基于參數優化的最小二乘支持向量機觸電電流檢測方法
【技術領域】
[0001] 本發明屬于電力檢測技術領域，具體是一種基于參數優化的最小二乘支持向量機 觸電電流檢測方法。
【背景技術】
[0002] 剩余電流保護裝置，作為一種有效防止電網漏電事故（生物體觸電事故或設備漏 電事故）的重要措施，近年來已在農村低壓電網中廣泛使用和推廣。但是，由于目前常用的 剩余電流保護裝置是依據電壓回路中檢測到的總泄漏電流的有效值是否大于某一整定值 而判斷其是否動作，在實際電網運行中常出現誤動和拒動現象。宄其原因，主要是剩余電流 保護裝置的動作依據無法真正辨識出生物體觸電支路的汲出電流信號，在動作原理上存在 著缺陷。因此，要從根本上解決剩余電流保護裝置誤動和拒動問題，防止電網漏電事故的發 生，除正確使用剩余電流保護裝置外還需開發基于生物體觸電電流而動作的自適應剩余電 流保護裝置，這就使得檢測和識別生物體觸電電流信號成為必解決的關鍵問題之一。
[0003] 鑒于此，許多學者在剩余電流保護裝置的漏電信號檢測方面進行了探討。文獻依 據故障后各支路的零序電流暫態波形的形狀、大小等特征，提出了基于數字信號處理中的 相關函數理論的漏電故障檢測方法；文獻根據故障與非故障支路的總泄漏電流數值變化相 反的特點來區分漏電支路；文獻通過判斷故障支路與非故障支路的零序有功功率方向和大 小，提出了基于故障分量有功功率的低壓電網選擇性漏電保護。這些方法雖然在一定程度 上提高了剩余電流保護裝置的技術性能，但未涉及到觸電支路的觸電電流信號檢測，未從 根本上解決剩余電流保護裝置的誤動和拒動的技術難題。為此，有學者嘗試用智能控制技 術建立了觸電電流檢測模型，但神經網絡存在著容易陷入局部最優、訓練結果不穩定、隱層 單元數難以確定等缺點。
【發明內容】
[0004] 本發明的目的在于提供一種可行性和高效性的基于參數優化的最小二乘支持向 量機觸電電流檢測方法，以解決上述【背景技術】中提出的問題。
[0005] 為實現上述目的，本發明提供如下技術方案：
[0006] -種基于參數優化的最小二乘支持向量機觸電電流檢測方法，首先在剩余電流動 作保護裝置觸電物理試驗系統平臺上通過故障錄波器獲得生物體在電源電壓最大時刻、過 零時刻及任意時刻發生觸電過程的總泄漏電流和觸電電流波形，并截取觸電前1個周期和 觸電后3個周期共800個采樣點的信號數據作為觸電試驗樣本數據；然后將觸電試驗樣本 數據進行濾波預處理，預處理后的多個樣本采樣點的總泄漏電流組合成特征向量輸入最小 二乘支持向量機。
[0007] 作為本發明進一步的方案：所述最小二乘支持向量機是由Suykens建立的一種支 持向量機的擴展，它將傳統支持向量機的二次規劃求解函數估計問題轉化為可用最小二乘 法求解的線性方程組求解。
[0008] 作為本發明再進一步的方案：若給定訓練樣本集為Kxi, yj, i = 1，2,…，η}， Xie Rd為輸入樣本值，y R為輸出樣本值，其中：Rd、R分別為輸入空間和輸出空間，i為 樣本個數。LS-SVM建模的思想是：首先，通過非線性映射Φ (·)將X從原空間#映射到高 維特征空間Rdh，即：
[0009]
[0010] 在高維特征空間中構造最優決策函數為：
[0011]
[0012] 式中：ω為權值系數，ω e R'b為偏置，b e R ; φ (X)是將樣本映射到高維空間 的非線性變換；
[0013] 根據結構風險最小化原則，確定模型參數ω、b，結構風險的計算式為：
[0014]
( 3 )
[0015] 式中：C為懲罰因子且C>0 ;Remp為損失函數（即經驗風險），LS-SVM是損失函數為 二次損失函數的支持向量機，即：
ε i為模型對訓練樣本的預測誤差向 量；
[0016] 由式（2)和式（3)，基于結構風險最小化原則確定決策函數參數ω、b，可等效為求 解以下優化問題：
[0017]
[0018] 引入Lagrange乘子α丨，建立Lagrange函數為：
[0019]
