[发明专利]一种基于集成机器学习的故障电弧检测方法

权利要求书

1.一种基于集成机器学习的故障电弧检测方法，该方法包括：

在低压交流供电系统下，对回路中不同负载独自工作和并联工作时的正常和故障电流进行采集，其中由于故障电弧的燃烧程度不同，同一负载下的故障电弧电流随机性更为明显；

对采集到的电流信号进行时域特征提取，将各个时域特征提取出来以后组成特征矩阵，代替电流信号进行模型参数寻优及训练；

利用提取出的时域特征矩阵进行机器学习算法决策树的参数寻优，使用网格搜索法寻找决策树最大深度、最大特征数的最佳参数；

利用寻找到的最佳参数和时域特征矩阵对使用boosting框架和bagging框架的集成算法进行参数寻优，其中基于boost框架的算法包括Adaboost框架和XGboost算法，基于bagging框架的算法包括随机森林和极限树算法。Adaboost和随机森林每棵树最佳参数按照上述参数寻优算法得出的最优参数进行选择，另对最佳基学习器个数进行寻优，XGboost和极限树算法寻优参数包括：最大深度、最大特征数以及最佳基学习器个数；

将寻找到最优参数的集成算法作为Stack模型融合算法的初级学习器，次级学习器选择Logistic回归算法，将时域特征矩阵作为输入进行Stack模型参数训练；

保存训练好的Stack模型参数，将该模型作为故障检测算法对回路中的电弧故障进行检测。

2.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，所属在低压交流供电系统下，对回路中的正常和故障电流进行采集，将电流的每个周期作为一个样本进行特征提取与故障识别。

3.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，将每个电流周期作为一个样本，对每个样本进行时域特征提取，提取的特征包括电流平均值、电流方差、电流极差和电流中位数。

4.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，将提取出的时域特征组成特征矩阵并为正常和故障样本打上相应标签，利用有监督的机器学习算法对电路中是否存在故障电弧进行进一步检测。

5.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，将有标签的样本集划分为10个子集进行带有交叉验证的网格搜索，对决策树的最大深度何最大特征数进行寻优，将故障电弧的正确检测率作为判决准则，最终确定决策树的最优参数。

6.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，将具有最优参数的决策树作为Adaboost和随机森林的基学习器，对上述两种算法的最佳基学习器个数和学习率进行参数寻优。

7.根据权利要求1所述的一种基于Stack模型融合的低压交流供电系统下的串联故障电弧检测方法，其特征在于，对于Adaboost算法何随机森林算法，将上述决策树寻优结果中的最大深度和最大特征数作为单个树的最佳参数，再对其最大基学习器个数进行寻优；对XGboost和极限树算法的最大深度、最佳基学习器个数进行参数寻优。

8.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，将上述Adaboost、随机森林、XGboost以及极限树作为Stack模型融合的初级学习器，对电路中是否存在故障电弧进行检测，Stack算法的次级学习器选择Logistic回归算法。

9.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，将权利要求4所述的样本集以7：3划分训练集和测试集进行Stack模型参数训练，将训练好的Stack模型进行保存。

10.根据权利要求1所述的一种基于集成机器学习的故障电弧检测方法，其特征在于，将保存的Stack模型应用于故障电弧检测能有效提高检测检测准确率、精确率、召回率以及F1指标。