王 敏,魏玉琪,劉屹江澤
(1.山西潞安集團(tuán)蒲縣黑龍煤業(yè)有限公司,山西 臨汾 041000;2.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧葫蘆島 125000)
煤礦井下供電線(xiàn)路運(yùn)行環(huán)境相對(duì)惡劣,其數(shù)學(xué)模型也具有動(dòng)態(tài)時(shí)變、非線(xiàn)性和高維度等特點(diǎn)[1],在實(shí)際運(yùn)行期間若不及時(shí)處理出現(xiàn)的故障問(wèn)題,很容易導(dǎo)致井下生產(chǎn)系統(tǒng)發(fā)生無(wú)計(jì)劃停電,進(jìn)而增加發(fā)生瓦斯聚集、透水淹井等重大事故的隱患[2]。因此準(zhǔn)確迅速地判斷供電線(xiàn)路的故障類(lèi)型,能夠縮短檢修時(shí)間,從而有效減少由故障帶來(lái)的負(fù)面影響,這對(duì)煤礦企業(yè)的穩(wěn)定生產(chǎn)具有重要意義,直接影響著煤礦企業(yè)生產(chǎn)的安全性與經(jīng)濟(jì)性。
近年來(lái),伴隨著人工智能的進(jìn)一步提高,結(jié)合各種機(jī)器學(xué)習(xí)算法的輸電線(xiàn)路故障類(lèi)型識(shí)別已被普遍應(yīng)用。文獻(xiàn)[3]采用遺傳算法(Genetic Algorithm,GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)構(gòu)建故障識(shí)別模型;文獻(xiàn)[4]采用電流變比系數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function,RBF)進(jìn)行訓(xùn)練來(lái)達(dá)到故障辨識(shí)的目的,上述模型的應(yīng)用雖然對(duì)故障診斷精度有所提高,但仍存在如傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型一般學(xué)習(xí)成本較高的局限性,且當(dāng)數(shù)據(jù)集噪聲較大時(shí)易出現(xiàn)收斂速度慢、過(guò)擬合等缺點(diǎn)。文獻(xiàn)[5]采用電流振幅與支持向量機(jī)(Support Vector Machine,SVM)結(jié)合的方法進(jìn)行故障類(lèi)型識(shí)別,但SVM模型對(duì)其核參數(shù)和懲罰因子的選取有著較高要求,且由于其本身為二分類(lèi)器,對(duì)供電線(xiàn)路多分類(lèi)故障辨識(shí)效果不理想。為此,提出一種改進(jìn)AIA-BP算法的煤礦供電線(xiàn)路故障類(lèi)型識(shí)別方法。
灰色關(guān)聯(lián)理論可以根據(jù)因素之間發(fā)展趨勢(shì)的相似相異程度,為衡量因素間關(guān)聯(lián)程度提供了相應(yīng)的量化的度量[6],由其結(jié)合人工免疫算法Artificial Immune Algorithm,AIA)和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建供電線(xiàn)路故障診斷識(shí)別模型,與上述機(jī)器學(xué)習(xí)方法相比,具有泛化能力強(qiáng)、不易收斂等優(yōu)點(diǎn),比較適用于供電線(xiàn)路的故障識(shí)別。基于此模型期望對(duì)供電線(xiàn)路故障類(lèi)型進(jìn)行精準(zhǔn)判斷,為煤礦企業(yè)的安全穩(wěn)定運(yùn)行提供技術(shù)保障,協(xié)助維修人員及時(shí)進(jìn)行線(xiàn)路搶修,根據(jù)故障類(lèi)型有針對(duì)性地制定維修方案,盡快恢復(fù)供電系統(tǒng)的穩(wěn)定運(yùn)行。
