不均衡小樣本下多特征優(yōu)化選擇的生命體觸電故障識(shí)別方法

高 偉 饒俊民 全圣鑫 郭謀發(fā)

不均衡小樣本下多特征優(yōu)化選擇的生命體觸電故障識(shí)別方法

高 偉1,2饒俊民1全圣鑫1郭謀發(fā)1,2

（1. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院 福州 350108 2. 智能配電網(wǎng)裝備福建省高校工程研究中心 福州 350108）

針對(duì)現(xiàn)有的剩余電流保護(hù)裝置無法有效識(shí)別觸電事故的問題，該文提出了一種不均衡小樣本下多特征優(yōu)化選擇的生命體觸電故障識(shí)別方法。首先通過變分自編碼器（VAE）對(duì)實(shí)驗(yàn)收集到的生命體觸電小樣本數(shù)據(jù)進(jìn)行增殖以實(shí)現(xiàn)正負(fù)樣本均衡；然后在時(shí)域上提取能夠反映波形動(dòng)態(tài)變化特性的23個(gè)特征量，并利用高斯核Fisher判別分析（GKFDA）與最大信息系數(shù)（MIC）法從中選擇最優(yōu)表達(dá)特征組；最后，提出基于遺忘因子的在線順序極限學(xué)習(xí)機(jī)（FOS-ELM）算法實(shí)現(xiàn)生命體觸電行為的鑒別。實(shí)驗(yàn)結(jié)果表明，所提方法利用不均衡小樣本觸電數(shù)據(jù)集就可以訓(xùn)練出一個(gè)優(yōu)秀的分類模型，診斷準(zhǔn)確率可達(dá)98.75%，診斷時(shí)間僅為1.33 ms。其優(yōu)良的性能結(jié)合在線增量式學(xué)習(xí)分類器設(shè)計(jì)，使得模型具備新知識(shí)學(xué)習(xí)能力，具有極好的工程應(yīng)用前景。

剩余電流保護(hù)裝置 生命體觸電故障 多特征優(yōu)化選擇 基于遺忘因子的在線順序極限學(xué)習(xí)機(jī)（FOS-ELM） 不均衡小樣本

0 引言

在供電服務(wù)過程中，保護(hù)人民生命財(cái)產(chǎn)安全始終是最高目標(biāo)。為了避免人身觸電，剩余電流保護(hù)裝置[1-3]可以通過檢測剩余電流的大小快速地?cái)嚅_供電回路。然而，現(xiàn)行剩余電流保護(hù)裝置是以剩余電流的幅值作為其動(dòng)作的唯一依據(jù)，與是否為人體觸電無直接關(guān)系。在正常運(yùn)行時(shí)，線路或電器都會(huì)產(chǎn)生泄漏電流，每家每戶或每種電器累積起來就比較大，一旦閾值整定不合理，剩余電流保護(hù)裝置容易發(fā)生拒動(dòng)或誤動(dòng)。因此在農(nóng)村地區(qū)，為了確保供電可靠性，一些基層運(yùn)維人員經(jīng)常會(huì)把臺(tái)區(qū)剩余電流保護(hù)裝置退出，而一旦在戶用漏電保護(hù)裝置前端發(fā)生觸電事故，將嚴(yán)重危及人身安全。

因此，將生命體觸電故障從接地故障中識(shí)別出來，是有效解決此類事故的關(guān)鍵手段。文獻(xiàn)[4]提出一種基于支持向量機(jī)-神經(jīng)網(wǎng)絡(luò)融合反饋的觸電電流檢測方法，有效地利用了各個(gè)模型的優(yōu)點(diǎn)進(jìn)行融合分析，提升了觸電電流信號(hào)檢測的準(zhǔn)確性。文獻(xiàn)[5]提出了基于長短期記憶神經(jīng)網(wǎng)絡(luò)的生命體觸電電流檢測方法，它首先對(duì)觸電剩余電流信號(hào)進(jìn)行小波分解降噪，再利用總剩余電流所表現(xiàn)出的特種波形信號(hào)并結(jié)合時(shí)域特征輸入長短期記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，構(gòu)建生命體觸電識(shí)別模型。文獻(xiàn)[6]提出一種基于剩余電流固有模態(tài)能量特征的觸電事故診斷模型，建立了一種以量子遺傳模糊神經(jīng)網(wǎng)絡(luò)作為漏電故障模式分類歸屬的決策系統(tǒng)。

但上述研究的特征選擇步驟只是簡單地選擇一類或幾類特征，缺少對(duì)特征選擇方法的研究。此外，對(duì)于常見的機(jī)器學(xué)習(xí)方法，其需要一定數(shù)量的樣本對(duì)模型進(jìn)行訓(xùn)練，從而保證模型的穩(wěn)定性及算法的準(zhǔn)確性。然而在進(jìn)行接地故障實(shí)驗(yàn)時(shí)，從保護(hù)生命體角度出發(fā)，難以獲得大量的實(shí)測觸電樣本，而非觸電的接地故障（簡稱“常規(guī)接地故障”）較容易模擬。因此，能夠獲取的常規(guī)接地故障樣本遠(yuǎn)大于觸電故障樣本，即會(huì)出現(xiàn)不同類別之間數(shù)據(jù)樣本不平衡的問題，從而導(dǎo)致訓(xùn)練模型過擬合，預(yù)測結(jié)果偏向樣本數(shù)較多的類別，整體辨識(shí)準(zhǔn)確率降低。

針對(duì)上述問題，本文提出一種不均衡小樣本下多特征優(yōu)化選擇的生命體觸電識(shí)別方法，其主要特點(diǎn)如下：

1）通過變分自編碼器（Variational Auto-Encoders, VAE）對(duì)生命體觸電樣本進(jìn)行增殖，解決觸電樣本難以收集所造成的樣本不均衡及樣本量較小的問題。

