本發(fā)明涉及電纜絕緣缺陷故障識別技術(shù)領(lǐng)域，，具體涉及一種基于高頻局放信號圖的電纜絕緣缺陷狀態(tài)評估方法。

背景技術(shù)：

電力電纜在電力系統(tǒng)中主要起到傳輸和分配大功率電能的作用，是電網(wǎng)重要的組成部分之一，隨著電纜在電力線路中所占比重增加，保證電力電纜的穩(wěn)定運行對電網(wǎng)的意義也愈發(fā)顯著。其中交聯(lián)聚乙烯電纜即xlpe電纜機(jī)械、電氣、熱穩(wěn)定性能良好，敷設(shè)安裝方便，因此被廣泛應(yīng)用于電力系統(tǒng)中。為了保證xlpe交流電纜的安全可靠運行，需要對電力電纜進(jìn)行絕緣電阻測量等預(yù)防性試驗。同時，為了及時、準(zhǔn)確地掌握xlpe交流電纜的絕緣缺陷情況，在進(jìn)行離線測試以外，還需要進(jìn)行在線的絕緣測試與故障診斷。

現(xiàn)有對電纜絕緣缺陷狀態(tài)進(jìn)行評價其采用支持向量機(jī)模型對xlpe電纜的絕緣故障進(jìn)行識別，但是其準(zhǔn)確率低。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決上述技術(shù)問題提供一種基于高頻局放信號圖的電纜絕緣缺陷狀態(tài)評估方法。

本發(fā)明通過下述技術(shù)方案實現(xiàn)：

一種基于高頻局放信號圖的電纜絕緣缺陷狀態(tài)評估方法，包括以下步驟，

a、獲取電纜的高頻局放信號圖；

b、提取高頻局放信號圖的紋理特征、灰度共生矩陣特征、灰度-梯度共生矩陣特征，將其作為特征向量；

c、采用遺傳算法對特征向量進(jìn)行降維；

d、將降維后的特征向量帶入蜂群優(yōu)化的多核支持向量機(jī)中進(jìn)行缺陷識別；

e、進(jìn)行缺陷類型識別。

由于xlpe交流電纜的絕緣狀況常反應(yīng)于電纜的局部放電量，通過對xlpe交流電纜局部放電進(jìn)行檢測與模式識別掌握電纜的絕緣缺陷狀況，并對絕緣缺陷狀況進(jìn)行診斷，不僅可提高對故障識別的準(zhǔn)確率，且提高xlpe電纜局部放電檢測系統(tǒng)的智能化水平，對于保證電纜的可靠運行具有重要意義。通過提取信號圖中的紋理特征、灰度共生矩陣特征、灰度-梯度共生矩陣特征作為特征向量，充分提取局部特征，使本方案的可全面考慮局放信號圖的各類特征。采用遺傳算法對特征向量的降維處理，可有效的解決陷入局部最優(yōu)解、容易破壞數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)的缺陷，使本方法可能夠進(jìn)行全局的最優(yōu)化選擇。最后利用蜂群優(yōu)化的多核支持向量機(jī)對缺陷進(jìn)行識別，可有效的降低本方法的計算量，提升運行速度，提高了識別準(zhǔn)確率，對復(fù)雜環(huán)境下的局放檢測具有更強(qiáng)的適應(yīng)性。

