CN108491618A - 故障电流识别方法、装置、设备及介质 - Google Patents

Abstract

本发明提供了一种故障电流识别方法、装置、设备及介质。其中，该方法包括：获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；提取正负样本库中电流波形样本的输入特征量；建立SVM模型，并利用正负样本库中电流波形样本的输入特征量，求解SVM模型对应的分类超平面的参数；根据SVM模型对应的分类超平面的参数，构造决策函数；获取待识别电流波形，并提取待识别电流波形的输入特征量；将待识别电流波形的输入特征量输入决策函数，输出决策函数的结果。通过本发明，提高了输电线路在线监测效率和准确率。

Description

故障电流识别方法、装置、设备及介质

技术领域

本发明涉及输电线路运维领域，具体而言，涉及一种故障电流识别方法、装置、设备及介质。

背景技术

输电线路在未发生跳闸时，其中流过的电流一般随负荷以及分、合闸的情况而不断变化。如图1所示，发生故障时，电流波形有幅值突然变大(短路电流)、紧接着衰减至零(故障后分闸)等明显特征。在输电线故障监测领域中，实时监测电流，并通过识别电流波形特征而判断该线路是否发生跳闸，对于及时启动故障定位和排查工作具有重要意义。

然而不同输电线路的设计参数各不相同，继电保护整定值也千差万别，根据电流是否超过固定阈值来判断线路是否发生了故障，这种方法往往只适合特定的线路，不具备足够的适应性和灵活性，无法满足输电网大规模在线监测的要求。

另一方面，输电线路众多，结构复杂。尤其在故障频发的雷雨季节，通过人工观察并监视电流波形费时费力，效率低下。尤其是，一条线路跳闸的短路电流有时会耦合到邻近线路上，如图2中的“交流串入”电流波形所示，在非跳闸线路上造成短暂的交流串入效果，从而引起误报的问题。

发明内容

本发明提供了一种故障电流识别方法、装置、设备及介质，以至少解决相关技术中根据电流固定阈值来判断输电线路是否发生了故障的方式无法满足输电网大规模在线监测要求，而通过人工观察并监视电流波形的方式效率低下的问题。

第一方面，本发明实施例提供了一种故障电流识别方法，包括：

获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；

提取所述正负样本库中电流波形样本的输入特征量；

建立支持向量机(Support Vector Machine，简称为SVM)模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数；

根据所述SVM模型对应的分类超平面的参数，构造决策函数；

获取待识别电流波形，并提取所述待识别电流波形的输入特征量；

将所述待识别电流波形的输入特征量输入所述决策函数，输出所述决策函数的结果。

可选地，提取输入特征量包括：

提取电流波形的电流、频率成分作为输入特征量，构成n维的输入特征量x_i，其中，x_i表示第i条电流波形的输入特征量。

可选地，建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数包括：

(1)选取高斯核函数k(x_i,x_j)＝exp(-γ||x_i-x_j||²)和损失系数C；

(2)构造并求解最优化问题：

其约束条件为：

其中，y_i表示第i条波形所属的类别；N表示正负样本库中波形的总条数，i＝1,2,3,…,N；

(3)求斜率的最优解

(4)取α^*中的一个正分量并计算分类超平面偏置：

可选地，求斜率的最优解取α^*中的一个正分量并计算分类超平面偏置包括：

通过SMO序贯最小优化算法，网格法以及交叉验证得到每组参数对(γ,C)所对应的分类正确率，取其中分类正确率最高的一组参数对(γ,C)来计算和b^*。

可选地，根据所述SVM模型对应的分类超平面的参数，构造决策函数包括：

构造决策函数：

第二方面，本发明实施例提供了一种故障电流识别装置，包括：

第一构造模块，用于获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；

第一提取模块，用于提取所述正负样本库中电流波形样本的输入特征量；

建立模块，用于建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数；

第二构造模块，用于根据所述SVM模型对应的分类超平面的参数，构造决策函数；

第二提取模块，用于获取待识别电流波形，并提取所述待识别电流波形的输入特征量；

结果模块，用于将所述待识别电流波形的输入特征量输入所述决策函数，输出所述决策函数的结果。

第三方面，本发明实施例提供了一种故障电流识别设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现第一方面所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现第一方面所述的方法。

