基于GRNN算法的飛機(jī)用電設(shè)備非侵入式負(fù)荷監(jiān)測方法

楊娟,楊占剛

1. 中國民航大學(xué) 工程技術(shù)訓(xùn)練中心,天津 300300 2. 中國民航大學(xué) 電子信息與自動化學(xué)院,天津 300300

隨著多電飛機(jī)、全電飛機(jī)的興起,現(xiàn)代飛機(jī)上用電設(shè)備的種類多、數(shù)量大,飛機(jī)電氣化復(fù)雜程度越來越高。不同類別和不同重要程度的設(shè)備從飛機(jī)電網(wǎng)各級匯流條取電。用電設(shè)備工作期間所表現(xiàn)出來的負(fù)荷行為及其用電狀態(tài)直接影響著供電系統(tǒng)供電質(zhì)量,進(jìn)一步影響飛行的安全性、可靠性及經(jīng)濟(jì)性等多方面[1-3]。

對于機(jī)上大量用電設(shè)備的負(fù)荷分配和管理,采用通過獲取結(jié)構(gòu)參數(shù)以及建立數(shù)學(xué)模型的計算方法并不現(xiàn)實,缺乏準(zhǔn)確性。采取實際測量獲取數(shù)據(jù)并進(jìn)一步分析和管理的方式更能反映真實狀態(tài)。傳統(tǒng)電力負(fù)荷監(jiān)測方式是侵入式監(jiān)測法,需要在每一個用電設(shè)備上都安裝一個傳感器,用以得到不同用電設(shè)備實時的功率消耗比例。然而,從重量設(shè)計角度考慮,“為減輕每一克重量而奮斗”的理念不允許大數(shù)量新增檢測設(shè)備,以診斷目的所設(shè)置的傳感器數(shù)量要求越少越好。飛機(jī)總重和商載不變條件下,飛機(jī)空機(jī)重量每增加1%,航程將下降3%；從飛機(jī)研制成本角度看,每增加100 g重量,將增加60～69美元人時費用；在運營期間,空機(jī)重量每減輕100 g將有效增加836美元的運營收益。非侵入式負(fù)荷監(jiān)測(Non-Intrusive Load Monitoring,NILM)無需進(jìn)入負(fù)荷內(nèi)部,僅通過對電力負(fù)荷入口處的電壓、電流及功率信息進(jìn)行測量分析,便可得到負(fù)荷內(nèi)部不同用電設(shè)備實時用電狀態(tài),實現(xiàn)電力負(fù)荷識別[4-6]。

NILM在國內(nèi)外的研究主要集中在家庭用戶用電設(shè)備的準(zhǔn)確分析和識別[7-9]中,近幾年來,利用非侵入式分解技術(shù)完成故障診斷和預(yù)測逐漸引起了研究者的注意,文獻(xiàn)[10-12]采用非侵入式方法辨識設(shè)備參數(shù)作為診斷和預(yù)測的前提。除了家庭電力分析以外,文獻(xiàn)[13]提出了非侵入式檢測技術(shù)與船舶電力系統(tǒng)相結(jié)合的研究工作,文獻(xiàn)[14]利用自動采集的非監(jiān)督信息數(shù)據(jù)和少量的監(jiān)督信息數(shù)據(jù),采用NILM方法實現(xiàn)海洋平臺電力負(fù)荷高精度負(fù)荷識別。

將非侵入式負(fù)荷監(jiān)測方法應(yīng)用于飛機(jī)供電系統(tǒng)用電設(shè)備負(fù)荷分解可有效減輕機(jī)上檢測設(shè)備數(shù)量。現(xiàn)有非侵入式負(fù)荷監(jiān)測主要從功率信號和電流信號入手,基于功率信號的NILM能夠在后臺辨識且可以直接利用電表數(shù)據(jù)進(jìn)行分析,然而存在識別準(zhǔn)確率較低的問題；電流信號包含的信息更加豐富,負(fù)荷特征保留相對完整,識別準(zhǔn)確率較高。本文采集飛機(jī)目標(biāo)匯流條穩(wěn)態(tài)電流諧波波形,將波形檢測深入、細(xì)化到負(fù)荷內(nèi)部各主要用電設(shè)備,采用廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network,GRNN)算法,在實驗數(shù)據(jù)基礎(chǔ)上實現(xiàn)用電設(shè)備的負(fù)荷辨識,與其他算法進(jìn)行對比,驗證了GRNN算法具備較高的識別準(zhǔn)確度和快速性。

