基于方向梯度直方圖屬性空間的局部放電模式識別改進(jìn)算法

宋思蒙 錢 勇 王 輝 盛戈皞 江秀臣

基于方向梯度直方圖屬性空間的局部放電模式識別改進(jìn)算法

宋思蒙 錢 勇 王 輝 盛戈皞 江秀臣

（上海交通大學(xué)電氣工程系 上海 200240）

該文提出一種基于方向梯度直方圖（HOG）屬性空間的局部放電模式識別改進(jìn)算法，旨在提高特征對樣本信息的概括能力，并克服分類器對高維特征的識別局限。首先，構(gòu)造局部放電脈沖序列分布（PRPS）模式作為識別依據(jù)，利用局部細(xì)分疊加窗口滑移的迭代算法自動化構(gòu)建PRPS圖像的HOG屬性空間；然后，通過線性變換協(xié)方差矩陣的方式重構(gòu)HOG屬性空間，使其滿足相互獨立性；接著，根據(jù)屬性重要性重新排列空間后，依次增加輸入樸素貝葉斯分類器的屬性個數(shù)，基于分類精度搜索最佳屬性子集；最后，按照歸約屬性的相對重要性進(jìn)行加權(quán)，最終設(shè)計出HOG屬性選擇加權(quán)樸素貝葉斯分類器。大量樣本測試結(jié)果證明，此算法能夠達(dá)到很高的識別精度，對傳統(tǒng)識別算法的優(yōu)化效果明顯，有較好的應(yīng)用價值。

局部放電 模式識別 方向梯度直方圖 脈沖序列分布 屬性選擇加權(quán)樸素貝葉斯

0 引言

隨著電網(wǎng)規(guī)模的逐漸擴(kuò)大和電壓等級的逐漸升高，電氣設(shè)備的安全可靠性愈發(fā)重要[1]。局部放電現(xiàn)象作為電氣設(shè)備絕緣劣化的重要標(biāo)志[2-3]，直接影響設(shè)備運(yùn)行狀態(tài)，從而威脅電網(wǎng)安全。不同的絕緣缺陷所引發(fā)的局部放電信號通常呈現(xiàn)出不同的特征，通過對特征進(jìn)行有效識別，運(yùn)維人員能夠準(zhǔn)確地診斷出設(shè)備內(nèi)部的絕緣缺陷類型，及時消除故障，預(yù)防事故發(fā)生。因此，構(gòu)造合適的局部放電模式，從中提取具有代表性的特征參數(shù)及結(jié)合模式及特征個性化設(shè)計性能優(yōu)良的分類器，成為局部放電模式識別的重要前提。

由于局部放電時間分布（Time Resolved Partial Discharge, TRPD）受信號傳播路徑和現(xiàn)場干擾的影響較大[4]，不宜用于識別，因此國內(nèi)外的研究主要集中在局部放電相位分布（Phase Resolved Partial Discharge, PRPD）模式上。但PRPD模式需要對多個工頻周期的大量局部放電脈沖數(shù)據(jù)進(jìn)行繁瑣的統(tǒng)計計算，實際上屬于脈沖序列分布（Phase Resolved Pluse Sequence, PRPS）在一段時間內(nèi)的信息疊加[4]。由于PRPS模式已覆蓋國際大電網(wǎng)會議（CIGRE）制定標(biāo)準(zhǔn)下所有的局部放電信息[5]，所以本文構(gòu)造PRPS模式進(jìn)行識別，以降低在模式構(gòu)造階段的計算復(fù)雜性。

目前的識別算法主要基于統(tǒng)計算子[6-7]、分形維數(shù)[8]、矩特征[9-10]、小波特征[11-13]和Tamura紋理特征[14]等特征實現(xiàn)，通過搭配優(yōu)化的分類器如免疫優(yōu)化仿射傳播聚類[7]、核函數(shù)優(yōu)化匹配追蹤的稀疏分解[15]、最小二乘支持向量機(jī)（Support Vector Machine,SVM）[8]、Adaboost重構(gòu)誤差反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network, BPNN）[16]和自適應(yīng)布谷鳥優(yōu)化稀疏編碼陣的糾錯輸出碼（Error Correcting Output Codes, ECOC）[17]等，使缺陷類型的識別率得到了一定程度的提高。但上述研究中的特征通常從PRPS分解子圖系列、PRPD二維分布及其梯度相位等延伸圖譜中提取，難以直接應(yīng)用于PRPS三維圖譜；且均為傳統(tǒng)的低維多參數(shù)特征，需人工選擇和組合多個代表不同物理意義的特征值，容易出現(xiàn)對樣本信息概括不充分的現(xiàn)象；同時優(yōu)化算法僅針對分類器而與特征關(guān)聯(lián)甚少，因此識別率的提高上限受到限制。

