自適應遺傳算法優(yōu)化支持向量機的過電壓識別

摘 要： 為了提高過電壓識別的準確性，以及加快過電壓的識別速度，提出一種自適應遺傳算法優(yōu)化支持向量機的過電壓識別方法。首先針對單一特征信息難以獲得過電壓高識別率的問題，采用時域波形、波頭、時頻譜的組合特征作為過電壓識別特征，然后采用過電壓的訓練樣本對支持向量機進行學習，建立過電壓識別的分類器，并引入自適應遺傳算法對支持向量機參數(shù)進行優(yōu)化，最后采用具體過電壓識別實例進行性能仿真分析。結果表明，該方法的過電壓平均識別率達到95%以上，遠遠超過了實際應用的85%要求，且識別結果要優(yōu)于其他過電壓識別方法。

關鍵詞： 過電壓識別； 支持向量機； 輸電線路； 遺傳算法

中圖分類號： TN911?34； TM863 文獻標識碼： A 文章編號： 1004?373X（2016）19?0136?04

Abstract： In order to improve the overvoltage recognition accuracy and quicken the recognition speed， an overvoltage identification method with genetic algorithm optimizing support vector machine is proposed. Since the single feature information is difficult to obtain the high overvoltage recognition rate， the combined features of time domain waveform， wave head and time?frequency spectrum are taken as the recognition features of overvoltage respectively， and then the training samples of overvoltage are used to study the support vector machine. The classifier of overvoltage identification is established， and the adaptive genetic algorithm is introduced to optimize the parameters of support vector machine. The performance of an overvoltage recognition instance was performed for simulation analysis. The results show that the average overvoltage recognition rate of the proposed method can reach up to 95%， far exceeds the practical application requirements of 85%， and the recognition result is superior to other overvoltage identification methods.

Keywords： overvoltage identification； support vector machine； transmission line； genetic algorithm

0 引 言

雷電是一種無法預測的自然現(xiàn)象，會對輸電線路產(chǎn)生干擾，引起輸電線路故障，而僅對輸電線路添加防雷保護難以保證輸電線路的正常工作，過電壓識別可以反映輸電線路的工作狀態(tài)，為電力系統(tǒng)管理人員提供有價值的參考意見，因此提高過電壓的識別率具有重要的實際應用價值[1?2]。

針對過電壓識別問題，學者們從理論、方法以及技術等方面進行深入的分析，提出了許多有效的過電壓識別方法[3]。最初過電壓識別通過專家系統(tǒng)進行，過電壓由于類型多、產(chǎn)生原因復雜，專家系統(tǒng)識別率低，而且識別結果具有盲目性，難以應用于實際過電壓識別[4]。

隨著機器學習技術研究的不斷深入，機器學習算法被學者們引入到了過電壓識別的建模中，將過電壓識別看作是一種多分類問題，根據(jù)特征對樣本進行處理，建立過電壓識別的分類器，以區(qū)別出各種類型的過電壓，在過電壓識別中應用最為廣泛[5?7]。特征提取是過電壓識別的基礎，對后續(xù)過電壓識別結果影響大，當前特征主要有：電流變化幅值、時域波形、暫態(tài)電流特征等[8?10]，單一特征只能描述過電壓類型的部分、片段信息，難以獲得正確率高的過電壓識別結果，通用性較差；當前過電壓識別基于神經(jīng)網(wǎng)絡、支持向量機（Support Vector Machine，SVM）等建模，神經(jīng)網(wǎng)絡雖然具有自學習、非線性分類能力，但要求過電壓識別的訓練樣本數(shù)量大，而過電壓識別是一種典型小樣本的多分類問題，易得到“過擬合”的過電壓識別結果[11]。

SVM是一種小樣本的機器學習算法，不存在神經(jīng)網(wǎng)絡要求樣本大、過擬合的缺陷，其參數(shù)直接影響過電壓識別的結果[12]。

為了提高過電壓識別的準確性，提出一種基于自適應遺傳算法優(yōu)化支持向量機的過電壓識別方法（GA?SVM）。首先提取時域波形、波頭、時頻譜作為過電壓識別特征，然后采用支持向量機建立過電壓識別的分類器，并采用自適應遺傳算法對支持向量機參數(shù)進行優(yōu)化，實例結果表明，本文方法的過電壓平均識別率達到95%以上，識別性能要優(yōu)于當前經(jīng)典過電壓識別方法。

1 雷擊過電壓識別的特征

采用時域波形、波頭、時頻譜對輸電線路的雷擊過電壓狀態(tài)進行特征提取，具體見表1。

建立性能優(yōu)異的過電壓識別模型，需要選擇一定算法對過電壓類型與特征之間的關系進行準確擬合，即以過電壓特征作為輸入量，過電壓類型作為期望輸出，組成訓練樣本和測試樣本，本文選擇支持向量機建立輸電線路的雷擊過電壓識別模型，并采用自適應遺傳算法對支持向量機參數(shù)進行優(yōu)化。

