基于果蝇算法的触电预警方法及装置

技术领域

本发明涉及电气保护技术领域，特别是涉及一种基于果蝇算法的触电预警方法及装置。

背景技术

随着电气智能化技术的快速发展，各种智能电气产品出现在人们的日常生活中。便利的用电服务需要强大的电力供应能力支撑，导致人们在日常生产或生活的过程中，触电现象时有发生，严重影响居民的工作和生活。

为了减少或者避免触电现象的发生，迫切需要建立防触电预警机制。传统的防触电预警模型存在预警正确率低、误警率高等缺陷，难以获得理想的防触电预警结果。因此，急需提供一种智能化程度高、预警正确率高且误判率低的防触电预警方法。

发明内容

基于此，有必要针对背景技术中的技术问题，提供一种智能化程度高、预警正确率高且误判率低的基于果蝇算法的触电预警方法及装置。

为实现上述目的及其他目的，本发明的一方面提供一种基于果蝇算法的触电预警方法，包括：

根据触电源电信号获取触电预警初始信号；

对所述触电预警初始信号进行滤波处理，得到触电预警信号；

根据所述触电预警信号获取触电预警特征值；

利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，所述归类训练数据包括训练集数据和预测集数据；

利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；

利用所述触电预警模型根据所述预测集数据输出触电预警类型。

于上述实施例中的基于果蝇算法的触电预警方法中，可以利用便携式信号检测装置例如便携式电磁感应装置来检测触电源电信号，并感应生成触电预警初始信号；由于在进行感应检测并生成触电预警初始信号的过程中，受环境中杂波的干扰，使得生成的触电预警初始信号中夹杂着大量的噪声信号，通过对所述触电预警初始信号进行滤波处理，以去除触电预警初始信号中的噪声信号，得到触电预警信号；然后从所述触电预警信号中提取触电预警特征值，并利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，其中，所述归类训练数据包括训练集数据和预测集数据；然后利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；从而能够利用所述触电预警模型根据输入的所述预测集数据输出触电预警类型。本实施例智能化程度高、触电预警正确率高且误判率低。

