CN114237046A - 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 - Google Patents

Abstract

本发明属于电力技术领域，公开了一种基于SIFT数据特征提取算法与BP神经网络模型的局部放电模式识别方法。该方法能够提取局部放电信号时频谱图的图像特征并聚类构造出相应的特征字典，将其可视化后作为分类器的输入以实现局部放电的模式识别。

Description

一种基于SIFT数据特征提取算法与BP神经网络模型的局部放 电模式识别方法

技术领域

本发明涉及电力技术领域，尤其涉及一种基于SIFT数据特征提取算法与BP神经网络模型的局部放电模式识别方法。

背景技术

电气设备绝缘性能的优劣直接关系到整个电网的安全稳定运行，而局部放电作为电气设备内部绝缘劣化的重要评价指标和表现形式，可按照放电机理与放电位置的不同将其初步划分为四类，分别是尖端放电、悬浮放电、沿面放电以及气泡放电。而不同的局部放电类型其针对电气设备绝缘性能产生的危害也存在差异，因此在局部放电故障诊断阶段进行模式识别能够对当前设备绝缘状态进行更加准确的评估，已成为电气设备状态监测领域中的重要手段。

局部放电信号是一种瞬态微弱的时序信号，为了提升其模式识别的准确度，获取更加可靠的故障诊断结果，需要将其转化为图片并以非结构化数据形式进行存储，便于分类器的调用与特征提取。目前，局放信号特征属性表示方法主要分为两类：局部放电脉冲相位分布 (phase resolved partial discharge,PRPD)谱图以及时频变换谱图。其中，PRPD谱图能够由图像直观地展示局部放电脉冲所对应的工频相位

放电量q以及放电次数n三者之间的关系。而时频变换方法则通常利用连续小波变换、变分模态分解或S变换等联合时频分析方法，将时域中的局部放电信号同时在时域与频域进行展开得到相应的时频谱图，两种表征方法都能够很好地体现出局部放电信号所包含的复杂特征信息。然而，局部放电模式识别需要从信号表征的图像属性中正确分辨不同局放类型存在的特征差异并进行提取与分类，因此，行之有效的特征提取方法是模式识别过程中的关键组成部分。现有研究方法中，有研究人员采用统计算子作为PRPD谱图的特征属性进行模式识别，包括局部峰个数P_c、偏斜度s_k、陡峭度k_u等；也有实践表明，以PRPD谱图的分形维数和空隙率作为特征参量进行分类也能取得较为良好的分类效果。但上述方法所提取的特征参量数量繁多，通常需要利用主成分分析法或t-SNE方法进行降维处理，计算过程冗余且上述高维局放信号特征属性并未形成统一行业标准。随着近年来深度学习的不断发展，卷积神经网络凭借其优秀的分类效果与大数据样本处理能力逐渐在电气故障诊断领域推广开来，有学者利用卷积核的特征提取能力直接将PRPD谱图或时频变换谱图作为神经网络的输入并进行局部放电信号的模式识别。该方法避免了传统方法中人工提取特征属性的不确定性，同时直接对高维数据进行处理简化了计算过程。但上述方法受限于深度学习算法自身的黑箱属性，导致无法对其特征提取效果进行量化分析与客观评价，因此常常导致故障诊断方法过于依赖计算机学科的发展，且无法针对局放信号数据特征进行针对性优化。

发明内容

本发明的目的在于提供一种基于SIFT数据特征提取算法与BP神经网络模型的局部放电模式识别方法，以解决上述技术问题。

为实现上述目的本发明采用以下技术方案：

一种基于SIFT数据特征提取算法与BP神经网络模型的局部放电模式识别方法，包括如下步骤：SIFT数据特征提取算法利用不同尺度的高斯函数对局部放电时频谱图S(x,y)进行降采样平滑处理得到一组图层S′，通过特征比对提取时频谱图的特征点；

