船舶区域电力系统的智能故障诊断及重构方法

1.本发明涉及船舶电力系统领域，特别是涉及一种船舶区域电力系统的智能故障诊断及重构方法。


背景技术：

2.随着我国船舶工业及航海事业的迅速发展，船舶电力系统的容量不断增大，对电力系统的安全可靠性要求越来越高；船舶电力系统分为直流电力系统以及交流电力系统，它是船舶的重要组成部分，包括电源、配电装置、电网以及电力负载等，它负责为船舶上的各种电气设备及仪表提供电能；随着科学技术的发展，现代船舶向着大型化、自动化、智能化的方向发展，船舶正常运行时对于电力的需求日益增大，导致船舶电力系统的规模和复杂程度随之提高；如果系统中的某一部分出现问题而没有得到及时的诊断及修复，则会阻碍船舶电力系统的正常运行，严重的话会导致船舶电力系统崩溃，危及船员人身安全；这也直接导致了对于船舶电力系统运行的可靠性、稳定性以及经济性要求的进一步提高。
3.目前，用于船舶电力的智能故障诊断技术主要有神经网络、粒子群算法、专家系统、遗传算法等等，这些技术在使用过程中存在许多问题，包括过拟合、粒子早熟、泛化能力差等缺陷，有的在建模初期需要大量的准备工作，但是实际的工作效果并不十分优良；诊断故障之后主要采用的也是故障隔离技术而非重构技术，故障隔离技术是将故障节点隔离出系统，相比之下可能会造成诸多的安全隐患。


