基于模型迁移和SVM的煤矿电网单相接地电容电流预测方法

王清亮，李书超，陈轩，李泓朴，王伟峰

摘要：針对智慧化矿山背景下煤矿电网单相接地电容电流预测精度低和智能预测实现困难的问题，提出了一种单相接地电容电流智能预测方法。采用模型迁移思想扩充矿用橡套软电缆的电容电流样本数据，以解决智能预测中电容电流数据不完备的问题；基于Sobol敏感性方法分析了影响单相接地电容电流的关键因素及其各因素的交互关系，确定智能预测模型输入特征量；在此基础上，通过基于稀疏技术的支持向量机建立煤矿电网单相接地电容电流智能预测模型，并引入鲸鱼算法优化预测模型超参数，克服了电容电流数据样本容量小的不足。采用厂家测试数据及多家煤矿电网现场实测数据进行试验，结果表明：电缆绝缘层外径和绝缘层内径是影响单相接地电容电流的关键因素；所提方法预测煤矿电网单相接地电容电流的平均误差为226%，相较于现有预测方法，误差分别下降了34.19%，24.91%和7.40%。该方法实现了煤矿电网单相接地电容电流的准确预测，并为其智能化预测提供了新思路。

关键词：煤矿电网；电容电流；模型迁移；支持向量机；鲸鱼算法

中图分类号：TM 751文献标志码：A

文章编号：1672-9315（2024）01-0155-11

DOI：10.13800/j.cnki.xakjdxxb.2024.0116开放科学（资源服务）标识码（OSID）：

Prediction method of single-phase grounded capacitance current in coal mine power grid based on model migration and SVMWANG

Qingliang1，2，LI Shuchao1，2，CHEN Xuan1，2，LI Hongpu1，2，WANG Weifeng3

（1.College of Electrical and Control Engineering，Xian University of Science and Technology，Xian 710054，China；2.Xian Key Laboratory of Electrical Equipment Condition Monitoring and Power Supply Security，Xian 710054，China；3.College of Safety Science and Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：In response to the challenges of low prediction accuracy and difficulties in implementing intelligent prediction for the capacitive current of the single-phase grounded electrical network in the context of intelligent mining，this paper proposes an intelligent prediction method for the capacitive current of single-phase grounded electrical networks.For the problem of incomplete capacitance current data in intelligent prediction，the model transfer  is used to expand the sample data of rubber sheathing flexible cable used in mining.Based on Sobol sensitivity method，the key factors affecting the single-phase grounding capacitance current and their interaction are analyzed，and the input characteristic of the intelligent prediction model is determined.And the support vector machine based on sparse technology is used to establish the intelligent prediction model of single-phase grounding capacitor current in coal mine power grid，and whale algorithm is introduced to optimize the prediction models hyperparameters，which overcomes the shortage of small sample size of capacitor current data.The proposed method is experimentally tested using test data from manufacturers and field measurements from multiple coal mine electrical networks.The results indicate that the outer diameter and inner diameter of the cable insulation layer are the key factors affecting the single-phase grounding capacitance current.The average error of the proposed method is 2.26%，which is 34.19%，24.91% and 7.40% lower than that of the existing method.The method presented in this paper can effectively improve the prediction accuracy of single-phase grounded capacitance current in coal mine power grid，and provide a new idea for its intelligent prediction.

Key words：coal mine power network；capacitance current；model migration；support vector machine；whale algorithm

0引言

煤礦电网单相接地电容电流超限会导致接地点产生不稳定电弧，进而引发弧光过电压和漏电故障，严重危害煤矿设备和人身安全[1-2]。因此，《煤矿安全规程》和《矿山电力设计标准》对单相接地电容电流均作出了严格的限值要求[3-4]。随着智慧矿山建设与智能化技术的快速发展，对煤矿危险源的实时识别和动态预警提出了更高的标准[5-6]。在此背景下，实现对动态变化的单相接地电容电流智能预测已成为煤矿供电安全领域的研究热点之一。