1 飛機(jī)用電設(shè)備非侵入式負(fù)荷監(jiān)測

1.1 飛機(jī)供電網(wǎng)絡(luò)結(jié)構(gòu)模型

典型飛機(jī)供電電源包含交流115 V/400 Hz和直流28 V,其中交流電為機(jī)上主電源,由發(fā)動機(jī)驅(qū)動發(fā)電機(jī)、輔助發(fā)電機(jī)和外部電源設(shè)備提供,直流電通常由交流電主電源轉(zhuǎn)換而來,如圖1所示[15-16]。

圖1為典型單通道機(jī)型電網(wǎng)結(jié)構(gòu)圖。正常飛行條件下,左右兩側(cè)轉(zhuǎn)換匯流條直接由主發(fā)電機(jī)1、主發(fā)電機(jī)2、地面電源和輔助動力裝置(Auxiliary Power Unit,APU)發(fā)電機(jī)取電,供電策略為單獨供電方式,即任一匯流條在任一時間點只能由唯一來源供電。電網(wǎng)各級交流匯流條分別從各自上一級匯流條取電,下級匯流條視為上級匯流條的用電負(fù)荷。交流備用匯流條作為關(guān)鍵級別匯流條,正常從交流電網(wǎng)得電,當(dāng)交流電網(wǎng)失效時,可通過靜變流機(jī)將蓄電池直流電轉(zhuǎn)換取電。電網(wǎng)下層直流匯流條正常通過交流電經(jīng)變壓整流器或電瓶充電器轉(zhuǎn)換而來。

供電系統(tǒng)的各級匯流條給機(jī)上用電設(shè)備供電,其中,航空機(jī)電設(shè)備包括電氣設(shè)備、液壓和氣壓設(shè)備等；航空電子設(shè)備包括發(fā)動機(jī)控制、飛行控制和導(dǎo)航設(shè)備,通信設(shè)備和軍機(jī)中的偵察、瞄準(zhǔn)、干擾和抗干擾設(shè)備等。飛機(jī)電源系統(tǒng)通過匯流條電源控制組件(Bus Power Control Unit,BPCU)完成匯流條的總用電負(fù)荷的統(tǒng)計及與電源運行的協(xié)調(diào)和負(fù)載管理。對各級匯流條進(jìn)行用電設(shè)備的準(zhǔn)確監(jiān)測是負(fù)載管理的必要前提。

1.2 非侵入式負(fù)荷監(jiān)測(NILM)結(jié)構(gòu)

NILM負(fù)荷識別技術(shù)主要包括數(shù)據(jù)采集、特征提取和負(fù)荷識別算法3部分。飛機(jī)匯流條供電設(shè)備非侵入式監(jiān)測系統(tǒng)的結(jié)構(gòu)框架如圖2所示。

較之功率和電壓參數(shù),機(jī)上設(shè)備工作電流波形更具有可識別性。飛機(jī)各級匯流條上受電設(shè)備性能存在較大差異,圖2中著陸燈設(shè)備為典型阻性負(fù)載、空氣活門和燃油泵為感性負(fù)載、變壓整流器表現(xiàn)出一定的容性特征。提取設(shè)備穩(wěn)態(tài)電流波形,分解所得的各次諧波參數(shù)值也具有較大差異。基于穩(wěn)態(tài)諧波分析的非侵入式電力負(fù)荷分解方法突破了對電力負(fù)荷進(jìn)行功率總量監(jiān)測的粗糙性問題,監(jiān)測任務(wù)深入、細(xì)化到設(shè)備級別內(nèi)部,更適宜用于飛機(jī)匯流條級別上設(shè)備的辨識應(yīng)用。

