郭秀才 劉冰冰 王力立

1(西安科技大學(xué)電氣與控制工程學(xué)院 陜西 西安 710054) 2(西安科技大學(xué)通信與信息工程學(xué)院 陜西 西安 710054)

0 引 言

我國(guó)煤礦開(kāi)采一般都存在用電負(fù)荷大、工作環(huán)境潮濕、井下存在瓦斯和煤塵等特點(diǎn)，電力電纜一旦發(fā)生故障將影響供電系統(tǒng)的穩(wěn)定性、安全性，嚴(yán)重時(shí)可能會(huì)發(fā)生瓦斯爆炸等重大安全事故。我國(guó)煤礦井下供電系統(tǒng)普遍采用小電流接地系統(tǒng)，而實(shí)際情況表明，當(dāng)系統(tǒng)發(fā)生單相故障后，三相線電壓仍然保持對(duì)稱(chēng)，不會(huì)影響供電，可帶故障持續(xù)運(yùn)行兩小時(shí)，但是當(dāng)接地電流超過(guò)上限值時(shí)，非常容易產(chǎn)生間歇性電弧從而產(chǎn)生弧光過(guò)電壓進(jìn)而引起其他故障(如相間短路等)，使繼電保護(hù)器動(dòng)作導(dǎo)致大范圍停電影響煤礦的正常生產(chǎn)工作。目前電纜故障診斷采用的方法有離線法和在線監(jiān)測(cè)法，由于離線法需在停電的情況下監(jiān)測(cè)，所以不適用煤礦電力電纜的故障診斷[2]。

國(guó)內(nèi)外許多學(xué)者利用在線監(jiān)測(cè)法，提取電纜故障暫態(tài)行波信號(hào)作為故障診斷的依據(jù)[3-7]。文獻(xiàn)[8]提取故障零序電流信號(hào)，結(jié)合信息熵和小波包分解實(shí)現(xiàn)故障診斷。文獻(xiàn)[9]提取電纜故障電壓信號(hào)，利用小波分析和神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)電纜不同故障的診斷。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，存在速度慢、易陷入局部最優(yōu)的缺點(diǎn)。任志玲等[10]將電纜故障暫態(tài)電壓的小波包能量熵作為特征向量結(jié)合PSO-BP神經(jīng)網(wǎng)絡(luò)算法對(duì)礦下電纜進(jìn)行故障診斷。粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)不僅結(jié)構(gòu)簡(jiǎn)單而且精度比較高，但是也會(huì)面臨陷入局部最優(yōu)的缺點(diǎn)；遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可以改進(jìn)易陷入局部最優(yōu)的缺點(diǎn)，但是存在收斂時(shí)間長(zhǎng)、尋優(yōu)速度慢的弊端。王紅君等[11]利用布谷鳥(niǎo)算法(CS)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)小波去噪后的風(fēng)電齒輪箱故障震動(dòng)信號(hào)進(jìn)行診斷。

針對(duì)上述問(wèn)題，將小波包分析與布谷鳥(niǎo)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法結(jié)合起來(lái)進(jìn)行礦用電力電纜故障診斷。利用CS算法收斂速度快、全局搜索能力強(qiáng)的特點(diǎn)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，克服了單一神經(jīng)網(wǎng)絡(luò)收斂速度慢和易陷入局部最優(yōu)的缺點(diǎn)。將優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于礦用電力電纜故障診斷領(lǐng)域具有一定的研究意義。

1 PSCAD仿真模型

1.1 仿真模型建立及參數(shù)設(shè)置

利用電磁暫態(tài)仿真軟件PSCAD/EMTDC建立35 kV礦用電力電纜故障仿真模型，系統(tǒng)仿真電路圖如圖1所示。

圖1 電力電纜故障仿真模型

由于煤礦供電系統(tǒng)普遍采用干線式電網(wǎng)結(jié)構(gòu)，均由多級(jí)短電纜組成，各級(jí)電纜間長(zhǎng)度多為300～3 000 m，所以該系統(tǒng)設(shè)有3條饋線，電纜的長(zhǎng)度分別為1 893 m、3 206 m和3 300 m，三條線路上的負(fù)載均相同。變壓器為110 kV/35 kV，中性點(diǎn)為消弧線圈接地。電力系統(tǒng)通常采用過(guò)補(bǔ)償方式，過(guò)補(bǔ)償度一般取8%～10%，本文選取過(guò)補(bǔ)償度為8%，經(jīng)過(guò)計(jì)算得消弧線圈L=4.18 mH，消弧線圈電阻值取電抗值的3%，R≈80 Ω。