煤矿电网单相接地电容电流主要由矿用电缆产生，现有方法也是围绕矿用电缆对地电容电流展开研究，然后通过修正系数计入电气设备影响，进而获得煤矿电网的单相接地电容电流预测值[7]。预测方法包括长度预测法、截面积预测法和查表法。长度预测法依据电网的额定电压和电缆长度进行预测[8-9]，忽略了电缆截面积等结构参数和绝缘介质对单相接地电容电流的影响，误差较大。截面积预测法在长度预测法的基础上，考虑电缆截面积的影响[10]，提高了预测精度，但该方法的部分参数取值来源于油浸纸电缆特性，而目前煤矿电网已采用矿用交联聚乙烯电缆和矿用橡套软电缆替代油浸纸电缆[11-12]，二者与油浸纸电缆的对地分布电容有较大差距，无法准确反映当前煤矿电网的单相接地电容电流。针对上述问题，查表法根据电缆厂家提供的电容电流测试值进行预测[13]，该方法考虑了电缆各参数对单相接地电容电流的影响关系，预测精度较高，但仍存在以下问题：①煤矿高压电网主要采用矿用交联聚乙烯电缆和矿用橡套软电缆，其中矿用橡套软电缆占煤矿供电线路30%～60%，但当前仅有矿用交联聚乙烯电缆电容电流测试数据可供查询，而矿用橡套软电缆电容电流测试数据不完备，限制了单相接地电容电流的预测精度；②现有方法均未对矿用电缆类型加以区分，针对不同类型的供电线路无法实现单相接地电容电流的自适应预测；③通过构建智能预测模型可解决上述难题，但智能预测模型的超参数确定需依赖大量数据样本的学习，而矿用电缆电容电流数据样本量较少，无法保证预测模型参数的最优解，直接影响预测精度。

为此，提出适用于煤矿电网的单相接地电容电流智能预测方法。采用模型迁移思想扩充矿用橡套软电缆的电容电流样本数据，解决电容电流数据不完备的问题；采用基于稀疏技术的支持向量机（Support Vector Machine，SVM）建立预测模型，捕捉电缆各参数与电容电流之间的非线性回归关系，克服电容电流数据样本容量小的不足；引入鲸鱼算法（Whales Optimization Algorithm，WOA）优化预测模型超参数，以保证预测模型参数求解的准确性和稳定性。将文中预测模型嵌入供电监控系统，可实现对煤矿单相接地电容电流的自动预测和动态预警。

1预测模型的基本原理

建立的煤矿电网单相接地电容电流智能预测模型基本原理如图1所示。

为解决矿用橡套软电缆因测试数据不完备而导致的煤矿电网单相接地电容电流预测误差大的问题，通过曲线拟合方法捕捉电缆应用条件对电容电流的影响规律，采用模型迁移思想量化不同类型电缆电容电流参数的相似性和差异性，进而实现对矿用橡套软电缆的电容电流数据扩充，使模型可用于不同类型矿用电缆的单相接地电容电流预测。

针对现有方法存在预测精度低和智能化预测困难等问题，采用基于稀疏技术的支持向量机建立煤矿电网单相接地电容电流智能预测模型。SVM通过结构风险最小化技术来解决小样本条件下的非线性和过学习等问题，其向量的稀疏性使得模型可以通过对少量样本学习而具备良好的特征捕捉能力，引入鲸鱼算法优化模型超参数，进一步增强预测模型的学习与泛化能力。

为保证智能预测模型的工程应用简便性，采用Sobol敏感性方法与蒙特卡洛采样技术分析单相接地电容电流的关键影响因素和解释度高的模型输入特征量，将绝缘层厚度、截面积、额定电压和相对介电常数作为预测模型特征参数。

2基于模型迁移思想的电容电流数据扩充

2.1模型迁移思想

迁移学习是一种知识迁移及归纳研究的学习策略，它利用相关领域的共性特征，将学习到的知识从已训练的基础模型迁移至目标任务，从而提升目标模型的训练效果[14]，原理如图2所示。

模型迁移是迁移学习的一种实现途径，其核心是找到2个领域的相似性，通过共性特征重用、知识迁移和参数微调等方式来解决目标域样本数据不足和不全面的难题[15]，原理如图3所示。

模型迁移并不局限于特定算法或者模型，而是一种将源域特征参数应用到目标域的思想。其定义为给定源域DS和目标域DT以及与其对应相关联的学习任务TS和TT，利用DS和TS中的共性特征参数帮助学习目标域的预测函数fT（·），其中DS和DT分别为

