基于IDT-SAE-ELM的煤礦電纜短路故障識別方法

摘" 要：針對現有方法無法有效提取煤礦電纜短路故障深層特征而導致故障識別準確率和類型判定精度低的問題，提出了一種基于IDT-SAE-ELM的短路故障識別方法。首先采用IDT技術對傳統SAE模型進行改進，以提高其高效捕獲故障樣本深層特征的能力；然后利用Adam算法優化IDT-SAE模型參數，實現了從原始電流信號自動獲取短路故障特征量；最后利用ELM模型替代Softmax構造故障分類器，以提高SAE模型對特征差異性小的故障類型辨識能力，實現對煤礦電纜短路故障的識別與類型的智能判定。以煤礦電網實際參數進行短路故障仿真，分別利用Loss曲線與T-分布隨機近鄰嵌入算法可視化分析所提方法的抗過擬合能力與短路故障深層特征挖掘能力，采用準確率和精度對所提方法進行評價，結果表明：所提方法相較于傳統SAE具有

更好的故障特征提取能力和抗過擬合能力；所提方法對電纜短路故障的識別準確率穩定在99%左右，相較于RF、BPNN、ELM等人工智能方法，準確率分別提高了7.47%、5.82%、5.42%；

在嚴重噪聲干擾下，所提方法短路故障識別準確率始終保持在98.75%以上，有效提高了煤礦電纜短路故障識別準確率和類型判定精度，能夠為越級跳閘原因判別、短路事故的分析與處理提供重要依據。關鍵詞：煤礦；短路故障；堆棧自編碼器；極限學習機；Dropout集成技術

中圖分類號：TM 769

文獻標志碼：A

文章編號：1672-9315（2024）06-1205-13

DOI：10.13800/j.cnki.xakjdxxb.2024.0618開放科學（資源服務）標識碼（OSID）：

收稿日期：

2024-06-

13

基金項目：

國家自然科學基金項目（52074213）

通信作者：

王清亮，女，山西運城人，博士，教授，E-mail：738423403@qq.com

Identification method for short-circuit fault in coal mine

cable based on IDT-SAE-ELM

WANG Qingliang1，2，LI Hongpu1，2，LI Shuchao1，2，WANG Weifeng3

（1.College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China；

2.Xi’an Key Laboratory of Electrical Equipment Condition Monitoring and Power Supply Security，

Xi’an University of Science and Technology，

Xi’an 710054，China；

3.College of Safety Science and Engineering，Xi’an University of Science and Technology，Xi’an 710054，China）

Abstract：

A short-circuit fault recognition method based on IDT-SAE-LM was proposed to address the problem of low accuracy in fault identification and type determination due to the inability of existing methods to effectively extract deep features of coal mine cable short-circuit faults.Firstly，the traditional SAE model was improved by IDT technology to enhance its ability to efficiently capture the deep features of fault samples.Then，the Adam algorithm was used to optimize the IDT-SAE model parameters，and the short-circuit fault feature quantity was automatically obtained from the original current signal.Finally，the ELM model was used to replace Softmax to construct the fault classifier，so as to improve the ability of SAE model to identify the fault type with small feature difference，and realize the identification and type intelligent judgment of coal mine cable short-circuit fault.The short-circuit fault simulation was carried out with the actual parameters of the coal mine power grid.The Loss curve and the T-distributed random neighbor embedding algorithm were used to visually analyze the anti-overfitting ability and the deep feature mining ability of the short-circuit fault of the proposed method.The accuracy and precision were used to evaluate the proposed method.The results show that ： Compared with the traditional SAE model，the proposed method has better fault feature extraction ability and anti-overfitting ability;Compared with artificial

intelligence methods such as RF，BPNN，and ELM，the accuracy is improved by 7.47%，5.82%，and 5.42%，respectively.Compared with the traditional SAE method，the accuracy is improved by about 11%.Under severe noise interference，the accuracy of short-circuit fault identification in this method is always above 98.75%，which effectively improves the accuracy of

short-circuit fault identification and type determination of coal mine cables，and can provide an important basis for the identification of override trip causes and the analysis and treatment of short-circuit accidents.

Key words：coal mine；short circuit fault；stack auto-encoder；extreme learning machine；integrated dropout technology

0" 引" 言

電纜短路是煤礦電網中危害嚴重、發生頻次較高的電氣故障。受礦井惡劣電磁環境以及企業電能質量不高等影響，使得煤礦電纜短路類型多，故障特性具有較強非線性、不穩定性和分散性特點，電氣擾動強烈，導致短路故障識別及其類型判定困難，易造成保護出現越級跳閘或拒動現象［1-4］，越級跳閘后故障排查困難，已成為煤礦供電安全的突出問題，因而如何提高短路故障識別準確率及短路類型判定精度是解決上述問題的關鍵。

針對煤礦電纜短路故障識別及類型判定，早期多采用閾值法，其中穩態量閾值法依據三相短路電流值來判斷是否發生短路，利用兩相短路電流是三相短路電流的3/2倍來判定短路類型，但只適用于金屬型短路故障的判別，且易受故障位置、過渡電阻和故障相角影響，誤判率高［5-6］。暫態量閾值法提取短路電流暫態特征，通過多閾值來提高短路類型判定精度，適用于阻抗型和金屬型短路識別，但對伴有電弧的不穩定短路故障判別效果較差［7-9］。上述方法屬于非智能化方法，需預先設定閾值，泛化性能差，是導致短路故障識別準確率及類型判定精度較低的主要原因。