步骤1：将图像的尺度空间表征为一组图层S′，该尺度空间由高斯滤波函数G(x,y,σ)与局部放电时频谱图S(x,y)卷积形成，其中，高斯滤波函数的表达式为：

步骤2：通过对图层S′中两个相邻高斯尺度空间的图像相间，完成该尺度下的特征点检测并得到一个高斯差分算子的响应图像 D(x,y,σ)，对该响应图像进行非最大值抑制，于位置空间与尺度空间中定位特征点，特征点用(x,y,σ)进行表征，其中，高斯差分算子的响应图像D(x,y,σ)表示为：

式中，k为两个相邻尺度空间的倍数常数，L(x,y,σ)为特征点所在尺度；

步骤3：确定不同尺度、不同位置下的特征点后，为特征点计算方向，利用特征点领域像素的梯度方向特性为每个特征点指定方向参数，特征点处的方向由下式计算:

θ(x,y,σ)＝αtan2[(L(x,y+1,σ)-L(x,y-1,σ))/(L(x+1,y,σ)-L(x-1,y,σ))]；

至此，特征点中分别包含了位置、尺度与方向信息，表征为 (x,y,σ,θ)；

步骤4：以特征点为中心取16x16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个方向的直方图，最后获得n×128维的SIFT特征描述子，其中n为时频谱图特征点个数；

步骤5：利用K-means聚类算法对步骤4中提取的特征描述子进行聚类，以Hamming距离作为度量标准估计两个SIFT特征描述子之间的距离，形成N个聚类中心，而时频谱图S(x,y)所提取的特征描述子都能够由上述聚类中心描述出来，最终经变换后形成与该谱图对应的特征频率直方图M；

通过步骤1-5的处理，对原时频谱图S(x,y)进行图像特征属性提取并进行聚类形成与之对应的特征频率直方图，且仍保持以非结构化的图像形式进行储存；

实验室环境下采集的得到的局部放电脉冲数据集为Y^u， u＝1,2,3,4，分别对应尖端放电数据集、气泡放电数据集、悬浮放电数据集与沿面放电数据集，其中包含的局部放电单源脉冲信号表示为

n＝1,2,3,…,L，对该数据集进行S变换与SIFT数据特征提取处理后，得到与之一一对应的局部放电时频谱图的特征频率直方图数据集M^k，对该数据集进行预处理后送入BP神经网络，即得到最终的局部放电模式识别结果，完整步骤如下：

步骤1：对数据集M^k进行归一化处理，并按照7:3的比例分割为训练集与测试集；

步骤2：设BP神经网络的输入层、中间层和输出层的神经元数目分别为N、L、M，而X(x₀,x₁,L,x_N-1)是输入向量， H(h₀,h₁,L,h_L-1)是中间层向量，R(r₀,r₁,L,r_M-1)是网络的输出向量，其中输入单元i到隐元j的权重为V_ij，隐元j到输出单元k的权重为W_jk，并设置隐元和输出单元的阈值分别为

θ_k，故，将BP神经网络的中间层隐元输出表示为：

输出单元的输出表示为：

其中，f为激活函数，选用S型函数

将上述权重与阈值设置为接近于0的随机值，初始化模型学习率α＝0.001；

步骤3：利用步骤2中隐藏层和输出层的计算公式得到网络输出向量R，将输出向量R中的元素r_k与不同局部放电类型所代表的目标向量D中的元素d_u进行比较，计算出M个输出误差项，对隐藏层的隐元同样计算出L个误差项，并按照下式计算出权重和阈值的调整量：

步骤4：调整权重与阈值：

W_jk(n+1)＝W_jk(n)+ΔW_jk(n)；

V_ij(n+1)＝V_ij(n)+ΔV_ij(n)；

θ_k(n+1)＝θ_k(n)+Δθ_k(n)；

步骤5：判别误差项指标E是否满足精度ε要求，其中，

若不满足则返回步骤3，继续迭代，如果满足，则进入步骤6；

步骤6：分类器训练结束，按照输出向量与目标向量的对比输出满足特征的局部放电类型，将权重和阈值保存至数据文件中，测试时直接导出权重与阈值进行使用，快速获取局部放电模式识别结果。

