基于小波包變換和量子神經(jīng)網(wǎng)絡(luò)的觸電故障類型識(shí)別模型

關(guān)海鷗，劉 夢(mèng)，李春蘭，杜松懷，李偉凱※

0 引 言

目前低壓電網(wǎng)中廣泛應(yīng)用剩余電流保護(hù)裝置，通常是將檢測(cè)到的剩余電流大小作為發(fā)生觸電故障的動(dòng)作依據(jù)[1-3]，為避免其誤動(dòng)或拒動(dòng)現(xiàn)象的發(fā)生，國(guó)內(nèi)外學(xué)者進(jìn)行了大量研究和改進(jìn)[5-7]，文獻(xiàn)[8-11]利用多種信號(hào)處理方法，研究了生物體觸電支路電流幅值的計(jì)算方法，但未涉及到觸電故障類型的識(shí)別方法。因此提取生物體觸電故障時(shí)，剩余電流信號(hào)中時(shí)頻數(shù)字特征，并正確識(shí)別觸電故障類型，是發(fā)現(xiàn)剩余電流保護(hù)裝置問題并進(jìn)行治理和改善的重要前提條件。文獻(xiàn)[12]利用剩余電流固有模態(tài)分量特征，實(shí)現(xiàn)了生物體發(fā)生觸電故障的檢測(cè)模型，但尚未解決通過經(jīng)驗(yàn)?zāi)B(tài)分解提取各分量時(shí)，其分量數(shù)量及耗時(shí)在理論上具有不確定性的難題。小波包變換[13]能夠在多層次分辨基礎(chǔ)上，進(jìn)行數(shù)字信號(hào)的特征分析，并在電力系統(tǒng)檢測(cè)中得到成功應(yīng)用。劉子洋等[14]利用小波包變換對(duì)含噪聲的暫態(tài)電能質(zhì)量擾動(dòng)進(jìn)行有效的檢測(cè)與定位，分析了暫態(tài)電能質(zhì)量。Vatansever Fahri等[15]通過希爾伯特變換后電流信號(hào)和原始電流與電壓信號(hào)進(jìn)行小波包變換和運(yùn)算，實(shí)現(xiàn)了基波和各次諧波信號(hào)的功率計(jì)算。盧繼平等[16]將小波包分解和信息熵相結(jié)合，研究了故障點(diǎn)兩側(cè)暫態(tài)零序電流波形差異較大和不同頻率下的能量分布不同的問題。生物體發(fā)生觸電故障時(shí)所檢測(cè)的剩余電流，既含有高頻信息，又含有低頻信息?？衫眯〔ò儞Q算法具有多分辨率分析的特點(diǎn)[17]，固定剩余電流分解層數(shù)，提取其暫態(tài)時(shí)頻數(shù)字特征，為生物體觸電故障類型識(shí)別模型提供有效的判斷依據(jù)。人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的輸入與輸出映射功能和復(fù)雜的非線性處理能力，已普遍應(yīng)用于電力系統(tǒng)故障模式分類。早在1989年文獻(xiàn)[18]將電力系統(tǒng)的報(bào)警信息作為輸入向量，建立基于BP神經(jīng)網(wǎng)絡(luò)的故障識(shí)別模型；吳欣等[19]利用貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)了在不確定性和不完備信息下的電力系統(tǒng)故障診斷；文獻(xiàn)[20?21]將粗糙集理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，實(shí)現(xiàn)了電網(wǎng)故障模式分類方法；文獻(xiàn)[22?23]通過小波包提取電力系統(tǒng)故障的能量特征，實(shí)現(xiàn)了基于多小波包和人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)故障類型檢測(cè)。上述研究成果未實(shí)現(xiàn)低壓弱信號(hào)的剩余電流在識(shí)別生物體觸電故障類型的應(yīng)用，但為發(fā)揮神經(jīng)網(wǎng)絡(luò)和小波包變換各自優(yōu)勢(shì)，用以實(shí)現(xiàn)生物體觸電故障類型與剩余電流之間的映射關(guān)系提供了基礎(chǔ)，以解決剩余電流保護(hù)技術(shù)中及時(shí)準(zhǔn)確識(shí)別觸電故障類型的問題。本文應(yīng)用小波包變換方法明確剩余電流中暫態(tài)時(shí)頻數(shù)字特征，提取小波包能量特征向量為有效信息源，利用自適應(yīng)量子神經(jīng)網(wǎng)絡(luò)的推理機(jī)制，建立基于小波包變換和量子神經(jīng)網(wǎng)絡(luò)的觸電故障類型識(shí)別模型。同時(shí)應(yīng)用多個(gè)量子能量級(jí)的量子神經(jīng)元模型，構(gòu)造前饋神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)，實(shí)現(xiàn)自適應(yīng)地確定剩余電流與觸電故障類型之間的非線性映射關(guān)系，簡(jiǎn)單直接地完成定性與定量之間的相互轉(zhuǎn)換，以期提高觸電故障類型識(shí)別效率。

