基于LSTM-FCN神经网络的船舶电力系统故障识别方法

彭凤健，牟龙华，方重凯，庄 伟，代 建

应用研究

基于LSTM-FCN神经网络的船舶电力系统故障识别方法

彭凤健1，牟龙华1，方重凯1，庄 伟2，代 建3

(1. 同济大学电气工程系, 上海 201804; 2. 中国船舶集团有限公司第七一一研究所, 上海 201108; 3. 上海齐耀重工有限公司, 上海 201108)

船舶电力系统拓扑结构日趋复杂，故障种类繁多且不易区分。为确保继电保护动作的正确性，本文基于船舶电力系统故障录波数据，利用全卷积网络(Fully Convolutional Network, FCN)在局部特征提取上的优势，以及长短期记忆网络(Long Short-Term Memory, LSTM)在时序特征提取上的优势，提出了一种基于改进LSTM-FCN网络的故障诊断模型，并应用于船舶电力系统故障识别。依托PSCAD/EMTDC仿真软件对典型船舶电力系统各种故障进行仿真，通过小波变换对采样信号进行预处理。实验结果表明：本文所提出的故障诊断模型能够很好地对船舶电力系统故障进行分类识别。

船舶电力系统 故障识别 全卷积网络 长短期记忆网络

0 引言

随着船舶发电机、变压器、变流器等各种电气设备的数量和功率大幅增加，船舶综合电力系统的拓扑结构日渐复杂[1, 2]。舰船长期处于水上工作环境，受湿度、盐雾和温差等因素影响，线路与设备极易受到侵蚀，一旦发生电气故障，继电保护便能迅速完成故障隔离，若保护未能完成准确的故障判断，将导致电气设备损坏，甚至引发重大事故[3, 4]。

故障录波装置是船舶电力系统故障诊断、健康分析、设备态势分析等大数据的基础装备，也是船舶智能化诊断的基础数据源，故近年来船用故障录波装置在船舶电力系统得到推广应用。而根据故障录波数据进行进一步的故障识别可以分析船舶电网保护是否正确动作，因此研究基于船舶电力系统故障录波数据的故障诊断方法具有重大意义。

传统的故障识别方法通过提取序分量特征，利用选相元件完成故障类型的识别，文献[5]通过负序差电流和修正后的正序差电流之间的相位关系判断故障类型；文献[6]对传统故障分量选相元件的接地短路故障判据进行了修正，加入对零序电压分量的阈值判断实现了接地故障的区分。传统方法具有计算量小，识别速度快等优点，但由于数据特征提取能力差，容易受到过渡电阻、故障位置和故障电流等因素的干扰，而船舶电力系统在发生故障时，故障信号相互耦合，因而准确率较差。

深度学习方法能够有效处理特征数据，拟合非线性映射，因而也被广泛应用于故障识别，如支持向量机、人工神经网络、随机森林等。文献[7]针对输电线路故障分类识别方法存在的阈值整定复杂等问题，利用稀疏性约束驱动字典自动提取故障特征，进而进行故障分类识别，但学习字典的构造过程相对较复杂；文献[8]提出了基于多通道卷积双向长短时记忆神经网络的输电线路故障分类方法，能够实现11种输电线路故障的准确分类，但分类准确率会受到故障时刻等因素的影响；文献[9]提出了一种基于卷积神经网络与支持向量机相结合的输电网故障分类识别方法，但需要将故障数据转换为二维特征图，存在一定的特征遗漏；文献[10]结合人工神经网络提出了一种中压直流船舶电力系统故障检测与分类方法，但仅对直流母线、交流侧短路故障以及接地故障进行了分析和测试，并未考虑发电机、变压器等设备。

本文针对深度学习算法在电网故障分类研究和应用中存在的不足，结合长短期记忆网络(Long Short-Term Memory, LSTM)在时序特征提取上的优势和全卷积网络(Fully Convolutional Network, FCN)在局部特征提取上的优势[11]，提出了一种基于改进LSTM-FCN网络的故障诊断模型，并将其成功应用于船舶电力系统故障分类识别。本文首先搭建了船舶电力系统仿真模型，通过小波变换对仿真数据进行预处理，提取子频带均方根值、小波能量熵以及采样信号相角差余弦值和零序分量均方根值作为特征向量并生成数据集；接着介绍了改进的LSTM- FCN网络及其故障诊断模型；最后利用数据集对本文所提模型与反向传播神经网络(Back Propagation, BP)、LSTM神经网络模型进行对比实验，结果表明基于改进LSTM-FCN网络的故障诊断模型能够实现对船舶电力系统故障的高精确度分类识别。

