1.一种基于野狗优化算法的输电线路雷击故障特征提取方法，其特征在于：包括以下步骤：Step1：采集待识别的原始输电线路故障三相电压信号UA、UB、UC；

Step2：将Step1采集到的输电线路故障三相电压信号采用相模变换技术进行解耦；

相模变换解耦的公式为：

式中，U0、U1、U2分别为解耦后的0模分量、1模分量、2模分量；

Step3：1模分量和2模分量被称为线模分量，选取线模行波分量来对故障行波进行特征提取，以选取1模分量U1为例进行故障行波特征的提取，利用辛几何模态分解对U1进行分解，获得辛几何分量SGC1、SGC2、SGC3......SGCn；n代表辛几何分解得到的辛几何分量的个数；

Step4：计算辛几何分量的中心频率及其与原始故障信号的相关系数，根据相关系数来选取有效分量，并将含噪分量舍弃；

Step5：计算Step4中得出的故障行波有效辛几何分量的多尺度排列熵，假设SGC1和SGC2是Step4中得出的两个相关系数最大的有效分量，计算SGC1和SGC2的多尺度排列熵o1和o2；

Step6：计算Step4中得出的故障行波有效辛几何分量的辛几何熵，在此依然假设SGC1和SGC2是Step4中得出的两个相关系数最大的有效分量，计算SGC1和SGC2的辛几何熵q1和q2；

Step7：将Step5中得到的多尺度排列熵o1、o2和Step6中得到的辛几何熵q1、q2组合成新的四维特征向量eigenvector＝[o1,o2,q1,q2]；

Step8：将Step7中得到的特征向量eigenvector输入到随机森林分类器中，进行故障分类识别。

2.根据权利要求1所述的一种基于野狗优化算法的输电线路雷击故障特征提取方法，其特征在于，Step3中所述辛几何模态分解的步骤如下：Step3.1：设原始故障行波信号U1时间序列为x＝x1,x2,x3,…,xr，其中r为数据长度；由Takens嵌入定理可知，多维信号可以通过对一维信号采用时间序列延迟拓扑等价的方法进行重构，得到轨迹矩阵X；

其中d为嵌入维数，τ为延迟时间且τ＝1，m＝r－(d－1)τ；

T

Step3.2：根据Step3.1得到的轨迹矩阵X构造哈密顿矩阵M， A＝XX；

Step3.3：计算矩阵A的特征值λi和矩阵A特征值对应的特征向量Qi，i＝1，2，…，d；

Step3.4：计算变换系数矩阵Si， 通过公式Zi＝QiSi，i＝1，

2，…，d，得到相应的重构矩阵 则轨迹矩阵X＝X1+X2+…+Xd；

Step3.5：通过对角平均变换将Xi转换为长度为r的时间序列Yi＝y1，y2，…yr，i＝1，

2，…，d，由此得到d个长度为r的时间序列，即d个初始分量，其和为一维时间序列x＝x1，x2，…，xr；上述过程的具体步骤为：* *

对于矩阵Xi中的元素xij；1≤i≤m，1≤j≤d，令d ＝min(m,d)，m ＝max(m,d)，r＝m+(d‑

1)τ，则相对应的时间序列Yi中的元素yk计算如下：其中，如果m＜d，令

3.根据权利要求1所述的一种基于野狗优化算法的输电线路雷击故障特征提取方法，其特征在于，Step4包括以下步骤：分别将与原始信号相关系数较大和较小的模态分量称为有效分量和含噪分量；

相关系数的计算公式如下：

式中，SGCe代表U1经过辛几何模态分解后的第e个分量，e＝1,2,3,…,n；

根据相邻分量与原始故障行波信号相关系数的差值比来确定有效分量和含噪分量，判断条件如下：

4.根据权利要求1所述的一种基于野狗优化算法的输电线路雷击故障特征提取方法，其特征在于，Step5包括以下步骤：Step5.1将两个时间序列SGC1(X＝{x11,x12,x13,…,x1r})和SGC2(X＝{x21,x22,x23,…,x2r})进行粗细化处理，得到：其中，j＝1,2,3,…,[r/s]，[r/s]代表对r/s进行向下取整，s代表经野狗优化算法DOA优化的尺度因子；

Step5.2将经过Step5.1粗细化后得到的新序列进行重构：其中，b表示嵌入维数，λ表示延迟时间，b和λ两个参数均经过野狗优化算法的参数寻优，l表示重构分量；

l＝1,2,…,r‑(b‑1)λ

Step5.3对进行新序列重构的公式按照升序的方式进行排列，每一个粗细化的序列都能得到一组新的序列s(v)＝(l1,l2,…,lb)，其中v＝1,2,…,V；V≤b！，s(v)的数目与重构序列b！的数目一致；

