基于運(yùn)檢管控平臺(tái)多源信息融合的輸電線路故障類型診斷方法

李婷，張孝軍，潘華，朱維鈞，樂(lè)健

（1. 國(guó)網(wǎng)湖南省電力有限公司電力科學(xué)研究院，長(zhǎng)沙 410007；2. 國(guó)網(wǎng)湖南省電力有限公司，長(zhǎng)沙 410073；3. 武漢大學(xué)電氣與自動(dòng)化學(xué)院，武漢 430072）

0 引言

架空輸電線路分布較為復(fù)雜，不同線路段經(jīng)過(guò)的地理與氣象也都非常不同，因此存在著不同的故障問(wèn)題，而輸電線路在系統(tǒng)中擔(dān)負(fù)著重要的責(zé)任，由此會(huì)給系統(tǒng)的穩(wěn)定運(yùn)行和安全供電帶來(lái)一定的威脅［1-4］。由于輸電線路發(fā)生不明故障引起跳閘，若處理不當(dāng)可能電網(wǎng)崩潰引發(fā)大面積停電事故［5-7］。因此，如何進(jìn)行輸電線路故障識(shí)別并有針對(duì)性地進(jìn)行故障恢復(fù)是電網(wǎng)穩(wěn)定運(yùn)行必須要重點(diǎn)關(guān)注的對(duì)象［8-11］。

目前的輸電線路故障診斷涉及到故障信息非常少，僅側(cè)重于故障錄波里的零序電流信息，而環(huán)境氣象信息以及重合閘信息并沒(méi)有被考慮到［12-13］。單一的故障信息由于特征信息量較少，會(huì)使得診斷出現(xiàn)錯(cuò)誤。文獻(xiàn)［14］提出了一種依賴運(yùn)行數(shù)據(jù)進(jìn)行線路狀態(tài)診斷的方法，但是提取的故障特征信息還是較為單一，且該評(píng)估方法受限于評(píng)估數(shù)據(jù)是否完整。文獻(xiàn)［15］提出利用電流初始波頭能量來(lái)診斷輸電線路故障類型，該方法僅提取故障錄波信息中的故障相電流信息。文獻(xiàn)［16］提出構(gòu)造故障錄波信息中的線路電流與電壓之間的瞬時(shí)能量比，根據(jù)合理的判據(jù)來(lái)進(jìn)行故障相的診斷。文獻(xiàn)［17］提出了一種基于故障錄波信息中非故障相相間電阻變化特征的故障相診斷方法，該方法適用于故障振蕩期。文獻(xiàn)［18］提出了利用S 變換提取各模分量在特定時(shí)間下的單一頻率模相量來(lái)進(jìn)行輸電線路故障快速選相方法。

多源信息融合算法一般可分為隨機(jī)算法和人工智能算法［19-22］。隨機(jī)法計(jì)算量小但受用范圍窄。文獻(xiàn)［23］利用基于改進(jìn)DS 證據(jù)理論進(jìn)行多源信息融合診斷和同源故障信息確認(rèn)，能夠?qū)崿F(xiàn)精準(zhǔn)診斷定位。人工智能法主要有支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等，應(yīng)用于更高層次的融合。文獻(xiàn)［24］提出了一種基于RBF 神經(jīng)網(wǎng)絡(luò)理論的輸電線路故障類型識(shí)別的新方法，該方法的識(shí)別精度相對(duì)較高。

綜上分析，為了克服傳統(tǒng)輸電線路故障診斷方法的不足，本文提出了基于運(yùn)檢管控平臺(tái)多源信息融合的輸電線路故障類型診斷方法，主要基于運(yùn)檢管控平臺(tái)的輸電線路多源故障信息融合技術(shù)，整合形成輸電線路不同故障類型下的實(shí)際波形數(shù)據(jù)庫(kù)及關(guān)聯(lián)信息數(shù)據(jù)庫(kù)，采用小波包分析提取不同輸電線路故障類型的故障特征值，采用機(jī)器學(xué)習(xí)算法完成多源信息融合的故障診斷。并依據(jù)某地區(qū)歷史跳閘線路故障數(shù)據(jù)進(jìn)行驗(yàn)證，實(shí)際算例驗(yàn)證了本文方法的正確性和有效性。

1 輸電線路故障成因診斷平臺(tái)架構(gòu)