DS={（xs1，ys1），…，（xsn，ysn）}（1）

DT={（xt1，yt1），…，（xtm，ytm）}（2）

式中xsn和ysn分别为源域样本及其标签；xtm和ytm分别为目标域样本及其标签。

2.2电容电流数据样本扩充

由于矿用交联聚乙烯电缆（以下简称交联电缆）和矿用橡套软电缆（以下简称橡套电缆）均采用分相屏蔽式结构（图4），且二者的应用条件相同，使得2类电缆电容电流具有共性特征，虽然绝缘介质不同导致二者电容电流存在一定差异，但其存在的共性特征满足了模型迁移思想应用的前提。

结合模型迁移思想，可将交联电缆电容电流测试数据设为源域，橡套电缆电容电流扩充数据设为目标域，采用迁移共性特征和微调差异参数的方法获得适合于橡套电缆的电容电流预测模型，进而扩充橡套电缆的电容电流数据。原理如下。

2.2.1确定函数映射关系

矿用电缆电容电流除了与自身参数相关，还受电缆布局、环境等应用条件影响。为了使扩充的电容电流数据能真实反映应用条件，将电容电流测试数据视为计及电缆应用条件影响后，对电容电流理论值修正的结果[16]，其形式如下

Id=IC+f（δ）=3ω2πεrε0GUe×10-3+f（δ）（3）

式中Id为电容电流测试值，A/km；IC为电容电流理论设计值，A/km；f（δ）为应用条件分量；ω为工频角频率，rad/s；ε0为真空介电常数；εr为绝缘介质相对介电常数，橡套电缆εr为3.5，交联电缆εr为2.3；G为电缆结构参数分量，其值为ln（D/d）；D，d分别为绝缘层外径和内径，mm；Ue为额定电压，kV。

2.2.2提取共性特征参数

在数据扩充前，首先从源域提取G以及f（δ）等共性特征参数。根据交联电缆IC反演计算G，通过统计交联电缆Id和IC之间的差值关系，采用曲线拟合方法推演f（δ）的变化趋势。

以8.7/10 kV交联电缆为例，反演计算得到的G见表1，f（δ）变化趋势如图5所示。

从图5可以看出，f（δ）呈3次多项式变化趋势，其数值约为IC的10%。

2.2.3迁移共性特征和微调差异性参数

将G和f（δ）参数迁移至目标域，并微调εr实现对橡套电缆电容电流数据扩充。部分交联电缆电容电流测试数据见表2，采用模型迁移思想扩充的部分橡套电缆电容电流数据见表3。

综上，通过模型迁移思想解决了矿用电缆电容电流测试数据不完备的问题。

3SVM回归原理

3.1SVM非线性回归模型

SVM采用具有稀疏特性的不敏感损失函数来规定回归模型的误差要求[17-18]，不仅可以识别出对模型无效的样本数据点，而且在剔除无效数据点后，提高了模型的训练和预测速度，使回归模型只依赖位于间隔边界的少量样本，即支持向量，其稀疏性较好地弥补了小样本情况下特征提取能力不足的问题，回归原理如图6所示。

给定l个样本数据集合{（xi，yi），i=1，2，…，l}，xi为第i个样本输入向量；yi为输出值。SVM将m维输入和一维输出从原始样本空间映射到高维特征空间建立回归模型

f（x）=w·（x）+b（4）

式中f（x）为目标预测值；w为权值向量；（x）为将xi映射后的特征向量；b为偏置量。

基于结构风险最小化思想，将式（4）的求解转化为最优化问题

min12‖w‖2+C∑li=1（ξi+ξi*）

s.t.yi-（w·（xi）+b）≤ε+ξi

（w·（xi）+b）-yi≤ε+ξi*

ξi，ξi*≥0（5）

式中C为惩罚因子，控制模型复杂度和逼近误差；ε为不敏感损失函数，规定模型误差要求；ξi，ξi*为松弛变量，度量数据偏离程度。

在Lagrange乘子的作用下，引入核函数，构造对偶形式求解式（5），获得回归模型为

f（x）=∑li=1（ai-ai*）K（x，xi）+b（6）

式中K（x，xi）为核函数；x为待预测样本输入向量；ai和ai*为w对应的拉格朗日乘子，由于SVM的稀疏特性，只有少部分样本系数（ai-ai*）不为零，对应的xi为支持向量。

