[發明專利]一種基于自組織大腦情感學習的低壓故障電弧檢測方法

在審

• 申請號: 202210393393.1
• 申請日: 2022-04-15
• 公開（公告）號: CN114839484A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 韓刃;邵振華
• 申請（專利權）人: 廈門明翰電氣股份有限公司
• 主分類號: G01R31/12
• 分類號: G01R31/12;G06N3/04;G06N3/08;G06N5/04
• 代理公司: 廈門原創專利事務所(普通合伙) 35101
• 代理人: 李榮耀

1.一種基于自組織大腦情感學習的低壓故障電弧檢測方法，其特征在于，包括如下步驟：

S1：通過低壓供配電線路的電流檢測數據，分別計算出周期采樣電流均方差、周期電流小波分解與重構的高頻分量；

S2：構建具有2個通道的功能調節函數及自動擇優調整模型結構與參數的模糊大腦情感學習神經網絡模型；

S3：利用李雅普諾夫函數設定模型的優化學習率，使得模型系統穩定，從而正確檢測低壓供配電線路中的故障電弧；

將故障電弧電流數據計算得到的周期采樣電流均方差、周期電流小波分解與重構的高頻分量作為特征數據，輸入模型對模型進行訓練，直至模型收斂，獲得基于自組織大腦情感學習的低壓配電線路故障電弧模型；

S4：通過基于自組織大腦情感學習的低壓配電線路故障電弧模型對待測電流進行故障電弧檢測。

2.根據權利要求1所述的一種基于自組織大腦情感學習的低壓故障電弧檢測方法，其特征在于，S1中周期采樣電流均方差，計算公式如下：

其中，I_i表示在第i個采樣周期采樣的電流值,N表示N個采樣周期，表示在N個采樣周期內采樣的電流信號的均值，S_i表示第i個采樣周期內的采樣電流均方差；

周期電流小波分解，計算公式如下：

其中，W_f(a,b)表示分解的小波函數，a表示周期尺度伸縮因子，b表示周期平移因子；表示具有自變量*的小波周期函數,表達式如下：

周期電流小波重構，計算公式如下：

其中，M_i表示具有i個采樣周期序列的小波變換電流信號，γ是給定的小波變換常數。

3.根據權利要求2所述的一種基于自組織大腦情感學習的低壓故障電弧檢測方法，其特征在于，S2包括如下步驟：

S2.1：定義輸入數據空間維度其中i表示周期采樣的序列；

模糊大腦情感學習神經網絡模型采用2個通道的功能調節函數，功能調節函數具有擴維的增強變換函數，通過功能調節函數的處理，對應于杏仁核和眶額皮質模型網絡的輸出分別為：

其中，和分別是功能調節函數對應于杏仁核和眶額皮質模型網絡的權重值，是輸入數據x_i的擴維增強變換函數,Q為函數展開后的輸入維數，p為該模糊神經網絡的模糊規則數；

S2.2：建立模糊大腦神經網絡模型，其中杏仁核和眶額皮質的模糊推理規則分別如下：

R^a：如果S_i是M_i是

那么a＝v_hj,h＝1,2；j＝1,2,…,p

R^o：如果S_i是M_i是

那么o＝ω_hj,h＝1,2；j＝1,2,…,p

其中，R^a是杏仁核模型的模糊推理規則，R^o是眶額皮質模型的模糊推理規則,h為輸入向量的維數，j為第j層的模糊集，p為模糊規則數，v_hj為杏仁核模型的第h個輸入在第j層輸出的模糊權重值，ω_hj為眶額皮質模型的第h個輸入在第j層輸出的模糊權重值，a是杏仁核模型的輸出，o是眶額皮質模型的輸出；

所述模糊大腦神經網絡模型具有5層結構，分別如下：

第1層：將信號直接傳遞至下層，表達式如下：

其中，x_ih表示第i個周期采樣的第h維電流信號；

第2層：采用了模糊推理，每一個節點作為隸屬度函數，隸屬度函數具有高斯函數的表達如下：

其中，分別表示為杏仁核和眶額皮層模糊化過程中高斯函數的均值，分別表示為杏仁核和眶額皮層模糊化過程中高斯函數的標準差；

第3層：該層神經元代表模糊規則的預處理部分，其輸出結果通過“乘”計算得到，其輸出表達如下：

其中，i表示周期采樣的序列，h為輸入向量的維數，j為第j層的模糊集，p為模糊規則數；

第4層：將傳輸到該層的信號與功能函數的輸出信號相乘，表達如下：

第5層：模糊大腦神經網絡模型的輸出Out表示為：

Out＝a_i-o_i

其中，a_i和o_i分別代表杏仁核和眶額皮層模型的輸出，v_i和ω_i分別為杏仁核和眶額皮質模型的權重，并通過以下公式對該權重值進行更新：

其中，ρ_i和σ_i分別是Δv_i和Δω_i的學習率，ES是情感信號，反映人對系統性能的滿意程度；

S2.3：模糊大腦神經網絡模型，具有感覺皮層的自組織增層規則，定義平均測度距離D_ij,j＝1,…,p：

D_ij＝||x_i-m_j||₂

其中，m_j＝[m_1j,m_2j]^T，m_j為預設的參考值；

針對j＝1,2,…,p使目標函數D_ij取最小值時的變量值j，再把這個變量值賦值于表達式如下；

針對h＝1,2使目標函數取最大值時的變量h，表達式如下：

其中，K_g為設定的增層閾值；

S2.4：模糊大腦神經網絡模型，具有接收域層的自組織減層規則，定義目標函數值M_ij：

其中，式中

針對j＝1,2,…,p使目標函數M_ij取最小值時的變量值j，再把這個變量值賦值于表達式如下；

其中，M_ij≤K_c；K_c為設定的減層閾值。