本发明公开了一种基于小波分解与经验模态分解的异常电流诊断方法和系统，涉及复杂电路异常电流诊断技术领域；本发明的方法包括步骤有：获取对每一种带故障信息的电流数据分别进行小波分解获得小波系数；通过小波系数计算每种带故障信息的电流数据的方差、归一化能量值、第一能量熵；利用经验模态分解方法分解每种带故障电流数据得到不同的本征模态分量，并通过本征模态分量计算第二能量熵；将方差、归一化能量值、第一能量熵和第二能量熵构建成电流信号特征向量；通过特征向量训练分类器；将训练好的分类器对电流数据进行异常诊断；本发明解决了识别多种电气故障类型的复杂电路故障诊断方法，克服故障类型诊断准确率低的技术问题。
1.一种基于小波分解与经验模态分解的异常电流诊断方法，其特征在于，包括：通过小波分解和经验模态分解并列对电流数据进行处理，得到特征向量后，通过特征向量训练分类器；将训练好的分类器对电流数据进行异常诊断；
S1：获取电路中多种带有故障信息的电流数据以及正常工作下的电流数据；
S2：将S1收集到的电流数据进行分段取样后，进行小波分解与经验模态分解的特征提取；
S21：通过小波分解将电流数据进行分解并计算得到的高频系数和低频系数，通过高频系数和低频系数用来计算方差、归一化能量变比、第一能量熵；
S22：通过经验模态分解将电流数据分解并计算得到第二能量熵；
S23：将方差、归一化能量值、第一能量熵和第二能量熵构建成电流数据特征向量；
S4：得到正常电流信号以及多种故障电流信号各自的分类结果；
S5：通过训练好的分类器对待检测的电流进行分类，得到异常诊断结果。
2.根据权利要求1所述的基于小波分解与经验模态分解的异常电流诊断方法，其特征在于，所述特征向量包括方差、归一化能量值、第一能量熵和第二能量熵；其中，所述方差、归一化能量值和第一能量熵由小波分解得到，所述第二能量熵由经验模态分解得到。
3.根据权利要求1所述的基于小波分解与经验模态分解的异常电流诊断方法，其特征在于，所述S21的具体步骤包括：S211：将S1中采集到的带有故障信息的电流数据和正常电流数据分别进行小波分解，分解之后获取到各个电流的小波系数，小波分解的计算公式为：上式中，x(t)表示原始电流信号，ψ为小波函数，t为时间点，a为尺度因子，用来控制小波函数的伸缩；τ为时移因子，用来控制小波函数的平移；
S212：将得到小波系数cA5、cD5、cD4、cD3、cD2和cD1分别进行方差、归一化能量变比、第一能量熵三个特征量的计算；
方差能描述变量与均值之间的偏离程度，方差D(coef)的计算公式为：其中coef表示小波系数， 表示小波系数的均值，N为小波系数的点数；将各层小波系数代入方差公式后进行收集得到一个长度为6的方差特征量数组D＝[D(cA5),D(cD5),D(cD4),D(cD3),D(cD2),D(cD1)]；
将能量作为故障电流发生时产生在频域判据中的一个体现，则归一化能量变比的计算过程为：
1)计算每一层小波系数(cA5,cD5,cD4,cD3,cD2,cD1)的能量E(coef)
2)将每一层的求得的能量相加得到总能量EtotalEtotal＝E(cA)+E(cD5)+E(cD4)+E(cD3)+E(cD2)+E(cD1)
将每一层小波系数代入归一化能量变比公式中，得到一个长度为6的归一化能量变比特征量数组P＝[P(cA),P(cD5),P(cD4),P(cD3),P(cD2),P(cD1)]；
将每一层小波系数代入能量熵公式中，得到一个小波能量熵特征量EntW，即第一能量熵。
4.根据权利要求1所述的基于小波分解与经验模态分解的异常电流诊断方法，其特征在于，所述S22的具体步骤包括：S221：找到电流信号中所有的极大值点和极小值点，通过极值点与插值法拟合电流信号上包络线e1(t)和下包络线e2(t)，计算包络平均值S222：判断 的差值h(t)是否满足IMF条件；
若不满足，则令x(t)＝h(t)，再去重复迭代计算步骤S221，直至满足步骤S222中的IMF条件；
若满足，则记c(t)＝h(t)为x(t)的本征模函数，将c(t)从x(t)中抽取出来，余下的信号r(t)＝x(t)‑c(t)作为下一轮分解的原始序列；