1 船舶电力系统拓扑结构与数据预处理

1.1 船舶电力系统拓扑结构

船舶电力系统具有较强的独立性，不同于陆地电网，船舶电力系统的负载变化性强，且负载之间通过母线连接，母线长度远不及陆地电网，因此设备之间存在更强的相互作用。图1为一种典型的船舶电力系统结构图[12, 13]，采用单母线的运行方式，包含3台发电机G1～G3、2台主推进器MP1和MP2、1台辅助推进器AP、1台锚链收放器M、1台弹射装置E和一台降压变压器T。

图1 船舶电力系统结构

1.2 仿真建模与故障数据获取

由于船舶工作环境的恶劣，船舶电力电网及其电气设备在运行过程中会出现各种各样的电气故障。为了生成故障诊断所需的原始故障数据样本，本文在PSCAD/EMTDC仿真平台中搭建了一个如图1所示系统的仿真模型。依托仿真模型，分别对母线、各馈线、发电机和变压器设置不同类型的短路故障，如表1所示。

表1 短路故障类型

结合图1与表1可知，各电气元件的故障类型数量如下：母线10种，发电机21种，馈线90种，变压器9种，加上1种非故障工况（无扰动运行、负荷变化等）总计131种潜在工况。为模拟实际故障的不确定性，故障在0.44 s的时间范围内随机发生，且故障点过渡电阻在4 Ω～280 Ω间随机取值。仿真过程记录了母线电压、各馈线电流、各发电机电压电流以及变压器电压电流共18个电气量，一共包含54路信号，采样频率为10 kHz。

1.3 数据预处理

船舶电力系统发生短路故障时，系统中产生的电气暂态量比稳态量大得多，对于采样信号而言，冗余数据量很大，难以直接作为神经网络训练数据集，故需要对故障采样信号进行预处理，提取暂态分量中的有用成分。小波变换作为一种时频分析方法，在故障信号处理中具有良好的应用效果[14, 15]。本文选取db6小波进行离散小波变换，分解层数为6层，对采样信号进行小波分解，提取出小波系数均方根值、小波能量熵两种暂态特征量。并结合原采样信号的相角差余弦值和零序分量均方根值得到最终输入神经网络模型的时序特征向量。

小波变换后得到的子频带小波系数的均方根值(Root Mean Square, RMS)可以表征子频带中所包含的信号能量。设信号分解得到的某个子频带小波系数为1,…z,…,N，均方根值的计算公式为：

熵值可以反应信号的混乱程度，是信号特征的一种无量纲指标[15]。根据香农信息熵原理，可以得到小波分解第个子频带的能量熵H为：

相角差是两个作周期变化信号的相之间的差值。在电力系统故障中，不同的故障相同两相之间的相角差变化是不同的，因此相角差也通常作为故障分析的特征量，以三相信号A、B、C为例，AB相的相角差余弦值的计算公式为：

当电力系统发生不对称的接地故障后，将产生零序分量，因此零序分量是分辨接地与非接地故障的最佳特征量，其计算公式为：

结合式(1)可得零序分量的均方根值为：

本文采用滑窗法对信号进行截取，其实现方法如图2所示。首先对各路采样信号采用滑窗法进行截取，从1s开始，每隔1个工频周波（200个点）截取一次，窗口长度为5个工频周波，滑动到2s时结束，共计50次。根据此特点，定义船舶电网故障时序特征向量为：

图2 信号截取示意图

其中，1≤≤，1≤≤/3，表示第个通道第次截取信号的故障特征向量，表示第个三相信号第次截取信号的故障特征向量，为通道数，于是可以得到船舶电网故障时序特征向量的表达式为：