隨著智慧礦山技術的快速發展，礦井保護裝置、井下配電子站能夠獲取豐富且精度較高的故障采樣數據，為人工智能方法奠定了應用基礎［10］。現有研究發現，利用人工智能方法可有效提高短路故障識別的準確率，TORRES等將故障電流幅值及頻譜輸入人工神經網絡實現短路故障識別及其類型判定［11］，謝國民等提取三相電壓的模分量，利用極限學習機（Extreme Learning Machine，ELM）判定短路類型［12］；楊杰等將電流能量相對熵與零序電流能量和作為特征，采用隨機森林算法判定短路故障類型［13］。以上方法需憑借先驗知識進行輸入特征量的人工選取，故難以獲取短路故障的深層特征，雖可辨識出非平穩性質的短路故障，但無法準確識別與短路故障特性相似的強電氣擾動。

深度學習方法以其強大的非線性表示和數據挖掘能力，可實現對電纜短路故障特征的自動提取，解決了上述方法需根據先驗知識選擇特征量和無法挖掘深層特征的不足。目前，用于故障識別的深度學習方法主要有卷積神經網絡［14］、長短期記憶網絡［15］、堆棧自編碼器（Stacked Auto-Encoder，SAE）［16-17］、深度置信網絡［18］和循環神經網絡［19］等。其中卷積神經網絡、長短期記憶網絡結構復雜，待調參數較多且對噪聲較為敏感；深度置信網絡對模型超參數設置要求較高，需采用逐層貪婪訓練方式，導致模型訓練困難；循環神經網絡在處理長序列數據時易造成特征信息丟失，上述方法不適合對具有強非線性、不穩定性和強分散性特征的煤礦電纜短路故障進行識別。而SAE通過對無標簽的原始故障數據重構來增強和自動提取核心特征，在處理含有噪聲的時序數據時性能優越，其網絡結構簡單，訓練參數較少，適合于對煤礦電纜短路進行識別。但由于煤礦電網重型負載集中，負荷啟停頻繁，用電環境惡劣，導致故障數據測試集與訓練集往往存在較大差異，使得SAE模型存在過擬合風險［20］，會出現訓練集上短路故障分類效果良好而在測試時準確率降低的問題。

深度學習方法在解決分類問題時通常采用Softmax分類器［21］，Softmax是基于概率原理進行分類，會強化最大特征值弱化其他特征影響，對特征差異性較小的故障類型識別效果較差。為克服Softmax存在的不足，田鵬飛等將支持向量機作為分類器，實現輸電線路故障識別［22］，但支持向量機只適用于二分類問題，而ELM模型具有良好的非線性擬合能力，對故障數據的自學習能力強，適合對特征差異性較小的短路故障類型進行辨識。

為此，文中提出一種基于IDT-SAE-ELM的煤礦電纜短路故障識別方法，采用Dropout集成技術（Integrated Dropout Technology，IDT）來強化SAE特征表達能力，并利用Adam算法優化IDT-SAE模型參數，實現煤礦電纜短路深層故障特征自動提取，同時又避免了過擬合風險；利用具有自學習能力的ELM模型替代Softmax進行分類器構造以提高短路故障識別及類型判別的準確性；所提方法作為現有短路保護的遠后備，可嵌入井下配電子站或上位機監控系統，為越級跳閘原因判別、短路故障排查及快速恢復供電提供科學依據。

1" SAE深度學習模型及改進

1.1" SAE深度學習模型

SAE模型通過多層網絡結構降低故障數據維度，將高維數據映射為簡單特征序列并在輸出層中重構，從而學習到原始輸入量深層特征［23-24］。SAE工作原理如圖1所示。

一個n維樣本數據x=［x1，x2，…，xn］T，經編碼器得到其特征映射

h=［h1，h2，…，hn］T

，再由解碼器將h

解析為x

的重構向量

h=ge（ω·x+b）

（1）

=gd（·h+）

（2）

式中" ω，b分別為輸入層與隱含層之間的權值與偏置；

，分別為隱含層與輸出層之間的權值與偏置；ge（·），gd（·）分別為編碼、解碼過程激活函數。采用ReLU激活函數如下

f（xn）=xn，xngt;00，xn≤0

（3）

SAE通過最小化損失函數J（θ）來調整模型結構中的參數［25］，其計算公式如下

J（θ）=1n∑ni=1（n－xn）2

（4）

式中" θ=（ω，b）。

SAE深度學習模型以端對端的訓練方式從原始故障數據中自動提取故障特征，其結構主要包括數據預處理、特征自動提取與分類器構建3部分，其模型如圖2所示。

將原始故障數據進行預處理后輸入模型，經編碼環節自動提取短路故障的深層特征，利用分類器對短路故障及其故障類型進行判別。但SAE深度學習模型在訓練集與測試集數據存在差異時會出現過擬合風險，導致其對煤礦電纜短路故障識別準確率與類型判定精度降低。