2）利用高斯核Fisher判別分析法（Gaussian Kernel Fisher Discriminant Analysis, GKFDA）及最大信息系數(shù)法（Maximal Information Coefficient, MIC）對(duì)特征集進(jìn)行自主篩選，從中挑選出最能表達(dá)樣本特點(diǎn)的最優(yōu)特征組。

3）使用基于遺忘因子的在線順序極限學(xué)習(xí)機(jī)（Forgetting-factor-based Online Sequential Extreme Learning Machine, FOS-ELM）算法實(shí)現(xiàn)漏電類型的判斷，通過遺忘因子增強(qiáng)新樣本特征的敏感性，利用在線學(xué)習(xí)減少了存儲(chǔ)和計(jì)算的開銷。

1 實(shí)驗(yàn)平臺(tái)搭建及波形特性分析

本實(shí)驗(yàn)設(shè)計(jì)了一個(gè)實(shí)驗(yàn)平臺(tái)進(jìn)行故障的模擬，實(shí)驗(yàn)平臺(tái)如圖1所示。啟動(dòng)按鈕用于控制漏電流的產(chǎn)生；制動(dòng)按鈕可以在緊急狀態(tài)下迅速切斷漏電支路，從而保護(hù)實(shí)驗(yàn)人員的安全；可調(diào)限流電阻分為500 Ω、1 kΩ、2 kΩ、10 kΩ、20 kΩ共五個(gè)擋位，可根據(jù)不同的實(shí)驗(yàn)場景進(jìn)行調(diào)節(jié)；輸出端口通過導(dǎo)線連接實(shí)驗(yàn)對(duì)象來模擬觸電或常規(guī)接地實(shí)驗(yàn)。

圖1 實(shí)驗(yàn)平臺(tái)

1—可調(diào)限流電阻2—負(fù)載3—制動(dòng)按鈕 4—啟動(dòng)按鈕 5—輸出端口

Fig.1 Experimental platform

本文分別選擇金屬導(dǎo)體、純凈水、渾濁水、干燥土地、濕潤土地、干燥樹枝、濕潤樹枝、干燥水泥地、濕潤水泥地作為非生命體實(shí)驗(yàn)對(duì)象來模擬9種不同的常規(guī)接地故障實(shí)驗(yàn)；選擇豬作為生命體實(shí)驗(yàn)對(duì)象，分別模擬其在干燥土地、濕潤土地、金屬籠3種不同場景下的觸電故障實(shí)驗(yàn)，不同情況下的故障實(shí)驗(yàn)場景如圖2所示。

圖2 故障實(shí)驗(yàn)場景

本實(shí)驗(yàn)收集故障前一個(gè)周期及故障后兩個(gè)周期的線路總剩余電流作為分析數(shù)據(jù)，用于后續(xù)算法的研究。常規(guī)接地故障及觸電故障波形如圖3所示。從圖3中可以看出，發(fā)生常規(guī)接地故障與觸電事故時(shí)，故障時(shí)刻的電流都會(huì)明顯地增大；常規(guī)接地故障發(fā)生后，周期電流的峰值幾乎相等；觸電故障發(fā)生后，周期電流的峰值則會(huì)逐漸上升。這是因?yàn)閮烧咴谛盘?hào)通路上存在本質(zhì)的不同。皮膚是一種復(fù)雜的、黏彈性的生物復(fù)合結(jié)構(gòu)，由表皮、真皮和真皮下或皮下組織組成，而皮膚表皮下主要由膠原蛋白和彈性蛋白的網(wǎng)狀網(wǎng)絡(luò)支撐，并且只有在活體組織中才能被觀察到[7-8]?；铙w皮膚所獨(dú)有的結(jié)構(gòu)使得生命體觸電故障后皮膚電阻呈現(xiàn)時(shí)變特性，其阻值會(huì)在短時(shí)間內(nèi)急速下降然后趨于平穩(wěn)。因此，發(fā)生觸電故障后的幾個(gè)周波內(nèi)，電流會(huì)呈現(xiàn)一個(gè)周期遞增的趨勢[9]，而常規(guī)接地回路的電阻一般不具備這種特性。

圖3 故障電流波形

2 算法原理

本文將VAE樣本增殖、最優(yōu)特征篩選和在線學(xué)習(xí)分類器FOS-ELM進(jìn)行了有機(jī)結(jié)合，使算法僅利用小樣本的觸電波形就可以獲得一個(gè)較為理想的分類器，并通過在線自學(xué)習(xí)不斷提升分類器的分類性能，其邏輯框架如圖4所示。

圖4 所提生命體觸電故障識(shí)別方法的邏輯框架

2.1 基于VAE的樣本增殖

VAE[10]是一種常見的生成模型，它能夠?qū)W習(xí)一個(gè)模型，使得輸出數(shù)據(jù)的分布盡可能地逼近原始數(shù)據(jù)分布。其基本思路是將一堆真實(shí)樣本通過編碼器網(wǎng)絡(luò)變換成一個(gè)理想的數(shù)據(jù)分布，然后將這個(gè)數(shù)據(jù)分布再傳遞給一個(gè)解碼器網(wǎng)絡(luò)，得到一堆生成樣本。生成樣本與真實(shí)樣本足夠接近的話，就訓(xùn)練出一個(gè)VAE模型。

VAE主要分為編碼器（Encoder）和解碼器（Decoder）兩部分，Encoder過程是將原先的數(shù)據(jù)壓縮為低維向量，Decoder則是將低維向量還原為原始數(shù)據(jù)。首先，將真實(shí)樣本輸入Encoder來確定其后驗(yàn)分布，有

