CN118091234A - 一种用于故障诊断处理的电流互感器 - Google Patents

Abstract

本发明涉及电力故障检测技术领域，尤其涉及一种用于故障诊断处理的电流互感器，该电流互感器包括数据采集模块，用于通过电流互感器采集电流时序数据；信号处理模块，用于获取电流时序数据中的每个数据点的多维特征值集合，根据每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个二维特征值分布下异常数据点和每个异常数据点的初始异常值；异常分析模块，用于对数据点在每个二维特征值分布下的初始异常值进行融合处理，得到电流时序数据中的目标异常数据点；故障诊断模块，用于根据每个目标异常数据点的修正后的异常程度进行故障诊断，提高了故障诊断的效率和准确性。

Description

一种用于故障诊断处理的电流互感器

技术领域

本发明涉及电力故障检测技术领域，尤其涉及一种用于故障诊断处理的电流互感器。

背景技术

随着电力***的不断发展，电流互感器作为电力***中的关键设备，在电流测量和电能计量中发挥着重要作用。然而，传统的电流互感器在故障诊断方面存在诸多不足，且传统的故障诊断方法通常依赖于人工巡检和定期检测，这种方式不仅效率低下，而且难以实时发现和处理故障，给电力***的稳定运行带了潜在风险。

因此，一种将测量电路和故障自诊断***相结合的电流互感器成为亟需解决的问题，以避免传统方法中需要额外设备进行故障检测。

发明内容

有鉴于此，本发明实施例提供了一种用于故障诊断处理的电流互感器，以解决传统方法中需要额外设备进行故障检测的问题。

本发明实施例中提供了一种用于故障诊断处理的电流互感器，该电流互感器包括：

数据采集模块，用于通过电流互感器采集电流时序数据；

信号处理模块，用于根据所述电流时序数据中的数据变化获取特征窗口大小，基于所述特征窗口大小获取所述电流时序数据中的每个数据点的多维特征值集合，根据所述每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个所述二维特征值分布下异常数据点和每个所述异常数据点的初始异常值；

异常分析模块，用于针对所述电流时序数据中的任一数据点，对所述数据点在每个所述二维特征值分布下的初始异常值进行融合处理，得到所述数据点的异常程度，根据所述电流时序数据中的每个数据点的异常程度，得到所述电流时序数据中的目标异常数据点；

故障诊断模块，用于对每个所述目标异常数据点的异常程度进行修正，得到修正后的异常程度，根据每个所述目标异常数据点的修正后的异常程度进行故障诊断。

优选的，所述信号处理模块中根据所述电流时序数据中的数据变化获取特征窗口大小，包括：

获取预设的周期长度范围，针对所述周期长度范围中的任一周期长度，利用所述周期长度将所述电流时序数据划分为多个子序列，利用DTW算法分别获取相邻两个所述子序列之间的相似度，得到相似度均值；

根据所述周期长度范围中的每个周期长度下的相似度均值，获取最大相似度均值所对应周期长度作为特征窗口大小。

优选的，所述信号处理模块中基于所述特征窗口大小获取所述电流时序数据中的每个数据点的多维特征值集合，包括：

针对所述电流时序数据中的任一数据点，以所述数据点为特征窗口的中心，在所述电流时序数据中截取长度与特征窗口大小相等的数据子序列，分别所述数据子序列的数据均值、数据标准差、偏度、峰度以及所述数据点的数值与所述数据均值之间的差值，并组成所述数据点的多维特征值集合。

优选的，所述信号处理模块中根据所述每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个所述二维特征值分布下异常数据点和每个所述异常数据点的初始异常值，包括：

针对所述多维特征值集合中的任一两个特征值，根据所述每个数据点的多维特征值集合中的所述两个特征值构建二维平面，获取最优聚类半径和预设的最小样本点数，基于所述最优聚类半径和所述最小样本点数，对所述二维平面上的所有数据点进行聚类得到至少一个孤立点，将所有孤立点作为异常数据点；

针对任一异常数据点，获取所述异常数据点与最近的聚类簇之间的距离，将所述距离的相反数代入以自然常数为底数的指数函数，得到对应的函数值，将常数1与所述函数值之间的差值作为所述异常数据点的初始异常值。

优选的，所述信号处理模块中获取最优聚类半径，包括：

获取k-距离的预设取值范围，针对所述预设取值范围中的任一k值，获取所述二维平面上的每个数据点的k-距离，构建所述二维平面上的所有数据点的k-距离的直方图，获取所述直方图的峰度；

