2024年1月12日发(作者：)

第 49 卷 第 10 期2023 年 10 月 工　矿　自　动　化Journal of Mine AutomationVol.49 No.10Oct. 2023“煤矿智能供配电技术”专题【编者按】煤矿供配电是高产高效矿井的动力保障，对煤矿生产和安全至关重要。当前，在实现“碳达峰、碳中和”目标的过程中，煤矿供电系统迫切需要应用物联网、大数据、云计算等新兴技术提升煤矿供电智能化程度，实现矿井安全、可靠、无人、节能供电。为促进煤矿智能供配电技术的发展，《工矿自动化》编辑部于2023年第10期组织出版“煤矿智能供配电技术”专题。在专题刊出之际，衷心感谢各位专家学者的大力支持！文章编号：1671−251X（2023）10−0008−10DOI：10.13272/.1671-251x.2023050042基于改进深度森林的采煤机拖拽电缆挤压力识别方法石港1， 雷志鹏2（1. 太原理工大学 煤矿电气设备与智能控制山西省重点实验室，山西 太原　030024；2. 太原理工大学 矿用智能电器技术国家地方联合工程实验室，山西 太原　030024）摘要：采煤机拖拽电缆在运行中常受到外部挤压力作用，致使电缆绝缘发生局部放电，影响电缆使用寿命。现有研究侧重于局部放电规律和严重程度的分析，无法评估乙丙橡胶绝缘电缆所承受应力的大小，导致无法掌握矿用乙丙橡胶绝缘电缆的运行状态。针对该问题，提出一种基于改进深度森林（S−DF）的采煤机拖拽电缆挤压力识别方法。通过实验测量了不同挤压力下采煤机拖拽电缆的局部放电，分析了局部放电谱图、平均放电电流、最大放电量和击穿场强随所施挤压力和电压的变化规律，计算了局部放电的统计特征参量。基于统计特征参量，采用S−DF模型对挤压力大小进行识别。S−DF模型在深度森林（DF）中引入Stacking集成算法，以提升识别准确率。研究结果表明：不同电压下，最大放电量和平均放电电流均随着挤压力的增大而减小；击穿场强随着挤压力的增大呈先增大后减小的趋势，挤压力大于2 000 N时的击穿场强小于未挤压时的击穿场强；不同挤压力下的局部放电统计特征参量可作为放电指纹，S−DF模型能准确地识别电缆所受挤压力的大小，且识别率高于其他传统分类算法。关键词：采煤机拖拽电缆；挤压力识别；改进深度森林；局部放电；统计特征参量；Stacking集成算法中图分类号：TD611　　　　文献标志码：ARecognition method of the squeezing force of shearer dragging cable based on improved deep forestSHI Gang1, LEI Zhipeng2(1. Shanxi Key Laboratory of Mining Electrical Equipment and Intelligent Control, Taiyuan University of Technology,Taiyuan 030024, China； 2. National & Provincial Joint Engineering Laboratory of Mining Intelligent ElectricalApparatus Technology, Taiyuan University of Technology, Taiyuan 030024, China)Abstract: The dragging cable of shearer is often subjected to external squeezing pressure during operation,which causes partial discharge of the cable insulation and affects the service life of the cable. The existingresearch focuses on the analysis of partial discharge law and severity, and cannot evaluate the magnitude of stressborne by ethylene propylene rubber insulated cables. This results in the inability to grasp the operating status ofmining ethylene propylene rubber insulated cables. In order to solve the above problems, a method based onimproved Stacking-deep forest (S-DF) is proposed for recognizing the squeezing force of shearer dragging cables. 收稿日期：2023-05-11；修回日期：2023-10-19；责任编辑：胡娴。基金项目：国家自然科学基金资助项目（51977137）。作者简介：石港（1997—），男，山西阳泉人，硕士，主要研究方向为电缆故障局部放电特性与故障诊断，E-mail：sg@。通信作者：雷志鹏（1983—），男，山西太原人，副教授，博士，主要从事矿用智能电器和电气绝缘测试方面的研究工作，E-mail：leizhipeng@。引用格式：石港，雷志鹏. 基于改进深度森林的采煤机拖拽电缆挤压力识别方法[J]. 工矿自动化，2023，49（10）：8-16, Gang, LEI Zhipeng. Recognition method of the squeezing force of shearer dragging cable based on improved deep forest[J].Journal of Mine Automation，2023，49（10）：8-16, 51.