在其中一个实施例中，所述利用机器学习算法对所述触电预警特征值进行归类训练的步骤包括：

利用果蝇算法对预设初始支持向量机模型的参数进行优化，得到优化触电预警模型。

在其中一个实施例中，所述对所述触电预警初始信号进行滤波处理，得到触电预警信号步骤包括：

采用Daubechies小波包对所述触电预警信号进行4层小波变换和降噪处理，得到预处理触电预警信号；

利用主成分分析算法对所述预处理触电预警信号进行处理，得到所述触电预警信号。

在其中一个实施例中，所述根据所述触电预警信号获取触电预警特征值的步骤包括：

根据所述触电预警信号利用最小二乘法获取触电预警特征值。

在其中一个实施例中，所述利用机器学习算法对所述触电预警特征值进行归类训练的步骤包括：

对所述触电预警特征值进行归一化处理，得到归一化触电预警特征值；

利用支持向量机算法对所述归一化触电预警特征值进行归类训练，得到所述归类训练数据。

在其中一个实施例中，所述利用果蝇算法对预设初始支持向量机模型的参数进行优化的步骤包括：

随机初始化寻优果蝇群体的位置；

定义果蝇个体利用嗅觉搜寻食物的随机方向和距离；

估计果蝇群体与原点之间的距离，计算出判定值；

将所述判定值带入到味道浓度判定函数中，找出此果蝇群体中味道浓度最大的果蝇个体；

保留最佳味道浓度值与对应的坐标，以得到优化触电预警模型的优化参数。

在其中一个实施例中，所述优化参数包括优化惩罚参数及优化核参数。

在其中一个实施例中，所述优化惩罚参数为2.4761，所述优化核参数为13.2875。

在其中一个实施例中，所述触电预警类型包括一级、二级、三级及四级。

本申请的另一方面提供一种基于果蝇算法的触电预警装置，包括：

便携式信号检测装置，用于根据触电源电信号获取触电预警初始信号；

处理器，与所述便携式信号检测装置连接，被配置为：

对所述触电预警初始信号进行滤波处理，得到触电预警信号；

根据所述触电预警信号获取触电预警特征值；

利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，所述归类训练数据包括训练集数据和预测集数据；

利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；

利用所述触电预警模型根据所述预测集数据输出触电预警类型。

于上述实施例中的基于果蝇算法的触电预警装置中，可以利用便携式信号检测装置例如便携式电磁感应装置来检测触电源电信号，并感应生成触电预警初始信号；由于在进行感应检测并生成触电预警初始信号的过程中，受环境中杂波的干扰，使得生成的触电预警初始信号中夹杂着大量的噪声信号，通过处理器对所述触电预警初始信号进行滤波处理以去除触电预警初始信号中的噪声信号，得到触电预警信号；然后利用处理器从所述触电预警信号中提取触电预警特征值，并利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，其中，所述归类训练数据包括训练集数据和预测集数据；然后通过处理器利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；从而使得处理器能够利用所述触电预警模型根据输入的所述预测集数据输出触电预警类型。本实施例智能化程度高、触电预警正确率高且误判率低。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1为本申请第一实施例中的一种基于果蝇算法的触电预警方法的流程示意图；

图2为本申请第二实施例中的一种基于果蝇算法的触电预警方法的流程示意图；

图3为本申请第三实施例中的一种基于果蝇算法的触电预警方法的流程示意图；

图4为本申请第四实施例中的一种基于果蝇算法的触电预警方法的流程示意图；

图5a为本申请第五实施例中的一种基于果蝇算法的触电预警方法的流程示意图；

图5b为图5a中所示实施例中的触电预警特征值归一化后得到的归一化触电预警特征值的波形曲线示意图；

图6为本申请第六实施例中的一种基于果蝇算法的触电预警方法的流程示意图；

图7为本申请第七实施例中的一种基于果蝇算法的触电预警装置的结构示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一或多个相关的所列项目的任意的和所有的组合。

在使用本文中描述的“包括”、“具有”、和“包含”的情况下，除非使用了明确的限定用语，例如“仅”、“由……组成”等，否则还可以添加另一部件。除非相反地提及，否则单数形式的术语可以包括复数形式，并不能理解为其数量为一。

应当理解，尽管本文可以使用术语“第一”、“第二”等来描述各种元件，但是这些元件不应受这些术语的限制。这些术语仅用于将一元件和另一元件区分开。例如，在不脱离本发明的范围的情况下，第一元件可以被称为第二元件，并且类似地，第二元件可以被称为第一元件。

请参考图1，在本申请的一个实施例中，提供了一种基于果蝇算法的触电预警方法，包括：

步骤21，根据触电源电信号获取触电预警初始信号；

步骤22，对所述触电预警初始信号进行滤波处理，得到触电预警信号；

步骤23，根据所述触电预警信号获取触电预警特征值；

步骤24，利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，所述归类训练数据包括训练集数据和预测集数据；

步骤25，利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；

步骤26，利用所述触电预警模型根据所述预测集数据输出触电预警类型。

作为示例，请继续参考图1，可以利用便携式信号检测装置例如便携式电磁感应装置来检测触电源电信号，并感应生成触电预警初始信号；由于在进行感应检测并生成触电预警初始信号的过程中，受环境中杂波的干扰，使得生成的触电预警初始信号中夹杂着大量的噪声信号，通过对所述触电预警初始信号进行滤波处理，以去除触电预警初始信号中的噪声信号，得到触电预警信号；然后从所述触电预警信号中提取触电预警特征值，并利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，其中，所述归类训练数据包括训练集数据和预测集数据；然后利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；从而能够利用所述触电预警模型根据输入的所述预测集数据输出触电预警类型。本实施例智能化程度高、触电预警正确率高且误判率低。

请参考图2，在本申请的一个实施例中，步骤25包括：步骤251，利用果蝇算法对预设初始支持向量机模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型。

作为示例，请继续参考图2，支持向量机(Support Vector Machine,SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。已知训练样本集{x

y'＝h

其中，θ为模型参数，且函数g为：

w

其中，γ

上述目标是一个带有限制条件的最大化问题，可以用拉格朗日法求解，对应的拉格朗日求解式为：

对于上述目标函数，可以采用坐标下降法的变种SMO来求解α的值，然后求出w的值，最后通过平分最小间隔的标准来求出b的值。在SMO中，每一轮迭代我们都会调节两个α参数(有线性关系)，并且固定其他参数不变，直接求出该参数的最佳取值。由于对于SVM来说，除了少数在分割平面上的支持向量(Support Vector)上的α不为零以外，其他的α均为0，因此我们只要调节少数参数即可得到最优解，从而得到预设初始支持向量机模型h