輸電線路不同故障成因?qū)?yīng)了不同故障機(jī)理，對(duì)應(yīng)的分類也不同，其中雷擊包含反擊和繞擊兩種，而非雷擊故障則由山火、污穢、鳥害等組成。

某省運(yùn)檢智能化管控平臺(tái)（簡(jiǎn)稱OICP）整合PMS、雷電定位、狀態(tài)監(jiān)測(cè)等專業(yè)平臺(tái)多源數(shù)據(jù)，全方位展現(xiàn)設(shè)備狀態(tài)；建立分析模型，利用數(shù)據(jù)中臺(tái)計(jì)算能力，實(shí)現(xiàn)基于多源數(shù)據(jù)實(shí)時(shí)計(jì)算的設(shè)備狀態(tài)分析、監(jiān)測(cè)預(yù)警和故障診斷；掌控設(shè)備及通道狀態(tài)，大幅優(yōu)化運(yùn)檢資源配置，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)運(yùn)檢業(yè)務(wù)創(chuàng)新發(fā)展和效率提升。同時(shí)依托大屏可視化手段，實(shí)現(xiàn)多源信息實(shí)時(shí)展示；依托現(xiàn)代通信技術(shù)和多源信息整合，實(shí)現(xiàn)多源信息的融合互動(dòng)?；谶\(yùn)檢管控平臺(tái)的輸電線路多源故障數(shù)據(jù)互聯(lián)技術(shù)架構(gòu)如圖1所示。

圖1 基于運(yùn)檢管控平臺(tái)的多源數(shù)據(jù)互聯(lián)Fig.1 Multi-source data interconnection based on the OICP

2015—2020 年期間，有紀(jì)錄的220 kV 及以上故障跳閘超過(guò)200 條，其中雷擊為最主要的故障原因，超過(guò)105 條，占比達(dá)47%；山火（24 條）、鳥害（29 條）和外破（45 條）故障占比也較高，而樹(shù)障（3條）、異物（3 條）、風(fēng)偏（4 條），冰害（4 條），其他（7條）故障占比較小，具體情況如圖2所示。

圖2 某省電網(wǎng)輸電線路不同故障統(tǒng)計(jì)Fig.2 Different fault statistics of transmission lines in one power grid

2 輸電線路故障類型診斷模型

2.1 多源信息融合技術(shù)

多源數(shù)據(jù)融合也稱信息融合，是一種自動(dòng)化綜合信息處理技術(shù)，通過(guò)對(duì)多源數(shù)據(jù)進(jìn)行融合處理，提取關(guān)鍵特征以克服單一數(shù)據(jù)來(lái)源的局限性，充分利用多種信息提高決策診斷的準(zhǔn)確性。

多源信息融合技術(shù)由數(shù)據(jù)層融合、特征層融合和決策層融合3 種組合而成，融合層次越高意味著結(jié)果準(zhǔn)確度越高，但花費(fèi)的代價(jià)也越大。其基本結(jié)構(gòu)如圖3所示。

圖3 不同層次信息融合的結(jié)構(gòu)Fig.3 Structure of different levels of information fusion

2.2 故障診斷信息選取

本文重點(diǎn)在輸電線路故障類型的快速診斷，因此需要基于故障機(jī)理和大量實(shí)際歷史故障數(shù)據(jù)的深入分析，并建立典型故障原因?qū)嶋H數(shù)據(jù)庫(kù)。從故障相關(guān)因素中提取出與故障的發(fā)生密切相關(guān)的特征量，作為故障診斷關(guān)鍵信息。

故障相關(guān)信息可分為三類：故障氣象環(huán)境、故障錄波信息、重合閘信息。

本文選取的故障信息包括以下幾點(diǎn)。

1） 環(huán)境氣象信息。天氣、季節(jié)、時(shí)間等。長(zhǎng)距離輸電線路不同路段經(jīng)過(guò)的地理與氣象也都非常不同，因此進(jìn)行故障診斷時(shí)不可忽略氣象因素。

2） 故障錄波信息。可提取故障數(shù)值特性，如故障接地性質(zhì)、過(guò)渡電阻性質(zhì)、零序電流直流分量與諧波含量等。不同的故障起因?qū)?yīng)的閃絡(luò)機(jī)理不同，直接反映在故障特征數(shù)據(jù)上，因此故障錄波信息不可忽略。

