CN106199267B - 一种电力设备故障特征分析方法 - Google Patents

一种电力设备故障特征分析方法 Download PDF

Info

Publication number
CN106199267B
CN106199267B CN201610528841.9A CN201610528841A CN106199267B CN 106199267 B CN106199267 B CN 106199267B CN 201610528841 A CN201610528841 A CN 201610528841A CN 106199267 B CN106199267 B CN 106199267B
Authority
CN
China
Prior art keywords
vectors
vector
composite delay
mmcse
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610528841.9A
Other languages
English (en)
Other versions
CN106199267A (zh
Inventor
葛军凯
张静
留毅
胡翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Power Equipment Manufacturing Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Power Equipment Manufacturing Co Ltd
Priority to CN201610528841.9A priority Critical patent/CN106199267B/zh
Publication of CN106199267A publication Critical patent/CN106199267A/zh
Application granted granted Critical
Publication of CN106199267B publication Critical patent/CN106199267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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xm＝{xm1,xm2,…,xmn,…,xmN},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ym τ，ym τ中的元素的计算公式如下：
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ym 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Yj D，复合延迟向量Yj D的表达式如下：
其中，嵌入维数向量d＝[d1,d2,...,dm,...,dM]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,...,λm,...,λM]用于在确保信息不丢失的情况下尽量压缩状态监测数据；Yj 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Yj D与所有Yk D之间的距离，获得Yj D和Yk D两个向量对应元素距离的最大值d(Yj D,Yk D)，d(Yj D,Yk D)的计算公式如下：
其中，Yk 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dcm和标准差随机向量E’nd；
依据所述dcm和E’nd计算得到所述两个复合延迟向量的相似隶属度μd，μd的计算公式如下：
其中，μd(dcm,E’nd)表示相似隶属度μd，Ed为dcm的期望；
依据所述相似隶属度μd获得给定个数的云滴(dcm,μd)，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Dmain＝[d(Yj D,Yk D)-2Hed/3,d(Yj D,Yk D)+2Hed/3]的云滴个数L，Hed为所述半降梯形云模型的超熵；
计算向量Yj D和Yk D的多变量多尺度云样本熵MMCSE的相似概率P’D(Ed,End,Hed)，End为所述半降梯形云模型的熵，所述相似概率P’D(Ed,End,Hed)的计算公式如下：
将拓展至D+1维的复合延迟向量Yj D+1代入所述d(Yj D,Yk D)的计算公式和所述相似概率P’D(Ed,End,Hed)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(Ed,End,Hed)；
依据所述P’D(Ed,End,Hed)和P’D+1(Ed,End,Hed)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：
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xm＝{xm1,xm2,…,xmn,…,xmN},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ym τ，ym τ中的元素的计算公式如下：
其中，1≤i≤N/τ，i为正整数；m表示状态量的标号，跟xm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ym 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Yj D，复合延迟向量Yj D的表达式如下：
其中，嵌入维数向量d＝[d1,d2,...,dm,...,dM]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,...,λm,...,λM]用于在确保信息不丢失的情况下尽量压缩状态监测数据；Yj 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Yj D与所有Yk D之间的距离，获得Yj D和Yk D两个向量对应元素距离的最大值d(Yj D,Yk D)，d(Yj D,Yk D)的计算公式如下：
其中，Yk D为j＝k时的复合延迟向量，k为正整数。Yk D和Yj 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。Yk 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dcm和标准差随机向量E’nd；
其中，首先生成E’nd＝NORM(End,Hed)正态随机数，再以E’nd为方差、Ed为期望生成正态随机数dcm，重复前两步将随机数组合获得两个复合延迟向量的距离dcm和标准差随机向量E’nd；
E’nd＝NORM(End,Hed)表示随机产生以End为均值，Hed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，Ed表示期望，End表示熵，Hed表示超熵。
S32：依据dcm和E’nd计算得到两个复合延迟向量的相似隶属度μd，μd的计算公式如下：
其中，μd(dcm,E’nd)就是表示相似隶属度μd，为同一含义；Ed为dcm的期望。
S33：依据相似隶属度μd获得给定个数的云滴(dcm,μd)，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Dmain＝[d(Yj D,Yk D)-2Hed/3,d(Yj D,Yk D)+2Hed/3]的云滴个数L，Hed为所述半降梯形云模型的超熵；
S42：计算向量Yj D和Yk D的多变量多尺度云样本熵MMCSE的相似概率P’D(Ed,End,Hed)，End为所述半降梯形云模型的熵，相似概率P’D(Ed,End,Hed)的计算公式如下：
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Yj D+1代入所述d(Yj D,Yk D)的计算公式和所述相似概率P’D(Ed,End,Hed)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(Ed,End,Hed)；
S44：依据P’D(Ed,End,Hed)和P’D+1(Ed,End,Hed)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：
具体的，MMCSE的计算公式如下：
其中，MMCSE(xm,τ,d,λ,Ed,End,Hed)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 (5)

