用于构建全光纤电流互感器故障图谱的方法及装置

1.本发明涉及全光纤电流互感器状态评估及故障诊断技术领域，具体而言，涉及一种用于构建全光纤电流互感器故障图谱的方法及装置。


背景技术：

2.全光纤电流互感器(foct)与传统电磁式电流互感器相比，具有许多优势：无磁饱和、能实现暂态保护、优良的绝缘性、抗干扰能力强等，在特高压直流电网中广泛应用，为直流系统的控制保护及运行状态监测提供可靠的测量信息，其运行状态对整个电网的安全运行而言具有极其重要的意义。
3.如今foct故障机理分析不够深入全面。在以往的故障分析中往往偏重于foct整体的外特性，未能深入到内部故障的关键元器件级，所提出的改进措施具有局限性。主要通过故障特征判断互感器是否发生突变故障，事实上，电力系统中大多数故障是器件渐变劣化累积的结果。
4.现有技术针对突变故障进行诊断，突变故障特征明显，容易被诊断；但事实上，电力系统中大多数故障是器件渐变劣化累积的结果，这种因器件劣化导致的故障但是由器件劣化导致的故障存在时域跨度大、短期特征不明显的特点，对于此类情况现有针对突变故障进行诊断技术具有局限性，无法实现可靠准确地故障诊断。
5.并且，光纤电流互感器由许多光学和电子器件，在实际工作中受到的影响因素较多，且内部结构复杂，仅依靠对foct建立数学模型或者仅依靠历史数据建立预测模型而实现可靠准确地故障诊断都较为困难。


技术实现要素：

6.鉴于此，本发明提出了一种用于构建全光纤电流互感器故障图谱的方法及装置，旨在解决由于器件劣化导致故障以及foct内部结构复杂而导致现有故障诊断技术无法准确可靠地实现故障诊断的问题。
7.第一方面，本发明实施例提供了一种用于构建全光纤电流互感器故障图谱的方法，所述方法包括：获取历史故障数据和试验故障数据；对所述历史故障数据进行故障模式分析后，结合全光纤电流互感器的结构，得到故障fmea表，以及将所述历史故障数据和所述试验故障数据融合，得到foct故障数据库；从所述foct故障数据库中提取状态参量作为特征向量，将所述故障fmea表中每种故障与每个所述特征向量进行数据融合，得到foct故障图谱。
8.进一步地，对所述历史故障数据进行故障模式分析，包括：对所述历史故障数据，按照故障形式、故障部位以及故障原因进行分类统计。
9.进一步地，所述结合全光纤电流互感器的结构，得到故障fmea表，包括：对故障模式分析后的历史故障数据，按照机械部分、电气部分以及光路部分构建foct故障树，并将所述foct故障树中不同维度的数据进行分类汇总，得到故障fmea表。
10.进一步地，将所述历史故障数据和所述试验故障数据融合，得到foct故障数据库，包括：将所述历史故障数据和所述试验故障数据进行清洗；采用数据变换及数据集成对清洗后数据进行融合；采用wdokod算法对融合后数据进行聚类，并采用轮廓系数法对聚类效果进行评估，得到最优聚类结果；基于所述最优聚类结果，从所述融合后数据中剔除离群样本，得到foct故障数据库。
11.进一步地，所述采用wdokod算法对融合后数据进行聚类，包括：对融合后数据，采用风驱动算法进行迭代，在每次更新空气质点的速度与位置后进行一次k-means聚类。
12.进一步地，基于所述最优聚类结果，从所述融合后数据中剔除离群样本，包括：若样本到所述最优聚类结果聚类中心的距离大于离群样本剔除阈值，则将其划分为离群样本以进行剔除；其中，所述离群样本剔除阈值f如下所示：f＝qu+1.5(q
n-q
l
)；qu、q
l
分别为样本的上、下四分位数。
13.进一步地，将所述故障fmea表中每种故障与每个所述特征向量进行数据融合，包括：基于支持概率距离的d-s证据理论，对于所述故障fmea表中每种故障与每个所述特征向量进行数据融合，以建立每种故障与每个特征向量的映射关系。
14.进一步地，所述状态参量，包括：上升时间、下降时间、脉冲宽度、持续时间、频域谱峰、偏斜度、峰度、时间重心、等效时长、频率重心和等效频宽。
15.第二方面，本发明实施例还提供了一种用于构建全光纤电流互感器故障图谱的装置，所述装置包括：数据获取单元，用于获取历史故障数据和试验故障数据；故障数据库单元，用于对所述历史故障数据进行故障模式分析后，结合全光纤电流互感器的结构，得到故障fmea表，以及将所述历史故障数据和所述试验故障数据融合，得到foct故障数据库；故障图谱单元，用于从所述foct故障数据库中提取状态参量作为特征向量，将所述故障fmea表中每种故障与每个所述特征向量进行数据融合，得到foct故障图谱。
