基于LSTM-FCN神經(jīng)網(wǎng)絡(luò)的船舶電力系統(tǒng)故障識別方法

彭鳳健，牟龍華，方重凱，莊 偉，代 建

應(yīng)用研究

基于LSTM-FCN神經(jīng)網(wǎng)絡(luò)的船舶電力系統(tǒng)故障識別方法

彭鳳健1，牟龍華1，方重凱1，莊 偉2，代 建3

(1. 同濟(jì)大學(xué)電氣工程系, 上海 201804; 2. 中國船舶集團(tuán)有限公司第七一一研究所, 上海 201108; 3. 上海齊耀重工有限公司, 上海 201108)

船舶電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)日趨復(fù)雜，故障種類繁多且不易區(qū)分。為確保繼電保護(hù)動作的正確性，本文基于船舶電力系統(tǒng)故障錄波數(shù)據(jù)，利用全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)在局部特征提取上的優(yōu)勢，以及長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)在時(shí)序特征提取上的優(yōu)勢，提出了一種基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型，并應(yīng)用于船舶電力系統(tǒng)故障識別。依托PSCAD/EMTDC仿真軟件對典型船舶電力系統(tǒng)各種故障進(jìn)行仿真，通過小波變換對采樣信號進(jìn)行預(yù)處理。實(shí)驗(yàn)結(jié)果表明：本文所提出的故障診斷模型能夠很好地對船舶電力系統(tǒng)故障進(jìn)行分類識別。

船舶電力系統(tǒng) 故障識別 全卷積網(wǎng)絡(luò) 長短期記憶網(wǎng)絡(luò)

0 引言

隨著船舶發(fā)電機(jī)、變壓器、變流器等各種電氣設(shè)備的數(shù)量和功率大幅增加，船舶綜合電力系統(tǒng)的拓?fù)浣Y(jié)構(gòu)日漸復(fù)雜[1, 2]。艦船長期處于水上工作環(huán)境，受濕度、鹽霧和溫差等因素影響，線路與設(shè)備極易受到侵蝕，一旦發(fā)生電氣故障，繼電保護(hù)便能迅速完成故障隔離，若保護(hù)未能完成準(zhǔn)確的故障判斷，將導(dǎo)致電氣設(shè)備損壞，甚至引發(fā)重大事故[3, 4]。

故障錄波裝置是船舶電力系統(tǒng)故障診斷、健康分析、設(shè)備態(tài)勢分析等大數(shù)據(jù)的基礎(chǔ)裝備，也是船舶智能化診斷的基礎(chǔ)數(shù)據(jù)源，故近年來船用故障錄波裝置在船舶電力系統(tǒng)得到推廣應(yīng)用。而根據(jù)故障錄波數(shù)據(jù)進(jìn)行進(jìn)一步的故障識別可以分析船舶電網(wǎng)保護(hù)是否正確動作，因此研究基于船舶電力系統(tǒng)故障錄波數(shù)據(jù)的故障診斷方法具有重大意義。

傳統(tǒng)的故障識別方法通過提取序分量特征，利用選相元件完成故障類型的識別，文獻(xiàn)[5]通過負(fù)序差電流和修正后的正序差電流之間的相位關(guān)系判斷故障類型；文獻(xiàn)[6]對傳統(tǒng)故障分量選相元件的接地短路故障判據(jù)進(jìn)行了修正，加入對零序電壓分量的閾值判斷實(shí)現(xiàn)了接地故障的區(qū)分。傳統(tǒng)方法具有計(jì)算量小，識別速度快等優(yōu)點(diǎn)，但由于數(shù)據(jù)特征提取能力差，容易受到過渡電阻、故障位置和故障電流等因素的干擾，而船舶電力系統(tǒng)在發(fā)生故障時(shí)，故障信號相互耦合，因而準(zhǔn)確率較差。