1.2" IDT-SAE深度學習模型

IDT技術具有在緩解網絡過擬合的同時加強捕獲樣本更多深層特征的能力，能夠區分特征差異較小的故障類型，故文中采用IDT技術對SAE深度學習模型進行改進，以避免SAE模型過擬合風險，進而提高煤礦電纜短路故障識別準確率與短路類型判定精度。IDT技術原理如圖3所示。

將SAE深度學習模型的第1個隱含層擴展為3個含相同神經元個數的隱含層，分別采用Dropout進行隨機失活，每個Dropout層具有單獨的失活率。圖3中3個隱含層1與集成層的神經元激活值可表示為

r1=M1·ReLU（ω1x+b1）

r2=M2·ReLU（ω2x+b2）

r3=M3·ReLU（ω3x+b3）

=r1+r2+r3

（5）

式中" r1，r2，r3分別為不同失活率下3個隱含層1的神經元節點激活值；

為集成層神經元的激活值；Mi（i=1，2，3）為隱含層掩膜矩陣；ωn，bn（n=1，2，3）分別對應3個隱含層1的權值與偏置。

此時，圖3中的集成層輸出為3條分支網絡的特征融合信息，即

h（1）=h（1）1+h（1）2+h（1）3

（6）

式中" h（1）為集成層輸出特征；h（1）1，h（1）2，h（1）3為集成層內3個隱含層1經隨機失活后的輸出特征。

改進后的SAE深度學習模型通過多分支網絡結構實現多級特征融合以增強故障核心特征，強化了SAE模型的特征自動提取能力，能顯著提高短路識別準確率及故障類型判定精度。

2" 模型輸入量選取與特征自動提取

2.1" 短路故障特性

煤礦電纜短路故障按類型可劃分為兩相短路、兩相接地短路與三相短路，其中兩相短路類型包括AB、AC、BC，兩相接地短路類型包括ABG、ACG、BCG。由于電纜極易受外力作用造成絕緣性能整體下降形成隱蔽性傷點，因而短路多伴有弧光現象，故障特性分散，上述6種故障類型又分別包括阻抗型與弧光型短路。

煤礦電纜典型短路故障和電氣擾動信號的電流波形如圖4所示。為了體現不同故障類型電流之間的差異性，圖4中縱坐標電流值以三相金屬性短路電流為基準進行歸一化處理。

從圖4可以看出，兩相短路電流是三相短路電流的3/2倍，但當考慮過渡電阻影響時，兩者并不滿足3/2倍關系；伴有弧光的短路故障特性具有高度非線性與不穩定性；電能質量下降時，短路電流畸變率明顯，不再保持正弦特性；大功率電機啟動電流、變壓器勵磁涌流接近短路電流水平。可見煤礦電纜短路故障類型的多樣性和強非線性，易與強電氣擾動造成混淆，為短路故障識別及類型判定帶來了困難，為此文中借鑒深度學習思想來解決此問題。

2.2" 模型輸入量選取

電纜短路暫態過程含有大量故障信息，但持續時間短，故障特征提取困難，短路穩態過程雖持續時間長，但特征分散性強，難以獲取普適性特征。由于煤礦在各段電纜首端均裝設有相電流互感器與零序電流互感器，三相電流與零序電流信號易于獲取。因此，文中直接采用三相原始故障電流及零序電流作為模型輸入量，信號窗寬設為故障前、后各一周期。

利用Min-Max方法［26］對原始故障數據進行歸一化，將歸一化的數據排列形成故障樣本

=ia，ib，ic，i0。歸一化公式為

i^=i－iminimax－imin

（7）

式中" i，imax，imin分別為原始電流信號以及其中的最大、最小值，A；i^為歸一化的電流數據。

2.3" 故障特征自動提取

歸一化后的故障電流數據輸入IDT-SAE模型可自動提取故障數據所蘊含的深層特征，如圖5所示。圖5中TIC（Transformer Inrush Current）代表變壓器勵磁涌流，MSC（Motor Starting Current）代表

電機啟動電流，ASC（Arc Short-Circuit）代表弧光短路。

圖5所示的故障深層特征屬于抽象性特征，雖然沒有明確的物理含義，但其包含了故障電流沖擊值、有效值、衰減時間、相位差異、頻譜等特征信息，綜合了暫態和穩態的全部特征。由此可見，改進SAE深度學習模型有效解決了傳統人工智能法和閾值法難以提取短路故障深層特征的問題。

3" 基于ELM的故障分類器構造

為了充分保留與擴大深層特征之間的差異性，并提高SAE深度學習模型分析深層特征與故障類型間關系的能力，采用ELM模型對傳統Softmax分類器進行替換，以提高對煤礦電纜短路故障的識別準確率和類型判定精度。