圖2實驗系統(tǒng)采集匯流條總工作電流波形,送入NILM處理器；處理器對波形數(shù)據(jù)進(jìn)行預(yù)處理。根據(jù)《ISO 1540：飛機(jī)電氣系統(tǒng)特性》和《RTCA DO-160：機(jī)載設(shè)備的環(huán)境條件和試驗程序》第16章《電源輸入》等標(biāo)準(zhǔn)內(nèi)容規(guī)定,機(jī)上用電設(shè)備40次電流諧波應(yīng)滿足相應(yīng)限制,故實驗系統(tǒng)對采集進(jìn)入NILM處理器中的電流波形進(jìn)行傅里葉變換,分解至40級諧波波形數(shù)據(jù),作為特征提取參數(shù)；采用負(fù)荷識別算法對訓(xùn)練樣本負(fù)荷印記(Load Signature,LS)進(jìn)行模型訓(xùn)練,在模型基礎(chǔ)上,辨識測試用樣本LS數(shù)據(jù),實現(xiàn)匯流條上用電設(shè)備識別任務(wù)。匯流條電源控制組件監(jiān)控和控制交流匯流條上用電設(shè)備的工作狀態(tài),根據(jù)NILM系統(tǒng)識別結(jié)果,結(jié)合飛機(jī)電網(wǎng)安全性需求,控制用電設(shè)備供電狀態(tài)。

圖2 飛機(jī)匯流條用電設(shè)備NILM系統(tǒng)結(jié)構(gòu)圖Fig.2 Structure of NILM system of electrical equipment on aircraft bus bar

1.3 GRNN算法原理

GRNN是徑向基神經(jīng)網(wǎng)絡(luò)的一種,具有很強(qiáng)非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯性和魯棒性,在逼近能力和學(xué)習(xí)速度上有較強(qiáng)優(yōu)勢,GRNN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖3所示[17]。

i=1,2,…,n

(1)

式中：Pi為模式層第i個神經(jīng)元輸出；Xi為第i個神經(jīng)元對應(yīng)的訓(xùn)練樣本；σ為光滑因子。

所有模式層的神經(jīng)元通過兩種方式加權(quán)求和。第1種求和為分母神經(jīng)元求和,模式層與各神經(jīng)元的連接權(quán)值為1,對所有模式層輸出進(jìn)行直接求和,即

圖3 GRNN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.3 Topological structure of GRNN neural network

j=1,2,…,k

(2)

另一種求和為分子神經(jīng)元求和,求和層第i個神經(jīng)元與模式層第j個神經(jīng)元之間的連接權(quán)值為第i個輸入樣本中的第j個元素,對所有模式層神經(jīng)元進(jìn)行加權(quán)求和,即

j=1,2,…,k

(3)

(4)

因此,GRNN神經(jīng)網(wǎng)絡(luò)的輸出為

(5)

(6)

式中：t為X的維數(shù)。

2 實例計算與分析

2.1 負(fù)荷穩(wěn)態(tài)電流特征提取

飛機(jī)電網(wǎng)典型用電設(shè)備類別多為電阻類、電機(jī)類和電力電子類三大類,不同用電設(shè)備的電流波形存在較大差異。設(shè)備的非線性程度決定著表現(xiàn)的諧波含量,電阻類設(shè)備的諧波含量較少,而非電阻類設(shè)備的諧波含量則比較豐富。通過對諧波進(jìn)行傅里葉變換,對各級諧波數(shù)據(jù)進(jìn)行訓(xùn)練和辨識,可準(zhǔn)確識別機(jī)上用電設(shè)備[18-20]。

飛機(jī)各系統(tǒng)依賴關(guān)鍵用電設(shè)備工作實現(xiàn)系統(tǒng)功能。本文實驗選取圖1中115 V交流主匯流條為監(jiān)測對象,該匯流條上用電設(shè)備包括空調(diào)系統(tǒng)的空氣關(guān)斷閥門、液壓系統(tǒng)的電動液壓泵、燃油系統(tǒng)的中央油箱和主大翼油箱燃油增壓泵、防冰排雨系統(tǒng)的發(fā)動機(jī)進(jìn)氣道防冰活門、電源系統(tǒng)的二次電源變壓整流器、燈光系統(tǒng)的滑行燈和頻閃燈,設(shè)備在翼位置如圖4所示。