深度學(xué)習(xí)方法能夠有效處理特征數(shù)據(jù)，擬合非線性映射，因而也被廣泛應(yīng)用于故障識別，如支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等。文獻(xiàn)[7]針對輸電線路故障分類識別方法存在的閾值整定復(fù)雜等問題，利用稀疏性約束驅(qū)動字典自動提取故障特征，進(jìn)而進(jìn)行故障分類識別，但學(xué)習(xí)字典的構(gòu)造過程相對較復(fù)雜；文獻(xiàn)[8]提出了基于多通道卷積雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的輸電線路故障分類方法，能夠?qū)崿F(xiàn)11種輸電線路故障的準(zhǔn)確分類，但分類準(zhǔn)確率會受到故障時(shí)刻等因素的影響；文獻(xiàn)[9]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合的輸電網(wǎng)故障分類識別方法，但需要將故障數(shù)據(jù)轉(zhuǎn)換為二維特征圖，存在一定的特征遺漏；文獻(xiàn)[10]結(jié)合人工神經(jīng)網(wǎng)絡(luò)提出了一種中壓直流船舶電力系統(tǒng)故障檢測與分類方法，但僅對直流母線、交流側(cè)短路故障以及接地故障進(jìn)行了分析和測試，并未考慮發(fā)電機(jī)、變壓器等設(shè)備。

本文針對深度學(xué)習(xí)算法在電網(wǎng)故障分類研究和應(yīng)用中存在的不足，結(jié)合長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)在時(shí)序特征提取上的優(yōu)勢和全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)在局部特征提取上的優(yōu)勢[11]，提出了一種基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型，并將其成功應(yīng)用于船舶電力系統(tǒng)故障分類識別。本文首先搭建了船舶電力系統(tǒng)仿真模型，通過小波變換對仿真數(shù)據(jù)進(jìn)行預(yù)處理，提取子頻帶均方根值、小波能量熵以及采樣信號相角差余弦值和零序分量均方根值作為特征向量并生成數(shù)據(jù)集；接著介紹了改進(jìn)的LSTM- FCN網(wǎng)絡(luò)及其故障診斷模型；最后利用數(shù)據(jù)集對本文所提模型與反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation, BP)、LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型能夠?qū)崿F(xiàn)對船舶電力系統(tǒng)故障的高精確度分類識別。

1 船舶電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)與數(shù)據(jù)預(yù)處理

1.1 船舶電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)

船舶電力系統(tǒng)具有較強(qiáng)的獨(dú)立性，不同于陸地電網(wǎng)，船舶電力系統(tǒng)的負(fù)載變化性強(qiáng)，且負(fù)載之間通過母線連接，母線長度遠(yuǎn)不及陸地電網(wǎng)，因此設(shè)備之間存在更強(qiáng)的相互作用。圖1為一種典型的船舶電力系統(tǒng)結(jié)構(gòu)圖[12, 13]，采用單母線的運(yùn)行方式，包含3臺發(fā)電機(jī)G1～G3、2臺主推進(jìn)器MP1和MP2、1臺輔助推進(jìn)器AP、1臺錨鏈?zhǔn)辗牌鱉、1臺彈射裝置E和一臺降壓變壓器T。

圖1 船舶電力系統(tǒng)結(jié)構(gòu)

1.2 仿真建模與故障數(shù)據(jù)獲取

由于船舶工作環(huán)境的惡劣，船舶電力電網(wǎng)及其電氣設(shè)備在運(yùn)行過程中會出現(xiàn)各種各樣的電氣故障。為了生成故障診斷所需的原始故障數(shù)據(jù)樣本，本文在PSCAD/EMTDC仿真平臺中搭建了一個(gè)如圖1所示系統(tǒng)的仿真模型。依托仿真模型，分別對母線、各饋線、發(fā)電機(jī)和變壓器設(shè)置不同類型的短路故障，如表1所示。

表1 短路故障類型

結(jié)合圖1與表1可知，各電氣元件的故障類型數(shù)量如下：母線10種，發(fā)電機(jī)21種，饋線90種，變壓器9種，加上1種非故障工況（無擾動運(yùn)行、負(fù)荷變化等）總計(jì)131種潛在工況。為模擬實(shí)際故障的不確定性，故障在0.44 s的時(shí)間范圍內(nèi)隨機(jī)發(fā)生，且故障點(diǎn)過渡電阻在4 Ω～280 Ω間隨機(jī)取值。仿真過程記錄了母線電壓、各饋線電流、各發(fā)電機(jī)電壓電流以及變壓器電壓電流共18個(gè)電氣量，一共包含54路信號，采樣頻率為10 kHz。

