CN105095675B - 一种开关柜故障特征选择方法及装置 - Google Patents

Abstract

本申请公开了一种开关柜故障特征选择方法及装置，该方法包括：基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行排序，得到待选故障特征子集；基于mRMR准则，并利用增量搜索法，对待选故障特征子集进行筛选；计算筛选后得到的N个候选故障特征子集中每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为最优故障特征子集。本申请事先对故障特征集中的故障特征进行排序，实现了故障特征的降维，然后基于mRMR准则进行筛选，有效地减少了故障特征样本中的噪音成分，进一步降低了特征维数，提高了筛选的效果，进而提高了后续得到的最优故障特征子集与发生故障的实际原因之间的吻合度。

Description

一种开关柜故障特征选择方法及装置

技术领域

本发明涉及智能配电自动化技术领域，特别涉及一种开关柜故障特征选择方法及装置。

背景技术

目前，配电柜的故障类型较多，相应的故障特征也很多，包括开关柜的绝缘故障、机械故障、温升故障和电弧故障等故障特征。

然而，现有技术还无法准确有效地对开关柜发生故障时相应的故障特征进行识别，从而对后续的诊断维修工作造成极大的不方便。

综上所述可以看出，如何实现对开关柜发生故障时相应的故障特征进行准确有效的识别是目前亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种开关柜故障特征选择方法及装置，实现了对开关柜发生故障时相应的故障特征进行准确有效的识别，方便了后续的诊断维修工作。其具体方案如下：

一种开关柜故障特征选择方法，包括：

从发生故障的开关柜中提取出故障特征集，所述故障特征集包括M个样本，每个样本均包括N个故障特征，其中，M和N均为正整数；

基于故障特征重要程度的排序原则，对所述故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集；

基于mRMR准则，并利用增量搜索法，对所述待选故障特征子集进行筛选，得到N个候选故障特征子集；

计算所述N个候选故障特征子集中每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为所述开关柜的最优故障特征子集。

优选的，所述计算所述N个候选故障特征子集中的每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为所述开关柜的最优故障特征子集的过程包括：

利用SVM分类算法，对所述N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；将所述N个分类正确率中数值最大的分类正确率所对应的候选故障特征子集确定为所述最优故障特征子集。

优选的，所述基于故障特征重要程度的排序原则，对所述故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集的过程包括：

利用所述M个样本中每个样本的特征向量，构造相应的近邻图；计算所述近邻图的M×M阶相似矩阵；利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的重要程度系数；根据每个故障特征的重要程度系数的大小顺序，对所述故障特征集的N个故障特征进行排序，得到所述待选故障特征子集。

优选的，所述利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的重要程度系数，根据每个故障特征的重要程度系数的大小顺序，对所述故障特征集的N个故障特征进行排序，得到所述待选故障特征子集的过程包括：

利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的拉普拉斯分值，相应地得到N个拉普拉斯分值；按照所述N个拉普拉斯分值中每个拉普拉斯分值的大小顺序，相应地对所述N个故障特征进行排序，得到所述待选故障特征子集。

优选的，所述基于mRMR准则，并利用增量搜索法，对所述待选故障特征子集进行筛选，得到N个候选故障特征子集的过程包括：

步骤S1：从所述待选故障特征子集中挑选出满足第一筛选条件的一个故障特征，并将该故障特征确定为第一候选故障特征子集，所述第一筛选条件为基于故障特征与目标故障类型之间的相关性得到的筛选条件；

步骤S2：将所述第一候选故障特征子集确定为当前候选故障特征子集；

步骤S3：将当前候选故障特征子集中的故障特征从所述待选故障特征子集中剔除，得到剔除后待选故障特征子集；

步骤S4：从剔除后待选故障特征子集中挑选出满足第二筛选条件的一个故障特征，并将该故障特征合并至当前候选故障特征子集，得到最新候选故障特征子集，所述第二筛选条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相关性得到的筛选条件；