2023 年第 10 期石港等： 基于改进深度森林的采煤机拖拽电缆挤压力识别方法• 9 •The partial discharge of shearers dragging cables under different squeezing pressures is measured throughexperiments. The variation law of partial discharge spectra, average discharge current, maximum dischargeamount, and breakdown field strength with the applied squeezing pressure and voltage are analyzed. The statisticalfeature parameters of partial discharge are calculated. Based on statistical feature parameters, the S-DF model isused to recognize the magnitude of squeezing pressures. The S-DF model introduces Stacking ensemble algorithmin deep forest (DF) to improve recognition accuracy. The research results indicate that under different voltages,the maximum discharge capacity and average discharge current decrease with the increase of extrusion breakdown field strength shows a trend of first increasing and then decreasing with the increase of squeezingpressure. When the squeezing pressure is greater than 2 000 N, the breakdown field strength is lower than that ofthe non squeezing one. The statistical feature parameters of partial discharge under different squeezing pressurescan be used as discharge fingerprints. The S-DF model can accurately recognize the magnitude of squeezingpressure on cables, and the recognition rate is higher than other traditional classification words: shearer dragging cable; squeeze pressure recognition; improved deep forests; partial discharge;statistical feature parameters; Stacking ensemble algorithm0　引言采煤机拖拽电缆运行时会随着采煤机在工作面来回移动，易受到刮板输送机中部槽的挤压及落煤和矸石的冲击，导致电缆绝缘层发生性能劣化甚至故障，影响采煤机的供电可靠性和工作面的安全。当挤压力不同时，采煤机拖拽电缆中出现的局部放电特征也不同。因此研究不同挤压力下采煤机拖拽电缆局部放电统计特征量，对于识别采煤机拖拽电缆绝缘层所受挤压的程度、避免采煤机拖拽电缆出现绝缘故障具有重要意义。针对机械应力下电气设备绝缘性能及局部放电特性，国内外学者已开展了较多研究。刘志华等[1]研究了热、机械应力共同作用对油浸纸板绝缘特性的影响，发现施加机械应力的幅值和时间增大都会导致油浸纸板的绝缘性能下降。彭倩等[2]研究了机械应力对聚丙烯薄膜局部放电特性的影响，发现机械应力与薄膜的直流局部放电次数呈负相关，与平均放电量和最大放电量呈正相关，且机械应力增大会导致薄膜的绝缘性能显著降低。邹林等[3]研究了压强和表面粗糙度对聚乙烯和硅橡胶间接触面局部放电特性的影响，发现局部放电起始放电电压与界面压强和表面粗糙度呈正相关，而压强与局部放电量、放电次数呈负相关，即增大界面间的压强可抑制放电的发展。路士杰[4]研究了温度和机械应力对环氧支柱沿面闪络电压与局部放电的影响，研究发现温度和挤压应力均会导致环氧试样的闪络电压下降。崔彦捷等[5]研究了机械应力下油浸绝缘纸板的局部放电，结果表明当机械应力小于20 MPa时，机械应力增大，绝缘性能有所提升；当机械应力大于20 MPa时，机械应力增大则会导致纸板的绝缘性能降低。罗家成等[6]研究了机−电载荷对含裂纹介电材料局部放电的影响，发现机械应力会抑制裂纹介电材料局部放电的发生。林晨等[7]研究了电、热、挤压力共同作用下乙丙橡胶电缆的老化状态，发现随着老化程度的加深，老化因子和低频介质损耗因数随之增大，为评估乙丙橡胶所受应力提供了依据。然而，现有研究侧重于局部放电规律和严重程度的分析，无法评估乙丙橡胶电缆所承受应力的大小，导致无法掌握矿用乙丙橡胶绝缘电缆的运行状态。针对以上问题，本文搭建了局部放电实验平台，测量了不同挤压力下矿用乙丙橡胶绝缘高压电缆的局部放电谱图，分析了放电特征量随挤压力的变化规律，设计了基于改进深度森林（Stacking-DeepForest，S−DF）的挤压力识别模型，将局部放电谱图特征量作为模型输入特征，实现对采煤机拖拽电缆绝缘层所受挤压力的识别。1　实验设置1.1　试样制作将矿用乙丙橡胶绝缘移动屏蔽软电缆作为试样，电缆导体截面积为50 mm2，绝缘层厚度为5 mm。首先将电缆内、外护套及绝缘屏蔽层剥开，取出一相动力线作为试样，保留电缆的线芯和绝缘层。然后将试样两端的绝缘层剥除，露出约50 mm长的线芯导体作为高压导线使用。最后用无水乙醇将试样绝缘层表面擦拭干净以去除杂质，在绝缘层外紧密缠绕金属箔构成接地极[8]。1.2　局部放电测量装置及实验设置局部放电测量装置原理如图1所示。其中，Us为0～380 V交流调压器；交直流试验变压器T的容量为100 MVA，输出电压为0～100 kV；C为耦合