為了解決上述問題，本文借助計算機(jī)視覺的思想，將PRPS圖像中的放電脈沖圖形作為檢測和識別的目標(biāo)，利用局部細(xì)分疊加窗口滑移的迭代算法自動化提取方向梯度直方圖（Histogram of Oriented Gradient, HOG）特征，從而構(gòu)建出樣本的HOG屬性空間。結(jié)合HOG屬性空間的高維單參數(shù)特點和傳統(tǒng)分類器的局限性，提出基于HOG屬性空間重構(gòu)并搜索最優(yōu)屬性子集的優(yōu)化歸約算法，同時設(shè)計出與HOG屬性子集聯(lián)合應(yīng)用的HOG屬性選擇加權(quán)樸素貝葉斯（HOG-Attribute Selective Weighted Na?ve Bayes, HOG-ASWNB）分類器，從而實現(xiàn)傳統(tǒng)識別算法的改進(jìn)。通過大量數(shù)據(jù)測試，驗證了上述算法能夠通過PRPS模式實現(xiàn)有效的局部放電類型識別，并且獲得了比低維多參數(shù)特征搭配獨立分類器的傳統(tǒng)識別算法更高的準(zhǔn)確率。

1 PRPS模式構(gòu)建

PRPS圖譜是放電幅值關(guān)于相位和工頻周期的三維分布[4]。為了構(gòu)建該局部放電模式，本文在實驗室選取一組額定電壓為126kV的真型GIS間隔作為測試對象，分別制作自由金屬微粒、懸浮電極、金屬針尖和絕緣氣隙四種典型絕緣缺陷置于GIS內(nèi)部，利用特高頻傳感器每秒連續(xù)采集50個工頻周期的局部放電信號數(shù)據(jù)，將放電幅值歸一化，繪制出PRPS模式三維圖譜如圖1所示。

可見，自由金屬微粒的放電脈沖散亂分布；懸浮電極在相位的正、負(fù)半周各有一簇較為稀疏的放電脈沖；金屬針尖的放電脈沖主要集中分布在第三象限；絕緣氣隙的放電脈沖主要集中在90°和270°附近，與懸浮電極的相位分布相似度較高，但脈沖更為密集。在不同缺陷下的PRPS圖譜中，所有放電脈沖組合而成的整體形狀明顯不同，故構(gòu)建的PRPS模式可作為局部放電類型識別的依據(jù)。

因為計算機(jī)視覺可從平面照片中識別出三維物體，所以本文將PRPS三維坐標(biāo)圖直接保存為灰度像素矩陣，并統(tǒng)一縮放至[256, 512]（表示高度有256個像素點，寬度有512個像素點的256×512的分辨率）大小。由于本文將放電脈沖整體視為需要識別的三維物體目標(biāo)，即只關(guān)注其形狀而無關(guān)具體數(shù)值信息，故對其進(jìn)行圖像分割：去除圖1中坐標(biāo)刻度和文字等，單獨抽取放電脈沖圖形。隨后采用限制對比度自適應(yīng)直方圖均衡化算法進(jìn)行圖像增強(qiáng)，以便強(qiáng)化特征。經(jīng)過上述預(yù)處理之后，得到不同缺陷下的PRPS預(yù)處理圖像如圖2所示。

圖1 不同缺陷下典型的PRPS模式三維圖譜

圖2 不同缺陷下的PRPS預(yù)處理圖像

2 HOG屬性空間構(gòu)造

HOG是一種在計算機(jī)視覺領(lǐng)域用于捕捉圖片中局部目標(biāo)邊緣形狀的高維特征算子，廣泛應(yīng)用于行人檢測[18]，本文首次將其應(yīng)用在局部放電PRPS模式的識別中。單樣本的HOG特征向量可以通過以下幾個步驟進(jìn)行提?。?/p>

