自适应遗传算法优化支持向量机的过电压识别

谢　川，解武杰

（空军工程大学 航空航天工程学院，陕西 西安　710038）

自适应遗传算法优化支持向量机的过电压识别

谢川，解武杰

（空军工程大学 航空航天工程学院，陕西 西安710038）

为了提高过电压识别的准确性，以及加快过电压的识别速度，提出一种自适应遗传算法优化支持向量机的过电压识别方法。首先针对单一特征信息难以获得过电压高识别率的问题，采用时域波形、波头、时频谱的组合特征作为过电压识别特征，然后采用过电压的训练样本对支持向量机进行学习，建立过电压识别的分类器，并引入自适应遗传算法对支持向量机参数进行优化，最后采用具体过电压识别实例进行性能仿真分析。结果表明，该方法的过电压平均识别率达到95%以上，远远超过了实际应用的85%要求，且识别结果要优于其他过电压识别方法。

过电压识别；支持向量机；输电线路；遗传算法

0　引　言

雷电是一种无法预测的自然现象，会对输电线路产生干扰，引起输电线路故障，而仅对输电线路添加防雷保护难以保证输电线路的正常工作，过电压识别可以反映输电线路的工作状态，为电力系统管理人员提供有价值的参考意见，因此提高过电压的识别率具有重要的实际应用价值［1-2］。

针对过电压识别问题，学者们从理论、方法以及技术等方面进行深入的分析，提出了许多有效的过电压识别方法［3］。最初过电压识别通过专家系统进行，过电压由于类型多、产生原因复杂，专家系统识别率低，而且识别结果具有盲目性，难以应用于实际过电压识别［4］。

随着机器学习技术研究的不断深入，机器学习算法被学者们引入到了过电压识别的建模中，将过电压识别看作是一种多分类问题，根据特征对样本进行处理，建立过电压识别的分类器，以区别出各种类型的过电压，在过电压识别中应用最为广泛［5-7］。特征提取是过电压识别的基础，对后续过电压识别结果影响大，当前特征主要有：电流变化幅值、时域波形、暂态电流特征等［8-10］，单一特征只能描述过电压类型的部分、片段信息，难以获得正确率高的过电压识别结果，通用性较差；当前过电压识别基于神经网络、支持向量机（Support Vector Machine，SVM）等建模，神经网络虽然具有自学习、非线性分类能力，但要求过电压识别的训练样本数量大，而过电压识别是一种典型小样本的多分类问题，易得到“过拟合”的过电压识别结果［11］。

SVM是一种小样本的机器学习算法，不存在神经网络要求样本大、过拟合的缺陷，其参数直接影响过电压识别的结果［12］。

为了提高过电压识别的准确性，提出一种基于自适应遗传算法优化支持向量机的过电压识别方法（GA-SVM）。首先提取时域波形、波头、时频谱作为过电压识别特征，然后采用支持向量机建立过电压识别的分类器，并采用自适应遗传算法对支持向量机参数进行优化，实例结果表明，本文方法的过电压平均识别率达到95%以上，识别性能要优于当前经典过电压识别方法。

1　雷击过电压识别的特征

采用时域波形、波头、时频谱对输电线路的雷击过电压状态进行特征提取，具体见表1。

表1　时域波形、波头、时频谱特征描述

过电压类型与特征之间的变化关系如表2所示，单一特征难以准确描述雷击过电压的内容，易造成雷击过电压误识率高，为了避免单一特征的局限性，本文选择时域波形、波头、时频谱的组合特征实现雷击过电压识别，以获得更加理想的过电压识别结果。

表2　雷击过电压类型与特征对应表

建立性能优异的过电压识别模型，需要选择一定算法对过电压类型与特征之间的关系进行准确拟合，即以过电压特征作为输入量，过电压类型作为期望输出，组成训练样本和测试样本，本文选择支持向量机建立输电线路的雷击过电压识别模型，并采用自适应遗传算法对支持向量机参数进行优化。

2　自适应遗传算法优化支持向量机的过电压识别

2.1支持向量机

设训练集为：｛x（i）,y（i）,i=（m-1）τ,…,n-1｝，x（i）∈Rm，yi∈R，通过 φ（x）将其映射到高维特征空间F，估计函数为：

式中w和b为参数。

将式（1）转换成一个优化问题，具体为：

式中：ξi,表示松弛因子；C表示惩罚因子。

引入拉格朗日乘子αi和，将式（2）变为凸二次优化问题，从而得到：

为了提高支持向量机的运行效率，对式（3）继续进行变换，得到其对偶形式为：

采用k（xi,x）表示（φ（xi）,φ（x），支持向量机的分类函数为：

SVM是二分类器，而雷击过电压识别是一种多分类问题，采用“一对多”的雷击过电压识别分类器，其结构具体如图1所示。

图1　雷击过电压识别分类器结构

2.2自适应遗传算法

遗传算法是一种模拟生物进化机制的智能算法，将问题看作一个生存环境，个体代表问题的解，目标函数值表示个体适应环境能力，通过模拟“优胜劣汰、适者生存”机制不断产生新的群体，以最大概率找到最优解。针对标准遗传算法的不足，本文提出一种自适应遗传算法。遗传算法工作前期，如满足式（6）的条件时，交叉概率Pc值大，变异概率Pm值小，保证种群的多样性。

