AdaBoost algoritmasına dayalı artık akım sınıflandırma yöntemi
Kaçak akım koruma cihazları, yangınları önlemek ve elektrik çarpması nedeniyle kişisel yaralanmaları önlemek için düşük voltajlı elektrik şebekelerinde yaygın olarak kullanılmaktadır. Artık akım koruma cihazının çalışma prensibi, esas olarak, bunun bir insan vücudu elektrik çarpması akımı mı yoksa ekipmanın başlangıç akımı mı olduğu ile doğrudan ilgili olmayan eylem ayar değerinin ayarlanmasında yatmaktadır. Bu nedenle, koruma cihazı hareket etmeyi veya arızalanmayı reddeder, bu da dolaylı olarak ekipmanın düşük devreye alma oranı gibi sorunlara neden olur. Akım kaçak akımının türünün akıllıca nasıl belirleneceği, akıllı kaçak akım koruma cihazları için acil bir sorundur.
Mevcut yerli ve yabancı kaçak akım algılama yöntemleri temel olarak sinir ağı algılama yöntemi, en küçük kare destek vektör makinesi algılama yöntemi ve uyarlamalı algoritmaya dayalı algılama yöntemini içerir. Literatür - Türlerin etkili bir şekilde tanımlanması için teorik destek sağlayan ilgili bir sınıflandırma modeli oluşturmak için dalgacık paket dönüşümü, enerji entropisi, kuantum genetiği ve diğer teknolojileri yapay sinir ağları ile birleştirin. Literatür, doğum nesnelerinin elektrik çarpması akımını toplam kaçak akımdan daha doğru bir şekilde tanımlamak için en küçük kareler destek vektör makinesini kullanır. Uyarlanabilir filtreleme ilkesine dayanan literatür, iyi gürültü sağlamlığına sahip olan ve koruma eyleminin ölü bölgesini etkili bir şekilde ortadan kaldırabilen uyarlanabilir bir elektrik çarpması akımı algılama modeli oluşturur. Bununla birlikte, literatür yöntemi esas olarak güç sistemi arızalarının belirlenmesi için kullanılır ve literatür yöntemi esas olarak elektrik çarpması akımının tanımlanması için kullanılır. Artık akım koruması, güç sistemi arızalarından farklıdır ve çeşitli yük değişikliklerinden kaynaklanan kaçak akımdaki değişikliklerden etkilenecektir.
Yukarıdaki ilgili çalışma, artık akımı sınıflandırmanın mümkün olduğunu göstermektedir. Mevcut çalışmaya dayanarak, bu makale ilgili artık akım özelliklerini oluşturacak ve çıkaracak ve ardından artık akım tipinin tahminini gerçekleştirecektir.
1 Artık akım testi ve veri toplama
Elektrik çarpması fiziği için biyolojik bir deney platformunun inşası Şekil 1'de gösterilmektedir. Deneysel platform temel olarak deneysel güç kaynağı, yük, kullanıcıdan toprağa kaçak empedans, hattan toprağa dağıtılmış empedans, elektrik çarpması dalı, arıza kaydedici ve gerilim ve akım trafosundan oluşur. Deneysel platformun bağlantı ilişkisi, deneysel güç kaynağını güç sağlamak için yük ile seri olarak kullanmak, deneysel güç kaynağının akım çıkışına bir gerilim ve akım trafosu kurmak ve gerilim ve akım trafosunu arıza kaydediciye bağlamak ve elektrik çarpması, elektrik çarpması dalı ve hattının gerilim ve akım verilerini okumaktır. Dağıtılmış empedansın bir ucu toprağa ve kullanıcının toprağa kaçak empedansı gerilim ve akım trafosu arkasına ve yük arasına bağlanır ve diğer ucu topraklanır. Bunlar arasında deneysel güç kaynağı olarak üç fazlı güç kaynağı kullanılır ve voltaj doğrudan yüke voltaj regülatörü yoluyla verilir; yük deneysel kutu ampul yüküdür; büyük direnç ve kapasitörün paralel bağlantısı, hattın zemine yalıtım direnci olarak kullanılır; Birbiri ardına gelen organizmalar tarafından gerçekleştirildi.