经过归一化后的时序特征向量即可作为后续LSTM-FCN故障诊断模型的输入样本。

2 基于LSTM-FCN的故障诊断模型

2.1 改进的LSTM-FCN网络

LSTM-FCN在单变量时间序列分类问题上具有良好效果，增加挤压激励模块后在多变量时间序列分类问题上也卓有成效[17]，但在船舶电网故障分类问题中并不适用。为了解决具有多维特征向量的船舶电网故障分类问题，本文对其结构进行了改进，改进后的LSTM-FCN网络结构如图3所示。

图3中，左侧为FCN模块分支，右侧为LSTM模块分支。FCN模块可以对输入序列进行更加细致的局部特征提取，得到数据的细节变化规律。FCN模块分支包括2个卷积块和1个全局平均池化层，其中卷积块由1个一维卷积层Conv1d、1个批标准化层(Batch Normalization, BN)、1个ReLU激活函数层和1个丢弃层Dropout组成。LSTM模块可以学习输入序列时序上的特征，得到数据的时间变化规律。LSTM模块分支包括1个LSTM层、1个丢弃层Dropout和2个线性层Linear组成。最后通过合并层Concat将两个分支的特征向量合并，再通过一个线性层Linear得到最后的输出。

图3 改进的LSTM-FCN网络结构

由图3可知，本文在LSTM层后增加了两个线性层，将LSTM的输出做进一步优化，从而能更好的与全卷积分支输出相结合，使得LSTM-FCN网络输出结果更理想。

本文使用Python语言在PyTorch框架下搭建改进的LSTM-FCN网络结构，通过1.3节所得输入样本进行反复调试，确立了改进的LSTM-FCN结构参数如表2所示。

2.2 基于改进LSTM-FCN的故障诊断模型

结合2.1节所述改进LSTM-FCN网络结构的输出结果，通过使用求自变量最大函数argmax作为分类标准，建立船舶电力系统故障诊断模型为：

其中out表示神经网络的输出结果，axis=1表示对out按列进行最大值自变量求取，pre表示预测的故障索引值，函数pre=(pre)表示故障类型与故障索引值的映射关系，pre表示输出故障类型。

故障诊断模型的分类正确率可以定义为：

其中=1,2,…,，为输入批次；pre-i为第个预测故障类型，real-i表示第个实际故障类型；为指示函数，当括号中等式成立时为1，不成立时为0。

船舶电力系统故障诊断模型的计算步骤为：

1）对采样数据进行数据预处理，以提取特征向量。对训练样本与测试样本进行归一化处理，生成训练数据集和测试数据集；

2）设置改进的LSTM-FCN神经网络模型参数；

3）对模型进行训练；

4）加载最优训练模型对测试数据集进行分类并计算分类正确率；

5）依据测试数据集分类正确率要求对模型参数进行调整，重复步骤2）～4），直至满足要求或正确率不再随调整参数而上升；

6）输出最终神经网络训练模型。

3 船舶电力系统故障诊断实验对比

3.1 训练数据集与方案

通过1.2节舰船电力系统仿真模型得到原始数据，使用1.3节中数据预处理方法得到数据集。数据集包含130种故障类型和1种非故障类型，其中训练集每个故障类型有1250个样本，非故障类型有7200个样本；测试集每个故障类型有100个样本，非故障类型有520个样本。

设置训练的批次大小batch-size为64，则每轮训练输入数据的维度为（64,50,216），输出数据的维度为（64,131）。训练轮次epoch为300，初始学习率为0.001，每100epoch下降0.1倍。模型训练使用交叉熵作为损失函数，其计算公式为：

其中，为单次训练的样本总数，为故障类别的真实概率分布，为神经网络预测的故障类别概率分布。

3.2 实验结果

将本文提出的改进LSTM-FCN网络与目前较常用于船舶电力系统故障分类的深度学习方法BP神经网络和LSTM神经网络进行对比实验，以验证本文所提出故障诊断模型的有效性。

