[发明专利]一种低压断路器热脱扣时间的预测方法

权利要求书

1.一种低压断路器热脱扣时间的预测方法，其特征在于，将加权核偏最小二乘算法应用于低压断路器生产中，采集断路器质量合格产品的生产数据，建立热脱扣时间预测模型，根据采集的断路器热调过程的数据预测热脱扣时间，实现热脱扣时间的实时计算。

2.根据权利要求1所述的一种低压断路器热脱扣时间的预测方法，其特征在于，所述加权核偏最小二乘算法是在核偏最小二乘方法的基础上进行加权；

所述核偏最小二乘方法是将核函数引入到线性偏最小二乘方法中，利用核函数将原始数据映射到高维特征空间，然后在高维特征空间是使用偏最小二乘方法实现线性建模，从而得到原始数据的非线性回归模型。

3.根据权利要求2所述的一种低压断路器热脱扣时间的预测方法，其特征在于，所述核偏最小二乘方法具体算法流程如下：

设存在从自变量空间到高维特征空间的非线性映射：

式中x_i＝(i＝1,2,…,N)为输入变量，R^N为自变量空间，F为高维特征空间；为对应的高维特征空间变量，核偏最小二乘方法在高维特征空间F内使用偏最小二乘方法构建回归模型；

如果用一个N×M维的矩阵表示x_i映射到高维特征空间F后的矩阵，那么核偏最小二乘方法相当于在矩阵和输出变量矩阵Y之间运用偏最小二乘方法建立回归模型；

根据核函数计算方法可知：

式中K为N×N维的核矩阵，表示映射的数据的交叉点积，通过核偏最小二乘方法不需要计算具体的非线性映射。

4.根据权利要求3所述的一种低压断路器热脱扣时间的预测方法，其特征在于，所述核函数采用径向基核函数,径向基核函数把输入数据映射到无限维的特征空间内，在高维空间内是线性可分的；

在进行核偏最小二乘方法回归之前，先对核矩阵K进行中心化处理。

5.根据权利要求4所述的一种低压断路器热脱扣时间的预测方法，其特征在于，所述加权核偏最小二乘方法根据样本的分布与统计特性计算样本的权值,其权值确定原则是分布密集的样本权值降低，分布稀疏的样本权值增加；最后将原始数据通过核函数映射到高维特征空间后,为映射后的数据加权，按照偏最小二乘方法进行线性回归建模。

6.根据权利要求5所述的一种低压断路器热脱扣时间的预测方法，其特征在于：所述加权核偏最小二乘算法的权值确定方法是基于欧式距离概率密度函数，权值确定方法的加权原则是对位于样本密集区域的样本赋予较小权值，而对位于样本稀疏区域的样本赋予较大权值，以增强预测模型的泛化性能及预测精度。

7.根据权利要求6所述的一种低压断路器热脱扣时间的预测方法，其特征在于：所述权值确定过程如下：首先对训练样毛数据进行归一化处理，并计算样本数据的均值向量即样本数据对多维数据取平均值的向量,然后计算样本x_i与均值向量之间的欧式距离d；

依照正态分布计算得到C,最后得到样本数据在输入变量空间的欧式距离概率密度分布函数；利用训练样本与均值向量的欧式距离以及权函数得到训练样本权值w_i。

8.根据权利要求7所述的一种低压断路器热脱扣时间的预测方法，其特征在于：所述加权核偏最小二乘算法的建模过程结构如下：

步骤S1，获取训练数据X和测试数据x_t；

步骤S2，根据训练样本数据统计特性确定训练样本权值，取得权值矩阵W；

步骤S3，根据核函数将原始数据映射到高维特征空间中的数据K；

步骤S4，利用W为映射后的训练样本加权，得到加权核矩阵K_W和输出Y_W；

步骤S5，采用核偏最小二乘方法建立回归模型；

步骤S6，加权核偏最小二乘算法模型估计值输出。