1.3 數(shù)據(jù)預(yù)處理

船舶電力系統(tǒng)發(fā)生短路故障時(shí)，系統(tǒng)中產(chǎn)生的電氣暫態(tài)量比穩(wěn)態(tài)量大得多，對于采樣信號而言，冗余數(shù)據(jù)量很大，難以直接作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集，故需要對故障采樣信號進(jìn)行預(yù)處理，提取暫態(tài)分量中的有用成分。小波變換作為一種時(shí)頻分析方法，在故障信號處理中具有良好的應(yīng)用效果[14, 15]。本文選取db6小波進(jìn)行離散小波變換，分解層數(shù)為6層，對采樣信號進(jìn)行小波分解，提取出小波系數(shù)均方根值、小波能量熵兩種暫態(tài)特征量。并結(jié)合原采樣信號的相角差余弦值和零序分量均方根值得到最終輸入神經(jīng)網(wǎng)絡(luò)模型的時(shí)序特征向量。

小波變換后得到的子頻帶小波系數(shù)的均方根值(Root Mean Square, RMS)可以表征子頻帶中所包含的信號能量。設(shè)信號分解得到的某個(gè)子頻帶小波系數(shù)為1,…z,…,N，均方根值的計(jì)算公式為：

熵值可以反應(yīng)信號的混亂程度，是信號特征的一種無量綱指標(biāo)[15]。根據(jù)香農(nóng)信息熵原理，可以得到小波分解第個(gè)子頻帶的能量熵H為：

相角差是兩個(gè)作周期變化信號的相之間的差值。在電力系統(tǒng)故障中，不同的故障相同兩相之間的相角差變化是不同的，因此相角差也通常作為故障分析的特征量，以三相信號A、B、C為例，AB相的相角差余弦值的計(jì)算公式為：

當(dāng)電力系統(tǒng)發(fā)生不對稱的接地故障后，將產(chǎn)生零序分量，因此零序分量是分辨接地與非接地故障的最佳特征量，其計(jì)算公式為：

結(jié)合式(1)可得零序分量的均方根值為：

本文采用滑窗法對信號進(jìn)行截取，其實(shí)現(xiàn)方法如圖2所示。首先對各路采樣信號采用滑窗法進(jìn)行截取，從1s開始，每隔1個(gè)工頻周波（200個(gè)點(diǎn)）截取一次，窗口長度為5個(gè)工頻周波，滑動到2s時(shí)結(jié)束，共計(jì)50次。根據(jù)此特點(diǎn)，定義船舶電網(wǎng)故障時(shí)序特征向量為：

圖2 信號截取示意圖

其中，1≤≤，1≤≤/3，表示第個(gè)通道第次截取信號的故障特征向量，表示第個(gè)三相信號第次截取信號的故障特征向量，為通道數(shù)，于是可以得到船舶電網(wǎng)故障時(shí)序特征向量的表達(dá)式為：

經(jīng)過歸一化后的時(shí)序特征向量即可作為后續(xù)LSTM-FCN故障診斷模型的輸入樣本。

2 基于LSTM-FCN的故障診斷模型

2.1 改進(jìn)的LSTM-FCN網(wǎng)絡(luò)