作為優(yōu)選，所述紋理特征包括粗糙度、對比度、方向性、線相似性、規(guī)則性和粗略度。

進(jìn)一步的，所述粗糙度的提取方法為：

對圖像均值濾波，求取平均強(qiáng)度值，濾波窗口大小為2^k×2^k，其中，κ為濾波窗口參數(shù)；

對于每個像素點(i,j)，分別計算其在水平和垂直方向的平均強(qiáng)度差s(i,j)；

對于每個像素點(i,j)，將最大的平均強(qiáng)度差所對應(yīng)的濾波窗口尺度作為最佳尺度sbest；

計算整幅圖像中的sbest并求其平均值得到粗糙度。

進(jìn)一步的，所述方向性的提取方法為：

計算每個像素的梯度向量，包括水平和垂直方向上的變化量；

根據(jù)梯度向量構(gòu)造一個直方圖，計算直方圖中峰值的尖銳程度得到圖像的方向性。

作為優(yōu)選，所述灰度共生矩陣特征的提取方法為：

在整幅圖像中，統(tǒng)計出每一種(h,k)值出現(xiàn)的次數(shù)，再將它們歸一化為出現(xiàn)的概率phk，并構(gòu)成灰度共生矩陣[phk]n×n，其中n為圖像的灰度級，k、h為灰度；

構(gòu)造了4個方向的共生矩陣，包括m(0,1),m(-1,1),m(-1,0),m(-1,-1)；

分別計算著4個共生矩陣的對比度、相關(guān)度、能量、同質(zhì)性、熵值。

作為優(yōu)選，所述灰度-梯度共生矩陣特征的提取方法為：

用梯度算子提取原始圖像的梯度圖像g(x,y)；

對梯度圖像進(jìn)行灰度級離散化處理得到新的梯度圖像g(x,y),x＝1,2,...,m；y＝1,2,...,n，其灰度級為lg；

灰度-梯度共生矩陣為{hij,i＝0,1,...,l-1；j＝0,1,...,lg-1}，其中，hij為集合{(x,y)|f(x,y)＝i,g(x,y)＝j(luò)}中元素的數(shù)目；f(x,y)為源圖像，x＝1,2,3...m,y＝1,2,3...n；l為源圖像的灰度級；

對做歸一化處理，得到其中

計算小梯度優(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、灰度平均、梯度平均、灰度均方差、梯度均方差、相關(guān)、灰度熵、梯度熵、混合熵、慣性、逆差距。

作為優(yōu)選，所述步驟c具體方法為，

c-1、缺陷特征個體編碼：對特征向量的參數(shù)按一定順序排列，染色體的每一個基因?qū)?yīng)相應(yīng)次序的特征項，其中，染色體采用二進(jìn)制符號串來表示，其等位基因由{0,1}組成；

c-2、缺陷特征優(yōu)化的遺傳操作：包括選擇運算、交叉運算、變異運算、終止條件；其中，

選擇運算具體為：

計算每個染色體vi的適應(yīng)值eval(vi)，其中i＝1,2,...n；

計算群體的總適應(yīng)值

計算每個染色體的選擇概率pi＝eval(vi)/f；

計算每個染色體的累計概率

產(chǎn)生一個在區(qū)間[[0,1]里的隨機(jī)數(shù)r，依次用qi與r相比較，第一個出現(xiàn)qi≥r的個體i被選擇作為復(fù)制的父體，重復(fù)該步驟，直到個體i的個數(shù)滿足所需要的個體數(shù)目為止；

交叉運算具體為：從種群中選擇兩個個體作父代，對每一對相互配對的個體，隨機(jī)設(shè)置除第一個位置的某一基因座之后的位置為交叉點；

變異運算具體為：采用基本位變異方法，對個體編碼串以設(shè)定的變異概率pm隨機(jī)指定的某一位或幾位基因座上的基因值做變異運算，從而產(chǎn)生新的個體；

終止條件具體為遺傳的代數(shù)t＝100；

c-3、缺陷特征優(yōu)化選擇：利用遺傳算法得到最優(yōu)染色體二進(jìn)制編碼，將冗余設(shè)置的特征刪除，即為優(yōu)化后的特征參數(shù)。

作為優(yōu)選，所述多核支持向量機(jī)采用蜂群優(yōu)化的方法為：

初始化種群，包括確定種群數(shù)、最大迭代次數(shù)m、控制參數(shù)l和確定搜索空間，并在搜索空間中隨機(jī)生成初始解xi，其中，i＝1、2、3...s，s為食物源個數(shù)，本文為4個；