Bu elektrik çarpması deney platformu sayesinde, bitki elektrik çarpması, hayvan elektrik çarpması ve dolaylı temas elektrik çarpması gibi elektrik çarpması türlerinin artık akım verileri elde edilebilir. Tipik bir elektrik çarpması veri görselleştirme türü Şekil 2'de gösterilmektedir.
Elektrik çarpması verilerinden, tipik elektrik çarpması verilerinin bir zaman alanında belirli periyodik özelliklere sahip bir dalga formuna sahip olduğu görülebilir.Verileri sınıflandırmak ve işlemek için verilerin özelliklerinin çıkarılması acildir. Bu amaçla, bu makale elektrik çarpması verilerinin sınıflandırma deneyini gerçekleştirmek için 7 farklı elektrik çarpması veri özelliği oluşturur.
2 Özellik parametresi çıkarma
Önceki bölümde analiz edildiği gibi, akım akımı, artık akım sinyal ortalamasını, standart sapmayı, kök kare genliğini, kök ortalama kare değerini, tepe değerini, çarpıklığı, basıklığı ve 7 tipik zaman alanı özelliğini gerçekleştirmek için sinyalin istatistiksel hesaplama ilkesine dayanabilir. Hesaplanan bu özellikler, ilgili sınıflandırma işlemlerini gerçekleştirmek için orijinal verileri temsil etmek için kullanılacaktır.
(1) Ortalama
Genel sinyal dalgalanma enerjisi seviyesini ifade etmek için, x (t) sinyalinin xi (i = 1, 2, ..., N) ayrık ifadesinin ortalama değeri şu şekilde ifade edilebilir:
Ortalama değer, boyutsal bir karakteristik parametredir. Ortalama değer, sinyal genliğinin aritmetik ortalama değerini temsil eder.Buna karşılık olarak, mutlak ortalama değer, sinyal genliğinin mutlak değerinin aritmetik ortalama değeri anlamına gelir. Mutlak ortalama değer şu şekilde ifade edilebilir:
(2) Standart sapma
Merkezi trend x'ten sapan sinyalin dalgalanma gücünü açıklamak için varyans, sinyalin dalgalanma bileşenini temsil etmek için kullanılır ve standart sapma, boyutsal bir karakteristik parametre olan varyansın pozitif kareköküdür. Sonlu sabit bir sinyal x (i) için tarafsız standart sapma şu şekilde hesaplanır:
(3) Karekök genliği
Boyutsal bir karakteristik parametre olan sinyalin dalgalanma yoğunluğunun büyüklüğünü açıklayın. İfadesi:
(4) Kök ortalama kare değeri
Sinyalin ortalama karekök, sinyalin titreşim yoğunluğunun yanı sıra sinyalin enerjisini yansıtmak için kullanılır. Ortalama karekök değeri, boyutsal bir karakteristik parametre olan zamana göre ortalamadır ve ifadesi formül (5) 'de gösterilmiştir:
Aynı zamanda, sinyalin ortalama karekök değeri varyans ve ortalama ile elde edilebilir:
(5) Tepe
Tepe değeri, sinyalin yoğunluğunu yansıtmak için kullanılan sinyalin maksimum anlık değerini ifade eder. Boyutsal bir karakteristik parametredir. İfade şöyledir:
(6) Çarpıklık
Çarpıklık, bir sinyalin ortalama değerine göre simetrisinin bir ölçüsüdür ve şu şekilde tanımlanır:
Çarpıklığın değeri pozitif, negatif ve hatta tanımsız olabilir. Dağılım sola doğru olduğunda çarpıklık negatiftir; dağılım sağa doğru olduğunda çarpıklık pozitiftir; dağılım ortalamaya göre simetrik olduğunda çarpıklık sıfırdır.
