[发明专利]一种多信息融合故障电弧检测方法及装置

权利要求书

1.一种多信息融合故障电弧检测方法，包括：

利用实验平台采集故障电弧样本数据；

对所采集的电弧故障样本数据进行特征分析，获得每个电弧故障样本数据对应的特征数据，所述特征数据具体包括电流各周期采样点均值、电流波形斜率和小波变换高频系数三个特征向量；

利用所述电弧故障样本数据对应的特征向量，建立并训练得到超闭球CMAC神经网络；

利用所得到的超闭球CMAC神经网络来检测电弧故障；

其中，所述利用所述电弧故障样本数据对应的特征向量，建立并训练得到超闭球CMAC神经网络具体包括：

步骤1、确定所述三个特征向量中的每一组输入数据对应的输出数据；

所述步骤1包括：

步骤1-1、采集线电流波形并对其进行处理，获得所述三个特征向量；

步骤1-2、确定每一组特征向量数据对应的电弧故障概率，建立三输入单输出的输入输出样本数据库，并对输入数据进行归一化处理：

其中，表示输入数据，分别表示输入数据的最小值和最大值，Max和Min是样本数据归一化处理所设定的数据上限值和下限值；

步骤1-3、将样本数据分为两组：训练样本和检验样本，使用训练样本数据对超闭球CMAC神经网络离线训练，获得各节点的权系数，使用检验样本检验训练后的超闭球CMAC神经网络的学习精度和泛化能力；

步骤2、确定超闭球CMAC神经网络的三维有界输入空间，以及所述三维有界输入空间中每一维的量化级数QL和量化网格间隔，所述三维有界输入空间中的每一维包括最大值和最小值，分别对应所述三个特征向量之一的上下界；

步骤3、根据所确定的超闭球CMAC神经网络的每一维的量化级数QL和量化网格间隔对所述超闭球CMAC神经网络的输入空间画网格，确定网格交点为所述超闭球CMAC神经网络的节点；

步骤4、确定以所述超闭球CMAC神经网络的节点为球心的超闭球半径和超闭球的基函数参数，基函数参数越大泛化能力越好，精度越差，超闭球半径越小精度越好，泛化能力越差；

步骤5、根据所述输入数据训练样本训练所述超闭球CMAC神经网络，得到包含所述节点的超闭球CMAC神经网络的输出；

步骤6、计算所述输入数据训练样本对应的超闭球CMAC神经网络输出数据与检验样本超闭球CMAC神经网络的输出数据之间的误差；

步骤7、如果误差大于预定值，则修正所述超闭球CMAC神经网络节点的权系数向量，并重复步骤5和6，直至误差小于预定值。

2.如权利要求1所述的方法，其中，所述步骤2中每一维的量化级数QL如下确定：

QL＝(Max-Min)/Δ

其中，Max、Min分别为所述量化级数QL对应的有界输入空间当前维的最大值和最小值，Δ为量化网格间隔。

3.如权利要求1所述的方法，其中，所述步骤5中所述超闭球CMAC神经网络的输出如下表示：

其中，为所述输入数据x_k对应的所述超闭球CMAC神经网络的输出；B(x_k)＝diag[b₁(x_k),b₂(x_k),…,b_L(x_k)]是所述超闭球CMAC神经网络节点对应的超闭球的基函数矩阵，q＝[q₁,q₂,…,q_L]^T是权系数向量，S_k＝[S_k,l]_L×1是权系数选择向量，所述输入数据x_k对应神经网络节点的权系数选择向量取值为1，其他神经网络节点的权系数选择向量取值为0。

4.如权利要求3所述的方法，其中，所述超闭球CMAC神经网络节点对应的超闭球的基函数矩阵中的基函数如下计算：

其中，b_j(x_k)为第j个超闭球的基函数，p_j为第j个超闭球的球心，R_b是超闭球半径，σ为基函数参数。