3） 重合閘信息。通過(guò)提取運(yùn)檢管控平臺(tái)的線路故障后重合閘分析結(jié)果可進(jìn)行故障診斷。

2.3 故障特征量提取

1）環(huán)境氣象信息特征量提取

由于氣象特征是非定量數(shù)值性的模糊因素，因此針對(duì)不同特征進(jìn)行不同分類處理。

輸電線路故障時(shí)對(duì)應(yīng)的天氣信息有不同類型。其中部分天氣條件區(qū)分不大，為了簡(jiǎn)化其分類可合并一類。本文將故障天氣特征劃分為3 類：雷雨、陰天和晴天。

2）故障錄波信息特征量提取

由于故障電流和零序電流的時(shí)域特性難以體現(xiàn)故障特征，本文從頻域角度提取其故障特征量。

本文采用小波包分析提取故障特征量，其分解可表達(dá)為：

式中：j為尺度系數(shù)；n為頻率指標(biāo)；D（j+1，n）為上一級(jí)分解結(jié)果；D（j，2n）和D（j，2n+1）為下一級(jí)分解結(jié)果；h、g分別為小波分析共軛低通、高通濾波器系數(shù)；l，k為小波函數(shù)的位置系數(shù)。小波包分解結(jié)構(gòu)如圖4所示。

圖4 小波包分解樹(shù)狀結(jié)構(gòu)Fig.4 Wavelet packet decomposition tree structure

根據(jù)Parseval 能量積分等式，原始信號(hào)x（t）在時(shí)域上能量定義為：

假設(shè)對(duì)原始信號(hào)進(jìn)行3 層分解，則得到頻率從低到高的8 個(gè)小波包子頻帶，分別用E3，0、E3，1、…、E3，7表示各頻帶含有的能量，具體表達(dá)式為：

式中：D（i，j）為小波系數(shù)；N為所截取的故障錄波的時(shí)間長(zhǎng)度。

根據(jù)各小波包子頻帶的能量可構(gòu)造故障特征向量為：

為提高在數(shù)據(jù)分析上的效率，通常將小波包能量進(jìn)行歸一化處理，令：

則得到歸一化后的特征向量為：

3）重合閘特征量提取

重合閘特征也是非數(shù)值性的，本文按照運(yùn)檢管控平臺(tái)分析結(jié)果將其劃分為兩類，即重合成功和重合不成功。

2.4 故障診斷方法

本文采用機(jī)器學(xué)習(xí)算法對(duì)輸電線路電氣故障特征進(jìn)行識(shí)別。機(jī)器學(xué)習(xí)算法中的BP 神經(jīng)網(wǎng)絡(luò)算法是一種模擬生物過(guò)程的計(jì)算模型，與其他機(jī)器算法相比，神經(jīng)網(wǎng)絡(luò)自適應(yīng)性程度很高，但BP 算法容易被訓(xùn)練集樣本限制，無(wú)法充分展示其自身優(yōu)越性。Adaboost 算法作為一種迭代算法具有融合作用，能夠與多種機(jī)器學(xué)習(xí)算法結(jié)合進(jìn)行故障識(shí)別與診斷。為了減少訓(xùn)練集樣本結(jié)構(gòu)局限性的影響，進(jìn)而提高故障識(shí)別能力，進(jìn)行Adaboost 與BP 算法融合改進(jìn)。

采用的Adaboost-BP 算法具體步驟如下。

1） 利用提取到的故障特征量，包括故障電流小波包能量、零序電流小波包能量等共n個(gè)數(shù)據(jù)組成訓(xùn)練集X= ｛x1，x2，…，xn｝，本文算例中n取21，各輸電線路對(duì)應(yīng)的故障種類組成D= ｛d1，d2， …，dn｝作為期望輸出，其中1 表示雷擊，2表示外部破壞，3 表示鳥害，4 表示山火。設(shè)定訓(xùn)練集中X中樣本權(quán)重值相同，為訓(xùn)練集X中樣本設(shè)定相同的權(quán)重值。

式中v1i=1/n為樣本的初始化權(quán)重，i=1，2，…，n。

2） 用訓(xùn)練樣本訓(xùn)練第s個(gè)BP 弱分類器Ps。由Ps的分類結(jié)果Qs=｛d′1，d′2，…，d′n｝與D對(duì)比得到誤差樣本，并計(jì)算第s個(gè)分類器的誤差。

