基于支持向量機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 在電力計量故障診斷模型的基礎上，針對電流不平衡項檢測的分類問題，該文提出 SVM 支持向量機算法模型，通過使用 SVM 自身對分類的識別，得到一個最優的分類平面，根據待測樣本與各平面臨近距離測算出樣本分類。根據這一特性，得到對電流不平衡數據實時預測的能力，并構建監督學習優化模型提高模型準確率。

關鍵詞 SVM 電流不平衡 分類

中圖分類號：TP181文獻標識碼：A

0前言

三相電力不平衡在電力活動中屬于較為常見的現象。在電力傳輸活動中，三相電流不平衡現象的出現會導致線路功率損耗增加，進而對供電公司和用電用戶造成不必要的損失和麻煩。

為避免造成嚴重損失，經研究決定利用機器學習模型對電流不平衡現象出現的原因進行智能分類，以輔助專業人員判斷決策。

本文主要介紹SVM 支持向量機算法在電流不平衡分類中的應用。通過電力歷史數據的監測及問題反饋建立SVM 分類自識別模型，從而達到電流不平衡數據監測報警及自動反饋不平衡造成原因的效果。使其在電力活動中能更高效、更可靠的輔助電力從業人員決策。

1電流不平衡的影響因素

1.1三相電壓不平衡

電壓波動造成電壓不平衡，必然會引起電流的不平衡。在輸配電線路阻抗不相等時，會產生壓降不相等的情況，致使三相電壓產生不平衡，變壓器。

1.2單相負載不平衡

單相負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。在分配單相負載時，雖然盡量將負載均勻分配在各相上，但即使負載的分配是平衡的，也無法保證所有的單相負載都在同一時間消耗相等的功率。

1.3相間短路

相間短路常由A/B/C 三相火線之間發生短路， 因為線電壓為 380V 所以發生相間短路時，短路電壓是 380V。相間短路后相間會加大電流，造成三相電流的不平衡。

2 SVM 支持向量機原理

SVM 是一種監督學習的分類模型，對線性可分情況時，它會采用硬間隔支持向量，通過硬間隔最大化學習得到一個線性可分的模型。對數據近似線性可分時，SVM 會針對數據這一特性通過軟間隔最大化學習得到最優模型。對線性不可分情況，SVM 會使用核方法將低維空間矢量轉化成高維空間使其線性可分后學習得到一個模型。

2.2 SVM 線性不可分情況

對于線性不可分情況，常使用核函數將其非線

性映射到高維空間，轉換成線性可分情況，常用的核函數如表 1 所示。

3 電流不平衡自分類模型

3.1 分類原理

電流不平衡出現包含隨機因素與非線性特性的復雜性。利用物理上的模型無法達到準確推斷的結論。機器學習則很好的填補了這一漏洞。

通過電力大數據這一平臺，收集了電力歷史數據，截取了 A/B/C 相電流、A/B/C 相電壓表數據對數據進行了預處理，并對樣本分析后構建了電流不平衡的指標。

根據歷史數據和電流不平衡標簽劃分出訓練集和測試集，用訓練集數據測試 SVM 模型，模型會根據傳入數據輸出結果與真實值比較后，合理的分類平面。經過這一步后，初步的 SVM 支持向量機模型即可搭建完成。

為測試模型預測效果，將測試集數據傳入已構建好的模型中，比較輸出結果和真實值，可以得出模型準確率為 98.88%。其混淆矩陣如表 2 所示：

這樣的準確率并不能滿足設備投入使用，因此構建監督學習模式，能使模型能夠實時更新自己的訓練數據，從而更精確的訓練出向量機的最優分類平面，構建的模型效果如圖 2 所示：

這部分主要包括：歷史數據電流不平衡判別，通過數據預處理后形成電流不平衡數據的矢量結構傳入 SVM 向量機內訓練最優的分類平面，對虛漏報數據進行比對，待數據修正后歸檔再將電流不平衡數據再次提取傳入模型中，提高模型運行的準確度。

通過這一監督學習模型的對一個窗口期內實時傳輸回的數據進行預測分析，其模型準確度提高至 99.78%。

4 結束語

本文通過對電流不平衡出現原因的研究及數據波動的觀察，利用 SVM 算法模型對出現電流不平衡現象的原因進行分類，實驗證明，在分類預測上SVM 支持向量機模型存在可行性和理論支持，從實驗數據表現可知，通過對 SVM 模型自監督學習的優化，對電流不平衡現象監測和分類取得了良好的效果。

參考文獻

[1] 趙文清，嚴海，王曉輝.BP 神經網絡和支持向量機相結合的電容器介損角辨識[J/OL].智能系統學報，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和小波神經網絡的電力線通信信道噪聲建模研究[J].電工技術學報，2018，33（16）：3879-3888.

[3] 郭英.基于改進支持向量機算法的水質監測模型研究[J].水科學與工程技術，2018（04）：21-24.