与现有技术相比，本发明具有以下优点：该方法能够提取局部放电信号时频谱图的图像特征并聚类构造出相应的特征字典，将其可视化后作为分类器的输入以实现局部放电的模式识别。

附图说明

图1为本发明尖端放电脉冲时频谱图；

图2为本发明气泡放电脉冲时频谱图；

图3为本发明悬浮放电脉冲时频谱图；

图4为本发明沿面放电脉冲时频谱图；

图5为本发明尖端放电脉冲特征频率直方图；

图6为本发明气泡放电脉冲特征频率直方图；

图7为本发明悬浮放电脉冲特征频率直方图；

图8为本发明沿面放电脉冲特征频率直方图；

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细阐述。

本发明的原理是：设局部放电时域监测信号为y(t)，对实验室环境下局部放电采集信号进行S变换以获取该信号在时域和频域中的特征属性进而得到相应的时频谱图。首先，对时序信号y(t)进行S变换得到S(τ,f)，表示如下：

式中，w(τ-t,f)为高斯窗口，τ为控制高斯窗口在时域中所在位置的参数，t为时间变量，f为频率变量。即S变换的高斯窗函数能够随着频率进行改变，以此克服传统时频变换诸如短时傅里叶变换的窗口固定所带来的缺陷。

基于上式，原时序信号y(t)便可重构为一个时频谱矩阵S(τ,f)，利用仿真软件Matlab的imagesc函数对其进行可视化变换最终得到时频谱图S(x,y)。通过上述变化，原有的时序信号y(t)便转换为了以图片形式储存的非结构化数据，便于分类器的处理和分析。显然，无论是人工提取图像特征还是利用卷积深网络的卷积核分块提取特征，都有其自身的局限性。人工提取特征导致的数据样本维数过高，因此需要在分类前进行降维处理，造成算力挤兑以及计算冗余。而卷积核提取特征的过程是黑箱深度学习，缺少可解释性，迁移至电力领域后很难根据电力数据样本进行有针对性的改进。

如图所示，基于以上分析，本发明提出一种基于SIFT数据特征提取算法与BP神经网络模型的局部放电模式识别方法，包括如下步骤： SIFT数据特征提取算法利用不同尺度的高斯函数对局部放电时频谱图S(x,y)进行降采样平滑处理得到一组图层S′，通过特征比对提取时频谱图的特征点；

步骤1：将图像的尺度空间表征为一组图层S′，该尺度空间由高斯滤波函数G(x,y,σ)与局部放电时频谱图S(x,y)卷积形成，其中，高斯滤波函数的表达式为：

步骤2：通过对图层S′中两个相邻高斯尺度空间的图像相间，完成该尺度下的特征点检测并得到一个高斯差分算子的响应图像 D(x,y,σ)，对该响应图像进行非最大值抑制，于位置空间与尺度空间中定位特征点，特征点用(x,y,σ)进行表征，其中，高斯差分算子的响应图像D(x,y,σ)表示为：

式中，k为两个相邻尺度空间的倍数常数，L(x,y,σ)为特征点所在尺度；

步骤3：确定不同尺度、不同位置下的特征点后，为特征点计算方向，利用特征点领域像素的梯度方向特性为每个特征点指定方向参数，特征点处的方向由下式计算:

θ(x,y,σ)＝αtan2[(L(x,y+1,σ)-L(x,y-1,σ))/(L(x+1,y,σ)-L(x-1,y,σ))]；

至此，特征点中分别包含了位置、尺度与方向信息，表征为 (x,y,σ,θ)；

步骤4：以特征点为中心取16x16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个方向的直方图，最后获得n×128维的SIFT特征描述子，其中n为时频谱图特征点个数；