供電線(xiàn)路結(jié)構(gòu)較為復(fù)雜、故障特征不明顯,電力暫態(tài)信號(hào)對(duì)故障類(lèi)型與特征的反映能力優(yōu)于穩(wěn)態(tài)信號(hào),因此從暫態(tài)信號(hào)出發(fā)對(duì)供電線(xiàn)路的故障類(lèi)型進(jìn)行診斷識(shí)別[7-8]。電力暫態(tài)信號(hào)之間的關(guān)聯(lián)程度較高,且包含信息量巨大,信號(hào)特征向量的維度較高,容易受到大量噪聲的干擾,不能故障進(jìn)行直接分類(lèi)[9-10]。小波變換算法是一種時(shí)域-頻域分析方法,具有改變焦距的特性,能通過(guò)平移伸縮的方式對(duì)信息進(jìn)行詳細(xì)分析,在提供豐富特征子集的同時(shí)保持較快的計(jì)算速度,在信號(hào)特征提取與噪聲分離中具有優(yōu)勢(shì)。因此采用小波變換對(duì)電力暫態(tài)信號(hào)中的故障特征向量進(jìn)行提取,提升故障類(lèi)型識(shí)別診斷的精確程度。利用尺度因子a、平移因子τ 的小波函數(shù)對(duì)信號(hào)f(t)進(jìn)行解析,連續(xù)小波函數(shù)為:
式中:t為時(shí)間。
在L2(R)函數(shù)空間下的連續(xù)小波變換函數(shù)為:
對(duì)信號(hào)進(jìn)行重構(gòu),小波逆變換函數(shù)為:
小波變換的容許條件為:
式中ψ(ω)為ψ(t)的傅里葉變換。當(dāng)ψ(t)的傅里葉變換滿(mǎn)足條件時(shí),才能夠使用小波函數(shù)。小波變換函數(shù)利用平移伸縮操作,對(duì)信號(hào)時(shí)域、頻域步長(zhǎng)進(jìn)行分析,從而對(duì)信息的細(xì)節(jié)特征進(jìn)行提取,小波變換各分量始終處于線(xiàn)性一致的狀態(tài),且連續(xù)小波變換函數(shù)在進(jìn)行平移操作時(shí)始終保持不變,在進(jìn)行伸縮操作時(shí)則產(chǎn)生共變反應(yīng),信號(hào)f(t)的小波變換函數(shù)為Wf(a,τ),進(jìn)行平移操作后信號(hào)段f(t-b)的小波變換函數(shù)為Wf(a,τ-b),進(jìn)行伸縮操作后信號(hào)段f(ct)的小波變換函數(shù)為,c >0。
利用小波系數(shù)統(tǒng)計(jì)分析方法對(duì)電力暫態(tài)信號(hào)中的故障特征向量進(jìn)行提取構(gòu)造,對(duì)母線(xiàn)三相電壓進(jìn)行計(jì)算,得到零序電壓u0(t)和三相電流故障分量,即
式中:up(t)和ip(t)分別為故障后首個(gè)工頻周期內(nèi)的電壓及三相電流;p為線(xiàn)路的相別,p =a,b,c;T為工頻周期。
采用標(biāo)幺制下的標(biāo)準(zhǔn)差處理故障分量的構(gòu)造特征值:
式中:n為一個(gè)工頻周期內(nèi)的樣本數(shù),n =200;s為標(biāo)準(zhǔn)差;μ為數(shù)學(xué)期望。
最終可得供電線(xiàn)路故障的四維特征向量:
式中:U0為零序電壓幅值,通過(guò)U0對(duì)是否發(fā)生接地故障進(jìn)行判斷識(shí)別。
AIA算法利用抗原和抗體之間的綁定關(guān)系來(lái)實(shí)現(xiàn)算法中的模式匹配,定義親和力來(lái)表示抗原與抗體、抗體與抗體之間的相似度[11]。在迭代進(jìn)化的過(guò)程中采用免疫抑制的手段進(jìn)行算法冗余解的剔除,實(shí)現(xiàn)對(duì)抗體網(wǎng)絡(luò)的優(yōu)化調(diào)整,利用算子的克隆變異實(shí)現(xiàn)免疫識(shí)別的多樣化,對(duì)抗體網(wǎng)絡(luò)進(jìn)行不斷更新,結(jié)合初始解的變化生成新的解,產(chǎn)生新的抗體集合。AIA 算法利用抗原識(shí)別和抗體從增殖分化到選擇變異等一系列生物免疫流程,在不斷的迭代過(guò)程中對(duì)抗體的親和力進(jìn)行調(diào)節(jié)進(jìn)化,最終使抗體的親和力達(dá)到最高,從而找到算法最優(yōu)解[12-13]。
由抗體與抗原親和力大小,尋找出親和度最高的抗體,利用歐式距離構(gòu)建親和力模型,歸一化處理輸入數(shù)據(jù),使親和力函數(shù)值保持在[0,1]范圍內(nèi)。改進(jìn)后的抗體abi和抗原agj之間的親和力計(jì)算函數(shù)為:
式中:aff為抗原和抗體之間的親和力;n 為樣本數(shù)量;L為向量的維數(shù)。
