一種開關(guān)柜故障特征選擇方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能配電自動化技術(shù)領(lǐng)域，特別涉及一種開關(guān)柜故障特征選擇方法及 裝置。
【背景技術(shù)】
[0002] 目前，配電柜的故障類型較多，相應(yīng)的故障特征也很多，包括開關(guān)柜的絕緣故障、 機(jī)械故障、溫升故障和電弧故障等故障特征。
[0003] 然而，現(xiàn)有技術(shù)還無法準(zhǔn)確有效地對開關(guān)柜發(fā)生故障時(shí)相應(yīng)的故障特征進(jìn)行識 另IJ，從而對后續(xù)的診斷維修工作造成極大的不方便。
[0004] 綜上所述可以看出，如何實(shí)現(xiàn)對開關(guān)柜發(fā)生故障時(shí)相應(yīng)的故障特征進(jìn)行準(zhǔn)確有效 的識別是目前亟待解決的問題。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明的目的在于提供一種開關(guān)柜故障特征選擇方法及裝置，實(shí)現(xiàn)了 對開關(guān)柜發(fā)生故障時(shí)相應(yīng)的故障特征進(jìn)行準(zhǔn)確有效的識別，方便了后續(xù)的診斷維修工作。 其具體方案如下：
[0006] -種開關(guān)柜故障特征選擇方法，包括：
[0007] 從發(fā)生故障的開關(guān)柜中提取出故障特征集，所述故障特征集包括M個(gè)樣本，每個(gè) 樣本均包括N個(gè)故障特征，其中，M和N均為正整數(shù)；
[0008] 基于故障特征重要程度的排序原則，對所述故障特征集的N個(gè)故障特征進(jìn)行排 序，得到已排序的待選故障特征子集；
[0009] 基于mRMR準(zhǔn)則，并利用增量搜索法，對所述待選故障特征子集進(jìn)行篩選，得到N個(gè) 候選故障特征子集；
[0010] 計(jì)算所述N個(gè)候選故障特征子集中每一個(gè)候選故障特征子集的分類正確率，將分 類正確率最大的候選故障特征子集確定為所述開關(guān)柜的最優(yōu)故障特征子集。
[0011] 優(yōu)選的，所述計(jì)算所述N個(gè)候選故障特征子集中的每一個(gè)候選故障特征子集的分 類正確率，將分類正確率最大的候選故障特征子集確定為所述開關(guān)柜的最優(yōu)故障特征子集 的過程包括：
[0012] 利用SVM分類算法，對所述N個(gè)候選故障特征子集中的每一個(gè)候選故障特征子集 的分類正確率進(jìn)行測試，相應(yīng)地得到N個(gè)分類正確率；將所述N個(gè)分類正確率中數(shù)值最大的 分類正確率所對應(yīng)的候選故障特征子集確定為所述最優(yōu)故障特征子集。
[0013] 優(yōu)選的，所述基于故障特征重要程度的排序原則，對所述故障特征集的N個(gè)故障 特征進(jìn)行排序，得到已排序的待選故障特征子集的過程包括：
[0014] 利用所述M個(gè)樣本中每個(gè)樣本的特征向量，構(gòu)造相應(yīng)的近鄰圖；計(jì)算所述近鄰圖 的M X M階相似矩陣；利用所述M X M階相似矩陣，計(jì)算所述故障特征集的N個(gè)故障特征中每 個(gè)故障特征的重要程度系數(shù)；根據(jù)每個(gè)故障特征的重要程度系數(shù)的大小順序，對所述故障 特征集的N個(gè)故障特征進(jìn)行排序，得到所述待選故障特征子集。
[0015] 優(yōu)選的，所述利用所述MXM階相似矩陣，計(jì)算所述故障特征集的N個(gè)故障特征中 每個(gè)故障特征的重要程度系數(shù)，根據(jù)每個(gè)故障特征的重要程度系數(shù)的大小順序，對所述故 障特征集的N個(gè)故障特征進(jìn)行排序，得到所述待選故障特征子集的過程包括：
[0016] 利用所述MXM階相似矩陣，計(jì)算所述故障特征集的N個(gè)故障特征中每個(gè)故障特征 的拉普拉斯分值，相應(yīng)地得到N個(gè)拉普拉斯分值；按照所述N個(gè)拉普拉斯分值中每個(gè)拉普拉 斯分值的大小順序，相應(yīng)地對所述N個(gè)故障特征進(jìn)行排序，得到所述待選故障特征子集。
[0017] 優(yōu)選的，所述基于mRMR準(zhǔn)則，并利用增量搜索法，對所述待選故障特征子集進(jìn)行 篩選，得到N個(gè)候選故障特征子集的過程包括：
[0018] 步驟Sl :從所述待選故障特征子集中挑選出滿足第一篩選條件的一個(gè)故障特征， 并將該故障特征確定為第一候選故障特征子集，所述第一篩選條件為基于故障特征與目標(biāo) 故障類型之間的相關(guān)性得到的篩選條件；
[0019] 步驟S2 :將所述第一候選故障特征子集確定為當(dāng)前候選故障特征子集；