而對(duì)任何輸入數(shù)據(jù)，應(yīng)保證最后由隱變量轉(zhuǎn)換回的輸出數(shù)據(jù)與輸入數(shù)據(jù)盡可能相等，由此引入最大似然估計(jì)，即

最后，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)參，從而達(dá)到生成樣本與真實(shí)樣本盡可能相似的效果。相比于其他生成模型，VAE有著更好的魯棒性與可解釋性，能夠通過其進(jìn)行數(shù)據(jù)樣本增殖，使得訓(xùn)練樣本量達(dá)到充分均衡。

2.2 特征集構(gòu)建

針對(duì)生命體觸電故障波形所獨(dú)有的觸電后周期電流峰值逐漸增大的特點(diǎn)，本文構(gòu)建了特征集用于表征其波形特性。然而，考慮到不同實(shí)驗(yàn)條件下，所獲實(shí)驗(yàn)數(shù)據(jù)會(huì)產(chǎn)生較大差異。因此，為增強(qiáng)算法的通用性，需要先通過歸一化處理將實(shí)驗(yàn)數(shù)據(jù)統(tǒng)一映射到0～1區(qū)間上，有

對(duì)歸一化后的數(shù)據(jù)進(jìn)行特征提取，構(gòu)成特征集，要求這些特征能夠從多方面反映不同樣本的特點(diǎn)，包括能夠反映觸電故障動(dòng)態(tài)變化的特征，如峰峰值、平均值、方差等；能夠反映觸電故障的敏感程度及穩(wěn)定程度的特征，如波形因子、峰值因子、脈沖因子等；能夠描述觸電故障波形的不規(guī)則性及復(fù)雜性的特征[11-17]，如最大最小值距離（Maximum-Minimum Distance, MMD）、Hurst指數(shù)、序列變化對(duì)數(shù)根和（Log Root Sum of Sequential Variations, LRSSV）及各類熵值。這些特征量的表達(dá)式見表1。

表1 特征集中各個(gè)特征的表達(dá)式

Tab.1 Characteristic expressions in feature set

（續(xù)）

2.3 最優(yōu)特征組選擇

雖然深入的特征提取能夠完整地表達(dá)原始數(shù)據(jù)的本質(zhì)特征，但同時(shí)也增加了計(jì)算的復(fù)雜度。因此，本文提出一種GKFDA[18]方法對(duì)特征信息進(jìn)行降維，以遴選出高表達(dá)度的特征。相比于一般的Fisher線性判別，GKFDA首先通過高斯核函數(shù)對(duì)原始數(shù)據(jù)樣本進(jìn)行非線性變換，映射到高維空間。

GKFDA可以評(píng)判特征的區(qū)分度，但卻無法評(píng)判特征之間的冗余度。為此，本研究利用MIC[20]去除樣本特征之間的冗余度，對(duì)特征量進(jìn)行精簡，從而達(dá)到在保證程序判斷準(zhǔn)確的情況下加快運(yùn)算速度的目的。MIC計(jì)算主要分為三個(gè)步驟：①給定、，對(duì)、構(gòu)成的散點(diǎn)圖進(jìn)行列行網(wǎng)格化，并求出最大的互信息值；②對(duì)最大的互信息值進(jìn)行歸一化；③選擇不同尺度下互信息的最大值作為MIC值，具體計(jì)算公式為

2.4 FOS-ELM

極限學(xué)習(xí)機(jī)[21]（Extreme Learning Machine, ELM）與傳統(tǒng)的單隱藏層前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法不同，其輸入層和隱含層的連接權(quán)值、隱含層的閾值可以隨機(jī)設(shè)定，且設(shè)定完成后不用再調(diào)整，然后將全連接層的輸出向量通過Softmax激活函數(shù)得到概率分布，并得到最終分類結(jié)果。ELM具有訓(xùn)練參數(shù)少、學(xué)習(xí)速度快、泛化能力強(qiáng)的優(yōu)點(diǎn)。而在線順序極限學(xué)習(xí)機(jī)[22-23]（Online Sequential-Extreme Learning Machine, OS-ELM）相比于標(biāo)準(zhǔn)ELM引入了在線學(xué)習(xí)的機(jī)制，能夠以逐一或逐塊的方式進(jìn)行增量學(xué)習(xí)訓(xùn)練樣本，只有最新收集的數(shù)據(jù)需要參與學(xué)習(xí)，不需要保存和重新學(xué)習(xí)之前的訓(xùn)練樣本[20]。OS-ELM學(xué)習(xí)過程的具體公式為

3 算例分析

3.1 數(shù)據(jù)增殖效果分析

通過上述實(shí)驗(yàn)獲得400個(gè)常規(guī)接地故障數(shù)據(jù)及40個(gè)觸電故障數(shù)據(jù)。為解決正負(fù)樣本不平衡的問題，將40個(gè)觸電故障數(shù)據(jù)輸入VAE模型進(jìn)行數(shù)據(jù)生成，可以獲得360個(gè)觸電故障生成數(shù)據(jù)。同時(shí)，使用生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network, GAN）[25]對(duì)同樣的數(shù)據(jù)集進(jìn)行數(shù)據(jù)生成，將兩種模型生成的波形進(jìn)行對(duì)比，不同增殖算法的生成效果如圖5所示。

圖5 不同增殖算法的生成效果

從圖5中可以看出，在生成波形的形態(tài)上，VAE生成波形很好地保留了真實(shí)波形中的特征，如觸電時(shí)刻電流波形的突變和觸電后波形的周期性增長，但生成波形又不完全等同于真實(shí)波形，其幅值及相位與真實(shí)波形相比都存在差異。因此，VAE生成波形在保留真實(shí)波形特征的同時(shí)能夠增加訓(xùn)練樣本的多樣性。而GAN生成的波形畸變嚴(yán)重，且觸電時(shí)刻波形的突變、觸電后波形的周期性增長這些特性沒有得到很好地保留。也就是說，VAE的波形生成效果要更好。