由于抗原與抗體之間表征距離直觀性較差,抗原和抗體之間的距離與其親和力呈負(fù)相關(guān)。
按照故障基本類(lèi)型構(gòu)成故障域(X1,X2,…,Xn),n為故障域大小,Xi=(xi(1),xi(2),…,xi(s)),i =1,2,…,n,s為參數(shù)維數(shù)。設(shè)樣本向量集為(Y1,Y2,…,Ym),Yj=(yj(1),yj(2),…,yj(s)),j =1,2,…,m。將基本故障域中的故障向量作為特征序列,并在其中加入輸入樣本向量Yj形成系統(tǒng)序列,系統(tǒng)序列的初值像函數(shù)為:
序列差函數(shù)表示如下:
序列差的兩級(jí)最大差M和最小差m函數(shù)表示如下:
關(guān)聯(lián)系數(shù)函數(shù)表示如下:
式中:ξ為分辨率,取值為5。
輸入樣本Yj與Xi的關(guān)聯(lián)度函數(shù)為:
歸一化函數(shù)為:
小電流接地系統(tǒng)在我國(guó)煤礦的供電系統(tǒng)中被廣泛應(yīng)用[15],主要分為中性點(diǎn)不接地與線(xiàn)圈接地兩種接地方式,而供電線(xiàn)路故障主要分為單相接地故障、兩相接地故障和相間短路故障3 種[16]。接地故障主要分為金屬性接地、經(jīng)過(guò)渡電阻接地和間歇性接地,雷擊、絕緣降低、半導(dǎo)電體、外在導(dǎo)電體均可能造成短路故障[17]。利用灰色關(guān)聯(lián)算法計(jì)算輸入訓(xùn)練樣本與故障域中故障狀態(tài)的關(guān)聯(lián)程度,將輸入樣本歸屬為排序第一的故障狀態(tài)類(lèi)型,實(shí)現(xiàn)對(duì)抗原樣本的初始?xì)w類(lèi)處理,利用10 種基本供電線(xiàn)路故障類(lèi)型生成不同類(lèi)型下的初始抗體群Cn,n 為故障類(lèi)型編號(hào),n =A,B,C,D,E,F(xiàn),G,H,I,J。作為一種隨機(jī)搜索算法,AIA算法利用算子的變異保持算法識(shí)別范圍與群體的多樣化,算子變異的變異率直接影響抗體群體的大小與更新情況,從而影響算法最終輸出解的優(yōu)劣[18]。若變異率設(shè)置過(guò)大,龐大的抗體群體會(huì)導(dǎo)致算法模型的穩(wěn)定性降低,使得算法收斂困難,若變異率設(shè)置過(guò)小,則會(huì)導(dǎo)致抗體群體的更新變化不足,算法的識(shí)別范圍減小,使得算法陷入局部收斂的問(wèn)題。傳統(tǒng)AIA 算法直接將變異率設(shè)置為一個(gè)0 ~1 之間的定值,或在每次操作時(shí)將變異率更新為一個(gè)隨機(jī)數(shù),但是固定或隨機(jī)變異率可能會(huì)對(duì)算法的識(shí)別范圍產(chǎn)生負(fù)面效果,導(dǎo)致抗體的利用不充分。因此采用自適應(yīng)更新的方式,將AIA 算法的變異率與親和力聯(lián)系起來(lái),變異率函數(shù)為:
式中:ak為變異率;C為初始抗體群體;NC為初始抗體群體的抗體數(shù)量。
翻轉(zhuǎn)課堂(Flipped classroom)起源于20世紀(jì)末的美國(guó),近年來(lái)在各大院校的教學(xué)實(shí)踐中取得了一系列的進(jìn)展[1,2]。該模式下,教師和學(xué)生的角色定位、師生之間的關(guān)系都發(fā)生了改變。學(xué)生不再是被動(dòng)地接受知識(shí),而需要主動(dòng)去學(xué)習(xí)、積極參與教學(xué)的各個(gè)環(huán)節(jié),成為課堂的主角[3]。
變異率與親和力呈反相關(guān)關(guān)系,親和力的高低決定了看抗體變異的程度,親和力更高的優(yōu)秀抗體的變異程度更小。變異算子函數(shù)為:
式中:C*為進(jìn)化更新后的記憶抗體群。
