[发明专利]一种基于云样本熵的中低压设备故障特征选择方法

说明书

本发明公开了一种基于云样本熵的中低压设备故障特征选择方法，该方法通过对获取到的多个状态量进行标准化而得到多个时间序列向量，以及对多个时间序列向量分别进行重构而得到多个复合延迟向量；然后，根据基于各复合延迟向量两两之间距离的概率分布，构建以期望E_d、熵E_nd、超熵H_ed为数字特征的半降梯形云模型，并利用该半降梯形云模型，计算状态量的云样本熵，然后，基于拉普拉斯分值法对云样本熵的重要度进行排序，并根据云样本熵的重要度的排序结果，完成中低压设备的故障特征选择。因此，本发明通过半降梯形云模型量化样本间关联关系的不确定性，并作为云样本熵的重要度的判断依据，从而能够有效地分析出开关柜的故障特征。

技术领域

本发明涉及故障分析技术领域，特别是涉及一种基于云样本熵的中低压设备故障特征选择方法、系统及存储介质。

背景技术

目前，对电力设备运行状况进行监测，提取故障特征参数，能及时诊断和预判电力故障，降低其运维成本。以开关柜为例，反映开关柜故障的关联敏感特征量繁多，尽管利用特征选择可剔除部分冗余的特征量，但所得与开关柜故障关系紧密的特征量子集仍有多元的关联状态量。

为获取开关柜状态量的故障特征，可以通过时频、非线性分析法对故障特征进行分析提取。由于时频分析法主要针对线性和平稳的时间序列信号，而开关柜故障特征随时间呈现动态变化，具有非平稳性。虽然，可将多变量样本熵拓展，提出多变量多尺度样本熵(Multivariate Multiscale Sample Entropy，MMSE)，从序列自身的复杂度、序列之间的互预测性和不同时间尺度的相关性3个方面提取多个监测时间序列的故障特征，但是MMSE对相似容限参数的敏感度高，计算短时间序列熵值的稳健性差，不能有效地分析出开关柜的故障特征，无法有效区分故障类型。

发明内容

鉴于以上所述现有技术的不足，本发明的目的在于：提供一种基于云样本熵的中低压设备故障特征选择方法，能够有效地分析出开关柜的故障特征。

为实现上述发明目的，本发明提供以下技术方案：

一种基于云样本熵的中低压设备故障特征选择方法，其包括以下步骤：

S1：获取中低压设备的多个状态量，并对获取到的多个状态量进行标准化而得到多个时间序列向量，以及对多个时间序列向量分别进行重构而得到多个复合延迟向量；

S2：基于各复合延迟向量两两之间距离的概率分布，构建以期望E_d、熵E_nd、超熵H_ed为数字特征的半降梯形云模型C(E_d,E_nd,H_ed)，并利用所述半降梯形云模型C(E_d,E_nd,H_ed)，计算状态量的云样本熵；

S3：基于拉普拉斯分值法对云样本熵的重要度进行排序，并根据云样本熵的重要度的排序结果，完成中低压设备的故障特征选择。

根据一种具体的实施方式，本发明基于云样本熵的中低压设备故障特征选择方法中，步骤S1包括：

S101：通过标准差标准化，得到时间序列向量x_m＝{x_m1，x_m2，…,x_mn，…，x_mN}，m＝1,2…,M；N为监测数据个数，M为状态量的总数；

S102：根据尺度因子τ对各状态量的时间序列向量进行粗粒化变换，得到不同时间尺度的时间序列而且，其中，1≤i≤N/τ；

S103：由多变量相空间重构建立M个状态量时间序列的复合延迟向量其中，