基于HHT和BP神經網絡的船舶電力系統故障定位

陳顯云，施偉鋒，卓金寶

?

基于HHT和BP神經網絡的船舶電力系統故障定位

陳顯云，施偉鋒，卓金寶

（上海海事大學，上海 201306）

針對船舶電力系統故障難以精確定位的情況，將Hilbert-Huang變換（HHT）和BP神經網絡應用于船舶電力系統故障節點定位。首先，采集各節點電流信號，經過EMD分解得到若干IMF分量，對第一個IMF分量進行Hilbert變換得到其瞬時振幅向量。然后，將各節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神經網絡中進行訓練，利用訓練好的神經網絡進行故障節點定位。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 故障定位 HHT 瞬時振幅向量 BP神經網絡

0 引言

目前船舶電力系統朝著大型化、集成化和模塊化的方向發展，船舶的電氣化程度越來越高，同時對船舶電力系統的安全性也提出了更高的要求[1]。系統在發生故障時如果能夠迅速找出故障位置，對提高系統穩定性和電能質量有重要意義。

船舶電力系統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、平穩信號，但處理非平穩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、非平穩信號，但是它是非適應性的，小波基函數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的處理非線性、非平穩復雜信號的方法。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和尺度函數的限制[4]。因此用HHT來提取信號的特征具有一定的優越性。故障定位方法主要有Petri網、專家系統和神經網絡等[5]。前面幾種方法如專家系統存在容錯能力差且不具備自學習能力等缺點。而BP神經網絡由于其自身較強的非線性映射和容錯能力，高度的自學習和自適應能力，適用于故障節點定位。

根據上述情況，本文首先介紹HHT和BP神經網絡的基本理論。然后，提出一種將HHT和BP神經網絡相結合用于船舶電力系統進行故障節點定位的方法，介紹該方法進行船舶電力系統故障節點定位的基本步驟。最后，基于某典型船舶電力系統在MATLAB/SIMULINK中建立仿真系統，采用該定位方法對系統中單相接地故障的節點進行定位，定位結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：首先將信號進行經驗模態分解（EMD）得到固有模態分量（IMF），然后對分解得到的IMF分量進行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線。

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

Step3：當()滿足文獻[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

由此來構造解析信號：

其瞬時振幅和頻率為：

1.2 BP神經網絡

BP神經網絡由輸入層、隱層和輸出層組成，層與層之間采用全互連方式，同一層神經元之間無連接，圖1為典型的三層神經網絡結構示意圖。

圖1 三層BP網絡結構示意圖

2 基于HHT和BP神經網絡的故障定位方法

根據HHT和BP神經網絡的基本原理，提出了一種船舶電力系統故障定位方法，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：采集船舶電力系統各節點電流信號。

步驟2：對采集到的電流信號進行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分量進行Hilbert變換得到其瞬時振幅向量。

步驟5：將求取的特征量進行歸一化處理，歸一化公式如下：

步驟6：將歸一化后樣本數據輸入到訓練好的BP神經網絡，得到故障定位結果。

其中BP神經網絡是以典型故障的特征量作為樣本進行訓練，其訓練流程如圖3所示：

圖3 BP網絡訓練流程圖

3 仿真實驗

3.1 仿真模型設計

圖4 船舶電力系統結構示意圖

3.2 故障特征提取

以節點1為例進行故障特征提取。由于經過EMD分解得到的IMF分量是按照頻率由高到低依次排列，文獻[10]表明經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。因此對節點1發生單相接地故障時各節點的IMF1分量進行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神經網絡的故障定位

表2 BP網絡訓練目標

圖6 BP神經網絡訓練誤差變化曲線圖

由圖6可見，經過2316次訓練后，達到設定的訓練誤差要求。

表4 故障定位識別結果

4 結論

本文采用HHT和BP神經網絡對船舶電力系統進行故障節點定位。利用HHT方法提取船舶電力系統各節點電流特征量，將提取到的特征量輸入到帶有動量因子BP網絡進行故障定位。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的故障節點，驗證了該方法在船舶電力系統中故障定位的實用性和有效性。

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

[2] 賈峰, 孫曼, 楊勰穎. 基于改進小波變換的電力諧波檢測方法研究[J]. 計算機仿真, 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中的應用[J]. 電力自動化設備, 2012, 32(4):109-116.

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

[6] 齊國強, 王增平. 基于Hilbert-Huang變換的HVDC突變量方向縱聯保護方法[J]. 電力系統保護與控制, 2017, (20):92-99.

[7] 李秀坤, 謝磊, 秦宇. 應用希爾伯特黃變換的水下目標特征提取[J]. 哈爾濱工程大學學報, 2009, 30(5):542-546.

[8] 邰麗君, 胡如夫, 趙韓,等. 改進遺傳神經網絡算法在銷售預測中的應用研究[J]. 現代圖書情報技術, 2012, 28(1):63-67.

[9] 張會生, 吳微. 一種具有自適應動量因子的BP算法[J]. 大連海事大學學報, 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故障時間定位新方法[J]. 船電技術, 2017, 37(8):38-42.

[11] 蔡榮輝, 崔雨軒, 薛培靜. 三層BP神經網絡隱層節點數確定方法探究[J]. 電腦與信息技術, 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：電力系統及其自動化。Email：18251302536@163.com。

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