式中：R為分類誤差樣本集合；Vs（r）為在分類器Ps中第r個(gè)樣本的分類誤差；QS（r）為第r個(gè)樣本由分類器Ps給出的分類結(jié)果；D（r）為表示第r個(gè)樣本的實(shí)際分類。

3）計(jì)算Ps的權(quán)重Ws，并同步調(diào)整下一個(gè)分類器的權(quán)重Vs+1。

式中Hs為樣本權(quán)重歸一化因子。

4）循環(huán)執(zhí)行上述步驟2）—3），將所有分類器訓(xùn)練完畢。利用訓(xùn)練好的模型進(jìn)行檢測(cè)樣本的故障診斷識(shí)別，綜合給出輸電線路故障診斷結(jié)果。

綜上所述，本文所提出的基于運(yùn)檢管控平臺(tái)多源信息融合的輸電線路故障類型診斷方法流程如圖5所示。

圖5 基于運(yùn)檢管控平臺(tái)多源信息融合的輸電線路故障類型診斷方法流程Fig. 5 Fault type diagnosis method process of transmission lines based on multi-source information fusion of OICP

1） 結(jié)合運(yùn)檢管控平臺(tái)的歷史運(yùn)行故障數(shù)據(jù)建立好典型故障原因數(shù)據(jù)庫(kù)，然后從數(shù)據(jù)庫(kù)中讀取各類故障原因的波形數(shù)據(jù)及關(guān)聯(lián)信息進(jìn)行預(yù)處理；

2） 對(duì)故障波形數(shù)據(jù)進(jìn)行頻域分析，采用小波包提取出相關(guān)特征量，提取故障氣象環(huán)境及重合閘信息；

3） 將故障特征量進(jìn)行特征融合形成訓(xùn)練樣本，作為機(jī)器學(xué)習(xí)算法輸入，給出預(yù)測(cè)模型；

4） 結(jié)合預(yù)測(cè)模型給出新發(fā)生故障的故障類型診斷結(jié)果。

b.期末考核要求在規(guī)定的時(shí)間內(nèi)設(shè)計(jì)一個(gè)綜合網(wǎng)站，并提出總體設(shè)計(jì)方案，考查學(xué)生的動(dòng)手能力、實(shí)際操作能力，學(xué)生完成后通過(guò)FTP上傳到教師的服務(wù)器上.教師根據(jù)設(shè)計(jì)方案和具體的網(wǎng)站評(píng)定學(xué)生的成績(jī)，形成對(duì)學(xué)生專業(yè)技能的評(píng)價(jià).此成績(jī)占總成績(jī)的40%.

3 算例分析

3.1 故障數(shù)據(jù)處理

本文以某省電網(wǎng)2015—2020 年輸電線路故障數(shù)據(jù)為基礎(chǔ)，剔除掉明顯與故障理論分析不符及重復(fù)故障錄波數(shù)據(jù)后進(jìn)行輸電線路故障診斷。圖6 給出了某一條山火故障樣本的故障錄波數(shù)據(jù)的故障電流信息。

圖6 山火故障樣本故障電流Fig. 6 Fault currents of mountain fire fault samples

由圖6 分析可知，山火故障錄波數(shù)據(jù)呈現(xiàn)的特征為故障相電流和零序電流在故障時(shí)刻起一段時(shí)間內(nèi)呈現(xiàn)畸變特性，且高頻諧波居多，直流含量較少。

而雷擊故障的特征為故障相電流和零序電流的波形為正弦波形，直流含量較多；鳥害故障的特征為故障相電流和零序電流的波形為正弦波形，直流分量與諧波特別少；外破故障的特征為故障相電流和零序電流波形呈現(xiàn)畸變特性，衰減直流分量與諧波含量較多。

3.2 故障數(shù)據(jù)故障特征提取及診斷

3.2.1 故障特征提取結(jié)果

本文提取到的故障特征量有氣象特征（天氣）與數(shù)值特征（故障相電流諧波、零序電流諧波、零序電流諧波含量、零序電流直流含量、接地性質(zhì)）以及重合閘信息。采用小波包分析提取故障相電流8個(gè)諧波以及零序電流8 個(gè)諧波信息、零序電流諧波含量、零序電流直流含量，提取故障報(bào)告中的天氣條件，提取基于運(yùn)檢管控平臺(tái)的界面中線路故障后重合閘分析結(jié)果，最后整理數(shù)據(jù)如附表A1-2，附表1-2僅給出部分特征數(shù)據(jù)，其中零序電流諧波含量、零序電流直流分量、接地性質(zhì)因版面原因未給出。選擇合適數(shù)據(jù)并進(jìn)行歸一化處理得到附表A3-4。