將圖4中設(shè)備從1～8進(jìn)行編號,為了便于辨識和數(shù)量統(tǒng)計將其轉(zhuǎn)換為單位矩陣。

圖4 交流主匯流條上用電設(shè)備分布圖Fig.4 Location of electrical equipment on the AC main bus

(7)

實驗系統(tǒng)分別采集1～8號用電設(shè)備穩(wěn)態(tài)工作電流波形,各設(shè)備采樣點數(shù)設(shè)置為211個,取0時刻起前100個采樣點對應(yīng)數(shù)值繪制電流波形,如圖5所示。在波形數(shù)據(jù)基礎(chǔ)上,利用傅里葉變換獲取1～40次諧波數(shù)據(jù),由于高次諧波對應(yīng)的電流值均小于10-3A,用于識別的價值較小,故清除掉19次諧波以上的數(shù)據(jù),取1～19次諧波數(shù)據(jù)作為非侵入負(fù)荷識別提供特征庫。

對訓(xùn)練集和測試集進(jìn)行歸一化預(yù)處理：

(8)

歸一化后將原始數(shù)據(jù)規(guī)整到[0,1]范圍內(nèi),及yi∈[0,1],i=1,2,…,n,xmin和xmax分別代表樣本數(shù)據(jù)最小值和最大值。

2.2 GRNN模型評價

分類問題通常采用查準(zhǔn)率(Precision,PRE)和查全率(Recall,REC)以及調(diào)和平均值F1為結(jié)果評估參數(shù)。假設(shè)分類類別數(shù)目為t。GRNN訓(xùn)練所得模型驗證樣本中實際類別和辨識結(jié)果一致的樣例數(shù)目為TPi。樣本中，F(xiàn)Pij為將實際分類i錯誤辨識為第j類別的樣例數(shù),FPji為將實際分類j錯誤辨識為第i類別的樣例數(shù)。

圖5 負(fù)荷穩(wěn)態(tài)電流實測波形Fig.5 Test waveform of load steady state current

第i類的辨識結(jié)果的查準(zhǔn)率為

i=1,2,…,t

(9)

第i類的辨識結(jié)果的召回率為

i=1,2,…,t

(10)

第i類的辨識結(jié)果的調(diào)和平均為

i=1,2,…,t

(11)

2.3 GRNN算法準(zhǔn)確度影響分析

2.3.1 訓(xùn)練樣本數(shù)對GRNN識別準(zhǔn)確度的影響

在模型預(yù)測中,訓(xùn)練樣本和測試樣本的數(shù)量的選擇對結(jié)果影響較大,過多的訓(xùn)練樣本會導(dǎo)致過度學(xué)習(xí),而過少的訓(xùn)練樣本會使預(yù)測效果變差。表1給出了不同數(shù)量訓(xùn)練樣本時識別準(zhǔn)確度。

由表1可知,4號設(shè)備液壓電動馬達(dá)的訓(xùn)練樣本數(shù)為26,數(shù)量較少,導(dǎo)致該類辨識PRE只達(dá)到50%,一半樣本被誤判為5號設(shè)備大翼油箱燃油泵。此外,各類別訓(xùn)練樣本數(shù)為30時,模型訓(xùn)練不足,2號設(shè)備中央油箱燃油泵和6號設(shè)備發(fā)動機(jī)進(jìn)氣道防冰活門的樣本查全率低,部分被誤判為3號設(shè)備頻閃燈和5號設(shè)備大翼油箱燃油泵。增加各類設(shè)備樣本數(shù)至70時,GRNN模型辨識當(dāng)前用電設(shè)備的查全率和查準(zhǔn)率均可達(dá)100%。

表1 訓(xùn)練樣本數(shù)對識別準(zhǔn)確度的影響Table 1 Influence of number of training samples on recognition accuracy

