CN106199267A - 一种电力设备故障特征分析方法 - Google Patents

Abstract

本发明公开了一种电力设备故障特征分析方法，该方法包括：实时监测开关柜的多个状态量，对开关柜的多个状态量分别进行标准化后获得多个时间序列向量，对多个时间序列向量分别按照时间尺度因子进行粗粒化；将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量；从多个复合延迟向量中随机选择两个复合延迟向量，利用两个复合延迟向量的相似程度构建半降梯形云模型；对于开关柜的每一个状态量，利用半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据状态量的多变量多尺度云样本熵MMCSE确定开关柜的故障类型。该方法实现有效分析出开关柜的故障特征。

Description

一种电力设备故障特征分析方法

技术领域

本发明涉及故障分析技术领域，特别是涉及一种电力设备故障特征分析方法。

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，采用李亚普诺夫Lyapunov指数和熵等非线性方法能够更准确地分析开关柜故障特征。相对Lyapunov指数和信息熵，近似熵利用较短的时间序列能够获得稳健的故障特征，但该方法存在自身匹配问题具有一定误差，单变量和多变量样本熵可以用于刻画状态监测时间序列自身的复杂度以及多个监测通道时间序列之间的互相关性，但无法从不同时间尺度表现故障特征差异。

可将多变量样本熵拓展，提出多变量多尺度样本熵(Multivariate MultiscaleSample 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

本发明的目的是提供一种电力设备故障特征分析方法，以实现有效分析出开关柜的故障特征。

为解决上述技术问题，本发明提供一种电力设备故障特征分析方法，该方法包括：

实时监测开关柜的多个状态量，对所述开关柜的多个状态量分别进行标准化后获得多个时间序列向量，对所述多个时间序列向量分别按照时间尺度因子进行粗粒化；

将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量；

从所述多个复合延迟向量中随机选择两个复合延迟向量，利用所述两个复合延迟向量的相似程度构建半降梯形云模型；

对于开关柜的每一个状态量，利用所述半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据状态量的多变量多尺度云样本熵MMCSE确定开关柜的故障类型。

优选的，实时监测开关柜的多个状态量，对所述开关柜的多个状态量分别进行标准化后获得多个时间序列向量，包括：

实时监测开关柜的M个状态量，进行标准差标准化后获得时间序列向量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，M为正整数且大于等于2。

优选的，对所述多个时间序列向量分别按照时间尺度因子进行粗粒化，包括：

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，获得不同时间尺度的时间序列向量y_m ^τ，y_m ^τ中的元素的计算公式如下：

$y_{mi}^{\mathrm{\τ}}=\frac{1}{\mathrm{\τ}}\underset{k=(i-1)\mathrm{\τ}+1}{\overset{i\mathrm{\τ}}{\Σ}}{x}_{mk};$

其中，1≤i≤N/τ，i为正整数。

优选的，所述将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量，包括：

对M个状态量粗粒化后的时间序列向量y_m ^τ计算多变量样本熵，由多变量相空间重构建立M个状态量的复合延迟向量Y_j ^D，复合延迟向量Y_j ^D的表达式如下：

$\begin{array}{c}{Y}_j^D=\[y_{1j}^{\mathrm{\τ}},y_{1(j+{\mathrm{\λ}}_1)}^{\mathrm{\τ}},\mathrm{...},y_{1\[j+(d_1-1){\mathrm{\λ}}_1\]}^{\mathrm{\τ}},y_{2j}^{\mathrm{\τ}},y_{2(j+{\mathrm{\λ}}_2)}^{\mathrm{\τ}},\mathrm{...},\\ y_{2\[j+(d_2-1){\mathrm{\λ}}_2\]}^{\mathrm{\τ}},\mathrm{...},y_{mj}^{\mathrm{\τ}},y_{m(j+{\mathrm{\λ}}_m)}^{\mathrm{\τ}},\mathrm{...},\\ y_{m\[j+(d_m-1){\mathrm{\λ}}_m\]}^{\mathrm{\τ}},\mathrm{...},y_{Mj}^{\mathrm{\τ}},y_{M(j+{\mathrm{\λ}}_M)}^{\mathrm{\τ}},\mathrm{...},y_{M\[j+(d_M-1){\mathrm{\λ}}_M\]}^{\mathrm{\τ}}\]\\ =\[y_j,y_{j+1},\mathrm{...},y_{j+D-1}\]\end{array}$

