[发明专利]基于电流特征提取的故障电弧识别方法

权利要求书

1.一种基于电流特征提取的故障电弧识别方法，其特征在于：先采用正常状态和产生故障电弧状态时的回路电流所对应的小波能量训练BP神经网络而得到基于电流特征的BP分类网络，再利用所述BP分类网络进行故障电弧识别。

2.根据权利要求1所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述基于电流特征提取的故障电弧识别方法包括如下步骤：

步骤1：选择回路电流作为特征采样信号，分别采集不同负载下在正常状态和产生故障电弧状态时的回路电流信号构成电流数据；

步骤2：对各所述回路电流信号进行小波分解，并计算得对应的各频段的小波能量，基于所述各频段的小波能量得到分析特征量；

步骤3：将各分析特征量归一化后按比例分别设置为训练样本和测试样本；

步骤4：搭建BP神经网络，利用所述训练样本和所述测试样本对所述BP神经网络进行训练和优化后，完成所述BP神经网络的构建，得到基于电流特征的BP分类网络；

步骤5：利用所述BP分类网络进行故障电弧识别。

3.根据权利要求2所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述步骤2包括以下子步骤：

子步骤21：取离散尺度n，对所述回路电流信号进行n层小波分解，得到不同频段的重构信号；

子步骤22：基于所述不同频段的重构信号并根据小波包系数计算所述各频段的小波能量；

子步骤23：利用所述各频段的小波能量构造电弧电流信号的能量谱特征向量，将电弧电流信号的能量谱特征向量作为所述分析特征量。

4.根据权利要求3所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述子步骤21中，选用db5小波对所述回路电流信号进行5层小波分解，得到6个频段的所述重构信号。

5.根据权利要求3所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述子步骤22中，利用计算所述各频段的小波能量E_i,j，其中，S_i,j(t)为小波分解的第i层第j个节点，d_j,k为S_i,j(t)的小波系数。

6.根据权利要求3所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述子步骤23中，构造电弧电流信号的能量谱特征向量P＝[ED₁,ED₂,ED₃,ED₄,ED₅,EA₅]，其中ED₁为第一层分解后高频段的小波能量，ED₂为第二层分解后高频段的小波能量，ED₃为第三层分解后高频段的小波能量，ED₄为第四层分解后高频段的小波能量，ED₅为第五层分解后高频段的小波能量，EA₅为第五层分解后低频段的小波能量。

7.根据权利要求2所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述步骤3中，对所述分析特征量进行归一化的方法采用极差归一化。

8.根据权利要求2所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述步骤4包括以下子步骤：

子步骤41：设置所述BP神经网络的输入神经元数；

子步骤42：设置所述BP神经网络的初始权值，从而得到所述BP神经网络；

子步骤43：使用所述训练样本训练并优化所述BP神经网络，修正所述权值；使用所述测试样本测试所述BP神经网络，通过测试后完成所述BP神经网络的构建。

9.根据权利要求8所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述子步骤41中，所述输入神经元数与所述分析特征量的维数相同。

10.根据权利要求8所述的基于电流特征提取的故障电弧识别方法，其特征在于：所述子步骤42中，使用所述训练样本对受限玻尔兹曼机采用对比散度CD-1算法进行预训练，得到所述受限玻尔兹曼机的隐层与可见层之间的权值参数作为所述BP神经网络的初始权值。