LSTM-FCN在單變量時(shí)間序列分類問題上具有良好效果，增加擠壓激勵(lì)模塊后在多變量時(shí)間序列分類問題上也卓有成效[17]，但在船舶電網(wǎng)故障分類問題中并不適用。為了解決具有多維特征向量的船舶電網(wǎng)故障分類問題，本文對其結(jié)構(gòu)進(jìn)行了改進(jìn)，改進(jìn)后的LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3中，左側(cè)為FCN模塊分支，右側(cè)為LSTM模塊分支。FCN模塊可以對輸入序列進(jìn)行更加細(xì)致的局部特征提取，得到數(shù)據(jù)的細(xì)節(jié)變化規(guī)律。FCN模塊分支包括2個(gè)卷積塊和1個(gè)全局平均池化層，其中卷積塊由1個(gè)一維卷積層Conv1d、1個(gè)批標(biāo)準(zhǔn)化層(Batch Normalization, BN)、1個(gè)ReLU激活函數(shù)層和1個(gè)丟棄層Dropout組成。LSTM模塊可以學(xué)習(xí)輸入序列時(shí)序上的特征，得到數(shù)據(jù)的時(shí)間變化規(guī)律。LSTM模塊分支包括1個(gè)LSTM層、1個(gè)丟棄層Dropout和2個(gè)線性層Linear組成。最后通過合并層Concat將兩個(gè)分支的特征向量合并，再通過一個(gè)線性層Linear得到最后的輸出。

圖3 改進(jìn)的LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)

由圖3可知，本文在LSTM層后增加了兩個(gè)線性層，將LSTM的輸出做進(jìn)一步優(yōu)化，從而能更好的與全卷積分支輸出相結(jié)合，使得LSTM-FCN網(wǎng)絡(luò)輸出結(jié)果更理想。

本文使用Python語言在PyTorch框架下搭建改進(jìn)的LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)，通過1.3節(jié)所得輸入樣本進(jìn)行反復(fù)調(diào)試，確立了改進(jìn)的LSTM-FCN結(jié)構(gòu)參數(shù)如表2所示。

2.2 基于改進(jìn)LSTM-FCN的故障診斷模型

結(jié)合2.1節(jié)所述改進(jìn)LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)的輸出結(jié)果，通過使用求自變量最大函數(shù)argmax作為分類標(biāo)準(zhǔn)，建立船舶電力系統(tǒng)故障診斷模型為：

其中out表示神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，axis=1表示對out按列進(jìn)行最大值自變量求取，pre表示預(yù)測的故障索引值，函數(shù)pre=(pre)表示故障類型與故障索引值的映射關(guān)系，pre表示輸出故障類型。

故障診斷模型的分類正確率可以定義為：

其中=1,2,…,，為輸入批次；pre-i為第個(gè)預(yù)測故障類型，real-i表示第個(gè)實(shí)際故障類型；為指示函數(shù)，當(dāng)括號中等式成立時(shí)為1，不成立時(shí)為0。

船舶電力系統(tǒng)故障診斷模型的計(jì)算步驟為：

1）對采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，以提取特征向量。對訓(xùn)練樣本與測試樣本進(jìn)行歸一化處理，生成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

2）設(shè)置改進(jìn)的LSTM-FCN神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

3）對模型進(jìn)行訓(xùn)練；

4）加載最優(yōu)訓(xùn)練模型對測試數(shù)據(jù)集進(jìn)行分類并計(jì)算分類正確率；

5）依據(jù)測試數(shù)據(jù)集分類正確率要求對模型參數(shù)進(jìn)行調(diào)整，重復(fù)步驟2）～4），直至滿足要求或正確率不再隨調(diào)整參數(shù)而上升；

6）輸出最終神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型。

3 船舶電力系統(tǒng)故障診斷實(shí)驗(yàn)對比

3.1 訓(xùn)練數(shù)據(jù)集與方案

通過1.2節(jié)艦船電力系統(tǒng)仿真模型得到原始數(shù)據(jù)，使用1.3節(jié)中數(shù)據(jù)預(yù)處理方法得到數(shù)據(jù)集。數(shù)據(jù)集包含130種故障類型和1種非故障類型，其中訓(xùn)練集每個(gè)故障類型有1250個(gè)樣本，非故障類型有7200個(gè)樣本；測試集每個(gè)故障類型有100個(gè)樣本，非故障類型有520個(gè)樣本。

設(shè)置訓(xùn)練的批次大小batch-size為64，則每輪訓(xùn)練輸入數(shù)據(jù)的維度為（64,50,216），輸出數(shù)據(jù)的維度為（64,131）。訓(xùn)練輪次epoch為300，初始學(xué)習(xí)率為0.001，每100epoch下降0.1倍。模型訓(xùn)練使用交叉熵作為損失函數(shù)，其計(jì)算公式為：