• 10 •工矿自动化第 49 卷电容器，型号为HIPOTRON−ICS PSF 100/1/DDX，容值为1 nF；R1为保护电阻，其阻值约为20 kΩ；R2为检测阻抗。挤压力通过2块钢板挤压试样实现。在2块钢板中间设置压力传感器，量程为0～3 000 N，精度为0.1%。为保证受力均匀，钢板始终保持平行，且电缆试样与传感器的中心处于同一水平线上。待所施加挤压力达到预设值后，通过螺丝和螺母将钢板固定，保证挤压力不会发生变化。参照GB/T12972.1—2008《矿用橡套软电缆　第1部分：一般规定》对电缆设置外部挤压力，将挤压力等级设定为0，500 ，1 000，1 500，2 000，2 500 N。TR1螺栓U钢板C局部放电S检测仪电缆R2压力传感器上位机图 1 局部放电测量装置原理Fig. 1 Principle of partial discharge measurement device局部放电实验采用逐级升压法和恒压法相结合的方式升压，先匀速地升高电压至矿用乙丙橡胶绝缘电缆发生放电，标记此刻的电压为起始放电电压Ui（即正弦电压波形的正负半周重复出现放电脉冲大于10 pC时的最小外加电压有效值），然后电压以2 kV为间隔逐级升高，每一电压等级下持续5 min，升至2Ui为止。1.3　击穿场强测量方法采煤机拖拽电缆的介电强度实验电路如图2所示，所用设备主要为调压台、试验变压器、保护电阻、千伏表、电极与加力装置。材料的介电强度用均匀电场下的击穿场强来表示，而电极的边缘会形成极不均匀电场。为此，实验所用的电极为倒角同轴电极，以避免电极边缘因尖端效应而发生局部放电。同时，为减小空气中的沿面放电对实验结果造成的影响 ，实验中将整个电极系统置于硅油中。100 kV保护电阻加力装置交0~220 V/AC流50 Hz实硅油验分压器电极变电缆试样电极压器千伏表kV图 2 介电强度实验电路Fig. 2 Dielectric strength experimental circuit考虑到采煤机拖拽电缆试样所受的挤压力太小会导致作用不明显，太大会导致电缆试样出现部分割裂，绝缘失效，所以选择0 ，500，1 000，1 500，2 000，2 500 N作为击穿实验的挤压力。实验时，将采煤机拖拽电缆放置于2个圆柱形黄铜电极之间。为保证实验结果的准确性与可靠性，实验采用逐级升压法，直至电缆试样发生击穿。2　实验结果2.1　PRPD图以电压为14 kV时的情况为例说明挤压力对局部放电的影响。电压为14 kV时，矿用乙丙橡胶绝缘电缆在不同挤压力下的局部放电相角解析（PhaseResolved Partial Discharge，PRPD）图如图3所示。可看出未被挤压的电缆PRPD图中的放电量最大，局部放电最大值出现在负半周，约为14.1 nC；当挤压力增大至500 N时，PRPD图中的放电量明显减小，最大放电量出现在负半周，约为6.8 nC；当挤压力为1 000 N时，PRPD图中的放电量增大，最大放电量在负半周，约为10.1 nC；当挤压力为1 500 N时，PRPD图中的放电量减小，最大放电量约为7.4 nC，在正半周；当挤压力继续升至2 000 N和2 500 N时，PRPD图中的最大放电量随之减小，分别为6.4，4.3 nC。随着挤压力的增大，放电相位无变化，放电集中在0～100° 和180～300°。3030C24C24nn//量18量18电电放126放126相位/(°)相位/(°)（a） 挤压力为 0（b） 挤压力为 500 N3030C24C24nn//量18量18电电放126放126相位/(°)相位/(°)（c） 挤压力为 1 000 N（d） 挤压力为 1 500 N3030C24C24nn//量18量18电电放12126放6相位/(°)相位/(°)（e） 挤压力为 2 000 N（f） 挤压力为 2 500 N图 3 不同挤压力下乙丙橡胶绝缘电缆的PRPD图Fig. 3 PRPD diagram of ethylene propylene rubber cable underdifferent extrusion pressures

2023 年第 10 期石港等： 基于改进深度森林的采煤机拖拽电缆挤压力识别方法• 11 •2.2　电缆击穿场强变化规律击穿场强与挤压力的关系如图4所示。可看出无挤压力时，电缆击穿场强为35.2 kV/mm；当挤压力小于1 500 N时，击穿场强随挤压力的增大而增大，挤压力为1 500 N时击穿场强最大，为39.0 kV/mm；挤压力大于2 000 N时的击穿场强小于无挤压力时的击穿场强；挤压力为2 500 N时击穿场强最小，为31.8 kV/mm。结合局部放电变化规律可知，虽然受到挤压力作用电缆的局部放电最大放电量会减小，但并不代表绝缘性能变好。因为当挤压力较大时，击穿场强明显减小，所以评估挤压力大小是分析电缆绝缘状态过程中十分必要的一环。 4240)1−mm38·V36k(/强34场穿击32302805001 0001 5002 0002 5003 000挤压力/N图 4 击穿场强与挤压力的关系Fig. 4 Relationship between puncture core field intensity andextrusion pressure2.3　局部放电典型特征量变化规律最大放电量和平均放电电流与挤压力的关系如图5所示。最大放电量定义为在放电时间1 s内重复出现10次以上的放电脉冲对应的最大放电量。平均放电电流为放电量的绝对值在1 s内的积分。由图5可知，在相同挤压力下，随着电压的升高，最大放电量和平均放电电流均不断增大。当挤压力为500 N时，最大放电量随着电压的升高，从12 kV时的5.68 nC增大至20 kV时的11.07 nC；平均放电电流从12 kV时的0.48 mA增大至20 kV时的1.16 mA。在相同电压下，随着挤压力的增大，最大放电量表现为逐渐减小的规律。当施加电压为14 kV时，未受挤压力作用的电缆的最大放电量最大，约为14.05 nC；当挤压力增大至500 N时，最大放电量减小至约8.13 nC；随着挤压力继续增大，最大放电量在挤压力为2 500 N时降为最小值，约为4.32 nC。平均放电电流的变化规律与最大放电量的变化规律一致，在施加电压为14 kV时，未受挤压力作用的电缆的平均放电电流最大，约为1.16 mA，其后随着挤压力的增大，在挤压力为2 500 N时降到最小，约为0.32 mA。此外，随着挤压力的增大，最大放电量和平均放电电流的下降速率均逐渐减小。2012 kV14 kV1516 kV18 kVCn20 kV/量电放10大最505001 0001 5002 0002 500挤压力/N （a） 最大放电量与挤压力间的关系2.012 kV14 kV1.516 kVA18 kVm/流20 kV电电1.0放均平0.505001 0001 5002 0002 500挤压力/N （b） 平均放电电流与挤压力间的关系图 5 最大放电量和平均放电电流与挤压力的关系Fig. 5 Relationship between maximum discharge, averagedischarge current and extrusion pressure2.4　局部放电统计特征量提取及其变化规律为了更好地说明局部放电与挤压力的关系，采用统计特征对PRPD图进行分析，并将统计特征参量作为放电指纹用于挤压力评估。本文使用的统计特征参量见表1，包括最大放电量相位分布Hqmax（φ）（φ为相位）、平均放电量相位分布Hqn（φ）、放电次数相位分布Hn（φ）和放电幅值分布Hn（q）（q为幅值）4个二维分布谱图的偏度Sk、峰度Ku、峰值个数Peak、不对称度Assy和相关系数Cc，其中“+”表示工频信号的正半周，“−”表示工频信号的负半周[9-12]。表 1 PRPD图统计特征参量Table 1 Statistical characteristic parameters of PRPD diagramH参数qmax（φ）Hqn（φ）Hn（φ）（q）+−+−+−HnSk√√√√√√√Ku√√√√√√√Peak√√√√√√√Assy√√√—Cc√√√—