通过本发明实施例提供的故障电流识别方法、装置、设备及介质，采用获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；提取正负样本库中电流波形样本的输入特征量；建立SVM模型，并利用正负样本库中电流波形样本的输入特征量，求解SVM模型对应的分类超平面的参数；根据SVM模型对应的分类超平面的参数，构造决策函数；获取待识别电流波形，并提取待识别电流波形的输入特征量；将待识别电流波形的输入特征量输入决策函数，输出决策函数的结果的方式，解决了根据电流固定阈值来判断输电线路是否发生了故障的方式无法满足输电网大规模在线监测要求，而通过人工观察并监视电流波形的方式效率低下的问题，提高了输电线路在线监测效率和准确率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是故障电流波形的三段示意图；

图2是四种非故障电流波形的示意图；

图3是根据本发明实施例的故障电流识别方法的流程图；

图4是根据本发明优选示例的故障电流识别方法的流程图；

图5是根据本发明优选示例的训练数据在二维平面上的投影散点示意图；

图6是根据本发明实施例的故障电流识别装置的结构框图；

图7是根据本发明实施例的故障电流识别设备的硬件结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本实施例中提供了一种故障电流识别方法，图3是根据本发明实施例的故障电流识别方法的流程图，如图3所示，该流程包括如下步骤：

步骤S301，获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；

步骤S302，提取所述正负样本库中电流波形样本的输入特征量；

步骤S303，建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数；

步骤S304，根据所述SVM模型对应的分类超平面的参数，构造决策函数；

步骤S305，获取待识别电流波形，并提取所述待识别电流波形的输入特征量；

步骤S306，将所述待识别电流波形的输入特征量输入所述决策函数，输出所述决策函数的结果。

在上述步骤中，建立了基于支持向量机的故障工频电流的识别模型，提取电流波形中的特征量作为模型的多维输入向量，利用波形数据集对模型进行训练，得到能够将故障电流与非故障电流区分开的超平面；再根据此超平面建立决策函数，用以判断新增电流波形是否满足跳闸特征。

本发明实施例采用了目前有监督机器学习算法的支持向量机，相比基于反向传播的多层感知器网络和径向基网络，避免了局部极小值的问题，也不会因为训练样本的偏差导致模型出现过拟合的现象。本发明实施例所训练的故障电流识别模型能够快速而准确的检测出一段电流波形是否具有故障特征。该算法不受线路参数的影响，也不被继电保护整定值制约，能够灵活适用于大多数输电线路的应用场景，为电力***故障定位以及检修、巡线工作提供了可靠的依据。

可选地，在步骤S302和步骤S305中，采用相同的方式提取输入特征量。在本实施例中提取输入特征量包括：提取电流波形的电流、频率成分作为输入特征量，构成n维的输入特征量x_i，其中，x_i表示第i条电流波形的输入特征量。

可选地，步骤S303中，通过下列步骤建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数：

步骤S303-1，选取合适的高斯核函数和损失系数C，在本实施例中选取的高斯核函数为k(x_i,x_j)＝exp(-γ||x_i-x_j||²)；

步骤S303-2，构造并求解最优化问题：

其约束条件为：

其中，y_i表示第i条波形所属的类别(故障波形或者非故障波形)；N表示正负样本库中波形的总条数，i＝1,2,3,…,N。

通俗来讲，SVM模型是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解，因此在本实施例中采用上述公式描述二次凸优化问题。

