基于HHT和BP神经网络的船舶电力系统故障定位

陈显云，施伟锋，卓金宝



基于HHT和BP神经网络的船舶电力系统故障定位

陈显云，施伟锋，卓金宝

（上海海事大学，上海 201306）

针对船舶电力系统故障难以精确定位的情况，将Hilbert-Huang变换（HHT）和BP神经网络应用于船舶电力系统故障节点定位。首先，采集各节点电流信号，经过EMD分解得到若干IMF分量，对第一个IMF分量进行Hilbert变换得到其瞬时振幅向量。然后，将各节点的瞬时振幅向量之和作为电流信号的特征量输入到带有动量因子的BP神经网络中进行训练，利用训练好的神经网络进行故障节点定位。最后，通过仿真实验验证了所提方法的有效性。

船舶电力系统 故障定位 HHT 瞬时振幅向量 BP神经网络

0 引言

目前船舶电力系统朝着大型化、集成化和模块化的方向发展，船舶的电气化程度越来越高，同时对船舶电力系统的安全性也提出了更高的要求[1]。系统在发生故障时如果能够迅速找出故障位置，对提高系统稳定性和电能质量有重要意义。

船舶电力系统的故障定位主要分为两个步骤：第一步为故障特征提取；第二步为故障定位。特征提取的方法主要有傅里叶变换、小波变换和Hilbert-Huang变换等[2]。傅里叶变换（FFT）适用于处理线性、平稳信号，但处理非平稳信号却存在很大缺陷；短时傅里叶变换（STFT）,虽然可以同时获得信号的时域和频域图形，但由于其窗口固定，分析的精度较低；小波变换虽然可以处理非线性、非平稳信号，但是它是非适应性的，小波基函数一旦选取就无法更改[3]。HHT是目前研究比较多的一种能够自适应的处理非线性、非平稳复杂信号的方法。它既具有小波变换的多分辨率的特性，同时还不像小波变换那样受到小波函数和尺度函数的限制[4]。因此用HHT来提取信号的特征具有一定的优越性。故障定位方法主要有Petri网、专家系统和神经网络等[5]。前面几种方法如专家系统存在容错能力差且不具备自学习能力等缺点。而BP神经网络由于其自身较强的非线性映射和容错能力，高度的自学习和自适应能力，适用于故障节点定位。

根据上述情况，本文首先介绍HHT和BP神经网络的基本理论。然后，提出一种将HHT和BP神经网络相结合用于船舶电力系统进行故障节点定位的方法，介绍该方法进行船舶电力系统故障节点定位的基本步骤。最后，基于某典型船舶电力系统在MATLAB/SIMULINK中建立仿真系统，采用该定位方法对系统中单相接地故障的节点进行定位，定位结果证明该方法的有效性和可靠性。

1 基本原理

1.1 Hilbert-Huang变换

HHT处理信号的基本步骤是：首先将信号进行经验模态分解（EMD）得到固有模态分量（IMF），然后对分解得到的IMF分量进行Hilbert变换得到Hilbert谱[6]。

1.1.1 EMD算法的基本步骤

Step1：用三次样条插值拟合原始信号()的所有局部极大、极小值点得到信号的上下包络线。

Step2：求出信号上、下包络线的平均值，并记原始信号和包络均值的差值为()。

Step3：当()满足文献[7]所说的IMF条件时，()就是求得的第一个IMF分量；若不满足，将()作为新的原始信号重复Step1和2，直到能够分出第一个IMF分量，记为1()。

