CN115508615A - 一种基于感应电动机的负荷暂态特征提取方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于感应电动机的负荷暂态特征提取方法，包括：获取每个时刻对应的前判断区对应的前判断区和后判断区，获取每个时刻的前重构矩阵；获取所有排序类别；获取每个时刻对应的每个排序类别下两两分量的差异序列的相似度；根据每个时刻对应的每个排序类别下两两分量的差异序列的相似度、该时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值及该时刻排序类别的个数得到该时刻前判断区数据的排列熵；获取目标时刻，根据目标时刻得到感应电动机的负荷暂态特征。本发明提高了感应电动机的负荷暂态特征提取的准确性。

Description

一种基于感应电动机的负荷暂态特征提取方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于感应电动机的负荷暂态特征提取方法。

背景技术

随着电力行业的发展，人们对电力资源的应用方式越来越丰富，其中感应电动机以其结构简单、容易制造、以及良好的环境适应性等特征被用于各种需要电能作为动力源的场合，而对感应电动机的运行状态进行监测是保证其正常运行的常用手段，感应电动机的负荷特征主要分为两大类，一种为稳态特征，另一种为暂态特征，稳态特征易于监测采集，稳态特征为电动机在稳定运行时所提取的特征，而暂态特征是设备在过渡阶段功耗水平不稳定时所提取的特征，暂态特征作为弥补稳态特征进行精确负荷辨识的另一特征对感应电动机的运行状态至关重要。

现有技术对感应电动机的暂态特征进行特征提取是根据负荷暂态过程的功率-时间曲线的波形特点来提取，这种特征依赖对暂态发生以及结束的时刻的精准判断得到暂态最为常用的暂态持续时间，但是现有技术通过将波形变化较大时刻作为暂态转化节点的识别标准，该方法往往因为暂态波形和稳态波形的不确定性而产生较大的误差，导致最终提取的感应电动机的负荷暂态特征不够准确。

发明内容

本发明提供一种基于感应电动机的负荷暂态特征提取方法，以解决现有的提取的感应电动机的负荷暂态特征不够准确的问题。

本发明的一种基于感应电动机的负荷暂态特征提取方法，采用如下技术方案：

S1、获取感应电动机的功率-时间序列，将功率-时间序列中的每个时刻依次作为采样窗口的中心设置采样窗口，以采样窗口的中心为分界点将每个时刻的采样窗口划分为前判断区和后判断区；

S2、获取每个时刻对应的前判断区对应的功率数据序列，将该功率数据序列转化为二维矩阵得到每个时刻的前重构矩阵；

S3、将每个时刻的前重构矩阵中每个分量按照数值大小进行升序排列得到对应时刻前重构矩阵中的每个分量排序后的列索引，将所有列索引进行分类得到排序类别；

S4、获取每个时刻下每个排序类别对应的前重构矩阵中的所有分量，获取每个分量中每两个相邻元素差值的绝对值得到每个时刻对应的每个排序类别下每个分量的差异序列，获取每个时刻对应的每个排序类别下两两分量的差异序列的相似度；

S5、获取每个时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值，根据每个时刻对应的每个排序类别下两两分量的差异序列的相似度、该时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值及该时刻排序类别的个数得到该时刻前判断区数据的排列熵；

S6、重复步骤S2-S5得到每个时刻对应的后判断区数据的排列熵，获取每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性，并得到相似性序列，根据相似性序列及相似性阈值得到目标时刻，根据目标时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值得到感应电动机的负荷暂态段。

