基于LSTM-FCN神經網絡的船舶電力系統故障識別方法

彭鳳健，牟龍華，方重凱，莊 偉，代 建

應用研究

基于LSTM-FCN神經網絡的船舶電力系統故障識別方法

彭鳳健1，牟龍華1，方重凱1，莊 偉2，代 建3

(1. 同濟大學電氣工程系, 上海 201804; 2. 中國船舶集團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)

船舶電力系統拓撲結構日趨復雜，故障種類繁多且不易區分。為確保繼電保護動作的正確性，本文基于船舶電力系統故障錄波數據，利用全卷積網絡(Fully Convolutional Network, FCN)在局部特征提取上的優勢，以及長短期記憶網絡(Long Short-Term Memory, LSTM)在時序特征提取上的優勢，提出了一種基于改進LSTM-FCN網絡的故障診斷模型，并應用于船舶電力系統故障識別。依托PSCAD/EMTDC仿真軟件對典型船舶電力系統各種故障進行仿真，通過小波變換對采樣信號進行預處理。實驗結果表明：本文所提出的故障診斷模型能夠很好地對船舶電力系統故障進行分類識別。

船舶電力系統 故障識別 全卷積網絡 長短期記憶網絡

0 引言

隨著船舶發電機、變壓器、變流器等各種電氣設備的數量和功率大幅增加，船舶綜合電力系統的拓撲結構日漸復雜[1, 2]。艦船長期處于水上工作環境，受濕度、鹽霧和溫差等因素影響，線路與設備極易受到侵蝕，一旦發生電氣故障，繼電保護便能迅速完成故障隔離，若保護未能完成準確的故障判斷，將導致電氣設備損壞，甚至引發重大事故[3, 4]。

故障錄波裝置是船舶電力系統故障診斷、健康分析、設備態勢分析等大數據的基礎裝備，也是船舶智能化診斷的基礎數據源，故近年來船用故障錄波裝置在船舶電力系統得到推廣應用。而根據故障錄波數據進行進一步的故障識別可以分析船舶電網保護是否正確動作，因此研究基于船舶電力系統故障錄波數據的故障診斷方法具有重大意義。

傳統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[5]通過負序差電流和修正后的正序差電流之間的相位關系判斷故障類型；文獻[6]對傳統故障分量選相元件的接地短路故障判據進行了修正，加入對零序電壓分量的閾值判斷實現了接地故障的區分。傳統方法具有計算量小，識別速度快等優點，但由于數據特征提取能力差，容易受到過渡電阻、故障位置和故障電流等因素的干擾，而船舶電力系統在發生故障時，故障信號相互耦合，因而準確率較差。

深度學習方法能夠有效處理特征數據，擬合非線性映射，因而也被廣泛應用于故障識別，如支持向量機、人工神經網絡、隨機森林等。文獻[7]針對輸電線路故障分類識別方法存在的閾值整定復雜等問題，利用稀疏性約束驅動字典自動提取故障特征，進而進行故障分類識別，但學習字典的構造過程相對較復雜；文獻[8]提出了基于多通道卷積雙向長短時記憶神經網絡的輸電線路故障分類方法，能夠實現11種輸電線路故障的準確分類，但分類準確率會受到故障時刻等因素的影響；文獻[9]提出了一種基于卷積神經網絡與支持向量機相結合的輸電網故障分類識別方法，但需要將故障數據轉換為二維特征圖，存在一定的特征遺漏；文獻[10]結合人工神經網絡提出了一種中壓直流船舶電力系統故障檢測與分類方法，但僅對直流母線、交流側短路故障以及接地故障進行了分析和測試，并未考慮發電機、變壓器等設備。

本文針對深度學習算法在電網故障分類研究和應用中存在的不足，結合長短期記憶網絡(Long Short-Term Memory, LSTM)在時序特征提取上的優勢和全卷積網絡(Fully Convolutional Network, FCN)在局部特征提取上的優勢[11]，提出了一種基于改進LSTM-FCN網絡的故障診斷模型，并將其成功應用于船舶電力系統故障分類識別。本文首先搭建了船舶電力系統仿真模型，通過小波變換對仿真數據進行預處理，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據集；接著介紹了改進的LSTM- FCN網絡及其故障診斷模型；最后利用數據集對本文所提模型與反向傳播神經網絡(Back Propagation, BP)、LSTM神經網絡模型進行對比實驗，結果表明基于改進LSTM-FCN網絡的故障診斷模型能夠實現對船舶電力系統故障的高精確度分類識別。

1 船舶電力系統拓撲結構與數據預處理

1.1 船舶電力系統拓撲結構

船舶電力系統具有較強的獨立性，不同于陸地電網，船舶電力系統的負載變化性強，且負載之間通過母線連接，母線長度遠不及陸地電網，因此設備之間存在更強的相互作用。圖1為一種典型的船舶電力系統結構圖[12, 13]，采用單母線的運行方式，包含3臺發電機G1～G3、2臺主推進器MP1和MP2、1臺輔助推進器AP、1臺錨鏈收放器M、1臺彈射裝置E和一臺降壓變壓器T。

