基于小波包和CS-BP神經(jīng)網(wǎng)絡的礦用電力電纜故障診斷

郭秀才 劉冰冰 王力立

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

0 引 言

我國煤礦開采一般都存在用電負荷大、工作環(huán)境潮濕、井下存在瓦斯和煤塵等特點，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，嚴重時可能會發(fā)生瓦斯爆炸等重大安全事故。我國煤礦井下供電系統(tǒng)普遍采用小電流接地系統(tǒng)，而實際情況表明，當系統(tǒng)發(fā)生單相故障后，三相線電壓仍然保持對稱，不會影響供電，可帶故障持續(xù)運行兩小時，但是當接地電流超過上限值時，非常容易產(chǎn)生間歇性電弧從而產(chǎn)生弧光過電壓進而引起其他故障(如相間短路等)，使繼電保護器動作導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)測法，由于離線法需在停電的情況下監(jiān)測，所以不適用煤礦電力電纜的故障診斷[2]。

國內(nèi)外許多學者利用在線監(jiān)測法，提取電纜故障暫態(tài)行波信號作為故障診斷的依據(jù)[3-7]。文獻[8]提取故障零序電流信號，結(jié)合信息熵和小波包分解實現(xiàn)故障診斷。文獻[9]提取電纜故障電壓信號，利用小波分析和神經(jīng)網(wǎng)絡來實現(xiàn)電纜不同故障的診斷。運用BP神經(jīng)網(wǎng)絡進行故障診斷，存在速度慢、易陷入局部最優(yōu)的缺點。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)絡算法對礦下電纜進行故障診斷。粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(PSO-BP)不僅結(jié)構簡單而且精度比較高，但是也會面臨陷入局部最優(yōu)的缺點；遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡可以改進易陷入局部最優(yōu)的缺點，但是存在收斂時間長、尋優(yōu)速度慢的弊端。王紅君等[11]利用布谷鳥算法(CS)優(yōu)化BP神經(jīng)網(wǎng)絡對小波去噪后的風電齒輪箱故障震動信號進行診斷。

針對上述問題，將小波包分析與布谷鳥優(yōu)化BP神經(jīng)網(wǎng)絡方法結(jié)合起來進行礦用電力電纜故障診斷。利用CS算法收斂速度快、全局搜索能力強的特點對BP神經(jīng)網(wǎng)絡進行優(yōu)化，克服了單一神經(jīng)網(wǎng)絡收斂速度慢和易陷入局部最優(yōu)的缺點。將優(yōu)化后的BP神經(jīng)網(wǎng)絡應用于礦用電力電纜故障診斷領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，均由多級短電纜組成，各級電纜間長度多為300～3 000 m，所以該系統(tǒng)設有3條饋線，電纜的長度分別為1 893 m、3 206 m和3 300 m，三條線路上的負載均相同。變壓器為110 kV/35 kV，中性點為消弧線圈接地。電力系統(tǒng)通常采用過補償方式，過補償度一般取8%～10%，本文選取過補償度為8%，經(jīng)過計算得消弧線圈L=4.18 mH，消弧線圈電阻值取電抗值的3%，R≈80 Ω。

設置第一條電纜線路為故障線路，由于仿真啟動后在一段時間內(nèi)才能達到穩(wěn)態(tài)，所以故障開始時間設為0.1 s。在系統(tǒng)運行穩(wěn)定后，將故障持續(xù)時間設為0.3 s。電纜正序參數(shù)設置為：R1=0.041 Ω/km，L1=0.192 mH/km，C1=0.403 μF/km，零序參數(shù)設置為：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置為故障線路，其他線路保持正常運行狀態(tài)。第一條線路由兩段電纜組成，在兩段電纜之間設置故障點，分別改變兩段電纜的長度，即可實現(xiàn)對不同距離故障點的模擬仿真[12]。

1.2 電纜模型

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

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

圖2 電纜參數(shù)設置

2 故障特征提取

為了能夠準確快速地診斷出礦用電力電纜的故障類型，減少煤礦供電系統(tǒng)的安全隱患，就需要對原始數(shù)據(jù)進行預處理，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，把復雜的原始數(shù)據(jù)信號轉(zhuǎn)換成低維的特征向量，為故障診斷提供更準確的依據(jù)。礦用電力電纜在故障發(fā)生時，故障電壓波形會發(fā)生突變，所以對信號突變點的監(jiān)測十分重要。小波包分析的時頻分辨率高，適用于瞬變信號、非平穩(wěn)信號的分析[13]。因此，本文使用小波包分析技術實現(xiàn)對礦用電力電纜故障信號的特征提取，并構造特征向量作為分類器的輸入。

2.1 小波包分析

本文系統(tǒng)仿真采用中性點經(jīng)消弧線圈接地的運行方式，電力電纜發(fā)生故障時，故障電壓包含低頻分量和高頻的暫態(tài)分量。將故障電壓信號進行小波包分解，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頻分辨率，它不僅對信號的低頻部分進行分解，還對信號的高頻部分進行更精細的分解，使更加細節(jié)的信號特征顯示出來。礦用電力電纜的每種故障電壓波形都具有各自的時頻特征，經(jīng)過小波分解后各個頻帶的能量不同，所以可以選擇小波包分解后的各個節(jié)點的能量熵作為故障特征向量。