进一步的，所述前重构矩阵是按如下方法确定的：

设定插入维数和延迟时间，根据插入维数和延迟时间分别对每个时刻对应的前判断区对应的功率数据序列进行重构得到对应时刻的前重构矩阵。

进一步的，所述前判断区和后判断区是按如下方法确定的：

将采样窗口的中心时刻前的窗口区域作为该时刻对应的前判断区；

将采样窗口的中心时刻后的窗口区域作为该时刻对应的后判断区。

进一步的，所述每个分量排序后的列索引是按如下方法确定的：

将每个分量原序列中的元素进行列排序得到每个元素对应的序号；

将每个分量原序列中的元素按照数值大小进行升序排列得到新的分量；

将新的分量与每个元素对应的序号进行对应得到每个分量对应后的序号；

将每个分量对应后的序号作为每个分量排序后的列索引。

进一步的，所述每个分量的差异序列是按如下方法确定的：

将每个分量中每两个相邻元素差值的绝对值组成的绝对值序列作为每个分量的差异序列。

进一步的，所述两两分量的差异序列的相似性是按如下方法确定的：

计算每个时刻对应的每个排序类别下两两分量的差异序列的归一化DTW距离；

计算所有两两分量对应的差异序列之间的归一化DTW距离，并得到均值；

将该均值作为每个时刻对应的每个排序类别下两两分量的差异序列的相似性。

进一步的，所述前判断区数据的排列熵是按如下方法确定的：

式中：Hcf(t)表示t时刻对应的前判断区数据的排列熵，q表示排序类别的总个数，l表示第l个排序类别，

表示t时刻对应的第l个排序类别下两两分量的差异序列的相似性，Q(l)表示t时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值。

进一步的，所述每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性是按如下方法确定的：

利用每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值的绝对值除以每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵之和得到每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性。

进一步的，所述感应电动机的负荷暂态段是按如下方法确定的：

获取目标时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值，若该差值为正数，则目标时刻对应的后判断区为感应电动机的负荷暂态特征；若该差值为负数，则目标时刻对应的前判断区为感应电动机的负荷暂态段。

进一步的，所述目标时刻是按如下方法确定的：

获取相似性序列中的最大值所对应的时刻，设置相似性阈值，当该时刻对应的相似性大于相似性阈值时，该时刻为目标时刻。

本发明的有益效果是：本发明首先对每个时刻都设置了采样窗口，并将采样窗口分为了前判断区和后判断区，更加精确的对每个时刻进行分析，以便于获取暂态段与稳态段之间的分界点，即转化节点；其次，本发明引入了排列熵，对每个时刻的前判断区和后判断区的排列熵进行计算，计算过程中通过获取两两分量间的相似性和对排列熵进行加权实现了对排列熵的改进，使得最终得到的每个时刻对应的前、后判断区数据的排列熵更加能够表征前、后判断区的混乱程度；最终利用每个时刻对应的前、后判断区数据的排列熵对感应电动机的负荷暂态段进行了提取，其中，排列熵越大，则表明该判断区越稳定，据此，结合每个时刻对应的前、后判断区数据的排列熵最终得到的感应电动机的负荷暂态特征更加准确。

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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于感应电动机的负荷暂态特征提取方法的实施例的流程图。

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。

本发明的一种基于感应电动机的负荷暂态特征提取方法的实施例，如图1所示，包括：

S1、获取感应电动机的功率-时间序列，将功率-时间序列中的每个时刻依次作为采样窗口的中心设置采样窗口，以采样窗口的中心为分界点将每个时刻的采样窗口划分为前判断区和后判断区。

获取感应电动机的功率-时间序列的具体步骤为：对感应电动机的负荷暂态特征进行提取需要获取电动机本身的功率-时间序列，通过在感应电动机上加装传感器来获取功率-时间序列{P(t)}＝P(1)，P(2)，...，P(T)，其中，T表示获取的感应电动机功率-时间序列最后一个时刻，P(T)为T时刻的功率。其中，功率-时间序列是指每个时刻所对应的功率所组成的序列。

设置采样窗口的具体步骤为：设置时间序列采样窗口，对于功率-时间序列来说，对其进行特征提取就需要对其进行采样，因此，设定采样窗口大小为L(L为自设参数，且其为奇数)，即采样窗口内包括原时间序列上连续L个时间序号对应的功率值，以采样窗口内时序上第