1 基于小波包變換提取觸電信號(hào)能量特征

1.1 小波包變換分解與重構(gòu)

式中 j為分解層數(shù)，i=0,1,···,2j-1為頻帶節(jié)點(diǎn)，t=1,2, ···,n，n 為離散采樣點(diǎn)數(shù)，k為平移因子，h(k)為低頻濾波器，g(k)=(-1)kh(1-k)為高頻濾波器，二者具有正交性。

應(yīng)用小波包變換分解與重構(gòu)方法，分析生物體觸電信號(hào)，提取剩余電流的數(shù)字特征。

1.2 小波包能量特性分析過程

由于觸電信號(hào)的時(shí)頻特性分析中小波包變換是一種線性變換，滿足能量守恒定理[25]

則第j層的第i個(gè)頻帶能量歸一化處理可表示為

將第j層各頻帶能量譜歸一化處理，可構(gòu)成該層能量譜特征向量Vj為

生物體發(fā)生觸電故障時(shí)剩余電流包含基波和不同的頻率成分，考慮低壓電網(wǎng)工頻信號(hào)為50 Hz，采樣頻率為10 000 Hz，因此將剩余電流進(jìn)行8層分解時(shí)，其頻帶節(jié)點(diǎn)個(gè)數(shù)為28，即剩余電流分解為256個(gè)頻段，每個(gè)頻帶寬度為10 000/256 Hz，即39.0 625 Hz。

1.3 小波包能量特征分析實(shí)例

為保證小波包分解的相對(duì)穩(wěn)定性和剩余電流保護(hù)技術(shù)的時(shí)效性，采用課題組設(shè)計(jì)的剩余電流動(dòng)作保護(hù)裝置觸電物理試驗(yàn)系統(tǒng)平臺(tái)，試驗(yàn)原理詳見文獻(xiàn)[5]。通過故障錄波器獲得生物體觸電故障過程中剩余電流（圖1a）、觸電電流（圖1b）、電源電壓（圖1c）的原始數(shù)據(jù)。截取工頻15個(gè)周期的信號(hào)波形，其中包括觸電前5個(gè)周期，觸電后10個(gè)周期，相關(guān)電氣信號(hào)的波形如圖1所示。

圖1 生物觸電試驗(yàn)數(shù)據(jù)Fig.1 Experimental data of biological electrocution

圖1 中橫坐標(biāo)為離散采樣點(diǎn)（時(shí)間），共15個(gè)周期（3 000個(gè)點(diǎn)）；縱坐標(biāo)對(duì)應(yīng)采樣時(shí)刻的電氣回路相關(guān)電壓和電流的有效值。其中電流值為實(shí)際真實(shí)值 2倍，為研究生物體觸電故障類型識(shí)別模型提供原始數(shù)據(jù)。文中以哈爾正交小波函數(shù)對(duì)信號(hào)進(jìn)行8層小波包分解與重構(gòu)系數(shù)。該函數(shù)是在小波分析中最常用到的一個(gè)具有緊支撐的正交小波函數(shù)，其定義[28]為

式中x為輸入電流。

尺度函數(shù)為

哈爾正交小波函數(shù)的支撐長(zhǎng)度為1，濾波器長(zhǎng)度為2。應(yīng)用哈爾小波函數(shù)對(duì)剩余電流信號(hào)進(jìn)行小波包變換后，選取發(fā)生觸電故障前2個(gè)工頻周期的剩余電流信號(hào)，依據(jù)式（3）和式（4），計(jì)算供電回路的正常剩余電流中各頻段能量，如圖2a所示。該小波包分解后能量集中在第0～3個(gè)頻帶表示的156.25 Hz以下低頻信號(hào)分量?jī)?nèi)，高頻信號(hào)分量能量對(duì)應(yīng)較小，且逐漸隨著頻率的升高而減小。

圖2 剩余電流各頻帶能量Fig.2 Band energy of each frequency of residual current

同原理，選取發(fā)生生物觸電故障時(shí)前后各1個(gè)工頻周期，共2個(gè)工頻周期的剩余電流信號(hào)，計(jì)算其小波包變換后各個(gè)頻段能量，如圖2b所示。發(fā)生觸電故障時(shí)經(jīng)小波包變換的剩余電流各頻帶能量依然集中在低頻帶內(nèi)，但相對(duì)于未發(fā)生觸電故障信號(hào)結(jié)果更為分散。統(tǒng)計(jì)312.475 Hz以下低頻分量，即第0～7個(gè)頻帶的能量平均值分別為：20 729.69、52 406.63、14 882.15、33 787.17、2 854.317、4 031.809、4 479.165、9 396.813；其中1頻帶的基波和3頻帶的3次諧波，二者能量與觸電故障前相比增幅明顯，直流分量、2次及4次諧波的頻帶有相對(duì)較大的能量波動(dòng)。