圖1 船舶電力系統結構

1.2 仿真建模與故障數據獲取

由于船舶工作環境的惡劣，船舶電力電網及其電氣設備在運行過程中會出現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據樣本，本文在PSCAD/EMTDC仿真平臺中搭建了一個如圖1所示系統的仿真模型。依托仿真模型，分別對母線、各饋線、發電機和變壓器設置不同類型的短路故障，如表1所示。

表1 短路故障類型

結合圖1與表1可知，各電氣元件的故障類型數量如下：母線10種，發電機21種，饋線90種，變壓器9種，加上1種非故障工況（無擾動運行、負荷變化等）總計131種潛在工況。為模擬實際故障的不確定性，故障在0.44 s的時間范圍內隨機發生，且故障點過渡電阻在4 Ω～280 Ω間隨機取值。仿真過程記錄了母線電壓、各饋線電流、各發電機電壓電流以及變壓器電壓電流共18個電氣量，一共包含54路信號，采樣頻率為10 kHz。

1.3 數據預處理

船舶電力系統發生短路故障時，系統中產生的電氣暫態量比穩態量大得多，對于采樣信號而言，冗余數據量很大，難以直接作為神經網絡訓練數據集，故需要對故障采樣信號進行預處理，提取暫態分量中的有用成分。小波變換作為一種時頻分析方法，在故障信號處理中具有良好的應用效果[14, 15]。本文選取db6小波進行離散小波變換，分解層數為6層，對采樣信號進行小波分解，提取出小波系數均方根值、小波能量熵兩種暫態特征量。并結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網絡模型的時序特征向量。

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

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

相角差是兩個作周期變化信號的相之間的差值。在電力系統故障中，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算公式為：

當電力系統發生不對稱的接地故障后，將產生零序分量，因此零序分量是分辨接地與非接地故障的最佳特征量，其計算公式為：

結合式(1)可得零序分量的均方根值為：

本文采用滑窗法對信號進行截取，其實現方法如圖2所示。首先對各路采樣信號采用滑窗法進行截取，從1s開始，每隔1個工頻周波（200個點）截取一次，窗口長度為5個工頻周波，滑動到2s時結束，共計50次。根據此特點，定義船舶電網故障時序特征向量為：

圖2 信號截取示意圖

其中，1≤≤，1≤≤/3，表示第個通道第次截取信號的故障特征向量，表示第個三相信號第次截取信號的故障特征向量，為通道數，于是可以得到船舶電網故障時序特征向量的表達式為：

經過歸一化后的時序特征向量即可作為后續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 改進的LSTM-FCN網絡

LSTM-FCN在單變量時間序列分類問題上具有良好效果，增加擠壓激勵模塊后在多變量時間序列分類問題上也卓有成效[17]，但在船舶電網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故障分類問題，本文對其結構進行了改進，改進后的LSTM-FCN網絡結構如圖3所示。

圖3中，左側為FCN模塊分支，右側為LSTM模塊分支。FCN模塊可以對輸入序列進行更加細致的局部特征提取，得到數據的細節變化規律。FCN模塊分支包括2個卷積塊和1個全局平均池化層，其中卷積塊由1個一維卷積層Conv1d、1個批標準化層(Batch Normalization, BN)、1個ReLU激活函數層和1個丟棄層Dropout組成。LSTM模塊可以學習輸入序列時序上的特征，得到數據的時間變化規律。LSTM模塊分支包括1個LSTM層、1個丟棄層Dropout和2個線性層Linear組成。最后通過合并層Concat將兩個分支的特征向量合并，再通過一個線性層Linear得到最后的輸出。

圖3 改進的LSTM-FCN網絡結構

由圖3可知，本文在LSTM層后增加了兩個線性層，將LSTM的輸出做進一步優化，從而能更好的與全卷積分支輸出相結合，使得LSTM-FCN網絡輸出結果更理想。

本文使用Python語言在PyTorch框架下搭建改進的LSTM-FCN網絡結構，通過1.3節所得輸入樣本進行反復調試，確立了改進的LSTM-FCN結構參數如表2所示。

2.2 基于改進LSTM-FCN的故障診斷模型

結合2.1節所述改進LSTM-FCN網絡結構的輸出結果，通過使用求自變量最大函數argmax作為分類標準，建立船舶電力系統故障診斷模型為：

其中out表示神經網絡的輸出結果，axis=1表示對out按列進行最大值自變量求取，pre表示預測的故障索引值，函數pre=(pre)表示故障類型與故障索引值的映射關系，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為第個預測故障類型，real-i表示第個實際故障類型；為指示函數，當括號中等式成立時為1，不成立時為0。