• 12 •工矿自动化第 49 卷电压为14 kV时，根据表1得到不同挤压力下描述局部放电的统计特征参量，如图6所示。由图6（a）可知，随着挤压力的增大，由Hqmax（φ）图得到的统计特征参量中正负半周的偏度Sk与峰度Ku均逐渐减小，即图像逐渐向右倾斜且变得平缓；正负半周的峰值数Peak均先增大后减小；相关系数Cc与不对称度Assy无变化。由图6（b）可知，随着挤压力的增大，由Hqn（φ） 图得到的统计特征参量中负半周的峰度 小，负半周的峰值数P−eak先减小后增大；相关系数Cc与不对称度Assy无变化。由图6（c）可知，随着挤压力的增大，由Hn（φ）图得到的统计特征参量中正半周的偏−+度Sk先增大后减小，负半周的偏度Sk先减小后增大；−正半周的峰值数P+eak先增大后减小，负半周的峰值数Peak先减小后增大；相关系数Cc、不对称度Assy无变化。由图6（d）可知，随着挤压力的增大，由Hn（q）图得到的统计特征参量中峰度Ku逐渐增大，与图5相对应，而峰值数Peak逐渐减小；偏度Sk不随挤压力的增大而变化。4030参量值−Ku先减小后增大，正半周的峰值数P+eak先增大后减950750参量值0500 N1 000 N1 500 N2 000 N2 500 N0500 N1 000 N1 500 N2 000 N2 500 N550350150−50S

+k+K

u+P

eak−S

k20100K−u−P

eakAsyCc−10S

+k+K

u+P

eak−S

kK−u−P

eakAsyCc统计特征参量（a） Hqmax(φ) 谱图的统计特征参量柱状图4050−50500 N1 000 N1 500 N2 000 N2 500 N参量值统计特征参量（b） Hqn(φ) 谱图的统计特征参量柱状图6−100500 N1 000 N1 500 N2 000 N2 500 N参量值S

+k+K

u+P

eak−S

kK−u−P

eakAsyCcS

+k+K

u+P

eak−S

kK−u−P

eakAsyCc统计特征参量（c） Hn(φ) 谱图的统计特征参量柱状图统计特征参量（d） Hn(q) 谱图的统计特征参量柱状图图 6 不同挤压力下的统计特征参量柱状图Fig. 6 Histograms of statistical characteristic parameters under different extrusion pressures3　基于S−DF的电缆挤压力识别为实现通过统计特征参量组成的放电指纹来识别矿用电缆所受的挤压力大小，本文使用S−DF模型进行识别。B12—B14。3） 将4组训练数据拼接得到新的预测结果，记为A1，将4组测试数据的预测结果取平均，得到新的预测结果B1；利用剩余的3个初级分类学习器，重复上述步骤，得到新的训练集A和验证集B。4） 利用新的训练集A对次级分类学习器进行训练，再用新的验证集B进行测试，得到最终的预测结果。3.1　Stacking集成算法Stacking集成算法通过将不同学习器进行结合堆叠，实现分类器准确性的提升[13-18]。假设Stacking集成算法含有4个初级分类学习器E1—E4，组成矩阵E：E=[E1E2E3E4]（1）Stacking集成算法的学习过程如图7所示。深度森林（Deep Forest，DF）算法是一种由多粒3.2　深度森林模型度扫描结构和级联森林结构组成的新型分类算法，以决策树为基本单位实现样本的分类和预测。DF相比于深度神经网络，具有超参数较少、容易训练、计算内存需求低、可适应不同大小的数据集等优点[19-21]。具体实现步骤：1） 将统计特征参量按4∶1的比例分为训练集和验证集，再将训练集分成4份训练样本，即X1—X4。2） 将训练样本X1−X3作为初级分类学习器E1的训练数据，X4作为测试数据，并记录预测结果为A11；使用验证集测试训练好的初级分类学习器E1，记录预测结果为B11；再分别将X1—X3作为测试数据，重复上述步骤，记录预测结果为A12—A14和3.2.1　多粒度扫描阶段多粒度扫描结构在DF模型中的作用是挖掘样