通過(guò)對(duì)初始抗體Abj和新的變異記憶細(xì)胞的抗體親和力進(jìn)行重新計(jì)算與排序,進(jìn)行AIA算法的選擇操作,得到進(jìn)化后的抗體群中親和力排名前20%的抗體,將其放入抗體群體C1中。通過(guò)免疫抑制的手段對(duì)抗體群體C1中的記憶細(xì)胞的數(shù)量進(jìn)行控制,設(shè)置自然死亡閾值σd使抗體之間產(chǎn)生匹配競(jìng)爭(zhēng),剔除算法中的冗余解,降低算法的運(yùn)算難度。與變異率相同,傳統(tǒng)AIA算法的死亡閾值也是一個(gè)定值,但抗體群體的體積和親和力隨著進(jìn)化過(guò)程的推進(jìn)而不斷擴(kuò)大,固定的死亡閾值容易影響算法的正常識(shí)別,在抗體群體產(chǎn)生的初期和后期導(dǎo)致聚類(lèi)錯(cuò)誤或競(jìng)爭(zhēng)失效的問(wèn)題。因此采用具有自適應(yīng)性的死亡閾值對(duì)算子進(jìn)行死亡抑制,將抗體群體的侵害人力平均值設(shè)置為死亡閾值,死亡閾值函數(shù)為:
可見(jiàn),隨著算法迭代進(jìn)程的推進(jìn),抗體群體的平均親和力不斷提升,以親和力平均值為死亡閾值,實(shí)現(xiàn)免疫抑制的自適應(yīng)變化控制。通過(guò)變異、選擇、死亡抑制一系列的進(jìn)化迭代流程,抗體群體完成更新交替,新的記憶抗體群體產(chǎn)生。
為了對(duì)供電線(xiàn)路故障類(lèi)型進(jìn)行精準(zhǔn)識(shí)別,利用灰色AIA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)優(yōu)化,構(gòu)建灰色AIABP算法的故障識(shí)別模型。在BP 神經(jīng)網(wǎng)絡(luò)架構(gòu)靈活與非線(xiàn)性映射能力的基礎(chǔ)上,結(jié)合灰色AIA算法自我學(xué)習(xí)能力與搜索能力強(qiáng)的特點(diǎn),有效聯(lián)合兩種算法的優(yōu)勢(shì),提升BP神經(jīng)網(wǎng)絡(luò)的診斷性能,實(shí)現(xiàn)對(duì)故障的準(zhǔn)確識(shí)別判斷。BP神經(jīng)網(wǎng)絡(luò)由輸入層、中間層、輸出層構(gòu)成,在輸入層接受外部信息后,通過(guò)各神經(jīng)元向中間層傳輸,對(duì)輸入信息進(jìn)行處理,并向下一層神經(jīng)元作用產(chǎn)生輸出信號(hào)[19],若響應(yīng)輸出結(jié)果與期望結(jié)果之間存在誤差,誤差進(jìn)行逆向傳播反饋,向各神經(jīng)網(wǎng)絡(luò)單元進(jìn)行逐層反傳,若神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果誤差滿(mǎn)足期望大小或達(dá)到最大迭代次數(shù),則終止算法流程。
設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸出層、中間層、輸出層神經(jīng)元的數(shù)量分別為n、p和m,輸入樣本表示為,,輸出樣本表示為,中間層輸入向量uj和輸出向量bj函數(shù)為:
式中:wij為輸入層和中間層的連接權(quán)值;θj為中間層和輸出層的閾值。
輸出層輸入向量lt和輸出向量yt函數(shù)為:
式中:vjt為中間層和輸出層的連接權(quán)值;γt為中間層和輸出層的閾值。
隨機(jī)選取學(xué)習(xí)樣本對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行迭代更新,通過(guò)調(diào)整各個(gè)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接權(quán)值和閾值,使網(wǎng)絡(luò)誤差達(dá)到要求或迭代次數(shù)達(dá)到最大值。傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)采用梯度下降法對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行整定,對(duì)初始向量的敏感度較高,存在一定的局限性,可能導(dǎo)致收斂速度較慢,陷入局部最優(yōu)等情況,影響最終輸出結(jié)果的精度[20]。采用灰色AIA算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值進(jìn)行優(yōu)化調(diào)整,進(jìn)一步提升BP 神經(jīng)網(wǎng)絡(luò)的隨機(jī)全局并行搜索性能。