有較高的可 靠性。因此，使用HCMAC能綜合分析故障電弧特征，達到準確區分干擾負載，提高判斷電弧 故障準確度的目的。
[0077] 本發明的有益效果
[0078] 1、利用超閉球CMAC神經網絡能夠準確辨識故障電弧，區分干擾負載；
[0079] 2、三種電流特征判據信息融合，彌補單一判據對故障電弧辨識的缺陷；
[0080] 3、該故障電弧檢測方法適用于多種負載電路。
[0081] 本發明的故障電弧檢測方法在通過故障電弧模擬試驗平臺獲取大量試驗數據的 基礎上，借助MATLAB軟件平臺計算電流波形各周期采樣點均值、電流波形斜率分別作為判 據一和判據二；利用小波變換Mallat算法分解故障電弧提取第一層小波變換高頻系數作 為判據三。采用超閉球CMAC神經網絡將三種能明顯辨識故障電弧的三種特征判據處理后 相融合，以準確區分干擾負載，能夠準確判斷故障電弧。
[0082] 以上所述的具體實施例，對本發明的目的、技術方案和有益效果進行了進一步詳 細說明，應理解的是，以上所述僅為本發明的具體實施例而已，并不用于限制本發明，凡在 本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護 范圍之內。
【主權項】
1. 一種多信息融合故障電弧檢測方法，包括： 利用實驗平臺采集故障電弧樣本數據； 對所采集的電弧故障樣本數據進行特征分析，獲得每個電弧故障樣本數據對應的特征 數據，所述特征數據具體包括電流各周期采樣點均值、電流波形斜率和小波變換高頻系數 三個特征向量； 利用所述電弧故障樣本數據對應的特征向量，建立并訓練得到超閉球CMC神經網絡； 利用所得到的超閉球CMC神經網絡來檢測電弧故障。2. 如權利要求1所述的方法，其中，所述利用所述電弧故障樣本數據對應的特征向量， 建立并訓練得到超閉球CMC神經網絡具體包括： 步驟1、確定所述三個特征向量中的每一組輸入數據對應的輸出數據； 步驟2、確定超閉球CMAC神經網絡的三維有界輸入空間，以及所述三維有界輸入空間 中每一維的量化級數QL和量化網格間隔，所述三維有界輸入空間中的每一維包括最大值 和最小值，分別對應所述三個特征向量之一的上下界； 步驟3、根據所確定的超閉球CMC神經網絡的每一維的量化級數QL和量化網格間隔對 所述超閉球CMC神經網絡的輸入空間畫網格，確定網格交點為所述超閉球CMC神經網絡 的節點； 步驟4、確定以所述超閉球CMC神經網絡的節點為球心的超閉球半徑和超閉球的基函 數參數； 步驟5、根據所述輸入數據訓練所述超閉球CMC神經網絡，得到所述超閉球CMC神經 網絡的輸出； 步驟6、計算所述輸入數據對應的輸出數據與所述超閉球CMC神經網絡的輸出之間的 誤差； 步驟7、如果誤差大于預定值，則修正所述超閉球CMC神經網絡節點的權系數向量，并 重復步驟5和6,直至誤差小于預定值。3. 如權利要求2所述的方法，其中，所述步驟2中每一維的量化級數QL如下確定： QL = (Max-Min)/Δ 其中，Max、Min分別為所述量化級數QL對應的有界輸入空間當前維的最大值和最小 值，△為量化網格間隔。4. 如權利要求2所述的方法，其中，所述步驟4中所述超閉球CMC神經網絡的輸出如 下表示：其中，Λ為所述輸入數據Xk對應的所述超閉球CMAC神經網絡的輸出；B(Xk)= (IiagIib1(Xk), b2 (xk)，…，bL (Xk)]是所述超閉球CMAC神經網絡節點對應的超閉球的基函數矩 陣，q= [qi，q2，*"，qJT是權系數向量，Sk=隊^…是權系數選擇向量^斤述輸入數據、 對應神經網絡節點的權系數選擇向量取值為1，其他神經網絡節點的權系數選擇向量取值 為0〇5. 