初始化后，在整個種群中進(jìn)行引領(lǐng)蜂、跟隨蜂和偵查蜂搜尋過程的重復(fù)循環(huán)，直到達(dá)到最大迭代次數(shù)m或誤差允許值ε；

在搜索過程開始階段，每個引領(lǐng)蜂由式(1)產(chǎn)生一個新解，

式中，k∈{1,2,l,s},j∈{1,2,l,d}，且k≠i；為[-1,1]之間的隨機(jī)數(shù)；

計算新解的適應(yīng)度值fiti并評價它，若新解的fiti優(yōu)于舊解fiti-1，則引領(lǐng)蜂將記住新解忘掉舊解；反之，它將保留舊解；

在所有引領(lǐng)蜂完成搜尋過程之后，跟隨蜂根據(jù)式(2)計算每個解的選擇概率，

在[0,1]區(qū)間內(nèi)隨機(jī)產(chǎn)生一個數(shù)，如果解的概率值大于該隨機(jī)數(shù)，則跟隨蜂由式(3)產(chǎn)生一個新解，并檢驗新解的fiti，若新解的fiti比fiti-1好，則跟隨蜂將記住新解忘掉舊解；反之，它將保留舊解，

在所有跟隨蜂完成搜尋過程之后，如果一個解經(jīng)過l次循環(huán)仍然沒有被進(jìn)一步更新，那么就認(rèn)為此解陷入局部最優(yōu)，該食物源就會被舍棄，則此食物源對應(yīng)的引領(lǐng)蜂轉(zhuǎn)成一個偵查蜂；偵察蜂由(4)式產(chǎn)生一個新的食物源代替它，

xij＝xminj+rand(0,1)(xmaxj-xminj)(4)，其中j∈{1,2,l,d}，

返回引領(lǐng)蜂搜索過程，開始重復(fù)循環(huán)最終找到最優(yōu)食物源或最優(yōu)解。

進(jìn)一步的，評價食物源時按下式進(jìn)行貪婪選擇，

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點和有益效果：

本發(fā)明地方法通過提取信號圖中的紋理特征、灰度共生矩陣特征、灰度-梯度共生矩陣特征作為特征向量，充分提取局部特征，在利用遺傳算法對特征向量的降維處理，最后利用蜂群優(yōu)化的多核支持向量機(jī)對缺陷進(jìn)行識別，其不僅可提高對故障識別的準(zhǔn)確率，且可有效的解決陷入局部最優(yōu)解、容易破壞數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)的缺陷，使本方法可能夠進(jìn)行全局的最優(yōu)化選擇，降低計算量，更適應(yīng)復(fù)雜環(huán)境下的使用需求。

附圖說明

此處所說明的附圖用來提供對本發(fā)明實施例的進(jìn)一步理解，構(gòu)成本申請的一部分，并不構(gòu)成對本發(fā)明實施例的限定。在附圖中：

圖1為各支持向量機(jī)模型的識別準(zhǔn)確率。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，下面結(jié)合實施例和附圖，對本發(fā)明作進(jìn)一步的詳細(xì)說明，本發(fā)明的示意性實施方式及其說明僅用于解釋本發(fā)明，并不作為對本發(fā)明的限定。

