圖 3.5SVM 分類器架構圖
圖 3.6 所示，是本文所建構的 SVM 分類器架構系統，並以本遙控監測量測蒐 集到之 69kV 橋村-崙背線#4 塔與 161kV 北港-四湖一路#51 塔中的洩漏電流、當地 氣候資料作為 SVM 的訓練資料對。
1.輸入向量：濕度、溫度、雨量、風速、露點
2.支撐向量：每小時之洩漏電流等級類型所組成的支撐向量。
3.核函數（Kernel Function）的選取：高斯函數(Gaussian function)被用來當做 本論文之支撐向量迴歸的核函數。
74
（1）高斯核函數(Gaussian kernel function)，即徑向基函數（RBF）核函數為：
(3-32)
（2）最佳化的分類超平面以及非線性分類器如式(3-30)、(3-31)所示。
從上兩式可以先求出 w（權重值）、b（偏權值）、
α
i支撐向量（SV），再藉 由前述的數值帶入，得到輸出目標向量y ，這裡的
iy 即為洩漏電流等級類型之診
i 斷結果。訓練時係使用一對多（one against rest）的方式進行分類訓練，假設洩漏電流 等級為 n 段，因此只需要訓練 n 個分類模型即可，其訓練方式是將第一段等級為 一類，第二到第八段等級為另一類進行模型訓練，接下來將第二段等級為一類，
依此類推至第八段等級。本文將資料經過篩選後，作為本系統之訓練與測試驗證 之數據資料，本文利用 SVM 分類辨識系統來辨識在不同的天候情況下，判斷絕緣 礙子洩漏電流會落於何種區間，其建立方法流程如圖 3.6 所示，詳細訓練流程說明 如下：
1. 篩選欲進行訓練的資料對。
2. 將篩選後的資料正規化，如[0,1]或[-1,1]之間。
3. 將正規化後的資料導入 SVM 中進行模型訓練。
4. 重複上述步驟，待 n 個洩漏電流等級訓練完畢。
5. 選取約 20～50 筆的資料進行一對多的分類訓練，此步驟稱為交叉驗證，能 夠避免產生過度訓練的情況。
6. 重複步驟 5，直到 n 個分類器進行交叉驗證後儲存分類訓練模型。
2
( , ) e x p
22
i j
i j
x x
K x x
σ
= −
75
將上述的分類模型建置好後，接下來進行資料比對的分類流程，其分類流程如圖 3.8 所示，SVM 分類器共分為八個，以 SVM-1 為例，資料輸入進 SVM-1 分類器後，
資料判定為＋1 時，即屬於第一段等級；資料判定為－1 時，表示該資料是屬於其 他等級，並進入到 SVM-2 繼續進行分類，同樣的被判定為 －1 時，則進入 SVM-3 分類，依此類推。
圖 3.6 洩漏電流與氣候資料庫訓練流程圖
於分類模型建置好之後，接下來就進行資料比對的分類流程，在進行分類預 測時，其資料也是必須先經過正規化的動作，再一一導入已訓練好的分類模型當 中進行分類，其分類流程如圖 3.7 所示，SVM 分類器共分為八個，以 SVM-1 為例，
資料輸入進 SVM-1 分類器後，資料判定為＋1 時，即屬於第一段洩漏電流等級；
資料判定為－1 時，表示該資料是屬於其他等級，並進入到 SVM-2 繼續進行分類，
同樣的被判定為 －1 時，則進入 SVM-3 分類，依此類推。
76
圖 3.7 洩漏電流辨識分類流程圖
77