如權利要求4所述的方法，其中，所述超閉球CMC神經網絡節點對應的超閉球的基 函數矩陣中的基函數如下計算：其中，bjOO為第j個超閉球的基函數，Pj為第j個超閉球的球心，Rb是超閉球半徑， 〇為基函數參數。6. 如權利要求4所述的方法，其中所述步驟6中如下方式修正所述超閉球CMAC神經網 絡節點的權系數向量：其中，為修正后的權系數，qkl為修正前的權系數，Aqkl為相鄰權值的差；α、β 是常數，ek i為所述輸入數據對應的輸出數據與所述超閉球CMC神經網絡的輸出之間的誤 差。7. -種多信息融合故障電弧檢測裝置，包括： 樣本數據獲取模塊，利用實驗平臺采集故障電弧樣本數據； 特征向量獲取模塊，對所采集的電弧故障樣本數據進行特征分析，獲得每個電弧故障 樣本數據對應的特征數據，所述特征數據具體包括電流各周期采樣點均值、電流波形斜率 和小波變換高頻系數三個特征向量； 神經網絡訓練模塊，利用所述電弧故障樣本數據對應的特征向量，建立并訓練得到超 閉球CMAC神經網絡； 電弧故障檢測模塊，利用所得到的超閉球CMC神經網絡來檢測電弧故障。8. 如權利要求7所述的裝置，其中，所述神經網絡訓練模塊如下利用所述電弧故障樣 本數據對應的特征向量，建立并訓練得到超閉球CMAC神經網絡： 確定所述三個特征向量中的每一組輸入數據對應的輸出數據； 確定超閉球CMAC神經網絡的三維有界輸入空間，以及所述三維有界輸入空間中每一 維的量化級數QL和量化網格間隔，所述三維有界輸入空間中的每一維包括最大值和最小 值，分別對應所述三個特征向量之一的上下界； 根據所確定的超閉球CMC神經網絡的每一維的量化級數QL和量化網格間隔對所述 超閉球CMC神經網絡的輸入空間畫網格，確定網格交點為所述超閉球CMC神經網絡的節 占 . 確定以所述超閉球CMC神經網絡的節點為球心的超閉球半徑和超閉球的基函數參 數； 根據所述輸入數據訓練所述超閉球CMC神經網絡，得到所述超閉球CMC神經網絡的 輸出； 計算所述輸入數據對應的輸出數據與所述超閉球CMC神經網絡的輸出之間的誤差； 如果誤差大于預定值，則修正所述超閉球CMC神經網絡節點的權系數向量，并重復前 兩個步驟，直至誤差小于預定值。9. 如權利要求8所述的裝置，其中，所述每一維的量化級數QL如下確定： QL = (Max-Min)/ Λ 其中，Max、Min分別為所述量化級數QL對應的有界輸入空間當前維的最大值和最小 值，△為量化網格間隔D10.如權利要求8所述的裝置，其中，所述超閉球CMC神經網絡的輸出如下表示：其中，λ為所述輸入數據Xk對應的所述超閉球CMAC神經網絡的輸出；B(Xk)= (IiagIib1(Xk), b2 (xk)，…，bL (Xk)]是所述超閉球CMAC神經網絡節點對應的超閉球的基函數矩 陣，q= [qi，q2，*"，qJT是權系數向量，Sk=隊^…是權系數選擇向量^斤述輸入數據、 對應神經網絡節點的權系數選擇向量取值為1，其他神經網絡節點的權系數選擇向量取值 為0〇
【專利摘要】本發明公開了一種多信息融合故障電弧檢測方法及裝置，該故障電弧檢測方法的基礎是搭建故障電弧模擬試驗平臺，用于采集和分析不同負載時的正常工作狀態和故障電弧狀態時的電流波形數據，提取兩者的特性差異。采用超閉球CMAC神經網絡將三種能夠明顯區分正常工作狀態和故障電弧狀態的電流特征判據相融合，以達到準確檢測故障電弧，減少或消除故障電弧危害的目的。該方法合理利用超閉球CMAC神經網絡，設計了能有效檢測故障電弧的方法，具有適用于多種負載電路的特點。
【IPC分類】G01R31/12
【公開號】CN105425118
【申請號】CN201510719178
【發明人】石嘉川, 段培永, 譚秋秋, 張潔玨, 崔沖, 顏世甲
【申請人】山東建筑大學
【公開日】2016年3月23日
【申請日】2015年10月29日