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；
其中，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dcm和标准差随机向量E’nd；
依据所述dcm和E’nd计算得到所述两个复合延迟向量的相似隶属度μd，μd的计算公式如下：
其中，μd(dcm,E’nd)表示相似隶属度μd，Ed为dcm的期望；
依据所述相似隶属度μd获得给定个数的云滴(dcm,μd)，形成用于量化复合延迟向量间距离的半降梯形云模型；
其中，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 的云滴个数L，Hed为所述半降梯形云模型的超熵，其中，Yj 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，嵌入维数向量d＝[d1,d2,...,dm,...,dM]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,...,λm,...,λM]用于在确保信息不丢失的情况下尽量压缩状态监测数据，max(d)为嵌入维数向量d的最大值，max(λ)为延迟时间向量λ的最大值，为j＝k时的复合延迟向量，k为正整数；
计算向量Yj D和的多变量多尺度云样本熵MMCSE的相似概率P’D(Ed,End,Hed)，End为所述半降梯形云模型的熵，所述相似概率P’D(Ed,End,Hed)的计算公式如下：
其中，Dmain为骨干区间，为向量和向量的复合延迟向量个数占除自身向量外其余复合延迟向量总数的比例；
将拓展至D+1维的复合延迟向量Yj D+1代入所述的计算公式和所述相似概率P’D(Ed,End,Hed)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(Ed,End,Hed)；
依据所述P’D(Ed,End,Hed)和P’D+1(Ed,End,Hed)得到状态量的多变量多尺度云样本熵MMCSE。
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xm＝{xm1,xm2,…,xmn,…,xmN},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ym τ，ym τ中的元素的计算公式如下：
其中，是向量的第i个元素，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ym 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Yj D，复合延迟向量Yj D的表达式如下：
计算每一个Yj D与所有之间的距离，获得Yj D和两个向量对应元素距离的最大值的计算公式如下：
5.如权利要求1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：
CN201610528841.9A 2016-06-30 2016-06-30 一种电力设备故障特征分析方法 Active CN106199267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610528841.9A CN106199267B (zh) 2016-06-30 2016-06-30 一种电力设备故障特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610528841.9A CN106199267B (zh) 2016-06-30 2016-06-30 一种电力设备故障特征分析方法

Publications (2)

Publication Number Publication Date
CN106199267A CN106199267A (zh) 2016-12-07
CN106199267B true CN106199267B (zh) 2019-06-11

Family

ID=57465794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610528841.9A Active CN106199267B (zh) 2016-06-30 2016-06-30 一种电力设备故障特征分析方法

Country Status (1)