技术实现要素：

4.基于此，有必要针对传统船舶电力的智能故障诊断技术使用过程存在许多缺陷，且很容易造成安全隐患的问题，提供一种船舶区域电力系统的智能故障诊断及重构方法。
5.一种船舶区域电力系统的智能故障诊断及重构方法，所述方法包括：
6.采集模拟环境下船舶区域电力系统发生故障时的三相电压信号，并将其作为样本数据，建立训练数据集；
7.构建bp神经网络，并将所述训练数据集作为输入数据进行学习训练，形成ipso-bp神经网络模型；
8.采集实际船舶区域电力系统发生故障时的三相电压信号，根据所述ipso-bp神经网络模型定位故障节点，生成并执行重构方案。
9.进一步的，所述采集模拟环境下船舶区域电力系统发生故障时的三相电压信号，之前包括：
10.通过传感器对船舶区域电力系统运行状态进行监视。
11.进一步的，所述建立训练数据集，包括：
12.对所述样本数据进行小波包分解，并对各个频段下的小波系数进行重构；
13.对各频段重构系数结合信息熵理论计算小波包能量熵值，从而建立训练数据集。
14.进一步的，所述建立训练数据集，具体包括：
15.a1：对故障时的三相电压信号进行j层小波包分解，经过分解后得到一系列不同频段的子信号；
16.a2：将各个频段的小波包系数进行重构；
17.a3：计算每个子序列的小波包能量值e
jk
，公式如下：
[0018][0019]
式中，ai(t)为该节点处的幅值最大值；t
i-1
和ti分别是该节点信号的起止时间；
[0020]
a4：求能量值e，公式如下：
[0021][0022]
a5：计算每个节点能量相对于总能量的概率p
jk
，公式如下：
[0023][0024]
a6：求取小波包能量熵值，公式如下：
[0025][0026]
式中，h
jk
为信号j层分解后的第k个节点的小波包能量熵值。
[0027]
进一步的，所述将所述训练集作为输入数据进行学习训练，之后还包括：
[0028]
通过粒子群算法优化bp神经网络的初始权值和阈值；
[0029]
采用随机惯性权重和异步调整学习因子的策略对粒子群优化算法的参数作进一步改进。
[0030]
进一步的，所述形成ipso-bp神经网络模型，具体包括：
[0031]
b1：构建bp神经网络的结构和参数，并设置粒子群参数，初始化每个粒子的初始速度和位置；
[0032]
b2：将每个粒子与所述bp神经网络的权值和阈值建立起关系，即一个粒子代表一个权值和阈值，每个粒子的维度＝输入层节点数 输入层节点数
×
隐含层节点数 隐含层节点数
×
输出层节点数 输出层节点数；
[0033]
b3：根据适应度函数计算每个粒子的个体最优值和全体最优值；
[0034]
b4：按照步骤b3计算适应度值判断更新每个粒子的个体最优值和全体最优值，更新每个粒子的速度和位置，并相应的改变惯性权重和学习因子的值：
[0035]
b5：如果迭代次数达到上限或者适应度值达到精度时，则迭代停止，否则返回第四步继续迭代直到停止，此时得到的权值和阈值就是bp神经网络的最优权重参数，再将得到的权值和阈值代入到bp神经网络中，即形成ipso-bp神经网络模型。
[0036]
进一步的，所述采集实际船舶区域电力系统发生故障时的三相电压信号，之后还包括：
[0037]
基于小波包分解对其进行预处理。
[0038]
进一步的，所述根据所述ipso-bp神经网络模型定位故障节点，之后还包括：
[0039]
确定需要恢复供电的区域，同时对故障节点进行隔离。
[0040]
进一步的，所述生成并执行重构方案，包括：
[0041]
对船舶区域电力系统进行拓扑网络结构重构，生成最优开关动作的重构方案；
[0042]
根据所述最优开关动作的重构方案并通过数字控制器控制相应空气断路器、自动装置分断开关及接触器执行器，实现对船舶区域电力系统的故障重构，完成船舶区域重新供电，恢复其运行。
[0043]
进一步的，所述对船舶区域电力系统进行拓扑网络结构重构，包括：
[0044]
c1：种群初始化，设定两个子群的规模，利用混沌优化理论的方法对两个子群粒子的位置和速度进行初始化，设定算法参数值；
[0045]
c2：适应度函数计算，按照目标函数公式计算每个粒子的适应度值；
[0046]
c3：按照子群规模的动态变化规则进行两群之间的粒子交换；
[0047]
c4：种群更新，更新两个种群中粒子的位置；
[0048]
c5：判断停止条件，如果达到设定的最大迭代次数，迭代停止且输出全局最优粒子及其适应度值，否则，返回步骤c2继续执行。
[0049]
上述船舶区域电力系统的智能故障诊断及重构方法，通过采集模拟环境下船舶区域电力系统发生故障时的三相电压信号，从而建立训练数据集；并将其输入bp神经网络，经学习训练后形成ipso-bp神经网络模型；最后再结合实际的船舶区域电力系统发生故障时的三相电压信号定位故障节点，确定重构方案；该方法有效的提高的故障诊断速度和可靠性，保证了故障重构精度，其安全性及稳定性更高。
附图说明
[0050]
图1为一个实施例中的船舶区域电力系统的智能故障诊断及重构方法的流程图。
具体实施方式
[0051]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
如图1所示，在一个实施例中，一种船舶区域电力系统的智能故障诊断及重构方法，包括以下步骤：
[0053]
步骤s110，通过传感器对船舶区域电力系统运行状态进行监视，采集模拟环境下船舶区域电力系统发生故障时的三相电压信号，并将其作为样本数据，建立训练数据集。其中建立数据集包括：1、对样本数据进行小波包分解，并对各个频段下的小波系数进行重构；2、对各频段重构系数结合信息熵理论计算小波包能量熵值，从而建立训练数据集。
[0054]
在本实施例中，训练数据集的建立具体包括以下步骤：
[0055]
a1：对故障时的三相电压信号进行j层小波包分解，经过分解后得到一系列不同频段的子信号。
[0056]
a2：将各个频段的小波包系数进行重构。
[0057]
a3：计算每个子序列的小波包能量值e
jk
，公式如下：
[0058][0059]
式中，ai(t)为该节点处的幅值最大值；t
i-1
和ti分别是该节点信号的起止时间。
[0060]
a4：求能量值e，公式如下：