步骤S5：将最新候选故障特征子集确定为当前候选故障特征子集，并转至步骤S3，直到最新候选故障特征子集中的故障特征的数量为N。

优选的，所述第一筛选条件为：

max[I(s_k；T)]；

其中，I(s_k；T)表示故障特征s_k与目标故障类型T之间的相关性。

优选的，所述第二筛选条件为：

其中，S_m-1表示当前候选故障特征子集，S-S_m-1表示剔除后待选故障特征子集，s_k表示S_m-1中的故障特征，s_t表示S-S_m-1中的故障特征，其中，m＝2,...,N，I(s_t；T)表示故障特征s_t与目标故障类型T之间的相关性，I(s_t；s_k)表示故障特征s_t与故障特征s_k之间的相关性。

本发明还公开了一种开关柜故障特征选择装置，包括：

特征提取器，用于从发生故障的开关柜中提取出故障特征集，所述故障特征集包括M个样本，每个样本均包括N个故障特征，其中，M和N均为正整数；

特征排序器，用于基于故障特征重要程度的排序原则，对所述故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集；

特征筛选器，用于基于mRMR准则，并利用增量搜索法，对所述待选故障特征子集进行筛选，得到N个候选故障特征子集；

特征分析器，用于计算所述N个候选故障特征子集中每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为所述开关柜的最优故障特征子集。

优选的，所述特征分析器包括SVM分类器和最优故障特征获取器；

所述SVM分类器，用于利用SVM分类算法，对所述N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；

所述最优故障特征获取器，用于将所述N个分类正确率中数值最大的分类正确率所对应的候选故障特征子集确定为所述最优故障特征子集，并输出所述最优故障特征子集。

优选的，所述特征排序器包括：

近邻图构造单元，用于利用所述M个样本中每个样本的特征向量，构造相应的近邻图；

相似矩阵计算单元，用于计算所述近邻图的M×M阶相似矩阵；

系数计算单元，用于利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的重要程度系数；

特征排序单元，用于根据每个故障特征的重要程度系数的大小顺序，对所述故障特征集的N个故障特征进行排序，得到所述待选故障特征子集。

本发明中，通过对发生故障的开关柜进行特征集提取处理，得到故障特征集；然后基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行排序；接着基于mRMR准则，并利用增量搜索法，对排序后得到的待选故障特征子集进行筛选，得到N个候选故障特征子集；最后对上述N个候选故障特征子集中的每一个候选故障特征子集进行分类正确率的计算，并将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特征子集。由上可见，本发明通过事先基于故障特征重要程度的排序原则，对故障特征集中的故障特征进行排序，从而实现了故障特征的降维，也由此大大降低了后续筛选等过程的计算量，然后基于mRMR准则(mRMR，即Max-Relevance and Min-Redundancy，最大相关最小冗余)，并利用增量搜索法，对排序后得到的待选故障特征子集进行筛选，得到了N个候选故障特征子集，由于是基于mRMR准则对待选故障特征子集进行筛选的，所以筛选后得到的N个候选故障特征子集满足了最大相关和最小冗余的特性要求，从而有效地减少了故障特征样本中的噪音成分，进一步降低了特征维数，提高了筛选的效果，进而提高了后续得到的最优故障特征子集与发生故障的实际原因之间的吻合度，并进一步减少了后续的计算量。综上可见，本发明实现了对开关柜发生故障时相应的故障特征进行准确有效的识别，方便了后续的诊断维修工作。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种开关柜故障特征选择方法流程图；

图2为本发明实施例公开的一种具体的开关柜故障特征选择方法流程图；

图3为本发明实施例公开的一种开关柜故障特征选择装置结构示意图；

图4为本发明实施例公开的一种具体的开关柜故障特征选择装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种开关柜故障特征选择方法，参见图1所示，该方法包括：

步骤S11：从发生故障的开关柜中提取出故障特征集，故障特征集包括M个样本，每个样本均包括N个故障特征，其中，M和N均为正整数；

步骤S12：基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集；

步骤S13：基于mRMR准则，并利用增量搜索法，对待选故障特征子集进行筛选，得到N个候选故障特征子集；

步骤S14：计算N个候选故障特征子集中每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特征子集。

本发明实施例中，通过对发生故障的开关柜进行特征集提取处理，得到故障特征集；然后基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行排序；接着基于mRMR准则，并利用增量搜索法，对排序后得到的待选故障特征子集进行筛选，得到N个候选故障特征子集；最后对上述N个候选故障特征子集中的每一个候选故障特征子集进行分类正确率的计算，并将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特征子集。