3.2核函数选择

核函数决定了训练样本映射到高维空间的分布情况，进而影响回归分析精度，采用核函数的SVM结构如图7所示。

常用的核函数有线性核函数、多项式核函数、Sigmoid核函数和径向基核函数。其中，径向基核函数在处理高维样本数据时表现出很好的适应性。针对矿用电缆各参数与Id间的非线性关系，文中选用径向基核函数。其表达式为

K（x，xi）=exp（-g·‖x-xi‖2）（7）

式中g為核函数参数；‖x-xi‖2为二阶范数。

在构建SVM模型时，C，ε和g的参数选取决定了模型的预测精度和泛化能力。其中，C反映了模型对拟合偏差所采取的惩罚力度，取值过大使得模型容错能力低，易导致拟合，反之则易引起欠学习；ε控制模型的误差要求，决定了支持向量个数和模型泛化能力；g影响模型的学习程度，其数值决定了样本在高维空间分布的复杂程度和样本点影响范围的大小。因此，为了得到最优的预测模型，还需对以上超参数进行自适应选择。

4智能预测模型参数选取及优化

4.1矿用电缆参数敏感性分析

Sobol敏感性分析旨在将目标函数总方差分解为单个参数的方差和多个参数相互作用的方差，进而获取非线性响应和各参数之间的相互作用[19-20]。

Sobol敏感性指数分为一阶敏感性指数和全阶敏感性指数。前者反映单一参数变化对计算变量的影响，后者反映单一参数变化以及与其他参数交互作用对计算变量的综合影响。当二者相差较大时，说明该参数与其余参数的交互作用显著。

由式（3）可知，影响Id的电缆参数主要有D，d，Ue和εr，结合煤矿供电系统实际情况给定各参数的变化区间，见表4。

由表4可知，采用蒙特卡洛采样技术分析各组样本参数的Id，应用Sobol方法计算各参数的敏感性指数，其结果如图8所示。

根据图8的计算结果，可得到以下结论。

1）D和d是影响Id的关键因素。D和d的一阶敏感性指数分别为0.46和0.20，远大于Ue和εr的一阶敏感性指数。

2）影响Id的各因素之间存在明显的交互作用。以上参数的全阶敏感性指数与一阶敏感性指数差值较一阶敏感性指数占比分别为54%、125%、40%和67%。

考虑电缆各参数之间强烈的交互作用，需采用非线性智能预测模型进行Id的预测。

4.2输入特征量选择

对煤矿电网而言，D，d均属于不易准确获取的参数。因此，还需要研究相应的替代参数作为智能预测模型输入特征量，以方便工程应用。从预测准确性和便捷性2个方面考虑，选择绝缘层厚度、截面积作为替代参数。

1）绝缘层厚度、截面积能够客观反映D，d变化，保留了特征量对电缆结构参数的解释性，其对应关系如下式

Δ≈（D-d）/2（8）

S≈π（d-2τ）2/4（9）

式中Δ为绝缘层厚度，mm；S为截面积，mm2；τ为半导电层厚度，mm。

2）绝缘层厚度在电缆设计和标准化过程中已有明确定义，其大小不受截面积影响，只与电缆类型和额定电压有关，削弱了电缆结构参数间的交互关系，而电缆类型和额定电压对企业而言属于容易获取的参数。矿用电缆绝缘层厚度见表5[21]。

结合Ue和εr对Id的影响，文中选取Δ、S、Ue、εr作为智能预测模型输入特征量。

4.3智能预测模型超参数优化

现有研究常采用粒子群算法（Particle Swarm Optimization，PSO）和遗传算法（Genetic Algorithm，GA）优化SVM超参数。由于电容电流数据样本容量小，易受到噪声等影响，使得SVM对煤矿电网单相接地电容电流进行预测时易出现过拟合、稳定性不高以及超参数选择困难等问题。GA算法和PSO算法具有并行性、全局搜索能力强等特点[22-23]，虽然能够使SVM预测性能得到一定提升，但其稳定性和抗干扰能力不强，可能会陷入局部最优解。