[0061][0062]
a5：计算每个节点能量相对于总能量的概率p
jk
，公式如下：
[0063][0064]
a6：求取小波包能量熵值，公式如下：
[0065][0066]
式中，h
jk
为信号j层分解后的第k个节点的小波包能量熵值。
[0067]
步骤s120，构建bp神经网络，并将训练数据集作为输入数据进行学习训练，通过粒子群算法优化bp神经网络的初始权值和阈值，采用随机惯性权重和异步调整学习因子的策略对粒子群优化算法的参数作进一步改进，形成ipso-bp神经网络模型。
[0068]
在本实施例中，ipso-bp神经网络模型的形成具体包括以下步骤：
[0069]
b1：构建bp神经网络的结构和参数，并设置粒子群参数，初始化每个粒子的初始速度和位置。
[0070]
b2：将每个粒子与bp神经网络的权值和阈值建立起关系，即一个粒子代表一个权值和阈值，每个粒子的维度＝输入层节点数 输入层节点数
×
隐含层节点数 隐含层节点数
×
输出层节点数 输出层节点数。
[0071]
b3：根据适应度函数计算每个粒子的个体最优值和全体最优值。
[0072]
其中，适应度函数的计算公式为：
[0073][0074]
式中，n为训练样本数，m为输出层节点数，y
ij
和t
ij
分别表示神经网络的实际输出和期望输出。
[0075]
b4：按照步骤b3计算适应度值判断更新每个粒子的个体最优值和全体最优值，更新每个粒子的速度和位置，并相应的改变惯性权重和学习因子的值。
[0076]
其中，每个粒子的速度和位置的更新参照公式为：
[0077]vid
＝ωv
id
(t) c1r1[p
id-x
id
(t)] c2r2[p
gd-x
id
(t)]
[0078]
x
id
(t 1)＝x
id
(t) v
id
(t 1)
[0079]
式中，x
id
(t 1)示第i个粒子在t 1次迭代中第d维上的速度，ω为惯性权重，c1，c2表示学习因子，r1，r2为0-1之间的随机数，p
id
表示搜索过程中粒子本身的最佳位置，p
gd
表示到目前为止在全局搜索空间中所有粒子的最优位置。
[0080]
其中，惯性权重的改变公式为：
[0081][0082]
式中，n(0,1)表示标准正态分布随机数，σ表示随机权重的方差，μ表示随机权重的均值，μ
max
，μ
min
分别表示随机权重的最大值和最小值，rand(0,1)表示0到1之间均匀分布的随机数。
[0083]
其中，学习因子的改变公式为：
[0084][0085]
c1＝3-c2[0086]
式中，c1和c2的范围通常为(0.5，2.5)，t是当前迭代次数，t
max
表示最大迭代的次数。
[0087]
b5：如果迭代次数达到上限或者适应度值达到精度时，则迭代停止，否则返回第四步继续迭代直到停止，此时得到的权值和阈值就是bp神经网络的最优权重参数，再将得到的权值和阈值代入到bp神经网络中，即形成ipso-bp神经网络模型。
[0088]
步骤s130，采集实际船舶区域电力系统发生故障时的三相电压信号，并基于小波包分解对其进行预处理，根据ipso-bp神经网络模型定位故障节点，确定需要恢复供电的区域，同时对故障节点进行隔离，最后生成并执行重构方案。其中生成并执行重构方案包括：1、对船舶区域电力系统进行拓扑网络结构重构，生成最优开关动作的重构方案；2、根据最优开关动作的重构方案并通过数字控制器控制相应空气断路器、自动装置分断开关及接触器执行器，实现对船舶区域电力系统的故障重构，完成船舶区域重新供电，恢复其运行。
[0089]
在本实施例中，对船舶区域电力系统进行拓扑网络结构重构包括以下步骤：
[0090]
c1：种群初始化，设定两个子群的规模，利用混沌优化理论的方法对两个子群粒子的位置和速度进行初始化，设定算法参数值。
[0091]
c2：适应度函数计算，按照目标函数公式计算每个粒子的适应度值。
[0092]
其中，目标函数的计算公式为：
[0093]
maxf＝w1f1 w2f2 w3f3[0094]
式中，f1、f2、f3为三个子目标函数，分别是恢复负荷供电量、负载供电支路切换开关的次数、发电机的效率均衡，w1、w2、w3分别各自加权系数。
[0095]
c3：按照子群规模的动态变化规则进行两群之间的粒子交换。
[0096]
c4：种群更新，更新两个种群中粒子的位置。
[0097]
其中，两个种群分别为主子群和辅子群。
[0098]
其中，主子群中粒子的位置更新公式为：
[0099][0100]
式中，p
g,d
示当前全局最优粒子，p
i,d
为个体历史最优粒子的第d位，fm伪变异率。
[0101]
其中，辅子群中粒子的位置更新公式为：
[0102][0103]
式中，gbestk表示全局最优值，k为全局最优值序号。
[0104]
c5：判断停止条件，如果达到设定的最大迭代次数，迭代停止且输出全局最优粒子及其适应度值，否则，返回步骤c2继续执行。
[0105]
上述船舶区域电力系统的智能故障诊断及重构方法，通过采集模拟环境下船舶区域电力系统发生故障时的三相电压信号，从而建立训练数据集；并将其输入bp神经网络，经学习训练后形成ipso-bp神经网络模型；最后再结合实际的船舶区域电力系统发生故障时的三相电压信号定位故障节点，确定重构方案；该方法有效的提高的故障诊断速度和可靠性，保证了故障重构精度，其安全性及稳定性更高。
[0106]
具体的，上述船舶区域电力系统的智能故障诊断及重构方法，其针对bp神经网络的缺陷，采用粒子群算法来对神经网络的权值和阈值进行优化，然后又针对标准粒子群的缺点，利用随机惯性权重法和异步调整学习因子的策略来优化标准粒子群算法，形成ipso-bp神经网络模型，从而有利于提高故障诊断速度和可靠性；之后，再基于故障诊断结果，采用双粒子群算法处理船舶电网重构的问题，算法将粒子群分为主辅两个子群来协同进化，对主群引入伪变异策略，提高了算法的求解精度，减少陷入局部最优的危险，对辅助群采用爬上思想的位置更新策略，算法的收敛速度得到很大程度上的提高，从而有利于在对电力系统进行的高精度故障重构的同时保证其故障重构精度。
[0107]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。