基于支持向量機(jī)算法的電流不平衡分析

莫漢培　羅智青　王汝輝　方紹懷　刁小玲

摘 要 在電力計(jì)量故障診斷模型的基礎(chǔ)上，針對(duì)電流不平衡項(xiàng)檢測(cè)的分類問題，該文提出 SVM 支持向量機(jī)算法模型，通過使用 SVM 自身對(duì)分類的識(shí)別，得到一個(gè)最優(yōu)的分類平面，根據(jù)待測(cè)樣本與各平面臨近距離測(cè)算出樣本分類。根據(jù)這一特性，得到對(duì)電流不平衡數(shù)據(jù)實(shí)時(shí)預(yù)測(cè)的能力，并構(gòu)建監(jiān)督學(xué)習(xí)優(yōu)化模型提高模型準(zhǔn)確率。

關(guān)鍵詞 SVM 電流不平衡 分類

中圖分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：A

0前言

三相電力不平衡在電力活動(dòng)中屬于較為常見的現(xiàn)象。在電力傳輸活動(dòng)中，三相電流不平衡現(xiàn)象的出現(xiàn)會(huì)導(dǎo)致線路功率損耗增加，進(jìn)而對(duì)供電公司和用電用戶造成不必要的損失和麻煩。

為避免造成嚴(yán)重?fù)p失，經(jīng)研究決定利用機(jī)器學(xué)習(xí)模型對(duì)電流不平衡現(xiàn)象出現(xiàn)的原因進(jìn)行智能分類，以輔助專業(yè)人員判斷決策。

本文主要介紹SVM 支持向量機(jī)算法在電流不平衡分類中的應(yīng)用。通過電力歷史數(shù)據(jù)的監(jiān)測(cè)及問題反饋建立SVM 分類自識(shí)別模型，從而達(dá)到電流不平衡數(shù)據(jù)監(jiān)測(cè)報(bào)警及自動(dòng)反饋不平衡造成原因的效果。使其在電力活動(dòng)中能更高效、更可靠的輔助電力從業(yè)人員決策。

1電流不平衡的影響因素

1.1三相電壓不平衡

電壓波動(dòng)造成電壓不平衡，必然會(huì)引起電流的不平衡。在輸配電線路阻抗不相等時(shí)，會(huì)產(chǎn)生壓降不相等的情況，致使三相電壓產(chǎn)生不平衡，變壓器。

1.2單相負(fù)載不平衡

單相負(fù)載不平衡屬于功能性因素，在三相傳輸過程中有效的和無效的功率不平衡。在分配單相負(fù)載時(shí)，雖然盡量將負(fù)載均勻分配在各相上，但即使負(fù)載的分配是平衡的，也無法保證所有的單相負(fù)載都在同一時(shí)間消耗相等的功率。

1.3相間短路

相間短路常由A/B/C 三相火線之間發(fā)生短路， 因?yàn)榫€電壓為 380V 所以發(fā)生相間短路時(shí)，短路電壓是 380V。相間短路后相間會(huì)加大電流，造成三相電流的不平衡。

2 SVM 支持向量機(jī)原理

SVM 是一種監(jiān)督學(xué)習(xí)的分類模型，對(duì)線性可分情況時(shí)，它會(huì)采用硬間隔支持向量，通過硬間隔最大化學(xué)習(xí)得到一個(gè)線性可分的模型。對(duì)數(shù)據(jù)近似線性可分時(shí)，SVM 會(huì)針對(duì)數(shù)據(jù)這一特性通過軟間隔最大化學(xué)習(xí)得到最優(yōu)模型。對(duì)線性不可分情況，SVM 會(huì)使用核方法將低維空間矢量轉(zhuǎn)化成高維空間使其線性可分后學(xué)習(xí)得到一個(gè)模型。

