基于IDT-SAE-ELM的煤礦電纜短路故障識(shí)別方法

摘" 要：針對(duì)現(xiàn)有方法無法有效提取煤礦電纜短路故障深層特征而導(dǎo)致故障識(shí)別準(zhǔn)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(shí)別方法。首先采用IDT技術(shù)對(duì)傳統(tǒng)SAE模型進(jìn)行改進(jìn)，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(yōu)化IDT-SAE模型參數(shù)，實(shí)現(xiàn)了從原始電流信號(hào)自動(dòng)獲取短路故障特征量；最后利用ELM模型替代Softmax構(gòu)造故障分類器，以提高SAE模型對(duì)特征差異性小的故障類型辨識(shí)能力，實(shí)現(xiàn)對(duì)煤礦電纜短路故障的識(shí)別與類型的智能判定。以煤礦電網(wǎng)實(shí)際參數(shù)進(jìn)行短路故障仿真，分別利用Loss曲線與T-分布隨機(jī)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(zhǔn)確率和精度對(duì)所提方法進(jìn)行評(píng)價(jià)，結(jié)果表明：所提方法相較于傳統(tǒng)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(duì)電纜短路故障的識(shí)別準(zhǔn)確率穩(wěn)定在99%左右，相較于RF、BPNN、ELM等人工智能方法，準(zhǔn)確率分別提高了7.47%、5.82%、5.42%；

在嚴(yán)重噪聲干擾下，所提方法短路故障識(shí)別準(zhǔn)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(shí)別準(zhǔn)確率和類型判定精度，能夠?yàn)樵郊?jí)跳閘原因判別、短路事故的分析與處理提供重要依據(jù)。關(guān)鍵詞：煤礦；短路故障；堆棧自編碼器；極限學(xué)習(xí)機(jī)；Dropout集成技術(shù)

中圖分類號(hào)：TM 769

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-9315（2024）06-1205-13

DOI：10.13800/j.cnki.xakjdxxb.2024.0618開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

收稿日期：

2024-06-

13

基金項(xiàng)目：

國(guó)家自然科學(xué)基金項(xiàng)目（52074213）

通信作者：

王清亮，女，山西運(yùn)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(wǎng)中危害嚴(yán)重、發(fā)生頻次較高的電氣故障。受礦井惡劣電磁環(huán)境以及企業(yè)電能質(zhì)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(qiáng)非線性、不穩(wěn)定性和分散性特點(diǎn)，電氣擾動(dòng)強(qiáng)烈，導(dǎo)致短路故障識(shí)別及其類型判定困難，易造成保護(hù)出現(xiàn)越級(jí)跳閘或拒動(dòng)現(xiàn)象［1-4］，越級(jí)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(shí)別準(zhǔn)確率及短路類型判定精度是解決上述問題的關(guān)鍵。

針對(duì)煤礦電纜短路故障識(shí)別及類型判定，早期多采用閾值法，其中穩(wěn)態(tài)量閾值法依據(jù)三相短路電流值來判斷是否發(fā)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(tài)量閾值法提取短路電流暫態(tài)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(shí)別，但對(duì)伴有電弧的不穩(wěn)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(yù)先設(shè)定閾值，泛化性能差，是導(dǎo)致短路故障識(shí)別準(zhǔn)確率及類型判定精度較低的主要原因。

隨著智慧礦山技術(shù)的快速發(fā)展，礦井保護(hù)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(shù)據(jù)，為人工智能方法奠定了應(yīng)用基礎(chǔ)［10］。現(xiàn)有研究發(fā)現(xiàn)，利用人工智能方法可有效提高短路故障識(shí)別的準(zhǔn)確率，TORRES等將故障電流幅值及頻譜輸入人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)短路故障識(shí)別及其類型判定［11］，謝國(guó)民等提取三相電壓的模分量，利用極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）判定短路類型［12］；楊杰等將電流能量相對(duì)熵與零序電流能量和作為特征，采用隨機(jī)森林算法判定短路故障類型［13］。以上方法需憑借先驗(yàn)知識(shí)進(jìn)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(shí)出非平穩(wěn)性質(zhì)的短路故障，但無法準(zhǔn)確識(shí)別與短路故障特性相似的強(qiáng)電氣擾動(dòng)。

