[发明专利]一种多信息融合故障电弧检测方法及装置

摘要

本发明公开了一种多信息融合故障电弧检测方法及装置，该故障电弧检测方法的基础是搭建故障电弧模拟试验平台，用于采集和分析不同负载时的正常工作状态和故障电弧状态时的电流波形数据，提取两者的特性差异。采用超闭球CMAC神经网络将三种能够明显区分正常工作状态和故障电弧状态的电流特征判据相融合，以达到准确检测故障电弧，减少或消除故障电弧危害的目的。该方法合理利用超闭球CMAC神经网络，设计了能有效检测故障电弧的方法，具有适用于多种负载电路的特点。

主权项

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。