2.3.2 擴(kuò)展速度對GRNN算法辨識準(zhǔn)確度的影響

GRNN模型的擴(kuò)展速度的取值對模型逼近結(jié)果有較大影響。訓(xùn)練過程中,采取交叉驗證,不斷修正擴(kuò)展速度取值,以獲取最優(yōu)模型。通過計算,GRNN模型中0～1范圍內(nèi)不同擴(kuò)展速度取值對應(yīng)的PRE和REC變化如表2和表3所示,辨識結(jié)果的F1值如圖6所示。

表2和表3中,擴(kuò)展速度越大,函數(shù)擬合越平滑,但8種類別的設(shè)備的逼近誤差會變大；擴(kuò)展速度越小,函數(shù)的逼近會越精確。隨著擴(kuò)展速度的取值變大,存在5種設(shè)備的辨識查全率和查準(zhǔn)率趨于0,監(jiān)測任務(wù)失敗。

表2 擴(kuò)展速度值對識別查準(zhǔn)率的影響Table 2 Influence of spread on recognition precision

表3 擴(kuò)展速度值對識別查全率的影響Table 3 Influence of spread on recognition recall

圖6 F1的變化曲線Fig.6 Change curve of F1

由圖6可知,8種分類的F1值隨著擴(kuò)展速度的增大而減小。最優(yōu)擴(kuò)展速度值為0.1,此時8條曲線對應(yīng)的分類辨識F1值均為100%。

3 算法對比

結(jié)合表1分析結(jié)果,實驗采集圖4中交流主匯流條上8個用電設(shè)備的電流數(shù)據(jù)各70組,共560組,隨機(jī)選取其中450組作為模型訓(xùn)練樣本,110組數(shù)據(jù)用于模型驗證。分別采用BP、SVM和GRNN算法對樣本進(jìn)行模型訓(xùn)練和模型測試,各算法模型的參數(shù)設(shè)置如表4所示。

誤差按逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)BP(Back-Propagation)網(wǎng)絡(luò)模型是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[21]。BP模型訓(xùn)練過程中,隱含層節(jié)點從8開始,隨訓(xùn)練過程增加節(jié)點數(shù)量,表5給出雙隱層BP模型中不同節(jié)點數(shù)量對應(yīng)的識別準(zhǔn)確度和訓(xùn)練時長。

表5數(shù)據(jù)表明,雙隱層BP模型神經(jīng)元節(jié)點數(shù)對辨識準(zhǔn)確度有著一定影響：各級隱層8個神經(jīng)元數(shù)量的模型訓(xùn)練結(jié)果查全率和查準(zhǔn)率明顯低于其他3組結(jié)果,5號設(shè)備大翼油箱燃油泵完全未識別出。然而,神經(jīng)元數(shù)量過多導(dǎo)致過擬合,32個節(jié)點數(shù)對3號頻閃燈和5號設(shè)備諧波電流的辨識查全率均有所下降,4號液壓電動馬達(dá)和6號發(fā)動機(jī)進(jìn)氣道防冰活門查準(zhǔn)率下降。總體看,24個隱層節(jié)點數(shù)對應(yīng)的訓(xùn)練模型最優(yōu),辨識結(jié)果如圖7所示。

圖7中,3號設(shè)備15個樣本點正確辨識出14個,查全率93.33%,該點被誤判為6號設(shè)備第10個樣本點,故6號設(shè)備查準(zhǔn)率為91.12%。該BP模型在測試樣本110個點中,出現(xiàn)1個誤判,總體準(zhǔn)確度較高。整個模型訓(xùn)練和辨識過程用時49.22 s,該算法用于機(jī)載設(shè)備監(jiān)測和管理,計算時間過長。

表4 算法模型參數(shù)設(shè)置Table 4 Parameter setting of algorithm model

表5 隱層節(jié)點數(shù)對辨識準(zhǔn)確度的影響

圖7 BP算法辨識結(jié)果Fig.7 Recognition results of BP algorithm

基于統(tǒng)計學(xué)習(xí)理論的支持向量機(jī)(Support Vector Machine,SVM)算法具有魯棒性強(qiáng),且計算簡單,多用于模式識別和非線性回歸問題[22]。采取SVM算法實現(xiàn)圖4匯流條上用電設(shè)備電流諧波特性辨識,模型訓(xùn)練和辨識過程用時10.13 s，辨識結(jié)果如圖8所示。

