【技術實現步驟摘要】
本專利技術涉及圖像識別，具體為基于視覺詞袋模型的gil局部放電模式識別方法及系統。
技術介紹
1、局部放電(partial?discharge,pd)是指在絕緣體內或其表面發生的不完全放電現象，是氣體絕緣輸電線路(gas?insulated?transmission?line,gil)運行中常見的一種故障現象。局部放電的存在會導致絕緣性能下降，嚴重時可能引發絕緣破壞，影響gil的安全運行。因此，對局部放電模式的識別與分類具有重要意義。
2、現有的gil局部放電模式識別技術多基于相位分辨局部放電(phase?resolvedpartial?discharge,prpd)圖譜的統計特征提取，包括峰度、偏度、放電因素、互相關系數與放電不對稱度等參數。這些統計特征能夠表征局部放電信號的特性，通過機器學習算法對這些特征進行識別和分類，從而實現對局部放電模式的識別。
3、現有的gil局部放電識別模型依賴于人工選擇特征，這不僅增加了計算成本，還可能產生冗余特征，影響模型的識別準確性。人工特征選擇需要先驗知識和經驗，難以實現自動化。人工構造的特征集可能包含冗余特征，導致模型復雜度增加，識別結果的精度下降。這些冗余特征不僅增加了計算成本，還可能對識別結果產生負面影響。
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術解決的技術問題是：現有gil局部放電識別模型的特征提取依賴人工特征選擇，不僅會增加計算成本，同時也可能產生冗余特征，導致
3、為解決上述技術問題，本專利技術提供如下技術方案：一種基于視覺詞袋模型的gil局部放電模式識別方法，包括：
4、統計gil的典型局部放電缺陷，獲取不同典型缺陷條件下的gil局部放電原始脈沖數據；
5、從數據庫中讀取所獲取的脈沖數據的放電量、放電相位以及放電極性信息；
6、基于相位分辨局部放電的prpd圖譜進行特征提取，通過k-means方法對prpd的高維特征進行無監督聚類；
7、構建xgboost算法模型，將獲取的prpd的視覺詞袋特征作為xgboost算法的模型輸入，基于評價參數對識別結果進行。
8、作為本專利技術所述的基于視覺詞袋模型的gil局部放電模式識別方法的一種優選方案，其中：所述局部放電缺陷包括，開展長時間耐壓測試，獲取不同典型缺陷條件下的gil局部放電原始脈沖數據，通過mysql數據庫對放電脈沖數據進行儲存；四種典型缺陷包括，絕緣表面金屬污穢、絕緣內部氣隙、懸浮電極、金屬尖刺；
9、從數據庫中讀取所獲取的脈沖數據的放電量、放電相位以及放電極性信息，將一個工頻周期內的放電量數據依據最大值進行歸一化處理，將不同缺陷的放電數據相疊加，依據放電量與相位信息將每一個原始脈沖放電數據填充于圖譜網格內，以不同顏色表征該網格的放電次數大小，將原始數據繪制為相位分辨局部放電prpd圖譜。
10、作為本專利技術所述的基于視覺詞袋模型的gil局部放電模式識別方法的一種優選方案，其中：所述特征提取包括，將獲得的prpd圖譜通過sift特征提取算法表征圖譜的局部特征，通過高斯差分金字塔理論構建每幅prpd的尺度空間，差分金字塔的每一層基于前一層的高斯模糊及降采樣得到；prpd尺度空間表示為一系列的高斯模糊圖像l(x,y,σ)，公式表示為：
