基于机器学习的电弧故障检测算法研究-电路与系统专业论文.docxVIP

万方数据 万方数据 Arc fault detection algorithm based on machine learning Candidate: Lou Jiayu Supervisor: Ma Qi December，2014 杭州电子科技大学 学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得 的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过 的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研究生在校攻读 学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校后，发表论文或 使用论文工作成果时署名单位仍然为杭州电子科技大学。学校有权保留送交论文的复印件， 允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其 它复制手段保存论文。（保密论文在解密后遵守此规定） 论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日 摘要 电弧故障是当前引起电气火灾的重要原因之一，电弧故障检测装置就能及时发现电弧故 障并断开回路，从而避免火灾的发生。因此，电弧故障检测技术成为当前防火灾技术领域的 一个研究热点。 本文提出了一个基于机器学习的电弧故障检测算法总体框架，包括电弧故障特征提取、 数据预处理和电弧故障分类器三部分，在算法训练时，从电弧故障样本数据中提取电弧故障 特征参数并进行预处理，对电弧故障分类器进行训练，建立分类器模型；分类器模型建立之 后，算法就可以进行实际电弧故障检测，从实测电路数据中提取电弧故障特征参数并进行预 处理，采用训练建立分类器模型分类出其中的电弧故障数据，从而检测出电弧故障的发生。 论文对电弧故障数据进行时域、频域和层次分析，确定了电弧故障检测算法需要提取的 能量、子带能量比、短时平均能量、频谱质心、带宽、过零率、脉冲个数、方差、电流积分 等参数电弧故障数据特征参数。 论文结合电弧故障检测的特点，设计了电弧故障检测算法中的数据预处理方法，包括基 于压缩近邻规则算法的数据清洗、基于特征标准化的数据归一化和基于主成分分析 PCA 算法 的数据降维。 论文为训练出泛化能力足够强的电弧故障分类器，提出了一个 Logistic 回归、SVM 和随 机森林等三种分类器相结合的组合分类器，并设计和实现了三种分类器以及第二层分类器。 对电弧故障检测算法的测试表明，算法在电弧故障检测的电弧故障识别率和误动作两个 主要性能指标上均获得了比较满意的效果。 关键字：电弧故障检测；特征提取；数据预处理；分类器；支持向量机；逻辑回归；随机 森林 I II万方数据 II 万方数据 Abstract Arc fault is one of the important reason of electrical fire. Arc fault detection device can timely detect the arc fault and disconnect the circuit as soon as possible, so as to avoid the happening of the fire. Arc fault detection technology, therefore, becomes a research hotspot in the field of the current fire prevention technology. This thesis proposes an overall framework for arc fault detection algorithm based on machine learning, including the arc fault feature extraction, data preprocessing and arc fault classifier.When the algorithm is training, the arc fault features are extracted from the arc fault sample data and preprocessed, then the arc fault classifier is trained with the preprocessed feature data and classifier model is set up