設(shè)置第一條電纜線路為故障線路，由于仿真啟動(dòng)后在一段時(shí)間內(nèi)才能達(dá)到穩(wěn)態(tài)，所以故障開(kāi)始時(shí)間設(shè)為0.1 s。在系統(tǒng)運(yùn)行穩(wěn)定后，將故障持續(xù)時(shí)間設(shè)為0.3 s。電纜正序參數(shù)設(shè)置為：R1=0.041 Ω/km，L1=0.192 mH/km，C1=0.403 μF/km，零序參數(shù)設(shè)置為：R0=1.013 Ω/km，L0=2.378 mH/km，C0=0.387 μF/km。在圖1所示的仿真模型中，將第一條電纜線路設(shè)置為故障線路，其他線路保持正常運(yùn)行狀態(tài)。第一條線路由兩段電纜組成，在兩段電纜之間設(shè)置故障點(diǎn)，分別改變兩段電纜的長(zhǎng)度，即可實(shí)現(xiàn)對(duì)不同距離故障點(diǎn)的模擬仿真[12]。

1.2 電纜模型

本文在PSCAD中選擇正確的模型類(lèi)型，其模型庫(kù)中有PI型模型、Bergeron模型和頻率相關(guān)模型三類(lèi)模型可供選擇。由于電纜自身的結(jié)構(gòu)特性，其頻率相關(guān)特性十分明顯，故本文選擇精度更高的頻率相關(guān)模型進(jìn)行仿真，即Frequency Dependent(Phase)Model模型。

本文以35 kV MYJV22電纜為原型，輸入電纜的相關(guān)參數(shù)。設(shè)置的主要參數(shù)如下：導(dǎo)體半徑為13.35 mm，XLPE絕緣厚度為10.5 mm，PVC外護(hù)套絕緣厚度為2.8 mm，電纜近似外半徑為30.1 mm，其他均為系統(tǒng)默認(rèn)值，如圖2所示。

圖2 電纜參數(shù)設(shè)置

2 故障特征提取

為了能夠準(zhǔn)確快速地診斷出礦用電力電纜的故障類(lèi)型，減少煤礦供電系統(tǒng)的安全隱患，就需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，提取反映礦用電力電纜故障狀態(tài)本質(zhì)的有效信息特征，把復(fù)雜的原始數(shù)據(jù)信號(hào)轉(zhuǎn)換成低維的特征向量，為故障診斷提供更準(zhǔn)確的依據(jù)。礦用電力電纜在故障發(fā)生時(shí)，故障電壓波形會(huì)發(fā)生突變，所以對(duì)信號(hào)突變點(diǎn)的監(jiān)測(cè)十分重要。小波包分析的時(shí)頻分辨率高，適用于瞬變信號(hào)、非平穩(wěn)信號(hào)的分析[13]。因此，本文使用小波包分析技術(shù)實(shí)現(xiàn)對(duì)礦用電力電纜故障信號(hào)的特征提取，并構(gòu)造特征向量作為分類(lèi)器的輸入。

2.1 小波包分析

本文系統(tǒng)仿真采用中性點(diǎn)經(jīng)消弧線圈接地的運(yùn)行方式，電力電纜發(fā)生故障時(shí)，故障電壓包含低頻分量和高頻的暫態(tài)分量。將故障電壓信號(hào)進(jìn)行小波包分解，提取有用的故障信息為礦用電力電纜故障診斷提供依據(jù)。

與小波變換相比，在故障診斷方面小波包變換具有更高的時(shí)頻分辨率，它不僅對(duì)信號(hào)的低頻部分進(jìn)行分解，還對(duì)信號(hào)的高頻部分進(jìn)行更精細(xì)的分解，使更加細(xì)節(jié)的信號(hào)特征顯示出來(lái)。礦用電力電纜的每種故障電壓波形都具有各自的時(shí)頻特征，經(jīng)過(guò)小波分解后各個(gè)頻帶的能量不同，所以可以選擇小波包分解后的各個(gè)節(jié)點(diǎn)的能量熵作為故障特征向量。

小波包其實(shí)是同時(shí)對(duì)兩個(gè)子函數(shù)空間進(jìn)行分解，即：

V0=U(1,0)⊕U(1,1)=[U(2,0)⊕U(2,1)]⊕

(1)

式中：B=2J-1。以三層小波包分解為例，小波包分解原理圖如圖3所示。

圖3 三層小波包分解原理圖

2.2 小波包能量熵計(jì)算

由信息熵理論可知，信息熵最小時(shí)，表明系統(tǒng)穩(wěn)定運(yùn)行；信息熵越大，包含的故障信息越多，表明系統(tǒng)發(fā)生了故障。據(jù)此，小波包能量熵可以作為故障診斷的特征向量。

