(n))≤E^*，则E^*＝E(z_u(n))，

否则继续；

5.4)n＝n+1,l_u(n+1)＝hl_u(n)(1-l_u(n))；

5.5)重复步骤5.2)至5.4)，直到达到最大迭代次数，则

为当前最优解，即得最优惩罚因子C^*和核宽度σ^*。

(4)利用已建好的优化SVM分类器对样本进行识别，判断GIS绝缘缺陷类别。

试验样本由UHF传感器针对4种放电缺陷模型的GIS在不同试验电压下测得。根据GIS设备绝缘缺陷放电形式和特点，设计了4种GIS模拟装置内PD物理模型：(1)金属突出物缺陷(简称为N类放电模型)；(2)自由金属微粒缺陷(简称为P类放电模型)；(3)绝缘子表面固定金属微粒缺陷(简称为 M类放电模型)；(4)气隙缺陷(简称为G类放电模型)。

将上述4种人工物理缺陷模型分别置于研制的GIS模拟装置中，并充以 0.5MPa的SF₆与N₂的混合气体(体积比4:1)，通过研制的内置超高频传感器和高速数字采集系统(模拟带宽1GHz、采样率为20GS/s、存储深度48MB) 获取UHF PD信号的数据和波形，基本试验条件见表1。

表1基本实验条件

每种缺陷模型选取400个有效的放电样本，其中200个样本作为训练样本，另外200个作为识别样本。所有样本信号经最优小波包变换后，计算出信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值作为特征量，并采用LLE算法对特征量降维，形成新特征量。将训练集的新特征量输入C-SVM分类器进行训练后，对测试集进行分类测试。对GIS绝缘缺陷识别分类的全流程如图1所示。

为验证本实施例2中提出的识别方法的优势，同时建立一般SVM分类模型 (即不采用混沌算法优化模型参数)与专利中建立的C-SVM分类模型进行对比，并且同时建立不采用LLE算法对特征量降维的对比组，不同识别方法下的识别准确率统计结果如表2所示。

表2不同识别方法下UHF PD信号识别准确率

降维算法	识别算法	识别准确率/％
			LLE	一般SVM	87.25
LLE	C-SVM	90.125
			/	一般SVM	82.625
/	C-SVM	85.325

由表2中数据可以看出，采用降维算法时，识别准确率较不采用降维算法高出5％左右；采用混沌算法优化模型参数的C-SVM也较一般SVM识别准确率更高。综合来看，对特征量采用LLE降维算法并应用C-SVM识别算法进行分类识别时，准确率最高，达到90.125％。

根据表1，表2中的数据对比分析可得，基于对数能量熵搜寻所得最优小波包db4对UHF PD信号分解时，识别准确率最高；另外采用LLE降维算法可有效提高模型的识别准确率，识别准确率较不采用降维算法高出5％左右；采用混沌算法优化模型参数的C-SVM较一般SVM可帮助提升识别准确率大约 3％。实验验证应用基于该方法识别GIS绝缘缺陷类型的准确率达到90.125％，可准确判断GIS绝缘缺陷的类别。

综上所述，本发明实施例所述的基于LLE降维和C-SVM模型的GIS绝缘缺陷识别方法及系统，能够较好的应用于UHF PD信号模式识别，且有效提高了识别准确率。采用小波包变换对UHF PD信号进行分解，并根据对数能量熵最小原则选取最优小波包基，提取变换后信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值构造成能完整描述UHF PD信号的特征空间；并用LLE算法将高维特征空间降到低维特征空间，解决了维数危机，并最大限度的保持原有信号的特性；最后建立SVM分类模型，并用混沌算法优化模型参数，使用优化后C-SVM分类模型对PD信号的特征量进行识别，判断 GIS绝缘缺陷。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

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

Claims (10)

1.一种基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，其特征在于，包括：

对采集得到的气体绝缘组合电器GIS局放信号进行小波包分解，并以对数能量熵原则选取最优小波包基；

根据最优小波包基对GIS局放信号进行最优小波包变换，提取变换后的信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值作为特征量，构造特征空间；

采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维；

降维后的特征空间作为输入构建SVM分类器，结合混沌算法优化SVM分类器的参数，利用优化好的SVM分类器对GIS局放信号进行识别，判断GIS绝缘缺陷的类别。

2.根据权利要求1所述的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，其特征在于，以对数能量熵原则选取最优小波包基包括：