（1）計算每個像素點的梯度幅值和梯度方向。

（2）將圖像細(xì)分為[8, 8]大小的細(xì)胞單元，將梯度方向均分為9個區(qū)間，用每個像素點的梯度幅值對其所屬的梯度方向區(qū)間加權(quán)，得到細(xì)胞單元的HOG。

（3）將相鄰4個細(xì)胞單元組合成窗口，按窗口長度的一半為步長進(jìn)行滑移，拼接所有的HOG特征。

經(jīng)過上述提取過程，得到單樣本的HOG特征向量，共有70 308維，其可視效果如圖3所示。

圖3 HOG特征向量可視化效果

可見，不同缺陷下局部放電PRPS圖譜的HOG特征具有明顯的差異性，為識別提供了良好的保障。而且HOG特征具有高維單參數(shù)的特點，即維度雖高，但其所有維度均表示同一物理意義，因此僅由局部細(xì)分疊加窗口滑移的算法即可自動化完成提取，降低了傳統(tǒng)低維多參數(shù)特征對計算、選擇和組合的人工依賴性，減少了圖譜中放電信息的浪費。

每個樣本的特征提取過程遵循同樣的迭代算法，因此不同樣本的HOG特征向量具有相同的維數(shù)并遵循同樣的排列順序，多樣本的HOG特征向量按屬性維數(shù)序號對應(yīng)構(gòu)成HOG屬性空間矩陣

3 基于HOG屬性空間的識別算法改進(jìn)

樸素貝葉斯（Na?ve Bayes, NB）分類器因數(shù)學(xué)理論可靠、應(yīng)用簡單高效等優(yōu)點而被廣泛應(yīng)用[19]。但前提是各屬性相互獨立[19]，而HOG各屬性相互依賴。此外，PRPS圖像中存在的大量背景空白像素點無類型差異，因此HOG屬性空間冗余度過高，會造成分類器自學(xué)習(xí)過程的崩潰。因此必須對NB分類器進(jìn)行改進(jìn)才能基于HOG屬性空間實現(xiàn)識別。

3.1 HOG屬性重構(gòu)

3.2 HOG屬性選擇

3.3 HOG屬性加權(quán)

根據(jù)屬性重要性對選擇屬性進(jìn)行加權(quán)[21]，最終得出HOG-ASWNB分類器的識別公式為

4 實驗結(jié)果與分析

4.1 總體流程

綜上所述，本文基于HOG屬性空間改進(jìn)的局部放電模式識別總體流程如圖4所示。

4.2 訓(xùn)練過程

為訓(xùn)練HOG-ASWNB分類器，本文共采集480個樣本，每種缺陷120個。隨機(jī)抽取16個訓(xùn)練樣本，剩下的464個樣本作為測試樣本。為避免偶然性，重復(fù)10次取平均值，屬性子集容量對識別效果的影響見表1。

圖4 基于HOG屬性空間的改進(jìn)局部放電模式識別流程

表1 屬性子集容量對識別效果的影響

Tab.1 The impact of subset capacity on recognition result

由表1可知，分類精度隨屬性個數(shù)增多而提高。當(dāng)屬性子集只包含1個屬性時，分類精度僅為62.54%，未達(dá)訓(xùn)練要求；但當(dāng)容量僅增至2時，精度則達(dá)到90%以上，但此時可優(yōu)化空間大；當(dāng)容量增至6時，精度達(dá)到97%以上，已明顯優(yōu)于大部分識別算法，且優(yōu)化幅度逐漸減小。本文為了盡可能提高精度，繼續(xù)增加屬性子集容量，發(fā)現(xiàn)當(dāng)其增至8時，分類精度較上一次訓(xùn)練僅提高了0.08%，小于0.1%，此時優(yōu)化效果可忽略。另一方面，屬性越多，耗費的計算時間越多。若用戶對運(yùn)算速度的要求較高時，可在能夠接受的分類精度范圍內(nèi)合理降低屬性子集的容量。本文優(yōu)先考慮分類精度，于是得到最佳屬性子集的容量為7。表2展示了四種類型典型樣本的屬性子集和相應(yīng)權(quán)值。

