本发明公开了一种基于触头行程曲线特征提取和特征选择的高压断路器机械状态识别方法，通过大量分合闸实验获取不同机械状态下的高压断路器的触头行程曲线，计算[分/合闸时间、分合闸速度、平均速度]并定为核心的三个特征，然后对触头行程曲线进行等宽离散，将各时刻的行程值取为特征点，构成待筛选特征；计算各待筛选特征点与故障类别之间的互信息，以此表征此时刻的触头行程与故障类别之间的相关性；根据最大相关最小冗余准则对以上特征进行筛选，选择出一组最优特征向量；使用筛选出的最优特征向量对支持向量机进行训练，对未知状态数据进行状态识别。使得状态识别更加准确和完善，为分/合闸过程的分析提供了参考。
1.一种高压断路器机械状态识别方法，其特征在于：通过对分/合闸过程中的触头行程曲线进行特征提取和特征选择来对高压断路器的机械状态进行识别，具体包括以下步骤：步骤1)通过大量分/合闸试验获取不同状态下的高压断路器触头行程曲线，首先对波形进行截取、滤波预处理，计算分/合闸速度、平均速度，将[分/合闸时间、分/合闸速度、平均速度]定为核心的三个特征，然后对所有触头行程曲线进行等宽离散，每隔一小段时间截取一个行程点，以提取时刻的不同分为n类特征，将这些等宽离散出的特征点定为待筛选特征；n为自然数；
步骤2)每条触头行程曲线生成一组待筛选特征，每组均具有n类特征；如果某一类特征下各样本的取值全部相同，则认为此类特征对分类没有贡献，去除此类特征；分别计算各类特征与状态类别之间的互信息，以此表征此类特征与状态类别之间的相关性，即表征各样本在此时刻的行程值的区别与状态类别的区别之间的相关性；计算得到的互信息越大，则表明此特征对最终的状态识别越重要；
步骤3)各类特征与状态类别之间的互信息计算完成后，根据最大相关最小冗余准则对这些特征进行筛选，寻找出一组最优特征向量；
步骤4)将[分/合闸时间、分/合闸速度、平均速度]三个核心特征和筛选出的最优特征组成最终的特征向量，使用其对支持向量机进行训练，对未知状态数据进行状态识别。
2.根据权利要求1所述的高压断路器机械状态识别方法，其特征在于：步骤2)中，互信息I的计算公式为取X为某一种特征，Y为状态类别，x为各样本的特征量取值，y为各样本的状态类别。
3.根据权利要求2所述的高压断路器机械状态识别方法，其特征在于：步骤3)中，最大相关最小冗余准则的定义为，相关性参数 S为特征集，|S|为特征集中特征种类的个数，xi为各类特征，c为状态类别，D表示的是所选特征集与状态类别的相关性，D越大 ，则表示此特征集对状态类别的区分 度很好 ；冗余性参数R表示的是各类特征之间的冗余性，R越小，则表示此特征集
中各特征之间的重复性越小；xi和xj指的都是特征；
定义一个算子Φ＝wD-(1-w)R，计算得到使得Φ取最大值的特征组合，即为最优特征组合；其中，w为权重系数，w越大则表示越侧重于最大相关性；w越小则表示越侧重于最小冗余性。
4.根据权利要求3所述的高压断路器机械状态识别方法，其特征在于：权重系数w的选择，利用粒子群寻优算法，以分类准确度作为适应度指标，w的寻优和惩罚因子c，核函数参数g存在嵌套关系，即w改变后特征集改变，特征集的改变会导致c，g的改变，w、c、g三个参数确定后才可以计算分类准确率。
5.根据权利要求1所述的高压断路器机械状态识别方法，其特征在于：步骤3)中，特征的筛选过程，包括以下步骤：
1)分别计算各类特征与状态类别之间的互信息大小，然后按照互信息由大到小的顺序将各类特征进行排序；
2)以[分/合闸时间、分/合闸速度、平均速度]作为初始特征集，计算Φ＝wD-(1-w)R；其中，w为权重系数，D表示的是所选特征集与状态类别的相关性，R表示的是各类特征之间的冗余性；