ELM是一種快速精確的單隱層前饋神經網絡，具有良好的非線性映射能力，對故障數據的學習能力強［27］。典型的ELM模型結構如圖6所示。

定義hi=hi1，hi2，…，hinT為IDT-SAE模型自動提取的電纜故障特征；ti=［ti1，ti2，…tim］T為故障類型標簽。ELM數學模型表示為

∑Li=1βig（ωi·hj+bi）=tj;j=1，2，…，N

（8）

式中" L為隱含層節點個數；ωi為第i個隱含節點與輸入層節點之間的權值；bi為隱含層第i個節點的偏置；βi為第i個隱含節點與輸出層節點之間的權值；g（·）為激活函數。使用Sigmoid函數作為ELM隱含層神經元的激活函數，其表達式為

f（hin）=11+e－hin

（9）

將式（8）記為矩陣形式

Hβ=T

（10）

式中" H為隱含層輸出矩陣；β為輸出層權值矩陣；T為目標數據輸出矩陣，即

H=g（ω1·h1+b1）…g（ωL·h1+bL）g（ω1·hN+b1）…g（ωL·hN+bL）

（11）

通過最小化近似平方差來求解目標函數

min‖Hβ－T‖2

（12）

由此可推導出式（12）的最優解為

β*=H+T

（13）

式中" H+為H的Moore-Penroes廣義逆矩陣。

綜上，基于ELM模型構建的故障分類器解決

了傳統Softmax分類器對特征差異性較小的短路故障類型判定效果不佳的問題。

4" IDT-SAE-ELM短路故障識別方法

基于IDT-SAE-ELM的煤礦電纜短路故障識別方法的結構與原理如圖7所示，圖7中綠色箭頭表示Dropout技術的集成過程。

4.1" 模型參數選取

學習率是影響IDT-SAE深度學習模型的重要超參數［28］。自適應學習率Adam算法通過計算梯度的一階和二階矩估計，保證不同參數具有單獨的自適應學習率，能夠加快模型的收斂速度。因此文中采用Adam算法對模型參數進行優化，其公式為

gt=θJ（θ）mt=β1mt－1+（1－β1）gt，vt=β2vt－1+（1－β2）g2t

t=mt1－βt1，t=vt1－βt2，αt=αt+C

（14）

式中" gt為第t次迭代的參數梯度；mt和vt分別為第t次迭代的一階矩和二階矩；β1和β2均為矩估計衰減率；t和t分別為第t次迭代的一階矩估計和二階矩估計；α為初始學習率；αt為第t次迭代的學習率；C為常數，以避免分母為0。一般取β1=0.9，β2=0.999，α=0.001，C=10－8。

通過枚舉法［29］對模型隱含層層數、神經元個數與Dropout失活率等參數進行設置，模型結構為：IDT-SAE設置3層編碼環節，包括1個輸入層，1個集成層和2個隱含層。輸入層神經元個數與故障樣本維度相同，集成層中3個隱含層1的神經元個數均為128，分別對應失活率為0.2，0.3，0.5的Dropout層，隱含層2與隱含層3的神經元個數分別為64，32。ELM分類器的輸入層、隱含層、輸出層的神經元個數分別為32，350，10。

4.2" 模型建立與應用

所提IDT-SAE-ELM模型的建模與應用如圖8所示。

從圖8可以看出，模型訓練階段包括正向傳播和反向傳播2個過程。故障數據正向傳播時，若實際輸出未收斂于設定誤差范圍，則進行誤差反向傳播，模型權值與偏置基于自適應學習率進行調整后再次正向傳播，直至實際輸出與期望輸出保持在允許誤差范圍內，建模過程即可完成。

應用模型時，將采集到的故障電流數據按式（7）歸一化處理后進行排列拼接，分為訓練集與測試集，利用訓練集數據調試IDT-SAE-ELM模型參數及深層特征提取效果，測試集數據驗證模型對煤礦電纜短路故障識別及其類型判定的準確性。

5" 試驗分析

5.1" 試驗評價指標

采用準確率與精度分別評價所提方法對電纜短路故障識別及類型判定效果，并通過混淆矩陣［30］來可視化分析各短路類型的判定結果。其中準確率綜合衡量短路故障整體識別率，精度反映短路類型判定效果，準確率與精度的表達式分別為

yA=mAMA×100%

（15）

yp=mpMp×100%

（16）

式中" yA為短路故障識別準確率；mA為識別正確的樣本數；MA為樣本總數；yp為第p類短路類型判定精度；mp為屬于p類故障的數量；Mp為被判定為p類故障的總數。

5.2" 試驗設計

為了全面分析IDT-SAE-ELM模型性能，從以下方面進行設計。

1）為驗證所提方法不受過渡電阻、故障位置和故障相角的影響，試驗對各類短路故障設置不同短路發生條件，以此模擬短路故障特征的多樣性和分散性，詳細的故障條件設置見表1。仿真中加入電機啟動、變壓器空載投切等，以反映煤礦電網中強電氣擾動和非線性電弧對短路故障的影響。

系統采樣頻率設為10 kHz，通過仿真獲得表1中每類故障的三相故障電流ia，ib，ic與零序電流i0，每類故障有100組電流數據，共計1 000組，將其按式（7）進行預處理后劃分為800條訓練樣本與200條測試樣本作為模型的輸入量，通過所建立的IDT-SAE-ELM模型，即可自動獲得煤礦電纜短路故障和電氣擾動的識別及其類型判定結果。

2）將傳統SAE和IDT-SAE模型的Loss曲線進行對比分析，驗證所提方法的抗過擬合能力，并對二者自動提取的深層故障特征進行可視化分析，以驗證IDT-SAE模型的特征提取能力。