根据所述预设取值范围内的每个k值下的直方图的峰度，获取最大峰度所对应k值作为最优k值，根据所述最优k值下所述二维平面上的每个数据点的k-距离，获取k-距离的平均值，获取所述最优k值下的直方图的谷点所对应的目标k-距离；

将所述k-距离的平均值和所述目标k-距离之间的任一值作为最优聚类半径。

优选的，所述异常分析模块中对所述数据点在每个所述二维特征值分布下的初始异常值进行融合处理，得到所述数据点的异常程度，包括：

根据所述数据点在每个所述二维平面下的初始异常值，得到初始异常值均值作为所述数据点的异常程度，其中，所述数据点在任一二维平面下为非异常数据点的初始异常值为0。

优选的，所述异常分析模块中根据所述电流时序数据中的每个数据点的异常程度，得到所述电流时序数据中的目标异常数据点，包括：

若所述电流时序数据中的任一数据点的异常程度大于或等于预设的异常程度阈值，则确定所述数据点为目标异常数据点。

优选的，所述故障诊断模块中对每个所述目标异常数据点的异常程度进行修正，得到修正后的异常程度，包括：

针对任一目标异常数据点，根据所述目标异常数据点的预设容差区间，获取所述目标异常数据点的周期性指标；

根据所有目标异常数据点的周期性指标，获取周期性指标均值，计算所述目标异常数据点的周期性指标与所述周期性指标均值之间的差值绝对值，将所述差值绝对值代入以自然常数为底数的指数函数中，得到对应的指数函数结果，将所述指数函数结果与所述目标异常数据点的异常程度之间的乘积作为所述目标异常数据点的修正后的异常程度。

优选的，所述故障诊断模块中根据所述目标异常数据点的预设容差区间，获取所述目标异常数据点的周期性指标，包括：

获取预设的可变步长，针对所述可变步长中的任一步长，将所述目标异常数据点的预设容差区间以所述步长在所述电流时序数据中进行遍历，得到至少两个容差区间，对包含其他目标异常数据点的容差区间进行标记，得到标记的容差区间；

统计所述步长下的容差区间的第一数量和所述标记的容差区间的第二数量，获取所述第一数量和所第二数量之间的比值，将所述第一数量的相反数代入以自然常数为底数的指数函数中，得到对应的函数值，获取常数1与所述函数值之间的差值，将所述差值与所述比值之间的乘积作为所述步长的步长优选程度；

根据所述可变步长中的每个步长的步长优选程度，将最大步长优选程度所对应的步长作为所述目标异常数据点的周期性指标。

优选的，所述故障诊断模块中根据每个所述目标异常数据点的修正后的异常程度进行故障诊断，包括：

若任一目标异常数据点的修正后的异常程度大于或等于预设的异常程度阈值，对所述目标异常数据点进行标记，并将标记的目标异常数据点与异常数据库进行匹配，得到对应的匹配结果，根据所述匹配结果确定故障类型。

本发明实施例与现有技术相比存在的有益效果是：

本发明提供一种用于故障诊断处理的电流互感器包括：数据采集模块，用于通过电流互感器采集电流时序数据；信号处理模块，用于根据所述电流时序数据中的数据变化获取特征窗口大小，基于所述特征窗口大小获取所述电流时序数据中的每个数据点的多维特征值集合，根据所述每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个所述二维特征值分布下异常数据点和每个所述异常数据点的初始异常值；异常分析模块，用于针对所述电流时序数据中的任一数据点，对所述数据点在每个所述二维特征值分布下的初始异常值进行融合处理，得到所述数据点的异常程度，根据所述电流时序数据中的每个数据点的异常程度，得到所述电流时序数据中的目标异常数据点；故障诊断模块，用于对每个所述目标异常数据点的异常程度进行修正，得到修正后的异常程度，根据每个所述目标异常数据点的修正后的异常程度进行故障诊断。其中，信号处理模块在对数据采集模块中的电流互感器的输出信号进行分析时，通过获取时序输出信号的最优局部窗口，对每个数据点的最优局部窗口进行特征提取，提取出若干特征，通过将随机特征进行组合构成二维数据，对二维数据进行聚类，根据聚类结果获取数据点的初始异常值，通过多维特征融合获取数据点的异常程度，以根据异常点的分布进行异常判断，进行相应的故障诊断，将电流互感器的测量电路和故障自诊断***相结合，使得电流互感器在进行电流测量的同时，能够实时检测自身的运行状态，一旦发现异常，即可触发故障自诊断程序，避免了传统方法中需要额外设备进行故障检测的问题，提高了故障诊断的效率和准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种用于故障诊断处理的电流互感器的结构框图；