3)按照1)中排好的顺序，向特征集中添加1个特征，然后计算Φ'＝wD-(1-w)R，若计算得到的Φ'比未添加此特征时计算得到的Φ大，则保留此特征构成新的特征集，反之，则舍去该特征；Φ和Φ'均为定义的算子；
4)重复3)，直到全部计算完成，此时得到的特征集即为最优特征集。
6.根据权利要求1所述的高压断路器机械状态识别方法，其特征在于：步骤4)中，对支持向量机的训练，是基于“一对多”的思路将原本适用于二分类的支持向量机扩展成可进行多分类的分类器，支持向量机核函数选择径向基函数，其中惩罚因子c和核函数参数g通过粒子群算法的寻优算法获得，适应度设为分类准确率。
7.根据权利要求6所述的高压断路器机械状态识别方法，其特征在于：“一对多”的分类思路是指：如果对n种状态进行分类，即构造n个两类分类器，其中第i个分类器把第i类同余下的各类划分开，训练时第i个分类器取训练集中第i类为正类，其余类别点为负类进行训练；判别时，输入信号分别经过n个分类器共得到n个输出值，最大者对应类别为输入的类别；i＝1,2,3……，n，i、n均为自然数。
高压断路器机械状态识别方法
技术领域
[0001] 本发明涉及一种高压供配电线路或供配电系统中高压断路器状态识别方法，特别涉及一种基于触头行程曲线特征提取和特征选择的高压断路器机械状态识别方法。
背景技术
[0002] 高压断路器是电力系统中数量最大的电力设备之一，同时也是最重要的开关设备，担负着控制和保护的双重任务。因此，它的性能的好坏，工作的可靠程度是决定电力系统安全运行的重要因素。
[0003] 由于高压断路器的内部结构不可见，很难直观的获知其中的组件是否处于正常工作状态。然而，将运行中的高压断路器拆解后对内部组件进行测量分析又显得不切实际，所以，为了获知高压断路器内部机构的状态，一般通过测量其重要组件的行程曲线，通过对曲线进行处理和分析，判断机构是处于正常工作状态或者是处于某种故障状态。目前来说，一般取触头的行程曲线来对高压断路器进行机械状态识别，但是针对触头行程曲线，除了计算分/合闸时间、分/合闸速度之外尚无一套可以反映整个分/合闸过程每个阶段特性的特征提取和特征选择体系，因此本发明提取各时刻的行程值作为特征，计算各特征与状态类别之间的互信息，然后寻找出最优特征向量，对未知状态数据进行识别，最优特征向量所对应的时刻可以认为是在分/合闸过程中需要重点关注和分析的关键点。
发明内容
[0004] 目的：为了克服现有技术的不足，针对高压断路器机械状态识别中遇到的特征量提取困难，本发明提供一种基于触头行程曲线特征提取和特征选择的高压断路器机械状态识别方法，提取各时刻的行程值作为特征，计算各特征与状态类别之间的互信息，然后寻找出最优特征向量，对未知状态数据进行识别，最优特征向量所对应的时刻可以认为是在分/合闸过程中需要重点关注和分析的关键点。
[0005] 技术方案：为解决上述技术问题，本发明采用的技术方案为：
[0006] 一种高压断路器机械状态识别方法，其特征在于：通过对分/合闸过程中的触头行程曲线进行特征提取和特征选择来对高压断路器的机械状态进行识别，具体包括以下步骤：
[0007] 步骤1)通过大量分/合闸试验获取不同状态下的高压断路器触头行程曲线，首先对波形进行截取、滤波等预处理，计算分/合闸速度、平均速度，将[分/合闸时间、分/合闸速度、平均速度]定为核心的三个特征，然后对所有触头行程曲线进行等宽离散，每隔一小段时间截取一个行程点，以提取时刻的不同分为n类特征，将这些等宽离散出的特征点定为待筛选特征；n为自然数；