11、l(x,y,σ)＝g(x,y,σ)·i(x,y)
12、其中，i(x,y)表示原圖像，g(x,y,σ)表示尺度可變高斯函數，計算公式表示為：
13、
14、基于所獲取的不同prpd尺度空間的高斯差分金字塔，比較不同尺度空間下的灰度圖像，設定極值點閾值，并基于設定閾值，比較每個像素點與其同一尺度及相鄰尺度下的灰度值，獲取候選關鍵極值點；
15、通過擬合三維二次函數確定關鍵點位置及所在尺度，并從候選關鍵極值點中去除不穩定邊緣響應點及對比度低的關鍵點；根據篩選后確定的關鍵sift特征極值點，將關鍵極值點相鄰的鄰域像素梯度方向幅值給關鍵sift特征極值點，方向參數的模長與角度的計算公式表示為：
16、
17、在特征關鍵點4×4的窗口中基于上式計算每個窗口8個方向的梯度信息，獲取128維的sift特征向量；生成sift特征描述符，獲取表征圖譜的高維特征矩陣。
18、作為本專利技術所述的基于視覺詞袋模型的gil局部放電模式識別方法的一種優選方案，其中：所述通過k-means方法進行無監督聚類包括，將所有prpd的高維特征，通過k-means方法進行無監督聚類，設定聚類中心簇數，
19、根據預設的視覺單詞數量n，設置k-means聚類中心數，隨機選擇n個點作為初始化聚類中心；將所有prpd的所有sift特征點帶入計算，對每個數據點，按照其與聚類中心的空間距離分配給最近的聚類中心所在的數據簇；對于每個數據簇，計算該簇中所有點的質心，并將其作為新的聚類中心；重復步驟，直到簇中的誤差平方和局部最小，計算公式表示為：
20、
21、其中，k表示簇的數量，n表示數據點總數，xj表示數據集中第j個數據點，μi表示第i個簇的聚類中心。
22、作為本專利技術所述的基于視覺詞袋模型的gil局部放電模式識別方法的一種優選方案，其中：所述獲取的prpd的視覺詞袋特征包括，將獲取的所有聚類中心作為視覺詞袋模型的單詞，計算每幅prpd中的每一個sift特征點到所有視覺單詞的歐式距離，對距離計算結果進行排列；根據距離排列結果，選擇距每一個sift特征點最短的視覺單詞，采用硬編碼方法，將該單詞的附加權重設為1，其余視覺單詞的附加權重設為0，依次對圖像中的所有特征描述符進行計算并對結果進行累加，生成以視覺單詞描述的prpd視覺詞袋特征。
23、作為本專利技術所述的基于視覺詞袋模型的gil局部放電模式識別方法的一種優選方案，其中：所述xgboost算法的模型包括，將所獲取的每幅prpd的視覺詞袋特征作為xgboost算法的模型輸入，設定放電類型為xgboost的目標函數，目標函數公式表示為：
24、
25、其中，表示目標損失函數，yi表示放電類型實際值，表示前t棵決策樹對放電類型的預測值，ω(ft)表示前t棵決策樹的模型復雜度，用以減輕模型過擬合情況；
26、遍歷所有的xgboost的模型特征劃分點，依據特征劃分對每一顆殘差樹進行迭代，每次基于上一棵樹的最優預測結果進行殘差樹建樹，逐步逼近目標函數，xgboost的迭代公式表示為：
27、
28、其中，表示第t輪模型預測的結果，表示第t-1輪模型預測的結果，ft(xi)表示第t輪加入的新的函數。
29、作為本專利技術所述的基于視覺詞袋模型的gil局部放電模式識別方法的一種優選方案，其中：所述包括，基于xg本文檔來自技高網...