2023 年第 10 期石港等： 基于改进深度森林的采煤机拖拽电缆挤压力识别方法• 13 •局部放电统计特征参量训练集预测结果 A11预测结果 A12预测结果 A13预测结果 A14初级分类学习器 E1预测结果 B11预测结果 A21预测结果 A22预测结果 A23预测结果 A24初级分类学习器 E2预测结果 B21预测结果 B22预测结果 B23预测结果 B24预测结果 A31预测结果 A32预测结果 A33预测结果 A34初级分类学习器 E3预测结果 B31预测结果 B32预测结果 B33预测结果 B34预测结果 A41预测结果 A42预测结果 A43预测结果 A44初级分类学习器 E4预测结果 B41预测结果 B42预测结果 B43预测结果 B44预测结果 A1预测结果 A2预测结果 A3预测结果 A4训练集A预测结果 B1预测结果 B2预测结果 B3预测结果 B4验证集预测结果 B12预测结果 B13预测结果 B14验证集B次级分类学习器图 7 Stacking集成算法学习过程Fig. 7 Learning process of Stacking ensemble algorithm本的特征，最大限度地提取样本的特征参量。多粒度扫描模型定义为W=(XN×M,v×m,b,l)（2）参量作为输入样本，构建N为3 000、M为27的样本输入模型，作为输入层；扫描窗口的大小v×m取50×10，形成一个50×10的扫描窗口，对输入样本进行滑动取样，扫描步长b取1，得到扫描窗口的数量l为53 118；采用普通随机森林和完全随机森林对每个窗口采样的样本进行训练，并且每次训练都得到一个长度S为6的挤压力识别分类向量；最终训练完成后，得到53 118×6的分类向量。2组森林训练产生的分类向量拼接成长度为106 236的分类向量，作为多粒度扫描的输出。完全随机森林基尼指数随机森林模型决策树分裂方向···53 118 维6维106 236 维分类向量式中：XN×M为原始输入维度为N×M的样本；v，m分别为扫描窗口的长和宽；b为扫描步长；l为窗口数量。最终经扫描之后的窗口数量l为l=[(N−v)/b+1]×[(M−v)/b+1]（3）多粒度扫描原理如图8所示。具体过程是先将3 000组不同挤压力下PRPD谱图的27个统计特征 输入层10维50维滑动窗口扫描10维50维初始训练样本基尼指数···挤压力识别分类向量拼接普通随机森林···初始训练样本有放回地随机抽取大小为 3 000×27 的PRPD 谱图的统计特征参量共计 53 118 个窗口采样数组新的训练样本基尼指数随机森林模型决策树分裂方向···53 118 维6维指数基尼新的训练样本···挤压力识别分类向量图 8 多粒度扫描原理Fig. 8 Principle of multi granularity scanning 3.2.2　级联森林识别阶段级联森林结构的作用是利用每层的森林模型对样本特征进行处理，增强模型的特征挖掘能力，提升模式识别的准确率[22−25]。级联森林结构原理如图9所示。识别的具体过程：先将多粒度扫描输出的106 236×6挤压力识别分类向量作为第1层结构的输入；经过第1层的2个普通随机森林和2个完全随机森林训练生成4个6维分类向量，将这4个分类向量与多粒度扫描输出的长度为106 236的分类向量拼接成一个长度为106 240的向量，作为第2层结构的输入；按照此方法类推，第Y−1层结构输出的4个分类向量与多粒度扫描输

• 14 •工矿自动化第 49 卷出的分类向量拼接，作为第Y层的输入；最后对第Y层输出的4个分类向量求平均值，选择其中的最大 值所对应的类别作为矿用乙丙橡胶绝缘电缆挤压力识别的最终结果。106 240 维完全随机森林完全随机森林完全随机森林完全随机森林普通随机森林普通随机森林第 Y 层求平均取最大值4 维最终的识别结果106 240 维完全随机森林完全随机森林普通随机森林普通随机森林第 1 层106 240 维完全随机森林完全随机森林普通随机森林普通随机森林第 2 层···普通随机森林普通随机森林重复级联第 Y−1 层图 9 级联森林结构原理Fig. 9 Principle of cascading forest structure3.3　基于S−DF模型的挤压力识别S−DF模型在DF中引入Stacking集成算法，以提升识别准确率。基于S−DF的采煤机拖拽电缆挤压力识别步骤如下：1） 多粒度扫描。将提取的统计特征参量输入多粒度扫描环节中，利用滑动窗口截取数据，然后将截取的数据输入普通随机森林与完全随机森林中，得到处理后的概率向量并拼接成高维度特征向量。2） Stacking集成算法学习。利用k−交叉验证的方法将输入的统计特征参量分为验证集、测试集和训练集。通过初级分类学习器对数据进行处理并将结果拼接在一起，得到低维度且表征能力强的特征数据。 3） 级联森林识别。将多粒度扫描得到的特征向量输入第1层森林进行训练，将第1层的输出结果与Stacking集成算法学习层的特征数据拼接在一起，作为第2层的输入；将第2层的输出结果与多粒度扫描的特征向量拼接，作为第3层的输入，依此类推。4） 收敛性判断。将级联森林最后一层的输出结果与上一层的输出结果作对比，若识别结果相差很大，说明识别结果未收敛，需继续进行级联森林识别；若识别结果相差不大，说明结果收敛，结束训练过程。对输出结果进行平均处理，取其中概率最大的类别作为最终的输出结果。S−DF结构如图10所示。局部放电统计特征参量完全随机森林多粒度扫描完全随机森林完全随机森林Stacking学习层普通随机森林普通随机森林普通随机森林···············普通随机森林完全随机森林最终结果图 10 S−DF结构Fig. 10 Structure of Stacking-deep forest通过实验采集不同挤压力下的电缆局部放电样本各500组，按照比例0.8∶0.2，0.5∶0.5，0.2∶0.8从中随机选择划分为训练集和验证集。基于上述样本集，分别采用S−DF模型和DF模型进行采煤机拖拽电缆挤压力识别，识别结果见表2，可见S−DF模型的识别准确率高于DF模型。表 2 S−DF模型与DF模型识别准确率对比Table 2 Comparison of recognition accuracy between S-DFmodel and DF model训练集与验证集之比0.8∶0.20.5∶0.50.2∶0.8识别准确率/%S−DF94.2793.5588.65DF87.6586.8580.953.4　识别结果及对比为验证S−DF模型识别电缆挤压力的准确率，按0.8∶0.2的比例划分样本集与验证集，将S−DF模型与随机森林算法和支持向量机（Support Vector Machine，SVM）的识别准确率进行对比，结果见表3。可看出S−DF模型的平均识别准确率达到94.27%，高于其他2种方法的识别准确率，能够较为准确地对矿用乙丙橡胶绝缘电缆所受的挤压力大小进行识别。