由上可见，本发明实施例通过事先基于故障特征重要程度的排序原则，对故障特征集中的故障特征进行排序，从而实现了故障特征的降维，也由此大大降低了后续筛选等过程的计算量，然后基于mRMR准则，并利用增量搜索法，对排序后得到的待选故障特征子集进行筛选，得到了N个候选故障特征子集，由于是基于mRMR准则对待选故障特征子集进行筛选的，所以筛选后得到的N个候选故障特征子集满足了最大相关和最小冗余的特性要求，从而有效地减少了故障特征样本中的噪音成分，进一步降低了特征维数，提高了筛选的效果，进而提高了后续得到的最优故障特征子集与发生故障的实际原因之间的吻合度，并进一步减少了后续的计算量。综上可见，本发明实施例实现了对开关柜发生故障时相应的故障特征进行准确有效的识别，方便了后续的诊断维修工作。

本发明实施例公开了一种具体的开关柜故障特征选择方法，参见图2所示，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体如下：

上一实施例中步骤S12的过程具体可以包括：

步骤S121：利用M个样本中每个样本的特征向量，构造相应的近邻图；

步骤S122：计算近邻图的M×M阶相似矩阵；

步骤S123：利用M×M阶相似矩阵，计算故障特征集的N个故障特征中每个故障特征的重要程度系数；

步骤S124：根据每个故障特征的重要程度系数的大小顺序，对故障特征集的N个故障特征进行排序，得到待选故障特征子集。

上述步骤S123具体过程为：利用M×M阶相似矩阵，计算故障特征集的N个故障特征中每个故障特征的拉普拉斯分值，相应地得到N个拉普拉斯分值；

上述步骤S124具体过程为：按照上述N个拉普拉斯分值中每个拉普拉斯分值的大小顺序，相应地对N个故障特征进行排序，得到待选故障特征子集。

上一实施例中步骤S13具体包括：

步骤S131：从待选故障特征子集中挑选出满足第一筛选条件的一个故障特征，并将该故障特征确定为第一候选故障特征子集，第一筛选条件为基于故障特征与目标故障类型之间的相关性得到的筛选条件；

步骤S132：将第一候选故障特征子集确定为当前候选故障特征子集；

步骤S133：将当前候选故障特征子集中的故障特征从待选故障特征子集中剔除，得到剔除后待选故障特征子集；

步骤S134：从剔除后待选故障特征子集中挑选出满足第二筛选条件的一个故障特征，并将该故障特征合并至当前候选故障特征子集，得到最新候选故障特征子集，第二筛选条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相关性得到的筛选条件；

步骤S135：将最新候选故障特征子集确定为当前候选故障特征子集，并转至步骤S133，直到最新候选故障特征子集中的故障特征的数量为N。

本实施例中，优选的第一筛选条件为：

max[I(s_k；T)]；

其中，I(s_k；T)表示故障特征s_k与目标故障类型T之间的相关性。

优选的第二筛选条件为：

其中，S_m-1表示当前候选故障特征子集，S-S_m-1表示剔除后待选故障特征子集，s_k表示S_m-1中的故障特征，s_t表示S-S_m-1中的故障特征，其中，m＝2,...,N，I(s_t；T)表示故障特征s_t与目标故障类型T之间的相关性，I(s_t；s_k)表示故障特征s_t与故障特征s_k之间的相关性。

上一实施例中步骤S14的具体过程为：

步骤S141：利用SVM分类算法(SVM，即Support Vector Machine，支持向量机)，对N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；

步骤S142：将N个分类正确率中数值最大的分类正确率所对应的候选故障特征子集确定为最优故障特征子集。

本发明实施例公开了一种更具体的开关柜故障特征选择方法，具体如下：

从发生故障的开关柜中提取出故障特征集，故障特征集包括M个样本，每个样本均包括N个故障特征，利用f_ir表示第i个样本的第r个特征，其中，M和N均为正整数，i＝1,...,M，r＝1,...,N；