3）分別將Softmax、ELM分類器依次與傳統SAE和IDT-SAE模型相連，通過對比短路故障識別結果來驗證ELM故障分類能力優于Softmax，以及IDT-SAE模型具有顯著提升短路識別準確率的優勢；試驗中還選取隨機森林算法（RF）、反向傳播神經網絡（BPNN）、ELM等人工智能方法中用于故障識別領域的常用方法，將文中方法的短路識別結果與上述3種方法的識別結果進行對比，以進一步驗證所提方法可顯著提高煤礦電纜短路故障的識別準確率。

4）進一步利用RF、BPNN、ELM等人工智能方法對短路故障類型進行判定，并與文中方法的判定結果進行對比，以驗證所提方法對煤礦電纜各短路類型的判定效果。

5）在原始故障采樣數據中加入不同信噪比的高斯白噪聲，選取深度學習算法中典型的卷積神經網絡（CNN），與文中方法短路故障識別準確率進行對比來驗證所提方法的抗噪性能。

5.3" 故障仿真模型

某煤礦供電系統由6個地面10 kV變電所、2個井下中央變電所和3個采區變電所組成。地面35 kV變電站裝有主變壓器2臺，型號為SZ11-31500/35，電壓經主變壓器降為10 kV。以該煤礦采區供電網絡為例，將采區供電系統以外的系統等值為大電源，如圖9所示。該電源的最大短路容量Sdmax=65 MVA，最小短路容量Sdmin=50 MVA，采區供電

系統有4回電纜出線，長度分別為

2，2.3，2，0.24 km，其參數見表2。圖中T1、T2為礦用移動變壓器，L3末端連接礦井帶式輸送機，上述電氣設備參數分別見表3和表4。仿真試驗根據表1中的各種故障條件進行設置。

5.4" 短路故障特征提取與抗過擬合能力

利用Loss曲線［31］來定量分析采用IDT技術緩解SAE模型過擬合的效果，并與傳統SAE模型的Loss曲線進行對比，如圖10所示。

從圖10可以看出，傳統SAE模型的Loss訓練曲線在第8次迭代后測試集曲線不再下降反而高于訓練集，模型訓練過程出現過擬合現象；而文中方法在訓練集與測試集上Loss曲線收斂性良好，這表明采用IDT技術對SAE模型進行改進能夠有效緩解模型的過擬合問題，驗證了文中方法在煤礦復雜環境下的穩定性。

T-分布隨機近鄰嵌入（T-SNE）算法［32］能夠可視化IDT-SAE深度學習模型對短路故障的深層特征提取能力，同時增強深度學習模型解釋性。因此，采用T-SNE算法對傳統SAE和IDT-SAE模型提取的煤礦電纜短路故障深層特征進行分析，其結果如圖11所示。

從圖11（a）可以看出，傳統SAE模型提取的深層特征經T-SNE降至3維后，代表不同短路類型的故障特征分布雜亂且部分特征高度重合；而IDT-SAE模型提取的故障深層特征經T-SNE降維后，不同短路類型的故障特征表現出明顯的聚類特性，如圖11（b）所示。試驗表明IDT-SAE深度學習模型具有強大的故障深層特征提取能力，為進一步的短路故障識別奠定了基礎。

5.5" 短路故障識別準確率

傳統SAE模型用于故障識別時常采用Softmax作為分類器，記為傳統SAE-Softmax；為了體現ELM故障分類能力優于Softmax，將ELM與傳統SAE深度學習模型相連，記為傳統SAE-ELM；為驗證IDT-SAE模型能有效提升短路故障識別準確率，對其采用Softmax分類器，記為IDT-SAE-Softmax。而文中方法將IDT-SAE深度學習模型與ELM分類器相結合。4種方法對煤礦電纜短路故障的識別準確率統計結果見表5。

由表5可知，傳統SAE-Softmax模型在訓練集與測試集中短路故障識別準確率分別為89.00%、87.85%，相比之下，傳統SAE-ELM的識別準確率提高了5.87%、5.65%，IDT-SAE-Softmax識別準確率分別提升至97.50%、95.00%；而該方法短路識別準確率分別為100%、99.25%，可見文中方法能顯著提高煤礦電纜短路故障識別準確率，具有較好的穩定性。

為了進一步驗證文中方法短路故障識別效果，分別采用RF、BPNN、ELM人工智能方法對煤礦短路故障進行識別并與文中方法對比，其中對比算法中的ELM同時完成故障特征提取和短路故障識別，而文中方法將ELM模型作為分類器，僅用于識別短路故障，故障特征提取則由IDT-SAE模型實現。試驗采用5折交叉法避免識別結果的偶

然性［33］，上述4種方法的識別準確率如圖12所示。

從圖12可以看出，RF、BPNN與ELM在測試集上短路故障識別準確率較低，分別為91.78%、93.43%、93.83%，而文中方法在測試集上故障識別準確率為99.25%，比傳統人工智能方法分別提高了7.47%、5.82%、5.42%。試驗表明文中方法在煤礦電纜短路故障識別方面具有突出優勢，不受故障位置、過渡電阻和故障相角等復雜故障發