通過圖7和圖8可知,SVM算法辨識結(jié)果中,分類漏判發(fā)生在3號設(shè)備,導(dǎo)致3號查全率下降至92.31%,6號查準(zhǔn)率下降至91.67%,兩者的F1值均小于96%。SVM算法的準(zhǔn)確度與BP算法相近,但是計算用時有了較大提升。

采取GRNN算法進(jìn)行負(fù)荷辨識,辨識結(jié)果如圖9所示,8種負(fù)荷的辨識結(jié)果和實際類別樣本點完全吻合,辨識準(zhǔn)確度均為100%,辨識過程用時6.42 s。

比較圖7～圖9辨識結(jié)果,同樣訓(xùn)練樣本和測試樣本條件下,110個檢測樣本點中,BP算法和SVM算法分類誤判樣本點數(shù)均為1個,GRNN無辨識錯點,可知GRNN算法泛化能力更強(qiáng),且函數(shù)逼近用時更快速,計算用時具備明顯優(yōu)勢,更適用于機(jī)載設(shè)備監(jiān)測和管理。

辨識結(jié)果查全率、查準(zhǔn)率和F1參數(shù)對比如圖10所示。圖10中,對比BP、SVM和GRNN模型辨識準(zhǔn)確度,GRNN算法的查全率、查準(zhǔn)率和F1的計算值均為100%,BP和SVM算法的查全率僅為93%左右,查準(zhǔn)率均在91%左右,可見GRNN算法對于機(jī)上設(shè)備電流諧波特性的識別更準(zhǔn)確。

圖8 SVM算法辨識結(jié)果Fig.8 Recognition results of SVM algorithm

圖9 GRNN算法辨識結(jié)果Fig.9 Recognition results of GRNN algorithm

圖10 BP、SVM和GRNN算法辨識準(zhǔn)確度對比Fig.10 Comparison of recognition accuracy of BP, SVM and GRNN algorithms

4 結(jié) 論

國內(nèi)外研究者針對非侵入式監(jiān)測技術(shù)在家庭用戶用電設(shè)備的辨識應(yīng)用研究較為普遍,本文將該方法引入航空電網(wǎng)監(jiān)測應(yīng)用中,采用跨學(xué)科的研究方法將非侵入式監(jiān)測技術(shù)用于飛機(jī)電力系統(tǒng)匯流條上用電設(shè)備的負(fù)荷分解,能夠有效避免在飛機(jī)上安裝過多傳感器來實現(xiàn)用電設(shè)備運行狀態(tài)監(jiān)控。基于真實匯流條上用電設(shè)備的穩(wěn)態(tài)電流數(shù)據(jù)分析的非侵入式電力負(fù)荷分解方法突破了對電力負(fù)荷進(jìn)行功率總量監(jiān)測的現(xiàn)狀,1～19次諧波數(shù)據(jù)能夠有效表征各用電設(shè)備類型的電流特性,通過對匯流條電流分析實現(xiàn)設(shè)備分解。

GRNN算法有較強(qiáng)非線性分類能力,合理配置法訓(xùn)練樣本數(shù)和擴(kuò)展速度,獲取最優(yōu)辨識模型,通過實驗對比BP算法和SVM算法結(jié)果,GRNN算法的泛化能力更強(qiáng),辨識準(zhǔn)確度明顯更優(yōu),且函數(shù)逼近用時更快速,非常適合飛機(jī)用電負(fù)荷辨識。

由于飛行任務(wù)需求存在用電設(shè)備投切變化,用電負(fù)載將存在瞬態(tài)變換和多種工作狀態(tài)組合,在本文實驗和算法研究的基礎(chǔ)上,開展多狀態(tài)下飛機(jī)用電設(shè)備負(fù)荷辨識研究,進(jìn)一步運用于飛機(jī)用電設(shè)備運行管理、狀態(tài)監(jiān)控、故障預(yù)測等方面將成為下一步研究重點。