针对现有的剩余电流保护装置无法有效识别触电事故的问题，该文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法。

研究背景

剩余电流保护装置（Residual Current Devices, RCDs）是关键的电气安全设备，其主要功能是监测电路中的漏电现象，以预防人体触电事故的发生。然而，现有的RCDs在确定安全阈值方面面临挑战，且由于电路老化、破损等非触电因素导致的接地故障，可能触发台区RCDs的跳闸，进而引发大规模的停电事件，造成频繁的经济损失。

针对这一问题，本文提出了一种创新的生命体触电故障识别技术。该技术旨在精确区分生命体触电故障与非触电性接地故障，从而在确保人员安全的同时，维护系统的稳定运行。通过这种方法，可以有效地减少因误判导致的不必要的停电，提高电力供应的可靠性，减少经济损失，并保障公共安全。

论文所解决的问题及意义

1、实际触电故障数据难以收集，导致正负样本不平衡；

2、触电故障的时域和信息域特征多样，筛选最优特征组合具有挑战性；

3、传统分类模型不具备在线学习能力，效率低，存储和计算开销大。

论文方法及创新点

本文的研究首先采用变分自编码器（VAE）技术，对实验收集到的有限生命体触电样本数据进行扩增，以实现正负样本的均衡化处理。随后，在时域分析的基础上，提取出23个能够准确反映波形动态变化特性的关键特征量。为了从这些特征中筛选出最具表达力的组合，本研究采用了高斯核Fisher判别分析（Gaussian Kernel Fisher Discriminant Analysis, GKFDA）与最大信息系数（Maximal Information Coefficient, MIC）方法进行特征选择。

最终，本文提出了一种基于遗忘因子的在线顺序极限学习机（Online Sequential-Extreme Learning Machine, OS-ELM）算法，该算法专门用于鉴别生命体触电行为，旨在提高识别的准确性和实时性。通过这一系列创新方法的应用，本研究为生命体触电行为的快速准确检测提供了一种新的技术途径。

1、故障电流波形分析

基于本实验收集故障前一个周期及故障后两个周期的线路总剩余电流作为分析数据，用于后续算法的研究，常规接地故障及触电故障波形如图1所示。

图1 故障电流波形

从图1中可以看出，在常规接地故障和触电事故发生的瞬间，线路的电流均会出现显著的增大现象。具体来说，在常规接地故障发生之后，我们可以观察到周期性的电流峰值基本保持一致，没有出现明显的波动或变化。这种稳定的电流峰值模式，为我们识别和区分不同类型的故障提供了有力依据。

相比之下，触电故障发生后，周期性电流的峰值呈现出逐渐上升的趋势。这种逐渐增强的电流变化，是由于触电发生后导致的人体的等效电阻逐渐减少，从而引起的电流峰值的逐步增加。

2、基于VAE的数据增殖方法

图2 VAE的数据增殖效果

变分自编码器（VAE）是将一堆真实样本通过编码器网络变换成一个理想的数据分布，然后将这个数据分布再传递给一个解码器网络，得到一堆生成样本。该方法可以有效解决实测触电故障数据获取困难，数据量少，触电故障数据与非触电接地故障数据之间样本不平衡的问题。

3、基于GKFDA与MIC的特征筛选方法

利用高斯核Fisher判别分析法以及最大信息系数法对23个候选特征进行自主筛选，从中挑选出最能表达样本特点的最优特征组。

图3 GKFDA特征记分

图4 MIC矩阵图

4、基于FOS-ELM的漏电类型诊断

在线顺序极限学习机（OS-ELM）是在传统的极限学习机（ELM）基础上的一次创新性改进，它引入了在线学习机制，使得模型能够以逐个或成批的方式，对增量学习样本进行训练。这种学习方式不仅提高了模型对新数据的适应性，而且通过引入遗忘因子，增强了模型对新样本特征的敏感度，从而进一步提升了学习效率和预测准确性。利用在线学习可以有效减少硬件设备的存储和计算的开销。

