自適應(yīng)遺傳算法優(yōu)化支持向量機(jī)的過電壓識(shí)別

謝　川，解武杰

（空軍工程大學(xué) 航空航天工程學(xué)院，陜西 西安　710038）

自適應(yīng)遺傳算法優(yōu)化支持向量機(jī)的過電壓識(shí)別

謝川，解武杰

（空軍工程大學(xué) 航空航天工程學(xué)院，陜西 西安710038）

為了提高過電壓識(shí)別的準(zhǔn)確性，以及加快過電壓的識(shí)別速度，提出一種自適應(yīng)遺傳算法優(yōu)化支持向量機(jī)的過電壓識(shí)別方法。首先針對(duì)單一特征信息難以獲得過電壓高識(shí)別率的問題，采用時(shí)域波形、波頭、時(shí)頻譜的組合特征作為過電壓識(shí)別特征，然后采用過電壓的訓(xùn)練樣本對(duì)支持向量機(jī)進(jìn)行學(xué)習(xí)，建立過電壓識(shí)別的分類器，并引入自適應(yīng)遺傳算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，最后采用具體過電壓識(shí)別實(shí)例進(jìn)行性能仿真分析。結(jié)果表明，該方法的過電壓平均識(shí)別率達(dá)到95%以上，遠(yuǎn)遠(yuǎn)超過了實(shí)際應(yīng)用的85%要求，且識(shí)別結(jié)果要優(yōu)于其他過電壓識(shí)別方法。

過電壓識(shí)別；支持向量機(jī)；輸電線路；遺傳算法

0　引　言

雷電是一種無法預(yù)測(cè)的自然現(xiàn)象，會(huì)對(duì)輸電線路產(chǎn)生干擾，引起輸電線路故障，而僅對(duì)輸電線路添加防雷保護(hù)難以保證輸電線路的正常工作，過電壓識(shí)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(jià)值的參考意見，因此提高過電壓的識(shí)別率具有重要的實(shí)際應(yīng)用價(jià)值［1-2］。

針對(duì)過電壓識(shí)別問題，學(xué)者們從理論、方法以及技術(shù)等方面進(jìn)行深入的分析，提出了許多有效的過電壓識(shí)別方法［3］。最初過電壓識(shí)別通過專家系統(tǒng)進(jìn)行，過電壓由于類型多、產(chǎn)生原因復(fù)雜，專家系統(tǒng)識(shí)別率低，而且識(shí)別結(jié)果具有盲目性，難以應(yīng)用于實(shí)際過電壓識(shí)別［4］。

隨著機(jī)器學(xué)習(xí)技術(shù)研究的不斷深入，機(jī)器學(xué)習(xí)算法被學(xué)者們引入到了過電壓識(shí)別的建模中，將過電壓識(shí)別看作是一種多分類問題，根據(jù)特征對(duì)樣本進(jìn)行處理，建立過電壓識(shí)別的分類器，以區(qū)別出各種類型的過電壓，在過電壓識(shí)別中應(yīng)用最為廣泛［5-7］。特征提取是過電壓識(shí)別的基礎(chǔ)，對(duì)后續(xù)過電壓識(shí)別結(jié)果影響大，當(dāng)前特征主要有：電流變化幅值、時(shí)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(shí)別結(jié)果，通用性較差；當(dāng)前過電壓識(shí)別基于神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support Vector Machine，SVM）等建模，神經(jīng)網(wǎng)絡(luò)雖然具有自學(xué)習(xí)、非線性分類能力，但要求過電壓識(shí)別的訓(xùn)練樣本數(shù)量大，而過電壓識(shí)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(shí)別結(jié)果［11］。

SVM是一種小樣本的機(jī)器學(xué)習(xí)算法，不存在神經(jīng)網(wǎng)絡(luò)要求樣本大、過擬合的缺陷，其參數(shù)直接影響過電壓識(shí)別的結(jié)果［12］。

為了提高過電壓識(shí)別的準(zhǔn)確性，提出一種基于自適應(yīng)遺傳算法優(yōu)化支持向量機(jī)的過電壓識(shí)別方法（GA-SVM）。首先提取時(shí)域波形、波頭、時(shí)頻譜作為過電壓識(shí)別特征，然后采用支持向量機(jī)建立過電壓識(shí)別的分類器，并采用自適應(yīng)遺傳算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，實(shí)例結(jié)果表明，本文方法的過電壓平均識(shí)別率達(dá)到95%以上，識(shí)別性能要優(yōu)于當(dāng)前經(jīng)典過電壓識(shí)別方法。