表2 HOG屬性子集和權(quán)值

Tab.2 HOG attribute subsets and weights

4.3 識別結(jié)果

為驗證本文算法對于局部放電識別的優(yōu)化效果，對采集的樣本進(jìn)行對比實驗。

在特征方面，分別按照傳統(tǒng)方法和本文算法提取，區(qū)分得到高維單參數(shù)特征和低維多參數(shù)特征。對于低維多參數(shù)特征，本文主要作兩組對比：一是沿用與本文算法相同的PRPS預(yù)處理圖像，基于其灰度像素矩陣計算灰度梯度共生矩陣，然后提取小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布不均勻性、梯度分布不均勻性、能量、灰度均值、梯度均值、灰度均方差、梯度均方差、相關(guān)性、灰度熵、梯度熵、混合熵、慣性和逆差矩共15個參數(shù)，構(gòu)成圖像參數(shù)組合[22-23]；二是更為傳統(tǒng)的數(shù)據(jù)特征[6-7]，即利用PRPS數(shù)據(jù)樣本統(tǒng)計得到最大放電量相位分布和平均放電量相位分布，然后分別從兩個二維分布中提取出正半周和負(fù)半周的偏斜度和峭度，加上整體數(shù)據(jù)的平均放電量、標(biāo)準(zhǔn)差、信息熵和能量密度，構(gòu)成共12個參數(shù)的統(tǒng)計參數(shù)組合。

在分類器方面，分別將特征輸入傳統(tǒng)分類器和本文算法設(shè)計的HOG-ASWNB分類器。傳統(tǒng)分類器選用識別效果較為優(yōu)越的ECOC分類器和本文算法改進(jìn)前的NB分類器，二者均與特征提取，是完全獨立的部分，因此可與低維多參數(shù)特征隨意搭配使用。而對于HOG屬性空間而言，由于傳統(tǒng)分類器無法直接識別高維單參量特征，所以利用人工歸約選擇的方式代替本文算法中用到的協(xié)方差變換重構(gòu)和貪婪搜索選擇機(jī)制，得到HOG統(tǒng)計算子組合，輸入到NB分類器和ECOC分類器中進(jìn)行識別，從而與本文算法設(shè)計的HOG-ASWNB分類器進(jìn)行對比。

綜上所述，對比實驗共有以下7條識別途徑：①統(tǒng)計參數(shù)組合+NB分類器；②統(tǒng)計參數(shù)組合+ ECOC分類器；③圖像參數(shù)組合+NB分類器；④圖像參數(shù)組合+ECOC分類器；⑤HOG屬性空間+NB分類器；⑥HOG屬性空間+ECOC分類器；⑦HOG屬性空間+HOG-ASWNB分類器。

隨機(jī)抽取16個訓(xùn)練樣本，保證每種類型均被覆蓋，得到識別結(jié)果見表3。

表3 不同算法下的識別正確率

Tab.3 Recognition accuracy under different algorithms (單位: %)

首先觀察前四種識別途徑，對于統(tǒng)計參數(shù)組合而言，NB分類器的總體識別率高于ECOC分類器；圖像參數(shù)組合卻相反。由于傳統(tǒng)的低維多參數(shù)特征與分類器完全獨立，所以不同的特征往往需要搭配不同的分類器使用才能得到更好的識別效果，而搭配方法無章可循，找到最優(yōu)解并不容易，因此也給工程應(yīng)用帶來了難度。此外，縱觀①～④四種途徑，發(fā)現(xiàn)唯有統(tǒng)計參數(shù)組合搭配ECOC分類器的總體識別率達(dá)到了90%以上，但也僅為91.52%。然而途徑⑦的總體識別率高達(dá)98.66%，比識別率最高的途徑①仍提高了7.14%，而且主要解決了絕緣氣隙誤判率高的問題，說明基于HOG屬性空間的改進(jìn)識別算法優(yōu)于低維多參數(shù)特征搭配獨立分類器的傳統(tǒng)識別方法。

