电流值输入由优化的LS-SVM建立 的触电电流识别模型，可获得被检测的各采样点的触电电流值；然后用检测值和相应实际 触电电流值作比较分析。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。
[0108] 利用训练好的LS-SVM触电电流检测模型对测试样本进行检测，检测效果如图 12-14所示。
[0109] 为了比较LS-SVM的检测效果，在同样条件下，本文也建立了触电电流的径向基神 经网络（radial basis function neural network，RBFNN)模型，网络的输入层、隐含层、输 出层的节点数分别为800、56、800,训练误差为0. 001。图15-20为LS-SVM模型与RBFNN模 型在典型时刻触电时的检测效果比较。
[0110] 从图15-20可以看出，电源电压在最大时刻触电时，LS-SVM和RBFNN从总泄露电 流中提取的触电支路电流幅值的范围分别为：-8· 4678~8. 3049mA，-8. 5586~8. 5879mA ; 检测误差精度范围分别为：-1. 9299~0· 7201mA，-2. 2661~0· 8941mA ;平均绝对值误差精 度分别为3767, (λ 4732mA。
[0111] 电源电压在过零时刻触电时，LS-SVM和RBFNN从总泄露电流中提取的触电支路 电流幅值的范围分别为：-8. 8832~8. 8207mA，-9. 0153~8. 9587mA ;检测误差精度范围 各为：-0. 8834~0. 5229mA，-0. 9410~0. 6052mA ;平均绝对值误差精度分别为：0. 2288， 0. 2650mA。
[0112] 电源电压在任意时刻触电时，LS-SVM和RBFNN从总泄露电流中提取的触电支路 电流幅值的范围分别为：-8. 8445~8. 7790mA，-8. 5805~8. 5023mA ;检测误差精度各 为：-0. 6571~0. 2787mA，-0. 9378~0. 5499mA ;平均绝对值误差精度分别为：0. 1342， 0. 2473mA。
[0113] 为进一步验证LS-SVM的检测性能，又选取了不同数量的样本进行训练。下表为 LS-SVM与RBFNN检测方法的训练时间和检测均方误差对比。
[0114]
[0115] 从上表中可以看出，LS-SVM的训练时间明显小于RBFNN方法，LS-SVM对测试集 的检测误差均小于RBFNN。LS-SVM训练时间快的主要原因是其将二次规划问题转化为可 用最小二乘法求解的线性方程组求解，计算量较小，所以运算速度快；检测误差小是因为 LS-SVM是基于结构风险最小原则和VC (vapnik-chervonenkis)维的概念，VC维概念是为了 研宄学习过程一致收敛的速度和推广性，由统计学理论定义的有关函数集学习性能的一个 重要指标。针对有限样本，不但使经验风险最小，还要使VC维尽量小，从而缩小置信范围， 使期望风险最小。RBFNN是基于经验风险最小原则，在有限样本情况下，经验风险最小，不能 保证期望风险最小。
[0116] 总之，图15-20和上表对比结果可以说明，基于LS-SVM建立的触电电流检测模型 与RBF神经网络模型相比，具有训练时间短、逼近能力和泛化能力高的优点。
[0117] 上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方 式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下 做出各种变化。
【主权项】
1. 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，其特征在于，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。2. 根据权利要求1所述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，其 特征在于，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。3. 根据权利要求2所述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，其 特征在于，若给定训练样本集为{(Xi,yj,i= 1，2,…，n}，XiGRd为输入样本值，yfR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，通过非线性映射巾（?）将x从原空间Rd映射到高维特征空间Rdh，即：在高维特征空间中构造最优决策函数为：式中：《为权值系数，《GR'b为偏置，bGR;巾⑴是将样本映射到高维空间的非 线性变换； 根据结构风险最小化原则，确定模型参数《、b，结构风险的计算式为：式中：C为惩罚因子且C>0 ;R"P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e,为模型对训练样本的预测误差向量； 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《、b，可等效为求解以 下优化问题：引入Lagrange乘子ai，建立Lagrange函数为：由库恩一塔克条件，得到：消去e,和《后，可得如下线性方程组：即：式中山=[1，1，…，1]'，1' e= [1，1，…，1] ;K为核矩阵，其中设HzK+C-1〗，通过求解 〇 式⑶可得：则所确定的决策函数为：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：式中：xi为输入样本值，xj为核函数的中心；〇为核函数的宽度。4. 根据权利要求3所述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，其 特征在于，采用网格搜索法进行参数寻优。5. 根据权利要求4所述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，其 特征在于，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。6. 根据权利要求1所述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，其 特征在于，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。7. 根据权利要求6所述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，其 特征在于，在建立预测模型前对原始数据进行相关预处理。8.根据权利要求7所述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，其 特征在于，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。
【专利摘要】本发明公开了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，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。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。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN104915638
【申请号】CN201510232348
【发明人】董涛, 李存玉, 刘玉刚, 李正朋, 李书旺
【申请人】国家电网公司, 国网河北省电力公司邯郸供电分公司
【公开日】2015年9月16日
【申请日】2015年5月8日