故障信號(hào)(原始信號(hào))S的i層小波包分解序列為Sij(j=1,2,…,2i-1)，設(shè)在第i層j節(jié)點(diǎn)小波包分解系數(shù)序列Sij的能量為Ei1,Ei2,…,Eij。每一段的信號(hào)能量值計(jì)算如下：

(2)

式中：Dij為Sij的小波系數(shù)。

對(duì)每一段的信號(hào)能量值進(jìn)行歸一化處理，歸一化公式如下：

(3)

式中：εij為歸一化值。

根據(jù)信息熵基本理論，第i層j個(gè)節(jié)點(diǎn)的小波包能量熵Hij的計(jì)算公式如下：

(4)

2.3 故障電壓特征向量提取

針對(duì)本文仿真系統(tǒng)模型所產(chǎn)生的故障電壓信號(hào)，提取該故障電壓的小波包能量熵的步驟如下：

(1) 電壓信號(hào)采集：通過(guò)搭建的仿真系統(tǒng)模型設(shè)置其故障類(lèi)型，輸出ABC三相的電壓波形，由于系統(tǒng)啟動(dòng)到穩(wěn)定運(yùn)行有一個(gè)過(guò)程，本文中設(shè)置故障的時(shí)間在0.1 s持續(xù)時(shí)間為0.5 s。選取故障發(fā)生前0.05 s到故障發(fā)生后0.5 s作為故障電壓信號(hào)進(jìn)行分析。

(2) 信號(hào)分解：經(jīng)反復(fù)實(shí)驗(yàn)，選用Daubechies系列小波函數(shù)對(duì)故障電壓信號(hào)S進(jìn)行3層分解，一共得到8個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一定的信號(hào)特征。

(3) 信號(hào)重構(gòu)：重構(gòu)小波包分解系數(shù)，根據(jù)式(2)求出各個(gè)頻帶的小波包能量值，并將其按照式(3)進(jìn)行歸一化處理。

(4) 信號(hào)的小波包能量熵：根據(jù)式(4)分別計(jì)算出8個(gè)小波包能量熵。以A相為例，A相電壓信號(hào)的小波包能量熵向量表示為：

TA=[H30,H31,H32,H33,H34,H35,H36,H37]

3 布谷鳥(niǎo)(CS)優(yōu)化神經(jīng)網(wǎng)絡(luò)

權(quán)值和閾值的準(zhǔn)確性決定了BP神經(jīng)網(wǎng)絡(luò)的診斷效果。鑒于CS算法具有全局搜索能力強(qiáng)的優(yōu)點(diǎn)，本文采用CS算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

CS優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的步驟為：

(1) 初始化算法參數(shù)：鳥(niǎo)巢數(shù)量n、異卵發(fā)現(xiàn)率Pa、最大迭代次數(shù)N。每個(gè)鳥(niǎo)巢代表一組權(quán)值和閾值。

初始化種群。隨機(jī)產(chǎn)生n個(gè)鳥(niǎo)巢：

(5)

則初始鳥(niǎo)巢的生成公式為：

Xi=Xmin+ξ(Xmax-Xmin)ξ∈[0,1]

(6)

式中：Xi為第i個(gè)初始鳥(niǎo)巢；Xmin、Xmax分別為個(gè)體上下界；ξ為隨機(jī)數(shù)。

(2) 計(jì)算每個(gè)鳥(niǎo)巢對(duì)應(yīng)的目標(biāo)函數(shù)值f，選出本代最優(yōu)的鳥(niǎo)巢位置并且保留到下一代。對(duì)其他鳥(niǎo)巢位置進(jìn)行更新，將更新后的鳥(niǎo)巢與上一代最好的鳥(niǎo)巢位置作對(duì)比，保留較優(yōu)解。

(3) 隨機(jī)產(chǎn)生服從均勻分布的隨機(jī)數(shù)ε∈[0,1]，與異卵發(fā)現(xiàn)概率Pa進(jìn)行比較。如果ε>Pa，就隨機(jī)建立新的鳥(niǎo)巢；如果ε

本文中BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為6個(gè)，輸出層為3個(gè)節(jié)點(diǎn)，通過(guò)多次測(cè)試，隱含層神經(jīng)元個(gè)數(shù)取10，CS算法參數(shù)設(shè)置如下：鳥(niǎo)巢個(gè)數(shù)n=25，異卵發(fā)現(xiàn)概率Pa為0.25，最大迭代次數(shù)N=1 200。

4 仿真實(shí)驗(yàn)