图2是本发明实施例所提供的一种二维特征值对应的二维平面的示意图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

需要说明的是，本公开的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与本公开的一些方面相一致的装置和方法的例子。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

参见图1，是本发明实施例一提供的一种用于故障诊断处理的电流互感器的结构框图，如图1所示，该电流互感器可以包括：

数据采集模块11，用于通过电流互感器采集电流时序数据。

数据采集模块主要检测电流互感器的物理连接和元件状态，电流互感器采集的数据类型为电流值，这些电流值对于电力***的监测、控制和保护至关重要。电流互感器通过电磁感应原理，将高电流按比例转换为低电流，以便进行后续测量和保护。

其中，电流互感器采集电路数据的方法通常包括如下步骤：

1.安装电流互感器，电流互感器需要安装在待测电流的导线上，确保能够准确感应到电流信号。2.连接测量设备，将电流互感器的二次侧与测量设备（如电流表、功率分析仪等）连接，以便将转换后的低电流信号传输到测量设备进行处理和显示。3.数据采集与处理，测量设备对接收到的电流信号进行采样、量化、编码等处理，最终转换为可读的电流值。这些数据可以通过显示屏实时查看，也可以通过接口（如RS-485、以太网等）传输到上位机或数据中心进行进一步的分析和处理。

举例说明：现需要对一个10kV配电***中的某条馈线进行电流监测。首先，在馈线上安装一个电流互感器，其额定变比为1000:1，即一次侧电流为1000A时，二次侧电流为1A。然后，将电流互感器的二次侧与一台数字式电流表连接，当馈线中有电流流过时，电流互感器将感应到的电流信号按比例转换为低电流信号，传输到数字式电流表中，数字式电流表对接收到的信号进行处理和显示，可以直接在表盘上读取电流值。同时，数字式电流表还可以通过以太网接口将数据实时传输到上位机或数据中心，供信号层进行远程监控和分析。

至此，基于上述数据采集和处理方法，基于预设的采样频率，能够得到电流互感器采集到的电流时序数据。其中，采样频率可以为1秒、5秒、1分钟等，此处不做限制，电流时序数据的时序长度也不做限制。

信号处理模块12，用于根据电流时序数据中的数据变化获取特征窗口大小，基于特征窗口大小获取电流时序数据中的每个数据点的多维特征值集合，根据每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个二维特征值分布下异常数据点和每个异常数据点的初始异常值。

考虑到信号中的离群值通常为异常信号，但由于离群值可能为异常值引起，也可能为噪声信号引起，若将离群值均当作异常值进行分析，会让分析结果的准确性大大下降；若进行平滑去噪，则会影响数据的精度，同时去噪也难以将异常信号和噪声信号进行区分。又由于真实的异常值的部分特征（如均值、标准差、偏度、峰度等）往往与正常值的统计特性存在显著差异，而噪声是随机出现，其统计特性更接近正常值的分布，故通过获取电流时序数据中的各个数据点的多维特征，对多维特征进行聚类分析，真实的异常值往往位于低密度区域，而噪声信号和正常值分布在高密度区域，则通过多维密度信息获取数据点的异常程度。

首先，电力***正常运行时，所产生的电流数据通常存在周期性，但由于电流数据中会受到噪声运行，同时出现异常时会一定程度破坏周期性，因此，传统周期性检测算法难以适用该种非线性数据。在对电流时序数据中的异常值进行判断时，获取局部特征会更加有利于异常值的判断，若电流数据呈现周期性，则最小周期中的电流数据可以最大程度体现数据点的特征与特性，故首先根据电流时序数据中的数据变化，分析其最近似最小周期，并将最近似最小周期大小作为电流时序数据中的各个数据点的特征窗口大小，用于分析数据点的局部特征。则根据电流时序数据中的数据变化获取特征窗口大小，包括：

获取预设的周期长度范围，针对所述周期长度范围中的任一周期长度，利用所述周期长度将所述电流时序数据划分为多个子序列，利用DTW算法分别获取相邻两个所述子序列之间的相似度，得到相似度均值；