由圖2剩余電流各頻帶節(jié)點(diǎn)的能量變化實(shí)例可知，在剩余電流信號(hào)中，低頻段的能量較高，更為集中在39.062 5～78.125 Hz和119.2～56.25 Hz頻帶內(nèi)，其能量譜能夠反映觸電故障發(fā)生時(shí)剩余電流的數(shù)特征。在不同頻段中不同觸電時(shí)刻的能量產(chǎn)生了差異，是由于試驗(yàn)時(shí)觸電電壓未穩(wěn)定在某一確定范圍內(nèi)，同一頻段內(nèi)，特別是低頻頻段內(nèi)能量發(fā)生突變與算法無關(guān)。

因此應(yīng)用式（5）對(duì)各頻帶的節(jié)點(diǎn)能量進(jìn)行歸一化處理。觸電前（未發(fā)生觸電故障2個(gè)工頻周期）與觸電時(shí)（發(fā)生觸電故障時(shí)刻前后各1個(gè)工頻周期）剩余電流信號(hào)進(jìn)行小波包8層分解變換，計(jì)算不同頻帶的能量譜（歸一化），統(tǒng)計(jì)各頻帶能量占有比例，如圖3所示。

從圖3中剩余電流信號(hào)在觸電前和觸電時(shí)各階段，分別進(jìn)行8層的小波包分解，并得到各不同頻段的能

量歸一化占有比例。圖3a剩余電流在觸電故障前，通過小波包變化其能量的歸一化占有比集中在較低頻帶內(nèi)，計(jì)算312.475 Hz以下各頻帶分量的能量比例為：11.07、31.38、20.07、11.37、2.31、1.32、0.16、15.11；同理圖 3b中發(fā)生觸電故障時(shí)能量歸一化比例為：17.14、32.21、17.42、14.22、2.92、2.26、0.15、8.09。各階段頻帶節(jié)點(diǎn)總能量占有比例依次減少，頻率在468.725 Hz以下各頻帶的能量占有比之和達(dá)到96.53%和95.72%，其中第1頻帶至第3頻帶中能量相對(duì)最集中。圖3c中能量歸一化比例之差，能夠反映生物觸電故障發(fā)生前后所引起各個(gè)頻帶能量譜波動(dòng)的變化程度，對(duì)于頻率在312.475 Hz以下各頻帶影響較大。統(tǒng)計(jì)各頻帶能量比例之差的絕對(duì)值，計(jì)算其平均值為：5.58、9.05、5.93、9.00、0.87、1.65、1.19、3.65。能量譜起伏最顯著的頻帶為：0～156.25 Hz和273.412 5～ 312.475 Hz，其中，39.062 5～78.125 Hz和 119.2～156.25 Hz兩頻帶的能量占有比之差的絕對(duì)值，其均值波動(dòng)幅度達(dá)到9.05和9.00尤為突出。綜合分析剩余電流小波能量譜變化規(guī)律可知，應(yīng)選取作為生物體觸電故障的小波包能量譜特征向量。

圖3 剩余電流小波包頻帶能量占有比例變化Fig.3 Residual current wavelet packet frequency band energy ratio change

2 基于小波包能量特征觸電故障檢測(cè)

剩余電流經(jīng)能量譜特征向量，在生物體觸電故障發(fā)生時(shí)的突出變化，可作為生物觸電故障檢測(cè)的依據(jù)。定義T-1和T0分別為無觸電故障發(fā)生的2個(gè)順序時(shí)間階段，且各自時(shí)長(zhǎng)具有2個(gè)工頻周期，T1為發(fā)生觸電故障時(shí)前后各1個(gè)工頻周期的時(shí)間階段，F(xiàn)i(T-1,T0)表示在發(fā)生觸電故障前，第i個(gè)頻帶能量占有比例之差的絕對(duì)值；Fi(T0,T1)表示在發(fā)生觸電故障時(shí)，第i個(gè)頻帶能量占有比例之差的絕對(duì)值。因此觸電時(shí)與觸電前的剩余電流信號(hào)，在第i個(gè)頻帶的能量譜變化率Ri為

將剩余電流信號(hào)進(jìn)行8層小波包分解后，計(jì)算頻率在312.475 Hz以下各頻帶節(jié)點(diǎn)的頻譜特征，如表1所示。

表1 剩余電流8層分解的能量特征變化Table 1 Changes of energy characteristics based on 8-dimentional decomposition of residual current

