《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 電源技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于AdaBoost算法的剩余電流分類方法
基于AdaBoost算法的剩余電流分類方法
2018年電子技術(shù)應(yīng)用第12期
劉永梅1,杜松懷1,盛萬興2
1.中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院,北京100083;2.中國電力科學(xué)研究院有限公司,北京100192
摘要: 針對當(dāng)前剩余電流動(dòng)作保護(hù)裝置由于不能檢測剩余電流中觸電電流類型的問題,搭建了生物體觸電實(shí)驗(yàn)平臺(tái),通過實(shí)驗(yàn)分別獲取生物體觸電電流。基于上述數(shù)據(jù),提出一種利用AdaBoost算法的剩余電流分類方法,該方法首先通過提取實(shí)驗(yàn)獲取不同類型剩余電流分量的特征分量,而后將這些分量特征映射到AdaBoost的算法之中,利用AdaBoost算法檢測出總剩余電流中的觸電電流分量類型。實(shí)驗(yàn)還對比了SVM、隨機(jī)森林等方法,結(jié)果表明所提方法具有一定的優(yōu)勢,可為后續(xù)自適應(yīng)型剩余電流動(dòng)作保護(hù)裝置的研制提供理論依據(jù)和支撐。
中圖分類號: TM74
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.181324
中文引用格式: 劉永梅,杜松懷,盛萬興. 基于AdaBoost算法的剩余電流分類方法[J].電子技術(shù)應(yīng)用,2018,44(12):147-150.
英文引用格式: Liu Yongmei,Du Songhuai,Sheng Wanxing. A residual current classification algorithm based on AdaBoost[J]. Application of Electronic Technique,2018,44(12):147-150.
A residual current classification algorithm based on AdaBoost
Liu Yongmei1,Du Songhuai1,Sheng Wanxing2
1.College of Information and Electrical Engineering,China Agricultural University,Beijing 100083,China; 2.China Electric Power Research Institute,Beijing 100192,China
Abstract: Current residual current action protection device cannot detect the type of residual current in the electric shock current. In this paper, an electric shock test platform is built and the residual current data is obtained by experiment. Based on the above data, this paper presents a residual current classification method based on the AdaBoost algorithm, which firstly obtains the characteristic components of different types of residual current components, and then maps these component features to the AdaBoost algorithm. The type of electric shock current in total residual current is detected by AdaBoost algorithm. Compared with SVM and random forests, the results show that the proposed method has some advantages, which can provide theoretical basis and support for the development of the subsequent adaptive residual current action protection device.
Key words : residual current;classification method;electric shock current;AdaBoost algorithm

0 引言

    低壓電網(wǎng)中廣泛使用剩余電流保護(hù)裝置,用于預(yù)防火災(zāi),防止人身觸電傷亡事故。剩余電流保護(hù)裝置的動(dòng)作原理主要在于動(dòng)作整定值的設(shè)定,與是否是人體觸電電流,或是設(shè)備的啟動(dòng)電流無直接關(guān)系。因此保護(hù)裝置會(huì)發(fā)生拒動(dòng)、誤動(dòng),也間接造成了設(shè)備的投運(yùn)率低等問題。如何智能判定當(dāng)前剩余電流的種類是智能剩余電流保護(hù)裝置的亟待解決的一個(gè)問題。

    當(dāng)前國內(nèi)外的剩余電流檢測方法主要包括神經(jīng)網(wǎng)絡(luò)檢測法、最小二乘支持向量機(jī)檢測法和基于自適應(yīng)算法的檢測法。文獻(xiàn)[1]-[5]將小波包變換、能量熵、量子遺傳等技術(shù)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合,建立了相關(guān)分類模型,為有效識別類型提供了理論支撐。文獻(xiàn)[6]采用最小二乘支持向量機(jī)可較為準(zhǔn)確地從總漏電電流中識別出生物體觸電電流。文獻(xiàn)[7]基于自適應(yīng)濾波原理,建立了自適應(yīng)觸電電流檢測模型,噪聲魯棒性好,能有效消除保護(hù)動(dòng)作死區(qū)。但文獻(xiàn)[1]-[4]的方法主要用于電力系統(tǒng)的故障識別,文獻(xiàn)[5]-[7]的方法主要用于觸電電流的識別。剩余電流保護(hù)有別于電力系統(tǒng)故障,同時(shí)會(huì)受到多樣負(fù)荷變化引起的漏電流變化的影響。

    上述相關(guān)工作表明,針對剩余電流進(jìn)行分類具有一定的可行性。本文將在現(xiàn)有工作的基礎(chǔ)上,對相關(guān)的剩余電流特征等進(jìn)行構(gòu)建及提取,進(jìn)而達(dá)到對剩余電流類型的預(yù)測。