根据所述周期长度范围中的每个周期长度下的相似度均值，获取最大相似度均值所对应周期长度作为特征窗口大小。

在一实施方式中，根据历史先验获取周期长度范围，电力***运行时有对应的运行周期，不同的设备运行周期不同，此处将历史的周期长度范围记为(0，L]，由于存在数据偏移等问题，故适当增大周期长度范围，本发明定为(0，2L]，在周期长度范围中取任一个周期长度，按照该周期长度将电流时序数据划分为多个子序列，并利用DTW（Dynamic TimeWarping，动态时间归整）算法分别获取相邻两个所述子序列之间的相似度，用以检测子序列之间是否存在相似的模式，相似度越大，说明子序列之间越趋近于周期性，进而根据所有相似度计算相似度均值；同理，获取周期长度范围中的每个周期长度下的相似度均值，将最大的相似度均值所对应的周期长度作为最近似最小周期，进而将最近似最小周期作为电流时序数据中的各个数据点的特征窗口大小。

值得说明的是，DTW算法属于现有技术，此处不再详细赘述。

然后，基于特征窗口大小获取电流时序数据中的每个数据点的多维特征值集合，具体获取方法为：

针对所述电流时序数据中的任一数据点，以所述数据点为特征窗口的中心，在所述电流时序数据中截取长度与特征窗口大小相等的数据子序列，分别所述数据子序列的数据均值、数据标准差、偏度、峰度以及所述数据点的数值与所述数据均值之间的差值，并组成所述数据点的多维特征值集合。

在一实施方式中，以电流时序数据中的任意一个数据点为目标数据点，将其作为特征窗口的中心点，在电流时序数据中截取长度与特征窗口等长的数据子序列，通过数据子序列计算目标数据点的多维特征值集合，其中，多维特征值包括均值、方差、标准差、偏度、峰度、差值等，本发明选择该五个特征值，其中，均值为目标数据点对应的数据子序列中所有数据点的电流值均值，标准差同理；偏度和峰度需要先建立数据子序列中电流值的统计直方图，再根据统计直方图计算偏度和峰度；差值为目标数据点的电流值减去目标数据点对应的数据子序列中所有数据点的电流值均值的值，记为，由此组成目标数据点的多维特征值集合{均值、标准差、偏度、峰度、差值}，至此，可以得到电流时序数据中的每个数据点的多维特征值集合。

最后，由于真实的异常值的部分特征（如均值、标准差、偏度、峰度等）往往与正常值的统计特性存在显著差异，而噪声是随机出现，其统计特性更接近正常值的分布，因此，通过构建二维特征，对二维特征下的数据点进行密度聚类处理，若任一数据点在对应的维度中聚类后通常位于数据集的稀疏部位，且与其他数据点的密度差异较大，则其属于异常值的可能性较大，故，本发明根据每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个二维特征值分布下异常数据点和每个异常数据点的初始异常值，具体过程为：

针对所述多维特征值集合中的任一两个特征值，根据所述每个数据点的多维特征值集合中的所述两个特征值构建二维平面，获取最优聚类半径和预设的最小样本点数，基于所述最优聚类半径和所述最小样本点数，对所述二维平面上的所有数据点进行聚类得到至少一个孤立点，将所有孤立点作为异常数据点；

针对任一异常数据点，获取所述异常数据点与最近的聚类簇之间的距离，将所述距离的相反数代入以自然常数为底数的指数函数，得到对应的函数值，将常数1与所述函数值之间的差值作为所述异常数据点的初始异常值。

在一实施方式中，参照附图2，其为本发明实施例提供的一种二维特征值对应的二维平面的示意图，图2中，以均值为横坐标、以标准差为纵坐标构建对应的二维平面，进而根据电流时序数据中的每个数据点的多维特征值集合中的均值和标准差，在构建的二维平面中映射一个对应的数据点。在得到二维平面之后，采用DBSCAN（Density-Based SpatialClustering of Applications with Noise）聚类算法对二维平面中的数据点进行聚类处理，DBSCAN聚类算法属于现有技术，此处不再详细赘述。聚类过程中会遍历二维平面上的每个数据点，计算其邻域内的样本数量，并根据设定的参数（最优聚类半径和最小样本点数）判断该数据点是否为核心对象，核心对象及其密度可达的样本点将被划分为同一个聚类簇。聚类完成后，未被归入任何簇的点（孤立点）被视为异常点，这些点通常位于数据集的边缘或稀疏区域，与其他点的密度差异较大，可能是异常值，因此，将所有孤立点作为异常数据点，进而获取每个异常数据点到其最近簇的距离，记为，距离越远，异常数据点的异常程度越高，第i个异常数据点的初始异常值为/>,其中，/>表示二维平面中第i个异常数据点，/>表示二维平面中第i个异常数据点到其最近簇的距离，/>表示以自然常数为底数的指数函数，1表示常数。至此，能够得到二维平面中的异常数据点和每个异常数据点的初始异常值。

