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)點定位。首先，采集各節(jié)點電流信號，經(jīng)過EMD分解得到若干IMF分量，對第一個IMF分量進(jìn)行Hilbert變換得到其瞬時振幅向量。然后，將各節(jié)點的瞬時振幅向量之和作為電流信號的特征量輸入到帶有動量因子的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)點定位。最后，通過仿真實驗驗證了所提方法的有效性。

船舶電力系統(tǒng) 故障定位 HHT 瞬時振幅向量 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越高，同時對船舶電力系統(tǒng)的安全性也提出了更高的要求[1]。系統(tǒng)在發(fā)生故障時如果能夠迅速找出故障位置，對提高系統(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步驟：第一步為故障特征提取；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，但處理非平穩(wěn)信號卻存在很大缺陷；短時傅里葉變換（STFT）,雖然可以同時獲得信號的時域和頻域圖形，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，但是它是非適應(yīng)性的，小波基函數(shù)一旦選取就無法更改[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)雜信號的方法。它既具有小波變換的多分辨率的特性，同時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來提取信號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)存在容錯能力差且不具備自學(xué)習(xí)能力等缺點。而BP神經(jīng)網(wǎng)絡(luò)由于其自身較強(qiáng)的非線性映射和容錯能力，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)，采用該定位方法對系統(tǒng)中單相接地故障的節(jié)點進(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處理信號的基本步驟是：首先將信號進(jìn)行經(jīng)驗?zāi)B(tài)分解（EMD）得到固有模態(tài)分量（IMF），然后對分解得到的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()的所有局部極大、極小值點得到信號的上下包絡(luò)線。

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

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

1.1.2 Hilbert變換

由此來構(gòu)造解析信號：

其瞬時振幅和頻率為：

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)點電流信號。

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

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

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 仿真實驗

3.1 仿真模型設(shè)計

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1為例進(jìn)行故障特征提取。由于經(jīng)過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的特征。因此對節(jié)點1發(fā)生單相接地故障時各節(jié)點的IMF1分量進(jìn)行Hilbert變換，得到各自的瞬時振幅向量，如圖5所示。

表1 故障電流信號IMF1分量的瞬時振幅之和

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

表4 故障定位識別結(jié)果

4 結(jié)論

本文采用HHT和BP神經(jīng)網(wǎng)絡(luò)對船舶電力系統(tǒng)進(jìn)行故障節(jié)點定位。利用HHT方法提取船舶電力系統(tǒng)各節(jié)點電流特征量，將提取到的特征量輸入到帶有動量因子BP網(wǎng)絡(luò)進(jìn)行故障定位。通過多次仿真測試，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，驗證了該方法在船舶電力系統(tǒng)中故障定位的實用性和有效性。

[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方法研究[J]. 計算機(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比研究[J]. 兵工學(xué)報, 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, 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)測中的應(yīng)用研究[J]. 現(xiàn)代圖書情報技術(shù), 2012, 28(1):63-67.

[9] 張會生, 吳微. 一種具有自適應(yīng)動量因子的BP算法[J]. 大連海事大學(xué)學(xué)報, 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)及其自動化、控制理論與控制工程研究。Email：wfshi@shmtu.edu.cn