1　雷擊過電壓識(shí)別的特征

采用時(shí)域波形、波頭、時(shí)頻譜對(duì)輸電線路的雷擊過電壓狀態(tài)進(jìn)行特征提取，具體見表1。

表1　時(shí)域波形、波頭、時(shí)頻譜特征描述

過電壓類型與特征之間的變化關(guān)系如表2所示，單一特征難以準(zhǔn)確描述雷擊過電壓的內(nèi)容，易造成雷擊過電壓誤識(shí)率高，為了避免單一特征的局限性，本文選擇時(shí)域波形、波頭、時(shí)頻譜的組合特征實(shí)現(xiàn)雷擊過電壓識(shí)別，以獲得更加理想的過電壓識(shí)別結(jié)果。

表2　雷擊過電壓類型與特征對(duì)應(yīng)表

建立性能優(yōu)異的過電壓識(shí)別模型，需要選擇一定算法對(duì)過電壓類型與特征之間的關(guān)系進(jìn)行準(zhǔn)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(xùn)練樣本和測(cè)試樣本，本文選擇支持向量機(jī)建立輸電線路的雷擊過電壓識(shí)別模型，并采用自適應(yīng)遺傳算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化。

2　自適應(yīng)遺傳算法優(yōu)化支持向量機(jī)的過電壓識(shí)別

2.1支持向量機(jī)

設(shè)訓(xùn)練集為：｛x（i）,y（i）,i=（m-1）τ,…,n-1｝，x（i）∈Rm，yi∈R，通過 φ（x）將其映射到高維特征空間F，估計(jì)函數(shù)為：

式中w和b為參數(shù)。

將式（1）轉(zhuǎn)換成一個(gè)優(yōu)化問題，具體為：

式中：ξi,表示松弛因子；C表示懲罰因子。

引入拉格朗日乘子αi和，將式（2）變?yōu)橥苟蝺?yōu)化問題，從而得到：

為了提高支持向量機(jī)的運(yùn)行效率，對(duì)式（3）繼續(xù)進(jìn)行變換，得到其對(duì)偶形式為：

采用k（xi,x）表示（φ（xi）,φ（x），支持向量機(jī)的分類函數(shù)為：

SVM是二分類器，而雷擊過電壓識(shí)別是一種多分類問題，采用“一對(duì)多”的雷擊過電壓識(shí)別分類器，其結(jié)構(gòu)具體如圖1所示。

圖1　雷擊過電壓識(shí)別分類器結(jié)構(gòu)

2.2自適應(yīng)遺傳算法

遺傳算法是一種模擬生物進(jìn)化機(jī)制的智能算法，將問題看作一個(gè)生存環(huán)境，個(gè)體代表問題的解，目標(biāo)函數(shù)值表示個(gè)體適應(yīng)環(huán)境能力，通過模擬“優(yōu)勝劣汰、適者生存”機(jī)制不斷產(chǎn)生新的群體，以最大概率找到最優(yōu)解。針對(duì)標(biāo)準(zhǔn)遺傳算法的不足，本文提出一種自適應(yīng)遺傳算法。遺傳算法工作前期，如滿足式（6）的條件時(shí)，交叉概率Pc值大，變異概率Pm值小，保證種群的多樣性。

式中：fmax和 favg為最大和平均適應(yīng)度值。

遺傳算法工作前期，如滿足式（7）條件，Pc值小，變異概率Pm值大，防止出現(xiàn)早熟現(xiàn)象。

進(jìn)化前期Pc和Pm的變化方式為：

式中：Pc0和Pm0是Pc和Pm的初值。

進(jìn)化后期Pc和Pm的變化方式為：

采用標(biāo)準(zhǔn)Benchmark函數(shù)：Griewank對(duì)標(biāo)準(zhǔn)遺傳算法（GA）和自適應(yīng)遺傳算法（AGA）進(jìn)行對(duì)比研究，結(jié)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(jié)果更加穩(wěn)定。

2.3AGA-SVM的過電壓識(shí)別步驟

（1）收集過電壓數(shù)據(jù)，并對(duì)特征值進(jìn)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(xùn)練樣本輸入到支持向量機(jī)學(xué)習(xí)，計(jì)算每個(gè)個(gè)體的適應(yīng)度值。