请参考图3，在本申请的一个实施例中，所述对所述触电预警初始信号进行滤波处理，得到触电预警信号步骤包括：

步骤221，采用Daubechies小波包对所述触电预警信号进行4层小波变换和降噪处理，得到预处理触电预警信号；

步骤222，利用主成分分析算法对所述预处理触电预警信号进行处理，得到所述触电预警信号。

作为示例，请继续参考图3，小波包分解利用多次叠代的小波转换分析输入信号的细节部分。从函数理论的角度来看，小波包分解是将信号投影到小波包基函数空间中。从信号处理的角度来看，它是让信号通过一系列中心频率不同但带宽相同的滤波器。小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。本申请采用Daubechies小波包系列的db5波包对触电预警信号进行4层分析。采集信号首先通过一个低通滤波器滤除掉高频噪声，然后使用小波包分解，对数据进一步处理。通过本方法，每一个节点都可以得到一个能量特征，则全部4层分解之后可以得到16个能量特征。对6个时域特征和16个能量特征共22个特征进行选择，得到能够有效反应真实触电预警规律的触电预警信号。主成分分析方法(Principal Component Analysis，PCA)是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第一个和第二个轴正交的平面中方差最大的。依次类推，可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴，我们发现，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。于是，我们可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上，这相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理，从而能够降低数据处理的运算量及复杂性。

请参考图4，在本申请的一个实施例中，所述根据所述触电预警信号获取触电预警特征值的步骤包括：

步骤231，根据所述触电预警信号利用最小二乘法获取触电预警特征值。

作为示例，请继续参考图4，最小二乘法又称最小平方法，是估计回归模型数的常用方法。其基本原理是：要求实际值与趋势值的离差平方和为最小，以此拟合出优良的趋势模型，从而测定长期趋势。本实施例中利用最小二乘法从触电预警信号中拟合出触电预警特征值。

请参考图5a，在本申请的一个实施例中，所述利用机器学习算法对所述触电预警特征值进行归类训练的步骤包括：

步骤241，对所述触电预警特征值进行归一化处理，得到归一化触电预警特征值；

步骤242，利用支持向量机算法对所述归一化触电预警特征值进行归类训练，得到所述归类训练数据，所述归类训练数据包括训练集数据和预测集数据。

作为示例，请继续参考图5a及图5b，为了提高后续数据处理的效率，把需要处理的触电预警特征值归一化至预设范围内，例如，将触电预警特征值采用Min-Max标准化算法归一化至(2.5～2.9)mA以内，得到如图5b所示的归一化触电预警特征值，并分别得到训练集数据及预测集数据。例如，得到如表1中所示的数据。表1中的一级代表触电风险一般，二级代表触电风险较重，三级代表触电风险严重，四级代表触电风险特别严重。

表1

请参考图6，在本申请的一个实施例中，所述利用果蝇算法对预设初始支持向量机模型的参数进行优化的步骤包括：

步骤2511，随机初始化寻优果蝇群体的位置；

步骤2512，定义果蝇个体利用嗅觉搜寻食物的随机方向和距离；

步骤2513，估计果蝇群体与原点之间的距离，计算出判定值；

步骤2514，将所述判定值带入到味道浓度判定函数中，找出此果蝇群体中味道浓度最大的果蝇个体；

步骤2515，保留最佳味道浓度值与对应的坐标，以得到优化触电预警模型的优化参数。

作为示例，请继续参考图6，果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是一种基于果蝇觅食行为推演出的寻找全局优化的新方法。果蝇在感官知觉上优于其他物种，尤其在视觉和嗅觉上。果蝇的嗅觉器官很发达，能够很好的搜集漂浮在空气中的各种气味，通过气味获得食物源的方向，飞近食物后，利用其敏锐的视觉发现食物以及同伴聚集的位置，并且向该方向飞去。FOA具有收敛快，算法程序实现性简单的特点。传统FOA算法结构简单导致寻优精度不高，易陷入局部最优。通过利用FOA算法来对预设初始支持向量机模型的参数进行优化，获取SVM的最优参数值，得到优化触电预警模型。首先，随机初始化寻优果蝇群体的位置；其次，定义果蝇个体利用嗅觉搜寻食物的随机方向和距离；再者，估计果蝇群体与原点之间的距离，计算出判定值；另外，将所述判定值带入到味道浓度判定函数中，找出此果蝇群体中味道浓度最大的果蝇个体；此外，保留最佳味道浓度值与对应的坐标，以得到优化触电预警模型的优化参数。可以设置FOA优化参数包括优化惩罚参数及优化核参数。