其中，嵌入维数向量d＝[d₁,d₂,...,d_m,...,d_M]用于保留各状态量关联非线性系统的拓扑性质，延迟时间向量λ＝[λ₁,λ₂,...,λ_m,...,λ_M]用于在确保信息不丢失的情况下尽量压缩状态监测数据；Y_j ^D为1×D阶复合延迟向量，D为复合延迟向量的维数，且1≤j≤N-max(d)×max(λ)，j为正整数；

计算每一个Y_j ^D与所有Y_k ^D之间的距离，获得Y_j ^D和Y_k ^D两个向量对应元素距离的最大值d(Y_j ^D,Y_k ^D)，d(Y_j ^D,Y_k ^D)的计算公式如下：

$d(Y_j^D,Y_k^D)=\underset{l=1}{\overset{D}{max}}\left(\right|y_{j+l-1}-y_{k+l-1}\left|\right);$

其中，Y_k ^D为j＝k时的复合延迟向量，k为正整数。

优选的，利用所述两个复合延迟向量的相似程度构建半降梯形云模型，包括：

获取所述两个复合延迟向量的距离d_cm和标准差随机向量E’_nd；

依据所述d_cm和E’_nd计算得到所述两个复合延迟向量的相似隶属度μ_d，μ_d的计算公式如下：

${\mathrm{\μ}}_d(d_{cm},E_{nd}^{\′})=\left\{\begin{array}{cc}{e}^{-\frac{{(d_{cm}-E_d)}^2}{2E_{nd}^{\′2}}},& d_{cm}>E_d\\ 1,& d_{cm}\≤E_d\end{array}\right.$

其中，μ_d(d_cm,E’_nd)表示相似隶属度μ_d，E_d为d_cm的期望；

依据所述相似隶属度μ_d获得给定个数的云滴(d_cm,μ_d)，形成用于量化复合延迟向量间距离的半降梯形云模型。

优选的，所述利用所述半降梯形云模型计算状态量的多变量多尺度云样本熵，包括：

统计半降梯形云模型在骨干区间D_main＝[d(Y_j ^D,Y_k ^D)-2H_ed/3,d(Y_j ^D,Y_k ^D)+2H_ed/3]的云滴个数L，H_ed为所述半降梯形云模型的超熵；

计算向量Y_j ^D和Y_k ^D的多变量多尺度云样本熵MMCSE的相似概率P’^D(E_d,E_nd,H_ed)，E_nd为所述半降梯形云模型的熵，所述相似概率P’^D(E_d,E_nd,H_ed)的计算公式如下：

$\left\{\begin{array}{c}{P}^{\′D}(E_d,E_{nd},H_{ed})=\frac{1}{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)}\×\\ \underset{i=1}{\overset{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)}{\Σ}}{P}_j^{\′D}(E_d,E_{nd},H_{ed})\\ P_j^{\′D}(E_d,E_{nd},H_{ed})=\frac{\underset{d_{cm}\∈D_{main}}{\Σ}{\mathrm{\μ}}_d(d_{cm},E_{nd}^{\′})/L}{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)-1}\end{array}\right.;$

将拓展至D+1维的复合延迟向量Y_j ^D+1代入所述d(Y_j ^D,Y_k ^D)的计算公式和所述相似概率P’^D(E_d,E_nd,H_ed)的计算公式中,计算相应的多变量多尺度云样本熵MMCSE的相似概率P’^D+1(E_d,E_nd,H_ed)；