進(jìn)一步從相關(guān)性角度對(duì)兩種方法的生成效果進(jìn)行評(píng)價(jià)。使用皮爾遜相關(guān)系數(shù)[26]作為評(píng)價(jià)指標(biāo)，其值越接近1，表示兩組數(shù)據(jù)的相關(guān)性越強(qiáng)。通過計(jì)算發(fā)現(xiàn)，真實(shí)波形與VAE生成波形的相關(guān)系數(shù)為0.957 6，與GAN生成波形的相關(guān)系數(shù)為0.869 7。這說明了VAE生成波形與真實(shí)波形要更為契合。

從生成原理上看，VAE通過變分推斷得到訓(xùn)練數(shù)據(jù)的分布，而GAN直接使用生成器模擬數(shù)據(jù)的分布，用判別器來判斷生成器模擬的分布的好壞，這導(dǎo)致GAN訓(xùn)練不穩(wěn)定，生成樣本質(zhì)量較差[25]。相比之下，VAE的泛化能力更好，生成樣本質(zhì)量更高。

3.2 特征選擇

圖6 特征計(jì)分

圖7 MIC矩陣

圖8 特征總分

將所得800個(gè)數(shù)據(jù)的特征量按照最終計(jì)分結(jié)果依次輸入ELM訓(xùn)練并驗(yàn)證，其驗(yàn)證集準(zhǔn)確率結(jié)果如圖9所示。從圖9中可以看出，當(dāng)依次輸入前5個(gè)特征時(shí)，驗(yàn)證集的準(zhǔn)確率逐漸上升，而當(dāng)繼續(xù)增加輸入特征時(shí)，驗(yàn)證集的準(zhǔn)確率反而下降。從上述分析可知，使用余隙因子、Hjorth復(fù)雜性參數(shù)、排列熵、MMD、LRSSV這五個(gè)參數(shù)作為判別生命體觸電故障的最優(yōu)特征組。

圖9 不同特征數(shù)的性能差異

3.3 超參數(shù)選擇

圖10 不同N′時(shí)分類器準(zhǔn)確率變化

圖11 不同λ時(shí)分類器的性能

3.4 實(shí)驗(yàn)結(jié)果分析

首先從700個(gè)訓(xùn)練集數(shù)據(jù)中選擇300個(gè)樣本對(duì)FOS-ELM進(jìn)行初始訓(xùn)練，剩下的400個(gè)樣本平均分成100組，然后每組樣本進(jìn)行一次在線學(xué)習(xí)，共學(xué)習(xí)100次，每次學(xué)習(xí)都使用驗(yàn)證集進(jìn)行驗(yàn)證。從驗(yàn)證過程上看，F(xiàn)OS-ELM通過54次在線學(xué)習(xí)就能夠到達(dá)穩(wěn)定在97%的判斷準(zhǔn)確率。最后使用測試集對(duì)訓(xùn)練好的模型進(jìn)行測試，模型準(zhǔn)確率可達(dá)98.75%，其中40個(gè)常規(guī)接地故障樣本全部判斷正確，準(zhǔn)確率為100%，40個(gè)實(shí)測觸電故障樣本中僅1個(gè)判斷錯(cuò)誤，準(zhǔn)確率為97.5%。從時(shí)間角度分析，初始樣本訓(xùn)練時(shí)間為10.3 ms，在線學(xué)習(xí)平均訓(xùn)練時(shí)間為1.378 ms，平均測試時(shí)間為1.33 ms。也就是說，F(xiàn)OS-ELM擁有較高的學(xué)習(xí)效率，其對(duì)于新的樣本特征更加敏感，能最大程度地從新樣本中提取信息，在更少的樣本數(shù)下更快到達(dá)更高的準(zhǔn)確率。

3.5 算法必要性分析

一般而言，由于場景的復(fù)雜性和危險(xiǎn)性，使得實(shí)測觸電樣本的獲取存在較大的難度。小樣本問題會(huì)使得訓(xùn)練模型精度低、有效性差，而樣本不均衡又會(huì)讓模型的預(yù)測結(jié)果產(chǎn)生偏差，對(duì)少數(shù)類樣本辨識(shí)準(zhǔn)確率差。因此，通過引入VAE對(duì)少數(shù)類樣本進(jìn)行樣本增強(qiáng)，提高模型的有效性。通過數(shù)據(jù)分析，可以從生命體觸電故障波形的變化形態(tài)中提取出各種指標(biāo)特征，優(yōu)質(zhì)特征的加入能夠在一定程度上提高分類器的診斷精度，但不良特征及冗余特征的引入，不僅增加了算法的運(yùn)行時(shí)間，還可能使分類器的診斷精度降低。因此，將GKFDA與MIC相結(jié)合對(duì)各個(gè)特征進(jìn)行特征計(jì)分，并通過計(jì)分結(jié)果直觀、自主地選擇最優(yōu)表達(dá)特征組，可以提升特征質(zhì)量，并體現(xiàn)出特征選擇的規(guī)則性。