首先利用灰色AIA 算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行尋優(yōu),在全局范圍內(nèi)通過(guò)迭代不斷縮小BP 神經(jīng)網(wǎng)絡(luò)的搜索空間,再利用BP 神經(jīng)網(wǎng)絡(luò)在此空間內(nèi)找到最優(yōu)解,結(jié)合灰色AIA 算法的較強(qiáng)的全局優(yōu)化能力,對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn),有效降低了BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值依賴(lài)過(guò)高問(wèn)題對(duì)最終輸出結(jié)果精度的影響。
為了驗(yàn)證故障類(lèi)型識(shí)別算法模型的有效性,對(duì)模型進(jìn)行仿真診斷實(shí)驗(yàn)。設(shè)置閾值取為0.70,變異率取值為0.5,初始抗體群體數(shù)量為1 000,學(xué)習(xí)速率為0.01,兩種診斷模型對(duì)不同故障類(lèi)型的識(shí)別準(zhǔn)確率如表1 所示。從表中可以看出,基于傳統(tǒng)AIA 算法的BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)供電線(xiàn)路故障的平均診斷識(shí)別率為85.44%,經(jīng)過(guò)灰色關(guān)聯(lián)算法的優(yōu)化改進(jìn),基于灰色AIA 算法的BP 神經(jīng)網(wǎng)絡(luò)模型的平均診斷識(shí)別率為96.81%,相比于傳統(tǒng)AIA算法提升了11.37%。從識(shí)別結(jié)果中可以明顯看出,利用灰色關(guān)聯(lián)算法進(jìn)行樣本初始處理,對(duì)傳統(tǒng)AIA 算法加以約束優(yōu)化,有效提升了算法初始抗體群體的質(zhì)量,優(yōu)化了算法的收斂性和運(yùn)算效率,使基于灰色AIA 算法的BP神經(jīng)網(wǎng)絡(luò)具有更高的故障診斷識(shí)別準(zhǔn)確率。
表1 傳統(tǒng)AIA-BP模型和灰色AIA-BP模型的識(shí)別準(zhǔn)確率%
為了克服BP 神經(jīng)網(wǎng)絡(luò)容易過(guò)早收斂的局限性,利用灰色AIA 算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)。使用單一BP神經(jīng)網(wǎng)絡(luò)模型與基于灰色AIA算法的BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型分別進(jìn)行仿真故障診斷實(shí)驗(yàn),以驗(yàn)證灰色AIA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)在故障診斷識(shí)別中的優(yōu)化性和可行性,兩種模型的故障診斷識(shí)別誤差情況如圖1 所示。由圖可知,使用單一BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行供電線(xiàn)路故障診斷識(shí)別的識(shí)別誤差率相對(duì)較高,單一BP 神經(jīng)網(wǎng)絡(luò)模型的平均識(shí)別誤差率為9.69%,其中最大識(shí)別誤差率為11.87%。而結(jié)合灰色AIA算法的BP神經(jīng)網(wǎng)絡(luò)模型的平均識(shí)別誤差率為3.22%,相較于單一BP 神經(jīng)網(wǎng)絡(luò)模型降低了6.47%,其中最大識(shí)別誤差率為4.97%,與單一模型相比降低了4.72%。利用灰色AIA 算法縮小BP 神經(jīng)網(wǎng)絡(luò)的最優(yōu)解求解空間,有效提升了傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和收斂速度,增強(qiáng)了BP 神經(jīng)網(wǎng)絡(luò)的搜索性能。利用基于灰色AIA 算法的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行供電線(xiàn)路故障診斷識(shí)別的識(shí)別誤差更小,灰色AIA 算法的加入有效提升了識(shí)別模型的診斷精準(zhǔn)度。