2023 年第 10 期石港等： 基于改进深度森林的采煤机拖拽电缆挤压力识别方法• 15 •表 3 S−DF模型与随机森林、SVM识别准确率对比Table 3 Comparison of recognition accuracy between S-DF modeland random forest and SVM识别准确率/%挤压力/NS−DF随机森林SVM085.2087.5485.5250096.2073.4276.721 00095.6078.1274.731 50097.4065.0070.522 00096.2085.8386.732 50095.2081.3388.45平均值94.2778.5480.46训练次数对准确率识别的影响如图11所示。可看出随着训练次数的增加，模型的识别率也不断上升，当训练次数大于8时，模型的准确率趋于稳定，达 94%以上。1.000.950.90率确0.85准0.800.750.716训练次数图 11 训练次数对准确率的影响Fig. 11 The effect of training times on accuracy4　结论1） 随着挤压力的增大，矿用乙丙橡胶绝缘电缆的放电相位无明显变化，PRPD图中的最大放电量逐渐减小；最大放电量与平均放电量均随着挤压力的增大而减小。2） 当挤压力小于1 500 N时，采煤机拖拽电缆的击穿场强随着挤压力的增大而增大；当挤压力大于2 000 N时，击穿场强明显降低，且小于无挤压力时的击穿场强。3） 基于PRPD图提取的统计特征参量可作为放电指纹，S−DF模型可实现挤压力大小识别，且识别准确率高于DF模型。参考文献（References）：[ 1 ]刘志华，崔彦捷，汲胜昌，等. 热机联合应力对油浸纸板绝缘及机械特性影响研究[J]. 电力工程技术，2020，39（5）： Zhihua，CUI Yanjie，JI Shengchang，et al. Influenceof thermo-mechanical combined stress on insulation andmechanical characteristics of oil-impregnatedpaperboard[J]. Electric Power EngineeringTechnology，2020，39（5）：126-132.[ 2 ]彭倩，吴广宁，张星海，等. 机械应力对聚丙烯薄膜局部放电性能的影响[J]. 高电压技术，2008，34（6）： Qian，WU Guangning，ZHANG Xinghai，et nce of mechanical stress on polypropylene filmpartial discharge[J]. High Voltage Engineering，2008，34（6）：1261-1266.[ 3 ]邹林，涂扬，孟永鹏，等. 界面压强和表面粗糙度对聚乙烯与硅橡胶界面的局部放电的影响[J]. 绝缘材料，2014，47（3）：94-98， Lin，TU Yang，MENG Yongpeng，et al. Effects ofinterface pressure and surface roughness on the partialdischarge between polyethylene and silicone rubber[J].Insulating Materials，2014，47（3）：94-98，102.[ 4 ]路士杰. 温度和机械应力对环氧树脂绝缘件沿面闪络特性的影响[D]. 北京：华北电力大学， Shijie. Effects of temperature and mechanical stresson surface flashover characteristics of epoxy resininsulation parts[D]. Beijing：North China Electric PowerUniversity，2020.[ 5 ]崔彦捷，汲胜昌，祝令瑜，等. 机械应力对油浸绝缘纸板局部放电影响[J]. 电工技术学报，2021，36（12）： Yanjie，JI Shengchang，ZHU Lingyu，et al. Effectof mechanical stress on partial discharge of oil-impregnated pressboard[J]. Transactions of ChinaElectrotechnical Society，2021，36（12）：2659-2666.[ 6 ]罗家成，高存法，戴相花. 机−电载荷对含裂纹介电材料局部放电的影响[C]. 2009年全国压电和声波理论及器件技术研讨会暨2009年全国频率控制技术年会，武汉， Jiacheng，GAO Cunfa，DAI Xianghua. Theinfluence of mechanical-electric loads on partialdischarge in dielectric material containing a crack[C].2009 National Piezoelectric and Acoustic Theory andDevice Technology Seminar and 2009 NationalFrequency Control Technology Annual Conference，Wuhan，2009.[ 7 ]林晨，吝伶艳，雷志鹏，等. 基于PDC的多应力老化乙丙橡胶电缆绝缘状态评估[J]. 绝缘材料，2020，53（1）： Chen，LIN Lingyan，LEI Zhipeng，et al. Stateevaluation of multi-stress aged EPR cable insulationbased on PDC[J]. Insulating Materials，2020，53（1）：70-75.[ 8 ]王干军，李锦舒，吴毅江，等. 基于随机森林的高压电缆局部放电特征寻优[J]. 电网技术，2019，43（4）： Ganjun，LI Jinshu，WU Yijiang，et al. Random