此外，大部分文獻(xiàn)的研究工作是針對(duì)有限的實(shí)驗(yàn)環(huán)境來獲取觸電數(shù)據(jù)以訓(xùn)練一個(gè)觸電事故分類器。真實(shí)環(huán)境下的觸電場景較為豐富，生命體觸電時(shí)的穿具、掙脫行為會(huì)對(duì)觸電波形產(chǎn)生較大的影響，使得傳統(tǒng)的離線型分類器難以具備適應(yīng)性。OS-ELM具備在線學(xué)習(xí)機(jī)制，可以針對(duì)新樣本進(jìn)行在線更新，而無需保存歷史樣本。而引入遺忘因子構(gòu)成FOS-ELM，目標(biāo)是進(jìn)一步解決OS-ELM學(xué)習(xí)速度較慢的缺點(diǎn)，能夠以更高的學(xué)習(xí)效率快速適應(yīng)環(huán)境樣本的變化。圖12列出了樣本不均衡、無特征選擇、無遺忘因子及無在線學(xué)習(xí)情況下的實(shí)驗(yàn)結(jié)果。

圖12 所提算法消融性實(shí)驗(yàn)對(duì)比

在圖12中，不采用VAE樣本增強(qiáng)且常規(guī)接地故障樣本與觸電故障樣本比例為10:1時(shí)（圖12“”標(biāo)識(shí)曲線），嚴(yán)重的樣本不平衡會(huì)導(dǎo)致分類器的初始分類準(zhǔn)確率較低。在不斷地吸收新的觸電故障樣本，并經(jīng)過持續(xù)地學(xué)習(xí)之后，模型準(zhǔn)確率也會(huì)不斷提升。倘若將所有23個(gè)特征不加選擇地直接輸入FOS-ELM中進(jìn)行分類（圖12“”標(biāo)識(shí)曲線），其準(zhǔn)確率和學(xué)習(xí)效率遠(yuǎn)不如經(jīng)特征優(yōu)化選擇的結(jié)果。不使用遺忘因子時(shí)（圖12“”標(biāo)識(shí)曲線），OS-ELM需要多學(xué)習(xí)30次才能到達(dá)較高準(zhǔn)確率。如果不使用在線學(xué)習(xí)機(jī)制（圖12“”標(biāo)識(shí)曲線），ELM離線學(xué)習(xí)的準(zhǔn)確率及穩(wěn)定性都要更差。上述結(jié)果說明所使用的方法組合具備一定的必要性及優(yōu)勢。

3.6 誤判樣本分析及改善措施

從保護(hù)生命安全角度出發(fā)，不應(yīng)將生命體觸電故障誤判為常規(guī)接地故障。從前述診斷結(jié)果可知，有17個(gè)觸電樣本被誤判為常規(guī)接地故障樣本。對(duì)這些樣本的波形形態(tài)進(jìn)一步分析可以發(fā)現(xiàn)（圖13展示了兩個(gè)典型的誤判樣本），這些波形存在觸電的特征，但是波形發(fā)生了畸變，原因是在實(shí)驗(yàn)時(shí)，實(shí)驗(yàn)對(duì)象出現(xiàn)掙扎反抗，導(dǎo)致導(dǎo)線與皮膚接觸不良或斷續(xù)接觸。在實(shí)際觸電中，當(dāng)人體試圖去快速擺脫帶電體時(shí)，也同樣會(huì)出現(xiàn)類似的波形。

圖13 誤判樣本波形

在保證常規(guī)接地故障判斷準(zhǔn)確率的情況下，對(duì)ELM全連接層輸出向量特性進(jìn)行研究，期待可以對(duì)算法進(jìn)行完善，分析結(jié)果如圖14所示?？梢园l(fā)現(xiàn)，能夠被正確診斷的常規(guī)接地故障樣本的輸出向量穩(wěn)定分布在[-1.5, -0.5]區(qū)間，觸電故障樣本則穩(wěn)定分布在[0, 1.5]區(qū)間，而17個(gè)誤判樣本的分布較為離散。因此，如果以[-1.5, -0.5]為閾值對(duì)常規(guī)接地故障輸出結(jié)果進(jìn)行約束，則可以將其中17個(gè)生命體觸電誤判樣本減少為3個(gè)，進(jìn)而減少人身傷亡事故的發(fā)生。但是這僅僅是一種較為簡單的分析，隨著實(shí)驗(yàn)場景的豐富，特異性畸變樣本的變化可能更加復(fù)雜，深層次的特征提取有待于未來進(jìn)行更為深入的研究。

圖14 用箱型圖表示的不同樣本全連接層輸出向量的分布

4 對(duì)比分析

到目前為止，對(duì)生命體觸電事故辨識(shí)的研究文獻(xiàn)較少，文獻(xiàn)[27-28]為近年來國內(nèi)主流刊物研究同類型問題的兩篇重要文獻(xiàn)。文獻(xiàn)[27]應(yīng)用小波包變換從故障前一個(gè)周期和故障后一個(gè)周期的剩余電流中提取小波包能量譜特征向量，然后通過量子神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了觸電故障類型的有效識(shí)別。文獻(xiàn)[28]通過Mallat算法對(duì)總剩余電流信號(hào)進(jìn)行濾波處理，再提取故障后三個(gè)周期的三個(gè)峰峰值作為特征向量，然后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行觸電故障類型識(shí)別。按照每種算法的需求對(duì)相同的故障樣本進(jìn)行截取，在同一個(gè)計(jì)算平臺(tái)（Intel(R) Core(TM) i7-7 700HQ CPU@(2.80 GHz+2.81GHz)，內(nèi)存16.0 GB，執(zhí)行軟件Matlab）下進(jìn)行建模和測試，它們的對(duì)比結(jié)果見表2。檢測時(shí)間為觸電時(shí)間發(fā)生至識(shí)別出故障的時(shí)間，其包括波形的收集時(shí)間和算法的執(zhí)行時(shí)間。從表2中可以看出，盡管文獻(xiàn)[27]只需收集觸電后一個(gè)周期的波形，但是其需要使用復(fù)雜的算法來提取高質(zhì)量的特征才能達(dá)到較高的準(zhǔn)確率，導(dǎo)致算法執(zhí)行時(shí)間高達(dá)147.59 ms。由于觸電后三個(gè)周期波形所蘊(yùn)含的差異性信息較為顯著，文獻(xiàn)[28]僅使用簡單的BP神經(jīng)網(wǎng)絡(luò)就可以獲得較好的結(jié)果，但是收集波形的時(shí)間遠(yuǎn)大于診斷時(shí)間。本文使用觸電后兩個(gè)周期波形進(jìn)行判斷，既能保證波形信息量，減少算法的運(yùn)行時(shí)間，同時(shí)又能夠降低波形的采集時(shí)間，無論是診斷準(zhǔn)確率還是檢測時(shí)間均是三種方法中最優(yōu)秀的。