相比之下，WOA算法具有维护数据多样性、自适应调整和鲁棒性强等特点[24]，通过自动调整搜索策略更好地适应有限电容电流样本的数据特点，其种群个体之间的多样性能够更好地克服样本数据中噪声的影响，确定搜寻到最优的超参数，进而保证SVM预测模型的准确性和稳定性。因此，采用WOA算法优化SVM超参数。

4.3.1WOA算法原理

WOA算法是模仿座头鲸狩猎行为所提出的一种启发式优化算法[25]，基本原理如下。

1）包围捕食：座头鲸不断更新自身位置以达到捕食的目的，见式（10）～（11）。

D=|C·X*（t）-X（t）|（10）

X（t+1）=X*（t）-A·D（11）

式中D为座头鲸与猎物之间的距离；X*（t）为当前的猎物位置向量；X（t）为座头鲸位置向量；t为当前迭代次数；A和C为系数向量。

A和C的更新式为

A=2ar-a（12）

C=2r（13）

a=2-2t/Tmax（14）

式中a为线性衰减过程，随迭代次数从2减小到0；r为[0，1]的随机数；Tmax为最大迭代次数。

2）气泡捕食：该过程为局部搜索阶段，通过以下2种方式来模拟座头鲸的气泡捕食行为。

收缩包围：通过减小a值实现，当a由2减小到0时，A为[-a，a]随机数，即搜索代理的下一个位置是初始位置和当前最佳位置之间的值。

螺旋更新位置：座头鲸以螺旋运动方式不断接近猎物，其数学模型为

D′=|X*（t）-X（t）|（15）

X（t+1）=D′·evk·cos（2πk）+X*（t）（16）

式中D′为座头鲸与当前最优位置的距离；evk为距离系数；k为[-1，1]的随机数；v为常数。

为了模拟上述2种捕食方式的同步性，分别以50%的概率选择2种捕食方式，如下

X（t+1）=X*（t）-A·D，P＜0.5

D′·evk·cos（2πk）+X*（t），P≥0.5（17）

式中P为[0，1]的随机数，表示捕食方式的概率。

3）随机搜索猎物：鲸鱼根据彼此的位置进行随机搜索，以避免陷入局部最优。数学模型为

D=|C·Xrand（t）-X（t）|（18）

X（t+1）=Xrand（t）-A·D（19）

式中Xrand（t）为随机个体的位置矢量。

4.3.2超参数优化试验

基于交联电缆电容电流测试数据和扩充后橡套电缆电容电流数据来优化预测模型超参数，根据[C，ε，g]设置WOA算法优化参数个数为3，种群数目为30，寻优范围下限为[0，0，0]，上限为[100，100，10]，最大迭代次数为50，采用均方误差作为适应度函数。

经WOA算法优化后的[C，ε，g]取值分别为[99.498，0.091，0.468]。迭代曲线如图9所示。

从图9可以看出，只需经过10次进化迭代，种群最佳适应度就已达到稳定状态，表明WOA算法没有陷入局部最優，其寻优结果已是最优解。

4.4煤矿电网单相接地电容电流预测模型

在所建立的矿用电缆Id预测模型的基础上，可对煤矿电网单相接地电容电流进行准确预测，步骤如下。

Step 1：采用模型迁移思想和曲线拟合方法扩充橡套电缆电容电流数据。

Step 2：输入特征向量[Δ，S，Ue，εr]。

Step 3：数据归一化处理，消除数据量纲影响。

Step 4：采用WOA算法优化模型超参数，建立矿用电缆Id预测模型。

Step 5：计及电气设备的影响，预测煤矿电网单相接地电容电流值[7]，如下式

IMd=∑KIdL（20）

式中IMd为煤矿电网单相接地电容电流，A；K为电气设备增值系数，6 kV和10  kV煤矿电网的K取值分别为1.18和1.16；L为矿用电缆长度，km。

5试验分析

为了验证文中方法预测煤矿电网单相接地电容电流的精度，从以下几个方面进行试验设计与分析。

1）采用交联电缆电容电流测试数据与试验预测结果对比分析，以验证文中方法能够挖掘矿用电缆电容电流测试数据中蕴含的规律，并以此反映其预测交联电缆Id的精度。

2）对橡套电缆Id进行预测试验，通过比较预测值与查表法测试数据变化规律的相似性来验证文中方法预测橡套电缆Id的精度；采用数据扩充前后所训练的模型分别对橡套电缆Id进行预测，将二者结果进行对比，以验证数据扩充后模型具有良好的泛化性。