生條件與不同故障類型的影響，具有良好的魯棒性。

5.6" 短路故障類型判定

利用混淆矩陣對RF、BPNN、ELM與文中方法的短路類型判定結果進行細化分析。混淆矩陣的行、列分別代表故障類型和判定結果，其對角線反映了故障被正確判定的情況，非對角線代表辨識錯誤情況，每列中的對角線樣本數與該列樣本總

數之比為故障類型判定精度，試驗結果如圖13所示。

從圖13可以看出，以RF、BPNN、ELM為代表的傳統人工智能方法由于無法提取電纜短路故障深層特征，因而對短路類型的判定效果差。其中，RF判定效果最差，不同短路類型之間誤判較多，且將電氣擾動錯判為短路故障；BPNN與ELM易將電機啟動誤判為短路故障。上述方法對各短路類型的判定精度統計結果見表6。

由表6可知，該試驗中RF對不同故障類型的平均判定精度僅有91.29%；BPNN與ELM對電機啟動的判定效果不佳，其精度分別為74.19%、70.00%，易與短路故障造成混淆；而文中方法對8種短路和電氣擾動類型判定精度均為100%，只有ABG兩相接地與三相短路故障的判定精度稍低，分別為95.83%、96.00%，表明文中方法對煤礦電纜短路類型的判定效果良好，更適用于煤礦復雜工況環境下對短路故障類型的判定。

5.7" 抗噪性能分析

上述試驗分別對文中方法的抗過擬合能力、深層特征提取能力、短路故障識別準確率和各短路類型判定精度進行了分析，驗證了在復雜工況環境下所提方法仍具有良好的穩定性與魯棒性。為了進一步增加煤礦電網工況環境的復雜性與隨機性，在故障數據中分別添加40，30，20 dB的高斯白噪聲，采用文中方法與以CNN為代表的其他深度學習方法對短路故障進行識別，二者的準確率對比結果如圖14所示。

從圖14可以看出，CNN的短路識別準確率隨著噪聲強度的增加出現明顯下降，在20dB時準確率僅有94.13%。而文中方法在不同信噪比下短路識別準確率波動較小，保持在98.75%以上，表明文中方法在不同噪聲環境中具有良好的抗干擾能力，所采用的改進模型具有較高的穩定性與魯棒性。

綜上試驗分析表明文中方法在煤礦惡劣電磁環境中，對電纜短路故障深層特征提取能力強，具有良好的穩定性與魯棒性，適用于煤礦復雜工況環境下短路故障的辨識及類型判定。

6" 結" 論

1）利用IDT技術對傳統SAE模型結構進行改進，解決了SAE深度學習模型過擬合風險；采用ELM模型構建故障分類器，克服了Softmax分類器學習能力的不足。所提模型適用于對具有非線性、不穩定性和分散性特征的煤礦電纜短路故障進行識別。

2）文中方法相比于傳統SAE深度學習模型具有更好的短路故障深層特征提取與抗過擬合能力，顯著提高了煤礦電纜短路故障識別準確率及類型判定精度。經試驗驗證，所提方法能夠精確判定礦井電纜短路故障類型，短路故障識別準確率相較于傳統SAE模型提高了11.4%。

3）文中方法解決了煤礦電網保護裝置發生越級跳閘后故障原因排查困難，且無法快速恢復供電等難題，通過嵌入井下配電子站或上位機監控系統準確識別短路故障，以提高保護裝置動作的可靠性，而短路類型的精準判定為事故分析和故障快速處理提供了科學依據。

參考文獻（References）：

［1］" 劉健，張志華，吳水蘭，等.一二次配合的配電網故障處理［J］.電力系統保護與控制，2019，47（20）：1-6.

LIU Jian，ZHANG Zhihua，WU Shuilan，et al.Fault processing with coordination of primary equipments and secondary devices［J］.Power System Protection and Control，2019，47（20）：1-6.［2］羅娟，贠保記，雷富坤，等.防止煤礦供電越級跳閘新方法的研究［J］.西安科技大學學報，2014，34（1）：62-66.

LUO Juan，YUN Baoji，LEI Fukun，et al.A novel way to avoid override tripping in coal mine power system［J］.Journal of Xi’an University of Science and Technology，2014，34（1）：62-66.［3］

ZHANG B H，HAO Z G，BO Z Q.New development in relay protection for smart grid［J］.Protection and Control of Modern Power Systems，2016，1（1）：121-127.［4］

劉健，張志華，芮駿，等.基于限流級差配合的城市配電網高選擇性繼電保護方案［J］.電力系統自動化，2019，43（5）：101-106.

LIU Jian，ZHANG Zhihua，RUI Jun，et al.Highly selective relay protection scheme for urban distribution network based on current limiting difference［J］.Automation of Electric Power Systems，2019，43（5）：101-106.［5］

張冠英，張曉亮，劉華，等.低壓系統串聯故障電弧在線檢測方法［J］.電工技術學報，2016，31（8）：109-115.

ZHANG Guanying，ZHANG Xiaoliang，LIU Hua，et al.Online detection method of series arcing fault in low voltage system［J］.Transactions of China Electrotechnical Society，2016，31（8）：109-115.［6］

賴逸洋，王增平，王彤.電流差動保護在柔直接入的交流電網中適應性分析及改進措施研究［J］.電力系統保護與控制，2023，51（3）：145-154.