隨機(jī)選取四肢哺乳類動(dòng)物為對(duì)象的生物體直接觸電故障和常見植物為代表的常見介質(zhì)觸電故障共 200組剩余電流信號(hào)，應(yīng)用哈爾正交小波函數(shù)對(duì)其進(jìn)行 8層分解重構(gòu)，計(jì)算頻率在312.475 Hz以下各頻帶的能量突變量 ΔR值范圍 4.8786～118.354 7，其平均值為41.184 983。為保證觸電故障檢測(cè)的全面準(zhǔn)確，設(shè)置能量突變量ΔR的閾值為4，作為觸電故障發(fā)生的判斷依據(jù)。同時(shí)另外隨機(jī)選取100組剩余電流信號(hào)對(duì)本文提出的觸電故障檢測(cè)方法進(jìn)行驗(yàn)證，仿真試驗(yàn)準(zhǔn)確率達(dá)到100%，所以基于小波包能量譜特征的觸電故障檢測(cè)是一種準(zhǔn)確可靠的新方法。

3 基于量子神經(jīng)網(wǎng)絡(luò)的觸電故障類型識(shí)別

3.1 量子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于生物體觸電故障類型與剩余電流之間映射關(guān)系，難以用精確數(shù)學(xué)模型表達(dá)，本文利用量子神經(jīng)網(wǎng)絡(luò)中量子神經(jīng)元具有多個(gè)量子能級(jí)的激活函數(shù)，可自適應(yīng)地確定樣本數(shù)據(jù)中潛在的模糊決策規(guī)律，將其作為一種解決觸電故障類型識(shí)別模型。研究中采用3層量子神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)結(jié)構(gòu)中隱含層為量子神經(jīng)元[29]，如圖4所示。

圖4 量子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Quantum neural network structure

第二層為隱含層。該網(wǎng)絡(luò)隱含層各節(jié)點(diǎn)的激勵(lì)函數(shù)為sigmoid函數(shù)f，每個(gè)隱含層節(jié)點(diǎn)的離散級(jí)別數(shù)為n，陡度因子為α，輸入層到隱含層的連接加權(quán)為ωij，各節(jié)點(diǎn)閾值為aj，量子間隔為為隱含層第j個(gè)節(jié)點(diǎn)的輸出

式中

第三層為輸出層。該層各節(jié)點(diǎn)的線性函數(shù)為g，隱含層到輸出層的連接加權(quán)為vjk，各節(jié)點(diǎn)的閾值bk，則為輸出層第k節(jié)點(diǎn)的輸出

3.2 網(wǎng)絡(luò)參數(shù)更新算法

量子神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)算法，采用梯度下降法學(xué)習(xí)[30]訓(xùn)練網(wǎng)絡(luò)參數(shù)。調(diào)整誤差函數(shù)定義

式中Y為實(shí)際輸出，D為期望輸出，則量子神經(jīng)網(wǎng)絡(luò)可調(diào)整參數(shù)學(xué)習(xí)規(guī)則為

式中η為學(xué)習(xí)速度；β為慣性系數(shù)；t為學(xué)習(xí)次數(shù)。利用該學(xué)習(xí)算法可對(duì)隱含層各節(jié)點(diǎn)的量子間隔進(jìn)行更新。設(shè)C1,C2,···,Cm是實(shí)數(shù)分為m個(gè)類對(duì)應(yīng)的數(shù)據(jù)集，類Cm隱含層第j個(gè)節(jié)點(diǎn)的輸出值的誤差為

表示輸入時(shí)隱含層第j個(gè)

節(jié)點(diǎn)的輸出，其中|Cm|為類Cm的基數(shù)。

則可得到第j個(gè)隱含層節(jié)點(diǎn)的第r個(gè)量子間隔的更新式的表達(dá)式

式中μ為量子間隔更新學(xué)習(xí)率。

以上給出了量子神經(jīng)網(wǎng)絡(luò)中隱含層的量子神經(jīng)元的量子間隔更新算法。

3.3 觸電故障類型識(shí)別仿真應(yīng)用

由于低壓電網(wǎng)發(fā)生生物體觸電故障時(shí)，可能構(gòu)成觸電者生命安全，此時(shí)剩余電流保護(hù)裝置必須及時(shí)準(zhǔn)確動(dòng)作，而對(duì)于常見介質(zhì)觸電故障，可采取其他有效措施，所以開展生物體直接觸電和常見介質(zhì)觸電2大類觸電故障類型識(shí)別方法的研究，對(duì)于防止觸電傷亡事故，避免發(fā)生因漏電而引起的電氣火災(zāi)，保證電網(wǎng)安全可靠供電具有非常重要的作用。

