论文部分内容阅读
矿用电力电缆是整个煤矿电力系统传输电能的纽带,影响着整个煤矿电力系统的稳定运行。由于矿用电力电缆的运行环境比较特殊,极易发生各种短路故障,如果不及时处理,轻则导致煤矿停电造成经济损失,重则引发煤矿火灾事故造成人员伤亡。因此研究快速准确的电力电缆故障诊断方法,对保障煤矿电力系统的供电安全至关重要。本文以矿用电力电缆为研究对象,在总结分析电力电缆故障诊断国内外研究现状的基础上,对矿用电力电缆故障特征进行研究,明确了其故障类型和产生故障的原因。根据煤矿供电系统的组成与特点,在考虑实际情况的前提下,在PSCAD中搭建煤矿10kV系统电力电缆仿真模型,对不同短路故障下的电压和电流信号进行仿真,同时验证了仿真模型的可行性。利用小波包变换对矿用,电力电缆故障信号进行分解与重构,计算各频段的能量熵值,构造出表征不同短路故障的特征向量,提取了反应故障状态本质的有效信息特征,并将其作为故障类型判别的样本集。建立基于BP神经网络的故障诊断模型,通过模型的训练与测试,实现对矿用电力电缆的故障诊断。针对BP神经网络易陷入局部极小值和训练速度较慢的问题,本文引入粒子群优化算法对BP神经网络的权值和阈值进行优化,同时采用随机惯性权重和异步调整学习因子的策略对粒子群优化算法的参数进行优化,有助于BP神经网络收敛到全局最优点。最后,分别建立BP、PSO-BP和IPSO-BP神经网络模型对矿用电力电缆进行故障诊断实验,并综合比较了这三种模型的诊断性能。实验结果表明,基于IPSO-BP的故障诊断模型进一步提高了诊断的正确率和快速性,改善了煤矿电力系统中的电力电缆线路故障难以准确、快速诊断的问题,为矿用电力电缆故障诊断提供了一个有效的方法,在一定程度上保证了煤矿电力系统的安全运行,具有一定的理论研究意义和工程应用价值。