實施例

一種基于高頻局放信號圖的電纜絕緣缺陷狀態(tài)評估方法，包括以下步驟，

a、獲取電纜的高頻局放信號圖；

b、提取高頻局放信號圖的紋理特征、灰度共生矩陣特征、灰度-梯度共生矩陣特征，將其作為特征向量；

c、采用遺傳算法對特征向量進(jìn)行降維；

d、將降維后的特征向量帶入蜂群優(yōu)化的多核支持向量機(jī)中進(jìn)行缺陷識別；

e、進(jìn)行缺陷類型識別。

下面針對每一步具體說明。

紋理特征即tamura特征，包括粗糙度、對比度、方向性、線相似性、規(guī)則性和粗略度。

其中，粗糙度fcrs是描述紋理中粒度大小和分布的物理量，紋理基元尺寸越大，基元之間距離越遠(yuǎn)，紋理也就越粗糙。粗糙度的提取方法為：

對圖像均值濾波，求取平均強(qiáng)度值，濾波窗口大小為2^k×2^k，其中，κ為濾波窗口參數(shù)；

對于每個像素點(i,j)，分別計算其在水平和垂直方向的平均強(qiáng)度差s(i,j)；

對于每個像素點(i,j)，將最大的平均強(qiáng)度差所對應(yīng)的濾波窗口尺度作為最佳尺度sbest；

計算整幅圖像中的sbest并求其平均值得到粗糙度，其計算方法具體為：

其中，m指圖像長度；n指圖像寬度，i指像素點橫坐標(biāo)值即長度坐標(biāo)值，j指像素點縱坐標(biāo)值即寬度坐標(biāo)值。

對比度fcon可通過對像素強(qiáng)度分布情況的統(tǒng)計得到，給出了整個圖像或區(qū)域中對比度的全局變量，可通過下式得到：

α4＝μ4/σ⁴，其中，μ指像素分布的一次矩，σ指像素值的標(biāo)準(zhǔn)差，μ4是四次矩，而σ²是方差。

方向性的提取方法為：

計算每個像素的梯度向量|△g|，包括水平和垂直方向上的變化量，可通過圖像卷積來計算，具體為：

|△g|＝(|△h|+|△v|)/2

|δg|＝(|δh|+|δv|)/2

其中，△h和△v分別為水平和垂直方向上的變化量；

當(dāng)計算出所有的像素梯度向量后，根據(jù)梯度向量構(gòu)造一個直方圖，計算直方圖中峰值的尖銳程度得到圖像總體的方向性。

線相似性flin用來描述由線組成的紋理元素，其提取方法為：首先，構(gòu)造方向共生矩陣，其元素pdd(i,j)被定義為在圖像上出現(xiàn)沿邊緣方向間隔距離dd的兩個相鄰單元的相對頻率矩陣，i和j分別代表兩個方向。利用共生矩陣，可以預(yù)測元件的幾個重要結(jié)構(gòu)特征。為了度量線相似性，我們定義相同方向用+1加權(quán)，而垂直方向用-1加權(quán)：

其中pdd是n×n局部方向共生矩陣。n代表矩陣為n階矩陣。

規(guī)則性freg用來描述重復(fù)模式的規(guī)律性。其計算方法為：

freg＝1-r(σcrs+σcon+σdir+σlin)，其中，r是歸一化因子，σcrs、σcon、σdir、σlin代表一種偏差標(biāo)準(zhǔn)。

物體的粗略度frgh無法直接描述。經(jīng)對視覺心理邏輯實驗的研究表明，我們更強(qiáng)調(diào)粗糙度與對比度的影響，并使用其作為量度來近似計算粗略度，目的在于將其近似簡化成與人類視覺感知相對應(yīng)的程度。可用下式表征：

frgh＝fcrs+fcon。

灰度共生矩陣是指圖像中相距(△x,△y)的兩個灰度像素同時出現(xiàn)的聯(lián)合頻率分布。即：若將圖像的灰度級定為n級，那么共生矩陣為n×n矩陣，可表示為m(△x,△y)(h,k)。其中，位于(h,k)的元素值mhk表示一個灰度為h而另一個灰度為k的兩個相距為(△x,△y)的像素或像素對出現(xiàn)的次數(shù)。其提取方法為：