式中：fmax和 favg为最大和平均适应度值。

遗传算法工作前期，如满足式（7）条件，Pc值小，变异概率Pm值大，防止出现早熟现象。

进化前期Pc和Pm的变化方式为：

式中：Pc0和Pm0是Pc和Pm的初值。

进化后期Pc和Pm的变化方式为：

采用标准Benchmark函数：Griewank对标准遗传算法（GA）和自适应遗传算法（AGA）进行对比研究，结果如图2所示。从图2可知，AGA的收敛速度要快于GA，而且获得更高的收敛精度，求解结果更加稳定。

2.3AGA-SVM的过电压识别步骤

（1）收集过电压数据，并对特征值进行归一化处理。

（2）产生遗传算法的初始种群。

（3）将过电压训练样本输入到支持向量机学习，计算每个个体的适应度值。

（4）判断是否达到终止条件，若达到要求则输出最优个体，进入步骤（6）。

（5）进行选择、自适应交叉和变异操作，产生新的种群。

（6）计算新种群中每个个体的适应度值。

（7）最优个体得到支持向量机参数，建立过电压识别模型。

图2　AGA与GA的性能对比

3　过电压识别的应用实例

对于每种类型雷击过电压状态，均收集50个样本数据，40个样本用于训练支持向量机，构建过电压识别模型，其余10个样本对过电压识别效果进行测试和分析。短路故障过电压、感应雷击过电压、直击雷击过电压、绕击雷击过电压、反击雷击过电压的标签编号分别为1，2，3，4，5。

为了使AGA-SVM的雷击过电压识别结果具有可比性，选择GA-SVM的雷击过电压识别模型进行对比实验，实验结果如图3～图5所示。通过对比图3和图4中GA-SVM和AGA-SVM的雷击过电压识别准确率可知，AGA-SVM的识别准确率平均达到95%以上，比GASVM的识别准确率提高了5.25%，这主要是由于AGA采用了自适应的交叉变异机制，较好地解决了GA陷入局部最优解，找到了更优的SVM参数，建立了正确率更高的雷击过电压识别模型。

图3　GA-SVM的雷击过电压识别结果

图4　AGA-SVM的雷击过电压识别结果

图5　AGA-SVM与GA-SVM的识别时间对比

同时从图5可以看出，AGA-SVM的雷击过电压识别时间更少，主要是因为AGA加快了SVM参数的寻优效率，进化代数明显减少，加快了雷击过电压识别的建模速度，提高了雷击过电压识别的效率，实际应用范围更加广泛。

4　结　语

为了减少输电线路的过电压识别错误率，提出一种AGA-SVM的过电压识别方法。首先提取多种过电压的特征，然后采用自适应遗传算法优化支持向量机拟合过电压类别与特征之间的变化关系，最后采用具体数据进行仿真实验，结果表明，本文方法是一种速度快、正确率高的雷击过电压识别方法。

［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，司马文霞，等.架空输电线路雷电过电压识别［J］.高电压技术，2010（3）：590-597.

［3］董杏丽，葛耀中，董新洲.行波保护中雷电干扰问题的对策［J］.中国电机工程学报，2002（9）：74-78.

［4］张伟刚，张保会，胡海松，等.应用小波包分析实现配电网单相接地故障选线［J］.电力系统自动化，2009，33（23）：60-64.

［5］张保会，赵慧梅，张文豪，等.基于特征频带内暂态零序电流特点的配电网单相接地故障选线方法［J］.电力系统保护与控制，2008，36（17）：5-10.

［6］束洪春，王永治，程春和，等.800 kV直流输电线路雷击电磁暂态分析与故障识别［J］.中国电机工程学报，2008，28（19）：93-100.

［7］胡亚平，吕飞鹏，周鑫，等.基于PRONY法的超高压线路单相自适应重合闸故障识别原理［J］.电力系统保护与控制，2010，38（9）：23-26.

［8］段建东，张保会，郝志国.超高压线路暂态保护中雷电干扰与短路故障的识别［J］.电力系统自动化，2004，28（18）：30-35.

［9］段建东，任晋峰，张保会，等.超高速保护中雷电干扰识别的暂态法研究［J］.中国电机工程学报，2006，26（23）：7-13.

［10］陈仕龙，张杰，毕贵红，等.基于小波分析的特高压直流输电线路双端电压暂态保护［J］.电网技术，2013，37（10）：2719-2725.

［11］司马文霞，谢博，杨庆，等.特高压输电线路雷电过电压的分类识别方法［J］.高电压技术，2010（2）：306-312.

［12］马骞，杨以涵，刘文颖，等.多输入特征融合的组合支持向量机电力系统暂态稳定评估［J］.中国电机工程学报，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

陕西自然科学基金（2015JM6345）

谢川（1974—），男，四川自贡人，博士，副教授。研究方向为飞行数据智能处理、检测技术教学与科研。

解武杰（1967—），男，陕西韩城人，硕士，副教授。研究方向为电气工程及其自动化。