S223：重复步骤S221、S222进行多轮分解，每一次分解能得到本征模函数c1(t)c2(t)…cN(t)和余项r(t)，当r(t)为一个单调函数时则停止分解过程，得到的IMF记作 分解后的原始电流信号表示形式如下：经验模态分解将数据进行分解得到本征模态分量，通过此本征模态分量来计算第二能量熵；
具体地，利用经验模态分解后得到的本征模态分量来计算第二能量熵的过程为：
5.根据权利要求1所述的基于小波分解与经验模态分解的异常电流诊断方法，其特征在于，所述S3具体为：分别将带有故障信息的电流数据和正常电流数据的方差、归一化能量变比、第一能量熵和第二能量熵这四种特征向量进行拼接，得到表征该条数据的特征向量，进而得到表征所有数据分解后的特征向量矩阵 其中m表示数据的条数，d表示特征向量的维度；将特征向量矩阵 进行训练集与测试集的划分，并训练分类器。
6.根据权利要求1所述的基于小波分解与经验模态分解的异常电流诊断方法，其特征在于，所述分类器采用LightGBM分类器。
7.一种基于小波分解与经验模态分解的异常电流诊断系统，其特征在于，包括：数据采集模块，用于对采集带有故障信息的电流数据和正常电流数据；
数据预处理模块，用于对数据采集得到的数据进行预处理；
特征提取模块，用于提取特征向量，所述特征向量是通过小波分解和经验模态分解并列对电流数据后进行处理得到的；
故障分类模块，带有集成分类模块，用于进行异常诊断；
S1：获取电路中多种带有故障信息的电流数据以及正常工作下的电流数据；
S2：将S1收集到的电流数据进行分段取样后，进行小波分解与经验模态分解的特征提取；
S21：通过小波分解将电流数据进行分解并计算得到的高频系数和低频系数，通过高频系数和低频系数用来计算方差、归一化能量变比、第一能量熵；
S22：通过经验模态分解将电流数据分解并计算得到第二能量熵；
S23：将方差、归一化能量值、第一能量熵和第二能量熵构建成电流数据特征向量；
S4：得到正常电流信号以及多种故障电流信号各自的分类结果；
S5：通过训练好的分类器对待检测的电流进行分类，得到异常诊断结果。
8.根据权利要求7所述的基于小波分解与经验模态分解的异常电流诊断系统，其特征在于，数据预处理模块包括能够对采集的数据进行分段的分段单元，分段后的电流数据为子电流数据。
基于小波分解与经验模态分解的异常电流诊断方法和系统
技术领域
[0001] 本发明涉及复杂电路异常电流诊断技术领域，具体涉及到一种基于小波分解与经验模态分解的异常电流诊断方法和系统。
背景技术
[0002] 随着科技进步与经济的飞速发展，日常生活中使用到的家用电器也逐渐走向智能化，而这些必然离不开电能的使用，电能通过输/配电线路可以高效地远距离输送且方便快捷的转化为如光能、热能、机械能等其他形式的能量。然而在电带给我们方便的同时，近年来火灾事故起数也在逐年上升，其中一个重要的起火原因便是电气原因，而在电气火灾中大部分原因是电气线路故障或者电气设备故障等因素造成的。目前针对该问题的解决方法中，运用人工智能算法来识别正常工作电路与故障电路的研究也有了部分的工程应用，如智能电气开关，它能识别线路中的故障数据与正常数据，故障数据则及时断开线路，正常数据则保持正常工作状态不变。电气故障类型比较多，其中比较常见的有接触不良故障、炭化导通故障、相间高阻抗故障，一般的电路故障诊断方法最多只能做到二分类，因此针对两种及以上的电气故障的诊断方法的研究是具有重要价值与意义的。
[0003] 在电气故障类型中，接触不良和炭化导通故障识别率是比较低的，因为从信号波形直观来看，这两种故障类型信号与正常工作电流信号的波形无法区分开来，只能从频域上来加以区分，因此在电路故障诊断方法中，往往会先采用小波分解电流信号得到高频系数和低频系数，通常做法是只提取一个或多个高频系数中的特征作为电路在各种故障以及正常工作状态下的特征信息，然后将收集到的特征作为神经网络的输入，最后得到故障类型判断结果，这样做通常会忽略小波系数中的低频系数，这会导致一部分的信息丢失，造成正确诊断率下降。此外，训练神经网络会花费比较多的时间，且训练时间也相对较长，不适合作为工程实际运用上的电路异常诊断方法。传统机器学习模型如Logistic回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)等常被用作故障电路电流检测任务中的分类器，这两者常被用在二分类任务上，且容易出现过拟合现象，其中SVM针对大规模训练样本较难实施，在多分类任务上也会存在时间消耗大、训练效率低的问题。