在整幅圖像中，統(tǒng)計出每一種(h,k)值出現(xiàn)的次數(shù)，再將它們歸一化為出現(xiàn)的概率phk，得到方陣[phk]n×n，方陣[phk]n×n為灰度聯(lián)合概率矩陣，也稱為灰度共生矩陣。灰度聯(lián)合概率矩陣實際上就是兩像素點的聯(lián)合直方圖。構(gòu)造4個方向的共生矩陣即m(0,1),m(-1,1),m(-1,0),m(-1,-1)，分別表示相距為1的0度偏移，45度偏移，90度偏移和135度偏移。然后分別計算這4個共生矩陣的5個紋理參數(shù)：對比度、相關(guān)度、能量、同質(zhì)性、熵值。

對比度返回整幅圖像中像素與它相鄰像素之間的亮度反差。灰度一致的圖像，對比度為0，對于粗紋理，phk的數(shù)值集中于主對角線附近，此時|h-k|的值較小，所以對比度較小；反過來，對于細(xì)紋理，phk的數(shù)值分布比較均勻，因此，對比度較大。其計算方法為：

相關(guān)度返回整幅圖像中像素預(yù)期相鄰像素是如何相關(guān)的度量值。描述了矩陣中列或行之間的灰度相似度。它是灰度線性關(guān)系的度量。其計算方法為：

其中，μ指像素平均值，σh指縱向像素的標(biāo)準(zhǔn)差，σk指橫向像素的標(biāo)準(zhǔn)差。

能量是對圖像灰度分布均勻性的度量，當(dāng)phk分布較集中時，能量值較大；反之，則能量值較小。其計算方法為：

同質(zhì)性返回灰度共生矩陣中元素分布到對角線緊密程度，主要是局部均勻性的體現(xiàn)。其計算方法為：

若圖像沒有任何紋理，熵值接近于零。若圖像充滿細(xì)紋理，當(dāng)灰度共生矩陣中phk數(shù)值相差不大且分布比較均勻時，則熵值較大；反之，phk數(shù)值較集中時，則熵值較小。熵值的計算公式為：

源圖像為f(x,y),x＝1,2,...,m；y＝1,2,...,n，其灰度級為l。其灰度-梯度共生矩陣的提取方法為：用sobel算子或其他梯度算子提取原始圖像的梯度圖像g(x,y)，把梯度圖像進(jìn)行灰度級離散化，設(shè)灰度級數(shù)目為lg，新的灰度為

式中

變換后，梯度圖像為g(x,y),x＝1,2,...,m；y＝1,2,...,n，其灰度級為lg。

灰度-梯度共生矩陣為{hij,i＝0,1,...,l-1；j＝0,1,...,lg-1}，其中，hij定義為集合{(x,y)|f(x,y)＝i,g(x,y)＝j(luò)}中元素的數(shù)目。將做歸一化處理，得到其中

利用灰度—梯度共生矩陣，可以計算紋理特征統(tǒng)計量：

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

灰度平均

梯度平均

灰度均方差

梯度均方差

相關(guān)

灰度熵

梯度熵

混合熵

慣性

逆差距

最終得到，6個tamura特征，5個灰度共生矩陣特征和15個灰度-梯度共生矩陣特征，總共26個特征參數(shù)。

對特征向量降維的具體方法為，

c-1、缺陷特征個體編碼：對特征向量的參數(shù)按一定順序排列，染色體的每一個基因?qū)?yīng)相應(yīng)次序的特征項，即當(dāng)染色體中的某個基因為“1”時，表示該基因?qū)?yīng)的特征項被選中；反之為“0”；其中，染色體采用二進(jìn)制符號串來表示，其等位基因由{0,1}組成，由于共提取的電纜局放信號圖的特征參數(shù)為26維，所以染色體的長度l＝32位。

c-2、缺陷特征優(yōu)化的遺傳操作：包括選擇運算、交叉運算、變異運算、終止條件。

選擇運算即采用個體適應(yīng)度大小排序來選擇復(fù)制的父體，具體為：

計算每個染色體vi的適應(yīng)值eval(vi)，其中i＝1,2,...n；

計算群體的總適應(yīng)值

計算每個染色體的選擇概率pi＝eval(vi)/f；

計算每個染色體的累計概率

產(chǎn)生一個在區(qū)間[[0,1]里的隨機(jī)數(shù)r，依次用qi與r相比較，第一個出現(xiàn)qi≥r的個體i被選擇作為復(fù)制的父體，重復(fù)該步驟，直到個體i的個數(shù)滿足所需要的個體數(shù)目為止。

