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. 福州大學電氣工程與自動化學院 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）

針對現(xiàn)有的剩余電流保護裝置無法有效識別觸電事故的問題，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別方法。首先通過變分自編碼器（VAE）對實驗收集到的生命體觸電小樣本數(shù)據(jù)進行增殖以實現(xiàn)正負樣本均衡；然后在時域上提取能夠反映波形動態(tài)變化特性的23個特征量，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)表達特征組；最后，提出基于遺忘因子的在線順序極限學習機（FOS-ELM）算法實現(xiàn)生命體觸電行為的鑒別。實驗結(jié)果表明，所提方法利用不均衡小樣本觸電數(shù)據(jù)集就可以訓練出一個優(yōu)秀的分類模型，診斷準確率可達98.75%，診斷時間僅為1.33 ms。其優(yōu)良的性能結(jié)合在線增量式學習分類器設(shè)計，使得模型具備新知識學習能力，具有極好的工程應(yīng)用前景。

剩余電流保護裝置 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習機（FOS-ELM） 不均衡小樣本

0 引言

在供電服務(wù)過程中，保護人民生命財產(chǎn)安全始終是最高目標。為了避免人身觸電，剩余電流保護裝置[1-3]可以通過檢測剩余電流的大小快速地斷開供電回路。然而，現(xiàn)行剩余電流保護裝置是以剩余電流的幅值作為其動作的唯一依據(jù)，與是否為人體觸電無直接關(guān)系。在正常運行時，線路或電器都會產(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，剩余電流保護裝置容易發(fā)生拒動或誤動。因此在農(nóng)村地區(qū)，為了確保供電可靠性，一些基層運維人員經(jīng)常會把臺區(qū)剩余電流保護裝置退出，而一旦在戶用漏電保護裝置前端發(fā)生觸電事故，將嚴重危及人身安全。

因此，將生命體觸電故障從接地故障中識別出來，是有效解決此類事故的關(guān)鍵手段。文獻[4]提出一種基于支持向量機-神經(jīng)網(wǎng)絡(luò)融合反饋的觸電電流檢測方法，有效地利用了各個模型的優(yōu)點進行融合分析，提升了觸電電流信號檢測的準確性。文獻[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，它首先對觸電剩余電流信號進行小波分解降噪，再利用總剩余電流所表現(xiàn)出的特種波形信號并結(jié)合時域特征輸入長短期記憶神經(jīng)網(wǎng)絡(luò)進行訓練，構(gòu)建生命體觸電識別模型。文獻[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，缺少對特征選擇方法的研究。此外，對于常見的機器學習方法，其需要一定數(shù)量的樣本對模型進行訓練，從而保證模型的穩(wěn)定性及算法的準確性。然而在進行接地故障實驗時，從保護生命體角度出發(fā)，難以獲得大量的實測觸電樣本，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)接地故障樣本遠大于觸電故障樣本，即會出現(xiàn)不同類別之間數(shù)據(jù)樣本不平衡的問題，從而導致訓練模型過擬合，預(yù)測結(jié)果偏向樣本數(shù)較多的類別，整體辨識準確率降低。

針對上述問題，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別方法，其主要特點如下：

1）通過變分自編碼器（Variational Auto-Encoders, VAE）對生命體觸電樣本進行增殖，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）對特征集進行自主篩選，從中挑選出最能表達樣本特點的最優(yōu)特征組。

3）使用基于遺忘因子的在線順序極限學習機（Forgetting-factor-based Online Sequential Extreme Learning Machine, FOS-ELM）算法實現(xiàn)漏電類型的判斷，通過遺忘因子增強新樣本特征的敏感性，利用在線學習減少了存儲和計算的開銷。

1 實驗平臺搭建及波形特性分析

本實驗設(shè)計了一個實驗平臺進行故障的模擬，實驗平臺如圖1所示。啟動按鈕用于控制漏電流的產(chǎn)生；制動按鈕可以在緊急狀態(tài)下迅速切斷漏電支路，從而保護實驗人員的安全；可調(diào)限流電阻分為500 Ω、1 kΩ、2 kΩ、10 kΩ、20 kΩ共五個擋位，可根據(jù)不同的實驗場景進行調(diào)節(jié)；輸出端口通過導線連接實驗對象來模擬觸電或常規(guī)接地實驗。