[0004] 小波分解被广泛应用于异常信号处理问题上，具有良好的消噪作用，但它在处理非平稳或非线性信号的时候不能得到信号所包含的各个频率部分，而且还需要选择合适的小波基函数，小波基函数对于整个小波分析的过程是非常重要的。经验模态分解(Empirical Mode Decomposition,缩写为EMD)在处理非平稳或非线性信号的时候具有很高的信噪比，很适用于处理非平稳、非线性信号的分析处理。
[0005] 目前有许多学者展开了对故障电路电流异常诊断方法的研究工作，这些工作主要是针对信号特征提取的方法研究。例如王志斌,曹红伟,刘佳佳.基于小波包去噪与EMD的故障电弧检测算法研究[J].电测与仪表,2019(6):117‑121.是利用小波分解对电流信号进行去噪，将去噪之后的信号采用EMD算法来提取电流信号特征，再作为分类器的输入最终实现故障分类，但是小波包去噪之后的信号是损失了一部分信号本身的信息，这对于故障分类是不利的。在许多类似文献中都是先利用小波去噪，再利用HHT变换中的如EMD算法对去噪后的信号进行分解并提取特征量作为分类模型的输入，这样做不仅损失了信号本身的信息，并且也没考虑到多种故障类型存在的复杂电路的情况。
[0006] 综上所述，研究如何创新小波分解与经验模态分解之间的结合方式来进行复杂电路电流故障诊断，并且能够提高诊断准确率与效率的诊断方法是具有较高的价值与意义的。
发明内容
[0007] 本发明的目的在于：为了解决识别多种电气故障类型的复杂电路故障诊断方法，克服故障类型诊断准确率低的技术问题，本发明提供利用一种基于小波分解与经验模态分解的异常电流诊断方法和系统。基于小波分析和经验模态分解来进行故障特征提取、机器学习算法Light GBM(Light Gradient Boosting Machine)作为故障分类器的电路异常诊断方法。技术方案如下：
[0008] 一种基于小波分解与经验模态分解的异常电流诊断方法，包括：
[0009] 通过小波分解和经验模态分解并列对电流数据进行处理，得到特征向量后，通过特征向量训练分类器；将训练好的分类器对电流数据进行异常诊断。
[0010] 进一步的，所述特征向量包括方差、归一化能量值、第一能量熵和第二能量熵；其中，所述方差、归一化能量值和第一能量熵由小波分解得到，所述第二能量熵由经验模态分解得到。
[0011] 更进一步的，包括如下步骤：
[0012] S1：获取电路中多种带有故障信息的电流数据以及正常工作下的电流数据；
[0013] S2：将S1收集到的电流数据进行分段取样后，进行小波分解与经验模态分解的特征提取；
[0014] S21：通过小波分解将电流数据进行分解并计算得到的高频系数和低频系数，通过高频系数和低频系数用来计算方差、归一化能量变比、第一能量熵；
[0015] S22：通过经验模态分解将电流数据分解并计算得到第二能量熵；
[0016] S23：将方差、归一化能量值、第一能量熵和第二能量熵构建成电流数据特征向量；
[0017] S3：通过电流数据的特征向量对分类器进行训练；
[0018] S4：得到正常电流信号以及多种故障电流信号各自的分类结果；
[0019] S5：通过训练好的分类器对待检测的电流进行分类，得到异常诊断结果。
[0020] 更进一步的，所述S21的具体步骤包括：
[0021] S211：将S1中采集到的带有故障信息的电流数据和正常电流数据分别进行小波分解，分解之后获取到各个电流的小波系数，小波分解的计算公式为：
[0022]
[0023] 上式中，x(t)表示原始电流信号，ψ为小波函数，t为时间点，a为尺度因子，用来控制小波函数的伸缩；τ为时移因子，用来控制小波函数的平移；
