基于改進BP的煤礦供電系統故障診斷研究

竇新宇

(唐山學院 智能與信息工程學院，河北 唐山 063020)

?

基于改進BP的煤礦供電系統故障診斷研究

竇新宇

(唐山學院 智能與信息工程學院，河北 唐山 063020)

摘要：針對煤礦供電系統故障的特點，以開關、保護等信息為基礎，將粗糙集理論與BP神經網絡相結合建立煤礦供電系統故障診斷模型。首先通過遺傳算法對供電系統故障中的決策表進行約簡，去掉冗余信息，保留必要的要素，使神經網絡輸入神經元數目減少，結構得到優化；然后在訓練過程中應用思維進化算法優化神經網絡的權值和閾值，并對處理后的信息進行診斷。仿真結果證明，該故障診斷系統有效地提高了診斷效率，增強了故障診斷的容錯能力。

關鍵詞：煤礦供電系統；粗糙集；神經網絡；故障診斷

0引言

當煤礦供電系統發生故障，開關、保護等信息存在誤動作、拒動作以及因信息丟失不確定的因素時，會給故障診斷工作帶來極大挑戰。這種情況引起的漏判和誤判，不僅會影響供電系統的診斷效率，也可能導致事故的升級等嚴重后果。因此，有必要研究一種魯棒性強、適應各種非正常情況的供電系統故障診斷模型，協助工作技術人員迅速準確判斷。

筆者將粗糙集理論與神經網絡相結合建立了煤礦供電系統故障診斷模型。首先，利用RS理論對不完整數據及不精確知識進行約簡處理，在保證關鍵信息不丟失的前提下，得到最小約簡屬性，然后將最新屬性當作BP神經網絡的訓練樣本，對結構進行簡化，降低其復雜度。其次，神經網絡的閾值和權值是通過思維進化算法進行優化處理的。最后，利用訓練好的模塊，進行煤礦供電系統故障的診斷，以此判斷故障位置。

1粗糙集在煤礦供電系統故障診斷中的應用

當煤礦供電系統發生故障時，系統控制中心會涌現出大量的報警信號。一般情況下，這些開關保護信號所形成的知識并不同等重要，有些條件屬性對系統來說是冗余的，這些冗余的信息不僅會浪費資源，更有甚者會干擾決策。粗糙集屬性約簡的目的就是要消除決策系統中冗余的屬性。在粗糙集中，樣本決定著一個屬性的重要程度的評價，與任何先驗知識無關。本文提出基于GA算法的簡約方法，其基本思想為[1]：遺傳算法在編碼時，每個位串對應一個條件屬性，位串位為1時表示該屬性存在，否則表示該屬性不存在，每一個位串對應一個約簡的候選。其中適應度函數定義為：

(1)

式中，λ為權重因子；l為屬性集合的長度；lr為位串r中1的個數；γc(d)為支持度。然后根據每個個體的適應度值的大小計算選擇概率，按照“適者生存”的選擇策略從父代種群中選擇得分比較高的優良個體組成新的種群。本文采用輪盤賭法，選擇概率的計算公式為：

(2)式中，交叉采用單點交叉，在位串交叉處以概率ps交換2個個體，產生新的子個體。變異采用均勻變異算子，以變異概率pm隨機變異位串某位二進制字符。

2基于粗糙集-進化神經網絡的煤礦供電系統

2.1思維進化算法(MEA)優化BP神經網絡

BP神經網絡的基本原理是通過梯度下降法調整網絡中的權值和閾值，使得計算值和期望值的均方誤差最小。經典的BP算法存在局部極小值的缺陷。基于經典BP神經網絡的不足，提出用思維進化算法優化BP神經網絡。MEA能很好地對全局尋優，利用MEA對神經網絡的權值、閾值進行優化，可以避免單一網絡陷入局部極值的缺點。

基于MEA的BP網絡模型計算步驟如下：

①根據給定的樣本集合，確定神經網絡的每層節點的個數，給網絡參數進行編碼并確定其步長[2]。

②隨機產生優勝子群體、臨時子群體。

③計算個體的得分，選用評價函數為

(3)

④分別對臨時子群體和優勝子群體進行異化操作。

⑤判斷網絡是否收斂，若滿足收斂條件，則終止；否則，重復③④步，直到滿足條件。

2.2故障診斷流程

煤礦供電系統的故障診斷理論上可以用模式識別來描述，很適合應用神經網絡的方法進行診斷。基于粗糙集-進化神經網絡理論的煤礦供電系統故障診斷的基本思想是：首先，把煤礦供電系統SCADA采集到的斷路器狀態、隔離開關狀態、各種保護信號當作條件屬性，可能發生故障的元件和區域作為決策屬性，綜合各種煤礦供電故障類型建立決策表[3]。其次，利用粗糙集理論對建立的決策表進行合理約簡，找到一個最小約簡。最后，把約簡樣本集作為進化神經網絡的訓練樣本，訓練進化神經網絡。