值得说明的是，最小样本点数可根据样本大小进行选择，样本越大，最小样本点数可以选择越大，经验值取10。

其中，获取最优聚类半径，包括：

获取k-距离的预设取值范围，针对所述预设取值范围中的任一k值，获取所述二维平面上的每个数据点的k-距离，构建所述二维平面上的所有数据点的k-距离的直方图，获取所述直方图的峰度；

根据所述预设取值范围内的每个k值下的直方图的峰度，获取最大峰度所对应k值作为最优k值，根据所述最优k值下所述二维平面上的每个数据点的k-距离，获取k-距离的平均值，获取所述最优k值下的直方图的谷点所对应的目标k-距离；

将所述k-距离的平均值和所述目标k-距离之间的任一值作为最优聚类半径。

在一实施方式中，采用DBSCAN聚类算法对二维平面中的数据点进行聚类处理时，聚类邻域半径的选择很重要，聚类半径选择的不好会影响聚类结果，导致未被归入任何类簇的数据点变多，影响最终的异常判断，因此，针对二维平面上的每个数据点，计算每个数据点的k-距离，k-距离是指一个点到其第k个最近邻点的距离，k为可变值，k为较小的正整数，其取值范围经验值为，初始k值取3。针对任一k值，获取二维平面上的每个数据点的k-距离，构建二维平面上的所有数据点的k-距离的直方图，直方图将展示k-距离的分布情况，有助于识别可能的聚类结构和噪声。进一步的，计算直方图的峰度，在理想情况下，聚类内部的点之间的距离应该较近，而聚类之间的点之间的距离应该较远，因此，直方图中的“谷”可能对应于聚类之间的边界，而“峰”可能对应于聚类内部的点之间的距离，当直方图的峰度越大时，说明峰谷差异越大，此时的聚类结果越好，越趋近于理想情况。故，获取每个k值下的直方图的峰度，选择峰度最大值所对应的k值作为最优k值，从而得到最优k值对应的直方图。

对最优k值对应的直方图进行波峰波谷点检测，得到直方图的所有谷点，针对任一谷点，获取该谷点与其左右相邻谷点之间的差值绝对值的均值，获取均值最大所对应的谷点作为明显的谷点，同时在最优k值下的直方图上，获取明显的谷点所对应的k-距离作为目标k-距离。根据最优k值下二维平面上的每个数据点的k-距离，获取k-距离的平均值，将k-距离的平均值和目标k-距离之间的任一值作为最优聚类半径。值得说明的是，波峰波谷检测属于现有技术，此处不再详细赘述。

举例说明：例如二维平面中的数据点的个数为100，计算获取的最优k值为5，则对二维平面中的每个数据点，找到其最近的五个邻居点，并计算到第5个邻居点的距离，将所有点的k-距离相加，然后除以100，得到k-距离的平均值，记为,使用计算得到的k-距离绘制直方图,获取直方图中的明显的“谷”，其对应的k-距离值记为/>，选择/>之间的值作为最优聚类半径r，例如/>。

至此，能够得到一个二维平面中的异常数据点和每个数据点的初始异常值，同理，对多维度特征集合中的每两个特征值构建一个二维平面，分别得到每个二维平面中的异常数据点和每个数据点的初始异常值，则电流时序数据中的每个数据点在每个二维平面上都对应一个数据点。

异常分析模块13，用于针对电流时序数据中的任一数据点，对数据点在每个二维特征值分布下的初始异常值进行融合处理，得到数据点的异常程度，根据电流时序数据中的每个数据点的异常程度，得到电流时序数据中的目标异常数据点。

针对电流时序数据中的任一数据点，根据所述数据点的多维特征值集合，在构建的多个二维平面上都对应一个数据点，且每个二维平面上的数据点都有一个初始异常值，其中，所述数据点在任一二维平面下为非异常数据点的初始异常值为0，则对所述数据点在每个所述二维特征值分布下的初始异常值进行融合处理，得到所述数据点的异常程度，包括：

根据所述数据点在每个所述二维平面下的初始异常值，得到初始异常值均值作为所述数据点的异常程度。

在一实施方式中，电流时序数据中的第j个数据点的异常程度的计算表达式为：

其中，表示电流时序数据中的第j个数据点的异常程度，/>表示电流时序数据中的第j个数据点在第u个二维平面中的初始异常值，U表示二维平面的数量。

需要说明的是，的值越大，说明电流时序数据中的第j个数据点的异常程度越高，其越可能为真实的异常值。

进一步的，在得到电流时序数据中的每个数据点的异常程度之后，即可根据电流时序数据中的每个数据点的异常程度，得到电流时序数据中的目标异常数据点，具体为：若所述电流时序数据中的任一数据点的异常程度大于或等于预设的异常程度阈值，则确定所述数据点为目标异常数据点。其中，异常程度阈值为0.63。