(7) Basıklık
Basıklık, sinyaldeki küçük etki bileşenini algılayabilir ve aşağıdaki şekilde tanımlanan dağıtım modelinin dikliğini tanımlayabilir:
Normal dağılımın basıklığı 3'tür. Basıklık 3'ten büyükse aşırı basıklığı, 3'ten küçük basıklığı ise yetersiz basıklığı gösterir.
3 AdaBoost algoritmasına dayalı artık akım tipinin tanınması
3.1 AdaBoost'un temel ilkeleri
AdaBoost, önceden belirlenmiş yeterince küçük bir hata oranına veya yineleme sayısına ulaşılana kadar her turda yeni bir zayıf sınıflandırıcının eklendiği yinelemeli bir algoritma olan "Adaptive Boosting" (Uyarlamalı Yükseltme) 'nin kısaltmasıdır. Her eğitim numunesine, belirli bir sınıflandırıcı tarafından eğitim setine seçilme olasılığını gösteren bir ağırlık atanır. Bir numune noktası doğru bir şekilde sınıflandırılmışsa, bir sonraki eğitim setinin yapımında, seçilme olasılığı azalır; tersine, bir numune noktası doğru şekilde sınıflandırılmamışsa ağırlığı arttırılır. Bu şekilde AdaBoost yöntemi, ayırt edilmesi daha zor olan (daha bilgilendirici) örneklere "odaklanabilir". AdaBoost'un uyarlanabilirliği, bir önceki zayıf sınıflandırıcı tarafından yanlış sınıflandırılan numunenin ağırlığının bir sonraki yinelemede artacağı, doğru sınıflandırılmış numunenin ağırlığının azalacağı ve bir sonraki zayıf sınıflandırıcıyı tekrar eğitmek için kullanılacağı gerçeğine yansır. . Analiz yoluyla, bu makaledeki artık akım sınıflandırma problemi AdaBoost modeliyle eşleştirilebilir. Bu yazıda, artık akımı karakterize etmek için bir dizi özellik kullanılmıştır ve ardından artık akımı çözmek için AdaBoost modeli kullanılmıştır.
3.2 Artık akım sınıflandırması için AdaBoost algoritması
Bir eğitim veri kümesi verildiğinde: (x1, y1), (x2, y2), ..., (xN, yN), burada xiX, yiY eğitim örneğinin etiketini temsil etmek için kullanılır, i = 1, 2, ..., N. Bunlar arasında xi, bu makalenin ikinci bölümündeki ilgili özellikleri temsil eder ve yi, ilgili sınıflandırmayı temsil eder. Maksimum yineleme sayısı T'dir. Özel algoritma uygulama adımları aşağıdaki gibidir.
(1) Eğitim verilerinin ağırlık dağılımını başlatın. Başlangıçta, her eğitim numunesine aynı ağırlık wi = 1 / N verilir. Eğitim numune setinin ilk ağırlık dağılımı D1 (i) şöyledir:
(2) t = 1, 2, ..., T'den yineleyin:
t-inci temel sınıflandırıcı Ht olarak en küçük akım hata oranına sahip bir zayıf sınıflandırıcı h seçin ve zayıf sınıflandırıcı ht: X {-1, + 1} 'i hesaplayın. Dt dağılımındaki zayıf sınıflandırıcının hatası:
İlgili H elde edildikten sonra, ilgili veriler eğitilebilir ve model doğrulanabilir.
3.3 Deneysel analiz
Üç tür deneysel veri vardır: 85 grup hayvan elektrik çarpması verisi, 75 grup bitki elektrik çarpması verisi ve 120 grup hayvan elektrik çarpması verisi. Her veri grubu, her 100 s'de bir örneklenen 3.000 örnekleme noktasına sahiptir. Numunenin 7 karakteristik parametresini aldıktan sonra test edin.