[0008] 步骤2)每条触头行程曲线(即每个样本)生成一组待筛选特征，每组均具有n类特征；如果某一类特征下各样本的取值全部相同，则认为此类特征对分类没有贡献，去除此类特征；分别计算各类特征与状态类别之间的互信息，以此表征此类特征与状态类别之间的相关性，即表征各样本在此时刻的行程值的区别与状态类别的区别之间的相关性；计算得到的互信息越大，则表明此特征对最终的状态识别越重要；
[0009] 步骤3)各类特征与状态类别之间的互信息计算完成后，根据最大相关最小冗余准则对这些特征进行筛选，寻找出一组最优特征向量；此最优特征向量既可以满足准确分类的要求，也足够简洁，不会使得识别速度过于缓慢；
[0010] 步骤4)将[分/合闸时间、分/合闸速度、平均速度]三个核心特征和筛选出的最优特征组成最终的特征向量，使用其对支持向量机进行训练，对未知状态数据进行状态识别。
[0011] 步骤2)中，互信息的计算公式为 X表示的是某一类特征，x表示的是各样本数据此类特征的取值，Y表示的是状态类别，y表示的是各样本数据的状态类别。互信息的计算中涉及到概率密度的计算，本发明采用核函数密度估计的方法进行计算。需要指出的是，这里的互信息不光可以计算某类特征和状态类别之间的相关性，也可以计算某两类特征之间的相关性，这一点后续的特征筛选中也会用到。
[0012] 步骤3)中，最大相关最小冗余准则的定义为，相关性参数 S为特征集，|S|为特征集中特征种类的个数，xi为各类特征，c为状态类别，D表示的是所选特征集与状态类别的相关性，D越大，则表示此特征集对状态类别的区分度很好；冗余性参数R表示的是各类特征之间的冗余性，R越小，则表示此特征集中各特
征之间的重复性越小；Xi和Xj指的都是特征。
[0013] 最大相关最小冗余准则就是寻找一组特征组合，使得相关性尽可能的大而冗余性尽可能的小，遂定义一个算子Φ＝wD-(1-w)R，计算得到使得Φ取最大值的特征组合，即为最优特征组合。w为权重系数，w越大则表示越侧重于最大相关性，此时寻找出的特征种类一般更多，利用此特征集进行分类识别，准确度较高但速度较慢；w越小则表示越侧重于最小冗余性，此时寻找出的特征种类一般更少，利用此特征集进行分类识别，准确度较低但速度较快。
[0014] 此处w的选择，本发明利用粒子群寻优算法，以分类准确度作为适应度指标，w的寻优和惩罚因子c，核函数参数g存在嵌套关系，即w改变后特征集改变，特征集的改变会导致c，g的改变，w、c、g三个参数确定后才可以计算分类准确率。
[0015] 步骤3)中，特征的筛选过程，包括以下步骤：
[0016] 1)分计算各类特征与状态类别之间的互信息大小，然后按照互信息由大到小的顺序将各类特征进行排序；
[0017] 2)以[分/合闸时间、分/合闸速度、平均速度]作为初始特征集，计算Φ＝wD-(1-w)R；
[0018] 3)按照1)中排好的顺序，向特征集中添加1个特征，然后计算Φ'＝wD-(1-w)R，若计算得到的Φ'比未添加此特征时计算得到的Φ大，则保留此特征构成新的特征集，反正，则舍去该特征；
[0019] 4)重复3)，直到全部计算完成，此时得到的特征集即为最优特征集。
[0020] 步骤4)中，对支持向量机的训练，是基于“一对多”的思路将原本适用于二分类的支持向量机扩展成可进行多分类的分类器，支持向量机核函数选择径向基函数，其中惩罚因子c和核函数参数g通过粒子群算法的寻优算法获得，适应度设为分类准确率。
[0021] 其中，“一对多”的分类思路是指：如果对n种状态进行分类，即构造n个两类分类器，其中第i个分类器把第i类同余下的各类划分开，训练时第i个分类器取训练集中第i类为正类，其余类别点为负类进行训练；判别时，输入信号分别经过n个分类器共得到n个输出值，最大者对应类别为输入的类别，i、n均为自然数。