其中，為單次訓(xùn)練的樣本總數(shù)，為故障類別的真實(shí)概率分布，為神經(jīng)網(wǎng)絡(luò)預(yù)測的故障類別概率分布。

3.2 實(shí)驗(yàn)結(jié)果

將本文提出的改進(jìn)LSTM-FCN網(wǎng)絡(luò)與目前較常用于船舶電力系統(tǒng)故障分類的深度學(xué)習(xí)方法BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行對比實(shí)驗(yàn)，以驗(yàn)證本文所提出故障診斷模型的有效性。

改進(jìn)LSTM-FCN網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練結(jié)果如圖4所示，當(dāng)訓(xùn)練輪次達(dá)到150次時(shí)，訓(xùn)練集和測試集的正確率已經(jīng)不再發(fā)生大幅度變化，均穩(wěn)定在一個(gè)值附近。

圖4 改進(jìn)的LSTM-FCN訓(xùn)練準(zhǔn)確率曲線

將3個(gè)網(wǎng)絡(luò)模型的測試集正確率進(jìn)行對比分析，結(jié)果如圖5所示?？梢钥闯?，BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率基本穩(wěn)定在78%，LSTM網(wǎng)絡(luò)模型準(zhǔn)確率穩(wěn)定在95%，改進(jìn)的LSTM-FCN網(wǎng)絡(luò)模型準(zhǔn)確率穩(wěn)定在98%。在船舶電力系統(tǒng)故障診斷時(shí)，所面臨的是多元時(shí)間序列分類的問題，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)并不能在時(shí)序上進(jìn)行特征提取，所以分類效果不理想。而LSTM神經(jīng)網(wǎng)絡(luò)恰好可以彌補(bǔ)這一缺陷，在訓(xùn)練集和測試集上均具備較好的分類效果。通過與全卷積神經(jīng)網(wǎng)絡(luò)FCN的并聯(lián)，形成的LSTM-FCN不僅保持了LSTM在時(shí)序特征提取上的優(yōu)勢，同時(shí)還繼承了卷積神經(jīng)網(wǎng)絡(luò)在細(xì)節(jié)特征提取上的優(yōu)點(diǎn)，使得改進(jìn)的LSTM-FCN在相同測試集上的正確率能夠達(dá)到98%以上。

圖5 測試集分類準(zhǔn)確率對比

選取訓(xùn)練好的模型，對測試集進(jìn)行分類對比試驗(yàn)，可以得到各種故障類型的分類準(zhǔn)確率如表3所示。可以看出，LSTM相較于BP在線路故障的識別準(zhǔn)確率上有了較大提升，而改進(jìn)的LSTM-FCN進(jìn)一步在設(shè)備故障的識別準(zhǔn)確率上得到了提升，特別是對于發(fā)電機(jī)和變壓器的匝間故障識別準(zhǔn)確率更高。例如對于變壓器原邊單相匝間短路故障，本文方法準(zhǔn)確率為100%，BP準(zhǔn)確率為73.1%，LSTM準(zhǔn)確率為84.3%。

表3 各故障工況分類準(zhǔn)確率 %

4 結(jié)論

本文綜合考慮了船舶電力系統(tǒng)故障具有多維特征的特點(diǎn)，對LSTM-FCN網(wǎng)絡(luò)進(jìn)行了改進(jìn)，提出了一種基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型，并成功應(yīng)用于船舶電力系統(tǒng)故障識別，通過理論分析和實(shí)驗(yàn)驗(yàn)證，最后得到以下結(jié)論：

1）小波變換子頻帶系數(shù)均方根值能夠很好地表示原采樣信號的能量特征，小波能量熵則能夠充分體現(xiàn)子頻帶的混亂程度，相角差余弦值能夠反應(yīng)不同故障的相角變化趨勢，零序分量均方根值能夠很好地分辨不對稱接地與非接地故障。

2）結(jié)合全卷積網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)優(yōu)勢的LSTM-FCN網(wǎng)絡(luò)在船舶電力系統(tǒng)故障分類上具有更好的效果，基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型在綜合識別準(zhǔn)確率上比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型和LSTM神經(jīng)網(wǎng)絡(luò)模型分別提高了19.9%和3.0%。

[1] 馬偉明. 電力電子在艦船電力系統(tǒng)中的典型應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(05): 1-7.