深度學(xué)習(xí)方法以其強(qiáng)大的非線性表示和數(shù)據(jù)挖掘能力，可實(shí)現(xiàn)對(duì)電纜短路故障特征的自動(dòng)提取，解決了上述方法需根據(jù)先驗(yàn)知識(shí)選擇特征量和無法挖掘深層特征的不足。目前，用于故障識(shí)別的深度學(xué)習(xí)方法主要有卷積神經(jīng)網(wǎng)絡(luò)［14］、長(zhǎng)短期記憶網(wǎng)絡(luò)［15］、堆棧自編碼器（Stacked Auto-Encoder，SAE）［16-17］、深度置信網(wǎng)絡(luò)［18］和循環(huán)神經(jīng)網(wǎng)絡(luò)［19］等。其中卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，待調(diào)參數(shù)較多且對(duì)噪聲較為敏感；深度置信網(wǎng)絡(luò)對(duì)模型超參數(shù)設(shè)置要求較高，需采用逐層貪婪訓(xùn)練方式，導(dǎo)致模型訓(xùn)練困難；循環(huán)神經(jīng)網(wǎng)絡(luò)在處理長(zhǎng)序列數(shù)據(jù)時(shí)易造成特征信息丟失，上述方法不適合對(duì)具有強(qiáng)非線性、不穩(wěn)定性和強(qiáng)分散性特征的煤礦電纜短路故障進(jìn)行識(shí)別。而SAE通過對(duì)無標(biāo)簽的原始故障數(shù)據(jù)重構(gòu)來增強(qiáng)和自動(dòng)提取核心特征，在處理含有噪聲的時(shí)序數(shù)據(jù)時(shí)性能優(yōu)越，其網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練參數(shù)較少，適合于對(duì)煤礦電纜短路進(jìn)行識(shí)別。但由于煤礦電網(wǎng)重型負(fù)載集中，負(fù)荷啟停頻繁，用電環(huán)境惡劣，導(dǎo)致故障數(shù)據(jù)測(cè)試集與訓(xùn)練集往往存在較大差異，使得SAE模型存在過擬合風(fēng)險(xiǎn)［20］，會(huì)出現(xiàn)訓(xùn)練集上短路故障分類效果良好而在測(cè)試時(shí)準(zhǔn)確率降低的問題。

深度學(xué)習(xí)方法在解決分類問題時(shí)通常采用Softmax分類器［21］，Softmax是基于概率原理進(jìn)行分類，會(huì)強(qiáng)化最大特征值弱化其他特征影響，對(duì)特征差異性較小的故障類型識(shí)別效果較差。為克服Softmax存在的不足，田鵬飛等將支持向量機(jī)作為分類器，實(shí)現(xiàn)輸電線路故障識(shí)別［22］，但支持向量機(jī)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(duì)故障數(shù)據(jù)的自學(xué)習(xí)能力強(qiáng)，適合對(duì)特征差異性較小的短路故障類型進(jìn)行辨識(shí)。

為此，文中提出一種基于IDT-SAE-ELM的煤礦電纜短路故障識(shí)別方法，采用Dropout集成技術(shù)（Integrated Dropout Technology，IDT）來強(qiáng)化SAE特征表達(dá)能力，并利用Adam算法優(yōu)化IDT-SAE模型參數(shù)，實(shí)現(xiàn)煤礦電纜短路深層故障特征自動(dòng)提取，同時(shí)又避免了過擬合風(fēng)險(xiǎn)；利用具有自學(xué)習(xí)能力的ELM模型替代Softmax進(jìn)行分類器構(gòu)造以提高短路故障識(shí)別及類型判別的準(zhǔn)確性；所提方法作為現(xiàn)有短路保護(hù)的遠(yuǎn)后備，可嵌入井下配電子站或上位機(jī)監(jiān)控系統(tǒng)，為越級(jí)跳閘原因判別、短路故障排查及快速恢復(fù)供電提供科學(xué)依據(jù)。

1" SAE深度學(xué)習(xí)模型及改進(jìn)

1.1" SAE深度學(xué)習(xí)模型

SAE模型通過多層網(wǎng)絡(luò)結(jié)構(gòu)降低故障數(shù)據(jù)維度，將高維數(shù)據(jù)映射為簡(jiǎn)單特征序列并在輸出層中重構(gòu)，從而學(xué)習(xí)到原始輸入量深層特征［23-24］。SAE工作原理如圖1所示。