16.第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述各实施例提供的方法。
17.第四方面，本发明实施例还提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述各实施例提供的方法。
18.本发明实施例提供的用于构建全光纤电流互感器故障图谱的方法及装置，通过综合考虑历史故障数据和试验故障数据构建foct故障图谱，减少了故障图谱的不确定性和局限性，提高了故障图谱的可靠性和全面性，并且从foct故障数据库中提取状态参量作为特征向量，将故障fmea表中每种故障与每个特征向量进行数据融合，得到foct故障图谱，能够为foct关键器件的故障诊断提供支撑，为直流系统的控制保护及运行状态监测提供可靠的测量信息。
附图说明
19.图1示出了根据本发明实施例的用于构建全光纤电流互感器故障图谱的方法的示例性流程图；
20.图2(a)和图2(b)分别示出了根据本发明一个实施例的故障树主树的结构示意图和故障树子树的结构示意图；
21.图3示出了根据本发明一个实施例的轮廓系数法确定最优聚类数目的示例性流程图；
22.图4示出了根据本发明一个实施例的foct故障映射关系建立流程的示例性流程图；
23.图5示出了根据本发明实施例的用于构建全光纤电流互感器故障图谱的装置的结构示意图。
具体实施方式
24.现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
25.除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
26.图1示出了根据本发明实施例的用于构建全光纤电流互感器故障图谱的方法的示例性流程图。
27.如图1所示，该方法包括：
28.步骤s101：获取历史故障数据和试验故障数据。
29.历史故障数据为已有数据；试验故障数据可以通过故障复现试验收集得到。
30.步骤s102：对历史故障数据进行故障模式分析后，结合全光纤电流互感器的结构，得到故障fmea表，以及将历史故障数据和试验故障数据融合，得到foct故障数据库。
31.进一步地，对历史故障数据进行故障模式分析，包括：
32.对历史故障数据，按照故障形式、故障部位以及故障原因进行分类统计。
33.基于已有的历史故障数据，对foct的故障模式进行分析，将不同的故障形式、故障部位、故障原因进行分类统计，对其各个组成部分的故障情况进行细分。
34.进一步地，结合全光纤电流互感器的结构，得到故障fmea表，包括：
35.对故障模式分析后的历史故障数据，按照机械部分、电气部分以及光路部分构建foct故障树，并将foct故障树中不同维度的数据进行分类汇总，得到故障fmea表。
36.结合foct的结构，按照机械部分、电气部分、光路部分建立foct的可靠性框图，并以此形成foct的故障树。图2(a)和图2(b)分别示出了根据本发明一个实施例的故障树主树的结构示意图和故障树子树的结构示意图。如图2(a)和图2(b)所示，故障树分层级显示foct不同类型故障所对应的部件，经由对各类故障原因的分析得到，不同的分析得到的故障树内容也有区别，每个部件主树下，按照故障形式以及故障原因逐次进行分层。
37.将foct故障树中不同维度的数据进行分类汇总，即汇总所有的故障部位、故障形式、故障原因、故障后果、故障类型以及应对措施等不同维度的数据，形成foct故障fmea表。故障fmea表可以根据需求汇总不同维度的数据，例如表1示出了根据本发明一个实施例的故障fmea表。
38.表1
[0039][0040][0041]
进一步地，将历史故障数据和试验故障数据融合，得到foct故障数据库，包括：
[0042]
将历史故障数据和试验故障数据进行清洗；
[0043]
采用数据变换及数据集成对清洗后数据进行融合；
[0044]
采用wdokod算法对融合后数据进行聚类，并采用轮廓系数法对聚类效果进行评估，得到最优聚类结果；
[0045]
基于最优聚类结果，从融合后数据中剔除离群样本，得到foct故障数据库。
[0046]