2 自適應遺傳算法優(yōu)化支持向量機的過電壓識別

2.1 支持向量機

采用標準Benchmark函數(shù)：Griewank對標準遺傳算法（GA）和自適應遺傳算法（AGA）進行對比研究，結果如圖2所示。從圖2可知，AGA的收斂速度要快于GA，而且獲得更高的收斂精度，求解結果更加穩(wěn)定。

2.3 AGA?SVM的過電壓識別步驟

（1） 收集過電壓數(shù)據(jù)，并對特征值進行歸一化處理。

（2） 產(chǎn)生遺傳算法的初始種群。

（3） 將過電壓訓練樣本輸入到支持向量機學習，計算每個個體的適應度值。

（4） 判斷是否達到終止條件，若達到要求則輸出最優(yōu)個體，進入步驟（6）。

（5） 進行選擇、自適應交叉和變異操作，產(chǎn)生新的種群。

（6） 計算新種群中每個個體的適應度值。

（7） 最優(yōu)個體得到支持向量機參數(shù)，建立過電壓識別模型。

3 過電壓識別的應用實例

對于每種類型雷擊過電壓狀態(tài)，均收集50個樣本數(shù)據(jù)，40個樣本用于訓練支持向量機，構建過電壓識別模型，其余10個樣本對過電壓識別效果進行測試和分析。短路故障過電壓、感應雷擊過電壓、直擊雷擊過電壓、繞擊雷擊過電壓、反擊雷擊過電壓的標簽編號分別為1，2，3，4，5。

為了使AGA?SVM的雷擊過電壓識別結果具有可比性，選擇GA?SVM的雷擊過電壓識別模型進行對比實驗，實驗結果如圖3～圖5所示。通過對比圖3和圖4中GA?SVM和AGA?SVM的雷擊過電壓識別準確率可知，AGA?SVM的識別準確率平均達到95%以上，比GA?SVM的識別準確率提高了5.25%，這主要是由于AGA采用了自適應的交叉變異機制，較好地解決了GA陷入局部最優(yōu)解，找到了更優(yōu)的SVM參數(shù)，建立了正確率更高的雷擊過電壓識別模型。

同時從圖5可以看出，AGA?SVM的雷擊過電壓識別時間更少，主要是因為AGA加快了SVM參數(shù)的尋優(yōu)效率，進化代數(shù)明顯減少，加快了雷擊過電壓識別的建模速度，提高了雷擊過電壓識別的效率，實際應用范圍更加廣泛。

4 結 語

為了減少輸電線路的過電壓識別錯誤率，提出一種AGA?SVM的過電壓識別方法。首先提取多種過電壓的特征，然后采用自適應遺傳算法優(yōu)化支持向量機擬合過電壓類別與特征之間的變化關系，最后采用具體數(shù)據(jù)進行仿真實驗，結果表明，本文方法是一種速度快、正確率高的雷擊過電壓識別方法。

參考文獻

[1] TAWFIK M M， MORCOS M M. On the use of Prony to locate faults in loop systems by utilizing modal parameters of fault current [J]. IEEE transactions on power delivery， 2005， 20（1）： 532?534.

[2] 杜林，戴斌，司馬文霞，等.架空輸電線路雷電過電壓識別[J].高電壓技術，2010（3）：590?597.

[3] 董杏麗，葛耀中，董新洲.行波保護中雷電干擾問題的對策[J].中國電機工程學報，2002（9）：74?78.

[4] 張偉剛，張保會，胡海松，等.應用小波包分析實現(xiàn)配電網(wǎng)單相接地故障選線[J].電力系統(tǒng)自動化，2009，33（23）：60?64.

[5] 張保會，趙慧梅，張文豪，等.基于特征頻帶內(nèi)暫態(tài)零序電流特點的配電網(wǎng)單相接地故障選線方法[J].電力系統(tǒng)保護與控制，2008，36（17）：5?10.

[6] 束洪春，王永治，程春和，等.800 kV直流輸電線路雷擊電磁暫態(tài)分析與故障識別[J].中國電機工程學報，2008，28（19）：93?100.

[7] 胡亞平，呂飛鵬，周鑫，等.基于PRONY法的超高壓線路單相自適應重合閘故障識別原理[J].電力系統(tǒng)保護與控制，2010，38（9）：23?26.

[8] 段建東，張保會，郝志國.超高壓線路暫態(tài)保護中雷電干擾與短路故障的識別[J].電力系統(tǒng)自動化，2004，28（18）：30?35.

[9] 段建東，任晉峰，張保會，等.超高速保護中雷電干擾識別的暫態(tài)法研究[J].中國電機工程學報，2006，26（23）：7?13.

[10] 陳仕龍，張杰，畢貴紅，等.基于小波分析的特高壓直流輸電線路雙端電壓暫態(tài)保護[J].電網(wǎng)技術，2013，37（10）：2719?2725.

[11] 司馬文霞，謝博，楊慶，等.特高壓輸電線路雷電過電壓的分類識別方法[J].高電壓技術，2010（2）：306?312.

[12] 馬騫，楊以涵，劉文穎，等.多輸入特征融合的組合支持向量機電力系統(tǒng)暫態(tài)穩(wěn)定評估[J].中國電機工程學報，2005，25（6）：17?23.