基于HHT和BP神經(jīng)網(wǎng)絡(luò)的船舶電力系統(tǒng)故障定位

陳顯云，施偉鋒，卓金寶

?

基于HHT和BP神經(jīng)網(wǎng)絡(luò)的船舶電力系統(tǒng)故障定位

陳顯云，施偉鋒，卓金寶

（上海海事大學(xué)，上海 201306）

針對(duì)船舶電力系統(tǒng)故障難以精確定位的情況，將Hilbert-Huang變換（HHT）和BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于船舶電力系統(tǒng)故障節(jié)點(diǎn)定位。首先，采集各節(jié)點(diǎn)電流信號(hào)，經(jīng)過(guò)EMD分解得到若干IMF分量，對(duì)第一個(gè)IMF分量進(jìn)行Hilbert變換得到其瞬時(shí)振幅向量。然后，將各節(jié)點(diǎn)的瞬時(shí)振幅向量之和作為電流信號(hào)的特征量輸入到帶有動(dòng)量因子的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障節(jié)點(diǎn)定位。最后，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

船舶電力系統(tǒng) 故障定位 HHT 瞬時(shí)振幅向量 BP神經(jīng)網(wǎng)絡(luò)

0 引言

目前船舶電力系統(tǒng)朝著大型化、集成化和模塊化的方向發(fā)展，船舶的電氣化程度越來(lái)越高，同時(shí)對(duì)船舶電力系統(tǒng)的安全性也提出了更高的要求[1]。系統(tǒng)在發(fā)生故障時(shí)如果能夠迅速找出故障位置，對(duì)提高系統(tǒng)穩(wěn)定性和電能質(zhì)量有重要意義。

船舶電力系統(tǒng)的故障定位主要分為兩個(gè)步驟：第一步為故障特征提??；第二步為故障定位。特征提取的方法主要有傅里葉變換、小波變換和Hilbert-Huang變換等[2]。傅里葉變換（FFT）適用于處理線性、平穩(wěn)信號(hào)，但處理非平穩(wěn)信號(hào)卻存在很大缺陷；短時(shí)傅里葉變換（STFT）,雖然可以同時(shí)獲得信號(hào)的時(shí)域和頻域圖形，但由于其窗口固定，分析的精度較低；小波變換雖然可以處理非線性、非平穩(wěn)信號(hào)，但是它是非適應(yīng)性的，小波基函數(shù)一旦選取就無(wú)法更改[3]。HHT是目前研究比較多的一種能夠自適應(yīng)的處理非線性、非平穩(wěn)復(fù)雜信號(hào)的方法。它既具有小波變換的多分辨率的特性，同時(shí)還不像小波變換那樣受到小波函數(shù)和尺度函數(shù)的限制[4]。因此用HHT來(lái)提取信號(hào)的特征具有一定的優(yōu)越性。故障定位方法主要有Petri網(wǎng)、專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)等[5]。前面幾種方法如專家系統(tǒng)存在容錯(cuò)能力差且不具備自學(xué)習(xí)能力等缺點(diǎn)。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)由于其自身較強(qiáng)的非線性映射和容錯(cuò)能力，高度的自學(xué)習(xí)和自適應(yīng)能力，適用于故障節(jié)點(diǎn)定位。

根據(jù)上述情況，本文首先介紹HHT和BP神經(jīng)網(wǎng)絡(luò)的基本理論。然后，提出一種將HHT和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合用于船舶電力系統(tǒng)進(jìn)行故障節(jié)點(diǎn)定位的方法，介紹該方法進(jìn)行船舶電力系統(tǒng)故障節(jié)點(diǎn)定位的基本步驟。最后，基于某典型船舶電力系統(tǒng)在MATLAB/SIMULINK中建立仿真系統(tǒng)，采用該定位方法對(duì)系統(tǒng)中單相接地故障的節(jié)點(diǎn)進(jìn)行定位，定位結(jié)果證明該方法的有效性和可靠性。

1 基本原理

1.1 Hilbert-Huang變換

HHT處理信號(hào)的基本步驟是：首先將信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）得到固有模態(tài)分量（IMF），然后對(duì)分解得到的IMF分量進(jìn)行Hilbert變換得到Hilbert譜[6]。

1.1.1 EMD算法的基本步驟

Step1：用三次樣條插值擬合原始信號(hào)()的所有局部極大、極小值點(diǎn)得到信號(hào)的上下包絡(luò)線。

Step2：求出信號(hào)上、下包絡(luò)線的平均值，并記原始信號(hào)和包絡(luò)均值的差值為()。

Step3：當(dāng)()滿足文獻(xiàn)[7]所說(shuō)的IMF條件時(shí)，()就是求得的第一個(gè)IMF分量；若不滿足，將()作為新的原始信號(hào)重復(fù)Step1和2，直到能夠分出第一個(gè)IMF分量，記為1()。

1.1.2 Hilbert變換

由此來(lái)構(gòu)造解析信號(hào)：

其瞬時(shí)振幅和頻率為：

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層組成，層與層之間采用全互連方式，同一層神經(jīng)元之間無(wú)連接，圖1為典型的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2 基于HHT和BP神經(jīng)網(wǎng)絡(luò)的故障定位方法

