基于空间向量转换的架空线路故障诊断方法及系统与流程

1.本发明涉及电力故障诊断技术领域，尤其涉及一种基于空间向量转换的架空线路故障诊断方法及系统。


背景技术：

2.超高压架空线路是电网输送电能的主动脉，一旦发生故障，不仅会导致大面积停电事故的发生，还可能进一步引起电力系统失稳，机组强迫停运的情况，故对超高压架空线路进行故障模式诊断是保障电力系统安全可靠运行的关键之一。
3.目前，针对线路故障模式诊断的方法主要分为基于特征建模和数据驱动两种方法。基于特征建模主要是利用故障的电压、电流或其他量，从中提取构造不同故障模式的特征指标，通过对特征指标进行阈值划分，从而实现故障模式的诊断，这种方法物理意义较为明确，实现也简单，但这种方法当面对工况复杂的故障情景时难以保证其诊断的准确性。
4.基于数据驱动的方法则是利用机器学习等技术，通过算法自适应地提取各电压、电流量的故障特征，借由黑匣子算法规避理论建模及阈值选取，但由于原始数据量较大，导致其诊断速度下降，此外，其识别的准确性依赖于样本数量，对于超高压架空线路而言，其故障样本远远少于低电压等级线路。同时，上述诊断方法并未考虑到超高压架空线路中受到的电磁干扰，这种电磁干扰会让故障的电气量呈现更为复杂的波动与不确定性，导致其诊断准确性较低。


技术实现要素：

5.本发明提供了一种基于空间向量转换的架空线路故障诊断方法及系统，解决了架空线路故障诊断的准确性较低的技术问题。
6.有鉴于此，本发明第一方面提供了一种基于空间向量转换的架空线路故障诊断方法，包括以下步骤：基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型，得到不同故障模式分别对应的三相电流数据，以泊松噪声作为扰动源对所述三相电流数据进行叠加，生成相应的噪声信号；将所述三相电流数据进行空间向量转换至复平面；基于所述三相电流数据对应的复平面的实虚部参数构造稀疏故障特征，其中，所述稀疏故障特征包括实虚部模极值倾角、实虚部皮尔逊相关系数和实虚部概率分布推土机距离；构建所述稀疏故障特征与故障模式的映射关系，以所述故障模式为输出量构建训练样本集，基于梯度提升机对所述训练样本集进行训练，构建故障模式分类模型。
7.优选地，所述基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型，得到不同故障模式分别对应的三相电流数据，以泊松噪声作为扰动源对所述三相电流数据进行叠加，生成相应的噪声信号的步骤具体包括：
基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型；在所述故障仿真模型中加载电源参数、线路参数、采样参数、故障参数，得到不同故障模式分别对应的三相电流数据，每相电流数据的长度为n，从而得到每个故障模式下的3
×
n维电流数组，基于matlab的imnoise函数对电流数组进行泊松噪声的叠加，生成相应的噪声信号；其中，所述电源参数包括基准频率、电源电阻、电源电抗、接地形式、电源节点类型，所述线路参数包括线路长度、单位公里正序电阻、单位公里零序电阻、单位公里正序电抗、单位公里零序电抗，所述采样参数包括采样时间、采样频率，所述故障参数包括故障类型以及对应的故障起止时刻、故障过渡电阻、故障接地电容，所述故障类型包括单相短路、相间故障、接地故障和三相故障。
8.优选地，所述将所述三相电流数据进行空间向量转换至复平面的步骤具体包括：对所述三相电流数据进行归一化运算，基于下式对其进行空间向量转换至复平面：式中，s
pm
为三相电流数据经过空间向量模型进行转换后得到的复数，j为虚数单位，ia、ib、ic分别为各相的电流数据，复数s
pm
包括实部与虚部，定义实部为xi、虚部为yi，其中，i=1,2,
…
,n，则转换后的复数表示为zi=xi jyi。
9.优选地，所述基于所述三相电流数据对应的复平面的实虚部参数构造稀疏故障特征，其中，所述稀疏故障特征包括实虚部模极值倾角、实虚部皮尔逊相关系数和实虚部概率分布推土机距离的步骤具体包括：通过下式计算复数zi的模：选出最大的复数模所对应的位置引索k，即对应复平面的zk=xk jyk；通过下式计算实虚部模极值倾角为：式中，d1为实虚部模极值倾角；采用皮尔逊相关系数计算实部和虚部间的实虚部皮尔逊相关系数为：式中，、分别表示实部、虚部参数的均值，d2为实虚部皮尔逊相关系数；通过下式计算实部参量的概率密度函数为：式中，v为实部参量带宽、fv(x)为实部的概率密度分布；