一個(gè)n維樣本數(shù)據(jù)x=［x1，x2，…，xn］T，經(jīng)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(gòu)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(quán)值與偏置；

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

f（xn）=xn，xngt;00，xn≤0

（3）

SAE通過最小化損失函數(shù)J（θ）來調(diào)整模型結(jié)構(gòu)中的參數(shù)［25］，其計(jì)算公式如下

J（θ）=1n∑ni=1（n－xn）2

（4）

式中" θ=（ω，b）。

SAE深度學(xué)習(xí)模型以端對(duì)端的訓(xùn)練方式從原始故障數(shù)據(jù)中自動(dòng)提取故障特征，其結(jié)構(gòu)主要包括數(shù)據(jù)預(yù)處理、特征自動(dòng)提取與分類器構(gòu)建3部分，其模型如圖2所示。

將原始故障數(shù)據(jù)進(jìn)行預(yù)處理后輸入模型，經(jīng)編碼環(huán)節(jié)自動(dòng)提取短路故障的深層特征，利用分類器對(duì)短路故障及其故障類型進(jìn)行判別。但SAE深度學(xué)習(xí)模型在訓(xùn)練集與測(cè)試集數(shù)據(jù)存在差異時(shí)會(huì)出現(xiàn)過擬合風(fēng)險(xiǎn)，導(dǎo)致其對(duì)煤礦電纜短路故障識(shí)別準(zhǔn)確率與類型判定精度降低。

1.2" IDT-SAE深度學(xué)習(xí)模型

IDT技術(shù)具有在緩解網(wǎng)絡(luò)過擬合的同時(shí)加強(qiáng)捕獲樣本更多深層特征的能力，能夠區(qū)分特征差異較小的故障類型，故文中采用IDT技術(shù)對(duì)SAE深度學(xué)習(xí)模型進(jìn)行改進(jìn)，以避免SAE模型過擬合風(fēng)險(xiǎn)，進(jìn)而提高煤礦電纜短路故障識(shí)別準(zhǔn)確率與短路類型判定精度。IDT技術(shù)原理如圖3所示。

將SAE深度學(xué)習(xí)模型的第1個(gè)隱含層擴(kuò)展為3個(gè)含相同神經(jīng)元個(gè)數(shù)的隱含層，分別采用Dropout進(jìn)行隨機(jī)失活，每個(gè)Dropout層具有單獨(dú)的失活率。圖3中3個(gè)隱含層1與集成層的神經(jīng)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(gè)隱含層1的神經(jīng)元節(jié)點(diǎn)激活值；

為集成層神經(jīng)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(duì)應(yīng)3個(gè)隱含層1的權(quán)值與偏置。

此時(shí)，圖3中的集成層輸出為3條分支網(wǎng)絡(luò)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(nèi)3個(gè)隱含層1經(jīng)隨機(jī)失活后的輸出特征。

改進(jìn)后的SAE深度學(xué)習(xí)模型通過多分支網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)多級(jí)特征融合以增強(qiáng)故障核心特征，強(qiáng)化了SAE模型的特征自動(dòng)提取能力，能顯著提高短路識(shí)別準(zhǔn)確率及故障類型判定精度。

2" 模型輸入量選取與特征自動(dòng)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(diǎn)，因而短路多伴有弧光現(xiàn)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(dòng)信號(hào)的電流波形如圖4所示。為了體現(xiàn)不同故障類型電流之間的差異性，圖4中縱坐標(biāo)電流值以三相金屬性短路電流為基準(zhǔn)進(jìn)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(dāng)考慮過渡電阻影響時(shí)，兩者并不滿足3/2倍關(guān)系；伴有弧光的短路故障特性具有高度非線性與不穩(wěn)定性；電能質(zhì)量下降時(shí)，短路電流畸變率明顯，不再保持正弦特性；大功率電機(jī)啟動(dòng)電流、變壓器勵(lì)磁涌流接近短路電流水平?？梢娒旱V電纜短路故障類型的多樣性和強(qiáng)非線性，易與強(qiáng)電氣擾動(dòng)造成混淆，為短路故障識(shí)別及類型判定帶來了困難，為此文中借鑒深度學(xué)習(xí)思想來解決此問題。