3.3.1 獲取能量譜特征樣本

應(yīng)用哈爾正交小波包函數(shù)，對(duì)剩余電流中進(jìn)行 8層尺度分解，計(jì)算0～312.475 Hz各頻帶的8維度頻譜特征向量將其作為生物觸電故障類型的識(shí)別依據(jù)。在觸電故障類型研究過程中，選取生物體直接觸電和常見介質(zhì)觸電 2類觸電故障各200組數(shù)據(jù)，共計(jì)400個(gè)樣本。計(jì)算在發(fā)生觸電故障前后各1個(gè)工頻周期內(nèi)，剩余電流信號(hào)能量譜特征的8維度向量，如表2所示。

3.3.2 確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

依據(jù)3.1節(jié)中量子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定基于小波包變換的8維度能量特征，決定了網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為8；觸電故障類型2位二進(jìn)制編碼，即輸出層節(jié)點(diǎn)數(shù)為2；根據(jù)Kolmogorov定理和實(shí)際試驗(yàn)確定了隱含層量子神經(jīng)元節(jié)點(diǎn)為15；所以生物體觸電故障類型識(shí)別的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為8-15-2型。在網(wǎng)絡(luò)實(shí)際訓(xùn)練時(shí)，設(shè)定目標(biāo)精度為0.001，學(xué)習(xí)速度為0.8，慣性系數(shù)為0.6，最大學(xué)習(xí)次數(shù)為 40 000，其中量子間隔更新學(xué)習(xí)率為0.6，陡度因子為 1，各層的激活函數(shù)采用 Sigmoid函數(shù)，隱含層節(jié)點(diǎn)的量子神經(jīng)元具有3個(gè)離散級(jí)。

表2 基于小波包變換的能量譜特征（歸一化）Table 2 Energy spectrum characteristics based on wavelet packet transform (normalized)

3.3.3 網(wǎng)絡(luò)參數(shù)訓(xùn)練

選取生物體直接觸電和常見介質(zhì)觸電2種觸電故障各150個(gè)樣本，共計(jì)300個(gè)樣本為訓(xùn)練集。利用傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)和文中提出的量子神經(jīng)網(wǎng)絡(luò)分別進(jìn)行觸電故障類型識(shí)別模型的參數(shù)訓(xùn)練。在目標(biāo)精度和網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)均相同的前提下，量子神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為1 437次，滿足精度誤差為0.000 998 92，而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為 23 562次，滿足精度誤差為0.001，量子神經(jīng)網(wǎng)絡(luò)在平均迭代次數(shù)和精度誤差均優(yōu)于BP網(wǎng)絡(luò)。

本文以多能量級(jí)的量子神經(jīng)元構(gòu)建的神經(jīng)網(wǎng)絡(luò)，利用多個(gè)量子能級(jí)的激勵(lì)函數(shù)疊加來表示多種狀態(tài)，避免了傳統(tǒng)前饋 BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中易出現(xiàn)局部極小值的弊端，因此加快了訓(xùn)練速度。

3.3.4 觸電故障類型識(shí)別仿真與評(píng)價(jià)

仿真試驗(yàn)過程中，量子神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值，所對(duì)應(yīng)觸電故障類型二進(jìn)制編碼的解碼映射規(guī)則為：當(dāng)網(wǎng)絡(luò)輸出y1≥y2時(shí)，對(duì)應(yīng)觸電故障類型編碼為10，表示生物體直接觸電故障；當(dāng)網(wǎng)絡(luò)輸出y1＜y2時(shí)，對(duì)應(yīng)觸電故障類型編碼為01，表示常見介質(zhì)觸電故障。

通過生物體直接觸電和常見介質(zhì)觸電2種觸電故障各自剩余的50個(gè)樣本，共計(jì)100個(gè)樣本為測(cè)試集，對(duì)訓(xùn)練好的觸電故障類型自動(dòng)識(shí)別的神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證。該量子神經(jīng)網(wǎng)絡(luò)所計(jì)算的網(wǎng)絡(luò)輸出值和期望輸出值的誤差相對(duì)較小，絕對(duì)誤差范圍為–0.272 5～0.193 2，其平均值為0.027 4。對(duì)于生物體直接觸電故障和常見介質(zhì)觸電故障類型的識(shí)別準(zhǔn)確率達(dá)100%，實(shí)現(xiàn)了生物體觸電故障類型與剩余電流之間，難以用精確數(shù)學(xué)模型表達(dá)的映射關(guān)系。