依据所述P’^D(E_d,E_nd,H_ed)和P’^D+1(E_d,E_nd,H_ed)得到状态量的多变量多尺度云样本熵MMCSE。

优选的，所述状态量的多变量多尺度云样本熵MMCSE的计算公式如下：

$MMCSE=-\ln \[\frac{P^{\′D+1}(E_d,E_{nd},H_{ed})}{P^{\′D}(E_d,E_{nd},H_{ed})}\].$

本发明所提供的一种电力设备故障特征分析方法，实时监测开关柜的多个状态量，对所述开关柜的多个状态量分别进行标准化后获得多个时间序列向量，对所述多个时间序列向量分别按照时间尺度因子进行粗粒化；将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量；从所述多个复合延迟向量中随机选择两个复合延迟向量，利用所述两个复合延迟向量的相似程度构建半降梯形云模型；对于开关柜的每一个状态量，利用所述半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据状态量的多变量多尺度云样本熵MMCSE确定开关柜的故障类型。可见，利用两个复合延迟向量的相似程度构建半降梯形云模型，通过半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据MMCSE确定开关柜的故障类型，这样采用的半降梯形云模型能够对MMSE相似容限判据进行软化，将MMSE的硬相似容限判据软化，以改善其熵值不稳定问题，进而定义了多变量多尺度样本熵MMCSE，采用MMCSE能够有效的分析出开关柜的故障特征，因为不同类型故障在各时间尺度的MMCSE呈现差异化，由此可利用MMCSE作为故障特征区分开关柜的不同类型故障，如此通过量化观测多个状态量的时间序列内部和序列之间的动态关联特征，获取有效的开关柜状态量的故障特征，达到故障类型的有效区分，所以该方法实现有效分析出开关柜的故障特征。

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为本发明所提供的一种电力设备故障特征分析方法的流程图；

图2(a)为复合延迟向量距离的概率分布示意图；

图2(b)为复合延迟向量距离的云模型示意图；

图3(a)为开关柜柜内电弧故障的MMCSE特征分析图；

图3(b)为开关柜柜内电弧故障的MMSE特征分析图；

图4(a)为开关柜的正常运行N类的故障特征分析图；

图4(b)为开关柜的电弧故障A类的故障特征分析图；

图5(a)为开关柜的机械故障M类的故障特征分析图；

图5(b)为开关柜的绝缘损坏I类的故障特征分析图。

具体实施方式

本发明的核心是提供一种电力设备故障特征分析方法，以实现有效分析出开关柜的故障特征。

为了使本技术领域的人员更好地理解本发明方案，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。

图1为本发明所提供的一种电力设备故障特征分析方法的流程图，该方法包括：

S11：实时监测开关柜的多个状态量，对开关柜的多个状态量分别进行标准化后获得多个时间序列向量，对多个时间序列向量分别按照时间尺度因子进行粗粒化；

S12：将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量；

S13：从多个复合延迟向量中随机选择两个复合延迟向量，利用两个复合延迟向量的相似程度构建半降梯形云模型；

S14：对于开关柜的每一个状态量，利用半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据状态量的多变量多尺度云样本熵MMCSE确定开关柜的故障类型。

可见，利用两个复合延迟向量的相似程度构建半降梯形云模型，通过半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据MMCSE确定开关柜的故障类型，这样采用的半降梯形云模型能够对MMSE相似容限判据进行软化，将MMSE的硬相似容限判据软化，以改善其熵值不稳定问题，进而定义了多变量多尺度样本熵MMCSE，采用MMCSE能够有效的分析出开关柜的故障特征，因为不同类型故障在各时间尺度的MMCSE呈现差异化，由此可利用MMCSE作为故障特征区分开关柜的不同类型故障，如此通过量化观测多个状态量的时间序列内部和序列之间的动态关联特征，获取有效的开关柜状态量的故障特征，达到故障类型的有效区分，所以该方法实现有效分析出开关柜的故障特征。