首先制定数据清洗与关联性验证规则，对原始数据进行唯一属性剔除、缺失值补全及异常值处理等；随后采用数据变换、数据集成方法进行foct多源故障数据融合；最后基于wdokod离群点检测算法诊断离群样本后剔除。
[0047]
进一步地，采用wdokod算法对融合后数据进行聚类，包括：
[0048]
对融合后数据，采用风驱动算法进行迭代，在每次更新空气质点的速度与位置后进行一次k-means聚类。
[0049]
wdokod算法是风驱动(wdo)算法与k均值算法的有效结合，可利用wdo算法的全局搜索能力降低k均值算法陷入局部最优的概率。因此，为了保证基于聚类的离群点诊断方法的正确性，采用wdokod算法进行数据样本的聚类优化；即采用wdo算法进行迭代，在每次更新空气质点的速度与位置后进行一次k-means聚类。在wdokod算法中，各个空气质点的位置由nc个聚类中心组成，由于样本维数为d，因此质点位置及速度为nc
×
d维变量，即空气质点的编码结构如表2所示：
[0050]
表2
[0051][0052]
具体地，风驱动算法如下：
[0053]
风驱动算法是一种新型全局优化算法，其原理是根据空气的压力差促使空气流动并最终达到平衡，将每个空气质点达到平衡的最终位置作为最优解，每个空气质点的最终压力值作为最优值。算法将影响大气运动的4个主要力：摩擦力、气压梯度压力、重力以及科氏力引入牛顿第二定律，并结合理想气体状态方程得出速度更新公式进行迭代寻优。
[0054]
设有m个空气质点，d维搜索空间的空气团表示为矩阵p
[0055][0056]
空气质点在空气团中进行搜索，赋予每一p
ij
(1≤i≤m,1≤j≤d)速度值为v
ij
，k次迭代后构成空气团速度矩阵vk，其中1≤k≤k，k为最大迭代次数。
[0057][0058]
对于每一个空气质点的速度约束为
[0059][0060]
通过空气质点的不断运动搜索，其速度与位置不断更新。k次迭代后，空气团中的质点位置矩阵为xk[0061][0062]
空气质点的速度v
ij
及位置x
ij
更新公式如下
[0063][0064][0065]
其中，x
opt
为全局最优解；r为空气质点的排序，r＝1表示达到最小压力值；为在第k次迭代中第i个质点在除了j维以外的任一维速度。速度更新公式的4项分别表示4种力对质点速度的作用：第一项表示摩擦力对质点速度减小的作用，α为摩擦系数，一般取[0.8,0.9]；第二项表示质点在重力作用下按比例g靠近坐标系中心，g一般取[0.6,0.7]；第三项表示质点在气压梯度力作用下移向全局最优位置，气压梯度影响系数rt一般取[1,2]；第四项表示在科氏力作用下其他维对当前空气质点速度的影响，科氏力影响系数c一般取[0.05,3.6]。由上可以看出，速度的引入增强了质点间的信息互动，使算法避免陷入局部最优，增强了算法鲁棒性。此外由于重力的存在，一定程度上避免了空气质点困在或跳出搜索边界的情况，在提高全局搜索能力的同时也改善了收敛速度。
[0066]
具体地，k-均值算法如下：
[0067]
设数据向量集为x＝{i＝1,2,...,n},数据点数目为n，样本维数为d，聚类数为nc，将x分成nc个互不相交的类c1，c2，
…
，c
nc
，各类的聚类中心为根据k-均值算法的基本原理，首先随机选取nc个初始聚类中心，然后采用欧氏距离公式得到数据到每个中心的距离d：
[0068][0069][0070][0071]
其中，|cr|为cr类内样本个数。对于数据样本xi及类聚类中心若满足式(1.10)，则认为样本xi属于类。
[0072][0073]
具体地，轮廓系数法如下：
[0074]
为了获得最优聚类数目nc，保证离群点诊断结果的有效性，采用轮廓系数法对不同聚类数目下的聚类效果进行评估，图3示出了根据本发明一个实施例的轮廓系数法确定最优聚类数目的示例性流程图。如图3所示，首先利用聚类算法对不同聚类数目下的样本进行聚类，再采用轮廓系数评价各聚类数下的聚类效果，最后选取轮廓系数最大时对应的聚类数作为最优聚类数目nc。
[0075]
采用能够快速聚类的k-means算法计算轮廓系数，第i个样本的轮廓系数si定义为：
[0076][0077]
其中，a为第i个样本与该类其它样本的平均距离；b为第i个样本与其它类所有样本的平均距离向量；n为样本数目；si∈[-1,1]。样本对应的轮廓系数越大，表示该样本的分类越合理。聚类数为m时的样本平均轮廓系数为：