后三種途徑均基于以HOG屬性空間為代表的高維單參數(shù)特征進(jìn)行識別，其中途徑⑤和途徑⑥采取相同的人工歸約方式處理HOG屬性空間，發(fā)現(xiàn)NB分類器的總體識別率明顯高于ECOC分類器。所以本文算法旨在基于HOG屬性空間對NB分類器進(jìn)行優(yōu)化，實驗發(fā)現(xiàn)，本文算法途徑⑦的總體識別率較未優(yōu)化途徑⑤提高了21.87%，優(yōu)化效果明顯。由此說明本文基于協(xié)方差重構(gòu)HOG屬性空間和基于貪婪搜索選擇最優(yōu)屬性子集的處理方式明顯優(yōu)于人工歸約方法，因此設(shè)計的HOG-ASWNB分類器能更好地融合HOG屬性空間的信息，而且最終輸入HOG-ASWNB分類器的特征維數(shù)比傳統(tǒng)算法更低，識別更快速。綜上所述，本文提出的基于HOG屬性空間的改進(jìn)識別算法能夠?qū)崿F(xiàn)準(zhǔn)確率較高的局部放電模式識別。

5 結(jié)論

本文針對電力設(shè)備局部放電的模式識別問題，提出了一種基于HOG屬性空間的改進(jìn)識別算法。該算法借用計算機(jī)視覺的思想，直接識別PRPS三維坐標(biāo)，在模式構(gòu)造階段省略了傳統(tǒng)算法從中提取放電信息二維分布的步驟。通過局部細(xì)分疊加窗口滑移的迭代算法自動化構(gòu)造樣本的HOG屬性空間，為了克服NB分類器對非獨立高維單參數(shù)特征的局限性，改進(jìn)的HOG-ASWNB識別算法將HOG屬性空間轉(zhuǎn)換為獨立低維單參數(shù)的HOG屬性子集。實驗發(fā)現(xiàn)，本文算法的總體識別率較基于HOG屬性空間使用NB分類器的未優(yōu)化方法提高了21.87%，較基于低維多參數(shù)特征搭配獨立分類器的傳統(tǒng)識別方法提高了7.14%～20.09%。

[1] 李軍浩, 韓旭濤, 劉澤輝, 等. 電氣設(shè)備局部放電檢測技術(shù)述評[J]. 高電壓技術(shù), 2015, 41(8): 116- 134.

Li Junhao, Han Xutao, Liu Zehui, et al. Review on partial discharge measurement technology of electri- cal equipment[J]. High Voltage Engineering, 2015, 41(8): 116-134.

[2] 李臻, 羅林根, 盛戈皞, 等. 基于壓縮感知的特高頻局部放電定位法[J]. 電工技術(shù)學(xué)報, 2018, 33(1): 202-208.

Li Zhen, Luo Lingen, Sheng Gehao, et al. Ultrahigh frequency partial discharge localization methodology based on compressed sensing[J]. Transactions of China Electrotechnical Society, 2018, 33(1): 202-208.

[3] 朱煜峰, 許永鵬, 陳孝信, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的直流XLPE電纜局部放電模式識別技術(shù)[J]. 電工技術(shù)學(xué)報, 2020, 35(3): 659-668.

Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.

[4] 唐志國, 唐銘澤, 李金忠, 等. 電氣設(shè)備局部放電模式識別研究綜述[J]. 高電壓技術(shù), 2017, 43(7): 173-187.

Tang Zhiguo, Tang Mingze, Li Jinzhong, et al. Review on partial discharge pattern recognition of electrical equipment[J]. High Voltage Engineering, 2017, 43(7): 173-187.

[5] Lapp A, Kranz H G. The use of the CIGRE data format for PD diagnosis applications[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2000, 7(1): 102-112.

[6] 李正明, 錢露先, 李加彬. 基于統(tǒng)計特征與概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電類型識別[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(13): 55-60.

Li Zhengming, Qian Luxian, Li Jiabin. Type recogni- tion of partial discharge in power transformer based on statistical characteristics and PNN[J]. Power System Protection and Control, 2018, 46(13): 55-60.

[7] 許永鵬, 楊豐源, 段大鵬, 等. 基于NSCT和IA-AP聚類的直流電纜局放信號圖特征提[J]. 高電壓技術(shù), 2017, 43(2): 438-445.

