基于混合深度学习的煤矿电网故障诊断研究OA

传统的人工巡检、基于保护判据方法和基于统计信号处理方法的煤矿电网故障诊断技术存在实时性差、变负荷工况适应能力有限、诊断结果易受噪声干扰等问题,而基于深度学习的电网故障诊断技术用于井下时特征提取准确度低,且难以适配计算资源有限的边缘设备。针对该问题,构建了融合多尺度一维卷积神经网络(CNN)、SE通道注意力、双向门控循环单元(BiGRU)的煤矿电网故障诊断模型——MSCA−BiGRU。该模型利用卷积核尺寸分别为1,2,3的并行一维卷积分支提取多尺度特征,通过SE通道注意力模块对融合特征进行自适应重标定,并采用Bi−GRU提取特征序列的双向关联信息并实现特征编码。在Matlab/Simulink中建立煤矿电网故障仿真模型,构建包含正常、单相接地、两相接地、两相短路、三相短路和三相接地的故障数据集,对MSCA−BiGRU模型进行实验验证,结果表明该模型的故障识别准确率、精确率、召回率和F1分数分别为85.19%,85.21%,85.00%,84.97%,参数量为85278个,在识别性能和模型大小之间取得了较好平衡,整体性能优于CNN,CNN−BiLSTM,CNN−BiGRU等对比模型。