在應用神經網絡理論方法進行煤礦供電系統故障診斷時，要準確記錄斷路器狀態、隔離開關狀態、保護報警信號的狀態，當其有故障特征時，可以用數字“1”來表示，對于沒有故障特征的可以用數字“0”來表示。

3故障的診斷

圖1為某一煤礦供電系統部分接線圖，該電網有兩條母線(MX1和MX2)，兩臺變壓器(BYQ1和BYQ2)，兩條傳輸線(L1和L2)，分別配有過流保護GLB，距離保護JBL，母線保護MXB。根據主、后備保護動作原理，共建立19組故障樣本，每一組故障樣本包括19個短路器，這些樣本作為條件屬性，變位信息用數字“1”表示，非變位信息用數字“0”表示，將11個故障區域作為決策屬性，用D表示，故障區域為{NONE，DY2，DY1，MX2，MX1，BYQ2，BYQ1，L2，L1，QU2，QU1}。

圖1　煤礦供電系統接線圖

19組樣本數據通過遺傳算法對粗糙集進行約簡，選取Pc=0.8，Pm=0.01，MAXGEN=150，運用Matlab進行編程，遺傳約簡所得的最優個體為{1 1 1 1 1 1 0 0 1 0 0 1 1 1 1 0 0 0 0}，即所得的約簡屬性為{DLQ0，DLQ1，DLQ2，DLQ3，DLQ4，DLQ5，TB2，GLB1，GLB2，GLB3，GLB4}。經過上面的分析可知，BP神經絡網絡選擇三層，輸入變量由原來的19個減少到11個，輸出層為11個，隱含層節點數選為20個。分別對RS-BP神經網絡、RMANN算法進行訓練，可以得到誤差曲線如圖2，3所示。其中根據神經網絡的結構，神經網絡參數優化共471個實數，迭代次數選為20次。

圖2　RS-BP誤差曲線

圖3　RMANN誤差曲線

RMANN訓練完成后，任意選擇測試樣本進行故障診斷，其故障診斷準確率可以達到99.96%。煤礦供電系統發生故障時，假定某屬性信號丟失或者出錯，當這一異常屬性信號屬于被約簡部分，根據本文提出的故障診斷模型可以準確進行故障診斷，準確率達100%；當異常出現在約簡保留部分，例如故障特征為DLQ1，DLQ2和GLB3動作，其他任何位置出現誤動作(如TB2)，仿真輸出為{-0.0341，-0.3615，0.2800，-0.0299，-0.2946，0.3856，0.3680，0.3927，0.9197，-0.3150，0.3064}，選取接近1位置所對應的區域為故障位置，此時可以準確地判斷故障位置L1。經過多次仿真實驗驗證，證明該故障診斷系統的容錯能力和抗干擾能力都有顯著的增強，能夠快速準確實現對故障區域的定位。

4結論

研究出一套煤礦供電系統故障診斷系統，此系統將粗糙集理論和ANN進行耦合，充分利用RS理論對知識的冗余性高和BP神經網絡學習能力強的優點；運用思維進化算法對網絡進行優化，解決了BP算法學習速度慢、容易陷入局部最優的缺陷。仿真結果證明，算法在收斂速度上得到顯著提高，而且煤礦供電系統測試樣本存在一定的錯誤信息時，能夠準確定位故障區域，具有良好的擴展性和容錯性，可以給工作技術人員的日常工作提供較大的幫助。

參考文獻：

[1]王國胤.Rough集理論與知識獲取[M].西安：西安交通大學出版社，2001：5.

[2]郭學攻.煤礦供電監控系統的研究與發展趨勢[J].煤礦機械，2014，28(10)：71-73.

[3]杜小娟.基于RS-RBF神經網絡相結合的配電網故障診斷方法研究[D].成都：西華大學，2012.

(責任編校：李秀榮)

A Fault Diagnosis of the Coal Mine Power Supply System Based on the Improved BP Neural Network

DOU Xin-yu

(College of Intelligence and Information Engineering， Tangshan University， Tangshan 063020， China)

Abstract：In view of the fault characteristics of the coal mine power supply system and on the basis of switches and protection， the author of this paper has created a fault diagnosis model for the power supply system in coal mines by combining rough set theory with BP neural network. Firstly the decision table of the fault diagnosis of the power supply system has been simplified by removing the redundant information and retaining only the necessary elements with genetic algorithm， which has reduced the number of neural network input neurons and improved the structure. Then， in the training process， the weights and thresholds of the neural network have been optimized with the thought evolution algorithm and the processed information is diagnosed. The simulation results show that the fault diagnosis system can effectively improve the diagnostic efficiency and increase the capacity for fault diagnosis.

Key Words：coal power supply system； rough sets theory； neural network； fault diagnosis

基金項目：2014年度唐山市科技計劃項目(14110212a)

作者簡介：竇新宇(1984-)，男，河北唐山人，講師，博士研究生，主要從事自動化控制研究。

中圖分類號：TM715

文獻標志碼：A

文章編號：1672-349X(2016)03-0028-03

DOI：10.16160/j.cnki.tsxyxb.2016.03.009