利用上述M个样本中每个样本的特征向量x_i，构造相应的近邻图，并进一步计算该近邻图的M×M阶相似矩阵P，矩阵元素P_ij为：

其中，σ为常数，||·||表示欧氏距离，i,j＝1,...,M。

利用上述M×M阶相似矩阵，计算故障特征集的N个故障特征中每个故障特征的拉普拉斯分值，相应地得到N个拉普拉斯分值；其中，第r个故障特征的拉普拉斯分值的计算公式为：

上式中，f_r＝(f_1r,f_2r,...,f_Mr)^T，I＝(1,1,...,1)^T，D＝PI，L＝D-P，P表示上述M×M阶相似矩阵，Var(f_r)表示第r个故障特征的方差，需要说明的是，上述为均值化处理后得到的特征，这样可以避免发生由于某些维度数据差异很大而主导近邻图的构造的现象。

按照上述N个拉普拉斯分值中每个拉普拉斯分值的大小顺序，相应地对N个故障特征进行排序，得到待选故障特征子集S。

从待选故障特征子集S中挑选出满足第一筛选条件的一个故障特征，并将该故障特征确定为第一候选故障特征子集，其中，第一筛选条件具体为：

max[I(s_k；T)]；

其中，k＝1,2,...,N，I(s_k；T)表示故障特征s_k与目标故障类型T之间的相关性。

将第一候选故障特征子集确定为当前候选故障特征子集S_m-1，其中，m＝2,3,...,或N；

将当前候选故障特征子集S_m-1中的故障特征从待选故障特征子集S中剔除，得到剔除后待选故障特征子集S-S_m-1；

从剔除后待选故障特征子集S-S_m-1中挑选出满足第二筛选条件的一个故障特征，并将该故障特征合并至当前候选故障特征子集S_m-1，得到最新候选故障特征子集，第二筛选条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相关性得到的筛选条件，第二筛选条件具体为：

其中，m＝2,...,N，I(s_t；T)表示故障特征s_t与目标故障类型T之间的相关性，I(s_t；s_k)表示故障特征s_t与故障特征s_k之间的相关性。

将最新候选故障特征子集确定为当前候选故障特征子集，并转至上述特征剔除步骤中，直到最新候选故障特征子集中的故障特征的数量为N，由此得到N个候选故障特征子集，分别为S₁、S₂、…、S_N。

利用SVM分类算法，对上述N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；将N个分类正确率中数值最大的分类正确率所对应的候选故障特征子集确定为最优故障特征子集。

本发明实施例还公开了一种开关柜故障特征选择装置，参见图3所示，该装置包括：

特征提取器31，用于从发生故障的开关柜中提取出故障特征集，故障特征集包括M个样本，每个样本均包括N个故障特征，其中，M和N均为正整数；

特征排序器32，用于基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集；

特征筛选器33，用于基于mRMR准则，并利用增量搜索法，对待选故障特征子集进行筛选，得到N个候选故障特征子集；

特征分析器34，用于计算N个候选故障特征子集中每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特征子集。

本发明实施例中，开关柜故障特征选择装置包括特征提取器、特征排序器、特征筛选器和特征分析器。其中，特征提取器可对发生故障的开关柜进行特征集提取处理，得到故障特征集；特征排序器则可基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行排序；而特征筛选器则可基于mRMR准则，并利用增量搜索法，对排序后得到的待选故障特征子集进行筛选，得到N个候选故障特征子集；最后利用特征分析器，对上述N个候选故障特征子集中的每一个候选故障特征子集进行分类正确率的计算，并将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特征子集。

由上可见，本发明实施例通过特征排序器，事先基于故障特征重要程度的排序原则，对故障特征集中的故障特征进行排序，从而实现了故障特征的降维，也由此大大降低了后续筛选等过程的计算量。而特征筛选器则可基于mRMR准则，并利用增量搜索法，对排序后得到的待选故障特征子集进行筛选，得到了N个候选故障特征子集，由于是基于mRMR准则对待选故障特征子集进行筛选的，所以筛选后得到的N个候选故障特征子集满足了最大相关和最小冗余的特性要求，从而有效地减少了故障特征样本中的噪音成分，进一步降低了特征维数，提高了筛选的效果，进而提高了后续通过特征分析器得到的最优故障特征子集与发生故障的实际原因之间的吻合度，并进一步减少了后续的计算量。综上可见，本发明实施例实现了对开关柜发生故障时相应的故障特征进行准确有效的识别，方便了后续的诊断维修工作。

本发明实施例公开了一种具体的开关柜故障特征选择装置，参见图4所示，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体如下：