2.2" 模型輸入量選取

電纜短路暫態(tài)過程含有大量故障信息，但持續(xù)時(shí)間短，故障特征提取困難，短路穩(wěn)態(tài)過程雖持續(xù)時(shí)間長(zhǎng)，但特征分散性強(qiáng)，難以獲取普適性特征。由于煤礦在各段電纜首端均裝設(shè)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(hào)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(hào)窗寬設(shè)為故障前、后各一周期。

利用Min-Max方法［26］對(duì)原始故障數(shù)據(jù)進(jìn)行歸一化，將歸一化的數(shù)據(jù)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(hào)以及其中的最大、最小值，A；i^為歸一化的電流數(shù)據(jù)。

2.3" 故障特征自動(dòng)提取

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

電機(jī)啟動(dòng)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(shí)間、相位差異、頻譜等特征信息，綜合了暫態(tài)和穩(wěn)態(tài)的全部特征。由此可見，改進(jìn)SAE深度學(xué)習(xí)模型有效解決了傳統(tǒng)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(gòu)造

為了充分保留與擴(kuò)大深層特征之間的差異性，并提高SAE深度學(xué)習(xí)模型分析深層特征與故障類型間關(guān)系的能力，采用ELM模型對(duì)傳統(tǒng)Softmax分類器進(jìn)行替換，以提高對(duì)煤礦電纜短路故障的識(shí)別準(zhǔn)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(jīng)網(wǎng)絡(luò)，具有良好的非線性映射能力，對(duì)故障數(shù)據(jù)的學(xué)習(xí)能力強(qiáng)［27］。典型的ELM模型結(jié)構(gòu)如圖6所示。

定義hi=hi1，hi2，…，hinT為IDT-SAE模型自動(dòng)提取的電纜故障特征；ti=［ti1，ti2，…tim］T為故障類型標(biāo)簽。ELM數(shù)學(xué)模型表示為

∑Li=1βig（ωi·hj+bi）=tj;j=1，2，…，N

（8）

式中" L為隱含層節(jié)點(diǎn)個(gè)數(shù)；ωi為第i個(gè)隱含節(jié)點(diǎn)與輸入層節(jié)點(diǎn)之間的權(quán)值；bi為隱含層第i個(gè)節(jié)點(diǎn)的偏置；βi為第i個(gè)隱含節(jié)點(diǎn)與輸出層節(jié)點(diǎn)之間的權(quán)值；g（·）為激活函數(shù)。使用Sigmoid函數(shù)作為ELM隱含層神經(jīng)元的激活函數(shù)，其表達(dá)式為

f（hin）=11+e－h(huán)in

（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(quán)值矩陣；T為目標(biāo)數(shù)據(jù)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(biāo)函數(shù)

min‖Hβ－T‖2

（12）

由此可推導(dǎo)出式（12）的最優(yōu)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(gòu)建的故障分類器解決

了傳統(tǒng)Softmax分類器對(duì)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(shí)別方法

基于IDT-SAE-ELM的煤礦電纜短路故障識(shí)別方法的結(jié)構(gòu)與原理如圖7所示，圖7中綠色箭頭表示Dropout技術(shù)的集成過程。

4.1" 模型參數(shù)選取

學(xué)習(xí)率是影響IDT-SAE深度學(xué)習(xí)模型的重要超參數(shù)［28］。自適應(yīng)學(xué)習(xí)率Adam算法通過計(jì)算梯度的一階和二階矩估計(jì)，保證不同參數(shù)具有單獨(dú)的自適應(yīng)學(xué)習(xí)率，能夠加快模型的收斂速度。因此文中采用Adam算法對(duì)模型參數(shù)進(jìn)行優(yōu)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(shù)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(jì)衰減率；t和t分別為第t次迭代的一階矩估計(jì)和二階矩估計(jì)；α為初始學(xué)習(xí)率；αt為第t次迭代的學(xué)習(xí)率；C為常數(shù)，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(duì)模型隱含層層數(shù)、神經(jīng)元個(gè)數(shù)與Dropout失活率等參數(shù)進(jìn)行設(shè)置，模型結(jié)構(gòu)為：IDT-SAE設(shè)置3層編碼環(huán)節(jié)，包括1個(gè)輸入層，1個(gè)集成層和2個(gè)隱含層。輸入層神經(jīng)元個(gè)數(shù)與故障樣本維度相同，集成層中3個(gè)隱含層1的神經(jīng)元個(gè)數(shù)均為128，分別對(duì)應(yīng)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(jīng)元個(gè)數(shù)分別為64，32。ELM分類器的輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)分別為32，350，10。