表2 三種同類方法對(duì)比結(jié)果

Tab.2 Comparison results of three similar methods

5 結(jié)論

本文提出了一種不均衡小樣本下多特征優(yōu)化選擇的生命體觸電故障識(shí)別方法，解決了實(shí)測觸電故障數(shù)據(jù)獲取困難以及缺少特征選擇規(guī)則的問題，并且能夠通過對(duì)新獲取的觸電樣本進(jìn)行在線學(xué)習(xí)，提升模型在實(shí)際場景下的判別能力。本文的特點(diǎn)是：

1）在方法上，VAE能夠?qū)ι倭可w觸電樣本進(jìn)行增強(qiáng)處理，達(dá)到正負(fù)樣本均衡；將GKFDA與MIC相結(jié)合制定能自主地選擇最優(yōu)表達(dá)特征組的規(guī)則；應(yīng)用FOS-ELM提升模型的在線自學(xué)習(xí)能力。

2）本文收集了12種場景的常規(guī)接地故障和生命體觸電故障實(shí)驗(yàn)數(shù)據(jù)用于所提算法的驗(yàn)證。結(jié)果表明，所提算法對(duì)于實(shí)際樣本的診斷準(zhǔn)確率為98.75%，其中常規(guī)接地故障準(zhǔn)確率為100%，平均在線學(xué)習(xí)時(shí)間為1.378 ms，診斷時(shí)間僅為1.33 ms。

3）在所提算法中，VAE樣本增強(qiáng)及特征組優(yōu)選可以在計(jì)算上實(shí)現(xiàn)。而最后所選擇的8個(gè)特征量和FOS-ELM計(jì)算公式及程序都相對(duì)簡單，適合在嵌入式終端部署應(yīng)用。在擁有初始少量生命體觸電樣本下，模型就能獲得相對(duì)理想的診斷準(zhǔn)確率，并且可以在應(yīng)用中進(jìn)行新知識(shí)的學(xué)習(xí)而無需保存歷史樣本，具備較高的學(xué)習(xí)效率、較低的內(nèi)存資源占用量和強(qiáng)大的應(yīng)用價(jià)值。

[1] Mitolo M. Shock hazard in the presence of protective residual-current devices[J]. IEEE Transactions on Industry Applications, 2010, 46(4): 1552-1557.

[2] 韓曉慧, 杜松懷, 蘇娟, 等. 觸電信號(hào)暫態(tài)特征提取及故障類型識(shí)別方法[J]. 電網(wǎng)技術(shù), 2016, 40(11): 3591-3596. Han Xiaohui, Du Songhuai, Su Juan, et al. Fault transient feature extraction and fault type identificationfor electrical shock signals[J]. Power System Technology, 2016, 40(11): 3591-3596.

[3] 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.

[4] 劉永梅, 杜松懷, 盛萬興. 基于SVM-神經(jīng)網(wǎng)絡(luò)融合反饋的觸電電流檢測方法[J]. 電網(wǎng)技術(shù), 2020, 44(5): 1972-1977. Liu Yongmei, Du Songhuai, Sheng Wanxing. Prediction method of electric shock current based on SVM and neural network fusion feedback[J]. Power System Technology, 2020, 44(5): 1972-1977.

[5] 趙啟承, 虞雁凌. 基于長短期記憶神經(jīng)網(wǎng)絡(luò)的生命體觸電電流檢測[J]. 傳感器與微系統(tǒng), 2022, 41(1): 142-145. Zhao Qicheng, Yu Yanling. Detection of electric shock current of living body based on long-term and short-term memory neural network[J]. Transducer and Microsystem Technologies, 2022, 41(1): 142-145.

[6] 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. Bioelectric shock fault diagnosis model based on residual current natural mode energy characteristics[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(21): 202-208.

[7] Wei J C J, Edwards G A, Martin D J, et al. Allometric scaling of skin thickness, elasticity, viscoelasticity to mass for micro-medical device translation: from mice, rats, rabbits, pigs to humans[J]. Scientific Reports, 2017, 7: 15885.

[8] Benias P C, Wells R G, Sackey-Aboagye B, et al. Structure and distribution of an unrecognized inter-stitium in human tissues[J]. Scientific Reports, 2018, 8: 4947.

[9] Pritchard G. A new model for human body impedance[J]. IEEE Transactions on Power Delivery, 2022, 37(2): 955-959.

[10] 黃冬梅, 吳志浩, 孫園, 等. 基于VAE預(yù)處理和RP-2D CNN的不平衡負(fù)荷數(shù)據(jù)類型辨識(shí)方法[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2022, 34(10): 66-72, 80. Huang Dongmei, Wu Zhihao, Sun Yuan, et al. Data type identification method for imbalanced load based on VAE preprocessing and RP-2D CNN[J]. Proceedings of the CSU-EPSA, 2022, 34(10): 66-72, 80.