圖1 實驗平臺

1—可調(diào)限流電阻2—負載3—制動按鈕 4—啟動按鈕 5—輸出端口

Fig.1 Experimental platform

本文分別選擇金屬導體、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驗對象來模擬9種不同的常規(guī)接地故障實驗；選擇豬作為生命體實驗對象，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驗，不同情況下的故障實驗場景如圖2所示。

圖2 故障實驗場景

本實驗收集故障前一個周期及故障后兩個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，故障時刻的電流都會明顯地增大；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逐漸上升。這是因為兩者在信號通路上存在本質(zhì)的不同。皮膚是一種復雜的、黏彈性的生物復合結(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]。活體皮膚所獨有的結(jié)構(gòu)使得生命體觸電故障后皮膚電阻呈現(xiàn)時變特性，其阻值會在短時間內(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周波內(nèi)，電流會呈現(xiàn)一個周期遞增的趨勢[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)特征篩選和在線學習分類器FOS-ELM進行了有機結(jié)合，使算法僅利用小樣本的觸電波形就可以獲得一個較為理想的分類器，并通過在線自學習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習一個模型，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樣本通過編碼器網(wǎng)絡(luò)變換成一個理想的數(shù)據(jù)分布，然后將這個數(shù)據(jù)分布再傳遞給一個解碼器網(wǎng)絡(luò)，得到一堆生成樣本。生成樣本與真實樣本足夠接近的話，就訓練出一個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，將真實樣本輸入Encoder來確定其后驗分布，有

而對任何輸入數(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，即

最后，通過神經(jīng)網(wǎng)絡(luò)進行調(diào)參，從而達到生成樣本與真實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，能夠通過其進行數(shù)據(jù)樣本增殖，使得訓練樣本量達到充分均衡。

2.2 特征集構(gòu)建

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

對歸一化后的數(shù)據(jù)進行特征提取，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，包括能夠反映觸電故障動態(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)、序列變化對數(shù)根和（Log Root Sum of Sequential Variations, LRSSV）及各類熵值。這些特征量的表達式見表1。

表1 特征集中各個特征的表達式

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原始數(shù)據(jù)的本質(zhì)特征，但同時也增加了計算的復雜度。因此，本文提出一種GKFDA[18]方法對特征信息進行降維，以遴選出高表達度的特征。相比于一般的Fisher線性判別，GKFDA首先通過高斯核函數(shù)對原始數(shù)據(jù)樣本進行非線性變換，映射到高維空間。

GKFDA可以評判特征的區(qū)分度，但卻無法評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，對特征量進行精簡，從而達到在保證程序判斷準確的情況下加快運算速度的目的。MIC計算主要分為三個步驟：①給定、，對、構(gòu)成的散點圖進行列行網(wǎng)格化，并求出最大的互信息值；②對最大的互信息值進行歸一化；③選擇不同尺度下互信息的最大值作為MIC值，具體計算公式為

2.4 FOS-ELM

極限學習機[21]（Extreme Learning Machine, ELM）與傳統(tǒng)的單隱藏層前饋神經(jīng)網(wǎng)絡(luò)訓練算法不同，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具有訓練參數(shù)少、學習速度快、泛化能力強的優(yōu)點。而在線順序極限學習機[22-23]（Online Sequential-Extreme Learning Machine, OS-ELM）相比于標準ELM引入了在線學習的機制，能夠以逐一或逐塊的方式進行增量學習訓練樣本，只有最新收集的數(shù)據(jù)需要參與學習，不需要保存和重新學習之前的訓練樣本[20]。OS-ELM學習過程的具體公式為

3 算例分析

3.1 數(shù)據(jù)增殖效果分析

通過上述實驗獲得400個常規(guī)接地故障數(shù)據(jù)及40個觸電故障數(shù)據(jù)。為解決正負樣本不平衡的問題，將40個觸電故障數(shù)據(jù)輸入VAE模型進行數(shù)據(jù)生成，可以獲得360個觸電故障生成數(shù)據(jù)。同時，使用生成對抗網(wǎng)絡(luò)（Generative Adversarial Network, GAN）[25]對同樣的數(shù)據(jù)集進行數(shù)據(jù)生成，將兩種模型生成的波形進行對比，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波形中的特征，如觸電時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波形，其幅值及相位與真實波形相比都存在差異。因此，VAE生成波形在保留真實波形特征的同時能夠增加訓練樣本的多樣性。而GAN生成的波形畸變嚴重，且觸電時刻波形的突變、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。