[2] 葉萍. 基于卷積神經(jīng)網(wǎng)絡(luò)的船舶自動識別系統(tǒng)[J]. 船電技術(shù), 2021, 41(03): 61-64.

[3] 周荔丹, 許健, 姚鋼, 等. 船舶綜合能源管理系統(tǒng)研究綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(13): 171-186.

[4] 胡紅錢, 葉軍, 薛明瑞. 基于大負(fù)載的中壓供電船舶綜合電力系統(tǒng)仿真研究[J]. 船電技術(shù), 2022, 42(12): 30-33.

[5] 劉凱, 索南加樂. 基于故障支路電流序分量相位關(guān)系的選相元件[J]. 電力自動化設(shè)備, 2013, 33(03): 77-83.

[6] 程志友, 李小靜, 湯明金, 等. 一種故障分量選相元件接地短路判據(jù)的修正[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(16): 19-24.

[7] 張宇博, 郝治國, 林澤暄, 等. 基于深度字典學(xué)習(xí)的輸電線路故障分類方法[J]. 電力自動化設(shè)備: 2022, 42(11): 159-166.

[8] 沈銀, 席燕輝, 陳子璇. 基于多通道卷積雙向長短時(shí)記憶網(wǎng)絡(luò)的輸電線故障分類[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(03): 114-120.

[9] 田鵬飛, 于游, 董明, 等. 基于CNN-SVM的高壓輸電線路故障識別方法[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(13): 119-125.

[10] LI W, MONTI A, PONCI F. Fault detection and classification in medium voltage DC shipboard power systems with wavelets and artificial neural networks[J]. IEEE Transactions on Instrumentation and Measurement, 2014, 63(11): 2651-2665.

[11] F. KARIM S M, H. DARABI, S. Chen. LSTM fully convolutional networks for time series classification[J]. IEEE Access, 2018, 6: 1662-1669.

[12] 李超, 魯軍勇, 馬偉明, 等. 電磁發(fā)射用多級混合儲能充電策略優(yōu)化[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(13): 118-124.

[13] 馬偉明, 魯軍勇. 電磁發(fā)射技術(shù)[J]. 國防科技大學(xué)學(xué)報(bào), 2016, 38(06): 1-5.

[14] ZHANG X P, TIAN L S, PENG Y N. From the wavelet series to the discrete wavelet transform-the initialization[J]. IEEE Transactions on Signal Processing, 1996, 44(1): 129-133.

[15] DENG Y, LIN S, FU L, et al. New criterion of converter transformer differential protection based on wavelet energy entropy[J]. IEEE Transactions on Power Delivery, 2019, 34(3): 980-990.

[16] 李濱, 王靖德, 梁水瑩, 等. 基于長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)的AGC實(shí)時(shí)控制策略[J]. 電力自動化設(shè)備, 2022, 42(03): 128-134.

[17] KARIM F, MAJUMDAR S, DARABI H. Insights into LSTM fully convolutional networks for time series classification[J]. IEEE Access, 2019, 7: 67718-67725.

Fault identification of ship power system based on LSTM-FCN neural network

Peng Fengjian1，Mu Longhua1，F(xiàn)ang Chongkai1，Zhuang Wei2，Dai Jian3

(1. Department of Electrical Engineering, Tongji University, Shanghai 201804, China; 2. Shanghai Marine Diesel Engine Research Institute, Shanghai 201108; 3. Shanghai Qiyao Heavy Industry Co., Ltd., Shanghai 201108, China)

U665

A

1003-4862（2023）10-0067-07

2023-02-14

彭鳳健（1997-），男，碩士研究生。研究方向：電力系統(tǒng)故障診斷。E-mail：2130669@#edu.cn