基于VMD-LSTM的触电电流提取方法研究
来源:用户上传
作者:李春兰 王静 石砦 王长云 罗杰 任鹏
摘要:为有效提取触电故障特征,实现从剩余电流中分离出触电电流,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)与长短期记忆神经网络(Long Short Term Memory,LSTM)相结合的触电电流提取方法.利用果蝇优化算法对VMD参数[K,α]寻优获得最优参数组合[6,280],以VMD分解的剩余电流最佳模态分量突变特性为依据,定义相邻周期电流幅值和的增长率η1、η2作为判别触电事故的特征量;以6层模态分量信号重构触电信号,构建基于LSTM网络的触电电流检测模型.240组触电信号研究结果表明:当η1、η2至少一个满足大于1%时,均发生触电,否则无触电事故发生;相比于VMD-BP、VMD-RBF检测模型,VMD-LSTM检测模型提取的触电电流与真实触电电流的相关系数平均值分别提高了6.2%、2.3%,均方根误差平均值分别降低了36.8%、27.1%,提出的方法具有更高的检测精度.研究结果为研发基于生物体触电电流动作的剩余电流保护装置提供了参考.
关键词:剩余电流;VMD;LSTM网络;触电故障检测;信号提取
中图分类号:TM774
文献标志码:A
剩余电流保护装置作楣惴河τ糜诘脱沟缤中的安全设备,在实际应用中存在拒动、误动等现象[1].为减小或消除剩余电流保护装置动作死区,提高其动作可靠性,需研发基于生物体触电电流动作的剩余电流保护装置.目前亟需解决的问题是触电故障时段的检查及从剩余电流中提取触电电流.
国内外学者在触电电流检测方面做了诸多研究,李春兰等[2]利用小波变换和BP神经网络、关海鸥[3]等利用数字滤波和径向基神经网络均建立了从剩余电流中提取触电电流的神经网络模型,但都存在神经网络易陷入局部最优、训练结果不稳定等问题.韩晓慧等[4]提出滤波技术结合最小二乘支持向量机优化方法建立触电电流检测模型,检测误差小于径向基神经网络模型,但该方法需要大量触电信号进行关系训练,且对触电信号非峰值预测准确性低于峰值预测结果.基于此,刘永梅等[5]提出利用神经网络对触电信号非峰值拟合、对峰值利用支持向量机拟合的触电电流检测方法,提升了触电信号检测的准确性,但存在峰值范围阈值选取过程繁杂的问题.王金丽等应用Hilbert-Huang变换提取模态分量多维度能量特征向量,通过模糊遗传神经网络识别触电类型,存在无法判别触电时段的问题.高阁等[7]采用经验模态分解(Empirical Mode Decomposi?tion,EMD)及其改进算法对触电信号分析,提出利用第一层模态分量中的突变点判断触电时刻,但该方法对电源电压过零点时刻触电的识别失效.
Dragomiretskiy[8]根据维纳滤波和变分问题提出了变分模态分解(Variational Mode Decomposition,VMD),采用非递归分解方式通过构造并分解约束变分问题来实现对信号的分解,抑制了模态混叠现象,适用于多领域信号预处理研究[9-11].长短期记忆神经网络(Long Short Term Memory,LSTM)是一种时间循环神经网络,避免了传统循环神经网络产生的梯度消失与梯度爆炸问题,能综合学习长期依赖关系,大量提取数据深层特征,被广泛应用于时间序列数据的处理[12-14].
鉴于此,本文提出了一种基于VMD-LSTM的触电电流检测模型,其目的是通过变分模态分解获得触电故障特征,进一步搜寻触电时段;再将重构后的触电信号结合长短期记忆神经网络构建触电电流识别模型,提取触电电流,为研发基于生物体触电电流动作的剩余电流保护装置奠定基础.
1变分模态分解优化算法
1.1变分模态分解原理
VMD是一种自适应信号处理方法,可将非平稳信号f分解为K个模态分量子信号uk,且每个分量有一个确定的有限带宽和中心频率ωk.约束条件的变分问题为:
式中:{uk}={u1,...,uK}、{ωk}={ω1,...,ωK}分别为所有模态及其中心频率,?t为对t求偏导数,δ(t)为狄拉克分布,*表示卷积.为了求解式(1),可引入二次惩罚因子α和拉格朗日乘法算子λ将式(1)转换为非约束变分问题,增广拉格朗日函数表示如式(2):
和λ求解式(2)的最优解,其求解迭代过程见文献[8],由此可得:
式中:f?(ω)、u?n(ω)、λ?n(ω)和u?n+1(ω)分别表示f(t)、un(t)、λn(t)和un+1(t)的傅里叶变换;τ为更新参数,nlk为迭代次数.
∑迭代的收敛条件如式(6)所示:
式中:ε1为预设定的收敛误差.
1.2基于FOA优化的VMD算法
利用VMD进行信号处理时,分解结果受IMF个数K和二次惩罚因子α的影响[15].K值过大或过小会产生虚假分量或丢失分量;α越大或越小会使分解后的各IMF分量的带宽偏小或偏大,因此需优化参数K和α.果蝇优化算法(Fruit FlyOptimization Algorithm,FOA)是Pan提出的一种全局优化智能算法[16].FOA算法所需调整的参数少,克服了遗传算法GA、粒子群算法PSO、蚁群算法等相似的群体智能算法执行时间长的缺点,具有全局搜索能力强并且运算精度高的优点.本文利用FOA算法对VMD参数组合[K,α]同时寻优.考虑熵不但能反映概率分布的均匀特性,还能评价信号的稀疏特性,包含大量故障特征的IMF分量,稀疏性较强,包络熵较小[17].因此考虑将包络熵的最小值作为适应度函数,以此搜寻最优参数组合[K,α],包络熵适应度函数为:
式(7)中,i=1,2,...,N,N为信号采样点数;Ee为包络熵;信号f(t)经Hilbert变换后的包络信号为a(i),a(i)的归一化结果为ei.
nlc202204111614
转载注明来源:https://www.xzbu.com/4/view-15427897.htm