Xu Yongpeng, Yang Fengyuan, Duan Dapeng, et al. Feature extraction for PD in DC XLPE cable based on NSCT and IA-AP clustering[J]. High Voltage Engin- eering, 2017, 43(2): 438-445.

[8] 任先文, 薛雷, 宋陽, 等. 基于分形特征的最小二乘支持向量機(jī)局部放電模式識別[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(14): 143-147.

Ren Xianwen, Xue Lei, Song Yang, et al. The pattern recognition of partial discharge based on fractal characteristics using LS-SVM[J]. Power System Pro- tection and Control, 2011, 39(14): 143-147.

[9] 高凱, 談克雄, 李福祺, 等. 利用矩特征進(jìn)行發(fā)電機(jī)線棒模型的局部放電模式識別[J]. 電工技術(shù)學(xué)報, 2001, 16(4): 62-65.

Gao Kai, Tan Kexiong, Li Fuqi, et al. The use of moment features for recognition of partial discharges in generator stator winding models[J]. Transactions of China Electrotechnical Society, 2001, 16(4): 62-65.

[10] 魏振, 齊波, 左健, 等. 基于局部放電圖像特征的換流變壓器油紙絕緣缺陷診斷方法[J]. 電網(wǎng)技術(shù), 2015, 39(4): 1160-1166.

Wei Zhen, Qi Bo, Zuo Jian, et al. A method to diagnose defects in oil-paper insulation of converter transformer based on image feature of partial discharge[J]. Power System Technology, 2015, 39(4): 1160-1166.

[11] 唐炬, 李偉, 歐陽有鵬. 采用小波變換奇異值分解方法的局部放電模式識別[J]. 高電壓技術(shù), 2010, 36(7): 103-108.

Tang Ju, Li Wei, Ouyang Youpeng. Partial discharge pattern recognition using discrete wavelet transform and singular value decomposition[J]. High Voltage Engineering, 2010, 36(7): 103-108.

[12] 趙煦, 劉曉航, 孟永鵬, 等. 采用小波包樹能量矩陣奇異值分解的局部放電模式識別[J]. 西安交通大學(xué)學(xué)報, 2017, 51(8): 116-121.

Zhao Xu, Liu Xiaohang, Meng Yongpeng, et al. Partial discharge pattern classification by singular value decomposition of wavelet packet energy features[J]. Journal of Xi'an Jiaotong University, 2017, 51(8): 116-121.

[13] 韓寶國, 馬馳, 李靜鵬, 等. 基于DTCWT與LLE算法的變壓器局部放電特高頻信號特征參數(shù)提取方法[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(20): 65-72.

Han Baoguo, Ma Chi, Li Jingpeng, et al. A feature parameters extraction method of PD UHF signal based on DTCWT and LLE algorithm[J]. Power System Protection and Control, 2019, 47(20): 65-72.

[14] 秦雪, 錢勇, 許永鵬, 等. 基于2D-LPEWT的特征提取方法在電纜局部放電分析中的應(yīng)用[J]. 電工技術(shù)學(xué)報, 2019, 34(1): 170-178.

Qin Xue, Qian Yong, Xu Yongpeng, et al. Application of feature extraction method based on 2D-LPEWT in cable partial discharge analysis[J]. Transactions of China Electrotechnical Society, 2019, 34(1): 170-178.

[15] 律方成, 謝軍, 李敏, 等. 局部放電稀疏分解模式識別方法[J]. 中國電機(jī)工程學(xué)報, 2016, 36(10): 2836-2845.

Lü Fangcheng, Xie Jun, Li Min, et al. A partial discharge pattern recognition method based on sparse decomposition[J]. Proceedings of the CSEE, 2016, 36(10): 2836-2845.

[16] 律方成, 張波. 基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別[J]. 電測與儀表, 2014, 51(15): 37-41.

Lü Fangcheng, Zhang Bo. Pattern recognition of GIS discharge types based on LLE dimensionality redu- ction and BP_Adaboost classifier[J]. Electrical Measure- ment and Instrumentation, 2014, 51(15): 37-41.