[0024] S212：将得到小波系数cA5、cD5、cD4、cD3、cD2和cD1分别进行方差、归一化能量变比、第一能量熵三个特征量的计算；
[0025] 方差能描述变量与均值之间的偏离程度，方差D(coef)的计算公式为：
[0026]
[0027]
[0028] 其中coef表示小波系数， 表示小波系数的均值，N为小波系数的点数；将各层小波系数代入方差公式后进行收集得到一个长度为6的方差特征量数组D＝[D(cA5)，D(cD5)，D(cD4)，D(cD3)，D(cD2)，D(cD1)]；
[0029] 将能量作为故障电流发生时产生在频域判据中的一个体现，则归一化能量变比的计算过程为：
[0030] 1)计算每一层小波系数(cA5，cD5，cD4，cD3，cD2，cD1)的能量E(coef)[0031]
[0032] 2)将每一层的求得的能量相加得到总能量Etotal
[0033] Etotal＝E(cA)+E(cD5)+E(cD4)+E(cD3)+E(cD2)+E(cD1)
[0034] 3)计算归一化能量变比P(coef)
[0035]
[0036] 将每一层小波系数代入归一化能量变比公式中，得到一个长度为6的归一化能量变比特征量数组P＝[P(cA)，P(cD5)，P(cD4)，P(cD3)，P(cD2)，P(cD1)]；
[0037] 小波分解能量熵EntW(·)的计算公式：
[0038]
[0039] 将每一层小波系数代入能量熵公式中，得到一个小波能量熵特征量EntW，即第一能量熵。
[0040] 更进一步的，所述S22的具体步骤包括：
[0041] S221：找到电流信号中所有的极大值点和极小值点，通过极值点与插值法拟合电流信号上包络线e1(t)和下包络线e2(t)，计算包络平均值
[0042] S222：判断 的差值h(t)是否满足IMF条件；
[0043] 若不满足，则令x(t)＝h(t)，再去重复迭代计算步骤S221，直至满足步骤S222中的IMF条件；
[0044] 若满足，则记c(t)＝h(t)为x(t)的本征模函数，将c(t)从x(t)中抽取出来，余下的信号r(t)＝x(t)‑c(t)作为下一轮分解的原始序列；
[0045] S223：重复步骤S221、S222进行多轮分解，每一次分解能得到本征模函数c1(t)c2(t)…cN(t)和余项r(t)，当r(t)为一个单调函数时则停止分解过程，得到的IMF记作分解后的原始电流信号表示形式如下：
[0046]
[0047] 经验模态分解将数据进行分解得到本征模态分量，通过此本征模态分量来计算第二能量熵；
[0048] 具体地，利用经验模态分解后得到的本征模态分量来计算第二能量熵的过程为：
[0049] 1)利用本征模态分量IMF计算能量比PE(R)：
[0050]
[0051] 2)计算能量熵，得到第二能量熵特征量EntE：
[0052]
[0053] 更进一步的，所述S3具体为：分别将带有故障信息的电流数据和正常电流数据的方差、归一化能量变比、第一能量熵和第二能量熵这四种特征向量进行拼接，得到表征该条数据的特征向量，进而得到表征所有数据分解后的特征向量矩阵 其中m表示数据的条数，d表示特征向量的维度；将特征向量矩阵 进行训练集与测试集的划分，并训练分类器。
[0054] 更进一步的，所述分类器采用LightGBM分类器。
[0055] 一种基于小波分解与经验模态分解的异常电流诊断系统，包括：
[0056] 数据采集模块，用于对采集带有故障信息的电流数据和正常电流数据；
[0057] 数据预处理模块，用于对数据采集得到的数据进行预处理；
[0058] 特征提取模块，用于提取特征向量，所述特征向量是通过小波分解和经验模态分解并列对电流数据后进行处理得到的；
[0059] 所述故障分类模块，带有集成分类模块，用于进行故障诊断。
[0060] 进一步的，数据预处理模块包括能够对采集的数据进行分段的分段单元，分段后的电流数据为子电流数据。
[0061] 采用本发明的方案后，有益效果如下：