[0078][0079]
进一步地，基于最优聚类结果，从融合后数据中剔除离群样本，包括：
[0080]
若样本到最优聚类结果聚类中心的距离大于离群样本剔除阈值，则将其划分为离群样本以进行剔除；
[0081]
其中，离群样本剔除阈值f如下所示：
[0082]
f＝qu+1.5(q
n-q
l
)；
[0083]qu
、q
l
分别为样本的上、下四分位数。
[0084]
得到样本聚类结果后，根据箱型图的异常识别标准选取离群样本剔除阈值。若样本到聚类中心距离大于离群样本剔除阈值，则将其划分为离群样本。离群样本剔除阈值f定义如下：
[0085]
f＝qu+1.5(q
n-q
l
)
ꢀꢀꢀꢀꢀꢀ
(1.13)
[0086]
其中，qu、q
l
分别为样本的上、下四分位数。
[0087]
步骤s103：从foct故障数据库中提取状态参量作为特征向量，将故障fmea表中每种故障与每个特征向量进行数据融合，得到foct故障图谱。
[0088]
进一步地，状态参量，包括：上升时间、下降时间、脉冲宽度、持续时间、频域谱峰、偏斜度、峰度、时间重心、等效时长、频率重心和等效频宽。
[0089]
进一步地，将故障fmea表中每种故障与每个特征向量进行数据融合，包括：
[0090]
基于支持概率距离的d-s证据理论，对于故障fmea表中每种故障与每个特征向量进行数据融合，以建立每种故障与每个特征向量的映射关系。
[0091]
图4示出了根据本发明一个实施例的foct故障映射关系建立流程的示例性流程图。如图4所示，选取某一种故障的所有数据，将此类故障的11个状态参量依次进行数据融合，得到这一种故障的11个典型故障特征向量，形成了一种故障与状态参量的映射关系，直到所有故障类型都与这11个状态参量建立了各自的映射关系，也就是形成了整体的故障图谱。为便于理解，表3为本发明一个实施例的故障图谱示例。在此基础上若需要进行故障诊断，可将要诊断的数据与每类故障数据比较，用以判断故障类型。
[0092]
表3
[0093]
[0094][0095]
具体地，支持概率距离的d-s证据理论数据融合步骤如下：
[0096]
(1)计算支持概率距离：若识别框架日下有n个证据体，对任意两证据体其支持概率距离为，那么可以定义n个证据体间的支持概率距离为：
[0097][0098]
(2)求取相似性函数式：设识别框架θ下有n个证据体，则任意两证据体间的相似性函数为：
[0099][0100]
相似性函数表征两证据体间的相似程度，取值范围为[0,1]。由识别框架θ下所有证据体两两间的相似性函数构成的矩阵如下：
[0101][0102]
(3)计算证据体间的支持程度：所有证据体对证据体ei的支持度可通过将相似性矩阵sim的第i行累加得到，计算公式如下：
[0103]
[0104]
若该证据体与其他证据体所反映的状态一致性越高，则相互支持程度越强，计算的支持度值也越大，反之则越小。
[0105]
(4)获取证据体可信度函数：可信度函数反映证据体被其他证据体支持的程度，取值范围为[0,1]，其值越大表示证据体的可信度越高。其表达式为：
[0106][0107]
(5)修正初始证据体：将求得的可信度函数作为二次修正的权重，对初始证据体进行二次修正，修正规则如下：
[0108][0109]
(6)根据合成规则进行证据体融合：利用d-s合成规则对二次修正后的证据体进行融合，即：
[0110][0111]
上述实施例，通过综合考虑历史故障数据和试验故障数据构建foct故障图谱，减少了故障图谱的不确定性和局限性，提高了故障图谱的可靠性和全面性，并且从foct故障数据库中提取状态参量作为特征向量，将故障fmea表中每种故障与每个特征向量进行数据融合，得到foct故障图谱，能够为foct关键器件的故障诊断提供支撑，为直流系统的控制保护及运行状态监测提供可靠的测量信息。
[0112]
图5示出了根据本发明实施例的用于构建全光纤电流互感器故障图谱的装置的结构示意图。
[0113]
如图5所示，该装置包括：
[0114]
数据获取单元501，用于获取历史故障数据和试验故障数据；
[0115]
故障数据库单元502，用于对历史故障数据进行故障模式分析后，结合全光纤电流互感器的结构，得到故障fmea表，以及将历史故障数据和试验故障数据融合，得到foct故障数据库；
[0116]