本实施例中，特征分析器34具体可以包括SVM分类器341和最优故障特征获取器342；其中，

SVM分类器341，用于利用SVM分类算法，对N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；

最优故障特征获取器342，用于将N个分类正确率中数值最大的分类正确率所对应的候选故障特征子集确定为最优故障特征子集，并输出最优故障特征子集。

进一步的，本实施例中特征排序器32具体可以包括：

近邻图构造单元321，用于利用M个样本中每个样本的特征向量，构造相应的近邻图；

相似矩阵计算单元322，用于计算近邻图的M×M阶相似矩阵；

系数计算单元323，用于利用M×M阶相似矩阵，计算故障特征集的N个故障特征中每个故障特征的重要程度系数；

特征排序单元324，用于根据每个故障特征的重要程度系数的大小顺序，对故障特征集的N个故障特征进行排序，得到待选故障特征子集。

其中，上述系数计算单元具体可以为：利用M×M阶相似矩阵，计算故障特征集的N个故障特征中每个故障特征的拉普拉斯分值，相应地得到N个拉普拉斯分值的拉普拉斯分值计算单元；上述特征排序单元具体可以为：按照N个拉普拉斯分值中每个拉普拉斯分值的大小顺序，相应地对N个故障特征进行排序，得到待选故障特征子集的排序单元。

另外，本实施例中特征筛选器33具体包括：

第一筛选单元331，用于从待选故障特征子集中挑选出满足第一筛选条件的一个故障特征，并将该故障特征确定为第一候选故障特征子集，第一筛选条件为基于故障特征与目标故障类型之间的相关性得到的筛选条件；

第一确定单元332，用于将第一候选故障特征子集确定为当前候选故障特征子集；

特征剔除单元333，用于将当前候选故障特征子集中的故障特征从待选故障特征子集中剔除，得到剔除后待选故障特征子集；

第二筛选单元334，用于从剔除后待选故障特征子集中挑选出满足第二筛选条件的一个故障特征，并将该故障特征合并至当前候选故障特征子集，得到最新候选故障特征子集，第二筛选条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相关性得到的筛选条件；

第二确定单元335，用于将最新候选故障特征子集确定为当前候选故障特征子集，并将该当前候选故障特征子集输出至特征剔除单元，直到第二筛选单元得到的最新候选故障特征子集中的故障特征的数量为N。

进一步的，本发明实施例中开关柜故障特征选择装置还可以包括显示器35，用于对最优故障特征子集进行显示，从而方便相关技术人员对数据进行查看。

为了让相关技术人员或负责人及时地了解开关柜的故障特征，本实施例中开关柜故障特征选择装置还可以进一步包括数据发送器36，用于将包含有最优故障特征子集的数据包发送至目标终端。其中，目标终端包括智能移动终端或台式计算机。上述智能移动终端具体可以包括智能手机、平板电脑或可穿戴式电子设备。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种开关柜故障特征选择方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种开关柜故障特征选择方法，其特征在于，包括：

从发生故障的开关柜中提取出故障特征集，所述故障特征集包括M个样本，每个样本均包括N个故障特征，其中，M和N均为正整数；

基于故障特征重要程度的排序原则，对所述故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集；

基于mRMR准则，并利用增量搜索法，对所述待选故障特征子集进行筛选，得到N个候选故障特征子集；

计算所述N个候选故障特征子集中每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为所述开关柜的最优故障特征子集。

2.根据权利要求1所述的开关柜故障特征选择方法，其特征在于，所述计算所述N个候选故障特征子集中的每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为所述开关柜的最优故障特征子集的过程包括：

利用SVM分类算法，对所述N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；

将所述N个分类正确率中数值最大的分类正确率所对应的候选故障特征子集确定为所述最优故障特征子集。

3.根据权利要求2所述的开关柜故障特征选择方法，其特征在于，所述基于故障特征重要程度的排序原则，对所述故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集的过程包括：

利用所述M个样本中每个样本的特征向量，构造相应的近邻图；

计算所述近邻图的M×M阶相似矩阵；

利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的重要程度系数；

根据每个故障特征的重要程度系数的大小顺序，对所述故障特征集的N个故障特征进行排序，得到所述待选故障特征子集。

4.根据权利要求3所述的开关柜故障特征选择方法，其特征在于，所述利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的重要程度系数，根据每个故障特征的重要程度系数的大小顺序，对所述故障特征集的N个故障特征进行排序，得到所述待选故障特征子集的过程包括：

