[发明专利]一种基于特征融合和模型融合的故障指示器故障定位方法

权利要求书

1.一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，包括以下步骤：

步骤1：故障指示器采集现场电压电流数据，提取采集数据集的特征，将提取的特征作为基分类器的输入；提取的特征包括相似度、暂态特征值、基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值及5次谐波与电压相位差，其中相似度ρ计算公式如下：

式中，i₀₁和i₀₂分别为工频零序电流数据和工频零序电压导数数据，n为采样序列，采样起始点n＝1为故障发生时刻，N为零序电流信号的数据长度，m为零序电压导数数据平移点数，改变m的值使相似度ρ(m)最大，ρ_max即为最终相似度计算结果；

暂态特征值W计算公式如下：

式中，i_0x为暂态零序电流值，u₀为暂态零序电压值；

步骤2：结合现场拓扑图及故障范围实际判定结果，对采集数据集添加标签；

步骤3：将所有特征进行归一化处理，并将处理后的数据集划分为训练集和测试集；

步骤4：基分类器训练、测试，得到训练好的基分类器模型，并输出初步判定结果作为元分类器的输入；

步骤5：元分类器训练、测试，得到训练好的元分类器模型；

步骤6：对未定位的现场采集数据提取特征并做归一化处理后输入模型；

步骤7：结合模型输出结果与现场拓扑实现故障定位。

2.根据权利要求1所述的一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，所述基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值和5次谐波与电压相位差的值获取方法均为快速傅里叶变换(FFT)。

3.根据权利要求1所述的一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，所述步骤2中对采集数据集添加标签，故障范围内标记为1，故障范围外标记为-1。

4.根据权利要求1所述的一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，所述步骤3中为解决数据不均衡问题，划分训练集和测试集时用到的方法为分层抽样。

5.根据权利要求1所述的一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，所述步骤4中的基分类器包括的算法有：K-紧邻、支持向量机、决策树和神经网络。

6.根据权利要求1所述的一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，所述步骤5中的元分类器使用的算法为逻辑回归算法。

7.根据权利要求1所述的一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，所述步骤4、步骤5中基分类器和元分类器训练时采用的调参方法为网格搜索和交叉验证。

8.根据权利要求1所述的一种基于特征融合和模型融合的故障指示器故障定位方法，其特征在于，所述步骤7中的故障定位方法为：故障范围内数据最多的分支的最末一个故障范围内节点下游为故障发生区段。