根據(jù)HHT和BP神經(jīng)網(wǎng)絡(luò)的基本原理，提出了一種船舶電力系統(tǒng)故障定位方法，其基本流程如下圖2所示：

圖2 故障定位流程圖

故障定位方法的基本步驟：

步驟1：采集船舶電力系統(tǒng)各節(jié)點(diǎn)電流信號(hào)。

步驟2：對(duì)采集到的電流信號(hào)進(jìn)行EMD分解得到若干IMF分量。記第一個(gè)IMF分量為IMF1。

步驟3：對(duì)分解得到的IMF分量進(jìn)行Hilbert變換得到其瞬時(shí)振幅向量。

步驟5：將求取的特征量進(jìn)行歸一化處理，歸一化公式如下：

步驟6：將歸一化后樣本數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到故障定位結(jié)果。

其中BP神經(jīng)網(wǎng)絡(luò)是以典型故障的特征量作為樣本進(jìn)行訓(xùn)練，其訓(xùn)練流程如圖3所示：

圖3 BP網(wǎng)絡(luò)訓(xùn)練流程圖

3 仿真實(shí)驗(yàn)

3.1 仿真模型設(shè)計(jì)

圖4 船舶電力系統(tǒng)結(jié)構(gòu)示意圖

3.2 故障特征提取

以節(jié)點(diǎn)1為例進(jìn)行故障特征提取。由于經(jīng)過(guò)EMD分解得到的IMF分量是按照頻率由高到低依次排列，文獻(xiàn)[10]表明經(jīng)EMD分解得到的所有IMF分量中IMF1分量最能代表原始信號(hào)的特征。因此對(duì)節(jié)點(diǎn)1發(fā)生單相接地故障時(shí)各節(jié)點(diǎn)的IMF1分量進(jìn)行Hilbert變換，得到各自的瞬時(shí)振幅向量，如圖5所示。

表1 故障電流信號(hào)IMF1分量的瞬時(shí)振幅之和

3.3 基于BP神經(jīng)網(wǎng)絡(luò)的故障定位

表2 BP網(wǎng)絡(luò)訓(xùn)練目標(biāo)

圖6 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線圖

由圖6可見(jiàn)，經(jīng)過(guò)2316次訓(xùn)練后，達(dá)到設(shè)定的訓(xùn)練誤差要求。

表4 故障定位識(shí)別結(jié)果

4 結(jié)論

本文采用HHT和BP神經(jīng)網(wǎng)絡(luò)對(duì)船舶電力系統(tǒng)進(jìn)行故障節(jié)點(diǎn)定位。利用HHT方法提取船舶電力系統(tǒng)各節(jié)點(diǎn)電流特征量，將提取到的特征量輸入到帶有動(dòng)量因子BP網(wǎng)絡(luò)進(jìn)行故障定位。通過(guò)多次仿真測(cè)試，可以得出基于本文的方法能夠精確的定位出船舶電力系統(tǒng)的故障節(jié)點(diǎn)，驗(yàn)證了該方法在船舶電力系統(tǒng)中故障定位的實(shí)用性和有效性。

[1] 施偉鋒,許曉彥. 船舶電力系統(tǒng)建模與控制[M]. 北京:電子工業(yè)出版社, 2012.

[2] 賈峰, 孫曼, 楊勰穎. 基于改進(jìn)小波變換的電力諧波檢測(cè)方法研究[J]. 計(jì)算機(jī)仿真, 2017, 34(1):99-103.

[3] 楊露, 沈懷榮. 希爾伯特-黃變換與小波變換在故障特征提取中的對(duì)比研究[J]. 兵工學(xué)報(bào), 2009, 30(5):628-632.

[4] 劉志剛, 李文帆, 孫婉璐. Hilbert-Huang變換及其在電力系統(tǒng)中的應(yīng)用[J]. 電力自動(dòng)化設(shè)備, 2012, 32(4):109-116.

[5] 張旭, 魏娟, 趙冬梅,等. 電網(wǎng)故障診斷的研究歷程及展望[J]. 電網(wǎng)技術(shù), 2013, 37(10):2745-2753.

[6] 齊國(guó)強(qiáng), 王增平. 基于Hilbert-Huang變換的HVDC突變量方向縱聯(lián)保護(hù)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2017, (20):92-99.

[7] 李秀坤, 謝磊, 秦宇. 應(yīng)用希爾伯特黃變換的水下目標(biāo)特征提取[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2009, 30(5):542-546.

[8] 邰麗君, 胡如夫, 趙韓,等. 改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)算法在銷售預(yù)測(cè)中的應(yīng)用研究[J]. 現(xiàn)代圖書(shū)情報(bào)技術(shù), 2012, 28(1):63-67.

[9] 張會(huì)生, 吳微. 一種具有自適應(yīng)動(dòng)量因子的BP算法[J]. 大連海事大學(xué)學(xué)報(bào), 2008, 34(4):45-47.

[10] 毋恒先, 施偉鋒, 卓金寶,等. 基于HHT的船舶綜合電力系統(tǒng)故障時(shí)間定位新方法[J]. 船電技術(shù), 2017, 37(8):38-42.

[11] 蔡榮輝, 崔雨軒, 薛培靜. 三層BP神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)確定方法探究[J]. 電腦與信息技術(shù), 2017, 25(5):29-33.

Ship Power System Fault Location Based on HHT and BP Neural Network

Chen Xianyun, Shi Weifeng, Zhuo Jinbao

（Shanghai Maritime University, Shanghai 201306, China）

TP277

A

1003-4862（2018）06-0026-05

2018-02-22

陳顯云（1994-），男，碩士研究生。研究方向：電力系統(tǒng)及其自動(dòng)化。Email：18251302536@163.com。

施偉鋒（1963-），男，教授，博士，博導(dǎo)，主要從事電力系統(tǒng)及其自動(dòng)化、控制理論與控制工程研究。Email：wfshi@shmtu.edu.cn