[11] Aboalayon K, Faezipour M, Almuhammadi W, et al. Sleep stage classification using EEG signal analysis: a comprehensive survey and new investigation[J]. Entropy, 2016, 18(9): 272.

[12] 王毅, 劉黎明, 李松濃, 等. 基于經(jīng)驗(yàn)小波變換復(fù)合熵值與特征融合的故障電弧檢測[J]. 電網(wǎng)技術(shù), 2023, 47(5): 1912-1919. Wang Yi, Liu Liming, Li Songnong, et al. Arc fault detection based on empirical wavelet transform composite entropy and feature fusion[J]. Power System Technology, 2023, 47(5): 1912-1919.

[13] 劉樹鑫, 宋健, 劉洋, 等. 交流接觸器觸頭系統(tǒng)運(yùn)動(dòng)分析及故障診斷研究[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(增刊2): 477-486. Liu Shuxin, Song Jian, Liu Yang, et al. Research on motion analysis and fault diagnosis of contact system ofAC contactor[J]. Transactions of China Electrotechnical Society, 2021, 36(S2): 477-486.

[14] 崔芮華, 張振, 佟德栓, 等. 基于改進(jìn)經(jīng)驗(yàn)小波變換多特征融合的航空交流串聯(lián)電弧故障檢測[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(12): 3148-3161. Cui Ruihua, Zhang Zhen, Tong Deshuan, et al. Aviation AC series arc fault detection based on improve empirical wavelet transform multi-feature fusion[J]. Transactions of China Electrotechnical Society, 2022, 37(12): 3148-3161.

[15] 張立石, 梁得亮, 劉樺, 等. 基于小波變換與邏輯斯蒂回歸的混合式配電變壓器故障辨識(shí)[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(增刊2): 467-476. Zhang Lishi, Liang Deliang, Liu Hua, et al. Fault identification of hybrid distribution transformer based on wavelet transform and logistic regression[J]. Transactions of China Electrotechnical Society, 2021, 36(S2): 467-476.

[16] 崔芮華, 李澤, 佟德栓. 基于三維熵距和熵空間的航空電弧故障檢測與分類技術(shù)[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(4): 869-880. Cui Ruihua, Li Ze, Tong Deshuan. Arc fault detection and classification based on three-dimensional entropy distance and entropy space in aviation power system[J]. Transactions of China Electrotechnical Society, 2021, 36(4): 869-880.

[17] 王俊, 羅嘉瑋, 馮宗琮, 等. 基于近似熵的中性點(diǎn)不接地系統(tǒng)故障區(qū)段定位[J]. 電工技術(shù), 2021(3): 33-36. Wang Jun, Luo Jiawei, Feng Zongcong, et al. Fault section location of neutral ungrounded system based on approximate entropy[J]. Electric Engineering, 2021(3): 33-36.

[18] 王來, 樊重俊, 楊云鵬, 等. 面向不平衡數(shù)據(jù)分類的KFDA-Boosting算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2019, 36(3): 807-811. Wang Lai, Fan Chongjun, Yang Yunpeng, et al. KFDA-Boosting algorithm oriented to imbalanced data classification[J]. Application Research of Computers, 2019, 36(3): 807-811.

[19] 徐華電, 蘇建徽, 張軍軍, 等. 基于諧波特征與核Fisher判別分析的孤島檢測方法研究[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(3): 25-30. Xu Huadian, Su Jianhui, Zhang Junjun, et al. Research on islanding detection based on harmonic char-acteristics and kernel Fisher discriminant analysis[J]. Transactions of China Electrotechnical Society, 2016, 31(3): 25-30.

[20] 李濱, 高楓. 基于虛擬相似日與DA-LSTPNet的地區(qū)電網(wǎng)短期負(fù)荷預(yù)測[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(22): 55-64. Li Bin, Gao Feng. Short-term load forecasting for regional power grid based on virtual similar days and dual-stage attention-based long and short time pattern network[J]. Automation of Electric Power Systems, 2021, 45(22): 55-64.

[21] 吉興全, 張朔, 張玉敏, 等. 基于IELM算法的配電網(wǎng)故障區(qū)段定位[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(22): 157-166. Ji Xingquan, Zhang Shuo, Zhang Yumin, et al. Fault section location for distribution network based on improved electromagnetism-like mechanism algori-thm[J]. Automation of Electric Power Systems, 2021, 45(22): 157-166.

[22] 張秦梫, 宋輝, 姜勇, 等. 基于OS-ELM的變壓器局部放電模式識(shí)別[J]. 高電壓技術(shù), 2018, 44(4): 1122-1130. Zhang Qinqin, Song Hui, Jiang Yong, et al. Partial discharge pattern recognition of transformer based on OS-ELM[J]. High Voltage Engineering, 2018, 44(4): 1122-1130.

[23] 李揚(yáng), 李國慶, 顧雪平, 等. 基于集成OS-ELM的暫態(tài)穩(wěn)定評(píng)估方法[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(14): 412-418. Li Yang, Li Guoqing, Gu Xueping, et al. Transient stability assessment of power systems based on ensemble OS-ELM[J]. Transactions of China Electrotechnical Society, 2015, 30(14): 412-418.

[24] 郭威, 于建江, 湯克明, 等. 動(dòng)態(tài)數(shù)據(jù)流分析的在線超限學(xué)習(xí)算法綜述[J]. 計(jì)算機(jī)科學(xué), 2019, 46(4): 1-7. Guo Wei, Yu Jianjiang, Tang Keming, et al. Survey of online sequential extreme learning algorithms for dynamic data stream analysis[J]. Computer Science, 2019, 46(4): 1-7.