1 剩余電流試驗(yàn)與數(shù)據(jù)獲取

    搭建生物體觸電物理實(shí)驗(yàn)平臺(tái)如圖1所示。實(shí)驗(yàn)平臺(tái)主要由實(shí)驗(yàn)電源、負(fù)載、用戶對地泄漏阻抗、線路對地分布阻抗、觸電支路、故障錄波器和電壓電流互感器組成。實(shí)驗(yàn)平臺(tái)的連接關(guān)系是采用實(shí)驗(yàn)電源串聯(lián)負(fù)載供電,在實(shí)驗(yàn)電源的電流出口處安裝電壓電流互感器,故障錄波器連接電壓電流互感器并讀取其中的觸電電壓電流數(shù)據(jù),觸電支路、線路對地分布阻抗、用戶對地泄漏阻抗的一端接在電壓電流互感器后面與負(fù)載中間,另一端接地。其中,采用三相電源作為實(shí)驗(yàn)電源,通過調(diào)壓器向負(fù)載直接供電;負(fù)載采用實(shí)驗(yàn)箱燈泡負(fù)載;以大電阻和電容的并聯(lián)來作為線路對地的絕緣阻抗;觸電支路是采用大電阻和生物體的串聯(lián)來實(shí)現(xiàn)的。

dy6-t1.gif

    通過該觸電實(shí)驗(yàn)平臺(tái),可獲得植物觸電、動(dòng)物觸電、間接觸電等觸電類型的剩余電流數(shù)據(jù)。典型的一類觸電數(shù)據(jù)可視化如圖2所示。

dy6-t2.gif

    從該觸電數(shù)據(jù),可以看出典型的觸電數(shù)據(jù)一個(gè)時(shí)域的具有一定周期性特征的波形,為了對該數(shù)據(jù)進(jìn)行分類及處理,亟待對該數(shù)據(jù)進(jìn)行特征提取。為此,本文通過構(gòu)造7種不同的觸電數(shù)據(jù)特征以進(jìn)行觸電數(shù)據(jù)的分類實(shí)驗(yàn)。

2 特征參數(shù)提取

    如上一節(jié)分析,當(dāng)前的電流可根據(jù)信號的統(tǒng)計(jì)量計(jì)算原理[8-11]對剩余電流信號均值、標(biāo)準(zhǔn)差、方根幅值、均方根值、峰值、偏度、峰度7個(gè)典型時(shí)域特征量進(jìn)行計(jì)算,這幾個(gè)特征將用于代表原始數(shù)據(jù)從而進(jìn)行相關(guān)分類的操作。

    (1)均值

    為了表示信號波動(dòng)能量的整體水平,信號x(t)的離散表達(dá)式xi(i=1,2,…,N)均值可以表示為:

    dy6-gs1.gif

    均值屬于有量綱特征參數(shù)。均值表示的是信號幅值的算術(shù)平均值,那么對應(yīng)地,絕對平均值則表示信號幅值絕對值的算術(shù)平均值,絕對平均值可以表示為:

    dy6-gs2.gif

    (2)標(biāo)準(zhǔn)差

    為了描述信號偏離中心趨勢μx的波動(dòng)強(qiáng)度,方差用來表示信號的波動(dòng)分量,標(biāo)準(zhǔn)差則為方差的正平方根值,屬于有量綱特征參數(shù)。對于有限平穩(wěn)信號x(i),其計(jì)算無偏標(biāo)準(zhǔn)差為:  

    dy6-gs3.gif

    (3)方根幅值

    描述信號的波動(dòng)強(qiáng)度大小,屬于有量綱特征參數(shù)。其表達(dá)式為:

    dy6-gs4.gif

    (4)均方根值

    信號的均方根用來反映信號的振動(dòng)強(qiáng)度大小,也可以反映信號的能量大小。均方根值是相對于時(shí)間的平均,屬于有量綱特征參數(shù),它的表達(dá)式如式(5)所示:

    dy6-gs5.gif

同時(shí),信號的均方根值可以通過方差和均值求得:

    dy6-gs6.gif

    (5)峰值

    峰值是指信號的最大瞬時(shí)值,用來反映信號的強(qiáng)度大小,屬于有量綱特征參數(shù),表達(dá)式為:

    dy6-gs7.gif

    (6)偏度

    偏度用來衡量信號相對于其均值的對稱性,定義為:

    dy6-gs8.gif

    偏度的值可以為正,可以為負(fù),甚至是無法定義。當(dāng)分布偏左時(shí),偏度為負(fù)值;當(dāng)分布偏右時(shí),偏度為正值;當(dāng)分布關(guān)于均值對稱時(shí),偏度為零。