个值所在时序序号作为采样窗口在时序上的位置，则该采样窗口的时序位置将采样窗口内的时间序列分成了时序前、后两个部分，以这两部分作为采样窗口内的判断区。

将功率-时间序列中的每个时刻依次作为采样窗口的中心设置采样窗口，以采样窗口的中心为分界点将每个时刻的采样窗口划分为前判断区和后判断区。如将功率-时间序列中任意时刻的采样窗口，该时刻为采样窗口的中心，将该窗口内该时刻前的所有序列作为该时刻对应的前判断区，将该窗口内该时刻后的所有序列作为该时刻对应的后判断区。

S2、获取每个时刻对应的前判断区对应的功率数据序列，将该功率数据序列转化为二维矩阵得到每个时刻的前重构矩阵。

以时序位置t，即时刻t为例，对于时序位置为t的采样窗口，其内的时序数据为：

则该时刻对应的前判断区对应的功率数据序列为：

该时刻对应的后判断区对应的功率数据序列：

将该时刻对应的前判断区对应的功率数据序列转化为二维矩阵得到t时刻的前重构矩阵，具体步骤为：设定插入维数为m(推荐值为5)延迟时间为k(设置为1)获得t时刻的前重构矩阵F表示方式如下：

式中：t表示t时刻，L表示窗口长度，k表示延迟时间，m表示插入维数，F表示t时刻的前重构矩阵，P(t)表示该时刻的功率。其中，该矩阵每行均表示重构分量，且获取该重构矩阵的方法为现有技术，本发明不再赘述。

根据t时刻对应的前重构矩阵可得到每个时刻的前重构矩阵。

S3、将每个时刻的前重构矩阵中每个分量按照数值大小进行升序排列得到对应时刻前重构矩阵中的每个分量排序后的列索引，将所有列索引进行分类得到排序类别。

将每个时刻的前重构矩阵中每个分量按照数值大小进行升序排列得到对应时刻前重构矩阵中的每个分量排序后的列索引，将每个分量原序列中的元素进行列排序得到每个元素对应的序号；将每个分量原序列中的元素按照数值大小进行升序排列得到新的分量；将新的分量与每个元素对应的序号进行对应得到每个分量对应后的序号；将每个分量对应后的序号作为每个分量排序后的列索引。

每个列索引代表一个排序类别，根据每个分量排序后的列索引得到索引序列，即排序类别序列，以S(l)表示第l列的排序类别，S(l)＝{j₁，j₂，...，j_m}，l＝1，2，...，q；(q≤m！)，其中，j_m表示第l个排序类别中功率值最大的元素的列索引，q表示排序类别的总个数，则q最大值为m！，该方法为现有技术，本发明不再赘述。

S4、获取每个时刻下每个排序类别对应的前重构矩阵中的所有分量，获取每个分量中每两个相邻元素差值的绝对值得到每个时刻对应的每个排序类别下每个分量的差异序列，获取每个时刻对应的每个排序类别下两两分量的差异序列的相似度。

以t时刻为例，获取该时刻下每个排序类别对应的前重构矩阵中的所有分量，获取每个分量中每两个相邻元素差值的绝对值，将每两个相邻元素差值的绝对值作为新的序列得到该时刻对应的每个排序类别下每个分量的差异序列，据此可得到每个时刻对应的每个排序类别下每个分量的差异序列。由于重构分量本身也是一个长度为m的序列，其相邻元素差异构成的序列的长度就是m-1，则至此，每个重构分量均对应一个由相邻元素差异获取的长度为m-1的差异序列。

获取每个时刻对应的每个排序类别下两两分量的差异序列的相似性的具体步骤为：计算每个时刻对应的每个排序类别下两两分量的差异序列的归一化DTW距离，计算出所有两两分量对应的差异序列之间的归一化DTW距离后求均值，将该均值作为每个时刻对应的每个排序类别下两两分量的差异序列的相似度