计算虚部参量的概率密度函数为：式中，w为虚部参量带宽、fw(y)为虚部的概率密度分布；利用下式推土机距离衡量实部与虚部的概率密度函数之间转移代价为：式中，为实部虚部概率密度中所有可能的联合分布集；e[]为期望值；为欧式距离，，inf指实部、虚部在联合分布集中的所有采样，x、y分别为实部、虚部在联合分布集中的随机采样结果，实部与虚部均以高斯核作为概率密度分别为fv(x)和fw(y)，则由最优传输理论对转移代价w(fv,fw)进行求解，结合隐空间的最优传输映射可知，其2阶解析化推土机距离为欧式距离平方与协方差矩阵的封闭和，由此得到2阶的解析化推土机距离为：式中，d3为实虚部概率分布的推土机距离，为欧式距离的平方，为迹运算。
[0010]
优选地，构建所述稀疏故障特征与故障模式的映射关系，以所述故障模式为输出量构建训练样本集，基于梯度提升机对所述训练样本集进行训练，构建故障模式分类模型的步骤具体包括：构建三相电流数据与故障模式之间的映射关系以及三相电流数据与所述稀疏故障特征之间的映射关系，从而构建故障模式与稀疏故障特征之间的映射关系；根据故障模式与稀疏故障特征之间的映射关系构建样本集；将所述样本集按照预设的比例划分为训练样本集和测试样本集；基于梯度提升机对所述训练样本集进行训练，构建故障模式分类模型；将所述测试样本集导入至所述故障模式分类模型，得到测试样本集的分类准确率，根据分类准确率调整所述故障模式分类模型的网络参数，直至分类准确率满足预设准确率，输出最终的故障模式分类模型。
[0011]
第二方面，本发明还提供了一种基于空间向量转换的架空线路故障诊断系统，包括：仿真模块，用于基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型，得到不同故障模式分别对应的三相电流数据，以泊松噪声作为扰动源对所述三相电流数据进行叠加，生成相应的噪声信号；空间转换模块，用于将所述三相电流数据进行空间向量转换至复平面；特征构造模块，用于基于所述三相电流数据对应的复平面的实虚部参数构造稀疏故障特征，其中，所述稀疏故障特征包括实虚部模极值倾角、实虚部皮尔逊相关系数和实虚部概率分布推土机距离；分类模块，用于构建所述稀疏故障特征与故障模式的映射关系，以所述故障模式
为输出量构建训练样本集，基于梯度提升机对所述训练样本集进行训练，构建故障模式分类模型。
[0012]
优选地，所述仿真模块具体包括：仿真搭建模块，用于基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型；加载模块，用于在所述故障仿真模型中加载电源参数、线路参数、采样参数、故障参数，得到不同故障模式分别对应的三相电流数据，每相电流数据的长度为n，从而得到每个故障模式下的3
×
n维电流数组，基于matlab的imnoise函数对电流数组进行泊松噪声的叠加，生成相应的噪声信号；其中，所述电源参数包括基准频率、电源电阻、电源电抗、接地形式、电源节点类型，所述线路参数包括线路长度、单位公里正序电阻、单位公里零序电阻、单位公里正序电抗、单位公里零序电抗，所述采样参数包括采样时间、采样频率，所述故障参数包括故障类型以及对应的故障起止时刻、故障过渡电阻、故障接地电容，所述故障类型包括单相短路、相间故障、接地故障和三相故障。
[0013]
优选地，所述空间转换模块具体用于对所述三相电流数据进行归一化运算，基于下式对其进行空间向量转换至复平面：式中，s
pm
为三相电流数据经过空间向量模型进行转换后得到的复数，j为虚数单位，ia、ib、ic分别为各相的电流数据，复数s
pm
包括实部与虚部，定义实部为xi、虚部为yi，其中，i=1,2,
…
,n，则转换后的复数表示为zi=xi jyi。
[0014]
优选地，所述特征构造模块具体包括：第一计算模块，用于通过下式计算复数zi的模：选出最大的复数模所对应的位置引索k，即对应复平面的zk=xk jyk；通过下式计算实虚部模极值倾角为：式中，d1为实虚部模极值倾角；第二计算模块，用于采用皮尔逊相关系数计算实部和虚部间的实虚部皮尔逊相关系数为：式中，、分别表示实部、虚部参数的均值，d2为实虚部皮尔逊相关系数；第三计算模块，用于通过下式计算实部参量的概率密度函数为：
