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。

    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。

    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x_i(i=1，2，…，N)均值可以表示為：

    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：

    (2)標(biāo)準(zhǔn)差

    為了描述信號偏離中心趨勢μ_x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：  

    (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：

    (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：

同時(shí)，信號的均方根值可以通過方差和均值求得：

    (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：

    (6)偏度

    偏度用來衡量信號相對于其均值的對稱性，定義為：

    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：

    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)，…，(x_N，y_N)，其中x_i∈X，y_i∈Y用于表示訓(xùn)練樣本的標(biāo)簽，i=1，2，…，N。其中x_i代表本文第二部分的相關(guān)特征，y_i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w_i=1/N，訓(xùn)練樣本集的初始權(quán)值分布D₁(i)為：

    (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H_t，并計(jì)算弱分類器h_t:X→{-1,+1}，該弱分類器在分布D_t上的誤差為：

    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。

    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。

    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。

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）