Country Link
CN (1) CN106199267B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110006526A (zh) * 2019-01-31 2019-07-12 华北水利水电大学 一种多测点多权重的信息融合算法
CN111313833B (zh) * 2020-03-06 2023-04-18 燕山大学 一种组串式光伏系统直流侧串联电弧故障的检测方法
CN111722060B (zh) * 2020-06-30 2021-01-26 四川大学 一种基于波形特征的配电线路早期故障严重程度评价方法
CN111915582B (zh) * 2020-07-28 2024-03-08 南京工业大学浦江学院 基于亮度特征耦合信息量制约的图像篡改检测方法
CN113344025A (zh) * 2021-04-27 2021-09-03 云南电网有限责任公司昆明供电局 一种基于云样本熵的中低压设备故障特征选择方法
CN116992260B (zh) * 2022-04-21 2024-03-22 中国矿业大学 一种基于云理论的气动调节阀故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
CN103630244A (zh) * 2013-12-18 2014-03-12 重庆大学 电力系统设备故障诊断方法及系统
CN105373700A (zh) * 2015-10-30 2016-03-02 哈尔滨工程大学 一种基于信息熵和证据理论的机械故障诊断方法
CN105426656A (zh) * 2015-10-29 2016-03-23 浙江群力电气有限公司 一种误差计算方法及系统
CN105718738A (zh) * 2016-01-22 2016-06-29 辽宁工程技术大学 一种分析系统可靠性的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101232180B (zh) * 2008-01-24 2012-05-23 东北大学 一种配电系统负荷模糊建模装置及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
CN103630244A (zh) * 2013-12-18 2014-03-12 重庆大学 电力系统设备故障诊断方法及系统
CN105426656A (zh) * 2015-10-29 2016-03-23 浙江群力电气有限公司 一种误差计算方法及系统
CN105373700A (zh) * 2015-10-30 2016-03-02 哈尔滨工程大学 一种基于信息熵和证据理论的机械故障诊断方法
CN105718738A (zh) * 2016-01-22 2016-06-29 辽宁工程技术大学 一种分析系统可靠性的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multivariate Multiscale Entropy Analysis;Mosabber Uddin Ahmed 等;《IEEE Signal Processing Letters》;20120229;第19卷(第2期);第91页第1段-第93页第1段
多尺度多变量模糊熵分析;李鹏 等;《物理学报》;20130509;第62卷(第12期);全文

Also Published As

Publication number Publication date
CN106199267A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106199267B (zh) 一种电力设备故障特征分析方法
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN107272655B (zh) 基于多阶段ica-svdd的间歇过程故障监测方法
Song et al. Multiple event detection and recognition for large-scale power systems through cluster-based sparse coding
US10539613B2 (en) Analog circuit fault diagnosis method using single testable node
EP2963553B1 (en) System analysis device and system analysis method
CN104363106A (zh) 一种基于大数据技术的电力信息通信故障预警分析方法
CN112416643A (zh) 无监督异常检测方法与装置
CN108921424B (zh) 一种电力数据异常检测方法、装置、设备及可读存储介质
Liu et al. Remaining useful life prediction of rolling bearings using PSR, JADE, and extreme learning machine
CN115015683B (zh) 电缆生产的性能测试方法、装置、设备及存储介质
CN116401532B (zh) 一种电力系统受扰后频率失稳识别方法及系统
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN112381351A (zh) 一种基于奇异谱分析的用电行为变化检测方法及系统
CN109308225A (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
CN114397569A (zh) 基于vmd参数优化、样本熵的断路器故障电弧检测方法
CN114236332A (zh) 一种电力电缆绝缘状态判断方法及系统
CN111079647A (zh) 一种断路器缺陷识别方法
CN117330890B (zh) 输电线路故障诊断系统及方法
Petladwala et al. Canonical correlation based feature extraction with application to anomaly detection in electric appliances
CN117972384A (zh) 一种DTW联合Bi-LSTM的电力负荷在线辨识方法
CN112434930A (zh) 钻进过程故障诊断方法、系统及设备
Belkov et al. Advanced approach for automatic PRPD pattern recognition in monitoring of HV assets
CN106778692A (zh) 一种基于s变换的电缆局部放电信号识别方法及装置
Liu et al. Bearing performance degradation assessment using linear discriminant analysis and coupled HMM

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang

Applicant after: ZHEJIANG TRULY ELECTRIC Co.,Ltd.

Applicant after: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

Address before: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang

Applicant before: ZHEJIANG TRULY ELECTRIC Co.,Ltd.

Applicant before: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180524

Address after: 310018 No. 11 street, Hangzhou economic and Technological Development Zone, Zhejiang 91

Applicant after: HANGZHOU ELECTRIC EQUIPMENT MANUFACTURING Co.,Ltd.

Applicant after: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

Address before: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang

Applicant before: ZHEJIANG TRULY ELECTRIC Co.,Ltd.

Applicant before: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

GR01 Patent grant
GR01 Patent grant