4.2" 模型建立與應(yīng)用

所提IDT-SAE-ELM模型的建模與應(yīng)用如圖8所示。

從圖8可以看出，模型訓(xùn)練階段包括正向傳播和反向傳播2個(gè)過程。故障數(shù)據(jù)正向傳播時(shí)，若實(shí)際輸出未收斂于設(shè)定誤差范圍，則進(jìn)行誤差反向傳播，模型權(quán)值與偏置基于自適應(yīng)學(xué)習(xí)率進(jìn)行調(diào)整后再次正向傳播，直至實(shí)際輸出與期望輸出保持在允許誤差范圍內(nèi)，建模過程即可完成。

應(yīng)用模型時(shí)，將采集到的故障電流數(shù)據(jù)按式（7）歸一化處理后進(jìn)行排列拼接，分為訓(xùn)練集與測(cè)試集，利用訓(xùn)練集數(shù)據(jù)調(diào)試IDT-SAE-ELM模型參數(shù)及深層特征提取效果，測(cè)試集數(shù)據(jù)驗(yàn)證模型對(duì)煤礦電纜短路故障識(shí)別及其類型判定的準(zhǔn)確性。

5" 試驗(yàn)分析

5.1" 試驗(yàn)評(píng)價(jià)指標(biāo)

采用準(zhǔn)確率與精度分別評(píng)價(jià)所提方法對(duì)電纜短路故障識(shí)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(jié)果。其中準(zhǔn)確率綜合衡量短路故障整體識(shí)別率，精度反映短路類型判定效果，準(zhǔn)確率與精度的表達(dá)式分別為

yA=mAMA×100%

（15）

yp=mpMp×100%

（16）

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

5.2" 試驗(yàn)設(shè)計(jì)

為了全面分析IDT-SAE-ELM模型性能，從以下方面進(jìn)行設(shè)計(jì)。

1）為驗(yàn)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(yàn)對(duì)各類短路故障設(shè)置不同短路發(fā)生條件，以此模擬短路故障特征的多樣性和分散性，詳細(xì)的故障條件設(shè)置見表1。仿真中加入電機(jī)啟動(dòng)、變壓器空載投切等，以反映煤礦電網(wǎng)中強(qiáng)電氣擾動(dòng)和非線性電弧對(duì)短路故障的影響。

系統(tǒng)采樣頻率設(shè)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(shù)據(jù)，共計(jì)1 000組，將其按式（7）進(jìn)行預(yù)處理后劃分為800條訓(xùn)練樣本與200條測(cè)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(dòng)獲得煤礦電纜短路故障和電氣擾動(dòng)的識(shí)別及其類型判定結(jié)果。

2）將傳統(tǒng)SAE和IDT-SAE模型的Loss曲線進(jìn)行對(duì)比分析，驗(yàn)證所提方法的抗過擬合能力，并對(duì)二者自動(dòng)提取的深層故障特征進(jìn)行可視化分析，以驗(yàn)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(tǒng)SAE和IDT-SAE模型相連，通過對(duì)比短路故障識(shí)別結(jié)果來驗(yàn)證ELM故障分類能力優(yōu)于Softmax，以及IDT-SAE模型具有顯著提升短路識(shí)別準(zhǔn)確率的優(yōu)勢(shì)；試驗(yàn)中還選取隨機(jī)森林算法（RF）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、ELM等人工智能方法中用于故障識(shí)別領(lǐng)域的常用方法，將文中方法的短路識(shí)別結(jié)果與上述3種方法的識(shí)別結(jié)果進(jìn)行對(duì)比，以進(jìn)一步驗(yàn)證所提方法可顯著提高煤礦電纜短路故障的識(shí)別準(zhǔn)確率。

4）進(jìn)一步利用RF、BPNN、ELM等人工智能方法對(duì)短路故障類型進(jìn)行判定，并與文中方法的判定結(jié)果進(jìn)行對(duì)比，以驗(yàn)證所提方法對(duì)煤礦電纜各短路類型的判定效果。