[17] 許永鵬, 楊豐源, 錢勇, 等. 基于改進(jìn)ECOC分類器的直流電纜終端接頭局放模式識別[J]. 中國電機(jī)工程學(xué)報, 2017, 37(4): 331-339.

Xu Yongpeng, Yang Fengyuan, Qian Yong, et al. Pattern recognition of PD in DC cable terminal joint based on the improved ECOC classifier[J]. Pro- ceedings of the CSEE, 2017, 37(4): 331-339.

[18] 蘇松志, 李紹滋, 陳淑媛, 等. 行人檢測技術(shù)綜述[J]. 電子學(xué)報, 2012, 40(4): 814-820.

Su Songzhi, Li Shaozi, Chen Shuyuan, et al. A survey on pedestrian detection[J]. Acta Electronica Sinica, 2012, 40(4): 814-820.

[19] 蔣良孝. 樸素貝葉斯分類器及其改進(jìn)算法研究[D]. 武漢: 中國地質(zhì)大學(xué), 2009.

[20] 楊忠強(qiáng). 基于屬性加權(quán)和歸約的樸素貝葉斯算法研究[D]. 南寧: 廣西大學(xué), 2013.

[21] 鄧維斌, 王國胤, 王燕. 基于Rough Set的加權(quán)樸素貝葉斯分類算法[J]. 計算機(jī)科學(xué), 2007, 34(2): 204- 206, 219. Deng Weibin, Wang Guoyin, Wang Yan. Weighted na?ve bayes classification algorithm based on Rough Set[J]. Computer Science, 2007, 34(2): 204-206, 219.

[22] 郭鳳儀, 鄧勇, 王智勇, 等. 基于灰度-梯度共生矩陣的串聯(lián)故障電弧特征[J]. 電工技術(shù)學(xué)報, 2018, 33(1): 71-81.

Guo Fengyi, Deng Yong, Wang Zhiyong, et al. Series arc fault characteristics based on gray level-gradient co-occurrence matrix[J]. Transactions of China Elec- trotechnical Society, 2018, 33(1): 71-81.

[23] 陳煥栩, 解浩, 張建文, 等. 基于灰度共生矩陣紋理特征的局部放電模式識別[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(5): 25-30.

Chen Huanxu, Xie Hao, Zhang Jianwen, et al. Partial discharge pattern recognition based on texture feature of gray level co-occurrence matrix[J]. Power System Protection and Control, 2018, 46(5): 25-30.

Improved Algorithm for Partial Discharge Pattern Recognition Based on Histogram of Oriented Gradient Attribute Space

（Department of Electrical Engineering Shanghai Jiao Tong University Shanghai 200240 China）

This paper proposed an improved algorithm for partial discharge pattern recognition based on the attribute space of histogram of oriented gradient (HOG), aiming to enhance the summary ability of features and overcome the limitation of traditional classifier for the high-dimensional features. Firstly, the partial discharge phase resolved pulse sequence (PRPS) patterns were constructed as the recognition basis. And the HOG attribute space of PRPS images was formed automatically by the iterative algorithm of local cell superimposed slipped window. Secondly, in order to satisfy the mutual independence, the HOG attribute space was reconstructed by linear transformation of covariance matrix and was rearranged according to attribute importance. Thirdly, the number of attributes input to the Na?ve Bayesian classifier was sequentially increased, and then the best attribute subset was obtained based on the classification accuracy. After weighting the reduced attribute according to their relative importance, the HOG attribute selective weighted na?ve bayes classifier was finally designed. The test results of a large number of samples prove that the improved algorithm can achieve high recognition accuracy, and has an obvious optimization effect and good application value.

Partial discharge, pattern recognition, histogram of oriented gradient, phase resolved pluse sequence, attribute selective weighted Na?ve Bayes

TM85

10.19595/j.cnki.1000-6753.tces.200327

2020-04-04

2020-05-20

宋思蒙 女，1996年生，碩士研究生，研究方向為電力設(shè)備狀態(tài)監(jiān)測智能化。E-mail: songsimeng@sjtu.edu.cn

王 輝 男，1982年生，博士研究生，研究方向為電力設(shè)備狀態(tài)監(jiān)測智能化。E-mail: wanghui8203@ sjtu.edu.cn（通信作者）

（編輯 陳 誠）