2.1)对已进行归一化处理了的GIS局放信号，采用小波包函数进行4层小波包分解，并计算出各节点的对数能量熵值；

2.2)对最底层的各节点作标记，而对其它各层节点不作标记；

2.3)将每层从左至右每两个节点构成一组，由最底层开始往上进行相邻两层间的下一层每组的两个节点对数能量熵值之和与上一层对应节点的对数能量熵值进行比较；

若最底层的每组的两个节点对数能量熵值之和大于或等于上一层对应节点的对数能量熵值，则对上一层的该节点作标记，而去掉最底层的该两个节点的标记；

若最底层的每组的两个节点对数能量熵值之和小于上一层对应节点的对数能量熵值，则以最底层该两个节点的对数能量熵值之和取代上一层的对应节点的对数能量熵值，但对标记不作处理；

2.4)从下往上对相邻两层按2.3)逐层进行比较，直至所有层均处理完毕；被标记的所有节点所对应的小波包函数即为最优小波包基。

3.根据权利要求2所述的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，其特征在于，计算出各节点的对数能量熵值为：

M(s_i)＝log(s_i ²)，满足M(S)＝∑M(s_i)；

其中，s_i表示待分解的GIS局放信号S在正交基上的投影系数，M(s_i)表示对数能量熵值。

4.根据权利要求1所述的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，其特征在于，采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维包括：

设特征空间由m个N维特征向量组成{x₁,x₂,...,x_m}，根据k近邻算法，搜索每个特征向量x_i的k个最近邻，构成集合Q(i)；

依据LLE算法，每个特征向量x_i可由邻近点的线性组合近似重构，即：

其中，w_ij表示第j个特征向量对第i个特征向量的组合权重，权重系数通过求解最小化损失函数J(w)获得：

同时，权重系数还需满足：

对于不在x_i邻域内的样本，其与x_i的权重系数为0；

通过拉格朗日乘子法求解J(w)的最优化问题，即得到高维的权重系数；

设特征向量集X＝{x₁,x₂,...,x_m}在低维空间中投影为X′＝{x′₁,x′₂,...,x′_m}，权重系数保持不变，此时，低维空间最小化损失函数J(X′)为：

求解J(X′)即得低维投影，实现特征量降维。

5.根据权利要求1所述的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，其特征在于，结合混沌算法优化SVM分类器的参数包括：

以故障误判率E作为混沌优化算法的目标函数，设SVM分类器惩罚因子C和核宽度σ分别为变量z₁、z₂，且z₁、z₂的取值区间分别为[a₁,b₁]，[a₂,b₂]，则目标函数表示为：minE(z₁,z₂)；

由Logistic映射产生混沌序列：

l(n+1)＝hl(n)(1-l(n)),0≤l(n)≤1,0≤h≤4

其中l为混沌序列，n为迭代次数，h为混沌系数，当h＝4时，系统处于完全混沌状态；

基于混沌优化算法寻找(z₁,z₂)最优组合的步骤如下：

5.1)初始化n＝0，

l^*＝l(0)＝0.4，则目标函数初始化为一个较大正数E^*；

5.2)将l(n)映射到优化变量z₁和z₂的取值区间：

z_u(n)＝a_u+(b_u-a_u)l_u(n)，u＝1,2

5.3)优化搜索，若E(z_u(n))≤E^*，则E^*＝E(z_u(n))，

否则继续；

5.4)n＝n+1,l_u(n+1)＝hl_u(n)(1-l_u(n))；

5.5)重复步骤5.2)至5.4)，直到达到最大迭代次数，则

为当前最优解，即得最优惩罚因子C^*和核宽度σ^*。

6.根据权利要求1-5任一项所述的基于LLE降维和混沌算法优化的GIS绝缘缺陷识别方法，其特征在于，识别得到的GIS绝缘缺陷类型包括金属突出物缺陷、自由金属微粒缺陷、绝缘子表面固定金属微粒缺陷以及气隙缺陷。

7.一种基于LLE降维和混沌算法优化的GIS绝缘缺陷识别系统，其特征在于，包括：

分解模块，用于对采集得到的气体绝缘组合电器GIS局放信号进行小波包分解，并以对数能量熵原则选取最优小波包基；

构造模块，用于根据最优小波包基对GIS局放信号进行最优小波包变换，提取变换后的信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值作为特征量，构造特征空间；

降维模块，用于采用局部线性嵌入LLE算法将特征空间由高维空间投影到低维空间中，实现特征降维；

识别模块，用于结合混沌算法优化以降维后的特征空间作为输入构建的SVM分类器的的参数，利用优化好的SVM分类器对GIS局放信号进行识别，判断GIS绝缘缺陷的类别。

8.一种非暂态计算机可读存储介质，其特征在于：所述非暂态计算机可读存储介质包括用于执行如权利要求1-6中任一项所述的方法的指令。

9.一种电子设备，其特征在于：包括如权利要求8所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。

10.一种电子设备，其特征在于：所述设备包括用于执行如权利要求1-6任一项所述的方法的装置。

Images