• 16 •工矿自动化第 49 卷forest based feature selection for partial dischargerecognition of HV cables[J]. Power SystemTechnology，2019，43（4）：1329-1336.[ 9 ]唐炬，王静，李剑，等. 统计参数用于局部放电模式识别的研究[J]. 高电压技术，2002，28（8）：4-6， Ju，WANG Jing，LI Jian，et al. Statisticalparameter method for PD pattern recognition[J]. HighVoltage Engineering，2002，28（8）：4-6，37.[10]刘维功，王昊展，时振堂，等. 基于改进XGBoost算法的XLPE电缆局部放电模式识别研究[J]. 电测与仪表，2022，59（4）： Weigong，WANG Haozhan，SHI Zhentang，et ch on partial discharge pattern recognition ofXLPE cable based on improved XGBoost algorithm[J].Electrical Measurement & Instrumentation，2022，59（4）：98-106.[11]苏审言，张建德. 基于概率神经网络的变压器局部放电模式识别[J]. 电气自动化，2022，44（3）： Shenyan，ZHANG Jiande. Pattern recognition ofpartial discharge of transformer based on probabilisticneural network[J]. Electrical Automation，2022，44（3）：91-93.[12]姚锐，惠萌，李俊，等. 基于随机森林的局部放电特征提取和优选研究[J]. 华北电力大学学报（自然科学版），2021，48（4）： Rui，HUI Meng，LI Jun，et al. Feature extractionand optimal selection based on random forest for partialdischarges[J]. Journal of North China Electric PowerUniversity（Natural Science Edition），2021，48（4）：63-72.[13]马良玉，耿妍竹，梁书源，等. 基于Stacking多模型融合的风电机组齿轮箱油池温度异常预警[J/OL]. 中国电机工程学报：1-11[2023-09-25]. /kcms/detail/ Liangyu，GENG Yanzhu，LIANG Shuyuan，et y warning of wind turbine gearbox oil pooltemperature based on Stacking fusion of multiplemodels[J/OL]. Proceedings of the CSEE：1-11[2023-09-25]. /kcms/detail/.[14]霍晓占，刘延泉，周兴华，等. 基于改进灰色关联分析和Stacking算法的配电网线损预测研究[J/OL]. 华北电力大学学报（自然科学版）：1-8[2023-10-18]. /kcms/detail/ Xiaozhan，LIU Yanquan，ZHOU Xinghua，et ch on distribution network line loss predictionbased on improved grey relational analysis and Stackingalgorithm[J/OL]. Journal of North China Electric PowerUniversity（Natural Science Edition） ：1-8[2023-10-18]./kcms/detail/.[15]孙林，郭嘉琪，朱雨晨，等. 基于Stacking集成和偏探索贝叶斯优化的特征选择[J/OL]. 山西大学学报（自然科学版）：1-11[2023-10-18]. /10.13451/ Lin，GUO Jiaqi，ZHU Yuchen，et al. Featureselection using Stacking integration and partialexploration Bayesian optimization[J/OL]. Journal ofShanxi University（Natural Science Edition） ：1-11[2023-10-18]. /10.13451/.2023143.[16]唐振浩，隋梦璇，曹生现. 基于组合时域特征提取和Stacking集成学习的燃煤锅炉NOx排放浓度预测[J/OL]. 中国电机工程学报：1-16[2023-10-18]. DOI：10.13334/ Zhenhao，SUI Mengxuan，CAO tion of NOx emission concentration from coal-fired boilers based on combined time-domain featureextraction and Stacking ensemble learning[J/OL].Proceedings of the CSEE：1-16 [2023-10-18]. DOI：10.13334/.230940.[17]金秀章，乔鹏，史德金. 基于mRMR-BO优化Stacking集成模型的NO_x浓度动态软测量[J]. 热力发电，2023，52（10）： Xiuzhang，QIAO Peng，SHI Dejin. Dynamic softmeasurement of NO_x concentration based on mRMR-BO Stacking ensemble model[J]. Thermal PowerGeneration，2023，52（10）：122-128.[18]缪智伟，韦才敏. 基于多模型融合Stacking集成学习保险欺诈预测[J]. 汕头大学学报（自然科学版），2023，38（3）： Zhiwei，WEI Caimin. Learning insurance fraudprediction based on multi-model fusion Stackingintegration[J]. Journal of Shantou University（NaturalScience Edition），2023，38（3）：13-24.[19]丁家满，吴晔辉，罗青波，等. 基于深度森林的轴承故障诊断方法[J]. 振动与冲击，2021，40（12）： Jiaman，WU Yehui，LUO Qingbo，et al. A faultdiagnosis method of mechanical bearing based on thedeep forest[J]. Journal of Vibration and Shock，2021，40（12）：107-113.[20]窦希杰，王世博，刘后广，等. 基于EMD特征提取与随机森林的煤矸识别方法[J]. 工矿自动化，2021，47（3）： Xijie，WANG Shibo，LIU Houguang，et al. Coaland gangue identification method based on EMD featureextraction and random forest[J]. Industry and MineAutomation，2021，47（3）：60-65.（下转第51页）