兩個同源染色體通過交配而重組，形成新的染色體，從而產(chǎn)生出新個體。這里采用單點交叉算子，根據(jù)所設(shè)定的交叉概率尸。交叉運算具體為：從種群中選擇兩個個體作父代，對每一對相互配對的個體，隨機(jī)設(shè)置除第一個位置的某一基因座之后的位置為交叉點，共有l(wèi)-1＝25個可能的交叉點位置。

變異運算具體為：采用基本位變異方法，對個體編碼串以設(shè)定的變異概率pm隨機(jī)指定的某一位或幾位基因座上的基因值做變異運算，即對每一指定變異點處的基因值做取反運算，基因由“0”變成“1"，或由“1”變成“0”，從而產(chǎn)生新的個體。

終止條件具體為遺傳的代數(shù)t＝100。

c-3、缺陷特征優(yōu)化選擇：利用遺傳算法得到最優(yōu)染色體二進(jìn)制編碼為：(0110001101011101001110111)，由特征的編碼順序可知，沒有被選中的特征是第1，4，5，6，9，11，15，17，18和22，這就是說這10個特征的信息是冗余的，將冗余設(shè)置的特征刪除，選擇的第2，3，7，8，10，12，13，14，16，19，20，21，23，24和25，這15個特征為優(yōu)化后的特征參數(shù)。

給定一個樣本集，是一個維樣本輸入實數(shù)向量，是對應(yīng)輸出實數(shù)，svm的基本思想是通過核函數(shù)把輸入樣本向量映射到n維特征空間，在特征空間構(gòu)造最優(yōu)決策函數(shù)，

式中，ω＝(ω1，ω2，ω3...ωn)^t為線性權(quán)值向量，b為閾值。

核函數(shù)的選擇是支持向量機(jī)中的重要組成部分。核技巧用樣本輸入空間的兩個模式的核函數(shù)的求值，來代替原高維hilbert空間中兩個點的內(nèi)積計算。在svm進(jìn)行回歸預(yù)測時，核函數(shù)首先會把樣本向量從原空間利用核函數(shù)映射到高維線性空間，然后在高維線性空間中構(gòu)造最優(yōu)逼近函數(shù)。常見的核函數(shù)有：線性核函數(shù)：k(x，x′)＝x·x′、sigmoid核函數(shù)：k(x，x′)＝1/1+exp[β(x·x′)+b]、高斯核函數(shù)：k(x，x′)＝exp[(-||x-x′||²)/(2λ²)]。

構(gòu)造適合不同樣本數(shù)據(jù)類型輸入的多核混合核函數(shù)：

式中，m是核的數(shù)目，σm≥0，1≤m≤m0的系數(shù)。

msvm可以針對不同作用類型的樣本輸入，分別采用不同的核函數(shù)進(jìn)行映射，充分利用各種不同類型的輸入變量的信息知識，提高模型的預(yù)測精度。

svm模型參數(shù)的選擇對預(yù)測精度有著重要的影響。本文采用蜂群算法進(jìn)行msvm中閾值、核的數(shù)目m0、參數(shù)、進(jìn)行優(yōu)化。

人工蜂群算法中將人工蜂群分為引領(lǐng)蜂、跟隨蜂和偵查蜂三類，每一次搜索過程中，引領(lǐng)蜂和跟隨蜂是先后開采食物源，即尋找最優(yōu)解，而偵查蜂是觀察是否陷入局部最優(yōu)，若陷入局部最優(yōu)則隨機(jī)地搜索其它可能的食物源。每個食物源代表問題一個可能解，食物源的花蜜量對應(yīng)相應(yīng)解的質(zhì)量即適應(yīng)度值fiti。