[0020] 步驟S3 :將當(dāng)前候選故障特征子集中的故障特征從所述待選故障特征子集中剔 除，得到剔除后待選故障特征子集；
[0021] 步驟S4 :從剔除后待選故障特征子集中挑選出滿足第二篩選條件的一個(gè)故障特 征，并將該故障特征合并至當(dāng)前候選故障特征子集，得到最新候選故障特征子集，所述第二 篩選條件為基于故障特征與目標(biāo)故障類別之間的相關(guān)性以及故障特征之間的相關(guān)性得到 的篩選條件；
[0022] 步驟S5:將最新候選故障特征子集確定為當(dāng)前候選故障特征子集，并轉(zhuǎn)至步驟 S3,直到最新候選故障特征子集中的故障特征的數(shù)量為N。
[0023] 優(yōu)選的，所述第一篩選條件為：
[0024] max[I (sk；T)]；
[0025] 其中，I (sk;T)表示故障特征s ,與目標(biāo)故障類型T之間的相關(guān)性。
[0026] 優(yōu)選的，所述第二篩選條件為：
[0027]
[0028] 其中，Sni i表示當(dāng)前候選故障特征子集，S-Sni i表示剔除后待選故障特征子集，s# 示Sm i中的故障特征，s t表示S-Sm i中的故障特征，其中，m = 2,. . .，N，I (s t;T)表示故障 特征8,與目標(biāo)故障類型T之間的相關(guān)性，I (s t;s k)表示故障特征St與故障特征s k之間的 相關(guān)性。
[0029] 本發(fā)明還公開了一種開關(guān)柜故障特征選擇裝置，包括：
[0030] 特征提取器，用于從發(fā)生故障的開關(guān)柜中提取出故障特征集，所述故障特征集包 括M個(gè)樣本，每個(gè)樣本均包括N個(gè)故障特征，其中，M和N均為正整數(shù)；
[0031] 特征排序器，用于基于故障特征重要程度的排序原則，對所述故障特征集的N個(gè) 故障特征進(jìn)行排序，得到已排序的待選故障特征子集；
[0032] 特征篩選器，用于基于mRMR準(zhǔn)則，并利用增量搜索法，對所述待選故障特征子集 進(jìn)行篩選，得到N個(gè)候選故障特征子集；
[0033] 特征分析器，用于計(jì)算所述N個(gè)候選故障特征子集中每一個(gè)候選故障特征子集的 分類正確率，將分類正確率最大的候選故障特征子集確定為所述開關(guān)柜的最優(yōu)故障特征子 集。
[0034] 優(yōu)選的，所述特征分析器包括SVM分類器和最優(yōu)故障特征獲取器；
[0035] 所述SVM分類器，用于利用SVM分類算法，對所述N個(gè)候選故障特征子集中的每一 個(gè)候選故障特征子集的分類正確率進(jìn)行測試，相應(yīng)地得到N個(gè)分類正確率；
[0036] 所述最優(yōu)故障特征獲取器，用于將所述N個(gè)分類正確率中數(shù)值最大的分類正確率 所對應(yīng)的候選故障特征子集確定為所述最優(yōu)故障特征子集，并輸出所述最優(yōu)故障特征子 集。
[0037] 優(yōu)選的，所述特征排序器包括：
[0038] 近鄰圖構(gòu)造單元，用于利用所述M個(gè)樣本中每個(gè)樣本的特征向量，構(gòu)造相應(yīng)的近 鄰圖；
[0039] 相似矩陣計(jì)算單元，用于計(jì)算所述近鄰圖的MXM階相似矩陣；
[0040] 系數(shù)計(jì)算單元，用于利用所述MXM階相似矩陣，計(jì)算所述故障特征集的N個(gè)故障 特征中每個(gè)故障特征的重要程度系數(shù)；
[0041] 特征排序單元，用于根據(jù)每個(gè)故障特征的重要程度系數(shù)的大小順序，對所述故障 特征集的N個(gè)故障特征進(jìn)行排序，得到所述待選故障特征子集。
[0042] 本發(fā)明中，通過對發(fā)生故障的開關(guān)柜進(jìn)行特征集提取處理，得到故障特征集；然 后基于故障特征重要程度的排序原則，對故障特征集的N個(gè)故障特征進(jìn)行排序；接著基于 mRMR準(zhǔn)則，并利用增量搜索法，對排序后得到的待選故障特征子集進(jìn)行篩選，得到N個(gè)候選 故障特征子集；最后對上述N個(gè)候選故障特征子集中的每一個(gè)候選故障特征子集進(jìn)行分類 正確率的計(jì)算，并將分類正確率最大的候選故障特征子集確定為開關(guān)柜的最優(yōu)故障特征子 集。由上可見，本發(fā)明通過事先基于故障特征重要程度的排序原則，對故障特征集中的故障 特征進(jìn)行排序，從而實(shí)現(xiàn)了故障特征的降維，也由此大大降低了后續(xù)篩選等過程的計(jì)算量， 然后基于mRMR準(zhǔn)則（mRMR，即Max-Relevance and Min-Redundancy，最大相關(guān)最小冗余）， 并利用增量搜索法，對排序后得到的待選故障特征子集進(jìn)行篩選，得到了 N個(gè)候選故障特 征子集，由于是基于mRMR準(zhǔn)則對待選故障特征子集進(jìn)行篩選的，所以