基于改进BP的煤矿供电系统故障诊断研究

窦新宇

(唐山学院 智能与信息工程学院，河北 唐山 063020)



基于改进BP的煤矿供电系统故障诊断研究

窦新宇

(唐山学院 智能与信息工程学院，河北 唐山 063020)

摘要：针对煤矿供电系统故障的特点，以开关、保护等信息为基础，将粗糙集理论与BP神经网络相结合建立煤矿供电系统故障诊断模型。首先通过遗传算法对供电系统故障中的决策表进行约简，去掉冗余信息，保留必要的要素，使神经网络输入神经元数目减少，结构得到优化；然后在训练过程中应用思维进化算法优化神经网络的权值和阈值，并对处理后的信息进行诊断。仿真结果证明，该故障诊断系统有效地提高了诊断效率，增强了故障诊断的容错能力。

关键词：煤矿供电系统；粗糙集；神经网络；故障诊断

0引言

当煤矿供电系统发生故障，开关、保护等信息存在误动作、拒动作以及因信息丢失不确定的因素时，会给故障诊断工作带来极大挑战。这种情况引起的漏判和误判，不仅会影响供电系统的诊断效率，也可能导致事故的升级等严重后果。因此，有必要研究一种鲁棒性强、适应各种非正常情况的供电系统故障诊断模型，协助工作技术人员迅速准确判断。

笔者将粗糙集理论与神经网络相结合建立了煤矿供电系统故障诊断模型。首先，利用RS理论对不完整数据及不精确知识进行约简处理，在保证关键信息不丢失的前提下，得到最小约简属性，然后将最新属性当作BP神经网络的训练样本，对结构进行简化，降低其复杂度。其次，神经网络的阈值和权值是通过思维进化算法进行优化处理的。最后，利用训练好的模块，进行煤矿供电系统故障的诊断，以此判断故障位置。

1粗糙集在煤矿供电系统故障诊断中的应用

当煤矿供电系统发生故障时，系统控制中心会涌现出大量的报警信号。一般情况下，这些开关保护信号所形成的知识并不同等重要，有些条件属性对系统来说是冗余的，这些冗余的信息不仅会浪费资源，更有甚者会干扰决策。粗糙集属性约简的目的就是要消除决策系统中冗余的属性。在粗糙集中，样本决定着一个属性的重要程度的评价，与任何先验知识无关。本文提出基于GA算法的简约方法，其基本思想为[1]：遗传算法在编码时，每个位串对应一个条件属性，位串位为1时表示该属性存在，否则表示该属性不存在，每一个位串对应一个约简的候选。其中适应度函数定义为：

(1)

式中，λ为权重因子；l为属性集合的长度；lr为位串r中1的个数；γc(d)为支持度。然后根据每个个体的适应度值的大小计算选择概率，按照“适者生存”的选择策略从父代种群中选择得分比较高的优良个体组成新的种群。本文采用轮盘赌法，选择概率的计算公式为：

(2)式中，交叉采用单点交叉，在位串交叉处以概率ps交换2个个体，产生新的子个体。变异采用均匀变异算子，以变异概率pm随机变异位串某位二进制字符。

2基于粗糙集-进化神经网络的煤矿供电系统

2.1思维进化算法(MEA)优化BP神经网络

BP神经网络的基本原理是通过梯度下降法调整网络中的权值和阈值，使得计算值和期望值的均方误差最小。经典的BP算法存在局部极小值的缺陷。基于经典BP神经网络的不足，提出用思维进化算法优化BP神经网络。MEA能很好地对全局寻优，利用MEA对神经网络的权值、阈值进行优化，可以避免单一网络陷入局部极值的缺点。

基于MEA的BP网络模型计算步骤如下：

①根据给定的样本集合，确定神经网络的每层节点的个数，给网络参数进行编码并确定其步长[2]。

②随机产生优胜子群体、临时子群体。

③计算个体的得分，选用评价函数为

(3)

④分别对临时子群体和优胜子群体进行异化操作。

⑤判断网络是否收敛，若满足收敛条件，则终止；否则，重复③④步，直到满足条件。

2.2故障诊断流程

煤矿供电系统的故障诊断理论上可以用模式识别来描述，很适合应用神经网络的方法进行诊断。基于粗糙集-进化神经网络理论的煤矿供电系统故障诊断的基本思想是：首先，把煤矿供电系统SCADA采集到的断路器状态、隔离开关状态、各种保护信号当作条件属性，可能发生故障的元件和区域作为决策属性，综合各种煤矿供电故障类型建立决策表[3]。其次，利用粗糙集理论对建立的决策表进行合理约简，找到一个最小约简。最后，把约简样本集作为进化神经网络的训练样本，训练进化神经网络。