在本申请的一个实施例中，利用FOA算法来对预设初始支持向量机模型的参数进行优化，得到的优化惩罚参数β为2.4761，得到的优化核参数γ为13.2875。采用遗传算法对预设初始支持向量机模型的参数进行优化，得到的优化惩罚参数β为2.6853，得到的优化核参数γ为12.9863。用FOA优化后的预设初始支持向量机模型得到的触电预警模型，根据预测集数据进行预测，得到的最小值为39.8352，残差平方和为0.0286，拟合度为0.9925。用遗传算法优化后的预设初始支持向量机模型得到的触电预警模型，根据预测集数据进行预测，得到的最小值为39.3895，残差平方和为0.0282，拟合度为0.9868。通过对比可以明显地发现，利用FOA优化后的预设初始支持向量机模型得到的触电预警模型的分类性能，优于利用遗传算法优化后的预设初始支持向量机模型得到的触电预警模型。用FOA优化预设初始支持向量机模型得到触电预警模型之后，利用所述触电预警模型根据所述预测集数据输出触电预警类型，所述触电预警类型包括一级、二级、三级及四级中的一种，其中，一级代表触电风险一般，二级代表触电风险较重，三级代表触电风险严重，四级代表触电风险特别严重，实现智能化触电风险预测。

表2

请参考图7，在本申请的一个实施例中，提供了一种基于果蝇算法的触电预警装置100，包括便携式信号检测装置101及处理器102，便携式信号检测装置101用于根据触电源电信号获取触电预警初始信号；处理器102与便携式信号检测装置101连接，处理器102被配置为：

对所述触电预警初始信号进行滤波处理，得到触电预警信号；

根据所述触电预警信号获取触电预警特征值；

利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，所述归类训练数据包括训练集数据和预测集数据；

利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；

利用所述触电预警模型根据所述预测集数据输出触电预警类型。

作为示例，请继续参考图7，可以利用便携式信号检测装置101例如便携式电磁感应装置来检测触电源电信号，并感应生成触电预警初始信号；由于在进行感应检测并生成触电预警初始信号的过程中，受环境中杂波的干扰，使得生成的触电预警初始信号中夹杂着大量的噪声信号，通过处理器102对所述触电预警初始信号进行滤波处理以去除触电预警初始信号中的噪声信号，得到触电预警信号，例如，可以采用Daubechies小波包对所述触电预警信号进行4层小波变换和降噪处理，得到预处理触电预警信号，再利用主成分分析算法对所述预处理触电预警信号进行处理，得到所述触电预警信号。然后利用处理器102从所述触电预警信号中提取触电预警特征值，例如，可以根据所述触电预警信号利用最小二乘法获取触电预警特征值，并利用机器学习算法对所述触电预警特征值进行归类训练，得到归类训练数据，其中，所述归类训练数据包括训练集数据和预测集数据。然后通过处理器102利用果蝇算法对预设初始触电预警模型的参数进行优化，得到优化触电预警模型，并根据所述训练集数据训练所述优化触电预警模型，得到触电预警模型；从而使得处理器102能够利用所述触电预警模型根据输入的所述预测集数据输出触电预警类型。本实施例智能化程度高、触电预警正确率高且误判率低，具有响应速度快、维护方便且实用性强等优点。

在本申请的一个实施例中，可以利用果蝇算法的优良的参数寻优特性来对预设初始支持向量机模型的参数进行优化，获取SVM的最优参数值，得到优化触电预警模型。可以设置FOA优化参数包括优化惩罚参数及优化核参数。

在本申请的一个实施例中，利用FOA算法来对预设初始支持向量机模型的参数进行优化，得到的优化惩罚参数为2.4761，得到的优化核参数为13.2875。本申请提供的触电预警模型具有响应速度快、维护方便且实用性强等优点。

应该理解的是，虽然图1-图5a、图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，虽然图1-图5a、图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

请注意，上述实施例仅出于说明性目的而不意味对本申请的限制。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。