[0062] (1)本发明的方法与目前的研究工作相比，本发明先将电流信号进行分段处理，而不是直接将电流数据进行处理，从而增加了细粒度；
[0063] (2)本发明将小波变换与EMD的并列使用，全面捕获到故障电流信号与正常电流信号中的有用特征信息，再通过计算方差、能量熵等特征量来加大故障电流特征与正常电流特征之间的差别；EMD克服了小波分解中选择小波基的困难，具有自适应性强、多分辨率的特点，是依据信号本身的时间尺度特征来进行的信号分解，不需要设定基函数。小波分解与EMD的结合使用能够提取到异常数据在多尺度下的特征，从不同的角度去综合各类原始异常电流数据和正常电流的特征向量，信号无信息损失，从而提高故障分类准确率；
[0064] (3)实现了多种电气故障类型的高准确率、高效率识别；
[0065] (4)本发明摒弃了传统的机器学习模型，选择集成学习模型LightGBM来做分类器使得训练过程更高效、分类准确率更高。
附图说明
[0066] 图1是本发明的方法的过程示意图。
[0067] 图2是电流信号分段示意图。
[0068] 图3是小波分解流程示意图。
具体实施方式
[0069] 为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和标示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0070] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
[0071] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0072] 此外，若出现术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0073] 下面结合图1和实例方法应用来说明本发明的具体实施方式。
[0074] 本实施例是以4种电流故障来进行实施，在操作中，应当知晓，故障类别可以为任意多种，对于其他数量的故障类别，本发明的方法同样适用，只需要对相应位置作适当修改即可，并不需要付出创造性劳动，本发明重点公开并请求保护思想。
[0075] S1：获取电路中多种带有故障信息的电流数据以及正常工作下的电流数据。
[0076] 利用故障模拟实验电路板来获取带有故障信息的电流数据和正常电流数据，并分别将收集到的所有电流数据进行分段取样，如图2所示为划分电流信号的示意图，即把电流按照时间顺序的方向划分成4段长度为600的子段，故障电流数据和正常电流数据均分为四段，将拆分后的所有电流信号作为原始数据样本。本实施例中，带有故障信息的电流数据包括3种：接触不良、炭化导通和相间高阻抗，将这4种数据每一种以及正常电流数据均分成相同长度的4段，应当知晓的是，本步骤种划分为4段且长度为600只是在本实施例中，划分的段数是根据需要训练的故障种类来确定的，长度600也可以换成其余的长度。然后将上述16段电流数据作为矩阵进行后续处理。
[0077] S2：将S1收集到的数据样本分别进行小波分解与经验模态分解的特征提取。
[0078] S21：通过小波分解将数据进行分解得到的高频系数和低频系数，通过高频系数和低频系数用来计算方差、归一化能量变比、第一能量熵。
[0079] 图3为小波分解电流数据的示意图，其中cA代表低频系数，cD代表高频系数，下标代表所分解的层数。小波分解基于时间序列的电流数据从而提取特征的过程具体为：
[0080] S211：将S1中采集到的带有故障信息的电流数据和正常电流数据分别进行小波分解，分解之后获取到各个电流的小波系数，小波分解的计算公式为：
[0081]
[0082] 上式中，x(t)表示原始电流信号，ψ为小波函数，t为时间点，a为尺度因子，用来控制小波函数的伸缩，τ为时移因子，用来控制小波函数的平移，WT为Wavelet Transform(小波变换)的首字母缩写。本发明选择的是Daubechies作为小波函数，缩写形式为dbn，n是小波函数的阶数，本发明取n＝2，并进行5层小波分解。