圖1 模型的識(shí)別誤差
為了驗(yàn)證基于灰色AIA 算法的BP 神經(jīng)網(wǎng)絡(luò)故障診斷識(shí)別模型的實(shí)用性和可行性,利用結(jié)合GA 算法和SVM的故障識(shí)別模型、RBF 神經(jīng)網(wǎng)絡(luò)故障識(shí)別模型與所構(gòu)建的基于灰色AIA 算法的BP 神經(jīng)網(wǎng)絡(luò)故障診斷識(shí)別模型進(jìn)行診斷仿真實(shí)驗(yàn)對(duì)比,3 種模型的仿真診斷實(shí)驗(yàn)結(jié)果如圖2 所示。從圖中可以看出,與基于GA 算法和SVM的識(shí)別模型、RBF神經(jīng)網(wǎng)絡(luò)識(shí)別模型相比,基于灰色AIA算法的BP 神經(jīng)網(wǎng)絡(luò)故障診斷識(shí)別模型在識(shí)別準(zhǔn)確率上具有顯著優(yōu)勢(shì),識(shí)別精準(zhǔn)度和穩(wěn)定性較好,識(shí)別準(zhǔn)確率均保持在92%以上。經(jīng)過(guò)灰色關(guān)聯(lián)算法、AIA 算法的優(yōu)化改進(jìn),BP神經(jīng)網(wǎng)絡(luò)故障診斷識(shí)別模型的識(shí)別精準(zhǔn)度顯著提升,能有效對(duì)供電線(xiàn)路故障的故障類(lèi)型進(jìn)行準(zhǔn)確識(shí)別判斷,且識(shí)別模型穩(wěn)定性較好,誤差波動(dòng)較小。
圖2 三種模型的故障樣本識(shí)別準(zhǔn)確率
3 種模型對(duì)不同供電線(xiàn)路故障類(lèi)型的診斷識(shí)別對(duì)比如圖3 所示。由圖可知,所構(gòu)建的基于灰色AIA算法的BP 神經(jīng)網(wǎng)絡(luò)故障診斷識(shí)別模型具有明顯的準(zhǔn)確性?xún)?yōu)勢(shì),對(duì)不同故障類(lèi)型的平均識(shí)別準(zhǔn)確率達(dá)到了96.81%?;贕A算法和SVM 的故障識(shí)別模型的平均識(shí)別準(zhǔn)確率為82.49%,RBF神經(jīng)網(wǎng)路故障識(shí)別模型的平均識(shí)別準(zhǔn)確率為74.82%,基于灰色AIA算法的BP神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率相較其他兩種算法分別提升了14.32%和21.99%,有效提升了識(shí)別模型的故障類(lèi)型判斷精準(zhǔn)度。
圖3 3 種模型故障類(lèi)型識(shí)別的對(duì)比
本文利用小波變換算法進(jìn)行暫態(tài)信號(hào)的特征提取,有效排除了干擾噪聲的影響。充分結(jié)合改進(jìn)的灰色AIA算法的優(yōu)勢(shì)功能,對(duì)BP 神經(jīng)網(wǎng)路故障診斷模型進(jìn)行自適應(yīng)性調(diào)整,縮小最優(yōu)解搜索空間,有效提升了BP 神經(jīng)網(wǎng)絡(luò)的運(yùn)行效率和性能。構(gòu)建了改進(jìn)的自適應(yīng)灰色AIA算法和BP 神經(jīng)網(wǎng)絡(luò)供電線(xiàn)路故障類(lèi)型診斷識(shí)別模型,增強(qiáng)了故障診斷模型的故障類(lèi)型精確識(shí)別能力。
供電線(xiàn)路故障具有較高的復(fù)雜度,在實(shí)際工況的診斷識(shí)別中很難找到具有廣泛適用性的固定閾值。基于灰色AIA算法的BP神經(jīng)網(wǎng)絡(luò)供電線(xiàn)路故障類(lèi)別識(shí)別模型的平均識(shí)別準(zhǔn)確率為96.81%,體現(xiàn)了在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合灰色關(guān)聯(lián)算法和AIA算法的優(yōu)勢(shì),辨識(shí)度優(yōu)于同類(lèi)故障辨識(shí)模型,為煤礦供電系統(tǒng)的安全穩(wěn)定運(yùn)行提供科學(xué)支撐,對(duì)供電線(xiàn)路的安全保障具有重要的實(shí)用意義。