LAI Yiyang，WANG Zengping，WANG Tong.Adaptability analysis of current differential protection in an AC power grid with an MMC-HVDC and improvement measures［J］.Power System Protection and Control，2023，51（3）：145-154.［7］朱曉娟，林圣，張姝，等.基于小波能量矩的高阻接地故障檢測方法［J］.電力自動化設備，2016，36（12）：161-168.

ZHU Xiaojuan，LIN Sheng，ZHANG Shu，et al.High impedance grounding fault detection based on wavelet energy moment［J］.Electric Power Automation Equipment，2016，36（12）：161-168.［8］

余南華，李傳健，楊軍，等.基于小波包時間熵的配電網運行狀態特征提取方法［J］.電力自動化設備，2014，34（9）：64-71，79.

YU Nanhua，LI Chuanjian，YANG Jun，et al.Operating state feature extraction based on wavelet-packet time entropy for distribution network［J］.Electric Power Automation Equipment，2014，34（9）：64-71，79.［9］

鄒貴彬，高厚磊，王明軍，等.一種雷電波侵入變電站的擾動識別方法［J］.電網技術，2012，36（4）：179-183.

ZOU Guibin，GAO Houlei，WANG Mingjun，et al.A method to identify disturbances caused by lightning wave invading into substation［J］.Power System Technology，2012，36（4）：179-183.［10］

楊毅，范棟琛，殷浩然，等.基于深度-遷移學習的輸電線路故障選相模型及其可遷移性研究［J］.電力自動化設備，2020，40（10）：165-172.

YANG Yi，FAN Dongchen，YIN Haoran，et al.Transmission line fault phase selection model based on deep-transfer learning and its transferability［J］.Electric Power Automation Equipment，2020，40（10）：165-172.［11］

TORRES J O A，SANTOS R C D． An ANN-based algorithm for fault detection and location in MTDC systems［C］//Proceedings of 2018 Simposio Brasileiro de Sistemas Eletricos．Niteroi，Brazil：IEEE，2018：1-6.［12］

謝國民，黃睿靈，丁會巧.基于VMD樣本熵和KELM的輸電線路故障診斷［J］.電子測量與儀器學報，2019，33（5）：73-79.

XIE Guomin，HUANG Ruiling，DING Huiqiao.Fault diagnosis of transmission lines based on VMD sample entropy and KELM［J］.Journal of Electronic Measurement and Instrumentation，2019，33（5）：73-79.［13］

楊杰，吳浩，董星星，等.基于電流故障分量特征和隨機森林的輸電線路故障類型識別［J］.電力系統保護與控制，2021，49（13）：53-63.

YANG Jie，WU Hao，DONG Xingxing，et al.Transmission line fault type identification based on the characteristics of current fault components and random forest［J］.Power System Protection and Control，2021，49（13）：53-63.

［14］

郭瑞，董振良，喬鵬舉，等.基于CNN的礦井富水區電磁反演研究［J］.西安科技大學學報，2023，43（6）：1186-1194.

GUO Rui，DONG Zhenliang，QIAO Pengju，et al.Electromagnetic inversion of mine water-rich area based on CNN［J］.Journal of Xi’an University of Science and Technology，2023，43（6）：1186-1194.

［15］閆曉霞，劉嫻.基于ISSA-LSTM模型的可再生能源電力需求預測［J］.西安科技大學學報，2024，44（3）：604-614.

YAN Xiaoxia，LIU Xian.Renewable energy electricity demand prediction based on ISSA-LSTM model［J］.Journal of Xi’an University of Science and Technology，2024，44（3）：604-614.

［16］

WANG Y X，LIU M Q，BAO Z J，et al.Stacked sparse autoencoder with PCA and SVM for data-based line trip fault diagnosis in power systems［J］.Neural Computing and Applications，2019，31（10）：6719-6731.［17］葉林，葛鷗翔，郭永紅，等.基于堆疊自動編碼器的汽輪發電機多指標故障診斷模型［J］.中國電機工程學報，2022，42（10）：3656-3670.

YE Lin，GE Ouxiang，GUO Yonghong，et al.Multi-index fault diagnosis model of steam turbo generator based on stacked autoencoder model［J］.Proceedings of the CSEE，2022，42（10）：3656-3670.［18］

宋娟，倪志偉，李萍，等.基于參數優化深度置信網絡的霧霾預測模型［J］.系統科學與數學，2020，40（9）：1644-1661.

SONG Juan，NI Zhiwei，LI Ping，et al.Haze prediction model based on parameter-optimized deep belief networks［J］.Journal of System Science and Mathematical Science Chinese Series，2020，40（9）：1644-1661.［19］

陳蕻峰，王賀，李巖，等.組合兩步分解和ARIMA-LSTM的短期風速預測研究［J］.太陽能學報，2024，45（2）：164-171.