基于上述方法，具体的，步骤S11中，实时监测开关柜的多个状态量，对开关柜的多个状态量分别进行标准化后获得多个时间序列向量的过程具体为：实时监测开关柜的M个状态量，进行标准差标准化后获得时间序列向量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，M为正整数且大于等于2，文中的M均指代为状态量的个数，文中出现的m均表示状态量的标记，m＝1,2,...,M。

步骤S11中，对多个时间序列向量分别按照时间尺度因子进行粗粒化的具体为：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，获得不同时间尺度的时间序列向量y_m ^τ，y_m ^τ中的元素的计算公式如下：

$y_{mi}^{\mathrm{\τ}}=\frac{1}{\mathrm{\τ}}\underset{k=(i-1)\mathrm{\τ}+1}{\overset{i\mathrm{\τ}}{\Σ}}{x}_{mk};$

其中，1≤i≤N/τ，i为正整数；m表示状态量的标号，跟x_m中的m是一样的含义，m＝1,2,...,M。

步骤S12优选采用以下步骤实现：

S21：对M个状态量粗粒化后的时间序列向量y_m ^τ计算多变量样本熵，由多变量相空间重构建立M个状态量的复合延迟向量Y_j ^D，复合延迟向量Y_j ^D的表达式如下：

$\begin{array}{c}{Y}_j^D=\[y_{1j}^{\mathrm{\τ}},y_{1(j+{\mathrm{\λ}}_1)}^{\mathrm{\τ}},\mathrm{...},y_{1\[j+(d_1-1){\mathrm{\λ}}_1\]}^{\mathrm{\τ}},y_{2j}^{\mathrm{\τ}},y_{2(j+{\mathrm{\λ}}_2)}^{\mathrm{\τ}},\mathrm{...},\\ y_{2\[j+(d_2-1){\mathrm{\λ}}_2\]}^{\mathrm{\τ}},\mathrm{...},y_{mj}^{\mathrm{\τ}},y_{m(j+{\mathrm{\λ}}_m)}^{\mathrm{\τ}},\mathrm{...},\\ y_{m\[j+(d_m-1){\mathrm{\λ}}_m\]}^{\mathrm{\τ}},\mathrm{...},y_{Mj}^{\mathrm{\τ}},y_{M(j+{\mathrm{\λ}}_M)}^{\mathrm{\τ}},\mathrm{...},y_{M\[j+(d_M-1){\mathrm{\λ}}_M\]}^{\mathrm{\τ}}\]\\ =\[y_j,y_{j+1},\mathrm{...},y_{j+D-1}\]\end{array}$

其中，嵌入维数向量d＝[d₁,d₂,...,d_m,...,d_M]用于保留各状态量关联非线性系统的拓扑性质，延迟时间向量λ＝[λ₁,λ₂,...,λ_m,...,λ_M]用于在确保信息不丢失的情况下尽量压缩状态监测数据；Y_j ^D为1×D阶复合延迟向量，D为复合延迟向量的维数，且1≤j≤N-max(d)×max(λ)，j为正整数；

S22：计算每一个Y_j ^D与所有Y_k ^D之间的距离，获得Y_j ^D和Y_k ^D两个向量对应元素距离的最大值d(Y_j ^D,Y_k ^D)，d(Y_j ^D,Y_k ^D)的计算公式如下：

$d(Y_j^D,Y_k^D)=\underset{l=1}{\overset{D}{max}}\left(\right|y_{j+l-1}-y_{k+l-1}\left|\right);$

其中，Y_k ^D为j＝k时的复合延迟向量，k为正整数。Y_k ^D和Y_j ^D类似，j是一个变量，这里面的j和k都是特指，准确的说是当j＝j和j＝k时，两个向量的距离。Y_k ^D可理解解为第k个复合延迟向量。

步骤S13中，利用两个复合延迟向量的相似程度构建半降梯形云模型的过程优选采用以下步骤实现：

S31：获取两个复合延迟向量的距离d_cm和标准差随机向量E’_nd；

其中，首先生成E’_nd＝NORM(E_nd,H_ed)正态随机数，再以E’_nd为方差、E_d为期望生成正态随机数d_cm，重复前两步将随机数组合获得两个复合延迟向量的距离d_cm和标准差随机向量E’_nd；