表1 機(jī)器學(xué)習(xí)的不同指標(biāo)對(duì)比Tab.1 Comparison of different indicators of machine learning

3.2.2 故障診斷結(jié)果

選用上一小節(jié)得到的41 故障數(shù)據(jù)作為訓(xùn)練樣本以及驗(yàn)證樣本。附表A3-4 給出了部分訓(xùn)練樣本和驗(yàn)證樣本的數(shù)據(jù)，其中目標(biāo)值1 表示雷擊，2 表示外破，3表示鳥害，4表示山火。

本文利用Matlab 2019a 軟件平臺(tái)進(jìn)行仿真驗(yàn)證，硬件環(huán)境為Intel（R） Core（TM） i5-10210UCPU@ 1.60 GHz。對(duì)樣本數(shù)據(jù)的訓(xùn)練次數(shù)設(shè)為10 000次，收斂誤差為10-5，Adaboost-BP 算法完成訓(xùn)練的時(shí)間在1 s 左右。對(duì)某次故障的電氣量信號(hào)提取特征量并進(jìn)行故障類型識(shí)別所需時(shí)間約為0.4~0.5 s，表明本文所提的識(shí)別策略在算法上能夠?qū)崿F(xiàn)快速診斷。得到結(jié)果如圖7所示。

圖7 AdaBoost-BP測(cè)試集與預(yù)測(cè)結(jié)果對(duì)比Fig.7 Comparison of AdaBoost-BP test set and prediction result

圖7 顯示，以神經(jīng)網(wǎng)絡(luò)輸出為1 判斷為雷擊故障，以輸出結(jié)果為2 判斷為外破故障，以輸出結(jié)果為3 判斷為鳥害故障，以輸出結(jié)果為4 判斷為山火故障，采用Adaboost-BP 算法輸電線路故障故障判別策略計(jì)算目標(biāo)值與輸出值之間的相關(guān)系數(shù)R2高達(dá)0.971 89。同時(shí)雷雨天氣與雷擊故障關(guān)系密切，通過(guò)這一故障特征對(duì)雷擊故障的識(shí)別率較高；該算法能夠?qū)\(yùn)檢管控平臺(tái)的多源數(shù)據(jù)進(jìn)行很好的融合并給出精度較高的故障類型識(shí)別結(jié)果。

圖8 BP神經(jīng)網(wǎng)絡(luò)測(cè)試集與預(yù)測(cè)結(jié)果對(duì)比Fig.8 Comparison of BP neural network test set and prediction results

由圖8可知，BP算法下輸電線路故障判別策略計(jì)算目標(biāo)值與輸出值之間的相關(guān)系數(shù)R2為0.969 26，比Adaboost-BP 算法低了0.27%。綜合可知Adaboost-BP 算法在一定程度上提高了識(shí)別精度，進(jìn)一步表明本文所提策略的正確性和可靠性。

3.2.3 機(jī)器學(xué)習(xí)算法故障診斷對(duì)比

現(xiàn)將提出的Adaboost-BP 算法與kNN 算法以及支持向量機(jī)算法（SVM）進(jìn)行故障診斷對(duì)比。其中：

k 近鄰算法（k-Nearest Neighbors，kNN）不需要進(jìn)行訓(xùn)練即可對(duì)樣本進(jìn)行預(yù)測(cè)。其步驟為：1） 隨機(jī)從訓(xùn)練樣本中選取k個(gè)樣本組作為最初的最近鄰樣本組，分別計(jì)算測(cè)試樣本到此k個(gè)樣本組的距離；2） 篩選出距離最小的k個(gè)點(diǎn)并計(jì)算出其對(duì)應(yīng)類別的出現(xiàn)頻率；3） 輸出其中出現(xiàn)頻率最高的類別作為測(cè)試樣本結(jié)果。

SVM 在核函數(shù)映射基礎(chǔ)上實(shí)現(xiàn)訓(xùn)練集樣本特征維度提升，假設(shè)訓(xùn)練樣本為（xi，yi），通過(guò)線性回歸函數(shù)f(xi)=ω?xi+b擬合并確定ω和b，采用松弛變量ε來(lái)控制預(yù)測(cè)值與訓(xùn)練值之間的誤差。