Eğitim seti veri setinin% 75'i ve parametre algoritması SAMME olduğunda, test setinin doğruluğu en yüksek olan 0.914'tür.Algoritmanın doğruluğu ve geri çağırma Tablo 1'de gösterilmiştir.
Yukarıdaki tablodan, üç tür elektrik şoku verisi karıştırıldığında, algoritmanın hayvan elektrik çarpması verileri için en iyi sınıflandırma sonucuna ve tesis elektrik çarpması verileri için en kötü sınıflandırma sonucuna sahip olduğu görülebilir.
3.4 Yöntem karşılaştırması
Yaygın olarak kullanılan sınıflandırma algoritmaları arasında SVM, karar ağacı, rastgele orman, Bayes sınıflandırıcı, sinir ağı vb. Bulunur. Karşılaştırmalı bir deney olarak, bu sefer test etmek için SVM, karar ağacı ve rastgele orman kullanılır. İlgili doğruluk oranını, geri çağırma oranını ve Tablo 2'de gösterildiği gibi diğer sonuçları elde etmek için aynı veri seti üzerinde test etmek için bu üç algoritmayı kullanın.
Tablo 2'den, AdaBoost algoritmasına benzer şekilde, SVM, karar ağacı ve rastgele ormanın üç algoritmasının hayvan elektrik çarpması verileri için yüksek sınıflandırma doğruluğuna sahip olduğu, tesis elektrik çarpması verilerinin sınıflandırma doğruluğunun ise nispeten düşük olduğu görülebilir. Mevcut veri setinin etkisi altında AdaBoost en yüksek doğruluğa sahiptir.
Dört algoritmanın sınıflandırma doğruluğunun karşılaştırması Şekil 3'te gösterilmektedir. Hayvan elektrik çarpması verilerinin sınıflandırılması için dört algoritmanın doğruluğunun nispeten yüksek ve doğruluk farkının küçük olduğu Şekil 3'ten görülebilmektedir; tesis elektrik çarpması verilerinin sınıflandırılmasının doğruluğu nispeten düşük ve fark büyüktür. Bunlar arasında, AdaBoost'un üç tür veri sınıflandırması için doğruluğu% 80'in üzerindedir; Tesis elektrik çarpması sınıflandırması için SVM'nin doğruluğu, rastgele tahmin doğruluğuna benzer şekilde en az% 50'dir. Dört algoritma arasında AdaBoost, üç tür veri için nispeten yüksek sınıflandırma doğruluğuna sahiptir, ardından rastgele ormanlar ve karar ağaçları gelir.
4. Sonuç
Bu yazıda, eğitim özellikleri olarak artık akımdaki birden fazla özellik seçilerek AdaBoost'a dayalı bir artık akım sınıflandırma yöntemi oluşturulmuş ve rastgele orman ve SVM gibi ana akım sınıflandırma algoritmaları karşılaştırılmıştır. Deneyler, AdaBoost'un üç tür veri üzerinde iyi bir sınıflandırma etkisine sahip olduğunu ve gelecekteki pratik uygulamalar için belirli bir referans değerine sahip olan ayarlamadan sonra gerçek elektrik çarpması verilerini sınıflandırmak için kullanılabileceğini göstermektedir. Gelecekte AdaBoost'un parametre ayarlaması incelenecek ve daha iyi sonuçlar elde etmek için çaba gösterilecektir.
Referanslar
Lin Sheng, He Zhengyou, Zang Tianlei, ve diğerleri.Kaba sinir ağına dayalı iletim hattı arıza sınıflandırma yöntemi.Çin Elektrik Mühendisliği Bildirileri, 2010, 30 (28): 72-80.
Li Xiaoquan, Zhuang Dehui, Zhang Qiang.Kaba radyal temel işlevli sinir ağına dayanan yeni bir güç şebekesi arıza teşhisi modeli Güç sistemi koruma ve kontrolü, 2009, 37 (18): 20-24.