步骤S303-3，求斜率的最优解

步骤S303-4，取α^*中的任意一个正分量并计算分类超平面偏置：

其中，参数对(γ,C)的选取将影响分类正确率。因此，在本实施例中，在求斜率的最优解以及计算分类超平面偏置时，还可以通过序贯最小优化(Sequential Minimal Optimization，简称为SMO)算法，网格法以及交叉验证得到每组参数对(γ,C)所对应的分类正确率，取其中分类正确率最高的一组参数对(γ,C)来计算和b^*。

可选地，在步骤S304中构造决策函数：

下面通过示例对本发明实施例的故障电流识别方法进行描述和说明。

为了使故障电流识别技术灵活适用于各类的输电线路场景(不同的电压等级，交直流，线路参数，继电保护整定参数，短路电流限制器等)，本发明提供一种基于支持向量机的电流波形识别算法，能够将一段电流波形根据其特征量识别为“故障波形”或“非故障波形”两个类别之一。本实施例提供的故障电流识别方法包括：建立数据集，建立模型并求解，构建决策函数并应用三个主要步骤，如图4所示。

步骤S401，建立训练数据集。

建立数据集的过程包括以下步骤：

步骤S401-1，收集电流波形。

在一示例中，收集某段时间内若干输电线路的电流波形样本，总数为900，构成训练样本库。每条波形的采样点数2000，采样率为3200Hz，因此波形持续时间为625ms。

步骤S401-2，为收集到的电流波形添加结果标签。若某一条电流波形其反映了真实的故障电流，则归入正样本库，设置结果标签y_i＝1。若非故障电流，则归入负样本库，设置结果标签y_i＝-1。其中，i＝1,2,…,N，N为正负样本库中的总训练样本数。

在一示例中，训练样本中，归入正样本库的故障电流波形共300条，归入负样本库的非故障电流波形共600条。非故障电流波形中，交流串入200条，负荷上升及负荷下降的波形各100条，正常负荷的波形共200条。按照步骤S401-2的方式添加数据标签。

在一示例中，采集波形的标准是：对每一个采样点，计算其前一个工频周期和后一个工频周期的有效值，若后者超过前者1.3倍，或者小于前者的0.75倍，则认为该点为电流突变点，取该点的前后各1000个点，作为一条波形。这种方式可以在很大程度上捕捉电流变化前与变化后的特征。如图5所示，无论是负荷上升，负荷下降，还是其他任何情况，电流变化全程的状态能够得到保留，为提取特征量提供了充分的信息。另外，为了训练样本的完整性，还需要单独采集负荷正常时期的电流波形，如图2中的“正常负荷”对应的电流波形图。

步骤S401-3，提取输入特征量。对于第i条波形，提取其电流、频率成分等特征量，构成n维向量x_i。

在一示例中，对每一条波形，将其平分为三段，认为分别代表了故障前、中、后三个阶段。

对于前段，计算其有效值i₁，并进行窗口傅里叶变换，计算50Hz成分在能量谱中所占的比例f₁。

对于中段，计算其有效值最大的一个周期的有效值i₂，进行窗口傅里叶变换后，计算该周期内的50Hz成分在能量谱中所占的比例f₂。

对于后段，计算其有效值i₃，进行窗口傅里叶变换后，计算50Hz成分在能量谱中所占的比例f₃。

若i₁,i₂,i₃中任意一个值为0，则为其赋一个很小的值，如0.001A。此步骤是为了避免下一步分母为0的问题。

求比值r₁＝i₂/i₁,r₂＝i₃/i₁，分别代表了故障中和故障后的电流相对于初始负荷电流的比值。

虽然一条波形的所有采样点均可作为输入。但是2000个采样点的信息非常冗余，不但大大降低了计算效率，还会对特征量提取造成困难。如图1所示，故障短路电流一般表现出三个阶段，即故障前的负荷电流，故障中的短路电流，以及故障后衰减至0的电流。为了降低输入数据的维度，简化计算过程，应以最少的变量体现最多的波形信息。而具体到此实施例中，每一条波形分为前、中、后三个阶段，每一段的有效值i和基频成分f这两个变量即能大致表示该阶段的特征。在此基础上，取r₁＝i₂/i₁,r₂＝i₃/i₁则更加能体现电流的变化情况。另外，提取基频成分f在频域方面反映出一段波形中工频与非工频的比例，能够体现正弦信号和衰减信号的不同。因此，波形的特征量选取其电流的变化情况以及工频的频率成分。