將3 種機(jī)器學(xué)習(xí)算法進(jìn)行相似性系數(shù)R2、均方差、誤差平均值3 種指標(biāo)下的對(duì)比，其中相似性系數(shù)R2越大，則擬合效果越好，均方差、誤差平均值越小則說(shuō)明算法精度越好。表1 給出了3 種不同機(jī)器學(xué)習(xí)方法對(duì)比結(jié)果。仿真結(jié)果表明，Adaboost-BP 的誤差平均值，均方差值和R2指標(biāo)均要優(yōu)于其他方法，分別為0.076 2、0.226 2 和0.971 89。其次為kNN 算法，其均方差值和R2分別為0.585 4 和0.897 02， SVM 的3 項(xiàng)指標(biāo)均位于3 種機(jī)器算法末位，沒(méi)有發(fā)揮出其性能特點(diǎn)。

表2給出了3種機(jī)器學(xué)習(xí)算法的運(yùn)算時(shí)間對(duì)比，結(jié)果表明在3種算法中SVM所需要的時(shí)間最長(zhǎng)，而kNN 所需時(shí)間最短，耗時(shí)僅為0.198 65 s，這是由于kNN無(wú)需進(jìn)行模型訓(xùn)練的特性。

表2 運(yùn)算時(shí)間對(duì)比Tab.2 Comparison of training time

3.2.4 單一信息源診斷對(duì)比

分別以故障相電流、零序電流為單一信息源，采用同樣診斷方法進(jìn)行故障識(shí)別得到如圖9 所示結(jié)果。

圖9 單一信息源診斷結(jié)果對(duì)比Fig.9 Comparison of AdaBoost-BP test set and prediction result

由圖9 可知，在相同的判斷標(biāo)準(zhǔn)下僅有故障相電流作為唯一信息源進(jìn)行故障診斷識(shí)別的相關(guān)系數(shù)R2僅為0.776 47，識(shí)別雷擊故障的結(jié)果可靠性降低。僅有零序電流作為唯一信息源進(jìn)行故障診斷識(shí)別的相關(guān)系數(shù)R2為0.859 96，識(shí)別雷擊故障、鳥害故障、山火故障的結(jié)果正確率較僅有故障相電流作為唯一信息源的識(shí)別結(jié)果高，綜合以上對(duì)比結(jié)果可知，融合多源信息特征的故障診斷結(jié)果準(zhǔn)確性較單一信息源的高，出現(xiàn)誤判的機(jī)率要少，可靠性相對(duì)較高。

4 結(jié)語(yǔ)

本文主要基于運(yùn)檢管控平臺(tái)的輸電線路多源故障信息融合技術(shù)，整合形成輸電線路不同故障類型下的實(shí)際波形數(shù)據(jù)庫(kù)及關(guān)聯(lián)信息數(shù)據(jù)庫(kù)，采用小波包分析提取不同輸電線路故障類型的故障特征值，采用機(jī)器學(xué)習(xí)算法完成多源信息融合的故障診斷。并依據(jù)湖南地區(qū)歷史跳閘線路故障數(shù)據(jù)進(jìn)行驗(yàn)證。通過(guò)驗(yàn)證分析對(duì)比可得出以下結(jié)論：1） 本文所提出的基于運(yùn)檢管控平臺(tái)多源信息融合的輸電線路故障快速診斷策略具有較高的準(zhǔn)確性和可靠性；2）不同機(jī)器學(xué)習(xí)算法的故障診斷性能對(duì)比不同，其中，Adaboost-BP 的誤差平均值，均方差值和R2指標(biāo)均要優(yōu)于kNN 及SVM，其運(yùn)行時(shí)間介于kNN 及SVM 之間，綜合來(lái)說(shuō)采用Adaboost-BP 算法來(lái)能夠?qū)\(yùn)檢管控平臺(tái)的多源數(shù)據(jù)進(jìn)行很好的融合并給出精度較高的故障類型識(shí)別結(jié)果，減少了對(duì)訓(xùn)練集樣本結(jié)構(gòu)局限性的影響，提高了故障識(shí)別能力；3）基于多源信息的融合，能夠加快故障診斷識(shí)別。

附錄

表A1 部分故障特征量數(shù)據(jù)(1)Tab. A1 Partial fault characteristic data（1）