Zhang Ju, Wang Xingguo, Li Zhilei. Dalgacık Paket Enerjisi Sinir Ağının Güç Sistemi Arıza Teşhisinde Uygulaması. Güç Sistemi Teknolojisi, 2006, 30 (5): 72-76.
Li Dongmin, Liu Zhigang, Su Yuxiang.Çoklu dalgacık paketine ve yapay sinir ağına dayalı güç sistemi arıza tipi tanıma Elektrik Güç Otomasyon Ekipmanı, 2009, 29 (1): 99-104.
Wang Jinli, Liu Yongmei, Du Songhuai, et al.Artık akımın içsel modal enerji özelliklerine dayanan bir biyolojik vücut elektrik şoku arıza teşhis modeli.Çin Ziraat Mühendisliği İşlemleri, 2016, 32 (29): 202-208.
Han Xiaohui, Du Songhuai, Su Juan ve diğerleri En küçük kare, parametre optimizasyonuna dayalı vektör makinesi elektrik çarpması akım algılama yöntemini destekler.Çin Ziraat Mühendisliği İşlemleri, 2014, 30 (23): 238-245.
Xiong Xiaoyi, Xiao Xianyong, Zhao Heng. Uyarlanabilir algoritmaya dayalı elektrik çarpması kazasının mevcut tespiti Güç sistemi koruma ve kontrolü, 2017, 45 (4): 139-144.
Wang Tao, Shanbai · Dalabai, Liu Guidong.Yüksek dereceli istatistiklere dayalı sinyal özelliği açıklaması İletişim Teknolojisi, 2011, 44 (2): 151-154.
He Haiping, Timing Ming, Zhang Li.Yüksek sıralı istatistiklere dayalı sinyal analizi ve işleme.Makine ve Elektrik Mühendisliği, 2003, 20 (5): 85-87.
Yu Bianzhang. Digital Signal Processing (2nd Edition) Xi'an: Northwestern Polytechnical University Press, 2002.
Zhang Qiong, Yang Junan, Xia Jianming. Eğikliğe dayalı alçak irtifa hedef akustik sinyali için kör çıkarma algoritması. Veri Toplama ve İşleme, 2011, 26 (1): 69-74.
Du Songhuai Güç sistemi topraklama teknolojisi Pekin: Çin Electric Power Press, 2011.
MITOLO M. Koruyucu artık akım cihazı varlığında şok tehlikesi Endüstri Uygulamalarında IEEE İşlemleri, 2010, 46 (4): 1552-1557.
Cheng Peng, Yan Han, Fan Zhenqi Anti-parazit tekniği ile bir artık akım devre kesici IC'nin tasarımı Analog Integr Circ Sig Process, 2010, 64: 199-204.
Li Kui, Lu Jianguo, Yue Dawei ve diğerleri. Sızıntı sinyali tanımlama teknolojisi ve yöntemleri Düşük voltajlı elektrikli cihazlar, 2008 (23): 1-4.
Cai Zhiyuan, Pang Jia, Chen Tinghui Rezidüel akım ve sızıntı empedansına dayalı kaçak koruma yöntemleri üzerine araştırma Güç Sistemi Koruma ve Kontrolü, 2011, 39 (12): 61-64.
FREUND Y, SCHAPIRE R E. Çevrimiçi öğrenmenin karar-teorik bir genellemesi ve artırmaya yönelik bir uygulama CiteSeerX, 1995.
yazar bilgileri:
Liu Yongmei1, Du Songhuai1, Sheng Wanxing2
(1. Bilgi ve Elektrik Mühendisliği Okulu, Çin Ziraat Üniversitesi, Pekin 100083; 2. Çin Elektrik Enerjisi Araştırma Enstitüsü Co., Ltd., Pekin 100192)