小波包其實是同時對兩個子函數(shù)空間進行分解，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 小波包能量熵計算

由信息熵理論可知，信息熵最小時，表明系統(tǒng)穩(wěn)定運行；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(原始信號)S的i層小波包分解序列為Sij(j=1,2,…,2i-1)，設在第i層j節(jié)點小波包分解系數(shù)序列Sij的能量為Ei1,Ei2,…,Eij。每一段的信號能量值計算如下：

(2)

式中：Dij為Sij的小波系數(shù)。

對每一段的信號能量值進行歸一化處理，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個節(jié)點的小波包能量熵Hij的計算公式如下：

(4)

2.3 故障電壓特征向量提取

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

(1) 電壓信號采集：通過搭建的仿真系統(tǒng)模型設置其故障類型，輸出ABC三相的電壓波形，由于系統(tǒng)啟動到穩(wěn)定運行有一個過程，本文中設置故障的時間在0.1 s持續(xù)時間為0.5 s。選取故障發(fā)生前0.05 s到故障發(fā)生后0.5 s作為故障電壓信號進行分析。

(2) 信號分解：經(jīng)反復實驗，選用Daubechies系列小波函數(shù)對故障電壓信號S進行3層分解，一共得到8個節(jié)點，每個節(jié)點代表一定的信號特征。

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

(4) 信號的小波包能量熵：根據(jù)式(4)分別計算出8個小波包能量熵。以A相為例，A相電壓信號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(CS)優(yōu)化神經(jīng)網(wǎng)絡

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

CS優(yōu)化BP神經(jīng)網(wǎng)絡的步驟為：

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

初始化種群。隨機產(chǎn)生n個鳥巢：

(5)

則初始鳥巢的生成公式為：

Xi=Xmin+ξ(Xmax-Xmin)ξ∈[0,1]

(6)

式中：Xi為第i個初始鳥巢；Xmin、Xmax分別為個體上下界；ξ為隨機數(shù)。

(2) 計算每個鳥巢對應的目標函數(shù)值f，選出本代最優(yōu)的鳥巢位置并且保留到下一代。對其他鳥巢位置進行更新，將更新后的鳥巢與上一代最好的鳥巢位置作對比，保留較優(yōu)解。

(3) 隨機產(chǎn)生服從均勻分布的隨機數(shù)ε∈[0,1]，與異卵發(fā)現(xiàn)概率Pa進行比較。如果ε>Pa，就隨機建立新的鳥巢；如果ε

本文中BP神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)為6個，輸出層為3個節(jié)點，通過多次測試，隱含層神經(jīng)元個數(shù)取10，CS算法參數(shù)設置如下：鳥巢個數(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 仿真實驗

4.1 實際電壓波形與仿真電壓波形對比分析

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進行三層小波包分解，原始電壓信號和重構后的信號如圖5所示。

圖5 小波包分解重構時域圖

根據(jù)式(2)、式(3)、式(4)計算故障電壓信號各頻段的能量熵，如圖6所示。該小波包分解后故障電壓信號的能量集中在前兩個頻段內(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)絡構建

BP神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)為6，輸出層為3個節(jié)點，分別對應礦用電力電纜的狀態(tài)參數(shù)。對每種故障類型設置不同的故障位置、接地電阻，建立200組不同的故障樣本，50組作為測試樣本，150組作為訓練樣本。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)絡的部分訓練樣本如表1所示。

表1 礦用電纜故障部分訓練樣本數(shù)據(jù)

4.4 仿真結(jié)果對比分析

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

圖7 BP的訓練誤差曲線

圖8 PSO-BP的訓練誤差曲線

圖9 CS-BP的訓練誤差曲線

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

在訓練好的CS-BP神經(jīng)網(wǎng)絡里對測試樣本進行電力電纜故障診斷，部分測試結(jié)果如表2所示。由表3所示的診斷結(jié)果對比可知，CS-BP診斷準確率最高，對測試樣本的診斷準確率達到了0.965。

表2 測試樣本故障診斷結(jié)果

表3 BP、PSO-BP、CS-BP診斷結(jié)果對比

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

5 結(jié) 語

針對礦用電力電纜工作環(huán)境特殊、故障類型診斷實時性和準確性不足等問題，本文提出了一種基于小波包信息熵和CS-BP神經(jīng)網(wǎng)絡的方法對礦用電力電纜進行故障診斷。通過PSCAD/EMTDC對電纜故障進行仿真，采集到的不同故障時的電壓暫態(tài)波形。將數(shù)據(jù)導入MATLAB中利用小波包信息熵對故障電壓信號進行分析處理并提取電力電纜的故障信息。針對BP神經(jīng)網(wǎng)絡易陷入局部極小值、學習速率低且收斂速度慢的缺點，提出利用CS算法優(yōu)化BP神經(jīng)網(wǎng)絡初始閾值和權值以提高學習效率。仿真結(jié)果表明，基于小波包信息熵和CS-BP神經(jīng)網(wǎng)絡的方法能夠有效地識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)絡和PSO-BP神經(jīng)網(wǎng)絡的診斷效果，故障識別精度較高，對礦用電力電纜的故障診斷具有一定的工程應用和理論研究價值。