一种基于最小冗余的互信息变压器振动信号特征选择方法与流程

本发明属于变压器，一种基于最小冗余的互信息变压器振动信号特征选择方法。

背景技术：

1、电力变压器是电力系统的重要基础设备，其安全稳定性对电力系统的平稳运行至关重要。振动信号作为变压器运行状态数据中的一类，可有效反映变压器绕组故障情况，是变压器状态监测与健康评估中的重要参考指标。因此，对变压器振动信号的检测分析具有重要的现实意义。有效提取变压器振动信号中的关键信息是分析变压器健康状况的关键步骤，而常用的特征提取方法所提取的特征中会包含大量的冗余信息，对准确识别变压器运行状态起到一定的干扰，导致预测精度不高。本发明提出一种最小冗余的互信息特征选择方法，利用互信息方法首先选择出与标签信息相关的特征，然后通过相关系数从相关的特征中选择出最关键的信息，从而剔除干扰、冗余信息，提高识别准确性。

技术实现思路

1、为了从变压器振动信号中提取出最关键的特征信息，本发明提供了一种基于最小冗余的互信息变压器振动信号特征选择方法。该方法通过结合互信息与皮尔逊相关行从特征中挑选出与标签信息最相关但冗余性最小的特征，在保证识别准确率的同时降低复杂度，提高运行速度。本发明解决其问题所采用的技术方案是：

2、一种基于最小冗余的互信息变压器振动信号特征选择方法，其特征在于，包括以下几个步骤：

3、步骤1、利用变分模态分解方法将不同工况的变压器振动信号进行分解并计算其分量的能量；

4、步骤2、计算训练数据特征矩阵与标签之间的互信息确定其权重，并根据权重选择出备选特征集；

5、步骤3、计算备选特征集中特征与最佳训练特征集之间的相关性，确定最佳的训练特征集；

6、步骤4、根据最佳训练特征集的索引从测试特征中选择出最佳的测试特征集，并利用分类器进行分类。

7、进一步优选，所述步骤1，利用变分模态分解方法将20-80hz之间不同工况的振动信号自适应分解为14个imf分量。

8、进一步优选，所述步骤2，计算训练数据特征矩阵与训练标签之间的互信息确定其权重，具体过程如下：

9、1)根据公式

10、

11、计算条件概率p(c|xij)，即给定特征xij计算所属类别c的概率，式中，ic表示属于c类的所有训练样本，g表示类别个数，φ(g)表示核函数，h表示平滑参数。

12、2)根据公式

13、

14、计算条件熵h(c|xj)。

15、3)根据公式

16、i(xj；c)＝h(c)-h(c|xj)

17、计算第j列训练特征与训练标签之间的互信息，式中，p(c)表示先验概率。

18、4)根据所计算的训练特征与训练标签之间的互信息确定训练数据的权重w＝[w1,w2,...,wm]，wj＝i(xj；c)。

19、进一步优选，所述的核函数φ(g)选择高斯核函数，即所对应的平滑参数σ表示y的标准差，nc表示第c类的样本数。

20、进一步优选，所述步骤2，根据权重选择出备选特征集的具体过程为：

21、1)确定选择因子ε，其中，ε＝0.1max(w)；

22、2)根据选择因子ε，选择出备选特征集s，并将所选择的特征索引列入备选特征集索引sindex中，其中s←{xj|wj≥ε}，sindex←{index(xj)}。

23、进一步优选，所述步骤3，计算备选特征集中的特征与最佳训练特征集之间的相关性，确定最佳的训练特征集，具体过程为：

24、1)将备选特征集s中的特征按照对应权重w的大小进行降序排序；

25、2)将备选特征集s中权重w最大的特征列入最佳训练特征集ftr，将列入最佳训练特征集ftr中的特征从备选特征集s中删除，同时将该特征对应的索引列入最佳训练特征集索引并将该索引从备选特征集索引sindex中删除，即ftr←{xj|max(w)＝wj}，s←s\{xj}，sindex←sindex\{index(xj)}；