式中，v为实部参量带宽、fv(x)为实部的概率密度分布；计算虚部参量的概率密度函数为：式中，w为虚部参量带宽、fw(y)为虚部的概率密度分布；利用下式推土机距离衡量实部与虚部的概率密度函数之间转移代价为：式中，为实部虚部概率密度中所有可能的联合分布集；e[]为期望值；为欧式距离，，inf指实部、虚部在联合分布集中的所有采样，x、y分别为实部、虚部在联合分布集中的随机采样结果，实部与虚部均以高斯核作为概率密度分别为fv(x)和fw(y)，则由最优传输理论对转移代价w(fv,fw)进行求解，结合隐空间的最优传输映射可知，其2阶解析化推土机距离为欧式距离平方与协方差矩阵的封闭和，由此得到2阶的解析化推土机距离为：式中，d3为实虚部概率分布的推土机距离，为欧式距离的平方，为迹运算。
[0015]
优选地，所述分类模块具体包括：映射关系构建模块，用于构建三相电流数据与故障模式之间的映射关系以及三相电流数据与所述稀疏故障特征之间的映射关系，从而构建故障模式与稀疏故障特征之间的映射关系；样本集构建模块，用于根据故障模式与稀疏故障特征之间的映射关系构建样本集；划分模块，用于将所述样本集按照预设的比例划分为训练样本集和测试样本集；训练模块，用于基于梯度提升机对所述训练样本集进行训练，构建故障模式分类模型；测试模块，用于将所述测试样本集导入至所述故障模式分类模型，得到测试样本集的分类准确率，根据分类准确率调整所述故障模式分类模型的网络参数，直至分类准确率满足预设准确率，输出最终的故障模式分类模型。
[0016]
从以上技术方案可以看出，本发明具有以下优点：本发明通过有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型，以泊松噪声对三相电流数据进行电磁干扰，利用空间向量转换将三相电流数据进行降维，构造稀疏故障特征，并建立稀疏故障特征与故障模式的映射关系，以故障模式为输出量构建训练样本集，基于梯度提升机对训练样本集进行训练，构建故障模式分类模型，实现高扰动下的超高压架空线路的故障模式诊断，提高了架空线路故障诊断的准确性。
附图说明
[0017]
图1为本发明实施例提供的一种基于空间向量转换的架空线路故障诊断方法的流程图；图2为本发明实施例提供的超高压架空线路故障模型示意图；图3为本发明实施例提供的一种基于空间向量转换的架空线路故障诊断系统的结构示意图。
具体实施方式
[0018]
为了使本技术领域的人员更好地理解本发明方案，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。
[0019]
为了便于理解，请参阅图1，本发明提供的一种基于空间向量转换的架空线路故障诊断方法，包括以下步骤：s1、基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型，得到不同故障模式分别对应的三相电流数据，以泊松噪声作为扰动源对三相电流数据进行叠加，生成相应的噪声信号。
[0020]
s2、将三相电流数据进行空间向量转换至复平面。
[0021]
可以理解的是，利用空间向量模型将时域的故障三相电流数据转换至复平面以降低数据维度。
[0022]
s3、基于三相电流数据对应的复平面的实虚部参数构造稀疏故障特征，其中，稀疏故障特征包括实虚部模极值倾角、实虚部皮尔逊相关系数和实虚部概率分布推土机距离。
[0023]
s4、构建稀疏故障特征与故障模式的映射关系，以故障模式为输出量构建训练样本集，基于梯度提升机对训练样本集进行训练，构建故障模式分类模型。
[0024]
可以理解的是，当系统监测到架空线路发生故障时，自动导出单端故障三相电流，经由空间向量转换以及稀疏故障特征计算，将稀疏故障特征作为输入量，基于故障模式分类模型预测该线路的故障模式，生成故障诊断结果。
[0025]
本实施例提供的一种基于空间向量转换的架空线路故障诊断方法，通过有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型，以泊松噪声对三相电流数据进行电磁干扰，利用空间向量转换将三相电流数据进行降维，构造稀疏故障特征，并建立稀疏故障特征与故障模式的映射关系，以故障模式为输出量构建训练样本集，基于梯度提升机对训练样本集进行训练，构建故障模式分类模型，实现高扰动下的超高压架空线路的故障模式诊断，提高了架空线路故障诊断的准确性。
[0026]