至此，得到了电流时序数据中的目标异常数据点。

故障诊断模块14，用于对每个目标异常数据点的异常程度进行修正，得到修正后的异常程度，根据每个目标异常数据点的修正后的异常程度进行故障诊断。

真实异常值的分布存在一定的周期特性，可根据异常值的周期特性对其异常程度进行修正，则对每个所述目标异常数据点的异常程度进行修正，得到修正后的异常程度，包括：

针对任一目标异常数据点，根据所述目标异常数据点的预设容差区间，获取所述目标异常数据点的周期性指标；

根据所有目标异常数据点的周期性指标，获取周期性指标均值，计算所述目标异常数据点的周期性指标与所述周期性指标均值之间的差值绝对值，将所述差值绝对值代入以自然常数为底数的指数函数中，得到对应的指数函数结果，将所述指数函数结果与所述目标异常数据点的异常程度之间的乘积作为所述目标异常数据点的修正后的异常程度。

在一实施方式中，以电流时序数据中的第z个目标异常数据点为例，假设第z个目标异常数据点的周期性指标为，所有目标表异常数据点的周期性指标均值/>，则第z个目标异常数据点的周期性指标与周期性指标均值之间的差值绝对值记为/>，差值绝对值越小，第z个目标异常数据点的异常程度的可信度越大，越不需要修正，修正的程度越小，因此，第z个目标异常数据点的修正后的异常程度的计算表达式为：

其中，表示第z个目标异常数据点的修正后的异常程度，/>表示第z个目标异常数据点的异常程度，exp()表示以自然常数为底数的指数函数，/>表示第z个目标异常数据点的周期性指标与周期性指标均值之间的差值绝对值。

同理，对电流时序数据中的每个目标异常数据点的异常程度进行修正，对应得到每个目标异常数据点的修正后的异常程度。

其中，根据所述目标异常数据点的预设容差区间，获取所述目标异常数据点的周期性指标，包括：

获取预设的可变步长，针对所述可变步长中的任一步长，将所述目标异常数据点的预设容差区间以所述步长在所述电流时序数据中进行遍历，得到至少两个容差区间，对包含其他目标异常数据点的容差区间进行标记，得到标记的容差区间；

统计所述步长下的容差区间的第一数量和所述标记的容差区间的第二数量，获取所述第一数量和所第二数量之间的比值，将所述第一数量的相反数代入以自然常数为底数的指数函数中，得到对应的函数值，获取常数1与所述函数值之间的差值，将所述差值与所述比值之间的乘积作为所述步长的步长优选程度；

根据所述可变步长中的每个步长的步长优选程度，将最大步长优选程度所对应的步长作为所述目标异常数据点的周期性指标。

在一实施方式中，由于数据存在一定的波动性，即使目标异常数据点存在周期性，但并非完全周期性，故为了获取目标异常数据点的周期性，设置容差区间，当目标异常数据点落在容差区间内时，也认为其符合周期性，以任意一个目标异常数据点为例，以目标异常数据点为中心，获取容差区间，容差区间的经验值为偶数，经验值取6，实施者可根据实际情况自行调整，容差区间确定完成后，将目标异常数据点所在的容差区间看作一个整体，设置自适应步长，记为L，在目标异常数据点所在容差前或后扫描步长L个数据点，扫描完成后确定下一个容差区间，遍历完成整个电流时序数据，得到多个容差区间和步长数据交错存在的数据集合，其中步长L为可变步长，可变步长的取值范围为[1，a]，其中a表示电流时序数据的长度，通过改变步长会得到不同的容差区间，当容差区间中存在其他目标异常数据点，且存在其他目标异常数据点的容差区间越多，则对应的步长L的优选程度越大，因此，针对任一步长，根据步长获取目标异常数据点对应的所有容差区间，记容差区间的个数记为M，其中存在其他目标异常数据点的容差区间的个数记为m，则步长的步长优选程度的计算公式为：