E’_nd＝NORM(E_nd,H_ed)表示随机产生以E_nd为均值，H_ed为标准差正态分布的样本数E’_nd，NORM()是MATLAB里面的命令；在云模型理论当中，E_d表示期望，E_nd表示熵，H_ed表示超熵。

S32：依据d_cm和E’_nd计算得到两个复合延迟向量的相似隶属度μ_d，μ_d的计算公式如下：

${\mathrm{\μ}}_d(d_{cm},E_{nd}^{\′})=\left\{\begin{array}{cc}{e}^{-\frac{{(d_{cm}-E_d)}^2}{2E_{nd}^{\′2}}},& d_{cm}>E_d\\ 1,& d_{cm}\≤E_d\end{array}\right.;$

其中，μ_d(d_cm,E’_nd)就是表示相似隶属度μ_d，为同一含义；E_d为d_cm的期望。

S33：依据相似隶属度μ_d获得给定个数的云滴(d_cm,μ_d)，形成用于量化复合延迟向量间距离的半降梯形云模型。

步骤S14中，利用半降梯形云模型计算状态量的多变量多尺度云样本熵的过程优选采用以下步骤实现：

S41：统计半降梯形云模型在骨干区间D_main＝[d(Y_j ^D,Y_k ^D)-2H_ed/3,d(Y_j ^D,Y_k ^D)+2H_ed/3]的云滴个数L，H_ed为所述半降梯形云模型的超熵；

S42：计算向量Y_j ^D和Y_k ^D的多变量多尺度云样本熵MMCSE的相似概率P’^D(E_d,E_nd,H_ed)，E_nd为所述半降梯形云模型的熵，相似概率P’^D(E_d,E_nd,H_ed)的计算公式如下：

$\left\{\begin{array}{c}{P}^{\′D}(E_d,E_{nd},H_{ed})=\frac{1}{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)}\×\\ \underset{i=1}{\overset{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)}{\Σ}}{P}_j^{\′D}(E_d,E_{nd},H_{ed})\\ P_j^{\′D}(E_d,E_{nd},H_{ed})=\frac{\underset{d_{cm}\∈D_{main}}{\Σ}{\mathrm{\μ}}_d(d_{cm},E_{nd}^{\′})/L}{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)-1}\end{array}\right.;$

d，λ在前面都有详细的定义，分别表示嵌入维数向量和延迟时间向量，N表示每个状态量采集的数据个数即监测数据个数，L表示云滴个数。

S43：将拓展至D+1维的复合延迟向量Y_j ^D+1代入所述d(Y_j ^D,Y_k ^D)的计算公式和所述相似概率P’^D(E_d,E_nd,H_ed)的计算公式中,计算相应的多变量多尺度云样本熵MMCSE的相似概率P’^D+1(E_d,E_nd,H_ed)；

S44：依据P’^D(E_d,E_nd,H_ed)和P’^D+1(E_d,E_nd,H_ed)得到状态量的多变量多尺度云样本熵MMCSE。

其中，状态量的多变量多尺度云样本熵MMCSE的计算公式如下：

$MMCSE=-\ln \[\frac{P^{\′D+1}(E_d,E_{nd},H_{ed})}{P^{\′D}(E_d,E_{nd},H_{ed})}\]$

具体的，MMCSE的计算公式如下：

$MMCSE(x_m,\mathrm{\τ},d,\mathrm{\λ},E_d,E_{nd},H_{ed})=-ln\[\frac{P^{\′D+1}(E_d,E_{nd},H_{ed})}{P^{\′D}(E_d,E_{nd},H_{ed})}\]$