CHEN Hongfeng，WANG He，LI Yan，et al.Short-term wind speed prediction by combining two-step decomposition and ARIMA-LSTM［J］.Acta Energiae Solaris Sinica，2024，45（2）：164-171.［20］楊挺，侯昱丞，趙黎媛，等.基于時-頻域混合特征的變電站通信網異常流量檢測方法［J］.電力系統自動化，2020，44（16）：79-86.

YANG Ting，HOU Yucheng，ZHAO Liyuan，et al.Abnormal traffic detection method of substation communication network based on time-frequency domain mixed features［J］.Automation of Electric Power Systems，2020，44（16）：79-86.［21］

李平，胡根銘.基于改進神經網絡與比值法融合的變壓器故障診斷方法［J］.高電壓技術，2023，49（9）：3898-3906.

LI Ping，HU Genming.Transformer fault diagnosis method based on the fusion of improved neural network and ratio method［J］.High Voltage Engineering，2023，49（9）：3898-3906.［22］

田鵬飛，于游，董明，等.基于CNN-SVM的高壓輸電線路故障識別方法［J］.電力系統保護與控制，2022，50（13）：119-125.

TIAN Pengfei，YU You，DONG Ming，et al.A CNN-SVM based fault identification method for high-voltage transmission lines［J］.Power System Protection and Control，2022，50（13）：119-125.［23］

CHO K，COURVILLE A，BENGIO Y.Describing multimedia content using attention-based encoder-decoder networks［J］.IEEE Transactions on Multimedia，2015，17（11）：1875-1886.［24］

陳世群，楊耿杰，高偉.一種基于BOA-SAE-EELM的光伏陣列故障診斷方法［J］.太陽能學報，2022，43（4）：154-161.

CHEN Shiqun，YANG Gengjie，GAO Wei.A fault diagnosis method for photovoltaic array via BOA-SAE-EELM［J］.Acta Energiae Solaris Sinica，2022，43（4）：154-161.［25］王思華，王恬，周麗君，等.基于批標準化的堆疊自編碼網絡風電機組變槳系統故障診斷［J］.太陽能學報，2022，43（2）：394-401.

WANG Sihua，WANG Tian，ZHOU Lijun，et al.Fault diagnosis of pitch system of wind turbine based on standardized stacked autoencoder network［J］.Acta Energiae Solaris Sinica，2022，43（2）：394-401.［26］

楊建，劉笑，董密，等.基于深度學習的恒功率負荷直流微電網穩定性分析［J］.電力系統自動化，2023，47（15）：188-197.

YANG Jian，LIU Xiao，DONG Mi，et al.Deep learning based stability analysis of DCmicrogrid with constant power loads［J］.Automation of Electric Power Systems，2023，47（15）：188-197.［27］

CHEN Z C，WU L J，CHENG S Y，et al.Intelligent fault diagnosis of photovoltaic arrays based on optimized kernel extreme learning machine and I-V characteristics［J］.Applied Energy，2017，204（15）：912-931.［28］

馬莉，潘少波，代新冠，等.基于PSO-Adam-GRU的煤礦瓦斯濃度預測模型［J］.西安科技大學學報，2020，40（2）：363-368.

MA Li，PAN Shaobo，DAI Xinguan，et al.Gas concentration prediction model of working face based on PSO-Adam-GRU［J］.Journal of Xi’an University of Science and Technology，2020，40（2）：363-368.［29］

曹潔，張玉林，王進花，等.基于VMD和SVPSO-BP的滾動軸承故障診斷［J］.太陽能學報，2022，43（9）：294-301.

CAO Jie，ZHANG Yulin，WANG Jinhua，et al.Fault diagnosis of rolling bearing based on VMD and SVPSO-BP［J］.Acta Energiae Solaris Sinica，2022，43（9）：294-301.［30］

王征，張科，張赫林，等.深度可分離卷積神經網絡miniXception對礦工情緒特征的識別［J］.西安科技大學學報，2022，42（3）：562-571.

WANG Zheng，ZHANG Ke，ZHANG Helin，et al.Miner’s emotion recognition based on deepwise separableconvolution neural network miniXception［J］.Journal of Xi’an University of Science and Technology，2022，42（3）：562-571.［31］

劉飛，張樂群，蔣偉，等.基于深度圖像的帶式輸送機煤量檢測方法［J］.西安科技大學學報，2023，43（5）：1008-1014.

LIU Fei，ZHANG Yuequn，JIANG Wei，et al.Coal quantity detecstion of belt conveyor based on depth image［J］.Journal of Xi’an University of Science and Technology，2023，43（5）：1008-1014.

［32］劉玉鑫，武文博，張雄，等.基于HHO-CNN的軸承故障診斷方法研究［J］.河北大學學報（自然科學版），2023，43（6）：571-583.

LIU Yuxin，WU Wenbo，ZHANG Xiong，et al.Fault detection method of bearings based on HHO-CNN［J］.Journal of Hebei University（Natural Science Edition），2023

，43（6）：571-583.

［33］

范敏，楊青，郭祥富，等.面向不平衡數據的配電網故障停電預測方法［J］.電力系統保護與控制，2023，51（8）：96-106.

FAN Min，YANG Qing，GUO Xiangfu，et al.Prediction method of power outage in a distribution network for unbalanced data［J］.Power System Protection and Control，2023，51（8）：96-106.

（責任編輯：高佳）