1.1.2 Hilbert变换

由此来构造解析信号：

其瞬时振幅和频率为：

1.2 BP神经网络

BP神经网络由输入层、隐层和输出层组成，层与层之间采用全互连方式，同一层神经元之间无连接，图1为典型的三层神经网络结构示意图。

图1 三层BP网络结构示意图

2 基于HHT和BP神经网络的故障定位方法

根据HHT和BP神经网络的基本原理，提出了一种船舶电力系统故障定位方法，其基本流程如下图2所示：

图2 故障定位流程图

故障定位方法的基本步骤：

步骤1：采集船舶电力系统各节点电流信号。

步骤2：对采集到的电流信号进行EMD分解得到若干IMF分量。记第一个IMF分量为IMF1。

步骤3：对分解得到的IMF分量进行Hilbert变换得到其瞬时振幅向量。

步骤5：将求取的特征量进行归一化处理，归一化公式如下：

步骤6：将归一化后样本数据输入到训练好的BP神经网络，得到故障定位结果。

其中BP神经网络是以典型故障的特征量作为样本进行训练，其训练流程如图3所示：

图3 BP网络训练流程图

3 仿真实验

3.1 仿真模型设计

图4 船舶电力系统结构示意图

3.2 故障特征提取

以节点1为例进行故障特征提取。由于经过EMD分解得到的IMF分量是按照频率由高到低依次排列，文献[10]表明经EMD分解得到的所有IMF分量中IMF1分量最能代表原始信号的特征。因此对节点1发生单相接地故障时各节点的IMF1分量进行Hilbert变换，得到各自的瞬时振幅向量，如图5所示。

表1 故障电流信号IMF1分量的瞬时振幅之和

3.3 基于BP神经网络的故障定位

表2 BP网络训练目标

图6 BP神经网络训练误差变化曲线图

由图6可见，经过2316次训练后，达到设定的训练误差要求。

表4 故障定位识别结果

4 结论

本文采用HHT和BP神经网络对船舶电力系统进行故障节点定位。利用HHT方法提取船舶电力系统各节点电流特征量，将提取到的特征量输入到带有动量因子BP网络进行故障定位。通过多次仿真测试，可以得出基于本文的方法能够精确的定位出船舶电力系统的故障节点，验证了该方法在船舶电力系统中故障定位的实用性和有效性。

[1] 施伟锋,许晓彦. 船舶电力系统建模与控制[M]. 北京:电子工业出版社, 2012.

[2] 贾峰, 孙曼, 杨勰颖. 基于改进小波变换的电力谐波检测方法研究[J]. 计算机仿真, 2017, 34(1):99-103.

[3] 杨露, 沈怀荣. 希尔伯特-黄变换与小波变换在故障特征提取中的对比研究[J]. 兵工学报, 2009, 30(5):628-632.

[4] 刘志刚, 李文帆, 孙婉璐. Hilbert-Huang变换及其在电力系统中的应用[J]. 电力自动化设备, 2012, 32(4):109-116.

[5] 张旭, 魏娟, 赵冬梅,等. 电网故障诊断的研究历程及展望[J]. 电网技术, 2013, 37(10):2745-2753.

[6] 齐国强, 王增平. 基于Hilbert-Huang变换的HVDC突变量方向纵联保护方法[J]. 电力系统保护与控制, 2017, (20):92-99.

[7] 李秀坤, 谢磊, 秦宇. 应用希尔伯特黄变换的水下目标特征提取[J]. 哈尔滨工程大学学报, 2009, 30(5):542-546.

[8] 邰丽君, 胡如夫, 赵韩,等. 改进遗传神经网络算法在销售预测中的应用研究[J]. 现代图书情报技术, 2012, 28(1):63-67.

[9] 张会生, 吴微. 一种具有自适应动量因子的BP算法[J]. 大连海事大学学报, 2008, 34(4):45-47.

[10] 毋恒先, 施伟锋, 卓金宝,等. 基于HHT的船舶综合电力系统故障时间定位新方法[J]. 船电技术, 2017, 37(8):38-42.

[11] 蔡荣辉, 崔雨轩, 薛培静. 三层BP神经网络隐层节点数确定方法探究[J]. 电脑与信息技术, 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

陈显云（1994-），男，硕士研究生。研究方向：电力系统及其自动化。Email：18251302536@163.com。

施伟锋（1963-），男，教授，博士，博导，主要从事电力系统及其自动化、控制理论与控制工程研究。Email：wfshi@shmtu.edu.cn