其中，MMCSE(x_m,τ,d,λ,E_d,E_nd,H_ed)就是表示多变量多尺度云样本熵MMCSE，为同一含义，里面的参数在前面已介绍。

上述方法通过量化观测多个状态量时间序列内部和序列之间的动态关联特征，获取开关柜状态量的故障特征。不同类型故障在各时间尺度的MMCSE呈现差异化，由此可利用MMCSE作为故障特征区分开关柜的不同类型故障，且本发明利用降半梯形云模型对MMSE相似容限判据进行软化，进而定义多变量多尺度云样本熵(Multivariate Multiscale CloudSample Entropy，MMCSE)，能够有效的分析出开关柜的故障特征，采用半降梯形云模型将MMSE的硬相似容限判据软化，以改善其熵值不稳定问题。

本发明所提供的电力设备故障特征分析方法是基于多变量多尺度云样本熵的电力设备故障特征分析方法，为了解决多变量多尺度样本熵(Multivariate MultiscaleSample Entropy，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的问题，利用降半梯形云模型对MMSE相似容限判据进行软化，定义多变量多尺度云样本熵(Multivariate Multiscale Cloud Sample Entropy，MMCSE)，利用监测数据构建含多个时间尺度的开关柜MMCSE故障特征向量，本方法提出的多变量多尺度云样本熵能够有效的区分电力设备的不同故障。

基于本方法，具体实施过程中，实时监测开关柜的M个状态量，标准化后获得时间序列向量，然后将多通道时间序列按时间尺度因子τ进行粗粒化；重构多通道时间序列形成复合延迟向量，即采用多变量相空间重构建立状态量时间序列的复合延迟向量；采用云模型刻画两个复合延迟向量的相似程度；计算MMCSE相似概率，最后得开关柜多通道监测数据的MMCSE。不同类型故障在各时间尺度的MMCSE呈现差异化，由此可利用MMCSE作为故障特征区分开关柜的不同类型故障。

具体的，参考附图，图2(a)为复合延迟向量距离的概率分布示意图，图2(b)为复合延迟向量距离的云模型示意图，这里的云模型就是利用两个复合延迟向量的相似程度构建半降梯形云模型。图3(a)为开关柜柜内电弧故障的MMCSE特征分析图，图3(b)为开关柜柜内电弧故障的MMSE特征分析图，图中案例1、案例2、案例3表示同一种故障的不同样本，图3(a)和图3(b)分别用MMSE和MMCSE两种方法进行开关柜的电弧故障特征分析，显然MMCSE相比MMSE在不同尺度因子下的方差较小，更能反映其故障特征。图4(a)为开关柜的正常运行N类的故障特征分析图，图4(b)为开关柜的电弧故障A类的故障特征分析图，图4(a)和图4(b)为开关柜的不同故障类型分析，图中的标记1、2、3、4、5表示同一故障的不同样本，图4(a)和图4(b)的正常运行、电弧故障样本MMCSE随尺度因子增加呈整体下降、上升趋势，可见同一故障类型下不同样本的MMCSE随尺度因子的变化规律具有一定分散性但趋势基本一致，。图5(a)为开关柜的机械故障M类的故障特征分析图，图5(b)为开关柜的绝缘损坏I类的故障特征分析图，图中的标记1、2、3、4、5表示同一故障的不同样本，图5(a)和图5(b)中机械故障、绝缘损坏下MMCSE随尺度因子变化规律略有不同，但两者熵值大小具有显著差异。本发明所提供的电力设备故障特征分析方法提取的开关柜故障特征，从形状和大小上能够实现其故障类型的有效区分。

综上，本发明所提供的一种电力设备故障特征分析方法，实时监测开关柜的多个状态量，对开关柜的多个状态量分别进行标准化后获得多个时间序列向量，对多个时间序列向量分别按照时间尺度因子进行粗粒化；将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量；从多个复合延迟向量中随机选择两个复合延迟向量，利用两个复合延迟向量的相似程度构建半降梯形云模型；对于开关柜的每一个状态量，利用半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据状态量的多变量多尺度云样本熵MMCSE确定开关柜的故障类型。可见，利用两个复合延迟向量的相似程度构建半降梯形云模型，通过半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据MMCSE确定开关柜的故障类型，这样采用的半降梯形云模型能够对MMSE相似容限判据进行软化，将MMSE的硬相似容限判据软化，以改善其熵值不稳定问题，进而定义了多变量多尺度样本熵MMCSE，采用MMCSE能够有效的分析出开关柜的故障特征，因为不同类型故障在各时间尺度的MMCSE呈现差异化，由此可利用MMCSE作为故障特征区分开关柜的不同类型故障，如此通过量化观测多个状态量的时间序列内部和序列之间的动态关联特征，获取有效的开关柜状态量的故障特征，达到故障类型的有效区分，所以该方法实现有效分析出开关柜的故障特征。

