基于参数优化的最小二乘支持向量机触电电流检测方法
【技术领域】
[0001] 本发明属于电力检测技术领域，具体是一种基于参数优化的最小二乘支持向量机 触电电流检测方法。
【背景技术】
[0002] 剩余电流保护装置，作为一种有效防止电网漏电事故（生物体触电事故或设备漏 电事故）的重要措施，近年来已在农村低压电网中广泛使用和推广。但是，由于目前常用的 剩余电流保护装置是依据电压回路中检测到的总泄漏电流的有效值是否大于某一整定值 而判断其是否动作，在实际电网运行中常出现误动和拒动现象。宄其原因，主要是剩余电流 保护装置的动作依据无法真正辨识出生物体触电支路的汲出电流信号，在动作原理上存在 着缺陷。因此，要从根本上解决剩余电流保护装置误动和拒动问题，防止电网漏电事故的发 生，除正确使用剩余电流保护装置外还需开发基于生物体触电电流而动作的自适应剩余电 流保护装置，这就使得检测和识别生物体触电电流信号成为必解决的关键问题之一。
[0003] 鉴于此，许多学者在剩余电流保护装置的漏电信号检测方面进行了探讨。文献依 据故障后各支路的零序电流暂态波形的形状、大小等特征，提出了基于数字信号处理中的 相关函数理论的漏电故障检测方法；文献根据故障与非故障支路的总泄漏电流数值变化相 反的特点来区分漏电支路；文献通过判断故障支路与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压电网选择性漏电保护。这些方法虽然在一定程度 上提高了剩余电流保护装置的技术性能，但未涉及到触电支路的触电电流信号检测，未从 根本上解决剩余电流保护装置的误动和拒动的技术难题。为此，有学者尝试用智能控制技 术建立了触电电流检测模型，但神经网络存在着容易陷入局部最优、训练结果不稳定、隐层 单元数难以确定等缺点。
【发明内容】
[0004] 本发明的目的在于提供一种可行性和高效性的基于参数优化的最小二乘支持向 量机触电电流检测方法，以解决上述【背景技术】中提出的问题。
[0005] 为实现上述目的，本发明提供如下技术方案：
[0006] -种基于参数优化的最小二乘支持向量机触电电流检测方法，首先在剩余电流动 作保护装置触电物理试验系统平台上通过故障录波器获得生物体在电源电压最大时刻、过 零时刻及任意时刻发生触电过程的总泄漏电流和触电电流波形，并截取触电前1个周期和 触电后3个周期共800个采样点的信号数据作为触电试验样本数据；然后将触电试验样本 数据进行滤波预处理，预处理后的多个样本采样点的总泄漏电流组合成特征向量输入最小 二乘支持向量机。
[0007] 作为本发明进一步的方案：所述最小二乘支持向量机是由Suykens建立的一种支 持向量机的扩展，它将传统支持向量机的二次规划求解函数估计问题转化为可用最小二乘 法求解的线性方程组求解。
[0008] 作为本发明再进一步的方案：若给定训练样本集为Kxi, yj, i = 1，2,…，η}， Xie Rd为输入样本值，y R为输出样本值，其中：Rd、R分别为输入空间和输出空间，i为 样本个数。LS-SVM建模的思想是：首先，通过非线性映射Φ (·)将X从原空间#映射到高 维特征空间Rdh，即：
[0009]
[0010] 在高维特征空间中构造最优决策函数为：
[0011]
[0012] 式中：ω为权值系数，ω e R'b为偏置，b e R ; φ (X)是将样本映射到高维空间 的非线性变换；
[0013] 根据结构风险最小化原则，确定模型参数ω、b，结构风险的计算式为：
[0014]
( 3 )
[0015] 式中：C为惩罚因子且C>0 ;Remp为损失函数（即经验风险），LS-SVM是损失函数为 二次损失函数的支持向量机，即：
ε i为模型对训练样本的预测误差向 量；
[0016] 由式（2)和式（3)，基于结构风险最小化原则确定决策函数参数ω、b，可等效为求 解以下优化问题：
[0017]
[0018] 引入Lagrange乘子α丨，建立Lagrange函数为：