進一步從相關(guān)性角度對兩種方法的生成效果進行評價。使用皮爾遜相關(guān)系數(shù)[26]作為評價指標，其值越接近1，表示兩組數(shù)據(jù)的相關(guān)性越強。通過計算發(fā)現(xiàn)，真實波形與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生成波形與真實波形要更為契合。

從生成原理上看，VAE通過變分推斷得到訓練數(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，這導致GAN訓練不穩(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 特征計分

圖7 MIC矩陣

圖8 特征總分

將所得800個數(shù)據(jù)的特征量按照最終計分結(jié)果依次輸入ELM訓練并驗證，其驗證集準確率結(jié)果如圖9所示。從圖9中可以看出，當依次輸入前5個特征時，驗證集的準確率逐漸上升，而當繼續(xù)增加輸入特征時，驗證集的準確率反而下降。從上述分析可知，使用余隙因子、Hjorth復雜性參數(shù)、排列熵、MMD、LRSSV這五個參數(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′時分類器準確率變化

圖11 不同λ時分類器的性能

3.4 實驗結(jié)果分析

首先從700個訓練集數(shù)據(jù)中選擇300個樣本對FOS-ELM進行初始訓練，剩下的400個樣本平均分成100組，然后每組樣本進行一次在線學習，共學習100次，每次學習都使用驗證集進行驗證。從驗證過程上看，F(xiàn)OS-ELM通過54次在線學習就能夠到達穩(wěn)定在97%的判斷準確率。最后使用測試集對訓練好的模型進行測試，模型準確率可達98.75%，其中40個常規(guī)接地故障樣本全部判斷正確，準確率為100%，40個實測觸電故障樣本中僅1個判斷錯誤，準確率為97.5%。從時間角度分析，初始樣本訓練時間為10.3 ms，在線學習平均訓練時間為1.378 ms，平均測試時間為1.33 ms。也就是說，F(xiàn)OS-ELM擁有較高的學習效率，其對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)下更快到達更高的準確率。

3.5 算法必要性分析

一般而言，由于場景的復雜性和危險性，使得實測觸電樣本的獲取存在較大的難度。小樣本問題會使得訓練模型精度低、有效性差，而樣本不均衡又會讓模型的預(yù)測結(jié)果產(chǎn)生偏差，對少數(shù)類樣本辨識準確率差。因此，通過引入VAE對少數(shù)類樣本進行樣本增強，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行時間，還可能使分類器的診斷精度降低。因此，將GKFDA與MIC相結(jié)合對各個特征進行特征計分，并通過計分結(jié)果直觀、自主地選擇最優(yōu)表達特征組，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，大部分文獻的研究工作是針對有限的實驗環(huán)境來獲取觸電數(shù)據(jù)以訓練一個觸電事故分類器。真實環(huán)境下的觸電場景較為豐富，生命體觸電時的穿具、掙脫行為會對觸電波形產(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具備在線學習機制，可以針對新樣本進行在線更新，而無需保存歷史樣本。而引入遺忘因子構(gòu)成FOS-ELM，目標是進一步解決OS-ELM學習速度較慢的缺點，能夠以更高的學習效率快速適應(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習情況下的實驗結(jié)果。

圖12 所提算法消融性實驗對比

在圖12中，不采用VAE樣本增強且常規(guī)接地故障樣本與觸電故障樣本比例為10:1時（圖12“”標識曲線），嚴重的樣本不平衡會導致分類器的初始分類準確率較低。在不斷地吸收新的觸電故障樣本，并經(jīng)過持續(xù)地學習之后，模型準確率也會不斷提升。倘若將所有23個特征不加選擇地直接輸入FOS-ELM中進行分類（圖12“”標識曲線），其準確率和學習效率遠不如經(jīng)特征優(yōu)化選擇的結(jié)果。不使用遺忘因子時（圖12“”標識曲線），OS-ELM需要多學習30次才能到達較高準確率。如果不使用在線學習機制（圖12“”標識曲線），ELM離線學習的準確率及穩(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個觸電樣本被誤判為常規(guī)接地故障樣本。對這些樣本的波形形態(tài)進一步分析可以發(fā)現(xiàn)（圖13展示了兩個典型的誤判樣本），這些波形存在觸電的特征，但是波形發(fā)生了畸變，原因是在實驗時，實驗對象出現(xiàn)掙扎反抗，導致導線與皮膚接觸不良或斷續(xù)接觸。在實際觸電中，當人體試圖去快速擺脫帶電體時，也同樣會出現(xiàn)類似的波形。

