一种电力设备故障特征分析方法技术

本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及故障分析
，特别是涉及一种电力设备故障特征分析方法。
技术介绍
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 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。
技术实现思路
本专利技术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，本专利技术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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：葛军凯，张静，留毅，胡翔，
申请(专利权)人：浙江群力电气有限公司，国网浙江杭州市余杭区供电公司，
类型：发明
国别省市：浙江;33