步骤S401-4，对输入特征量进行归一化处理。此步骤是为了将数值的度量统一，能够加快收敛速度，并避免个别数据过大导致的权重偏差问题。

在一示例中，归一化处理用公式表达为：

p₁＝ln r₁＝ln i₂-ln i₁

p₂＝ln r₂＝ln i₃-ln i₁

结合步骤步骤S401-3中得到的三段波形中基频成分占总能量谱的比例，其值已经处于[0,1]的范围内，由此得到第i条波形的5维输入向量：

式中，T为矩阵转置符号，N为总训练波形数量。

步骤S401-3中求得的电流之比，在负荷电流相对较小的情况下，会产生很大的数值，因此，取该比值的对数，将数值限定在一个较小的范围内。对数函数ln为单调递增函数，不会影响数据相对大小的关系，只是有可能引起线性不可分的问题。而线性不可分在SVM问题中可通过引入核函数得到解决。

步骤S402，建立SVM模型并求参数。

建立并求解模型参数包括以下步骤：

步骤S402-1，选取适当的核函数k(x_i,x_j)和参数C；

在一示例中选取的核函数：

k(x_i,x_j)＝exp(-γ||x_i-x_j||²)

式中，‖ ‖为欧几里得范数。高斯核函数是最灵活，应用最广泛的核函数之一。引入高斯核函数的同时也引入了参数γ，通过调整γ的值能够得到比较理想的分类性能。

另外，由于需要选取损失系数C，所以在解SVM模型参数时共有两个参数(γ,C)需要定义。

步骤S402-2，构造并求解最优化问题：

其约束条件为

上述公式描述的是二次凸优化问题。

步骤S402-3，求最优解

步骤S402-4，取α^*中的一个正分量并计算分类器超平面偏置：

在一示例中，通过SMO序贯最小优化算法，网格法以及交叉验证得到每一个参数对(γ,C)所对应的分类正确率，取正确率最高的一组参数作为模型的参数。

使用LIBSVM开源库，计算得到，当C＝1,γ＝0.1667时交叉验证最高准确率为100％。图5显示了5维数据以及所解出的超平面分类器在二维平面上的投影。

其中，交叉验证(Cross Validation，简称为CV)是将原始数据分成K组(一般是均分)，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标。K一般大于等于2，实际操作时一般从3开始取，只有在原始数据集合数据量小的时候才会尝试取2。K-CV可以有效的避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服性。

其中，网格法是指在程序中进行两层循环，外层对参数C进行循环，内层对γ进行循环，每次循环中计算模型的交叉验证准确率。当循环结束时，得到一个以C和γ为变量的“网格”，网格内的值对应不同参数组合时的准确率。取准确率最高的一对参数即可。

步骤S403，建立决策函数并实现对新增数据的分类。

建立决策函数并实现对新增数据的分类包括下列步骤：

步骤S403-1，根据上一步计算出来的参数，构造决策函数：

其中的和b^*是在步骤S402中计算出来的。在一示例中，采用b^*＝-3.2577构造决策函数。

步骤S403-2，对任何新增电流波形，按照步骤S401-3的方法求其输入特征量向量x，代入决策函数。若结果为1，则该电流波形代表故障电流。若结果为-1，则该电流波形显示了非故障情况的电流。

在一示例中，另收集900条新波形采用步骤S403-2的方法用以验证模型准确性，与真实标签进行对比，得到识别正确率为100％。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本实施例中还提供了一种故障电流识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”或者“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是根据本发明实施例的故障电流识别装置的结构框图，如图6所示，该装置包括：