其中，表示步长L的步长优选程度,1表示常数，exp()表示以自然常数为底数的指数函数。

需要说明的是，容差区间的个数越多且对应步长下存在其他目标异常数据点的容差区间的个数越多，则对应的步长优选程度越大。

同理，获取每个步长的步长优选程度，将最大步长优选程度所对应的步长作为目标异常数据点的周期性指标。至此，能够获取每个目标异常数据点的周期性指标。

进一步的，在获取到电流时序数据中的每个目标异常数据点的修正后的异常程度之后，获取设置的异常程度阈值，以根据每个目标异常数据点的修正后的异常程度进行故障诊断，具体为：若任一目标异常数据点的修正后的异常程度大于或等于预设的异常程度阈值，对所述目标异常数据点进行标记，并将标记的目标异常数据点与异常数据库进行匹配，得到对应的匹配结果，根据所述匹配结果确定故障类型。值得说明的是，异常程度阈值为0.63。

综合上述，本发明实施例提供一种用于故障诊断处理的电流互感器包括：数据采集模块，用于通过电流互感器采集电流时序数据；信号处理模块，用于根据所述电流时序数据中的数据变化获取特征窗口大小，基于所述特征窗口大小获取所述电流时序数据中的每个数据点的多维特征值集合，根据所述每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个所述二维特征值分布下异常数据点和每个所述异常数据点的初始异常值；异常分析模块，用于针对所述电流时序数据中的任一数据点，对所述数据点在每个所述二维特征值分布下的初始异常值进行融合处理，得到所述数据点的异常程度，根据所述电流时序数据中的每个数据点的异常程度，得到所述电流时序数据中的目标异常数据点；故障诊断模块，用于对每个所述目标异常数据点的异常程度进行修正，得到修正后的异常程度，根据每个所述目标异常数据点的修正后的异常程度进行故障诊断。其中，信号处理模块在对数据采集模块中的电流互感器的输出信号进行分析时，通过获取时序输出信号的最优局部窗口，对每个数据点的最优局部窗口进行特征提取，提取出若干特征，通过将随机特征进行组合构成二维数据，对二维数据进行聚类，根据聚类结果获取数据点的初始异常值，通过多维特征融合获取数据点的异常程度，以根据异常点的分布进行异常判断，进行相应的故障诊断，将电流互感器的测量电路和故障自诊断***相结合，使得电流互感器在进行电流测量的同时，能够实时检测自身的运行状态，一旦发现异常，即可触发故障自诊断程序，避免了传统方法中需要额外设备进行故障检测的问题，提高了故障诊断的效率和准确性。

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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于故障诊断处理的电流互感器，其特征在于，所述一种用于故障诊断处理的电流互感器包括：

数据采集模块，用于通过电流互感器采集电流时序数据；

信号处理模块，用于根据所述电流时序数据中的数据变化获取特征窗口大小，基于所述特征窗口大小获取所述电流时序数据中的每个数据点的多维特征值集合，根据所述每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个所述二维特征值分布下异常数据点和每个所述异常数据点的初始异常值；

异常分析模块，用于针对所述电流时序数据中的任一数据点，对所述数据点在每个所述二维特征值分布下的初始异常值进行融合处理，得到所述数据点的异常程度，根据所述电流时序数据中的每个数据点的异常程度，得到所述电流时序数据中的目标异常数据点；

故障诊断模块，用于对每个所述目标异常数据点的异常程度进行修正，得到修正后的异常程度，根据每个所述目标异常数据点的修正后的异常程度进行故障诊断。

2.根据权利要求1所述的一种用于故障诊断处理的电流互感器，其特征在于，所述信号处理模块中根据所述电流时序数据中的数据变化获取特征窗口大小，包括：

获取预设的周期长度范围，针对所述周期长度范围中的任一周期长度，利用所述周期长度将所述电流时序数据划分为多个子序列，利用DTW算法分别获取相邻两个所述子序列之间的相似度，得到相似度均值；

根据所述周期长度范围中的每个周期长度下的相似度均值，获取最大相似度均值所对应周期长度作为特征窗口大小。

3.根据权利要求1所述的一种用于故障诊断处理的电流互感器，其特征在于，所述信号处理模块中基于所述特征窗口大小获取所述电流时序数据中的每个数据点的多维特征值集合，包括：

针对所述电流时序数据中的任一数据点，以所述数据点为特征窗口的中心，在所述电流时序数据中截取长度与特征窗口大小相等的数据子序列，分别所述数据子序列的数据均值、数据标准差、偏度、峰度以及所述数据点的数值与所述数据均值之间的差值，并组成所述数据点的多维特征值集合。