改进LSTM-FCN网络的学习训练结果如图4所示，当训练轮次达到150次时，训练集和测试集的正确率已经不再发生大幅度变化，均稳定在一个值附近。

图4 改进的LSTM-FCN训练准确率曲线

将3个网络模型的测试集正确率进行对比分析，结果如图5所示。可以看出，BP神经网络模型的准确率基本稳定在78%，LSTM网络模型准确率稳定在95%，改进的LSTM-FCN网络模型准确率稳定在98%。在船舶电力系统故障诊断时，所面临的是多元时间序列分类的问题，传统的BP神经网络并不能在时序上进行特征提取，所以分类效果不理想。而LSTM神经网络恰好可以弥补这一缺陷，在训练集和测试集上均具备较好的分类效果。通过与全卷积神经网络FCN的并联，形成的LSTM-FCN不仅保持了LSTM在时序特征提取上的优势，同时还继承了卷积神经网络在细节特征提取上的优点，使得改进的LSTM-FCN在相同测试集上的正确率能够达到98%以上。

图5 测试集分类准确率对比

选取训练好的模型，对测试集进行分类对比试验，可以得到各种故障类型的分类准确率如表3所示。可以看出，LSTM相较于BP在线路故障的识别准确率上有了较大提升，而改进的LSTM-FCN进一步在设备故障的识别准确率上得到了提升，特别是对于发电机和变压器的匝间故障识别准确率更高。例如对于变压器原边单相匝间短路故障，本文方法准确率为100%，BP准确率为73.1%，LSTM准确率为84.3%。

表3 各故障工况分类准确率 %

4 结论

本文综合考虑了船舶电力系统故障具有多维特征的特点，对LSTM-FCN网络进行了改进，提出了一种基于改进LSTM-FCN网络的故障诊断模型，并成功应用于船舶电力系统故障识别，通过理论分析和实验验证，最后得到以下结论：

1）小波变换子频带系数均方根值能够很好地表示原采样信号的能量特征，小波能量熵则能够充分体现子频带的混乱程度，相角差余弦值能够反应不同故障的相角变化趋势，零序分量均方根值能够很好地分辨不对称接地与非接地故障。

2）结合全卷积网络和长短期记忆神经网络优势的LSTM-FCN网络在船舶电力系统故障分类上具有更好的效果，基于改进LSTM-FCN网络的故障诊断模型在综合识别准确率上比传统BP神经网络模型和LSTM神经网络模型分别提高了19.9%和3.0%。

[1] 马伟明. 电力电子在舰船电力系统中的典型应用[J]. 电工技术学报, 2011, 26(05): 1-7.

[2] 叶萍. 基于卷积神经网络的船舶自动识别系统[J]. 船电技术, 2021, 41(03): 61-64.

[3] 周荔丹, 许健, 姚钢, 等. 船舶综合能源管理系统研究综述[J]. 电力系统保护与控制, 2022, 50(13): 171-186.

[4] 胡红钱, 叶军, 薛明瑞. 基于大负载的中压供电船舶综合电力系统仿真研究[J]. 船电技术, 2022, 42(12): 30-33.

[5] 刘凯, 索南加乐. 基于故障支路电流序分量相位关系的选相元件[J]. 电力自动化设备, 2013, 33(03): 77-83.

[6] 程志友, 李小静, 汤明金, 等. 一种故障分量选相元件接地短路判据的修正[J]. 电力系统保护与控制, 2018, 46(16): 19-24.

[7] 张宇博, 郝治国, 林泽暄, 等. 基于深度字典学习的输电线路故障分类方法[J]. 电力自动化设备: 2022, 42(11): 159-166.

[8] 沈银, 席燕辉, 陈子璇. 基于多通道卷积双向长短时记忆网络的输电线故障分类[J]. 电力系统保护与控制, 2022, 50(03): 114-120.

[9] 田鹏飞, 于游, 董明, 等. 基于CNN-SVM的高压输电线路故障识别方法[J]. 电力系统保护与控制, 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, 鲁军勇, 马伟明, 等. 电磁发射用多级混合储能充电策略优化[J]. 电工技术学报, 2017, 32(13): 118-124.

[13] 马伟明, 鲁军勇. 电磁发射技术[J]. 国防科技大学学报, 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] 李滨, 王靖德, 梁水莹, 等. 基于长短期记忆循环神经网络的AGC实时控制策略[J]. 电力自动化设备, 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

彭凤健（1997-），男，硕士研究生。研究方向：电力系统故障诊断。E-mail：2130669@tongji.edu.cn