5）在原始故障采樣數(shù)據(jù)中加入不同信噪比的高斯白噪聲，選取深度學(xué)習(xí)算法中典型的卷積神經(jīng)網(wǎng)絡(luò)（CNN），與文中方法短路故障識(shí)別準(zhǔn)確率進(jìn)行對(duì)比來驗(yàn)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(tǒng)由6個(gè)地面10 kV變電所、2個(gè)井下中央變電所和3個(gè)采區(qū)變電所組成。地面35 kV變電站裝有主變壓器2臺(tái)，型號(hào)為SZ11-31500/35，電壓經(jīng)主變壓器降為10 kV。以該煤礦采區(qū)供電網(wǎng)絡(luò)為例，將采區(qū)供電系統(tǒng)以外的系統(tǒng)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(qū)供電

系統(tǒng)有4回電纜出線，長(zhǎng)度分別為

2，2.3，2，0.24 km，其參數(shù)見表2。圖中T1、T2為礦用移動(dòng)變壓器，L3末端連接礦井帶式輸送機(jī)，上述電氣設(shè)備參數(shù)分別見表3和表4。仿真試驗(yàn)根據(jù)表1中的各種故障條件進(jìn)行設(shè)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(shù)緩解SAE模型過擬合的效果，并與傳統(tǒng)SAE模型的Loss曲線進(jìn)行對(duì)比，如圖10所示。

從圖10可以看出，傳統(tǒng)SAE模型的Loss訓(xùn)練曲線在第8次迭代后測(cè)試集曲線不再下降反而高于訓(xùn)練集，模型訓(xùn)練過程出現(xiàn)過擬合現(xiàn)象；而文中方法在訓(xùn)練集與測(cè)試集上Loss曲線收斂性良好，這表明采用IDT技術(shù)對(duì)SAE模型進(jìn)行改進(jìn)能夠有效緩解模型的過擬合問題，驗(yàn)證了文中方法在煤礦復(fù)雜環(huán)境下的穩(wěn)定性。

T-分布隨機(jī)近鄰嵌入（T-SNE）算法［32］能夠可視化IDT-SAE深度學(xué)習(xí)模型對(duì)短路故障的深層特征提取能力，同時(shí)增強(qiáng)深度學(xué)習(xí)模型解釋性。因此，采用T-SNE算法對(duì)傳統(tǒng)SAE和IDT-SAE模型提取的煤礦電纜短路故障深層特征進(jìn)行分析，其結(jié)果如圖11所示。

從圖11（a）可以看出，傳統(tǒng)SAE模型提取的深層特征經(jīng)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(jīng)T-SNE降維后，不同短路類型的故障特征表現(xiàn)出明顯的聚類特性，如圖11（b）所示。試驗(yàn)表明IDT-SAE深度學(xué)習(xí)模型具有強(qiáng)大的故障深層特征提取能力，為進(jìn)一步的短路故障識(shí)別奠定了基礎(chǔ)。

5.5" 短路故障識(shí)別準(zhǔn)確率

傳統(tǒng)SAE模型用于故障識(shí)別時(shí)常采用Softmax作為分類器，記為傳統(tǒng)SAE-Softmax；為了體現(xiàn)ELM故障分類能力優(yōu)于Softmax，將ELM與傳統(tǒng)SAE深度學(xué)習(xí)模型相連，記為傳統(tǒng)SAE-ELM；為驗(yàn)證IDT-SAE模型能有效提升短路故障識(shí)別準(zhǔn)確率，對(duì)其采用Softmax分類器，記為IDT-SAE-Softmax。而文中方法將IDT-SAE深度學(xué)習(xí)模型與ELM分類器相結(jié)合。4種方法對(duì)煤礦電纜短路故障的識(shí)別準(zhǔn)確率統(tǒng)計(jì)結(jié)果見表5。

由表5可知，傳統(tǒng)SAE-Softmax模型在訓(xùn)練集與測(cè)試集中短路故障識(shí)別準(zhǔn)確率分別為89.00%、87.85%，相比之下，傳統(tǒng)SAE-ELM的識(shí)別準(zhǔn)確率提高了5.87%、5.65%，IDT-SAE-Softmax識(shí)別準(zhǔn)確率分別提升至97.50%、95.00%；而該方法短路識(shí)別準(zhǔn)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(shí)別準(zhǔn)確率，具有較好的穩(wěn)定性。

