CN120296387A 融合多特征信息与RIME-CNN-BiLSTM-SAM的特高压换流变OLTC故障诊断方法 （昆明理工大学）

融合多特征信息与RIME-CNN-BiLSTM-SAM的本发明涉及一种融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变OLTC故障诊断度排列熵，联合时/频统计分析和多尺度排列熵入主成分分析开展OLTC振动信息的特征融合与21.融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变OLTC故障诊断方法，其特采用REMD将OLTC振动信号分解为多个IMFs，并基于相关性系数计算选择后IMFs的多尺度排列熵，联合时/频统计分析和多尺度排列熵来提取振动信搭建CNN_BiLSTM_SAM故障诊断模型，并利用RIME对模型的超参2.根据权利要求1所述的融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变3.根据权利要求1所述的融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变4.根据权利要求1所述的融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变35.根据权利要求1所述的融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变3)求取∑的特征值并按降序排列，选取前l个特征值对应的特征向量组成新向量矩阵6.根据权利要求1所述的融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变7.根据权利要求1所述的融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变4融合多特征信息与RIME_CNN_BiLST[0001]本发明涉及一种融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变OLTC故[0002]随着特高压输电技术的蓬勃发展，换流变压器在电力系统中的重要性日益显不利于实际应用。RIME_CNN_BiLSTM_SAM的特高压换流变OL[0005]本发明的技术方案是：融合多特征信息与RIME_CNN_BiLSTM_SAM的特高压换流变[0007]采用REMD(鲁棒经验模态分解)将OLTC振动信号分解为多个IM[0008]计算选择后IMFs的多尺度排列熵，联合时/频统计分析和多尺度排列熵来提取振5[0019](4)判断提取的模态分量r是否符合条件；若不符合条件，以h1[n]为新的初始信6[0042]3)求取∑的特征值并按降序排列，选取前l个特征值对应的特征向量组成新向量的空间维度并保留关键特征；然后利用BiLSTM结构提取隐含在空间特征信息中的时序特[0047](1)本发明采用鲁棒经验模态分解(REMD)算法来进行OLTC故障振动信号分解，可[0048](2)融合时域、频域和多尺度排列熵特征信息的复合特征分析方法实现了有载分[0050](4)本发明融合多特征信息和RIME_CNN_BiLSTM_SAM的特高压换流变OLTC故障诊7[0057]本实施例中采用ABB公司生产的UCG型有载分接开关在从西换流站备用换流变8[0078](4)判断提取的模态分量r是否符合条件；若不符合条件，以h1[n]为新的初始信91IMF1IMF1[0100](三)计算选择后IMFs的多尺度排列熵，联合时/频统计分析和多尺度排列熵来提[0101]基于相关系数法优选出OLTC四种工况的IMF分量，计算其多尺度排列熵值组成新[0102]分别计算有载分接开关4种工况经过REMD算法和相关系数法筛选出相关性较高的IMF分量的多尺度排列熵值，选取尺度因子s为8、10的PE均值构成振动故障复合特征。故OLTC四种工况均可得到其对应的360组故障特征样本，并通过主成分分析法对故障样本集[0105]常用的时域特征参数及其数学计算公式如表[0118]排列熵(PermutationEntropy，PE)是一种度量时间序列复杂度和检测动力学突[0134]为降低复合统计特征所提取特征向量的复杂度，本实施例引入主成分分析法[0141]3)求取∑的特征值并按降序排列，选取前l个特征值对应的特征向量组成新向量[0143](四)搭建CNN_BiLSTM_SAM故障诊断模型，并利用RIME对较强的非线性和多时间尺度特征。因此本发明提出融合多特征信息的RIME_CNN_BiLSTM_取到的空间特征和时序特征信息输入到下一层，建立输入参数和输出参数之间的逻辑关30.3[0149]RIME算法模拟了雾凇冰的软雾凇和硬雾凇生长过程，并通过对软雾凇搜索策略、[0161](4)贪婪选择机制。将更新后的雾凇粒子适应度与更新前的雾凇粒子适应度进行[0162]为进一步说明RIME_CNN_BiLSTM_SAM模型的优越性，将测试特征数据集分别输入故障诊断效果。因此本发明提出的融合多特