在一个具体实施例中，步骤s1具体包括：s101、基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型；s102、在故障仿真模型中加载电源参数、线路参数、采样参数、故障参数，得到不同故障模式分别对应的三相电流数据，每相电流数据的长度为n，从而得到每个故障模式下的3
×
n维电流数组，基于matlab的imnoise函数对电流数组进行泊松噪声的叠加，生成相应的噪声信号；其中，电源参数包括基准频率、电源电阻、电源电抗、接地形式、电源节点类型，线
路参数包括线路长度、单位公里正序电阻、单位公里零序电阻、单位公里正序电抗、单位公里零序电抗，采样参数包括采样时间、采样频率，故障参数包括故障类型以及对应的故障起止时刻、故障过渡电阻、故障接地电容，故障类型包括单相短路、相间故障、接地故障和三相故障。
[0027]
在一个具体实施例中，步骤s2具体包括：s201、对三相电流数据进行归一化运算，基于下式对其进行空间向量转换至复平面：式中，s
pm
为三相电流数据经过空间向量模型进行转换后得到的复数，j为虚数单位，ia、ib、ic分别为各相的电流数据，复数s
pm
包括实部与虚部，定义实部为xi、虚部为yi，其中，i=1,2,
…
,n，则转换后的复数表示为zi=xi jyi。
[0028]
在一个具体实施例中，步骤s3具体包括：s301、通过下式计算复数zi的模，其表征了该复数到原点的欧式几何距离：选出最大的复数模所对应的位置引索k，即对应复平面的zk=xk jyk；通过下式计算实虚部模极值倾角为：式中，d1为实虚部模极值倾角；可以理解的是，不同的故障模式下，实虚部模极值倾角因不同的过渡电阻、故障位置等呈现出差异化的特征。
[0029]
s302、采用皮尔逊相关系数计算实部和虚部间的实虚部皮尔逊相关系数为：式中，、分别表示实部、虚部参数的均值，d2为实虚部皮尔逊相关系数；其中，皮尔逊相关系数的特点是可忽略数组的排列顺序，从统计特征的角度挖掘2个变量的相关性，当线路正常运行时，三相电流对称，其实部、虚部的相关性很高，而当线路发生非对称故障时，三相电流经过空间向量模型进行转换后，其相关性将会降低。不同的故障模式，其降低的程度不同，据此作为一个模式识别的特征参量。
[0030]
s303、通过下式计算实部参量的概率密度函数为：式中，v为实部参量带宽、fv(x)为实部的概率密度分布；计算虚部参量的概率密度函数为：
式中，w为虚部参量带宽、fw(y)为虚部的概率密度分布；其中，实部参量带宽和虚部参量带宽是利用非参数化核密度优化方法计算出来的。
[0031]
利用下式推土机距离衡量实部与虚部的概率密度函数之间转移代价为：式中，为实部虚部概率密度中所有可能的联合分布集；e[]为期望值；为欧式距离，，inf指实部、虚部在联合分布集中的所有采样，x、y分别为实部、虚部在联合分布集中的随机采样结果，实部与虚部均以高斯核作为概率密度分别为fv(x)和fw(y)，则由最优传输理论对转移代价w(fv,fw)进行求解，结合隐空间的最优传输映射可知，其2阶解析化推土机距离为欧式距离平方与协方差矩阵的封闭和，由此得到2阶的解析化推土机距离为：式中，d3为实虚部概率分布的推土机距离，为欧式距离的平方，为迹运算。
[0032]
可以理解的是，考虑到实部与虚部均以高斯核作为概率密度的拟合函数，即为已知概率分布的随机变量fv(x)、fw(y)，则由最优传输(optimal transport)理论知转移代价w(fv,fw)有解且唯一。
[0033]
在一个具体实施例中，步骤s4具体包括：s401、构建三相电流数据与故障模式之间的映射关系以及三相电流数据与稀疏故障特征之间的映射关系，从而构建故障模式与稀疏故障特征之间的映射关系；s402、根据故障模式与稀疏故障特征之间的映射关系构建样本集；s403、将样本集按照预设的比例划分为训练样本集和测试样本集；s404、基于梯度提升机对训练样本集进行训练，构建故障模式分类模型；其中，基于python平台及sklearn库搭建初级的梯度提升机，从sklearn库中导入主分类器及相应的附属计算函数。设置特征数量，一般的，特征数量为3，并设置初始的实用信息量、冗余信息量、随机初始状态变量。
[0034]
s405、将测试样本集导入至故障模式分类模型，得到测试样本集的分类准确率，根据分类准确率调整故障模式分类模型的网络参数，直至分类准确率满足预设准确率，输出最终的故障模式分类模型。
[0035]