適應(yīng)度函數(shù)用每次迭代后svm回歸的平均絕對誤差表示：

式中n為樣本數(shù)，為樣本預(yù)測值，yi為樣本實際值。

人工蜂群算法搜索過程中，首先需要初始化，其中包括確定種群數(shù)、最大迭代次數(shù)m、控制參數(shù)l和確定搜索空間即解的范圍，在搜索空間中隨機(jī)生成初始解xi(i＝1,2,l,s)，s為食物源個數(shù)，本文為4個，即msvm中閾值b、核的數(shù)目m0、參數(shù)λ、σm，每個解xi是一個4維的向量。初始化之后，整個種群將進(jìn)行引領(lǐng)蜂、跟隨蜂和偵查蜂搜尋過程的重復(fù)循環(huán)，直到達(dá)到最大迭代次數(shù)m或誤差允許值ε。

在搜索過程開始階段，每個引領(lǐng)蜂由式(1)產(chǎn)生一個新解，

式中，k∈{1,2,l,s},j∈{1,2,l,d}，且k≠i；為[-1,1]之間的隨機(jī)數(shù)；

計算新解的適應(yīng)度值fiti并評價它，若新解的fiti小于fiti-1，則引領(lǐng)蜂將記住新解忘掉舊解；反之，它將保留舊解；

在所有引領(lǐng)蜂完成搜尋過程之后，引領(lǐng)蜂會在招募區(qū)跳搖擺舞把解的信息及fiti信息與跟隨蜂分享，跟隨蜂根據(jù)式(2)計算每個解的選擇概率，

在[0,1]區(qū)間內(nèi)隨機(jī)產(chǎn)生一個數(shù)，如果解的概率值大于該隨機(jī)數(shù)，則跟隨蜂由式(3)產(chǎn)生一個新解，并檢驗新解的fiti，若新解的fiti比fiti-1小，則跟隨蜂將記住新解忘掉舊解；反之，它將保留舊解

在所有跟隨蜂完成搜尋過程之后，如果一個解經(jīng)過l次循環(huán)仍然沒有被進(jìn)一步更新，那么就認(rèn)為此解陷入局部最優(yōu)，該食物源就會被舍棄，則此食物源對應(yīng)的引領(lǐng)蜂轉(zhuǎn)成一個偵查蜂；偵察蜂由(4)式產(chǎn)生一個新的食物源代替它，

xij＝xminj+rand(0,1)(xmaxj-xminj)(4)，其中j∈{1,2,l,d}，

返回引領(lǐng)蜂搜索過程，開始重復(fù)循環(huán)。

人工蜂群算法在評價食物源時一般進(jìn)行貪婪選擇按式(5)進(jìn)行。

人工蜂群算法就是通過循環(huán)搜索，最終找到最優(yōu)食物源或最優(yōu)解。

將經(jīng)過電纜的局放信號圖進(jìn)行特征提取和降維后，分別帶入svm，msvm和abc-msvm模型，不同缺陷模型在各模型的識別準(zhǔn)確率范圍如圖1所示。其中條狀為平均識別準(zhǔn)確率，i型線描述各識別率的范圍，從圖1中，我們可以發(fā)現(xiàn)，針對各種缺陷類型，abc-msvm的平均識別率分別為85.58％，89.65％，88.17％，93.96％，僅在故障類型1，比msvm的平均識別率低2.56％，其他類型的平均識別率都明顯高于其他兩種識別類型，尤其是故障類型2，比msvm的平均識別率高25.64％。

各模型的整體識別準(zhǔn)確率及運行時間如表所示。abc-msvm對4種缺陷類型的平均識別率達(dá)到89.34％，而svm和msvm分別為61.12％和76.31％。

以上所述的具體實施方式，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施方式而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。