故障图谱单元503，用于从foct故障数据库中提取状态参量作为特征向量，将故障fmea表中每种故障与每个特征向量进行数据融合，得到foct故障图谱。
[0117]
进一步地，对历史故障数据进行故障模式分析，包括：
[0118]
对历史故障数据，按照故障形式、故障部位以及故障原因进行分类统计。
[0119]
进一步地，结合全光纤电流互感器的结构，得到故障fmea表，包括：
[0120]
对故障模式分析后的历史故障数据，按照机械部分、电气部分以及光路部分构建foct故障树，并将foct故障树中不同维度的数据进行分类汇总，得到故障fmea表。
[0121]
进一步地，将历史故障数据和试验故障数据融合，得到foct故障数据库，包括：
[0122]
将历史故障数据和试验故障数据进行清洗；
[0123]
采用数据变换及数据集成对清洗后数据进行融合；
[0124]
采用wdokod算法对融合后数据进行聚类，并采用轮廓系数法对聚类效果进行评
估，得到最优聚类结果；
[0125]
基于最优聚类结果，从融合后数据中剔除离群样本，得到foct故障数据库。
[0126]
进一步地，采用wdokod算法对融合后数据进行聚类，包括：
[0127]
对融合后数据，采用风驱动算法进行迭代，在每次更新空气质点的速度与位置后进行一次k-means聚类。
[0128]
进一步地，基于最优聚类结果，从融合后数据中剔除离群样本，包括：
[0129]
若样本到最优聚类结果聚类中心的距离大于离群样本剔除阈值，则将其划分为离群样本以进行剔除；
[0130]
其中，离群样本剔除阈值f如下所示：
[0131]
f＝qu+1.5(q
n-q
l
)；
[0132]qu
、q
l
分别为样本的上、下四分位数。
[0133]
进一步地，将故障fmea表中每种故障与每个特征向量进行数据融合，包括：
[0134]
基于支持概率距离的d-s证据理论，对于故障fmea表中每种故障与每个特征向量进行数据融合，以建立每种故障与每个特征向量的映射关系。
[0135]
进一步地，状态参量，包括：上升时间、下降时间、脉冲宽度、持续时间、频域谱峰、偏斜度、峰度、时间重心、等效时长、频率重心和等效频宽。
[0136]
上述实施例，通过综合考虑历史故障数据和试验故障数据构建foct故障图谱，减少了故障图谱的不确定性和局限性，提高了故障图谱的可靠性和全面性，并且从foct故障数据库中提取状态参量作为特征向量，将故障fmea表中每种故障与每个特征向量进行数据融合，得到foct故障图谱，能够为foct关键器件的故障诊断提供支撑，为直流系统的控制保护及运行状态监测提供可靠的测量信息。
[0137]
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0138]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述各个实施例所提供的用于构建全光纤电流互感器故障图谱的方法。
[0139]
本发明实施例还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；该处理器，用于从该存储器中读取所述可执行指令，并执行该指令以实现上述各个实施例所提供的用于构建全光纤电流互感器故障图谱的方法。
[0140]
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
[0141]
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
[0142]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0143]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0144]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0145]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0146]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种用于构建全光纤电流互感器故障图谱的方法，其特征在于，所述方法包括：获取历史故障数据和试验故障数据；对所述历史故障数据进行故障模式分析后，结合全光纤电流互感器的结构，得到故障fmea表，以及将所述历史故障数据和所述试验故障数据融合，得到foct故障数据库；从所述foct故障数据库中提取状态参量作为特征向量，将所述故障fmea表中每种故障与每个所述特征向量进行数据融合，得到foct故障图谱。