以下为结合本实施例提供的一种基于空间向量转换的架空线路故障诊断方法的一个算例：如图2所示，图2示意了搭建了涵盖2个电源的超高压架空线路故障模型，其超高压架空线路两端承接500kv的三相交流电源，基准频率为50hz，电源电阻为5.7344ω，电源电抗为0.0453h，接地形式设置为星形，节点设置为平衡节点。超高压架空线路距离设置为
600km，每公里的正序电阻为0.0208ω、零序电阻为0.1147ω、正序电抗为0.0089h、零序电抗为0.0229h。仿真时间选取0.6s，采样频率1khz，得到6001个时刻的数据时段。故障点设置区间为(0,600)km，故障起止时刻区间设定(0,0.6)s、故障过渡电阻区间设定(0.1,500)ω。
[0036]
通过模型仿真得到若干组不同故障模式下的三相电流数据ia、ib、ic，每相电流数据的长度为n，据此得到每个故障模式下的3
×
n维电流数组，然后基于matlab的imnoise函数对电流数组进行泊松噪声的叠加，poisson则可依据数据大小自动生成噪声。然后，建立空间向量转换模型，首先对三相电流数据ia、ib、ic进行归一化运算，对其进行空间向量转换至复平面。
[0037]
基于空间向量转换结果，计算稀疏故障特征，得到故障特征向量[d1,d2,d3]及其对应的故障模式标签；再利用轻梯度提升机建立稀疏特征与故障模式的映射关系，具体包括：a1、搭建超高压架空输电线路的故障仿真模型后，在4个故障模式（单相短路、相间短路、相间接地、三相短路）下生成1200个等量场景，以输出单侧故障三相电流作为基础数据，构成4
×
1200个故障样本。
[0038]
a2、基于python平台及sklearn库搭建轻梯度提升机训练模型，从sklearn库中导入主分类器及相应的附属计算函数。设置特征数量为3；设置实用信息量为5、冗余信息量为5、随机初始状态变量为1。
[0039]
a3、构建超高压架空线路故障模式分类模型。输入a2中定义的各种变量。导入训练样本，此处随机抽取0.8
×4×
1200个故障样本。设置交叉验证方法的维度及评价函数，采用多元散射校正方法对参数进行漂移补偿，以提高训练准确率。
[0040]
a4、输入测试样本，其数量为(1-0.8)
×4×
1200个故障样本，基于步骤a3获取的故障模式分类模型，输出测试样本的分类准确率，通过迭代步骤a3进行参数的自适应调整，以获取最大测试样本分类准确率。
[0041]
a5、借由步骤a4得到超高压架空线路故障模式分类模型，当系统监测到故障发生时，自动导出单端故障三相电流，经由空间向量转换以及稀疏特征计算，并作为输入量，基于上述分类模型预测该线路的故障模式，并自动生成故障诊断结果。
[0042]
为了验证方法的有效性，首先在不进行噪声叠加的情景下计算故障模式的预测结果，如表1所示。
[0043]
表1 不叠加噪声干扰下的故障模式预测结果
由表1可见，不叠加噪声干扰下，4种故障模式中， 其训练集的平均正确率为97.891%，而测试集的分类正确率为97.187%，2者的分类正确率较高，对于超高压架空线路而言，其发生的故障主要为单相短路或相间短路，较少情况下发生三相短路的条件，基于simulink的理论建模，可获取大量故障样本，其较高的分类正确率验证了方法的可行性。
[0044]
进一步，对上述故障样本中的原始三相电流数据进行基于imnoise函数的扰动噪声叠加，同样基于轻梯度提升机计算故障模式的预警结果，见表2。
[0045]
表2 叠加噪声干扰下的故障模式预测结果由表2可见，当叠加噪声干扰时，故障模式的预测结果中，训练集平均正确率为97.604%，测试集的平均正确率为96.25%，对比不叠加噪声情况下略有减小，但仍处于较好的预测水平，说明本发明所提供的一种基于空间向量转换的架空线路故障诊断方法对噪声有较好的抵抗能力。以上为本发明提供的一种基于空间向量转换的架空线路故障诊断方法的实施例的详细描述，以下为本发明提供的一种基于空间向量转换的架空线路故障诊断系统的实施例的详细描述。
[0046]
为了方便理解，请参阅图3，本发明提供的一种基于空间向量转换的架空线路故障诊断系统，包括：仿真模块100，用于基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型，得到不同故障模式分别对应的三相电流数据，以泊松噪声作为扰动源对三相电流数据进行叠加，生成相应的噪声信号；空间转换模块200，用于将三相电流数据进行空间向量转换至复平面；特征构造模块300，用于基于三相电流数据对应的复平面的实虚部参数构造稀疏故障特征，其中，稀疏故障特征包括实虚部模极值倾角、实虚部皮尔逊相关系数和实虚部概率分布推土机距离；分类模块400，用于构建稀疏故障特征与故障模式的映射关系，以故障模式为输出量构建训练样本集，基于梯度提升机对训练样本集进行训练，构建故障模式分类模型。
