[发明专利]一种基于LDA算法的故障电弧检测方法

权利要求书

1.一种基于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。

2.如权利要求1所述的基于LDA算法的故障电弧识别方法，其特征在于：

将一个工频周期内的电流跳变的时间记为t_pulse，计算从t_pulse后的极值点，极值点时间记为t_extreme，则电流平肩时间即为:

t_flat＝t_extreme-t_pulse。

3.如权利要求1所述的基于LDA算法的故障电弧识别方法，其特征在于：

Δi_pulse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：则电流跳变比例计算如下：

4.如权利要求1所述的基于LDA算法的故障电弧识别方法，其特征在于：

1s内电流大幅跳变的次数记为N_{pulse_num}。

5.如权利要求1所述的基于LDA算法的故障电弧识别方法，其特征在于：

设每个周期内的电流平均值为记为N个周期内的平均值(N＝50)，则1s内电流平均值的标准差标准差值为：

6.如权利要求1所述的基于LDA算法的故障电弧识别方法，其特征在于：

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m_i,i＝1,2

x为样本；

(2)计算类内离散度矩阵S_i和总的类内离散度矩阵S_w

S_w＝S₁+S₂；

(3)计算类间离散度矩阵S_b

S_b＝(m₁-m₂)(m₁-m₂)^T；

(4)计算的最大特征向量，记为w,w即为所求的核心投影向量。

7.如权利要求6所述的基于LDA算法的故障电弧识别方法，其特征在于：

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{|w^Tx_i-w^Ts|},x_i∈样本w₁；

d₂＝min{|w^Tx_i-w^Ts|},x_i∈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。