本发明属于电路故障判断领域,具体是一种基于lda算法的故障电弧检测方法。
背景技术:
目前主流的故障判断方法通常是人工选取电流波形的特征,再通过人工选取固定的阈值判断是否属于故障电弧。故障电弧可以进行各种场景、各种负载类型下的模拟,比较容易生成一个较大的样本库。但是,通过人工分析选取阈值的方法,很难充分利用上大样本。
技术实现要素:
为了解决现有技术中存在的上述技术问题,本发明提供了一种基于lda算法的故障电弧识别方法,包括如下步骤:
一、样本特征提取:提取电流平肩时间、电流跳变值比例、1s内电流大幅跳变的次数、1s内电流平均值的标准差这四个主要特征;
二、基于lda算法进行样本训练;
三、在线判断步骤:判断是否属于故障电弧。
进一步的,将一个工频周期内的电流跳变的时间记为tpulse,计算从tpulse后的极值点,极值点时间记为textreme,则电流平肩时间即为:
tflat=textreme-tpulse。
进一步的,δipulse记为电流跳变值,一个工频周期内的采样点数为p,工频周期内的平均电流差:
进一步的,1s内电流大幅跳变的次数记为npulse_num。
进一步的,设每个周期内的电流平均值为
进一步的,步骤二具体为:采集n个包含上述四个主要特征的样本,前n1个样本属于类w1,后面n2个样本属于类w2;
(1)计算各样本均值向量mi,i=1,2
(2)计算类内离散度矩阵si和总的类内离散度矩阵sw
sw=s1+s2;
(3)计算类间离散度矩阵sb
sb=(m1-m2)(m1-m2)t;
(4)计算
进一步的,步骤三具体为:
(1)假设需要某次采样的特征记为s;
(2)计算特征x经过投影后与两类样本的最小距离
d1=min{|wtxi-wts|},xi∈样本w1;
d2=min{|wtxi-wts|},xi∈样本w2;
(3)如果d1<d2则预测结果属于d1类,即属于故障电弧;如果d1>=d2则预测结果属于d2类,即属于非故障电弧。
本发明的基于lda算法的故障电弧识别方法,充分利用了大样本,避免了人工选取阈值的方式。
具体实施方式
下面对本发明作进一步说明。
本发明的基于lda算法的故障电弧识别方法,包括如下步骤:
1.样本特征提取
提取如下a、b、c、d等4个主要特征:
电流平肩时间(特征a):由于实际中大部分场景会有其他负载,无法直接测出电流平肩时间。本发明将一个工频周期(20ms)内的电流跳变的时间记为tpulse,再计算从tpulse后的极值点,极值点时间记为textreme。则电流平肩时间即为:
tflat=textreme-tpulse
电流跳变值比例(特征b):δipulse记为电流跳变值,一个工频周期内的采样点数为p,、工频周期内的平均电流差:
1s内电流大幅跳变的次数(特征c):由于开关电源等电器正常使用的过程中每个周期都会发生电流跳变的情况。而通常故障电弧的一个特点是持续时间短,断断续续,因此电流跳变次数作为一个特征:npulse_num;
1s内电流平均值的标准差(特征d):设每个周期内的电流平均值为
2.基于lda算法的样本训练(投影向量计算步骤)
采集n个包含上述4维特征的样本,前n1个样本属于类w1(故障电弧),后面n2个样本属于类w2(非故障电弧);
(5)计算各样本均值向量mi,i=1,2
(6)计算类内离散度矩阵si和总的类内离散度矩阵sw
sw=s1+s2
(7)计算类间离散度矩阵sb
sb=(m1-m2)(m1-m2)t
(8)计算
3.在线判断步骤(判断是否属于故障电弧)
(4)假设需要某次采样的特征记为s;
(5)计算特征x经过投影后与两类样本的最小距离
d1=min{|wtxi-wts|},xi∈样本w1
d2=min{|wtxi-wts|},xi∈样本w2
(6)如果d1<d2则预测结果属于d1类,即属于故障电弧;如果d1>=d2则预测结果属于d2类,即属于非故障电弧。