图5 FOS-ELM诊断结果

5、生命体触电故障识别方法的逻辑框架

图6 所提生命体触电故障识别方法的逻辑框架

在本文中，我们巧妙地融合了变分自编码器（VAE）样本扩增技术、最优特征筛选方法以及基于在线学习的分类器——遗忘因子顺序极限学习机（FOS-ELM）。这一综合算法的创新之处在于，它能够仅依赖于少量触电波形样本，便能够训练出一个性能优异的分类器。更重要的是，该分类器能够通过在线自学习机制不断优化和提升其分类性能，以适应新的数据和环境变化。

通过VAE技术，我们首先对有限的触电样本数据进行扩增，解决了样本稀缺的问题，并通过生成新的样本来增强数据的多样性。随后，利用最优特征筛选技术，从大量的特征中挑选出最具代表性和区分度的特征组合，为分类器提供了坚实的特征基础。最终，FOS-ELM作为核心分类器，不仅能够高效地处理和学习新样本，还能够通过遗忘因子动态调整学习过程，以保持对新信息的敏感度，同时不丢失对旧数据的记忆。

6、实验结果

本文设计了一个实验平台进行故障实验的模拟，包括在9种不同介质下的常规接地故障实验和3种不同场景下的触电故障实验。

图7 实验平台

（a）非触电接地故障实验场景图

（b）生命体触电故障实验场景图

图8 触电实验场景

最后，使用测试集对训练好的模型进行测试，模型准确率可达98.75%，其中40个常规接地故障样本全部判断正确，准确率为100%，40个实测触电故障样本中仅1个判断错误，准确率为97.5%。从时间角度分析，初始样本训练时间为10.3ms，在线学习平均训练时间为1.378ms，平均测试时间为1.33ms。

结论

本文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法，本文的特点是：

1、利用变分自编码器（VAE）对有限的生命体触电样本进行数据增强，有效实现了正负样本的均衡化处理。此外，通过结合高斯核Fisher判别分析（GKFDA）与最大信息系数（MIC）方法，本研究自主构建了一套规则，用以筛选出最具表达力的特征组合。同时，引入了遗忘因子顺序极限学习机（FOS-ELM），显著提升了模型的在线自学习能力。

2、实验结果的分析显示，本研究所提出的算法在实际样本的诊断任务中表现出色，达到了98.75%的高准确率，其中常规接地故障准确率为100%，平均在线学习时间为1.378 ms，诊断时间仅为1.33 ms。

3、所提算法适合在嵌入式终端部署应用，并且可以在应用中进行新知识的学习而无需保存历史样本，具备较高的学习效率、较低的内存资源占用量 和强大的应用价值。

团队介绍

福州大学数字能源研究院团队围绕不确定性理论与方法、数据驱动理论与方法两个理论方向，开展电力安全与质量保障、高渗透率新能源电网控制、储能系统调试与运行控制、能源互联网与大数据挖掘、新型电力系统感知与优化、综合能源系统规划与控制六个技术领域的研究。近年来团队承担科研项目30余项，其中国家重点研发计划子课题1项、国家自然科学基金项目7项、省级自然科学基金类项目11项、校企合作科研项目多项。

高伟，博士，副教授，博士生导师，主要从事电力系统及设备故障诊断方面的研究工作。

饶俊民，硕士研究生，研究方向为低压配网交流电弧与触电故障诊断等。

全圣鑫，硕士研究生，研究方向为配电网自动化。

郭谋发，博士，教授，博士生导师，研究方向为配电网单相接地故障信息处理、保护控制及柔性消弧等。

本工作成果发表在2024年第7期《电工技术学报》，论文标题为“不均衡小样本下多特征优化选择的生命体触电故障识别方法“。本课题得到福建省自然科学基金的支持。