2.根据权利要求1所述的方法，其特征在于，对所述历史故障数据进行故障模式分析，包括：对所述历史故障数据，按照故障形式、故障部位以及故障原因进行分类统计。3.根据权利要求1所述的方法，其特征在于，所述结合全光纤电流互感器的结构，得到故障fmea表，包括：对故障模式分析后的历史故障数据，按照机械部分、电气部分以及光路部分构建foct故障树，并将所述foct故障树中不同维度的数据进行分类汇总，得到故障fmea表。4.根据权利要求1所述的方法，其特征在于，将所述历史故障数据和所述试验故障数据融合，得到foct故障数据库，包括：将所述历史故障数据和所述试验故障数据进行清洗；采用数据变换及数据集成对清洗后数据进行融合；采用wdokod算法对融合后数据进行聚类，并采用轮廓系数法对聚类效果进行评估，得到最优聚类结果；基于所述最优聚类结果，从所述融合后数据中剔除离群样本，得到foct故障数据库。5.根据权利要求4所述的方法，其特征在于，所述采用wdokod算法对融合后数据进行聚类，包括：对融合后数据，采用风驱动算法进行迭代，在每次更新空气质点的速度与位置后进行一次k-means聚类。6.根据权利要求4所述的方法，其特征在于，基于所述最优聚类结果，从所述融合后数据中剔除离群样本，包括：若样本到所述最优聚类结果聚类中心的距离大于离群样本剔除阈值，则将其划分为离群样本以进行剔除；其中，所述离群样本剔除阈值f如下所示：f＝q
u
+1.5(q
n-q
l
)；q
u
、q
l
分别为样本的上、下四分位数。7.根据权利要求1所述的方法，其特征在于，将所述故障fmea表中每种故障与每个所述特征向量进行数据融合，包括：基于支持概率距离的d-s证据理论，对于所述故障fmea表中每种故障与每个所述特征向量进行数据融合，以建立每种故障与每个特征向量的映射关系。8.根据权利要求1所述的方法，其特征在于，所述状态参量，包括：上升时间、下降时间、脉冲宽度、持续时间、频域谱峰、偏斜度、峰度、时间重心、等效时长、频率重心和等效频宽。9.一种用于构建全光纤电流互感器故障图谱的装置，其特征在于，所述装置包括：数据获取单元，用于获取历史故障数据和试验故障数据；
故障数据库单元，用于对所述历史故障数据进行故障模式分析后，结合全光纤电流互感器的结构，得到故障fmea表，以及将所述历史故障数据和所述试验故障数据融合，得到foct故障数据库；故障图谱单元，用于从所述foct故障数据库中提取状态参量作为特征向量，将所述故障fmea表中每种故障与每个所述特征向量进行数据融合，得到foct故障图谱。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现权利要求1-8任一所述的计算方法。11.一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现权利要求1-8任一项所述的计算方法。

技术总结
一种用于构建全光纤电流互感器故障图谱的方法及装置，该方法包括：获取历史故障数据和试验故障数据；对所述历史故障数据进行故障模式分析后，结合全光纤电流互感器的结构，得到故障FMEA表，以及将所述历史故障数据和所述试验故障数据融合，得到FOCT故障数据库；从所述FOCT故障数据库中提取状态参量作为特征向量，将所述故障FMEA表中每种故障与每个所述特征向量进行数据融合，得到FOCT故障图谱。通过本发明实施例提供的方法及装置，提高了故障图谱的可靠性和全面性，能够为FOCT关键器件的故障诊断提供支撑，为直流系统的控制保护及运行状态监测提供可靠的测量信息。状态监测提供可靠的测量信息。状态监测提供可靠的测量信息。


技术研发人员：邱进 吴士普 李辉 吴细秀 王玲 李璿 汪本进 陈晓明 毛安澜 陈程 尹晶 邵苠峰 杜砚 何妍 陈尚
受保护的技术使用者：武汉理工大学 国网冀北电力有限公司 国网冀北电力有限公司电力科学研究院 国家电网有限公司
技术研发日：2023.05.05
技术公布日：2023/8/24