在应用神经网络理论方法进行煤矿供电系统故障诊断时，要准确记录断路器状态、隔离开关状态、保护报警信号的状态，当其有故障特征时，可以用数字“1”来表示，对于没有故障特征的可以用数字“0”来表示。

3故障的诊断

图1为某一煤矿供电系统部分接线图，该电网有两条母线(MX1和MX2)，两台变压器(BYQ1和BYQ2)，两条传输线(L1和L2)，分别配有过流保护GLB，距离保护JBL，母线保护MXB。根据主、后备保护动作原理，共建立19组故障样本，每一组故障样本包括19个短路器，这些样本作为条件属性，变位信息用数字“1”表示，非变位信息用数字“0”表示，将11个故障区域作为决策属性，用D表示，故障区域为{NONE，DY2，DY1，MX2，MX1，BYQ2，BYQ1，L2，L1，QU2，QU1}。

图1　煤矿供电系统接线图

19组样本数据通过遗传算法对粗糙集进行约简，选取Pc=0.8，Pm=0.01，MAXGEN=150，运用Matlab进行编程，遗传约简所得的最优个体为{1 1 1 1 1 1 0 0 1 0 0 1 1 1 1 0 0 0 0}，即所得的约简属性为{DLQ0，DLQ1，DLQ2，DLQ3，DLQ4，DLQ5，TB2，GLB1，GLB2，GLB3，GLB4}。经过上面的分析可知，BP神经络网络选择三层，输入变量由原来的19个减少到11个，输出层为11个，隐含层节点数选为20个。分别对RS-BP神经网络、RMANN算法进行训练，可以得到误差曲线如图2，3所示。其中根据神经网络的结构，神经网络参数优化共471个实数，迭代次数选为20次。

图2　RS-BP误差曲线

图3　RMANN误差曲线

RMANN训练完成后，任意选择测试样本进行故障诊断，其故障诊断准确率可以达到99.96%。煤矿供电系统发生故障时，假定某属性信号丢失或者出错，当这一异常属性信号属于被约简部分，根据本文提出的故障诊断模型可以准确进行故障诊断，准确率达100%；当异常出现在约简保留部分，例如故障特征为DLQ1，DLQ2和GLB3动作，其他任何位置出现误动作(如TB2)，仿真输出为{-0.0341，-0.3615，0.2800，-0.0299，-0.2946，0.3856，0.3680，0.3927，0.9197，-0.3150，0.3064}，选取接近1位置所对应的区域为故障位置，此时可以准确地判断故障位置L1。经过多次仿真实验验证，证明该故障诊断系统的容错能力和抗干扰能力都有显著的增强，能够快速准确实现对故障区域的定位。

4结论

研究出一套煤矿供电系统故障诊断系统，此系统将粗糙集理论和ANN进行耦合，充分利用RS理论对知识的冗余性高和BP神经网络学习能力强的优点；运用思维进化算法对网络进行优化，解决了BP算法学习速度慢、容易陷入局部最优的缺陷。仿真结果证明，算法在收敛速度上得到显著提高，而且煤矿供电系统测试样本存在一定的错误信息时，能够准确定位故障区域，具有良好的扩展性和容错性，可以给工作技术人员的日常工作提供较大的帮助。

参考文献：

[1]王国胤.Rough集理论与知识获取[M].西安：西安交通大学出版社，2001：5.

[2]郭学攻.煤矿供电监控系统的研究与发展趋势[J].煤矿机械，2014，28(10)：71-73.

[3]杜小娟.基于RS-RBF神经网络相结合的配电网故障诊断方法研究[D].成都：西华大学，2012.

(责任编校：李秀荣)

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

基金项目：2014年度唐山市科技计划项目(14110212a)

作者简介：窦新宇(1984-)，男，河北唐山人，讲师，博士研究生，主要从事自动化控制研究。

中图分类号：TM715

文献标志码：A

文章编号：1672-349X(2016)03-0028-03

DOI：10.16160/j.cnki.tsxyxb.2016.03.009