Largement utilisé dans le réseau basse tension des moyens de protection de courant résiduel pour prévenir les incendies, les chocs électriques pour prévenir les blessures ou la mort. dispositif de protection courant résiduel principe de fonctionnement est mise principalement opération de réglage de la valeur, que ce soit le courant de démarrage avec un choc corps actuel, ou pas directement lié à l'appareil. Par conséquent, le dispositif de protection se produira refusent de bouger, un mauvais fonctionnement, mais aussi indirectement causé le faible taux de mettre l'équipement en service et d'autres questions. Comment déterminer les espèces intelligentes de courant différentiel est un problème à résoudre dispositif de protection à courant différentiel résiduel intelligent.
La méthode actuelle de détection de courant résiduel interne et de détection comprennent des réseaux de neurones, des dosages de détection LSSVM basé sur l'algorithme adaptatif. Document - transformée en paquets d'ondelettes, l'entropie de l'énergie, la technologie génétique quantique et les réseaux de neurones artificiels, pour établir le modèle de classification pertinente fournit un support théorique pour l'identification de type actif. Document de moindres carrés SVM peut identifier plus précisément le courant de choc de l'organisme de fuite du courant total. Document basé sur le principe de filtrage adaptatif, le modèle de choc adaptatif de détection de courant, robustesse au bruit, l'opération de protection peut éliminer efficacement la zone morte. Mais la littérature - Méthode est principalement utilisé pour l'identification des défauts du système d'alimentation, document - Méthode est principalement utilisé pour identifier le choc actuel. Système de protection courant résiduel différent de la panne de courant, sera également affectée par le courant de fuite en raison de changements dans divers changements de charge.
Au-dessus des travaux connexes suggère que la classification du courant résiduel est réalisable. Cet article sur la base des travaux existants, les caractéristiques actuelles résiduelles pertinentes, comme la construction et l'extraction, puis à la prédiction du type courant résiduel.
1 acquiert les données de test de courant résiduel
expériences de physique du bâtiment organismes de choc Internet représenté sur la Fig. Principalement par la plate-forme expérimentale de la puissance de test, l'impédance de fuite à la charge de l'utilisateur, la distribution de ligne à impédance sol, une branche de décharge électrique, et un transformateur de courant de tension de composition enregistreur de perturbations. relation de connexion est l'utilisation de la charge d'alimentation de la série expérimentale de plate-forme expérimentale, la tension et des transformateurs de courant installés à la sortie de puissance en courant expérimentale, de la tension et des transformateurs de courant enregistreur de perturbations connecté et lit les données de tension et aux chocs de courant, la ligne de branchement de choc la distribution de l'impédance, une fuite de l'utilisateur dans le milieu d'une impédance de terminaison et la tension de charge et des transformateurs de courant de retour, et l'autre extrémité à la masse. Dans lequel, lorsque le bloc d'alimentation à trois phases expérimentales, directement à la charge par l'intermédiaire du régulateur de puissance, test de charge de lampe de la boîte en utilisant une charge, une grande résistance parallèle et la capacité de résistance à l'isolement de la masse de la ligne, la jambe est une résistance aux chocs et l'utilisation de grandes une série d'organismes à atteindre.
En ce choc de la plate-forme expérimentale, choc plante pouvant être obtenue, le choc des animaux, de choc et d'autres types de contact indirect des données de courant résiduel. Une classe typique d'un choc de visualisation de données comme illustré sur la figure.
Le choc à partir des données, on peut voir la forme d'onde ayant une caractéristique de périodicité de données de domaine temporel typique de choc, afin de classifier et traiter les données, l'extraction de caractéristiques de données d'urgence. Par conséquent, à partir des données de configuration de classification de choc expérimental par électrocutions sept caractéristiques de données différentes.
extraction de paramètre caractéristique 2
A titre d'analyse, le courant peut être calculée selon le principe de la statistique du signal de courant des signaux au moyen du courant résiduel, écart-type, la racine carrée de l'amplitude, la valeur RMS, pic, asymétrie, aplatissement typique 7 quantité caractéristique temporelle est calculée, ces caractéristiques seront utilisées pour effectuer des opérations pour le compte des données originales de classification associées.