為測(cè)試及評(píng)價(jià)基于小波包變換和量子神經(jīng)網(wǎng)絡(luò)模型（wavelet packet transformation-quantum neural network，WPT-QNN），對(duì)于觸電故障類型檢測(cè)性能的效果，評(píng)價(jià)性能指標(biāo)取觸電故障類型識(shí)別模型的檢測(cè)值偏離實(shí)際值偏差平均數(shù)的平方根，即均方根誤差（root mean square error，RMSE）。在相同條件下，與經(jīng)驗(yàn)?zāi)B(tài)分解和模糊神經(jīng)網(wǎng)絡(luò)模型（empirical mode decompositionfuzzy neural network，EMD-FNN）進(jìn)行性能比較，同樣設(shè)定目標(biāo)精度為 0.001。本文提出的 WPT-QNN與EMD-FNN識(shí)別方法，進(jìn)行觸電故障類型識(shí)別，仿真試驗(yàn)準(zhǔn)確率均為100%，比較2種觸電故障類型識(shí)別方法的性能參數(shù)結(jié)果，如表3所示。

表3 WPT-QNN與EMD-FNN識(shí)別觸電故障類型仿真結(jié)果Table 3 Simulation results of identifying electric shock type using wavelet packet transformation-quantum neural network(WPT-QNN) and empirical mode decomposition-fuzzy neural network (EMD-FNN) respectively

從表3中可以看出，2種觸電故障類型識(shí)別模型的神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)比較相近，均方根誤差（RMSE）分別為0.108 3和0.193 8。WPT-QNN模型網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，參數(shù)傳遞層數(shù)較少，因此在觸電故障類型識(shí)別的運(yùn)算速度上優(yōu)于EMD-FNN模型。EMD-FNN模型通過經(jīng)驗(yàn)?zāi)B(tài)分解剩余電流時(shí)，其分解層數(shù)范圍為4～7層，平均信號(hào)分解時(shí)間為 1.011 4 s，本文應(yīng)用小波包變換對(duì)剩余電流進(jìn)行8層分解時(shí)間僅為0.091 0 s，剩余電流分解時(shí)間節(jié)省了0.920 4 s，仿真時(shí)間加快了0.252 ms，避免了EMD-FNN模型在分量數(shù)量及耗時(shí)上存在的不確定性。所以基于小波包變換和量子神經(jīng)網(wǎng)絡(luò)的觸電故障類型識(shí)別模型，快速高效地實(shí)現(xiàn)了觸電故障類型的識(shí)別，滿足了剩余電流保護(hù)技術(shù)中及時(shí)準(zhǔn)確識(shí)別觸電故障類型的要求。

4 結(jié) 論

本文首先應(yīng)用小波包變換提取了剩余電流的小波包能量譜8維度特征向量，以此數(shù)字特征為有效信息源，實(shí)現(xiàn)了生物體發(fā)生觸電故障的準(zhǔn)確檢測(cè)，完成了觸電故障類型的有效識(shí)別。1）生物體觸電信號(hào)分解為8層共256個(gè)頻帶能量節(jié)點(diǎn)，當(dāng)發(fā)生觸電故障時(shí)能量譜起伏最顯著的頻帶為：0～156.25 Hz和 273.412 5～312.475 Hz，選取了生物觸電故障信號(hào)的小波包能量譜8維度特征向量，將剩余電流信號(hào)有效信息轉(zhuǎn)換為能量數(shù)字特征。2）通過觸電故障前后各頻帶能量占有比之差的絕對(duì)值，計(jì)算其平均值的變化率，進(jìn)行觸電故障檢測(cè)的準(zhǔn)確率達(dá)到100%，建立了基于小波包能量譜特征的觸電故障檢測(cè)方法。3）應(yīng)用量子神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了剩余電流電流與觸電故障類型之間潛在規(guī)律的映射關(guān)系，該網(wǎng)絡(luò)隱含層采用多個(gè)量子能級(jí)的量子神經(jīng)元，自適應(yīng)地確定樣本數(shù)據(jù)中潛在的模糊決策規(guī)律，其仿真試驗(yàn)準(zhǔn)確率為100%，均方根誤差（RMSE）為0.108 3。本文提出的 WPT-QNN(wavelet packet transformationquantum neural network，WPT-QNN)與 EMD-FNN(empirical mode decomposition- fuzzy neural network)模型相比較，剩余電流分解時(shí)間節(jié)省了 0.920 4 s，仿真時(shí)間加快了 0.252 ms，能夠滿足剩余電流保護(hù)技術(shù)中快速準(zhǔn)確動(dòng)作的實(shí)際要求，為快速高效地識(shí)別觸電故障類型提供了一種新的檢測(cè)方法。為研發(fā)基于生物體觸電電流而動(dòng)作的新型剩余電流保護(hù)裝置，保證低壓電網(wǎng)的人身安全和安全運(yùn)行提供可靠的理論依據(jù)和方法支撐。

[1] 杜松懷，張?bào)慊? 電力系統(tǒng)接地技術(shù)[M]. 北京：中國(guó)電力出版社，2011.