需要说明的是，若一个排序类别中只有一个分量，则这个分量对应的相似度最大，也即对应的

为0。

至此，获取所有排序类别S(l)对应的

l＝1，2，...，q；(q≤m！)。

S5、获取每个时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值，根据每个时刻对应的每个排序类别下两两分量的差异序列的相似度、该时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值及该时刻排序类别的个数得到该时刻前判断区数据的排列熵。

获取每个时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值Q(l)，根据每个时刻对应的每个排序类别下两两分量的差异序列的相似度

该时刻对应的每个排序类别下的分量个数q占重构矩阵中的分量个数的比值及该时刻排序类别的个数得到该时刻前判断区数据的排列熵，具体表达式为：

式中：Hcf(t)表示t时刻对应的前判断区数据的排列熵，q表示排序类别的总个数，l表示第l个排序类别，

表示t时刻对应的第l个排序类别下两两分量的差异序列的相似度，Q(l)表示t时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值。

其中，

表示排序类别下两两分量的差异序列相似度较大的排序类别的关注程度，

表示调整关注权重后的各排序类别包含的分量个数占总重构分量个数比值，

表示与关注程度结合后的综合占比，则Hcf(t)越趋近于1，越说明t时刻对应的前判断区越可能是稳态区域，越趋近于0说明判断区域内越可能是暂态区域。

S6、重复步骤S2-S5得到每个时刻对应的后判断区数据的排列熵，获取每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性得到相似性序列，将相似性序列中的最大值对应的时刻作为目标时刻，根据目标时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值得到感应电动机的负荷暂态特征。

重复步骤S2-S5得到t时刻对应的后判断区数据的排列熵Hcb(t)，据此得到每个时刻对应的后判断区数据的排列熵。

获取t时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性的具体表达式为：

式中：C(t)表示t时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性，Hcf(t)表示t时刻对应的前判断区对应的排列熵，Hcb(t)表示t时刻对应的后判断区对应的排列熵。

其中，该公式利用t时刻对应的前判断区对应的排列熵和后判断区对应的排列熵之差的绝对值与t时刻对应的前判断区对应的排列熵和后判断区对应的排列熵之和相乘得到t时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性，当C(t)的值越趋近于0越说明二者相似，此时t时刻不属于分界点，越趋近于1越说明二者不相似，此时t时刻具有最大的可能是分界点，该公式表征了t时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性，据此，可得到每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性。

根据每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性得到相似性序列{C(t)}＝C(1)，C(2)，...，C(T)，获取该相似性序列中的最大值，获取相似性序列中的最大值所对应的时刻，设置相似性阈值0.7，当该时刻对应的相似性大于相似性阈值时，该时刻为目标时刻，目标时刻为感应电动机在该功率-时间序列的稳态特征和暂态特征的分界点。

获取目标时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值，若该差值为正数，则说明目标时刻对应的前判断区为稳态段，后判断区为暂态段，即暂态特征；若该差值为负数，则说明目标时刻对应的后判断区为稳态段，目标时刻对应的前判断区为暂态段。至此，完成了对感应电动机的负荷暂态特征的提取。

本发明的有益效果是：本发明首先对每个时刻都设置了采样窗口，并将采样窗口分为了前判断区和后判断区，更加精确的对每个时刻进行分析，以便于获取暂态段与稳态段之间的分界点，即转化节点；其次，本发明引入了排列熵，对每个时刻的前判断区和后判断区的排列熵进行计算，计算过程中通过获取两两分量间的相似性和对排列熵进行加权实现了对排列熵的改进，使得最终得到的每个时刻对应的前、后判断区数据的排列熵更加能够表征前、后判断区的混乱程度；最终利用每个时刻对应的前、后判断区数据的排列熵对感应电动机的负荷暂态段进行了提取，其中，排列熵越大，则表明该判断区越稳定，据此，结合每个时刻对应的前、后判断区数据的排列熵最终得到的感应电动机的负荷暂态特征更加准确。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于感应电动机的负荷暂态特征提取方法，其特征在于，包括：