3）中性点外加电容法是实测方法中测试精度较高的方法，采用中性点外加电容法对多个煤矿电网IMd进行实测，进一步验证文中方法对煤矿电网IMd和橡套电缆Id预测的精度。

4）分别采用GA算法、PSO算法和WOA算法对SVM超参数进行优化，采用不同优化算法的SVM模型对矿用电缆电容电流进行预测，并将预测结果进行对比，以验证WOA算法对SVM模型预测精度的提升效果。

5.1交联电缆电容电流预测试验

采用不同预测方法分别对交联电缆Id进行预测，计算预测值与表2所示测试数据的相对误差，误差曲线如图10所示。从图10可以看出，文中方法预测值的相对误差小于3%，而长度预测法和截面积预测法的相对误差最大超过50%，这表明基于稀疏技术的智能模型能够准确预测交联电缆Id。

5.2橡套电缆电容电流预测试验

橡套电缆作为煤矿移动设备专用电缆，主要以三芯MYPTJ-3.6/6 kV、MYPTJ-6/10 kV、MYPT-6/10 kV、MYPTJ-8.7/10 kV橡套电缆为主。因此，文中采用上述橡套电缆进行Id预测试验。

5.2.1预测精度试验

不同类型矿用电缆的结构相同，其Id具有相似变化规律。因此，通过比较橡套电缆Id预测值曲线与查表法测试数据曲线的相似度，可以判断文中方法预测值的精度。不同方法的橡套电缆Id预测值曲线如图11所示。

从图11可以看出，长度法预测值曲线在不同截面积下保持恒定，与查表法曲线相似度最低；截面积法预测值曲线与查表法曲线具有一定相似度，但预测值均远小于矿用电缆Id值；查表法能够准确映射电缆结构参数对Id的影响关系，但并不适用于橡套电缆Id预测；文中方法预测值曲线与查表法曲线有较高相似度，反映了橡套电缆与交联电缆Id的整体差异，这表明智能预测模型综合反映了电缆结构参数、绝缘介质以及应用条件对Id的影响规律，解决了橡套电缆Id准确预测的难题。

5.2.2数据扩充有效性试验

将数据扩充前、后所训练的模型对橡套电缆Id的预测值进行对比，其结果如图11所示。从图11可以看出，数据扩充前的模型對电缆各参数变化不敏感，其Id预测值均在1.0～1.4 A/km范围内。相比之下，数据扩充后的模型准确反映了各个因素对Id的影响关系，在不同额定电压和截面积等条件下Id具有明显差异，这表明采用模型迁移思想进行数据扩充，提高了预测模型的泛化能力。

5.3煤矿电网单相接地电容电流实测数据验证

为了综合验证文中方法预测煤矿电网IMd的精度，采用中性点外加电容法对3个10 kV煤矿电网IMd进行测试，各煤矿电缆数据见表6。测试时将系统内无功补偿装置退出运行，以保证测试结果的准确性，现场测试数据如图12所示。

将煤矿电网IMd实测值与文中方法预测值、现有方法预测值进行对比，不同方法的IMd预测结果见表7，误差计算见表8。

由表7、表8可知，文中方法预测值与实测数据最接近，平均相对误差为2.26%。相较于现有的方法，误差分别下降了34.19%、24.91%和740%，较数据扩充前的预测模型下降了1449%。

5.4WOA算法优化超参数试验

将采用GA算法、PSO算法和WOA算法的SVM模型分别记为GA-SVM、PSO-SVM和WOA-SVM，采用不同优化算法的SVM模型对矿用电缆电容电流进行预测，预测误差见表9。