【技術保護點】
1.基于視覺詞袋模型的GIL局部放電模式識別方法，其特征在于，包括：
2.如權利要求1所述的基于視覺詞袋模型的GIL局部放電模式識別方法，其特征在于：所述局部放電缺陷包括，開展長時間耐壓測試，獲取不同典型缺陷條件下的GIL局部放電原始脈沖數據，通過MySQL數據庫對放電脈沖數據進行儲存；四種典型缺陷包括，絕緣表面金屬污穢、絕緣內部氣隙、懸浮電極、金屬尖刺；
3.如權利要求2所述的基于視覺詞袋模型的GIL局部放電模式識別方法，其特征在于：所述特征提取包括，將獲得的PRPD圖譜通過SIFT特征提取算法表征圖譜的局部特征，通過高斯差分金字塔理論構建每幅PRPD的尺度空間，差分金字塔的每一層基于前一層的高斯模糊及降采樣得到；PRPD尺度空間表示為一系列的高斯模糊圖像L(x,y,σ)，公式表示為：
4.如權利要求3所述的基于視覺詞袋模型的GIL局部放電模式識別方法，其特征在于：所述通過K-means方法進行無監督聚類包括，將所有PRPD的高維特征，通過K-means方法進行無監督聚類，設定聚類中心簇數，
5.如權利要求4所述的基于視覺詞袋模型
6.如權利要求5所述的基于視覺詞袋模型的GIL局部放電模式識別方法，其特征在于：所述XgBoost算法的模型包括，將所獲取的每幅PRPD的視覺詞袋特征作為XgBoost算法的模型輸入，設定放電類型為XgBoost的目標函數，目標函數公式表示為：
7.如權利要求6所述的基于視覺詞袋模型的GIL局部放電模式識別方法，其特征在于：所述根據特征評價指標集進行評估包括，基于XgBoost模型的識別結果Accuracy、Precision、Recall、F1評價參數進行計算，輸出特征評價指標集的計算結果；
8.一種采用如權利要求1-7任一所述方法的基于視覺詞袋模型的GIL局部放電模式識別系統，其特征在于：
9.一種計算機設備，包括：存儲器和處理器；所述存儲器存儲有計算機程序，其特征在于：所述處理器執行所述計算機程序時實現權利要求1-7所述任一項基于視覺詞袋模型的GIL局部放電模式識別方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現權利要求1-7所述任一項基于視覺詞袋模型的GIL局部放電模式識別方法的步驟。
...【技術特征摘要】
1.基于視覺詞袋模型的gil局部放電模式識別方法，其特征在于，包括：
2.如權利要求1所述的基于視覺詞袋模型的gil局部放電模式識別方法，其特征在于：所述局部放電缺陷包括，開展長時間耐壓測試，獲取不同典型缺陷條件下的gil局部放電原始脈沖數據，通過mysql數據庫對放電脈沖數據進行儲存；四種典型缺陷包括，絕緣表面金屬污穢、絕緣內部氣隙、懸浮電極、金屬尖刺；
3.如權利要求2所述的基于視覺詞袋模型的gil局部放電模式識別方法，其特征在于：所述特征提取包括，將獲得的prpd圖譜通過sift特征提取算法表征圖譜的局部特征，通過高斯差分金字塔理論構建每幅prpd的尺度空間，差分金字塔的每一層基于前一層的高斯模糊及降采樣得到；prpd尺度空間表示為一系列的高斯模糊圖像l(x,y,σ)，公式表示為：
4.如權利要求3所述的基于視覺詞袋模型的gil局部放電模式識別方法，其特征在于：所述通過k-means方法進行無監督聚類包括，將所有prpd的高維特征，通過k-means方法進行無監督聚類，設定聚類中心簇數，
5.如權利要求4所述的基于視覺詞袋模型的gil局部放電模式識別方法，其特征在于：所述獲取的prpd的視覺詞袋特征包括，將獲取的所有聚類中心作為視覺詞袋模型的單詞，計算每幅prpd中的每一個sift特征點到所有視覺單詞的歐式距離，對距離計算結果進行排列；根據距離排列結果，選擇距每...
【專利技術屬性】
技術研發人員：陳石毅，雷秉惠，楊宗振，劉揚，李夢齊，唐輝，汪宇軒，李茂，余明濤，馬利江，王旭，祖維國，劉詣，王先勇，彭小圣，吳念，
申請(專利權)人：三峽金沙江云川水電開發有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。