[0019]
[0020] 由库恩一塔克（karush-kuhn-tucker，KKT)条件，得到：
[0021]
[0022] 消去ε和ω后，可得如下线性方程组：
[0023]
[0024]
[0025]
[0026] 式中山=[1，1，…，I]'，1' e= [1，1，…，1] ;K为核矩阵，其中
[0027] 设H = O 通过求解式（8)可得：
[0028]
[0029]
[0030] 则所确定的决策函数为：
[0031]
[0032] 式中：核函数K(xi, xj)是高维特征空间的内积，依据泛函的相关理论，满足 Mercer条件的任意对称核函数均可作为核函数；选取不同的核函数可构造不同的支持向 量机，常见的核函数包括：sigmoid核函数、多项式核函数、径向基核函数及线性核函数；其 中，径向基函数的优点是参数在有效范围内改变时不会使空间复杂度过大且易实现LS-SVM 的优化过程，它的每一个基函数的中心对应一个支持向量，它们及输出权值由算法自动确 定；考虑到RBF的这些优点，本文选取径向基核作为LS-SVM的核函数，其表达式为：
[0033]
[0034] 式中：Xi为输入样本值，Xj为核函数的中心；O为核函数的宽度。
[0035] 作为本发明再进一步的方案：采用网格搜索法进行参数寻优。
[0036] 作为本发明再进一步的方案：在所述网格搜索中应用K-fold交叉验证法对每组 参数组合的性能进行综合评价。
[0037] 作为本发明再进一步的方案：设计触电试验对基于参数优化的最小二乘支持向量 机触电电流检测方法验证，触电试验设计测试样本，所述训练样本覆盖电源电压最大值时 刻触电、电源电压过零时刻触电以及电源电压为任意时刻触电。
[0038] 作为本发明再进一步的方案：在建立预测模型前对原始数据进行相关预处理。
[0039] 作为本发明再进一步的方案：为测试检测模型的有效性，将采样点的总泄漏电流 值输入由优化的LS-SVM建立的触电电流识别模型，评价模型检测效果的性能指标取检测 值偏离实际值的距离平方的平均数，即均方误差MSE。
[0040] 与现有技术相比，本发明的有益效果是：将最小二乘支持向量机（least square-support vector machine，LS-SVM)理论应用于触电电流模型建立中，并通过网格 搜索和交叉验证优化最小二乘支持向量机的参数，优化参数组合为（惩罚因子，核函数的 宽度）=(32, 32)，克服了以往确定模型参数的盲目性和随机性，降低了模型检测误差。最 小二乘支持向量机作为模式识别的新工具，有其他识别工具无法比拟的优越性。为能从总 泄漏电流中识别出生物体触电电流提供了 一种新的检测方法。
【附图说明】
[0041] 图1为网格搜索与交叉验证参数寻优流程图
[0042] 图2为触电实验原理图；
[0043] 图3为触电电流信号模型结构图；
[0044] 图4为电源电压最大时刻触电试验总泄露电源原始信号；
[0045] 图5为电源电压最大时刻触电试验触电电流原始信号；
[0046] 图6为电源电压过零时刻触电试验总泄露电源原始信号；
[0047] 图7为电源电压过零时刻触电试验触电电流原始信号；
[0048] 图8为电源电压任意时刻触电试验总泄露电源原始信号；
[0049] 图9为电源电压任意时刻触电试验触电电流原始信号；
[0050] 图10为电源电压最大时刻触电试验总泄漏电流滤波信号；
[0051] 图11为电源电压最大时刻触电试验触电电流滤波信号；
[0052] 图12为电源电压最大时刻触电试验最小二乘支持向量机模型检测得到的触电电 流与实际触电电流值对比；
[0053] 图13为电源电压过零时刻触电试验最小二乘支持向量机模型检测得到的触电电 流与实际触电电流值对比；
[0054] 图14为电源电压任意时刻触电试验最小二乘支持向量机模型检测得到的触电电 流与实际触电电流值对比；
[0055] 图15为电源电压最大时刻触电试验LS-SVM与RBFNN触电电流检测信号