第一构造模块61，用于获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；

第一提取模块62，用于提取所述正负样本库中电流波形样本的输入特征量；

建立模块63，用于建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数；

第二构造模块64，用于根据所述SVM模型对应的分类超平面的参数，构造决策函数；

第二提取模块65，用于获取待识别电流波形，并提取所述待识别电流波形的输入特征量；

结果模块66，用于将所述待识别电流波形的输入特征量输入所述决策函数，输出所述决策函数的结果。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述模块分别位于多个处理器中。

另外，结合图3描述的本发明实施例的故障电流识别方法可以由故障电流识别设备来实现。图7示出了本发明实施例提供的故障电流识别设备的硬件结构示意图。

故障电流识别设备可以包括处理器71以及存储有计算机程序指令的存储器72。

具体地，上述处理器71可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器72可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器72可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器72可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器72可在数据处理装置的内部或外部。在特定实施例中，存储器72是非易失性固态存储器。在特定实施例中，存储器72包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器71通过读取并执行存储器72中存储的计算机程序指令，以实现上述实施例中的任意一种故障电流识别方法。

在一个示例中，故障电流识别设备还可包括通信接口73和总线70。其中，如图7所示，处理器71、存储器72、通信接口73通过总线70连接并完成相互间的通信。

通信接口73，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线70包括硬件、软件或两者，将故障电流识别设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线70可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

该故障电流识别设备可以基于获取到的数据，执行本发明实施例中的故障电流识别方法，从而实现结合图3描述的故障电流识别方法。

另外，结合上述实施例中的故障电流识别方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种故障电流识别方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种故障电流识别方法，其特征在于，包括：

获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；

提取所述正负样本库中电流波形样本的输入特征量；

建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数；

根据所述SVM模型对应的分类超平面的参数，构造决策函数；

获取待识别电流波形，并提取所述待识别电流波形的输入特征量；

将所述待识别电流波形的输入特征量输入所述决策函数，输出所述决策函数的结果。

2.根据权利要求1所述的方法，其特征在于，提取输入特征量包括：

提取电流波形的电流、频率成分作为输入特征量，构成n维的输入特征量x_i，其中，x_i表示第i条电流波形的输入特征量。

3.根据权利要求2所述的方法，其特征在于，建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数包括：

(1)选取高斯核函数k(x_i,x_j)＝exp(-γ||x_i-x_j||²)和损失系数C；

(2)构造并求解最优化问题：

其约束条件为：

其中，y_i表示第i条波形所属的类别；N表示正负样本库中波形的总条数，i＝1,2,3,…,N；

(3)求斜率的最优解

(4)取α^*中的一个正分量并计算分类超平面偏置：

4.根据权利要求3所述的方法，其特征在于，求斜率的最优解取α^*中的一个正分量并计算分类超平面偏置包括：

通过SMO序贯最小优化算法，网格法以及交叉验证得到每组参数对(γ,C)所对应的分类正确率，取其中分类正确率最高的一组参数对(γ,C)来计算和b^*。

5.根据权利要求4所述的方法，其特征在于，根据所述SVM模型对应的分类超平面的参数，构造决策函数包括：

构造决策函数：

6.一种故障电流识别装置，其特征在于，包括：

第一构造模块，用于获取电流波形样本，将电流波形样本人工标注为正样本和负样本，构造正负样本库；

第一提取模块，用于提取所述正负样本库中电流波形样本的输入特征量；

建立模块，用于建立SVM模型，并利用所述正负样本库中电流波形样本的输入特征量，求解所述SVM模型对应的分类超平面的参数；

第二构造模块，用于根据所述SVM模型对应的分类超平面的参数，构造决策函数；

第二提取模块，用于获取待识别电流波形，并提取所述待识别电流波形的输入特征量；

结果模块，用于将所述待识别电流波形的输入特征量输入所述决策函数，输出所述决策函数的结果。

7.一种故障电流识别设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-5中任一项所述的方法。

8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-5中任一项所述的方法。