由表9可知，WOA-SVM模型在训练集和测试集中的预测平均相对误差最低。相较于SVM、GA-SVM和PSO-SVM模型，训练集预测误差分别下降了2.65%、1.11%和1.01%，测试集预测误差分别下降了7.39%、3.19%和5.80%，表明WOA算法对SVM预测精度的提升效果最优。

6结论

1）采用模型迁移思想可解决矿用电缆电容电流数据样本覆盖不全面和样本容量少的问题，为智能预测模型的构建提供了数据支撑。

2）具有稀疏特性和结构风险最小化思想的SVM适用于煤矿电网单相接地电容电流智能建模，选取绝缘层厚度和截面积来表征电缆结构参数，在保证预测精度的前提下，解决了绝缘层外径、绝缘层内径参数难以准确获取的问题。

3）引入WOA算法对预测模型参数进行优化，避免了人为选择参数的主观性，提高了煤矿电网单相接地电容电流的预测精度。

4）所提方法能够准确预测煤矿电网的单相接地电容电流，其结果是提高煤矿供电安全性和整定漏电保护动作值的重要依据。

参考文献（References）：

[1]KALYUZHNY A.Analysis of temporary overvoltages during open-phase faults in distribution networks with resonant grounding[J].IEEE Transactions on Power Delivery，2015，30（1）：420-427.

[2]王彦文，卢丹，高彦.基于广域同步测量技术的煤矿高压电网故障区段定位算法[J].煤炭学报，2015，40（S1）：285-291.

WANG Yanwen，LU Dan，GAO Yan.Fault section locating algorithm for coal mine high-voltage power network based on wide area synchronized measurement technology[J].Journal of China Coal Society，2015，40（S1）：285-291.

[3]国家煤矿安全生产监督管理总局.煤矿安全规程[M].北京：煤炭工业出版社，2022.

[4]中国煤炭建设协会.矿山电力设计标准：GB 50070—2020[S].北京：中国计划出版社，2020：5-6.

[5]刘扬，刘建功，王毅颖，等.煤矿坚强智能电网建设理论与技术探讨[J].煤炭学报，2020，45（6）：2296-2307.

LIU Yang，LIU Jiangong，WANG Yiying，et al.Discussion on theory and technology of building robust intelligent power grid in coal mine of China[J].Journal of China Coal Society，2020，45（6）：2296-2307.

[6]王国法，刘峰，庞义辉，等.煤矿智能化——煤炭工业高质量发展的核心技术支撑[J].煤炭学报，2019，44（2）：349-357.

WANG Guofa，LIU Feng，PANG Yihui，et al.Coal mine intellectualization：The core technology of high quality development[J].Journal of China Coal Society，2019，44（2）：349-357.

[7]张红涛，王星，蔡文龙，等.煤矿10 kV供电系统电容电流计算方法[J].西安科技大学学报，2016，36（2）：282-287.

ZHANG Hongtao，WANG Xing，CAI Wenlong，et al.Capacitive current calculation methods of 10 kV power system in coal mine[J].Journal of Xian University of Science and Technology，2016，36（2）：282-287.

[8]电力工业部电力规划设计总院.电力系统设计手册[M].北京：中国电力出版社，2018.

[9]钟新华.配电网电容电流估算公式的修正[J].电力建设，2004，25（5）：23-26.

ZHONG Xinhua.Correction of estimating formula for capacitance current of distribution network[J].Electric Power Construction，2004，25（5）：23-26.

[10]劉群杰，樊艳芳，侯俊杰，等.基于开关控制的风电场集电线路复合中性点接地方式研究[J].太阳能学报，2019，40（9）：2424-2432.

LIU Qunjie，FAN Yanfang，HOU Junjie，et al.Study on composite neutral grounding mode of wind farm lines based on switching control[J].Acta Energiae Solaris Sinica，2019，40（9）：2424-2432.

[11]雷志鹏，李蔚，何庆辉，等.基于介电响应法的矿用电缆绝缘性能评估方法研究[J].工矿自动化，2023，49（1）：46-55.

LEI Zhipeng，LI Wei，HE Qinghui，et al.Study on eva-luation method of insulation performance of mine cable based on dielectric response method[J].Journal of Mine Automation，2023，49（1）：46-55.