[0020] 由庫恩一塔克（karush-kuhn-tucker，KKT)條件，得到：
[0021]
[0022] 消去ε和ω后，可得如下線性方程組：
[0023]
[0024]
[0025]
[0026] 式中山=[1，1，…，I]'，1' e= [1，1，…，1] ;K為核矩陣，其中
[0027] 設H = O 通過求解式（8)可得：
[0028]
[0029]
[0030] 則所確定的決策函數為：
[0031]
[0032] 式中：核函數K(xi, xj)是高維特征空間的內積，依據泛函的相關理論，滿足 Mercer條件的任意對稱核函數均可作為核函數；選取不同的核函數可構造不同的支持向 量機，常見的核函數包括：sigmoid核函數、多項式核函數、徑向基核函數及線性核函數；其 中，徑向基函數的優點是參數在有效范圍內改變時不會使空間復雜度過大且易實現LS-SVM 的優化過程，它的每一個基函數的中心對應一個支持向量，它們及輸出權值由算法自動確 定；考慮到RBF的這些優點，本文選取徑向基核作為LS-SVM的核函數，其表達式為：
[0033]
[0034] 式中：Xi為輸入樣本值，Xj為核函數的中心；O為核函數的寬度。
[0035] 作為本發明再進一步的方案：采用網格搜索法進行參數尋優。
[0036] 作為本發明再進一步的方案：在所述網格搜索中應用K-fold交叉驗證法對每組 參數組合的性能進行綜合評價。
[0037] 作為本發明再進一步的方案：設計觸電試驗對基于參數優化的最小二乘支持向量 機觸電電流檢測方法驗證，觸電試驗設計測試樣本，所述訓練樣本覆蓋電源電壓最大值時 刻觸電、電源電壓過零時刻觸電以及電源電壓為任意時刻觸電。
[0038] 作為本發明再進一步的方案：在建立預測模型前對原始數據進行相關預處理。
[0039] 作為本發明再進一步的方案：為測試檢測模型的有效性，將采樣點的總泄漏電流 值輸入由優化的LS-SVM建立的觸電電流識別模型，評價模型檢測效果的性能指標取檢測 值偏離實際值的距離平方的平均數，即均方誤差MSE。
[0040] 與現有技術相比，本發明的有益效果是：將最小二乘支持向量機（least square-support vector machine，LS-SVM)理論應用于觸電電流模型建立中，并通過網格 搜索和交叉驗證優化最小二乘支持向量機的參數，優化參數組合為（懲罰因子，核函數的 寬度）=(32, 32)，克服了以往確定模型參數的盲目性和隨機性，降低了模型檢測誤差。最 小二乘支持向量機作為模式識別的新工具，有其他識別工具無法比擬的優越性。為能從總 泄漏電流中識別出生物體觸電電流提供了 一種新的檢測方法。
【附圖說明】
[0041] 圖1為網格搜索與交叉驗證參數尋優流程圖
[0042] 圖2為觸電實驗原理圖；
[0043] 圖3為觸電電流信號模型結構圖；
[0044] 圖4為電源電壓最大時刻觸電試驗總泄露電源原始信號；
[0045] 圖5為電源電壓最大時刻觸電試驗觸電電流原始信號；
[0046] 圖6為電源電壓過零時刻觸電試驗總泄露電源原始信號；
[0047] 圖7為電源電壓過零時刻觸電試驗觸電電流原始信號；
[0048] 圖8為電源電壓任意時刻觸電試驗總泄露電源原始信號；
[0049] 圖9為電源電壓任意時刻觸電試驗觸電電流原始信號；
[0050] 圖10為電源電壓最大時刻觸電試驗總泄漏電流濾波信號；
[0051] 圖11為電源電壓最大時刻觸電試驗觸電電流濾波信號；
[0052] 圖12為電源電壓最大時刻觸電試驗最小二乘支持向量機模型檢測得到的觸電電 流與實際觸電電流值對比；
[0053] 圖13為電源電壓過零時刻觸電試驗最小二乘支持向量機模型檢測得到的觸電電 流與實際觸電電流值對比；
[0054] 圖14為電源電壓任意時刻觸電試驗最小二乘支持向量機模型檢測得到的觸電電 流與實際觸電電流值對比；
[0055] 圖15為電源電壓最大時刻觸電試驗LS-SVM與RBFNN觸電電流檢測信號