    (7)峰度

    峰度可感知信號中的微小沖擊成分,可以描述分布形態(tài)的陡緩程度,其定義為:

    dy6-gs9.gif

    正態(tài)分布的峰度為3,若峰度大于3表明有過度的峰度,峰度小于3則表明峰度不足。

3 基于AdaBoost算法的剩余電流類型識別

3.1 AdaBoost基本原理

    AdaBoost是“Adaptive Boosting”(自適應(yīng)增強(qiáng))的縮寫,是一種迭代算法[17],在每一輪中加入一個(gè)新的弱分類器,直到達(dá)到某個(gè)預(yù)定的足夠小的錯(cuò)誤率或迭代次數(shù)。每個(gè)訓(xùn)練樣本都被賦予一個(gè)權(quán)重,表明它被某個(gè)分類器選入訓(xùn)練集的概率。如果某個(gè)樣本點(diǎn)已經(jīng)被準(zhǔn)確地分類,那么在構(gòu)造下一個(gè)訓(xùn)練集中,它被選中的概率就被降低;相反,如果某個(gè)樣本點(diǎn)沒有被準(zhǔn)確地分類,那么它的權(quán)重就得到提高。通過這樣的方式,AdaBoost方法能“聚焦于”那些較難分(更富信息)的樣本上。AdaBoost的自適應(yīng)性就體現(xiàn)在前一個(gè)弱分類器被錯(cuò)誤分類的樣本的權(quán)值在下次迭代時(shí)增大,而正確分類的樣本的權(quán)值會(huì)減小,并再次用來訓(xùn)練下一個(gè)弱分類器。通過分析,本文的剩余電流分類問題可映射到AdaBoost的模型。本文通過建立多個(gè)特征用于刻畫剩余電流的特點(diǎn),而后利用AdaBoost模型對剩余電流進(jìn)行求解。

3.2 面向剩余電流分類的AdaBoost 算法

    給定訓(xùn)練數(shù)據(jù)集:(x1,y1),(x2,y2),…,(xN,yN),其中xi∈X,yi∈Y用于表示訓(xùn)練樣本的標(biāo)簽,i=1,2,…,N。其中xi代表本文第二部分的相關(guān)特征,yi代表相關(guān)分類的情況。最大迭代次數(shù)為T。具體的算法實(shí)施步驟如下所示。

    (1)初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布。每個(gè)訓(xùn)練樣本最開始是都被賦予相同的權(quán)值wi=1/N,訓(xùn)練樣本集的初始權(quán)值分布D1(i)為:

    dy6-gs10.gif

    (2)從t=1,2,…,T迭代:

    ①選取一個(gè)當(dāng)前誤差率最小的弱分類器h作為第t個(gè)基本分類器Ht,并計(jì)算弱分類器ht:X→{-1,+1},該弱分類器在分布Dt上的誤差為:

     dy6-gs11-13.gif

dy6-gs14-17.gif

    在獲得相關(guān)的H之后,即可對相關(guān)的數(shù)據(jù)進(jìn)行訓(xùn)練及模型驗(yàn)證。

3.3 實(shí)驗(yàn)分析

    實(shí)驗(yàn)數(shù)據(jù)有三類:動(dòng)物觸電數(shù)據(jù)85組、植物觸電數(shù)據(jù)75組、動(dòng)物間接觸電數(shù)據(jù)120組。每組數(shù)據(jù)有3 000個(gè)采樣點(diǎn),每100 μs采樣一次。得出樣本的7個(gè)特征參數(shù)后進(jìn)行測試。

    當(dāng)訓(xùn)練集為數(shù)據(jù)集的75%,參數(shù)algorithm為SAMME時(shí),測試集的準(zhǔn)確率最高,為0.914,算法的準(zhǔn)確率、召回率等結(jié)果如表1所示。

dy6-b1.gif

    由上表可知當(dāng)三種觸電數(shù)據(jù)混合時(shí),算法對動(dòng)物觸電數(shù)據(jù)的分類結(jié)果最好,對植物觸電數(shù)據(jù)的分類結(jié)果最差。

3.4 方法對比

    常用的分類算法有SVM、決策樹、隨機(jī)森林、貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)等,作為對比實(shí)驗(yàn),本次使用SVM、決策樹、隨機(jī)森林進(jìn)行測試。使用這三種算法在相同數(shù)據(jù)集上測試得到對應(yīng)的準(zhǔn)確率、召回率等結(jié)果如表2所示。

dy6-b2.gif

    由表2可知,與AdaBoost算法相似,SVM、決策樹、隨機(jī)森林三種算法對動(dòng)物觸電數(shù)據(jù)的分類準(zhǔn)確率都很高,對植物觸電數(shù)據(jù)的分類準(zhǔn)確率相對較低。在當(dāng)前數(shù)據(jù)集效果下,AdaBoost的準(zhǔn)確率最高。