為了進(jìn)一步驗(yàn)證文中方法短路故障識(shí)別效果，分別采用RF、BPNN、ELM人工智能方法對(duì)煤礦短路故障進(jìn)行識(shí)別并與文中方法對(duì)比，其中對(duì)比算法中的ELM同時(shí)完成故障特征提取和短路故障識(shí)別，而文中方法將ELM模型作為分類器，僅用于識(shí)別短路故障，故障特征提取則由IDT-SAE模型實(shí)現(xiàn)。試驗(yàn)采用5折交叉法避免識(shí)別結(jié)果的偶

然性［33］，上述4種方法的識(shí)別準(zhǔn)確率如圖12所示。

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

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(duì)RF、BPNN、ELM與文中方法的短路類型判定結(jié)果進(jìn)行細(xì)化分析?；煜仃嚨男?、列分別代表故障類型和判定結(jié)果，其對(duì)角線反映了故障被正確判定的情況，非對(duì)角線代表辨識(shí)錯(cuò)誤情況，每列中的對(duì)角線樣本數(shù)與該列樣本總

數(shù)之比為故障類型判定精度，試驗(yàn)結(jié)果如圖13所示。

從圖13可以看出，以RF、BPNN、ELM為代表的傳統(tǒng)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(duì)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(dòng)錯(cuò)判為短路故障；BPNN與ELM易將電機(jī)啟動(dòng)誤判為短路故障。上述方法對(duì)各短路類型的判定精度統(tǒng)計(jì)結(jié)果見表6。

由表6可知，該試驗(yàn)中RF對(duì)不同故障類型的平均判定精度僅有91.29%；BPNN與ELM對(duì)電機(jī)啟動(dòng)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(duì)8種短路和電氣擾動(dòng)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(duì)煤礦電纜短路類型的判定效果良好，更適用于煤礦復(fù)雜工況環(huán)境下對(duì)短路故障類型的判定。

5.7" 抗噪性能分析

上述試驗(yàn)分別對(duì)文中方法的抗過擬合能力、深層特征提取能力、短路故障識(shí)別準(zhǔn)確率和各短路類型判定精度進(jìn)行了分析，驗(yàn)證了在復(fù)雜工況環(huán)境下所提方法仍具有良好的穩(wěn)定性與魯棒性。為了進(jìn)一步增加煤礦電網(wǎng)工況環(huán)境的復(fù)雜性與隨機(jī)性，在故障數(shù)據(jù)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(xué)習(xí)方法對(duì)短路故障進(jìn)行識(shí)別，二者的準(zhǔn)確率對(duì)比結(jié)果如圖14所示。

從圖14可以看出，CNN的短路識(shí)別準(zhǔn)確率隨著噪聲強(qiáng)度的增加出現(xiàn)明顯下降，在20dB時(shí)準(zhǔn)確率僅有94.13%。而文中方法在不同信噪比下短路識(shí)別準(zhǔn)確率波動(dòng)較小，保持在98.75%以上，表明文中方法在不同噪聲環(huán)境中具有良好的抗干擾能力，所采用的改進(jìn)模型具有較高的穩(wěn)定性與魯棒性。

綜上試驗(yàn)分析表明文中方法在煤礦惡劣電磁環(huán)境中，對(duì)電纜短路故障深層特征提取能力強(qiáng)，具有良好的穩(wěn)定性與魯棒性，適用于煤礦復(fù)雜工況環(huán)境下短路故障的辨識(shí)及類型判定。

6" 結(jié)" 論

1）利用IDT技術(shù)對(duì)傳統(tǒng)SAE模型結(jié)構(gòu)進(jìn)行改進(jìn)，解決了SAE深度學(xué)習(xí)模型過擬合風(fēng)險(xiǎn)；采用ELM模型構(gòu)建故障分類器，克服了Softmax分類器學(xué)習(xí)能力的不足。所提模型適用于對(duì)具有非線性、不穩(wěn)定性和分散性特征的煤礦電纜短路故障進(jìn)行識(shí)別。

2）文中方法相比于傳統(tǒng)SAE深度學(xué)習(xí)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(shí)別準(zhǔn)確率及類型判定精度。經(jīng)試驗(yàn)驗(yàn)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(shí)別準(zhǔn)確率相較于傳統(tǒng)SAE模型提高了11.4%。