4.1 實(shí)際電壓波形與仿真電壓波形對(duì)比分析

圖4 A相接地故障電壓波形圖

4.2 故障特征提取

以A相接地故障為例，將提取的故障電壓信號(hào)進(jìn)行三層小波包分解，原始電壓信號(hào)和重構(gòu)后的信號(hào)如圖5所示。

圖5 小波包分解重構(gòu)時(shí)域圖

根據(jù)式(2)、式(3)、式(4)計(jì)算故障電壓信號(hào)各頻段的能量熵，如圖6所示。該小波包分解后故障電壓信號(hào)的能量集中在前兩個(gè)頻段內(nèi)，高頻部分的能量占比較小。

圖6 各頻段的能量熵

4.3 神經(jīng)網(wǎng)絡(luò)構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為6，輸出層為3個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)礦用電力電纜的狀態(tài)參數(shù)。對(duì)每種故障類(lèi)型設(shè)置不同的故障位置、接地電阻，建立200組不同的故障樣本，50組作為測(cè)試樣本，150組作為訓(xùn)練樣本。輸出向量“000”表示正常狀態(tài)，輸出向量“100”表示A相接地故障，輸出向量“010”表示B相接地故障，輸出向量“110”表示AB相間短路故障，輸出向量“001”表示AB接地短路故障，輸出向量“111”表示ABC相間短路故障。神經(jīng)網(wǎng)絡(luò)的部分訓(xùn)練樣本如表1所示。

表1 礦用電纜故障部分訓(xùn)練樣本數(shù)據(jù)

4.4 仿真結(jié)果對(duì)比分析

分別使用BP、PSO-BP、CS-BP三種神經(jīng)網(wǎng)絡(luò)在相同的輸入條件下對(duì)電力電纜的故障類(lèi)別進(jìn)行診斷。三種算法的訓(xùn)練誤差曲線圖如圖7-圖9所示。

圖7 BP的訓(xùn)練誤差曲線

圖8 PSO-BP的訓(xùn)練誤差曲線

圖9 CS-BP的訓(xùn)練誤差曲線

可以看出，在誤差精度為10-7時(shí)，用三種方法均能夠?qū)崿F(xiàn)對(duì)電纜故障進(jìn)行識(shí)別。BP和PSO-BP分別在1 629次和717次迭代后下降到10-7，并且在訓(xùn)練過(guò)程中出現(xiàn)了陷入局部最優(yōu)解的情況。而CS-BP在進(jìn)行355次迭代后，訓(xùn)練誤差降到10-7，具有較好的穩(wěn)定性。

在訓(xùn)練好的CS-BP神經(jīng)網(wǎng)絡(luò)里對(duì)測(cè)試樣本進(jìn)行電力電纜故障診斷，部分測(cè)試結(jié)果如表2所示。由表3所示的診斷結(jié)果對(duì)比可知，CS-BP診斷準(zhǔn)確率最高，對(duì)測(cè)試樣本的診斷準(zhǔn)確率達(dá)到了0.965。

表2 測(cè)試樣本故障診斷結(jié)果

表3 BP、PSO-BP、CS-BP診斷結(jié)果對(duì)比

由以上實(shí)驗(yàn)可以得知：(1) 小波包分析結(jié)合能量熵方法對(duì)礦用電力電纜故障信號(hào)進(jìn)行處理，能夠有效地提取出信號(hào)中的故障信息；(2) 與BP、PSO-BP方法對(duì)比，CS-BP方法能夠?qū)ΦV用電力電纜故障進(jìn)行更準(zhǔn)確的診斷，而且速度快、穩(wěn)定性高。

5 結(jié) 語(yǔ)

針對(duì)礦用電力電纜工作環(huán)境特殊、故障類(lèi)型診斷實(shí)時(shí)性和準(zhǔn)確性不足等問(wèn)題，本文提出了一種基于小波包信息熵和CS-BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)礦用電力電纜進(jìn)行故障診斷。通過(guò)PSCAD/EMTDC對(duì)電纜故障進(jìn)行仿真，采集到的不同故障時(shí)的電壓暫態(tài)波形。將數(shù)據(jù)導(dǎo)入MATLAB中利用小波包信息熵對(duì)故障電壓信號(hào)進(jìn)行分析處理并提取電力電纜的故障信息。針對(duì)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小值、學(xué)習(xí)速率低且收斂速度慢的缺點(diǎn)，提出利用CS算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始閾值和權(quán)值以提高學(xué)習(xí)效率。仿真結(jié)果表明，基于小波包信息熵和CS-BP神經(jīng)網(wǎng)絡(luò)的方法能夠有效地識(shí)別電力電纜的不同故障，且效果優(yōu)于相同條件下的BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)的診斷效果，故障識(shí)別精度較高，對(duì)礦用電力電纜的故障診斷具有一定的工程應(yīng)用和理論研究?jī)r(jià)值。