S1、获取感应电动机的功率-时间序列，将功率-时间序列中的每个时刻依次作为采样窗口的中心设置采样窗口，以采样窗口的中心为分界点将每个时刻的采样窗口划分为前判断区和后判断区；

S2、获取每个时刻对应的前判断区对应的功率数据序列，将该功率数据序列转化为二维矩阵得到每个时刻的前重构矩阵；

S3、将每个时刻的前重构矩阵中每个分量按照数值大小进行升序排列得到对应时刻前重构矩阵中的每个分量排序后的列索引，将所有列索引进行分类得到排序类别；

S4、获取每个时刻下每个排序类别对应的前重构矩阵中的所有分量，获取每个分量中每两个相邻元素差值的绝对值得到每个时刻对应的每个排序类别下每个分量的差异序列，获取每个时刻对应的每个排序类别下两两分量的差异序列的相似度；

S5、获取每个时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值，根据每个时刻对应的每个排序类别下两两分量的差异序列的相似度、该时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值及该时刻排序类别的个数得到该时刻前判断区数据的排列熵；

S6、重复步骤S2-S5得到每个时刻对应的后判断区数据的排列熵，获取每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性，并得到相似性序列，根据相似性序列及相似性阈值得到目标时刻，根据目标时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值得到感应电动机的负荷暂态段。

2.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述前重构矩阵是按如下方法确定的：

设定插入维数和延迟时间，根据插入维数和延迟时间分别对每个时刻对应的前判断区对应的功率数据序列进行重构得到对应时刻的前重构矩阵。

3.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述前判断区和后判断区是按如下方法确定的：

将采样窗口的中心时刻前的窗口区域作为该时刻对应的前判断区；

将采样窗口的中心时刻后的窗口区域作为该时刻对应的后判断区。

4.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述每个分量排序后的列索引是按如下方法确定的：

将每个分量原序列中的元素进行列排序得到每个元素对应的序号；

将每个分量原序列中的元素按照数值大小进行升序排列得到新的分量；

将新的分量与每个元素对应的序号进行对应得到每个分量对应后的序号；

将每个分量对应后的序号作为每个分量排序后的列索引。

5.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述每个分量的差异序列是按如下方法确定的：

将每个分量中每两个相邻元素差值的绝对值组成的绝对值序列作为每个分量的差异序列。

6.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述两两分量的差异序列的相似性是按如下方法确定的：

计算每个时刻对应的每个排序类别下两两分量的差异序列的归一化DTW距离；

计算所有两两分量对应的差异序列之间的归一化DTW距离，并得到均值；

将该均值作为每个时刻对应的每个排序类别下两两分量的差异序列的相似性。

7.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述前判断区数据的排列熵是按如下方法确定的：

式中：Hcf(t)表示t时刻对应的前判断区数据的排列熵，q表示排序类别的总个数，l表示第l个排序类别，

表示t时刻对应的第l个排序类别下两两分量的差异序列的相似性，Q(l)表示t时刻对应的每个排序类别下的分量个数占重构矩阵中的分量个数的比值。

8.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性是按如下方法确定的：

利用每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值的绝对值除以每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵之和得到每个时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的相似性。

9.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述感应电动机的负荷暂态段是按如下方法确定的：

获取目标时刻对应的前判断区对应的排列熵和后判断区对应的排列熵的差值，若该差值为正数，则目标时刻对应的后判断区为感应电动机的负荷暂态特征；若该差值为负数，则目标时刻对应的前判断区为感应电动机的负荷暂态段。

10.根据权利要求1所述的一种基于感应电动机的负荷暂态特征提取方法，其特征在于，所述目标时刻是按如下方法确定的：

获取相似性序列中的最大值所对应的时刻，设置相似性阈值，当该时刻对应的相似性大于相似性阈值时，该时刻为目标时刻。

Images