[12]王彦文，张旭然，高彦，等.三芯矿用电缆线芯温度预测及故障预警方法[J].煤炭学报，2023，48（3）：1439-1448.

WANG Yanwen，ZHANG Xuran，GAO Yan，et al.Prediction of core temperature and early warning of fault of three-core mining cable[J].Journal of China Coal Society，2023，48（3）：1439-1448.

[13]苏继锋.配电网中性点接地方式研究[J].电力系统保护与控制，2013，41（8）：141-148.

SU Jifeng.Research of neutral grounding modes in power distribution network[J].Power System Protection and Control，2013，41（8）：141-148.

[14]张旭辉，潘格格，郭欢欢，等.基于深度迁移学习的采煤机摇臂部滚动轴承故障诊断方法[J].煤炭科学技术，2022，50（4）：256-263.

ZHANG Xuhui，PAN Gege，GUO Huanhuan，et al.Fault diagnosis method for rolling bearing on shearer arm based on deep transfer learning[J].Coal Science and Technology，2022，50（4）：256-263.

[15]兰健，郭庆来，周艳真，等.基于生成对抗网络和模型迁移的电力系统典型运行方式样本生成[J].中国电机工程学报，2022，42（8）：2889-2900.

LAN Jian，GUO Qinglai，ZHOU Yanzhen，et al.Generation of power system typical operation mode samples：A generation adversarial network and model-based transfer learning approach[J].Proceedings of the Chinese Society for Electrical Engineering，2022，42（8）：2889-2900.

[16]楊贵河.电缆电容的计算[J].电气开关，2010，48（1）：80-81.

YANG Guihe.Calculation of cable capacitance[J].Electric Switchgear，2010，48（1）：80-81.

[17]WANG J Z，ZHOU Q P，JIANG H P，et al.Short-term wind speed forecasting using support vector regression optimized by cuckoo optimization algorithm[J].Mathematical Problems in Engineering，2015，2015（1）：1-13.

[18]吴旋，来兴平，郭俊兵，等.综采面区段煤柱宽度的PSO-SVM预测模型[J].西安科技大学学报，2020，40（1）：64-70.

WU Xuan，LAI Xingping，GUO Junbing，et al.PSO-SVM prediction model of coal pillar width in fully mechanized mining face[J].Journal of Xian University of Science and Technology，2020，40（1）：64-70.

[19]王光辉，彭勇，代伟，等.基于灵敏度分析与增强捕食-食饵优化的重介质选煤过程动态模型[J].煤炭学报，2021，46（9）：2813-2823.

WANG Guanghui，PENG Yong，DAI Wei，et al.Dynamic models of dense medium coal preparation using sensitivity analysis and reinforcement prey-predator optimization[J].Journal of China Coal Society，2021，46（9）：2813-2823.

[20]HASAN K N，PREECE R，MILANOVIC J V.Priority ranking of critical uncertainties affecting small-disturbance stability using sensitivity analysis techniques[J].IEEE Transactions on Power Systems，2017，32（4）：2629-2639.

[21]《煤矿用电缆》编辑组.煤矿用电缆[M].北京：煤炭工业出版社，2012.

[22]POLI R，KENNEDY J，BLACKWELL T.Particle swarm optimization[J].Swarm Intelligence，2007，1（1）：35-57.

[23]肖白，邢世亨，王茂春，等.基于改进KDE法和GA-SVM的多风电场聚合后输出功率长期波动特性预测方法[J].电力自动化设备，2022，42（2）：77-84.

XIAO Bai，XING Shiheng，WANG Maochun，et al.Prediction method of output power long-term fluctuation characteristic for multiple wind farms after aggregation based on improved KDE method and GA-SVM[J].Electric Power Automation Equipment，2022，42（2）：77-84.

[24]MIRJALILI S，LEWIS A.The whale optimization algorithm[J].Advances in Engineering Software，2016，95（6）：51-67.

[25]张君.基于WOA-FOPID算法的钻锚机器人机械臂运动控制研究[J].煤炭科学技术，2022，50（6）：292-302.

ZHANG Jun.Research on motion control of manipulator of anchor drilling robot based on WOA-FOPID algorithm[J].Coal Science and Technology，2022，50（6）：292-302.

（责任编辑：高佳）