基于支持向量机算法的电流不平衡分析

莫汉培　罗智青　王汝辉　方绍怀　刁小玲

摘 要 在电力计量故障诊断模型的基础上，针对电流不平衡项检测的分类问题，该文提出 SVM 支持向量机算法模型，通过使用 SVM 自身对分类的识别，得到一个最优的分类平面，根据待测样本与各平面临近距离测算出样本分类。根据这一特性，得到对电流不平衡数据实时预测的能力，并构建监督学习优化模型提高模型准确率。

关键词 SVM 电流不平衡 分類

中图分类号：TP181文献标识码：A

0前言

三相电力不平衡在电力活动中属于较为常见的现象。在电力传输活动中，三相电流不平衡现象的出现会导致线路功率损耗增加，进而对供电公司和用电用户造成不必要的损失和麻烦。

为避免造成严重损失，经研究决定利用机器学习模型对电流不平衡现象出现的原因进行智能分类，以辅助专业人员判断决策。

本文主要介绍SVM 支持向量机算法在电流不平衡分类中的应用。通过电力历史数据的监测及问题反馈建立SVM 分类自识别模型，从而达到电流不平衡数据监测报警及自动反馈不平衡造成原因的效果。使其在电力活动中能更高效、更可靠的辅助电力从业人员决策。

1电流不平衡的影响因素

1.1三相电压不平衡

电压波动造成电压不平衡，必然会引起电流的不平衡。在输配电线路阻抗不相等时，会产生压降不相等的情况，致使三相电压产生不平衡，变压器。

1.2单相负载不平衡

单相负载不平衡属于功能性因素，在三相传输过程中有效的和无效的功率不平衡。在分配单相负载时，虽然尽量将负载均匀分配在各相上，但即使负载的分配是平衡的，也无法保证所有的单相负载都在同一时间消耗相等的功率。

1.3相间短路

相间短路常由A/B/C 三相火线之间发生短路， 因为线电压为 380V 所以发生相间短路时，短路电压是 380V。相间短路后相间会加大电流，造成三相电流的不平衡。

2 SVM 支持向量机原理

SVM 是一种监督学习的分类模型，对线性可分情况时，它会采用硬间隔支持向量，通过硬间隔最大化学习得到一个线性可分的模型。对数据近似线性可分时，SVM 会针对数据这一特性通过软间隔最大化学习得到最优模型。对线性不可分情况，SVM 会使用核方法将低维空间矢量转化成高维空间使其线性可分后学习得到一个模型。

2.2 SVM 线性不可分情况

对于线性不可分情况，常使用核函数将其非线

性映射到高维空间，转换成线性可分情况，常用的核函数如表 1 所示。

3 电流不平衡自分类模型

3.1 分类原理

电流不平衡出现包含随机因素与非线性特性的复杂性。利用物理上的模型无法达到准确推断的结论。机器学习则很好的填补了这一漏洞。

通过电力大数据这一平台，收集了电力历史数据，截取了 A/B/C 相电流、A/B/C 相电压表数据对数据进行了预处理，并对样本分析后构建了电流不平衡的指标。

根据历史数据和电流不平衡标签划分出训练集和测试集，用训练集数据测试 SVM 模型，模型会根据传入数据输出结果与真实值比较后，合理的分类平面。经过这一步后，初步的 SVM 支持向量机模型即可搭建完成。

为测试模型预测效果，将测试集数据传入已构建好的模型中，比较输出结果和真实值，可以得出模型准确率为 98.88%。其混淆矩阵如表 2 所示：

这样的准确率并不能满足设备投入使用，因此构建监督学习模式，能使模型能够实时更新自己的训练数据，从而更精确的训练出向量机的最优分类平面，构建的模型效果如图 2 所示：

这部分主要包括：历史数据电流不平衡判别，通过数据预处理后形成电流不平衡数据的矢量结构传入 SVM 向量机内训练最优的分类平面，对虚漏报数据进行比对，待数据修正后归档再将电流不平衡数据再次提取传入模型中，提高模型运行的准确度。

通过这一监督学习模型的对一个窗口期内实时传输回的数据进行预测分析，其模型准确度提高至 99.78%。

4 结束语

本文通过对电流不平衡出现原因的研究及数据波动的观察，利用 SVM 算法模型对出现电流不平衡现象的原因进行分类，实验证明，在分类预测上SVM 支持向量机模型存在可行性和理论支持，从实验数据表现可知，通过对 SVM 模型自监督学习的优化，对电流不平衡现象监测和分类取得了良好的效果。

参考文献

[1] 赵文清，严海，王晓辉.BP 神经网络和支持向量机相结合的电容器介损角辨识[J/OL].智能系统学报，2018：1-8.

[2] 张慧，卢文冰，赵雄文，李梁，刘军雨.基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究[J].电工技术学报，2018，33（16）：3879-3888.

[3] 郭英.基于改进支持向量机算法的水质监测模型研究[J].水科学与工程技术，2018（04）：21-24.