船舶電力系統故障診斷模型的計算步驟為：

1）對采樣數據進行數據預處理，以提取特征向量。對訓練樣本與測試樣本進行歸一化處理，生成訓練數據集和測試數據集；

2）設置改進的LSTM-FCN神經網絡模型參數；

3）對模型進行訓練；

4）加載最優訓練模型對測試數據集進行分類并計算分類正確率；

5）依據測試數據集分類正確率要求對模型參數進行調整，重復步驟2）～4），直至滿足要求或正確率不再隨調整參數而上升；

6）輸出最終神經網絡訓練模型。

3 船舶電力系統故障診斷實驗對比

3.1 訓練數據集與方案

通過1.2節艦船電力系統仿真模型得到原始數據，使用1.3節中數據預處理方法得到數據集。數據集包含130種故障類型和1種非故障類型，其中訓練集每個故障類型有1250個樣本，非故障類型有7200個樣本；測試集每個故障類型有100個樣本，非故障類型有520個樣本。

設置訓練的批次大小batch-size為64，則每輪訓練輸入數據的維度為（64,50,216），輸出數據的維度為（64,131）。訓練輪次epoch為300，初始學習率為0.001，每100epoch下降0.1倍。模型訓練使用交叉熵作為損失函數，其計算公式為：

其中，為單次訓練的樣本總數，為故障類別的真實概率分布，為神經網絡預測的故障類別概率分布。

3.2 實驗結果

將本文提出的改進LSTM-FCN網絡與目前較常用于船舶電力系統故障分類的深度學習方法BP神經網絡和LSTM神經網絡進行對比實驗，以驗證本文所提出故障診斷模型的有效性。

改進LSTM-FCN網絡的學習訓練結果如圖4所示，當訓練輪次達到150次時，訓練集和測試集的正確率已經不再發生大幅度變化，均穩定在一個值附近。

圖4 改進的LSTM-FCN訓練準確率曲線

將3個網絡模型的測試集正確率進行對比分析，結果如圖5所示?？梢钥闯?，BP神經網絡模型的準確率基本穩定在78%，LSTM網絡模型準確率穩定在95%，改進的LSTM-FCN網絡模型準確率穩定在98%。在船舶電力系統故障診斷時，所面臨的是多元時間序列分類的問題，傳統的BP神經網絡并不能在時序上進行特征提取，所以分類效果不理想。而LSTM神經網絡恰好可以彌補這一缺陷，在訓練集和測試集上均具備較好的分類效果。通過與全卷積神經網絡FCN的并聯，形成的LSTM-FCN不僅保持了LSTM在時序特征提取上的優勢，同時還繼承了卷積神經網絡在細節特征提取上的優點，使得改進的LSTM-FCN在相同測試集上的正確率能夠達到98%以上。

圖5 測試集分類準確率對比

選取訓練好的模型，對測試集進行分類對比試驗，可以得到各種故障類型的分類準確率如表3所示。可以看出，LSTM相較于BP在線路故障的識別準確率上有了較大提升，而改進的LSTM-FCN進一步在設備故障的識別準確率上得到了提升，特別是對于發電機和變壓器的匝間故障識別準確率更高。例如對于變壓器原邊單相匝間短路故障，本文方法準確率為100%，BP準確率為73.1%，LSTM準確率為84.3%。

表3 各故障工況分類準確率 %

4 結論

本文綜合考慮了船舶電力系統故障具有多維特征的特點，對LSTM-FCN網絡進行了改進，提出了一種基于改進LSTM-FCN網絡的故障診斷模型，并成功應用于船舶電力系統故障識別，通過理論分析和實驗驗證，最后得到以下結論：

1）小波變換子頻帶系數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子頻帶的混亂程度，相角差余弦值能夠反應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）結合全卷積網絡和長短期記憶神經網絡優勢的LSTM-FCN網絡在船舶電力系統故障分類上具有更好的效果，基于改進LSTM-FCN網絡的故障診斷模型在綜合識別準確率上比傳統BP神經網絡模型和LSTM神經網絡模型分別提高了19.9%和3.0%。

[1] 馬偉明. 電力電子在艦船電力系統中的典型應用[J]. 電工技術學報, 2011, 26(05): 1-7.

[2] 葉萍. 基于卷積神經網絡的船舶自動識別系統[J]. 船電技術, 2021, 41(03): 61-64.

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

[4] 胡紅錢, 葉軍, 薛明瑞. 基于大負載的中壓供電船舶綜合電力系統仿真研究[J]. 船電技術, 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系的選相元件[J]. 電力自動化設備, 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的修正[J]. 電力系統保護與控制, 2018, 46(16): 19-24.

[7] 張宇博, 郝治國, 林澤暄, 等. 基于深度字典學習的輸電線路故障分類方法[J]. 電力自動化設備: 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記憶網絡的輸電線故障分類[J]. 電力系統保護與控制, 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]. 電力系統保護與控制, 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. 電磁發射用多級混合儲能充電策略優化[J]. 電工技術學報, 2017, 32(13): 118-124.

[13] 馬偉明, 魯軍勇. 電磁發射技術[J]. 國防科技大學學報, 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神經網絡的AGC實時控制策略[J]. 電力自動化設備, 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，Fang 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?。?997-），男，碩士研究生。研究方向：電力系統故障診斷。E-mail：2130669@tongji.edu.cn