圖13 誤判樣本波形

在保證常規(guī)接地故障判斷準確率的情況下，對ELM全連接層輸出向量特性進行研究，期待可以對算法進行完善，分析結(jié)果如圖14所示。可以發(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個誤判樣本的分布較為離散。因此，如果以[-1.5, -0.5]為閾值對常規(guī)接地故障輸出結(jié)果進行約束，則可以將其中17個生命體觸電誤判樣本減少為3個，進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，隨著實驗場景的豐富，特異性畸變樣本的變化可能更加復雜，深層次的特征提取有待于未來進行更為深入的研究。

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 對比分析

到目前為止，對生命體觸電事故辨識的研究文獻較少，文獻[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。文獻[27]應(yīng)用小波包變換從故障前一個周期和故障后一個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)實現(xiàn)了觸電故障類型的有效識別。文獻[28]通過Mallat算法對總剩余電流信號進行濾波處理，再提取故障后三個周期的三個峰峰值作為特征向量，然后利用BP神經(jīng)網(wǎng)絡(luò)進行觸電故障類型識別。按照每種算法的需求對相同的故障樣本進行截取，在同一個計算平臺（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）下進行建模和測試，它們的對比結(jié)果見表2。檢測時間為觸電時間發(fā)生至識別出故障的時間，其包括波形的收集時間和算法的執(zhí)行時間。從表2中可以看出，盡管文獻[27]只需收集觸電后一個周期的波形，但是其需要使用復雜的算法來提取高質(zhì)量的特征才能達到較高的準確率，導致算法執(zhí)行時間高達147.59 ms。由于觸電后三個周期波形所蘊含的差異性信息較為顯著，文獻[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，但是收集波形的時間遠大于診斷時間。本文使用觸電后兩個周期波形進行判斷，既能保證波形信息量，減少算法的運行時間，同時又能夠降低波形的采集時間，無論是診斷準確率還是檢測時間均是三種方法中最優(yōu)秀的。

表2 三種同類方法對比結(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別方法，解決了實測觸電故障數(shù)據(jù)獲取困難以及缺少特征選擇規(guī)則的問題，并且能夠通過對新獲取的觸電樣本進行在線學習，提升模型在實際場景下的判別能力。本文的特點是：

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

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驗數(shù)據(jù)用于所提算法的驗證。結(jié)果表明，所提算法對于實際樣本的診斷準確率為98.75%，其中常規(guī)接地故障準確率為100%，平均在線學習時間為1.378 ms，診斷時間僅為1.33 ms。

3）在所提算法中，VAE樣本增強及特征組優(yōu)選可以在計算上實現(xiàn)。而最后所選擇的8個特征量和FOS-ELM計算公式及程序都相對簡單，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，模型就能獲得相對理想的診斷準確率，并且可以在應(yīng)用中進行新知識的學習而無需保存歷史樣本，具備較高的學習效率、較低的內(nèi)存資源占用量和強大的應(yīng)用價值。

[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. 觸電信號暫態(tài)特征提取及故障類型識別方法[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. 一種觸電信號的自動快速檢測模型[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)工程學報, 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的不平衡負荷數(shù)據(jù)類型辨識方法[J]. 電力系統(tǒng)及其自動化學報, 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)驗小波變換復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)運動分析及故障診斷研究[J]. 電工技術(shù)學報, 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. 基于改進經(jīng)驗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)學報, 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[J]. 電工技術(shù)學報, 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)學報, 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]. 計算機應(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)學報, 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)短期負荷預(yù)測[J]. 電力系統(tǒng)自動化, 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, 李國慶, 顧雪平, 等. 基于集成OS-ELM的暫態(tài)穩(wěn)定評估方法[J]. 電工技術(shù)學報, 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. 動態(tài)數(shù)據(jù)流分析的在線超限學習算法綜述[J]. 計算機科學, 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)學報, 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. 基于改進支持向量回歸的鋰電池剩余壽命預(yù)測[J]. 電工技術(shù)學報, 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, 李春蘭, 等. 基于小波包變換和量子神經(jīng)網(wǎng)絡(luò)的觸電故障類型識別模型[J]. 農(nóng)業(yè)工程學報, 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

福建省自然科學基金資助項目（2021J01633）。

2023-01-18

2023-05-29

高 偉 男，1983年出生，博士，副教授，研究方向為電力系統(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，研究方向為低壓配電網(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）