3）文中方法解決了煤礦電網(wǎng)保護(hù)裝置發(fā)生越級(jí)跳閘后故障原因排查困難，且無法快速恢復(fù)供電等難題，通過嵌入井下配電子站或上位機(jī)監(jiān)控系統(tǒng)準(zhǔn)確識(shí)別短路故障，以提高保護(hù)裝置動(dòng)作的可靠性，而短路類型的精準(zhǔn)判定為事故分析和故障快速處理提供了科學(xué)依據(jù)。

參考文獻(xiàn)（References）：

［1］" 劉健，張志華，吳水蘭，等.一二次配合的配電網(wǎng)故障處理［J］.電力系統(tǒng)保護(hù)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(jí)跳閘新方法的研究［J］.西安科技大學(xué)學(xué)報(bào)，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(jí)差配合的城市配電網(wǎng)高選擇性繼電保護(hù)方案［J］.電力系統(tǒng)自動(dòng)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(tǒng)串聯(lián)故障電弧在線檢測(cè)方法［J］.電工技術(shù)學(xué)報(bào)，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(dòng)保護(hù)在柔直接入的交流電網(wǎng)中適應(yīng)性分析及改進(jìn)措施研究［J］.電力系統(tǒng)保護(hù)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(cè)方法［J］.電力自動(dòng)化設(shè)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(shí)間熵的配電網(wǎng)運(yùn)行狀態(tài)特征提取方法［J］.電力自動(dòng)化設(shè)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(dòng)識(shí)別方法［J］.電網(wǎng)技術(shù)，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(xué)習(xí)的輸電線路故障選相模型及其可遷移性研究［J］.電力自動(dòng)化設(shè)備，2020，40（10）：165-172.

YANG Yi，F(xiàn)AN 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(guó)民，黃睿靈，丁會(huì)巧.基于VMD樣本熵和KELM的輸電線路故障診斷［J］.電子測(cè)量與儀器學(xué)報(bào)，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(jī)森林的輸電線路故障類型識(shí)別［J］.電力系統(tǒng)保護(hù)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(qū)電磁反演研究［J］.西安科技大學(xué)學(xué)報(bào)，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(yù)測(cè)［J］.西安科技大學(xué)學(xué)報(bào)，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(dòng)編碼器的汽輪發(fā)電機(jī)多指標(biāo)故障診斷模型［J］.中國(guó)電機(jī)工程學(xué)報(bào)，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(shù)優(yōu)化深度置信網(wǎng)絡(luò)的霧霾預(yù)測(cè)模型［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，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(fēng)速預(yù)測(cè)研究［J］.太陽能學(xué)報(bào)，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(shí)-頻域混合特征的變電站通信網(wǎng)異常流量檢測(cè)方法［J］.電力系統(tǒng)自動(dòng)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(jìn)神經(jīng)網(wǎng)絡(luò)與比值法融合的變壓器故障診斷方法［J］.高電壓技術(shù)，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(shí)別方法［J］.電力系統(tǒng)保護(hù)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(xué)報(bào)，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(biāo)準(zhǔn)化的堆疊自編碼網(wǎng)絡(luò)風(fēng)電機(jī)組變槳系統(tǒng)故障診斷［J］.太陽能學(xué)報(bào)，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(xué)習(xí)的恒功率負(fù)荷直流微電網(wǎng)穩(wěn)定性分析［J］.電力系統(tǒng)自動(dòng)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?jié)舛阮A(yù)測(cè)模型［J］.西安科技大學(xué)學(xué)報(bào)，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(jìn)花，等.基于VMD和SVPSO-BP的滾動(dòng)軸承故障診斷［J］.太陽能學(xué)報(bào)，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(jīng)網(wǎng)絡(luò)miniXception對(duì)礦工情緒特征的識(shí)別［J］.西安科技大學(xué)學(xué)報(bào)，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(jī)煤量檢測(cè)方法［J］.西安科技大學(xué)學(xué)報(bào)，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(xué)學(xué)報(bào)（自然科學(xué)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(shù)據(jù)的配電網(wǎng)故障停電預(yù)測(cè)方法［J］.電力系統(tǒng)保護(hù)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(zé)任編輯：高佳）