利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的拉普拉斯分值，相应地得到N个拉普拉斯分值；

按照所述N个拉普拉斯分值中每个拉普拉斯分值的大小顺序，相应地对所述N个故障特征进行排序，得到所述待选故障特征子集。

5.根据权利要求1至4任一项所述的开关柜故障特征选择方法，其特征在于，所述基于mRMR准则，并利用增量搜索法，对所述待选故障特征子集进行筛选，得到N个候选故障特征子集的过程包括：

步骤S1：从所述待选故障特征子集中挑选出满足第一筛选条件的一个故障特征，并将该故障特征确定为第一候选故障特征子集，所述第一筛选条件为基于故障特征与目标故障类型之间的相关性得到的筛选条件；

步骤S2：将所述第一候选故障特征子集确定为当前候选故障特征子集；

步骤S3：将当前候选故障特征子集中的故障特征从所述待选故障特征子集中剔除，得到剔除后待选故障特征子集；

步骤S4：从剔除后待选故障特征子集中挑选出满足第二筛选条件的一个故障特征，并将该故障特征合并至当前候选故障特征子集，得到最新候选故障特征子集，所述第二筛选条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相关性得到的筛选条件；

步骤S5：将最新候选故障特征子集确定为当前候选故障特征子集，并转至步骤S3，直到最新候选故障特征子集中的故障特征的数量为N；

其中，所述第一筛选条件为：

max[I(s_k；T)]；

其中，I(s_k；T)表示故障特征s_k与目标故障类型T之间的相关性；

所述第二筛选条件为：

<mrow> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <msub> <mi>s</mi> <mi>t</mi> </msub> <mo>&amp;Element;</mo> <mi>S</mi> <mo>-</mo> <msub> <mi>S</mi> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow> </munder> <mo>&amp;lsqb;</mo> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>t</mi> </msub> <mo>;</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow> </munder> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>t</mi> </msub> <mo>;</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>

其中，S_m-1表示当前候选故障特征子集，S-S_m-1表示剔除后待选故障特征子集，s_k表示S_m-1中的故障特征，s_t表示S-S_m-1中的故障特征，其中，m＝2,...,N，I(s_t；T)表示故障特征s_t与目标故障类型T之间的相关性，I(s_t；s_k)表示故障特征s_t与故障特征s_k之间的相关性。

6.一种开关柜故障特征选择装置，其特征在于，包括：

特征提取器，用于从发生故障的开关柜中提取出故障特征集，所述故障特征集包括M个样本，每个样本均包括N个故障特征，其中，M和N均为正整数；

特征排序器，用于基于故障特征重要程度的排序原则，对所述故障特征集的N个故障特征进行排序，得到已排序的待选故障特征子集；

特征筛选器，用于基于mRMR准则，并利用增量搜索法，对所述待选故障特征子集进行筛选，得到N个候选故障特征子集；

特征分析器，用于计算所述N个候选故障特征子集中每一个候选故障特征子集的分类正确率，将分类正确率最大的候选故障特征子集确定为所述开关柜的最优故障特征子集。

7.根据权利要求6所述的开关柜故障特征选择装置，其特征在于，所述特征分析器包括SVM分类器和最优故障特征获取器；

所述SVM分类器，用于利用SVM分类算法，对所述N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；

所述最优故障特征获取器，用于将所述N个分类正确率中数值最大的分类正确率所对应的候选故障特征子集确定为所述最优故障特征子集，并输出所述最优故障特征子集。

8.根据权利要求7所述的开关柜故障特征选择装置，其特征在于，所述特征排序器包括：

近邻图构造单元，用于利用所述M个样本中每个样本的特征向量，构造相应的近邻图；

相似矩阵计算单元，用于计算所述近邻图的M×M阶相似矩阵；

系数计算单元，用于利用所述M×M阶相似矩阵，计算所述故障特征集的N个故障特征中每个故障特征的重要程度系数；

特征排序单元，用于根据每个故障特征的重要程度系数的大小顺序，对所述故障特征集的N个故障特征进行排序，得到所述待选故障特征子集。