[0022] 有益效果：本发明提供的高压断路器机械状态识别方法，通过大量分合闸实验获取不同机械状态下的高压断路器的触头行程曲线，计算[分/合闸时间、分合闸速度、平均速度]并定为核心的三个特征，然后对触头行程曲线进行等宽离散，将各时刻的行程值取为特征点，构成待筛选特征；计算各待筛选特征点与故障类别之间的互信息，以此表征此时刻的触头行程与故障类别之间的相关性；根据最大相关最小冗余准则对以上特征进行筛选，选择出一组最优特征向量；使用筛选出的最优特征向量对支持向量机进行训练，对未知状态数据进行状态识别。不仅全面的考察了分/合闸过程中各时刻的信息，使得状态识别更加准确和完善，而且可以根据各时刻行程值与状态类别相关性的大小定位出分/合闸过程中比较重要的阶段或者关键点，为分/合闸过程的分析提供了参考。
附图说明
[0023] 图1为本发明所述方法的整体流程图；
[0024] 图2是特征选择的算法流程图。
具体实施方式
[0025] 下面结合具体实施例对本发明作更进一步的说明。
[0026] 如图1所示，一种基于触头行程曲线特征提取和特征选择的高压断路器机械状态识别方法，可分为以下四个步骤：
[0027] 1)通过大量合闸试验获取不同状态下的高压断路器触头行程曲线，首先对波形进行截取、滤波等预处理，计算合闸速度、平均速度，合闸速度为刚合点前40％行程的平均速度，平均速度为总行程的10％到90％的平均速度，将[合闸时间、合闸速度、平均速度]定为核心的三个特征，然后对所有触头行程曲线进行等宽离散，在90ms的曲线长度上每隔1ms截取一个行程点，以提取时刻的不同分为90类特征，将这些等宽离散出的特征点定为待筛选特征。
[0028] 2)每条触头行程曲线(即每个样本)生成一组待筛选特征，每组均具有90类特征。如果某一类特征下各样本的取值全部相同，则认为此类特征对分类没有贡献，去除此类特征。分别计算各类特征与状态类别之间的互信息，以此表征此类特征与状态类别之间的相关性，即表征各样本在此时刻的行程值的区别与状态类别的区别之间的相关性。计算得到的互信息越大，则表明此特征对最终的状态识别越重要。
[0029] 3)各类特征与状态类别之间的互信息计算完成后，根据最大相关最小冗余准则对这些特征进行筛选，寻找出一组最优特征向量。此最优特征向量既可以满足准确分类的要求，也足够简洁，不会使得识别速度过于缓慢。
[0030] 4)将[合闸时间、合闸速度、平均速度]三个核心特征和筛选出的最优特征组成最终的特征向量，使用其对支持向量机进行训练，对未知状态数据进行状态识别。
[0031] 参见图2，本发明所述的特征选择方法可分为以下步骤：
[0032] 1)分别计算各类特征与状态类别之间的互信息大小，然后按照互信息由大到小的顺序对各类特征进行排序，例如x＝[x1,x2,x3...xn]；
[0033] 2)以[合闸时间、合闸速度、平均速度]作为初始特征集，计算Φ＝wD-(1-w)R，其中令w＝0.9；
[0034] 3)令k＝1，向特征集中添加特征xk，然后计算Φ'＝wD-(1-w)R，若计算得到的Φ'比未添加此特征时计算得到的Φ大，则保留特征xk与之前的特征构成新的特征集，反正，则舍去该特征；
[0035] 4)令k＝k+1，循环步骤3)，直到k>n；
[0036] 5)最终获得的特征集即为最优特征向量。
[0037] 需要指出的是，此处取w＝0.9，是因为在实例中，更加侧重相关性，换句话说更加看重分类的准确度，对分类速度并无过高要求，并且在实例中取w＝0.9最终得到的特征向量为4维，并不是特别复杂，既保障了分类的准确度，也具有很快的识别速度。
[0038] 以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