(1) Moyenne
Pour représenter le niveau global de l'énergie d'onde de signal, le signal x (t) du xi discret d'expression (i = 1,2, ..., N) peut être exprimé en tant que moyenne:
Moyenne appartenant paramètre caractéristique sans dimension. Moyenne représente la moyenne arithmétique de l'amplitude du signal, puis de manière correspondante, la valeur moyenne de l'amplitude absolue du signal représente la moyenne arithmétique de la valeur absolue, la valeur absolue moyenne peut être exprimée comme suit:
(2) l'écart-type
Afin de décrire les fluctuations d'intensité du signal diffère de la x de tendance centrale, composante de fluctuation utilisé pour représenter la variance, la valeur d'écart-type, par rapport à la racine carrée positive du signal de variance, le paramètre caractéristique de dimension appartient. Pour le signal entier fini x (i), qui est calculé l'écart-type est non biaisé:
(3) l'amplitude de la racine carrée
amplitude de signal des fluctuations d'intensité décrit, appartenant paramètre caractéristique sans dimension. Ce qui a été exprimée:
(4) rms
Rms signalent afin de refléter la grandeur de l'intensité des signaux de vibration peut refléter la grandeur de l'énergie du signal. La valeur quadratique moyenne correspond à la moyenne par rapport au temps, il est caractéristique paramètre sans dimension, comme formule de l'expression (5):
En même temps, la valeur efficace du signal peut être déterminée par la variance et moyenne:
(5) Pic
Peak est la valeur instantanée maximale du signal, pour tenir compte de l'amplitude de la puissance du signal, l'appartenance des paramètres caractéristiques sans dimension, exprimée en tant que:
(6) dissymétrie
L'asymétrie est une mesure de la symétrie du signal par rapport à sa valeur moyenne, est définie comme:
valeur dissymétrie peut être positif ou négatif, ne peut même pas être défini. Lorsque la distribution gauche, la dissymétrie est négative, lorsque la distribution à droite, dissymétrie est positif, lorsque la distribution symétrique par rapport au temps, la dissymétrie est égal à zéro.
(7) kurtosis
impact perceptible kurtosis composant minute du signal peut indiquer dans quelle mesure les modes de distribution lente raide, qui est défini comme:
Kurtosis de la distribution normale pour la 3, si le pic est supérieure à 3 indiquent kurtosis d'aplatissement excessif moins de 3 indique que kurtosis insuffisante.
3 identification de type courant résiduel basé sur l'algorithme AdaBoost
3.1 Principes de base AdaBoost
AdaBoost est une abréviation pour « Adaptive Dynamiser » (Adaptive Dynamiser) est un algorithme itératif , ajouter une nouvelle classificateurs faibles à chaque tour, jusqu'à ce qu'un taux d'erreur prédéterminé suffisamment faible ou le nombre d'itérations . Chaque échantillon d'apprentissage est affecté un poids, ce qui indique que la probabilité de celui-ci étant choisi dans la formation d'un classificateur réglé. Si un point échantillon a été correctement classé, alors en construction dans un ensemble de formation, la probabilité qu'il soit sélectionnée est abaissée, bien au contraire, si un point échantillon n'a pas été classé avec précision, de sorte que son poids serait améliorée. De cette façon, la méthode AdaBoost peut « se concentrer sur » les points difficiles sur ces échantillons (information plus riche). adaptabilité AdaBoost reflète un classifieur faible est le poids de l'échantillon augmente de classification erronée lors de la prochaine itération de la première, tandis que le poids de l'échantillon correctement classifié valeur diminue, et à nouveau pour le prochain train d'un classificateur de faiblesse . En analysant le classement courant résiduel ici peuvent être mis en correspondance avec le modèle de AdaBoost. En établissant une pluralité de caractéristiques permettant de caractériser les caractéristiques du courant résiduel, le courant résiduel est ensuite résolu en utilisant le modèle AdaBoost.