（4）判斷是否達(dá)到終止條件，若達(dá)到要求則輸出最優(yōu)個(gè)體，進(jìn)入步驟（6）。

（5）進(jìn)行選擇、自適應(yīng)交叉和變異操作，產(chǎn)生新的種群。

（6）計(jì)算新種群中每個(gè)個(gè)體的適應(yīng)度值。

（7）最優(yōu)個(gè)體得到支持向量機(jī)參數(shù)，建立過電壓識(shí)別模型。

圖2　AGA與GA的性能對(duì)比

3　過電壓識(shí)別的應(yīng)用實(shí)例

對(duì)于每種類型雷擊過電壓狀態(tài)，均收集50個(gè)樣本數(shù)據(jù)，40個(gè)樣本用于訓(xùn)練支持向量機(jī)，構(gòu)建過電壓識(shí)別模型，其余10個(gè)樣本對(duì)過電壓識(shí)別效果進(jìn)行測(cè)試和分析。短路故障過電壓、感應(yīng)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(biāo)簽編號(hào)分別為1，2，3，4，5。

為了使AGA-SVM的雷擊過電壓識(shí)別結(jié)果具有可比性，選擇GA-SVM的雷擊過電壓識(shí)別模型進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖3～圖5所示。通過對(duì)比圖3和圖4中GA-SVM和AGA-SVM的雷擊過電壓識(shí)別準(zhǔn)確率可知，AGA-SVM的識(shí)別準(zhǔn)確率平均達(dá)到95%以上，比GASVM的識(shí)別準(zhǔn)確率提高了5.25%，這主要是由于AGA采用了自適應(yīng)的交叉變異機(jī)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(shí)別模型。

圖3　GA-SVM的雷擊過電壓識(shí)別結(jié)果

圖4　AGA-SVM的雷擊過電壓識(shí)別結(jié)果

圖5　AGA-SVM與GA-SVM的識(shí)別時(shí)間對(duì)比

同時(shí)從圖5可以看出，AGA-SVM的雷擊過電壓識(shí)別時(shí)間更少，主要是因?yàn)锳GA加快了SVM參數(shù)的尋優(yōu)效率，進(jìn)化代數(shù)明顯減少，加快了雷擊過電壓識(shí)別的建模速度，提高了雷擊過電壓識(shí)別的效率，實(shí)際應(yīng)用范圍更加廣泛。

4　結(jié)　語(yǔ)

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

［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(shí)別［J］.高電壓技術(shù)，2010（3）：590-597.

［3］董杏麗，葛耀中，董新洲.行波保護(hù)中雷電干擾問題的對(duì)策［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2002（9）：74-78.

［4］張偉剛，張保會(huì)，胡海松，等.應(yīng)用小波包分析實(shí)現(xiàn)配電網(wǎng)單相接地故障選線［J］.電力系統(tǒng)自動(dòng)化，2009，33（23）：60-64.

［5］張保會(huì)，趙慧梅，張文豪，等.基于特征頻帶內(nèi)暫態(tài)零序電流特點(diǎn)的配電網(wǎng)單相接地故障選線方法［J］.電力系統(tǒng)保護(hù)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(shí)別［J］.中國(guó)電機(jī)工程學(xué)報(bào)，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(yīng)重合閘故障識(shí)別原理［J］.電力系統(tǒng)保護(hù)與控制，2010，38（9）：23-26.

［8］段建東，張保會(huì)，郝志國(guó).超高壓線路暫態(tài)保護(hù)中雷電干擾與短路故障的識(shí)別［J］.電力系統(tǒng)自動(dòng)化，2004，28（18）：30-35.

［9］段建東，任晉峰，張保會(huì)，等.超高速保護(hù)中雷電干擾識(shí)別的暫態(tài)法研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，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(hù)［J］.電網(wǎng)技術(shù)，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(shí)別方法［J］.高電壓技術(shù)，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(jī)電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（6）：17-23.

Overvoltage identification with adaptive genetic algorithm optimizing SVM

XIE Chuan，XIE Wujie
（College of Aeronautics and Astronautics Engineering，Air Force Engineering University，Xi'an 710038，China）

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.

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

TN911-34；TM863

A

1004-373X（2016）19-0136-04

10.16652/j.issn.1004-373x.2016.19.033

2015-12-29

陜西自然科學(xué)基金（2015JM6345）

謝川（1974—），男，四川自貢人，博士，副教授。研究方向?yàn)轱w行數(shù)據(jù)智能處理、檢測(cè)技術(shù)教學(xué)與科研。

解武杰（1967—），男，陜西韓城人，碩士，副教授。研究方向?yàn)殡姎夤こ碳捌渥詣?dòng)化。