[0083] S212：将得到小波系数cA5、cD5、cD4、cD3、cD2、cD1分别进行方差、归一化能量变比、第一能量熵三个特征量的计算：
[0084] 方差能描述变量与均值之间的偏离程度，方差D(coef)的计算公式为：
[0085]
[0086]
[0087] 其中coef表示小波系数， 表示小波系数的均值，N为小波系数的点数；将各层小波系数代入方差公式后进行收集可得到一个长度为6的方差特征量数组D＝[D(cA5)，D(cD5)，D(cD4)，D(cD3)，D(cD2)，D(cD1)]。
[0088] 故障电流发生的情况里往往会产生在频域判据中，能量可以作为一个体现，其中归一化能量变比的计算过程为：
[0089] 1)计算每一层小波系数(cA5，cD5，cD4，cD3，cD2，cD1)的能量E(coef)[0090]
[0091] 2)将每一层的求得的能量相加得到总能量Etotal
[0092] Etotal＝E(cA5)+E(cD5)+E(cD4)+E(cD3)+E(cD2)+E(cD1)
[0093] 3)计算归一化能量变比P(coef)
[0094]
[0095] 将每一层小波系数代入归一化能量变比公式中，得到一个长度为6的归一化能量变比特征量数组P＝[P(cA5)，P(cD5)，P(cD4)，P(cD3)，P(cD2)，P(cD1)]。
[0096] 小波分解能量熵EntW(·)的计算公式：
[0097]
[0098] 将每一层小波系数代入能量熵公式中，得到一个小波能量熵特征量EntW，即第一能量熵。
[0099] S22：通过经验模态分解将电流数据分解并计算得到第二能量熵。
[0100] 如图3所示，S2中，EMD可将电流信号x(t)分解为本征模函数和残余量，能够利用电流信号x(t)本身的特征将不同的电流异常形式提取出来，EMD电流信号分解的过程如下：
[0101] S221：找到电流信号中所有的极大值点和极小值点，通过极值点与插值法拟合电流信号上包络线e1(t)和下包络线e2(t)，计算包络平均值
[0102] S222：判断 的差值h(t)是否满足IMF条件；
[0103] 若不满足，则令x(t)＝h(t)，再去重复迭代步骤S221、S222直至满足IMF条件；
[0104] 若满足，则记c(t)＝h(t)为x(t)的本征模函数，c(t)表示本征模函数，将c(t)从x(t)中抽取出来，余下的信号r(t)＝x(t)‑c(t)作为下一轮分解的原始序列；
[0105] S223：重复S221、S222步骤进行多轮分解，每一轮分解能得到本征模函数c1(t)c2(t)…cN(t)和余项r(t)，当r(t)为一个单调函数时则停止分解过程，得到的IMF记作分解后的原始电流信号表示形式如下：
[0106]
[0107] 经验模态分解将数据进行分解得到本征模态分量(Intrinsic Mode Functions，缩写为IMF)，通过此本征模态分量来计算第二能量熵；
[0108] 具体地，利用经验模态分解后得到的本征模态分量来计算第二能量熵的过程为：
[0109] 1)利用本征模态分量IMF计算能量比PE(R)：
[0110]
[0111] 2)计算能量熵，得到一个第二能量熵特征量EntE：
[0112]
[0113] S3：通过电流数据的特征向量对分类器进行训练。
[0114] 分别将上述的带有故障信息的电流数据和正常电流数据的方差D(coef)、归一化能量变比P(coef)、第一能量熵EntW和第二能量熵EntE这四种特征向量进行拼接，得到表征该条数据的特征向量，进而得到表征所有数据分解后的特征向量矩阵 其中m表示数据的条数，d表示特征向量的维度。
[0115] 将特征向量矩阵 安照比例δ进行训练集与测试集的划分，本实施例选取δ＝0.82，即82％为训练集，余下的作为测试集，然后训练分类器。
[0116] S4：得到正常电流信号以及多种故障电流信号各自的分类结果。
[0117] S5：通过训练好的分类器对待检测的电流进行分类，得到异常诊断结果。
[0118] 本发明进行了实验数据验证，分类器LightGBM能准确识别所有故障电流，整体分类准确率为94％。