2023 年第 10 期[13]刘振国等： 矿区架空线路外破风险评估方法• 51 •[14][15][16][17] 沙池橙，林祖荣，钱振东，等. 基于灰色关联分析的定向权重式架空输电线路状态模糊评价方法[J/OL]. 武汉大学学报（工学版）：1-11[2023-05-12]. /kcms/detail/ Chicheng，LIN Zurong，QIAN Zhendong，et evaluation method of directional weight overheadtransmission line state based on grey correlationanalysis[J/OL]. Engineering Journal of WuhanUniversity：1-11[2023-05-12]. /kcms/detail/.方权，刘闯，宋敏，等. 模糊评价与PSO优化的LSSVM架空输电线路故障率预测[J]. 水电能源科学，2021，39（1）： Quan，LIU Chuang，SONG Min，et al. Failurerate prediction of overhead transmission line based onfuzzy evaluation and PSO-optimized LSSVM[J]. WaterResources and Power，2021，39（1）：171-175.刘君，赵立进，黄良，等. 基于TOPSIS和灰色关联分析的变压器状态评价方法[J]. 电力科学与技术学报，2019，34（4）： Jun，ZHAO Lijin，HUANG Liang，et al. Stateevaluation method for power transformer based on theTOPSIS and grey relational analysis[J]. Journal ofElectric Power Science and Technology，2019，34（4）：63-68.王书明. 某垃圾焚烧发电项目电气系统安全性评价[J]. 电力系统保护与控制，2017，45（24）： Shuming. Safety evaluation of electrical systemfor a waste incineration power generation project[J].Power System Protection and Control，2017，45（24）：163-168.王君莉. 煤矿电气火灾风险的PHA−LEC评估模型及其应用[J]. 煤矿机械，2017，38（12）：138-140.[18][19][20][21]WANG Junli. Risk assessment model for coal mineelectrical fire based on PHA-LEC and application[J].Coal Mine Machinery，2017，38（12）：138-140.毛吉星. 煤矿风险管理技术与应用研究[J]. 煤矿安全，2016，47（11）： Jixing. Research on coal mine risk managementtechnology and its application[J]. Safety in Coal Mines，2016，47（11）：230-233.黄悦华，陈照源，陈庆，等. 基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法[J]. 电力建设，2023，44（1）： Yuehua，CHEN Zhaoyuan，CHEN Qing，et -time detection method for transmission line faultsapplying edge computing and improved YOLOv5salgorithm[J]. Electric Power Construction，2023，44（1）：91-99.龙乐云，周腊吾，刘淑琴，等. 改进YOLOv5算法下的输电线路外破隐患目标检测研究[J]. 电子测量与仪器学报，2022，36（11）： Leyun，ZHOU Lawu，LIU Shuqin，et fication of hidden damage targets by externalforces based on domain adaptation and attentionmechanism[J]. Journal of Electronic Measurement andInstrumentation，2022，36（11）：245-253.张可颖，吴新桥，赵继光，等. 基于特征工程和集成学习与模型融合的输电走廊实时山火风险评估模型[J/OL]. 电网技术：1-13 [2023-05-12]. /10.13335/ Keying，WU Xinqiao，ZHAO Jiguang，et al. Areal-time wildfire risk assessment model for transmissioncorridors based on feature engineering，ensemblelearning and model fusion[J/OL]. Power SystemTechnology：1-13 [2023-05-12]. /10.13335/.2022.2235.（上接第16页）[21] Yimin，ZHOU Zhan，CHEN Zhigang. Paralleldeep forest algorithm based on Spark and three-wayinteractive information[J]. Journal on Communications，2023，44（8）：228-240.[24]王艺霏，祝继华，刘新媛等. 联合深度森林与异质集成的标记分布学习方法[J/OL]. 软件学报：1-18[2023-10-18]. DOI：10.13328/ Yifei，ZHU Jihua，LIU Xinyuan，et al. Labeldistribution learning based on deep forest andheterogeneous ensemble[J/OL]. Journal of Software：1-18[2023-10-18]. DOI：10.13328/.006936.[22]卢喜东，段哲民，钱叶魁，等. 一种基于深度森林的恶意代码分类方法[J]. 软件学报，2020，31（5）： Xidong，DUAN Zhemin，QIAN Yekui，et ous code classification method based on deepforest[J]. Journal of Software，2020，31（5）：1454-1464.[25]周政雷，陈俊，潘俊涛，等. 基于并行深度森林的配用电通信网络异常流量检测[J]. 华东师范大学学报（自然科学版），2023（5）： Zhenglei，CHEN Jun，PAN Juntao，et al. Paralleldeep-forest-based abnormal traffic detection for powerdistribution communication networks[J]. Journal of EastChina Normal University（Natural Science），2023（5）：122-134.[23]刘东超，熊慕文，高森，等. 基于深度森林模型的GIS局部放电模式识别[J]. 电气传动，2022，52（9）： Dongchao，XIONG Muwen，GAO Sen，et l discharge pattern recognition of GIS based ondeep forest model[J]. Electric Drive，2022，52（9）：12-18.毛伊敏，周展，陈志刚. 基于Spark和三路交互信息的并行深度森林算法[J]. 通信学报，2023，44（8）：