[0047]
在一个具体实施例中，仿真模块具体包括：仿真搭建模块，用于基于有限元软件搭建超高压架空线路在不同故障模式下的故障仿真模型；加载模块，用于在故障仿真模型中加载电源参数、线路参数、采样参数、故障参数，得到不同故障模式分别对应的三相电流数据，每相电流数据的长度为n，从而得到每个故障
模式下的3
×
n维电流数组，基于matlab的imnoise函数对电流数组进行泊松噪声的叠加，生成相应的噪声信号；其中，电源参数包括基准频率、电源电阻、电源电抗、接地形式、电源节点类型，线路参数包括线路长度、单位公里正序电阻、单位公里零序电阻、单位公里正序电抗、单位公里零序电抗，采样参数包括采样时间、采样频率，故障参数包括故障类型以及对应的故障起止时刻、故障过渡电阻、故障接地电容，故障类型包括单相短路、相间故障、接地故障和三相故障。
[0048]
在一个具体实施例中，空间转换模块具体用于对三相电流数据进行归一化运算，基于下式对其进行空间向量转换至复平面：式中，s
pm
为三相电流数据经过空间向量模型进行转换后得到的复数，j为虚数单位，ia、ib、ic分别为各相的电流数据，复数s
pm
包括实部与虚部，定义实部为xi、虚部为yi，其中，i=1,2,
…
,n，则转换后的复数表示为zi=xi jyi。
[0049]
在一个具体实施例中，特征构造模块具体包括：第一计算模块，用于通过下式计算复数zi的模：选出最大的复数模所对应的位置引索k，即对应复平面的zk=xk jyk；通过下式计算实虚部模极值倾角为：式中，d1为实虚部模极值倾角；第二计算模块，用于采用皮尔逊相关系数计算实部和虚部间的实虚部皮尔逊相关系数为：式中，、分别表示实部、虚部参数的均值，d2为实虚部皮尔逊相关系数；第三计算模块，用于通过下式计算实部参量的概率密度函数为：式中，v为实部参量带宽、fv(x)为实部的概率密度分布；计算虚部参量的概率密度函数为：
式中，w为虚部参量带宽、fw(y)为虚部的概率密度分布；利用下式推土机距离衡量实部与虚部的概率密度函数之间转移代价为：式中，为实部虚部概率密度中所有可能的联合分布集；e[]为期望值；为欧式距离，，inf指实部、虚部在联合分布集中的所有采样，x、y分别为实部、虚部在联合分布集中的随机采样结果，实部与虚部均以高斯核作为概率密度分别为fv(x)和fw(y)，则由最优传输理论对转移代价w(fv,fw)进行求解，结合隐空间的最优传输映射可知，其2阶解析化推土机距离为欧式距离平方与协方差矩阵的封闭和，由此得到2阶的解析化推土机距离为：式中，d3为实虚部概率分布的推土机距离，为欧式距离的平方，为迹运算。
[0050]
在一个具体实施例中，分类模块具体包括：映射关系构建模块，用于构建三相电流数据与故障模式之间的映射关系以及三相电流数据与稀疏故障特征之间的映射关系，从而构建故障模式与稀疏故障特征之间的映射关系；样本集构建模块，用于根据故障模式与稀疏故障特征之间的映射关系构建样本集；划分模块，用于将样本集按照预设的比例划分为训练样本集和测试样本集；训练模块，用于基于梯度提升机对训练样本集进行训练，构建故障模式分类模型；测试模块，用于将测试样本集导入至故障模式分类模型，得到测试样本集的分类准确率，根据分类准确率调整故障模式分类模型的网络参数，直至分类准确率满足预设准确率，输出最终的故障模式分类模型。
[0051]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0052]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0053]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0054]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0055]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。