[2] 夏越，杜松懷，李春蘭. 中國(guó)剩余電流保護(hù)技術(shù)與裝置的發(fā)展趨勢(shì)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(增刊2)：151－155.Xia Yue, Du Songhuai, Li Chunlan. Development tendency of residual current protection technology and device in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.2):151－155. (in Chinese with English abstract)

[3] Taylor C J, Twynham S C, Powell S C. A magnetoresistive residual current sensor[C]// IEE Colloquium on Advances in Sensors, London, UK. IEE, Stevenage, United Kingdom,1995, 232: 1－6.

[4] Brennan P V. Residual current device with high immunity to nuisance tripping[J]. IEE Proceedings on Circuits Devices and Systems, 1993, 140(2): 140－144．

[5] 關(guān)海鷗，杜松懷，蘇娟，等．一種觸電信號(hào)的自動(dòng)快速檢測(cè)模型[J]．電網(wǎng)技術(shù)，2013，37(8)：2328－2335．Guan Haiou, Du Songhuai, Su Juan, et al. An automatic and quick detection model of electric shock signals[J]. Power System Technology, 2013, 37(8): 2328－2335. (in Chinese with English abstract)

[6] Luis M, Ryszard R, Franjo C. Design of a magneto-optic residual current device using aqueous ferrofluid as the sensing material[C]//Proceedings of the 21st IEEE Instrumentation and Measurement Technology Conference. Italy: Institute of Electrical and Electronics Engineers Inc, 2004: 804－807.

[7] Su Juan, Xia Yue, Du Songhuai, et al. Study on identifying method of electric shock current amplitude based on Independent Component Analysis[C]//2011 International Conference on Advanced Power System Automation and Protection, Beijing, 2011, 1034－1038.

[8] 李春蘭，杜松懷，蘇娟. 一種新的基于小波變換和混沌理論的觸電信號(hào)檢測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制，2011，39(10)：48－55.Li Chunlan, Du Songhuai, Su Juan. A novel detecting method of electric shock signal based on wavelet transform and chaotic theory[J]. Power System Protection and Control,2011, 39(10): 48－55. (in Chinese with English abstract)

[9] 關(guān)海鷗，李偉凱，杜松懷，等. 基于 Hilbert-Huang 變換的生物觸電電流檢測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(14)：202－209.Guan Haiou, Li Weikai, Du Songhuai, et al. Detection model of biological electric shock current based on Hilbert-Huang transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(14): 202－209. (in Chinese with English abstract)

[10] 李春蘭，蘇娟，杜松懷，等. 基于小波分析和 BP神經(jīng)網(wǎng)絡(luò)的觸電信號(hào)檢測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(增刊2)：130－134.Li Chunlan, Su Juan, Du Songhuai, et al. Detecting model of electric shock signal based on wavelet analysis and BP neural network [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(Supp.2): 130－134. (in Chinese with English abstract)

[11] 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(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(23)：238－245.Han Xiaohui, Du Songhuai, Su Juan, et al. Determination method of electric shock current based on parameteroptimized least squares support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 238－245. (in Chinese with English abstract)

[12] 王金麗，劉永梅，杜松懷，等．基于剩余電流固有模態(tài)能量特征的生物觸電故障診斷模型[J]．農(nóng)業(yè)工程學(xué)報(bào)，2016，32(21)：202－208．Wang Jinli, Liu Yongmei, Du Songhuai, et al. Fault diagnosis model for biological electric shock based on residual current intrinsic mode function energy features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 202－208. (in Chinese with English abstract)

[13] Eissa M M. A novel digital directional transformer protection technique based on wavelet packet[J]. IEEE Transactions on Power Delivery, 2005, 20(3): 1830－1836.

[14] 劉子洋，王桂英，吳鵬飛. 基于小波包變換的暫態(tài)電能質(zhì)量擾動(dòng)信號(hào)分析[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，44(1)：118－121.Liu Ziyang, Wang Guiying, Wu Pengfei. Power quality disturbance signal analysis based on wavelet packet transform in transient[J]. Journal of Shenyang Agricultural University,2013, 44(1): 118－121. (in Chinese with English abstract)

[15] Vatansever Fahri, Ozdemir Ayhan. Power parameters calculations based on wavelet packet transform[J]. International Journal of Electrical Power and Energy Systems, 2009,31(10): 596－603.

[16] 盧繼平，徐兵. 基于小波包能量相對(duì)熵的配電網(wǎng)單相接地故障區(qū)段定位[J]. 電力系統(tǒng)保護(hù)與控制，2012，40(20)：26－32.Lu Jiping, Xu Bing. Single-phase earth fault section location based on wavelet packet energy relative entropy in distribution network[J]. Power System Protection and Control, 2012, 40(20): 26－32. (in Chinese with English abstract)

[17] Rioul O, Vetterli M. Wavelets and signal processing[J]. IEEE Signal Processing Magazine, 1991, 8(4): 14－38.