    四種算法分類準(zhǔn)確率比較如圖3所示。由圖3可知,四種算法對動(dòng)物觸電數(shù)據(jù)分類的準(zhǔn)確率都比較高而且準(zhǔn)確率差別很小;在植物觸電數(shù)據(jù)分類的準(zhǔn)確率相對較低而且差別較大。其中AdaBoost對三種數(shù)據(jù)分類的準(zhǔn)確率都在80%以上;SVM對植物觸電的分類準(zhǔn)確率最低為50%,和隨機(jī)猜測的準(zhǔn)確率相近。四種算法中,AdaBoost對三種數(shù)據(jù)的分類準(zhǔn)確率都比較高,然后是隨機(jī)森林、決策樹。

dy6-t3.gif

4 結(jié)論

    本文通過選取剩余電流中的多個(gè)特征作為訓(xùn)練特征,構(gòu)建了基于AdaBoost的剩余電流分類方法,并對比了隨機(jī)森林、SVM等主流的分類算法。實(shí)驗(yàn)表明,AdaBoost 對三種數(shù)據(jù)的分類效果較好,可以調(diào)整后用于實(shí)際觸電數(shù)據(jù)的分類,對未來的實(shí)際應(yīng)用有一定的借鑒價(jià)值。未來將對AdaBoost的參數(shù)調(diào)整等進(jìn)行研究,力爭達(dá)到更好的效果。

參考文獻(xiàn)

[1] 林圣,何正友,臧天磊,等.基于粗神經(jīng)網(wǎng)絡(luò)的輸電線路故障分類方法[J].中國電機(jī)工程學(xué)報(bào),2010,30(28):72-80.

[2] 李孝全,莊德慧,張強(qiáng).基于粗糙徑向基神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷新模型[J].電力系統(tǒng)保護(hù)與控制,2009,37(18):20-24.

[3] 張舉,王興國,李志雷.小波包能量嫡神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)故障診斷中的應(yīng)用[J].電網(wǎng)技術(shù),2006,30(5):72-76.

[4] 李東敏,劉志剛,蘇玉香.基于多小波包和人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)故障類型識別[J].電力自動(dòng)化設(shè)備,2009,29(1):99-104.

[5] 王金麗,劉永梅,杜松懷,等.基于剩余電流固有模態(tài)能量特征的生物體觸電故障診斷模型[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(29):202-208.

[6] 韓曉慧,杜松懷,蘇娟,等.基于參數(shù)優(yōu)化的最小二乘支持向量機(jī)觸電電流檢測方法[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(23):238-245.

[7] 熊曉祎,肖先勇,趙恒.基于自適應(yīng)算法的觸電事故電流檢測[J].電力系統(tǒng)保護(hù)與控制,2017,45(4):139-144.

[8] 王濤,山拜·達(dá)拉拜,柳貴東.基于高階統(tǒng)計(jì)量的信號特征描述[J].通信技術(shù),2011,44(2):151-154.

[9] 何海平,計(jì)時(shí)鳴,張利.基于高階統(tǒng)計(jì)量的信號分析與處理[J].機(jī)電工程,2003,20(5):85-87.

[10] 俞卞章.數(shù)字信號處理(第2版)[M].西安:西北工業(yè)大學(xué)出版社,2002.

[11] 張瓊,楊俊安,夏建明.基于偏度的低空目標(biāo)聲信號盲抽取算法[J].數(shù)據(jù)采集與處理,2011,26(1):69-74.

[12] 杜松懷.電力系統(tǒng)接地技術(shù)[M].北京:中國電力出版社,2011.

[13] MITOLO M.Shock hazard in the presence of protective residual-current device[J].IEEE Transactions on Industry Applications,2010,46(4):1552-1557.

[14] Cheng Peng,Yan Han,F(xiàn)an Zhenqi.Design of a residual current circuit breaker IC with anti-interference technique[J].Analog Integr Circ Sig Process,2010,64:199-204.

[15] 李奎,陸儉國,岳大為,等.漏電信號的識別技術(shù)及其方法[J].低壓電器,2008(23):1-4.

[16] 蔡志遠(yuǎn),龐佳,陳廷輝.基于剩余電流和漏電阻抗的漏電保護(hù)方法的研究[J].電力系統(tǒng)保護(hù)與控制,2011,39(12):61-64.

[17] FREUND Y,SCHAPIRE R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].CiteSeerX,1995.



作者信息:

劉永梅1,杜松懷1,盛萬興2

(1.中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院,北京100083;2.中國電力科學(xué)研究院有限公司,北京100192)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。