筛选后得到的N个候 选故障特征子集满足了最大相关和最小冗余的特性要求，从而有效地减少了故障特征样本 中的噪音成分，进一步降低了特征维数，提高了筛选的效果，进而提高了后续得到的最优故 障特征子集与发生故障的实际原因之间的吻合度，并进一步减少了后续的计算量。综上可 见，本发明实现了对开关柜发生故障时相应的故障特征进行准确有效的识别，方便了后续 的诊断维修工作。
【附图说明】
[0043] 为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据 提供的附图获得其他的附图。
[0044] 图1为本发明实施例公开的一种开关柜故障特征选择方法流程图；
[0045] 图2为本发明实施例公开的一种具体的开关柜故障特征选择方法流程图；
[0046] 图3为本发明实施例公开的一种开关柜故障特征选择装置结构示意图；
[0047] 图4为本发明实施例公开的一种具体的开关柜故障特征选择装置结构示意图。
【具体实施方式】
[0048] 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。
[0049] 本发明实施例公开了一种开关柜故障特征选择方法，参见图1所示，该方法包括：
[0050] 步骤Sll :从发生故障的开关柜中提取出故障特征集，故障特征集包括M个样本， 每个样本均包括N个故障特征，其中，M和N均为正整数；
[0051] 步骤S12:基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行 排序，得到已排序的待选故障特征子集；
[0052] 步骤S13 :基于mRMR准则，并利用增量搜索法，对待选故障特征子集进行筛选，得 到N个候选故障特征子集；
[0053] 步骤S14:计算N个候选故障特征子集中每一个候选故障特征子集的分类正确率， 将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特征子集。
[0054] 本发明实施例中，通过对发生故障的开关柜进行特征集提取处理，得到故障特征 集；然后基于故障特征重要程度的排序原则，对故障特征集的N个故障特征进行排序；接着 基于mRMR准则，并利用增量搜索法，对排序后得到的待选故障特征子集进行筛选，得到N个 候选故障特征子集；最后对上述N个候选故障特征子集中的每一个候选故障特征子集进行 分类正确率的计算，并将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特 征子集。
[0055] 由上可见，本发明实施例通过事先基于故障特征重要程度的排序原则，对故障特 征集中的故障特征进行排序，从而实现了故障特征的降维，也由此大大降低了后续筛选等 过程的计算量，然后基于mRMR准则，并利用增量搜索法，对排序后得到的待选故障特征子 集进行筛选，得到了 N个候选故障特征子集，由于是基于mRMR准则对待选故障特征子集进 行筛选的，所以筛选后得到的N个候选故障特征子集满足了最大相关和最小冗余的特性要 求，从而有效地减少了故障特征样本中的噪音成分，进一步降低了特征维数，提高了筛选的 效果，进而提高了后续得到的最优故障特征子集与发生故障的实际原因之间的吻合度，并 进一步减少了后续的计算量。综上可见，本发明实施例实现了对开关柜发生故障时相应的 故障特征进行准确有效的识别，方便了后续的诊断维修工作。
[0056] 本发明实施例公开了一种具体的开关柜故障特征选择方法，参见图2所示，相对 于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体如下：
[0057] 上一实施例中步骤S12的过程具体可以包括：
[0058] 步骤S121 :利用M个样本中每个样本的特征向量，构造相应的近邻图；
[0059] 步骤S122 :计算近邻图的MXM阶相似矩阵；
[0060] 步骤S123 :利用MXM阶相似矩阵，计算故障特征集的N个故障特征中每个故障特 征的重要程度系数；
[0061] 步骤S124 :根据每个故障特征的重要程度系数的大小顺序，对故障特征集的N个 故障特征进行排序，得到待选故障特征子集。
[0062] 上述步骤S123具体过程为：利用MXM阶相似矩阵，计算故障特征集的N个故障特 征中每个故障特征的拉普拉斯分值，相应地得到N个拉普拉斯分值；
[0063] 上述步骤S124具体过程为：按照上述N个拉普拉斯分值中每个拉普拉斯分值的大 小顺序，相应地对N个故障特征进行排序，得到待选故障特征子集。
[0064] 上一实施例中步骤S13具体包括：
[0065] 步骤S131 :从待选故障特征子集中挑选出满足第一筛选条件的一个故障特征，并 将该故障特征确定为第一候选故障特征子集，第一筛选条件为基于故障特征与目标故障类 型之间的相关性得到的筛选条件；
[0066] 步骤S132 :将第一候选故障特征子集确定为当前候选故障特征子集；
[0067] 步骤S133 :将当前候选故障特征子集中的故障特征从待选故障特征子集中剔除， 得到剔除后待选故障特征子集；
[0068] 步骤S134 :从剔除后待选故障特征子集中挑选出满足第二筛选条件的一个故障 特征，并将该故障特征合并至当前候选故障特征子集，得到最新候选故障特征子集，第二筛 选条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相关性得到的 筛选条件；
[0069] 步骤S135 :将最新候选故障特征子集确定为当前候选故障特征子集，并转至步骤 S133,直到最新候选故障特征子集中的故障特征的数量为N。
[0070] 本实施例中，优选的第一筛选条件为：
[0071] max[I (sk；T)]；
[0072] 其中，I (sk;T)表示故障特征s ,与目标故障类型T之间的相关性。
[0073] 优选的第二筛选条件为：
[0074]
[0075] 其中，Sni i表示当前候选故障特征子集，S-Sni i表示剔除后待选故障特征子集，&表 示Sm i中的故障特征，S t表示S-Sm i中的故障特征，其中，m = 2,. . .，N，I (s t;T)表示故障 特征8,与目标故障类型T之间的相关性，I (s t;s k)表示故障特征St与故障特征s k之间的 相关性。
[0076] 上一实施例中步骤S14的具体过程为：
[0077] 步骤S141 :利用SVM分类算法（SVM，即Support Vector Machine，支持向量机）， 对N个候选故障特征子集中的每一个候选故障特征子集的分类正确率进行测试，相应地得 到N个分类正确率；
[0078] 步骤S142 :将N个分类正确率中数值最大的分类正确率所对应的候选故障特征子 集确定为最优故障特征子集。
[0079] 本发明实施例公开了一种更具体的开关柜故障特征选择方法，具体如下：
[0080] 从发生故障的开关柜中提取出故障特征集，故障特征集包括M个样本，每个样本 均包括N个故障特征，利用4表示第i个样本的第r个特征，其中，M和N均为正整数，i = 1，…，M，r = 1，…，N ;
[0081] 利用上述M个样本中每个样本的特征向量^，构造相应的近邻图，并进一步计算该 近邻图的MXM阶相似矩阵P，矩阵元素 Plj为：
[0082]
[0083] 其中，。为常数，I卜Il表示欧氏距离，i，j = l，...，M。
[0084] 利用上述MXM阶相似矩阵，计算故障特征集的N个故障特征中每个故障特征的拉 普拉斯分值，相应地得到N个拉普拉斯分值；其中，第r个故障特征的拉普拉斯分值的计算 公式为·
[0085]
[0086] 上式中，fr= (f lr，f2r，·