步骤5：利用K-means聚类算法对步骤4中提取的特征描述子进行聚类，以Hamming距离作为度量标准估计两个SIFT特征描述子之间的距离，形成N个聚类中心，而时频谱图S(x,y)所提取的特征描述子都能够由上述聚类中心描述出来，最终经变换后形成与该谱图对应的特征频率直方图M；

通过步骤1-5的处理，对原时频谱图S(x,y)进行图像特征属性提取并进行聚类形成与之对应的特征频率直方图，且仍保持以非结构化的图像形式进行储存；

实验室环境下采集的得到的局部放电脉冲数据集为Y^u， u＝1,2,3,4，分别对应尖端放电数据集、气泡放电数据集、悬浮放电数据集与沿面放电数据集，其中包含的局部放电单源脉冲信号表示为

n＝1,2,3,…,L，对该数据集进行S变换与SIFT数据特征提取处理后，得到与之一一对应的局部放电时频谱图的特征频率直方图数据集M^k，对该数据集进行预处理后送入BP神经网络，即得到最终的局部放电模式识别结果，完整步骤如下：

步骤1：对数据集M^k进行归一化处理，并按照7:3的比例分割为训练集与测试集；

步骤2：设BP神经网络的输入层、中间层和输出层的神经元数目分别为N、L、M，而X(x₀,x₁,L,x_N-1)是输入向量， H(h₀,h₁,L,h_L-1)是中间层向量，R(r₀,r₁,L,r_M-1)是网络的输出向量，其中输入单元i到隐元j的权重为V_ij，隐元j到输出单元k的权重为W_jk，并设置隐元和输出单元的阈值分别为

θ_k，故，将BP神经网络的中间层隐元输出表示为：

输出单元的输出表示为：

其中，f为激活函数，选用S型函数

将上述权重与阈值设置为接近于0的随机值，初始化模型学习率α＝0.001；

步骤3：利用步骤2中隐藏层和输出层的计算公式得到网络输出向量R，将输出向量R中的元素r_k与不同局部放电类型所代表的目标向量D中的元素d_u进行比较，计算出M个输出误差项，对隐藏层的隐元同样计算出L个误差项，并按照下式计算出权重和阈值的调整量：

步骤4：调整权重与阈值：

W_jk(n+1)＝W_jk(n)+ΔW_jk(n)；

V_ij(n+1)＝V_ij(n)+ΔV_ij(n)；

θ_k(n+1)＝θ_k(n)+Δθ_k(n)；

步骤5：判别误差项指标E是否满足精度ε要求，其中，

若不满足则返回步骤3，继续迭代，如果满足，则进入步骤6；

步骤6：分类器训练结束，按照输出向量与目标向量的对比输出满足特征的局部放电类型，将权重和阈值保存至数据文件中，测试时直接导出权重与阈值进行使用，快速获取局部放电模式识别结果。

时频变换环节，S变换将局部放电单源脉冲信号转换为时频谱图，其结果如图1-图4所示。

利用SIFT特征提取环节

对四类局部放电脉冲时频谱图进行SIFT特征提取，形成与之对应的频率特征直方图，分别为图5-图8。

表1

利用BP神经网络进行局部放电模式识别环节；通过BP神经网络的训练，最终得到本发明提出的SIFT-BP网络局部放电模式识别准确率如上表1所示。

以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (1)

1.一种基于SIFT数据特征提取算法与BP神经网络模型的局部放电模式识别方法，其特征在于，包括如下步骤：SIFT数据特征提取算法利用不同尺度的高斯函数对局部放电时频谱图S(x,y)进行降采样平滑处理得到一组图层S′，通过特征比对提取时频谱图的特征点；