Step5.4计算不同尺度下的排列熵：

其中，Pv为第v次符号序列出现的概率；由上式得：HP(b)取最大值ln(b！)时， 对HP(b)进行归一化可得：

5.根据权利要求4所述的一种基于野狗优化算法的输电线路雷击故障特征提取方法，其特征在于，Step5中利用野狗优化算法对最优的尺度因子s、嵌入维数b、延迟时间λ寻优的具体步骤为：首先将时间序列SGC1(X＝{x11,x12,x13,…,x1r})带入未经参数优化的多尺度排列熵模型，选用多尺度排列熵峰度的平方函数作为适应度函数，然后根据野狗优化算法，不断更新新的[s、b、λ]组合，然后分别计算每次更新后的适应度值，比较所有适应度值的大小，将最小的适应度值对应的[s、b、λ]组合作为多尺度排列熵算法的最优参数组合，构建新的经野狗优化算法优化的多尺度排列熵算法；上述参数优化过程的适应度函数的产生过程为：将时间序列X＝{xi,i＝1,2,...,r}所有尺度下的排列熵组成序列Hp(X)＝{Hp(1),Hp(2),…,Hp(s)}，多尺度排列熵的峰度计算公式为：上式中， 表示序列Hp(X)的均值； 表示序列Hp(X)的标准差；E(·)表示求期望；

多尺度排列熵峰度的平方函数为：

2

F(X)＝Kurt。

6.根据权利要求5所述的一种基于野狗优化算法的输电线路雷击故障特征提取方法，其特征在于，所述野狗优化算法的具体步骤为：(1)种群初始化

野狗种群在搜索边界内随机初始化：

其中，lbi和ubi分别表示个体的上下界，randi是[0,1]之间的随机数，i代表第i只野狗；

(2)策略一：群体攻击

捕食者使用高度智能的狩猎技术，野狗通常单独捕食小猎物，但当捕食大猎物，野狗能找到猎物的位置并将其包围，其行为如下式所示：其中，t代表当前的迭代次数， 是野狗新位置；na是在[2,SizePop/2]的逆序中生成的随机整数，其中SizePop是野狗种群的规模； 是将攻击的野狗的子集，k表示第k个野狗种群，其中 xi(t)是随机生成的野狗种群； 是上一次迭代中发现的最佳野狗；β1是在[‑2,2]内均匀生成的随机数，它是一个比例因子，可改变野狗轨迹的大小；

(3)策略二：迫害攻击

野狗通常捕猎小猎物，直到单独捕获为止；下式模拟了这种行为：其中， 是野狗新位置， 是上一次迭代中发现的最佳野狗，β1的值与式策略一式中的值相同，β2是在[‑1,1]区间内均匀生成的随机数，r1是在从1到最大搜索代理大小的区间内生成的随机数， 是随机选择的第r1个野狗，其中i≠r1；

(4)策略三：清扫

清扫行为被定义为当野狗在它们的栖息地随意行走时找到腐肉吃的行为；下式用于模拟这种行为：其中， 是野狗的新位置，r1是在从1到最大搜索代理大小的区间内生成的随机数， 是随机选择的第r1个野狗，其中i≠r1，σ是算法随机生成的二进制数，σ∈[0,1]；

(5)策略四：野狗的存活率

在DOA中，野狗的存活率值由下式给出：

其中，fitnessmax和fitnessmin分别是当前一代中最差和最佳的适应度值，而fitness(i)是第i个野狗的当前适应度值；上式中的生存向量包含[0,1]区间内的归一化适应度；下式通过策略三应用于低生存率：其中， 是将被更新的生存率较低的野狗，r1和r2是在从1到搜索代理的最大大小的区间内生成的随机数，r1≠r2， 和 是随机选择的第r1、r2个野狗。

7.根据权利要求2所述的一种基于野狗优化算法的输电线路雷击故障特征提取方法，其特征在于，Step6包括以下步骤：在Step3中由轨迹矩阵X构造的实对称矩阵A特征值λi，i＝1，2，…，d，λi的分布代表了矩阵A的谱分布，则能量在不同方向上分布的概率定义为P1,P2,P3,…,Pd；计算公式为：其中，d代表嵌入维数，0≤pi≤1， pi描述了熵在不同方向的不确定性；因此，得到辛几何熵的定义为：