[25] 郭亮, 王祥業(yè), 姜文聰. 基于生成對(duì)抗網(wǎng)絡(luò)的注入電流式熱聲成像逆問題研究[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(增刊1): 22-30. Guo Liang, Wang Xiangye, Jiang Wencong. The study on the inverse problem of applied current thermo-acoustic imaging based on generative adversarial network[J]. Transactions of China Electrotechnical Society, 2021, 36(S1): 22-30.

[26] 徐佳寧, 倪裕隆, 朱春波. 基于改進(jìn)支持向量回歸的鋰電池剩余壽命預(yù)測[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(17): 3693-3704. Xu Jianing, Ni Yulong, Zhu Chunbo. Remaining useful life prediction for lithium-ion batteries based on improved support vector regression[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3693-3704.

[27] 關(guān)海鷗, 劉夢(mèng), 李春蘭, 等. 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[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(5): 183-190. Guan Haiou, Liu Meng, Li Chunlan, et al. Classification recognition model of electric shock fault based on wavelet packet transformation and quantum neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(5): 183-190.

[28] 蔡智萍, 郭謀發(fā), 魏正峰. 基于BP神經(jīng)網(wǎng)絡(luò)的低壓配電網(wǎng)生命體觸電識(shí)別方法研究[J]. 電網(wǎng)技術(shù), 2022, 46(4): 1614-1623. Cai Zhiping, Guo Moufa, Wei Zhengfeng. Research on recognition method of living body shock in low-voltage distribution network based on BP neural network[J]. Power System Technology, 2022, 46(4): 1614-1623.

Biological Electric-Shock Fault Identification Method Based on Multi-Feature Optimization Selection under Unbalanced Small Sample

Gao Wei1,2Rao Junmin1Quan Shengxin1Guo Moufa1,2

（1. College of Electrical Engineering and Automation Fuzhou University Fuzhou 350108 China 2. Fujian Province University Engineering Research Center of Smart Distribution Grid Equipment Fuzhou 350108 China）

The existing residual current device (RCD) operates based on the amplitude of the residual current, but if the threshold is not reasonably set, the RCD is prone to reject or misoperate. Therefore, identifying biological electric-shock faults from grounding faults is a crucial approach. Current research only selects one or several features without following proper feature selection rules. Furthermore, machine learning methods require a certain number of samples to train the model to ensure algorithm accuracy and stability. However, obtaining a large number of biological electric-shock samples is challenging during actual experiments, and the algorithm model cannot learn the waveform in real settings.

To solve the above problems, a biological electric-shock fault identification method based on multi-feature optimization selection under unbalanced small samples is proposed. Firstly, variational auto-encoders (VAE) is adopted to multiply the electric-shock small sample data collected by experiments to achieve positive and negative sample balance. Due to the complexity and danger of the scenes, it is difficult to obtain the actual electric-shock samples. The problem of small samples will lead to low accuracy and poor effectiveness of the training model, and the unbalanced samples will lead to deviations in the prediction results of the model, resulting in poor identification accuracy of a few types of samples. Therefore, a few samples are enhanced by introducing VAE to improve the effectiveness of the model. Secondly, 23 features which can reflect the dynamic characteristics of the waveform are extracted in time domain, the optimal expression feature group is selected from them by Gaussian kernel Fisher discriminant analysis (GKFDA) and maximal information coefficient (MIC). Through data analysis, various index features can be extracted from the changing forms of biological electric-shock waveforms. The addition of high-quality features will improve the diagnostic accuracy of the classifier to a certain extent, but the introduction of bad and redundant features will increase the running time of the algorithm and reduce the diagnostic accuracy of the classifier. Therefore, GKFDA and MIC are combined to perform feature scoring for each feature, and the optimal expression feature group is selected intuitively and independently based on the scoring results, which could improve the feature quality and reflect the regularity of feature selection. Finally, a forgetting-factor-based online sequential extreme learning machine (FOS-ELM) algorithm is investigated to identify the electric-shock behavior. There are abundant electric-shock scenes in the real environments. The escape behaviors of living objects during electric shock will have a great influence on the electric-shock waveform, which makes it difficult for the traditional off-line classifier to have adaptability. The online sequential extreme learning machine (OS-ELM) has an online learning mechanism that allows online updates for new samples without the historical data. The forgetting factor is introduced to form FOS-ELM, aiming to further solve the shortcoming of slow learning speed of OS-ELM, so that it can quickly adapt to changes of environmental samples with higher learning efficiency.

The experimental data of conventional grounding fault and biological electric-shock fault in 12 scenes were collected for the verification of the proposed algorithm. The results show that the diagnosis accuracy of the proposed model can reach 98.75%, among which all 40 conventional grounding fault samples are correctly judged with an accuracy of 100%, while only 1 of 40 actual biological electric-shock fault samples is wrong with an accuracy of 97.5%. From the perspective of time, the average online learning time is 1.378 ms, and the average diagnosis time is only 1.33 ms.

Residual current protection device, biological electric-shock fault, multi-feature optimization selection, forgetting-factor-based online sequential extreme learning machine (FOS-ELM), unbalanced small sample

10.19595/j.cnki.1000-6753.tces.230076

TM773

福建省自然科學(xué)基金資助項(xiàng)目（2021J01633）。

2023-01-18

2023-05-29

高 偉 男，1983年出生，博士，副教授，研究方向?yàn)殡娏ο到y(tǒng)狀態(tài)感知及故障抑制。E-mail：gaowei0202@fzu.edu（通信作者）

饒俊民 男，1999年出生，碩士研究生，研究方向?yàn)榈蛪号潆娋W(wǎng)電弧故障檢測以及低壓配電網(wǎng)生命體觸電故障檢測。E-mail：1986070209@qq.com

（編輯 赫 蕾）