以上对本发明所提供的一种电力设备故障特征分析方法进行了详细介绍。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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (7)

1.一种电力设备故障特征分析方法，其特征在于，包括：

实时监测开关柜的多个状态量，对所述开关柜的多个状态量分别进行标准化后获得多个时间序列向量，对所述多个时间序列向量分别按照时间尺度因子进行粗粒化；

将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量；

从所述多个复合延迟向量中随机选择两个复合延迟向量，利用所述两个复合延迟向量的相似程度构建半降梯形云模型；

对于开关柜的每一个状态量，利用所述半降梯形云模型计算状态量的多变量多尺度云样本熵MMCSE，根据状态量的多变量多尺度云样本熵MMCSE确定开关柜的故障类型。

2.如权利要求1所述的方法，其特征在于，实时监测开关柜的多个状态量，对所述开关柜的多个状态量分别进行标准化后获得多个时间序列向量，包括：

实时监测开关柜的M个状态量，进行标准差标准化后获得时间序列向量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，M为正整数且大于等于2。

3.如权利要求2所述的方法，其特征在于，对所述多个时间序列向量分别按照时间尺度因子进行粗粒化，包括：

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，获得不同时间尺度的时间序列向量y_m ^τ，y_m ^τ中的元素的计算公式如下：

$y_{mi}^{\mathrm{\τ}}=\frac{1}{\mathrm{\τ}}\underset{k=(i-1)\mathrm{\τ}+1}{\overset{i\mathrm{\τ}}{\Σ}}{x}_{mk};$

其中，1≤i≤N/τ，i为正整数。

4.如权利要求3所述的方法，其特征在于，所述将粗粒化后的多个时间序列向量分别进行重构得到多个复合延迟向量，包括：

对M个状态量粗粒化后的时间序列向量y_m ^τ计算多变量样本熵，由多变量相空间重构建立M个状态量的复合延迟向量Y_j ^D，复合延迟向量Y_j ^D的表达式如下：

$\begin{array}{c}{Y}_j^D=\[y_{1j}^{\mathrm{\τ}},y_{1\left(j+{\mathrm{\λ}}_1\right)}^{\mathrm{\τ}},...,y_{1\[j+\left(d_1-1\right){\mathrm{\λ}}_1\]}^{\mathrm{\τ}},y_{2j}^{\mathrm{\τ}},y_{2\left(j+{\mathrm{\λ}}_2\right)}^{\mathrm{\τ}},...,\\ y_{2\[j+\left(d_2-1\right){\mathrm{\λ}}_2\]}^{\mathrm{\τ}},...,y_{mj}^{\mathrm{\τ}},y_{m\left(j+{\mathrm{\λ}}_m\right)}^{\mathrm{\τ}},...,\\ y_{m\[j+\left(d_m-1\right){\mathrm{\λ}}_m\]}^{\mathrm{\τ}},...,y_{Mj}^{\mathrm{\τ}},y_{M\left(j+{\mathrm{\λ}}_M\right)}^{\mathrm{\τ}},...,y_{M\[j+\left(d_M-1\right){\mathrm{\λ}}_M\]}^{\mathrm{\τ}}\]\\ =\[y_j,y_{j+1},...,y_{j+D-1}\]\end{array}$