步骤1：将图像的尺度空间表征为一组图层S′，该尺度空间由高斯滤波函数G(x,y,σ)与局部放电时频谱图S(x,y)卷积形成，其中，高斯滤波函数的表达式为：

步骤2：通过对图层S′中两个相邻高斯尺度空间的图像相间，完成该尺度下的特征点检测并得到一个高斯差分算子的响应图像D(x,y,σ)，对该响应图像进行非最大值抑制，于位置空间与尺度空间中定位特征点，特征点用(x,y,σ)进行表征，其中，高斯差分算子的响应图像D(x,y,σ)表示为：

式中，k为两个相邻尺度空间的倍数常数，L(x,y,σ)为特征点所在尺度；

步骤3：确定不同尺度、不同位置下的特征点后，为特征点计算方向，利用特征点领域像素的梯度方向特性为每个特征点指定方向参数，特征点处的方向由下式计算:

θ(x,y,σ)＝αtan2[(L(x,y+1,σ)-L(x,y-1,σ))/(L(x+1,y,σ)-L(x-1,y,σ))]；

至此，特征点中分别包含了位置、尺度与方向信息，表征为(x,y,σ,θ)；

步骤4：以特征点为中心取16x16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个方向的直方图，最后获得n×128维的SIFT特征描述子，其中n为时频谱图特征点个数；

步骤5：利用K-means聚类算法对步骤4中提取的特征描述子进行聚类，以Hamming距离作为度量标准估计两个SIFT特征描述子之间的距离，形成N个聚类中心，而时频谱图S(x,y)所提取的特征描述子都能够由上述聚类中心描述出来，最终经变换后形成与该谱图对应的特征频率直方图M；

通过步骤1-5的处理，对原时频谱图S(x,y)进行图像特征属性提取并进行聚类形成与之对应的特征频率直方图，且仍保持以非结构化的图像形式进行储存；

实验室环境下采集的得到的局部放电脉冲数据集为Y^u，u＝1,2,3,4，分别对应尖端放电数据集、气泡放电数据集、悬浮放电数据集与沿面放电数据集，其中包含的局部放电单源脉冲信号表示为

对该数据集进行S变换与SIFT数据特征提取处理后，得到与之一一对应的局部放电时频谱图的特征频率直方图数据集M^k，对该数据集进行预处理后送入BP神经网络，即得到最终的局部放电模式识别结果，完整步骤如下：

步骤1：对数据集M^k进行归一化处理，并按照7:3的比例分割为训练集与测试集；

步骤2：设BP神经网络的输入层、中间层和输出层的神经元数目分别为N、L、M，而X(x₀,x₁,L,x_N-1)是输入向量，H(h₀,h₁,L,h_L-1)是中间层向量，R(r₀,r₁,L,r_M-1)是网络的输出向量，其中输入单元i到隐元j的权重为V_ij，隐元j到输出单元k的权重为W_jk，并设置隐元和输出单元的阈值分别为

θ_k，故，将BP神经网络的中间层隐元输出表示为：

输出单元的输出表示为：

其中，f为激活函数，选用S型函数

将上述权重与阈值设置为接近于0的随机值，初始化模型学习率α＝0.001；

步骤3：利用步骤2中隐藏层和输出层的计算公式得到网络输出向量R，将输出向量R中的元素r_k与不同局部放电类型所代表的目标向量D中的元素d_u进行比较，计算出M个输出误差项，对隐藏层的隐元同样计算出L个误差项，并按照下式计算出权重和阈值的调整量：

步骤4：调整权重与阈值：

W_jk(n+1)＝W_jk(n)+ΔW_jk(n)；

V_ij(n+1)＝V_ij(n)+ΔV_ij(n)；

θ_k(n+1)＝θ_k(n)+Δθ_k(n)；

步骤5：判别误差项指标E是否满足精度ε要求，其中，

若不满足则返回步骤3，继续迭代，如果满足，则进入步骤6；

步骤6：分类器训练结束，按照输出向量与目标向量的对比输出满足特征的局部放电类型，将权重和阈值保存至数据文件中，测试时直接导出权重与阈值进行使用，快速获取局部放电模式识别结果。

Images