3.2 algorithme de classification AdaBoost pour le courant résiduel
Compte tenu ensemble de données d'apprentissage: (x1, y1), (x2, y2), ..., (xn, yn), où l'étiquette xiX, yiY pour indiquer les échantillons d'apprentissage, i = 1,2, ..., N. Dans lequel la seconde partie des caractéristiques pertinentes ici représentent xi, yi de la représentation de la classification pertinente. Le nombre maximum d'itérations est T. étapes d'algorithmes spécifiques indiqués dans les modes de réalisation suivants.
Droit (1) Les données de formation d'initialisation distribution des valeurs. Chaque échantillon d'apprentissage est le début ont reçu les mêmes poids wi = 1 / N, la distribution de l'échantillon de formation initiale ensemble de poids D1 (i) est la suivante:
(2) à partir de t = 1,2, ..., T itération:
la sélection d'un taux d'erreur minimum du classifieur faible courant h t que le classificateur de base Ht, et calcule les faibles classificateur ht: X {-1, + 1}, l'erreur dans la répartition des classificateurs de faiblesse dt est:
Après l'obtention du H correspondant, aux données de formation pertinente et la validation du modèle.
3.3 Analyse expérimentale
Il existe trois types de données expérimentales: groupe 85 animaux choc données, choc électrique des ensembles de données des plantes 75, 120 animaux contact indirect jeu de données. Chaque groupe de données 3000 points d'échantillonnage, échantillonné une fois toutes les 100 us. Après avoir obtenu les sept échantillons d'essai des paramètres caractéristiques.
Lorsque le résultat de l'ensemble de la formation de 75% de l'ensemble de données, l'algorithme de paramètres est SAMME, la précision du test mis en place, était de 0,914, la précision de l'algorithme, le taux de rappel comme indiqué dans le tableau 1.
Des spectacles de table au-dessus d'un choc électrique lorsque trois types de données mixtes, les algorithmes, les résultats de la classification des données d'électrisation des animaux mieux, le résultat de la classification des pires des données de l'installation de choc électrique.
3.4 Comparaison des méthodes
algorithmes couramment utilisés sont la classification SVM, arbres de décision, les forêts aléatoires, classificateur bayésien, réseau de neurones, comme une expérience comparative, cette fois en utilisant la SVM, arbres de décision, test de forêt aléatoire. Trois algorithmes utilisés pour obtenir la précision de test correspondant sur le même ensemble de données, rappel, etc. Comme les résultats présentés dans le tableau 2.
Le tableau 2 montre que, semblable à l'algorithme AdaBoost, SVM, arbres de décision, la précision de la classification des forêts aléatoires des trois algorithmes choc données sur les animaux sont élevés, relativement choc faible précision de la classification sur les données de l'installation. Sous l'effet de l'ensemble des données actuelles, le taux le plus élevé de précision AdaBoost.
précision de la classification quatre algorithmes comparatifs comme le montre la figure. Vu de la figure 3, quatre précision des algorithmes des animaux de choc de classification des données sont une grande précision et peu de différence;. Précision de la classification des données de choc dans les plantes sont relativement faibles et varient grandement. AdaBoost précision qui des trois classification des données dans plus de 80%, plante MVB choc électrique précision de la classification la plus faible était de 50% et une précision similaire à deviner au hasard. Dans quatre algorithmes, le taux de précision de la classification AdaBoost de trois types de données sont élevés, la forêt aléatoire, arbre.