其中，嵌入维数向量d＝[d₁,d₂,...,d_m,...,d_M]用于保留各状态量关联非线性系统的拓扑性质，延迟时间向量λ＝[λ₁,λ₂,...,λ_m,...,λ_M]用于在确保信息不丢失的情况下尽量压缩状态监测数据；Y_j ^D为1×D阶复合延迟向量，D为复合延迟向量的维数，且1≤j≤N-max(d)×max(λ)，j为正整数；

计算每一个Y_j ^D与所有Y_k ^D之间的距离，获得Y_j ^D和Y_k ^D两个向量对应元素距离的最大值d(Y_j ^D,Y_k ^D)，d(Y_j ^D,Y_k ^D)的计算公式如下：

$d(Y_j^D,Y_k^D)=\underset{l=1}{\overset{D}{max}}\left(\right|y_{j+l-1}-y_{k+l-1}\left|\right);$

其中，Y_k ^D为j＝k时的复合延迟向量，k为正整数。

5.如权利要求4所述的方法，其特征在于，利用所述两个复合延迟向量的相似程度构建半降梯形云模型，包括：

获取所述两个复合延迟向量的距离d_cm和标准差随机向量E’_nd；

依据所述d_cm和E’_nd计算得到所述两个复合延迟向量的相似隶属度μ_d，μ_d的计算公式如下：

${\mathrm{\μ}}_d(d_{cm},E_{nd}^{\′})=\left\{\begin{array}{cc}{e}^{-\frac{{(d_{cm}-E_d)}^2}{2E_{nd}^{\′2}}},& d_{cm}>E_d\\ 1,& d_{cm}\≤E_d\end{array}\right.$

其中，μ_d(d_cm,E’_nd)表示相似隶属度μ_d，E_d为d_cm的期望；

依据所述相似隶属度μ_d获得给定个数的云滴(d_cm,μ_d)，形成用于量化复合延迟向量间距离的半降梯形云模型。

6.如权利要求5所述的方法，其特征在于，所述利用所述半降梯形云模型计算状态量的多变量多尺度云样本熵，包括：

统计半降梯形云模型在骨干区间D_main＝[d(Y_j ^D,Y_k ^D)-2H_ed/3,d(Y_j ^D,Y_k ^D)+2H_ed/3]的云滴个数L，H_ed为所述半降梯形云模型的超熵；

计算向量Y_j ^D和Y_k ^D的多变量多尺度云样本熵MMCSE的相似概率P’^D(E_d,E_nd,H_ed)，E_nd为所述半降梯形云模型的熵，所述相似概率P’^D(E_d,E_nd,H_ed)的计算公式如下：

$\left\{\begin{array}{c}{P}^{\′D}\left(E_d,E_{nd},H_{ed}\right)=\frac{1}{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)}\×\\ \underset{i=1}{\overset{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)}{\mathrm{\Σ}}}{P}_j^{\′D}\left(E_d,E_{nd},H_{ed}\right)\\ P_j^{\′D}\left(E_d,E_{nd},H_{ed}\right)=\frac{\underset{d_{cm}\∈D_{main}}{\mathrm{\Σ}}{\mathrm{\μ}}_d\left(d_{cm},E_{nd}^{\′}\right)/L}{N-\max \left(d\right)\×\max \left(\mathrm{\λ}\right)-1}\end{array}\right.;$

将拓展至D+1维的复合延迟向量Y_j ^D+1代入所述d(Y_j ^D,Y_k ^D)的计算公式和所述相似概率P’^D(E_d,E_nd,H_ed)的计算公式中,计算相应的多变量多尺度云样本熵MMCSE的相似概率P’^D+1(E_d,E_nd,H_ed)；

依据所述P’^D(E_d,E_nd,H_ed)和P’^D+1(E_d,E_nd,H_ed)得到状态量的多变量多尺度云样本熵MMCSE。

7.如权利要求6所述的方法，其特征在于，所述状态量的多变量多尺度云样本熵MMCSE的计算公式如下：

$MMCSE=-\ln \[\frac{P^{\′D+1}(E_d,E_{nd},H_{ed})}{P^{\′D}(E_d,E_{nd},H_{ed})}\].$