[发明专利]一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法

权利要求书

1.一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法，其特征在于，包括如下步骤：

S1：基于尺度不变特征转换算法提取暂降有效值波形灰度轨迹的特征关键点，并获得特征关键点的方向信息和图上位置信息；

S2：基于特征关键点匹配的方法归算数据库中与基准数据同源的暂降事件；

使用所提取特征关键点的图上位置信息，基于像素域划分的暂降轨迹特征提取方法构建暂降样本特征矩阵，基于LightGBM树结构分类模型实现暂降类型的辨识；

所述步骤S2中暂降样本特征矩阵的构建方法为：

C1：计算关键点的梯度权重，保留包含轨迹信息的关键点；

C2：利用基于图像像素域分段的暂降RMS轨迹特征提取方法，将每张暂降轨迹图划分为纵向高度相同的若干像素段；

C3：提取关键点在图上像素段位置特征构建特征矩阵，将暂降轨迹的最大梯度权重作为补充特征，对每个暂降事件分别用三相特征数据进行表达。

2.根据权利要求1所述的一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法，其特征在于，所述步骤S1中特征关键点的提取方法具体为：

A1：采用高斯卷积核将灰度图像进行多尺度分解；

A2：基于多尺度分解后的灰度图像，构建高斯金字塔；

A3：获得图像的高斯金字塔之后，利用SIFT算法计算O_n层相邻尺度图像之间的差分结果，利用高斯多尺度差分来检测图像中的灰度极值点；

A4：利用对比度测试和边缘测试来剔除低对比度和边缘响应不稳定点的极值点，最终保留下来的极值点作为由SIFT算法检测得到的特征关键点。

3.根据权利要求1所述的一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法，其特征在于，所述步骤S2中基于关键点匹配的方法归算数据库中与基准数据同源的暂降事件的方法为：

B1：计算两灰度图像中相应点邻域像素的梯度值和梯度方向，若两者一致则认为两关键点对应；

B2：以关键点邻域16个种子信息点，共128维特征向量，来唯一的描述暂降RMS波形轨迹的一个关键点；

B3：根据特征关键点信息的唯一性，利用基于暂降RMS轨迹关键点匹配的同源检测方法实现关键点匹配。

4.根据权利要求1所述的一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法，其特征在于，所述步骤S2中基于LightGBM树结构分类模型实现暂降类型的辨识的过程为：

D1：按照要进行分裂的特征的所有绝对值大小降序排序，再利用单边梯度采样减少所需处理的样本数量；

D2：采用EFB对互斥特征进行融合，根据样本特征数据构建加权无向图，计算特征之间的互斥程度，融合连接权重值高的特征并建立捆绑特征包，以减少样本特征的总体冲突，以有效实现特征降维；

D3：基于直方图的统计思想，将样本特征数据离散的统计到若干的数据段内，以直方图数据块的形式保存样本信息；

D4：基于LightGBM算法，利用带深度限制的leaf-wise生长策略提高特征数据的处理效率，实现暂降类型的准确辨识。

5.根据权利要求1所述的一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法，其特征在于，所述步骤S2中暂降类型包括单相故障，两相故障，三相故障，暂升、暂降复合故障，感应电机启动，变压器投切。