2.2 SVM 線性不可分情況

對(duì)于線性不可分情況，常使用核函數(shù)將其非線

性映射到高維空間，轉(zhuǎn)換成線性可分情況，常用的核函數(shù)如表 1 所示。

3 電流不平衡自分類模型

3.1 分類原理

電流不平衡出現(xiàn)包含隨機(jī)因素與非線性特性的復(fù)雜性。利用物理上的模型無法達(dá)到準(zhǔn)確推斷的結(jié)論。機(jī)器學(xué)習(xí)則很好的填補(bǔ)了這一漏洞。

通過電力大數(shù)據(jù)這一平臺(tái)，收集了電力歷史數(shù)據(jù)，截取了 A/B/C 相電流、A/B/C 相電壓表數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理，并對(duì)樣本分析后構(gòu)建了電流不平衡的指標(biāo)。

根據(jù)歷史數(shù)據(jù)和電流不平衡標(biāo)簽劃分出訓(xùn)練集和測(cè)試集，用訓(xùn)練集數(shù)據(jù)測(cè)試 SVM 模型，模型會(huì)根據(jù)傳入數(shù)據(jù)輸出結(jié)果與真實(shí)值比較后，合理的分類平面。經(jīng)過這一步后，初步的 SVM 支持向量機(jī)模型即可搭建完成。

為測(cè)試模型預(yù)測(cè)效果，將測(cè)試集數(shù)據(jù)傳入已構(gòu)建好的模型中，比較輸出結(jié)果和真實(shí)值，可以得出模型準(zhǔn)確率為 98.88%。其混淆矩陣如表 2 所示：

這樣的準(zhǔn)確率并不能滿足設(shè)備投入使用，因此構(gòu)建監(jiān)督學(xué)習(xí)模式，能使模型能夠?qū)崟r(shí)更新自己的訓(xùn)練數(shù)據(jù)，從而更精確的訓(xùn)練出向量機(jī)的最優(yōu)分類平面，構(gòu)建的模型效果如圖 2 所示：

這部分主要包括：歷史數(shù)據(jù)電流不平衡判別，通過數(shù)據(jù)預(yù)處理后形成電流不平衡數(shù)據(jù)的矢量結(jié)構(gòu)傳入 SVM 向量機(jī)內(nèi)訓(xùn)練最優(yōu)的分類平面，對(duì)虛漏報(bào)數(shù)據(jù)進(jìn)行比對(duì)，待數(shù)據(jù)修正后歸檔再將電流不平衡數(shù)據(jù)再次提取傳入模型中，提高模型運(yùn)行的準(zhǔn)確度。

通過這一監(jiān)督學(xué)習(xí)模型的對(duì)一個(gè)窗口期內(nèi)實(shí)時(shí)傳輸回的數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，其模型準(zhǔn)確度提高至 99.78%。

4 結(jié)束語

本文通過對(duì)電流不平衡出現(xiàn)原因的研究及數(shù)據(jù)波動(dòng)的觀察，利用 SVM 算法模型對(duì)出現(xiàn)電流不平衡現(xiàn)象的原因進(jìn)行分類，實(shí)驗(yàn)證明，在分類預(yù)測(cè)上SVM 支持向量機(jī)模型存在可行性和理論支持，從實(shí)驗(yàn)數(shù)據(jù)表現(xiàn)可知，通過對(duì) SVM 模型自監(jiān)督學(xué)習(xí)的優(yōu)化，對(duì)電流不平衡現(xiàn)象監(jiān)測(cè)和分類取得了良好的效果。

參考文獻(xiàn)

[1] 趙文清，嚴(yán)海，王曉輝.BP 神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相結(jié)合的電容器介損角辨識(shí)[J/OL].智能系統(tǒng)學(xué)報(bào)，2018：1-8.

[2] 張慧，盧文冰，趙雄文，李梁，劉軍雨.基于最小二乘支持向量機(jī)和小波神經(jīng)網(wǎng)絡(luò)的電力線通信信道噪聲建模研究[J].電工技術(shù)學(xué)報(bào)，2018，33（16）：3879-3888.

[3] 郭英.基于改進(jìn)支持向量機(jī)算法的水質(zhì)監(jiān)測(cè)模型研究[J].水科學(xué)與工程技術(shù)，2018（04）：21-24.