26、3)计算最佳训练特征集ftr与备选特征集s中各特征之间的皮尔逊相关系数，找到最大的皮尔逊相关系数p0，确定最佳训练特征选择因子η，其中η＝0.8p0。

27、4)计算备选特征集s中权重w最大的特征与最佳训练特征集ftr之间的皮尔逊相关系数pi，如果皮尔逊相关系数pi小于等于最佳训练特征选择因子η，则将该特征列入最佳训练特征集ftr，并将该特征从备选特征集s中删除，同时将该特征对应的索引列入最佳训练特征集索引并将该索引从备选特征集索引sindex中删除，即ftr←{xi|pi≤η}，s←s\{xi}，sindex←sindex\{index(xj)}。反之，则将该特征从备选特征集s中删除，同时将该特征对应的索引从备选特征集索引sindex中删除，即s←s\{xi}，sindex←sindex\{index(xj)}。

28、5)重复步骤4)直到备选特征集s成为空集。

29、进一步优选，所述步骤4，根据最佳训练特征集的索引从测试特征中选择出最佳的测试特征集，并利用分类器进行分类，具体过程为：

30、1)利用最佳训练特征集ftr训练支持向量机(support vector machine,svm)分类器；

31、2)根据最佳训练特征集的索引从测试特征中选择出最佳的测试特征集fte；

32、3)将最佳测试特征集fte输入训练好的svm模型中进行分类。

33、本发明的有益效果，一种基于最小冗余的互信息变压器振动信号特征选择方法，与现有技术相比，本发明首先通过互信息方法保留了特征中与标签信息相关的特征，剔除无关的冗余信息，降低冗余信息对分类识别的影响，然后，利用皮尔逊相关性对相关特征进行再次选择，在保证关键的信息同时进一步降低冗余信息的影响，从而提高模型的准确率与运行速度，有利于变压器运行故障的及时发现与处理，保障电力系统的稳定可靠运行。

技术特征：

1.一种基于最小冗余的互信息变压器振动信号特征选择方法，其特征在于，包括以下几个步骤：

2.根据权利要求1所述的一种基于最小冗余的互信息变压器振动信号特征选择方法，其特征在于，所述步骤1，利用变分模态分解方法将20-80hz之间不同工况的振动信号自适应分解为14个本征模态函数(intrinsic mode function，imf)分量。

3.根据权利要求1所述的一种基于最小冗余的互信息变压器振动信号特征选择方法，其特征在于，所述步骤2，计算训练数据特征矩阵与训练标签之间的互信息确定其权重的具体过程如下：

4.根据权利要求3所述的计算训练数据特征矩阵与训练标签之间的互信息确定其权重，其特征在于，所述的核函数φ(g)选择高斯核函数，即所对应的平滑参数σ表示y的标准差，nc表示第c类的样本数。

5.根据权利要求1所述的一种基于最小冗余的互信息变压器振动信号特征选择方法，其特征在于，所述步骤2，根据权重选择出备选特征集的具体过程为：

6.根据权利要求1所述的一种基于最小冗余的互信息变压器振动信号特征选择方法，其特征在于，所述步骤3，计算备选特征集中的特征与最佳训练特征集之间的相关性，确定最佳的训练特征集，具体过程为：

7.根据权利要求1所述的一种基于最小冗余的互信息变压器振动信号特征选择方法，其特征在于，所述步骤4，根据最佳训练特征集的索引从测试特征中选择出最佳的测试特征集，并利用分类器进行分类，具体过程为：

技术总结
本发明公开了一种基于最小冗余的互信息变压器振动信号特征选择方法，所述方法包括，步骤1，利用变分模态分解将变压器不同工况的振动信号分解为多个本征模态函数分量，并计算各分量的能量，构造特征集；步骤2，计算训练特征与标签之间的互信息，确定其对应的权重，并根据权重选择出备选特征集；步骤3，计算备选特征集中特征与最佳训练特征集之间的相关性，确定最终的训练特征集；步骤4，根据最佳训练特征集的索引从测试特征中选择出最佳的测试特征集，并利用分类器进行分类。该方法通过结合互信息与皮尔逊相关性从特征中挑选出与标签信息最相关但冗余性最小的特征，在保证识别准确率的同时降低复杂度，提高模型的运行速度，有利于变压器运行故障的及时发现，保障电力系统的稳定可靠运行。

技术研发人员：张盛,姚海燕,留毅,郭强,钱浩,缪宇峰,董晏秀,叶千里
受保护的技术使用者：杭州电力设备制造有限公司
技术研发日：
技术公布日：2024/1/14