[18] Chan H P E. Application of neural-network computing in intelligent alarm processing[J]. In: 1989 Power Industry Computer Application Conference. Seattle: IEEE, 1989, 246－251.

[19] 吳欣，郭創(chuàng)新. 基于貝葉斯網(wǎng)絡(luò)的電力系統(tǒng)故障診斷方法[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2005，17(4)：11－16.Wu Xin, Guo Chuangxin. Power system fault diagnosis approach based on bayesian network[J]. Proceedings of the CSU-EPSA, 2005, 17(4): 11－16. (in Chinese with English abstract)

[20] 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(guó)電機(jī)工程學(xué)報(bào)，2010，30(28)：72－80.Lin Sheng, He Zhengyou, Zang Tianlei, et al. Novel approach of fault type classification in transmission lines based on rough membership neural networks[J]. Proceedings of the CSEE, 2010, 30(28): 72－80. (in Chinese with English abstract)

[21] 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.Li Xiaoquan, Zhuang Dehui, Zhang Qiang. A new fault diagnosis model of electric power grid based on rough radical basis function neural networks[J]. Power System Protection and Control, 2009, 37(18): 20－24. (in Chinese with English abstract)

[22] 張舉，王興國(guó)，李志雷. 小波包能量熵神經(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.Zhang Ju, Wang Xinggou, Li Zhilei. Application of network based on wavelet packet-energy entropy in Power system fault diagnosis[J]. Power System Technology, 2006, 30(5):72－76. (in Chinese with English abstract)

[23] 李東敏，劉志剛，蘇玉香，等. 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(shí)別[J]. 電力自動(dòng)化設(shè)備，2009，29(1)：99－104.Li Dongmin, Liu Zhigang, Su Yuxiang, et al. Fault recognition based on multi－wavelet packet and artificial neural network[J]. Electric Power Automation Equipment,2009, 29(1): 99－104. (in Chinese with English abstract)

[24] 滕召勝，羅志坤，孫傳奇，等. 基于小波包分解與重構(gòu)算法的諧波電能計(jì)量[J]. 電工技術(shù)學(xué)報(bào)，2010，25(8)：200－206.Teng Zhaosheng, Luo Zhikun, Sun Chuanqi, et al. Harmonic energy measurement based on wavelet packet decomposition and reconstruction algorithm[J]. Transactions of China Electrotechnical Society, 2010, 25(8): 200－206. (in Chinese with English abstract)

[25] 史秋亮，林江. 基于小波包分解與能量特征提取的相關(guān)分析法[J]. 聲學(xué)與電子工程，2010，25(4)：18－20,24.

[26] 劉書俊，李著信，蘇毅. 基于小波包能量譜的管道缺陷磁記憶檢測(cè)信號(hào)特征研究[J]. 后勤工程學(xué)院學(xué)報(bào)，2012，28(4)，75－80.Liu Shujun, Li Zhuxin, Su Yi. Study on magnetic memory testing signal feature of pipeline defect based on wavelet packet energy spectrum[J]. Journal of Logistical Engineering University, 2012, 28(4):75－80. (in Chinese with English abstract)

[27] 韓博，馬芹永. 煤礦巖巷爆破振動(dòng)信號(hào)能量分布特征的小波包分析[J]. 中國(guó)礦業(yè)，2013，22(6)：110－114.Han Bo, Ma Qinyong. Wavelet packet analysis of energy distribution feature of blasting vibration signals in coal mine rock roadway[J]. China Mining Magazine, 2013, 22(6)：110－114. (in Chinese with English abstract)

[28] 彭園園. 小波分析在一維信號(hào)去噪中的應(yīng)用[D]. 北京：北京郵電大學(xué)，2011.Peng Yuanyuan. The Application of Wavelet Analysis in one-dimensional Signal De-noising[D]. Beijing: Beijing University of Posts and Telecommunications, 2011. (in Chinese with English abstract)

[29] 馬曉丹，譚峰，許少華. 基于量子神經(jīng)網(wǎng)絡(luò)的馬鈴薯早疫病診斷模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(6)：174－178，183.Ma Xiaodan, Tan Feng, Xu Shaohua. Diagnosis method of potato early blight based on quantum neural network [J].Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(6): 174－178, 183. (in Chinese with English abstract)

[30] 關(guān)海鷗，衣淑娟，焦峰，等. 農(nóng)作物缺素癥狀診斷的正則化模糊神經(jīng)網(wǎng)絡(luò)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(5)：163－170.Guan Haiou, Yi Shujuan, Jiao Feng, et al. Diagnosis model of crop nutrient deficiency symptoms based on regularized adaptive fuzzy neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5): 163－170. (in Chinese with English abstract)