4.根据权利要求1所述的一种用于故障诊断处理的电流互感器，其特征在于，所述信号处理模块中根据所述每个数据点的多维特征值集合分别进行二维特征值分布下的数据点聚类，对应得到每个所述二维特征值分布下异常数据点和每个所述异常数据点的初始异常值，包括：

针对所述多维特征值集合中的任一两个特征值，根据所述每个数据点的多维特征值集合中的所述两个特征值构建二维平面，获取最优聚类半径和预设的最小样本点数，基于所述最优聚类半径和所述最小样本点数，对所述二维平面上的所有数据点进行聚类得到至少一个孤立点，将所有孤立点作为异常数据点；

针对任一异常数据点，获取所述异常数据点与最近的聚类簇之间的距离，将所述距离的相反数代入以自然常数为底数的指数函数，得到对应的函数值，将常数1与所述函数值之间的差值作为所述异常数据点的初始异常值。

5.根据权利要求4所述的一种用于故障诊断处理的电流互感器，其特征在于，所述信号处理模块中获取最优聚类半径，包括：

获取k-距离的预设取值范围，针对所述预设取值范围中的任一k值，获取所述二维平面上的每个数据点的k-距离，构建所述二维平面上的所有数据点的k-距离的直方图，获取所述直方图的峰度；

根据所述预设取值范围内的每个k值下的直方图的峰度，获取最大峰度所对应k值作为最优k值，根据所述最优k值下所述二维平面上的每个数据点的k-距离，获取k-距离的平均值，获取所述最优k值下的直方图的谷点所对应的目标k-距离；

将所述k-距离的平均值和所述目标k-距离之间的任一值作为最优聚类半径。

6.根据权利要求4所述的一种用于故障诊断处理的电流互感器，其特征在于，所述异常分析模块中对所述数据点在每个所述二维特征值分布下的初始异常值进行融合处理，得到所述数据点的异常程度，包括：

根据所述数据点在每个所述二维平面下的初始异常值，得到初始异常值均值作为所述数据点的异常程度，其中，所述数据点在任一二维平面下为非异常数据点的初始异常值为0。

7.根据权利要求1所述的一种用于故障诊断处理的电流互感器，其特征在于，所述异常分析模块中根据所述电流时序数据中的每个数据点的异常程度，得到所述电流时序数据中的目标异常数据点，包括：

若所述电流时序数据中的任一数据点的异常程度大于或等于预设的异常程度阈值，则确定所述数据点为目标异常数据点。

8.根据权利要求1所述的一种用于故障诊断处理的电流互感器，其特征在于，所述故障诊断模块中对每个所述目标异常数据点的异常程度进行修正，得到修正后的异常程度，包括：

针对任一目标异常数据点，根据所述目标异常数据点的预设容差区间，获取所述目标异常数据点的周期性指标；

根据所有目标异常数据点的周期性指标，获取周期性指标均值，计算所述目标异常数据点的周期性指标与所述周期性指标均值之间的差值绝对值，将所述差值绝对值代入以自然常数为底数的指数函数中，得到对应的指数函数结果，将所述指数函数结果与所述目标异常数据点的异常程度之间的乘积作为所述目标异常数据点的修正后的异常程度。

9.根据权利要求8所述的一种用于故障诊断处理的电流互感器，其特征在于，所述故障诊断模块中根据所述目标异常数据点的预设容差区间，获取所述目标异常数据点的周期性指标，包括：

获取预设的可变步长，针对所述可变步长中的任一步长，将所述目标异常数据点的预设容差区间以所述步长在所述电流时序数据中进行遍历，得到至少两个容差区间，对包含其他目标异常数据点的容差区间进行标记，得到标记的容差区间；

统计所述步长下的容差区间的第一数量和所述标记的容差区间的第二数量，获取所述第一数量和所第二数量之间的比值，将所述第一数量的相反数代入以自然常数为底数的指数函数中，得到对应的函数值，获取常数1与所述函数值之间的差值，将所述差值与所述比值之间的乘积作为所述步长的步长优选程度；

根据所述可变步长中的每个步长的步长优选程度，将最大步长优选程度所对应的步长作为所述目标异常数据点的周期性指标。

10.根据权利要求1所述的一种用于故障诊断处理的电流互感器，其特征在于，所述故障诊断模块中根据每个所述目标异常数据点的修正后的异常程度进行故障诊断，包括：

若任一目标异常数据点的修正后的异常程度大于或等于预设的异常程度阈值，对所述目标异常数据点进行标记，并将标记的目标异常数据点与异常数据库进行匹配，得到对应的匹配结果，根据所述匹配结果确定故障类型。