4 Conclusion
En sélectionnant une pluralité de caractéristiques dans le courant résiduel de la fonction de formation construit sur la base classification AdaBoost courant résiduel, et comparer la forêt aléatoire, l'algorithme de classification SVM ordinaire. Les expériences montrent que, les résultats de la classification AdaBoost pour les trois meilleures données, le choc peut être ajustée pour le classement réel des données, il y a une valeur de référence pour l'application pratique de l'avenir. Réglage des paramètres se AdaBoost et d'autres recherches dans l'avenir, et nous nous efforçons d'obtenir de meilleurs résultats.
références
St Lin, Lei DÉLIBÉRATIONS Zangtian, et PANNE classification grossière basée sur les réseaux de neurones La Société chinoise de génie électrique, 2010,30 (28): 72-80.
Hyo ensemble, Zhuangde Hui, Zhang Qiang. Le nouveau diagnostic de défaut à la grille de modèle basé sur des réseaux de neurones RBF rugueuse . La protection du système d'alimentation et de contrôle, 2009,37 (18): 20-24.
Pour Zhang, WangXingGuo, Li Ray Application des réseaux de neurones dans Power System Diagnostic Défaut Wavelet entropie d'énergie de paquets . Power System Technology, 2006,30 (5): 72-76.
Li Dongmin, Zhigang, Su Yuxiang. Réseau de neurones Fault Multiwavelet système d'alimentation et artificielle identification du type de paquet Power Automation Equipment, 2009,29 (1): 99-104.
Wangjin Li, Liu Yongmei, Du Songhuai, etc. sur la base de l'énergie en mode biologique naturel, caractérisé en ce modèle de diagnostic de défaut de courant résiduel électrocution Revue du génie agricole, 2016,32 (29): 202-208.
Hanxiao Hui, Du Songhuai, Su Juan, etc. choc méthode de détection de courant en fonction des paramètres optimisés LSSVM Revue du génie agricole, 2014,30 (23): 238-245.
Yi Xiong Xiao, Xiao Xianyong, Zhao Heng. Détection de courant de décharge électrique basé sur l'algorithme adaptatif . La protection du système d'alimentation et de contrôle, 2017,45 (4): 139-144.
Wang Tao, le culte de montagne Dara culte, Liu Guidong basé sur les statistiques d'ordre supérieur du signal fonction Description Technologie des communications, 2011,44 (2): 151-154.
Il Haiping, le calendrier Ming, Zhang Li. L'analyse du signal et traitement basé sur les statistiques d'ordre élevé Génie mécanique et électrique, 2003,20 (5): 85-87.
Bian Yu Zhang traitement numérique du signal (2e édition) Xi'an: Northwestern University Press, 2002.
Qiong, Yangjun An, Xia Jianming. Extrait à base de signal sonore cible aveugle de faible dissymétrie acquisition et traitement des données, 2011,26 (1): 69-74.
Du Songhuai. Power System Technology Mise à la terre . Pékin: China Electric Power Press, 2011.
Mitolo danger M.Shock en présence d'un dispositif de protection à courant différentiel résiduel .IEEE Transactions sur les applications industrielles, 2010,46 (4): 1552-1557.
Cheng Peng, Yan Han, Fan Zhenqi.Design d'un disjoncteur de courant résiduel IC avec une technique anti-interférences Procédé .Convertisseur analogique Integr Circ Sig, 2010,64: 199-204.
Li Kui, LU Jian États, beaucoup Yue, méthode de reconnaissance et et le signal de fuite appareils électriques à basse tension, 2008 (23): 1-4.
Caizhi Yuan, Jia Pang, Chenting étude Hui. Protection contre les fuites méthode basée sur les courants et impédance de fuite résiduelle de . La protection du système d'alimentation et de contrôle, 2011,39 (12): 61-64.
FREUND Y, R Schapire E.Une généralisation théorico-décision de l'apprentissage en ligne et une application pour stimuler .CiteSeerX 1995.
Informations sur l'auteur:
Liu Yongmei 1, Du Songhuai 1, 2 Shengwan Xing
(Collège d'information et de génie électrique, Université agricole de Chine, Beijing 100083, Chine; 2. Chine Electric Power Research Institute Co., Ltd, Beijing 100192, Chine)
