CN116381406A - 船舶电网故障定位方法、装置、设备及可读存储介质 - Google Patents
船舶电网故障定位方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116381406A CN116381406A CN202310257025.9A CN202310257025A CN116381406A CN 116381406 A CN116381406 A CN 116381406A CN 202310257025 A CN202310257025 A CN 202310257025A CN 116381406 A CN116381406 A CN 116381406A
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- ship power
- neural network
- ship
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种船舶电网故障定位方法、装置、设备及可读存储介质,涉及船舶电网故障定位技术领域,所述方法包括以下步骤:步骤S10,获取船舶电网所有支路的多组故障样本数据;步骤S20,根据每组故障样本数据计算对应的故障特征向量;步骤S30,建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练;步骤S40,根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。本发明对船舶电网故障进行定位的误差小,定位迅速,定位精度高。同时,本发明只需设置一个个船舶电网故障定位装置,安装位置灵活,适合船舶特殊应用场景。
Description
技术领域
本发明涉及船舶电网故障定位技术领域,特别涉及一种船舶电网故障定位方法、装置、设备及可读存储介质。
背景技术
随着海洋工程的不断深化,各种复杂的海洋工程作业对船舶电力***的可靠性和生命力提出了更高的要求。目前,大多数海洋工程船舶采用闭环设计、开环运行的理念将海洋工程船电网设计成环状型结构,从设计角度提高船舶电力***的可靠性和生命力。但在运营方面,当船舶发生电网单相短路故障时,大多数船舶仅能由绝缘监测仪发出“绝缘低”报警信号,无法定位故障的具体区域,需要船员对线路进行逐条排查,耗费大量时间来完成故障的定位和修复,在一定程度上增加了船舶海上作业的风险。
目前,针对电网故障定位的研究与应用大多以陆地电力***为对象,陆地电网故障定位方法有基于配电网自动化的方法等,需要在电网中的各节点和支路中配备多个故障参数检测和记录的终端装置。由于船舶电网规模和容量较陆地电网小很多,建造成本有限,设备布置空间也非常紧张。
有鉴于此,需要针对船舶电网这一特殊应用场景的故障定位方法及装置进行研究设计,以实现船舶电网故障的快速精准定位,并节省船舶建造成本及设备布置空间。
发明内容
本发明实施例提供一种船舶电网故障定位方法、装置、设备及可读存储介质,以解决相关技术中现有船舶电网在运行中的单相接地故障无法快速精准定位的技术问题。
第一方面,提供了一种船舶电网故障定位方法,包括以下步骤:
获取船舶电网所有支路的多组故障样本数据;
根据每组故障样本数据计算对应的故障特征向量;
建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练;
根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。
一些实施例中,所述根据每组船舶电网故障样本数据计算对应的故障特征向量的步骤,包括:
将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换,得到对应分数阶傅里叶域的频带;
选取分数阶傅里叶域内的部分频带,并按照预设频率间隔将选取的部分频带划分为若干个子频带,计算每个子频带对应的能量率;
将若干个子频带对应的能量率按顺序组合得到故障特征向量。
一些实施例中,所述选取部分频带,并按照预设频率间隔将选取的部分频带划分为若干个子频带,计算每个子频带对应的能量率的步骤包括:
Ni为第i个子频带的采样点数;
u为频率;
p为分数阶傅里叶变换的阶次。
一些实施例中,所述将若干个子频带对应的能量率按顺序组合得到故障特征向量的步骤,包括:
其中,L为故障特征向量中待处理的元素;
Lmax为故障特征向量中待处理的元素的最大值;
Lmin为故障特征向量中待处理的元素的最小值;
k为故障特征向量中待处理的元素处理后的值。
一些实施例中,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤之前,包括:
采用分数阶傅里叶变换将每组船舶电网故障样本数据中的电压信号或电流信号进行滤波处理;
一些实施例中,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤,包括:
采用二维峰值搜索方法确定分数阶傅里叶变换的最优阶次。
一些实施例中,所述建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练的步骤,包括:
根据任一故障特征向量的维数设定神经网络模型的输入神经元的个数;
设定神经网络模型的输出神经元个数为1,并使神经网络模型的输出目标值与船舶电网发生故障的支路编号一一对应。
第二方面,提供了一种船舶电网故障定位装置,所述故障定位装置设于船舶电网的一个主汇流排上,包括:
获取单元,所述获取单元用于获取多组船舶电网故障样本数据;
计算单元,所述计算单元用于根据每组船舶电网故障样本数据计算对应的故障特征向量;
训练单元,所述训练单元用于建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练;
确定单元,所述确定单元用于根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。
第三方面,提供了一种计算机设备,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现前述的船舶电网故障定位方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行前述的船舶电网故障定位方法。
本发明提供的技术方案带来的有益效果包括:
本发明实施例提供了一种船舶电网故障定位方法、装置、设备及可读存储介质,首先获取船舶电网所有支路的多组故障样本数据,然后根据每组故障样本数据计算对应的故障特征向量,再建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练,最后根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。本发明对船舶电网故障进行定位的误差小,定位迅速,定位精度高。本发明只需设置一个故障定位装置,在降低电网建造成本的同时,达到故障智能定位的效果,适合船舶特殊应用场景。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种船舶电网故障定位方法的流程示意图;
图2为本发明实施例提供的船舶电网结构单线图;
图3为本发明实施例提供的S9支路的故障电压信号图;
图4为本发明实施例提供的S9支路的故障电压信号的最佳阶次分数阶傅里叶变换域(FRFT域)频谱图;
图5为本发明实施例提供的S9支路的故障电压信号的能量率图谱;
图6为本发明实施例提供的基于RBF神经网络的电网故障定位实验结果图;
图7为本发明实施例提供的基于RBF神经网络的电网故障定位实验误差分析图;
图8为本发明实施例提供的图3中滤波后的S9支路的故障电压信号图;
图9为本发明实施例提供的一种船舶电网故障定位装置的结构示意图;
图10为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种船舶电网故障定位方法,其能解决现有船舶电网在运行中的单相接地故障无法快速精准定位的技术问题。
参见图1所示,本发明实施例提供了一种船舶电网故障定位方法,包括以下步骤:
步骤S10,获取船舶电网所有支路的多组故障样本数据。
例如,某多用途工程船的船舶电网***为交流三相三线制、中性点不接地的***。电网共有4台发电机组,两台变压器,设置了8个汇流排,共26条支路。船舶电网按照闭环设计,开环运行的原则,运行时的结构如图2所示,图2中BUS1-8为案例船舶电网的主汇流排;S1-S27为案例船舶电网的支路划分。其中,两台为柴油发电机组(DG1和DG2)额定功率为400kW,两台轴带发电机(SG1和SG2)额定功率为750kW,4台机组额定电压均为400V,频率为50Hz;两台变压器容量均为200kVA,在电网运行中采用一用一备模式。在算例中,为了简化船舶电网结构,将每条主汇流排上的负载等效为一个综合负载,共8个综合负载,其参数如表1所示,船舶电网中各支路阻抗值如表2所示。
表1负载额定参数一览表
表2电网各支路电力参数一览表
将故障模块元件(图2中空心圆)添加到船舶电网模型的S9支路,并按单相接地短路情况进行设置参数,开展实际船舶电网故障实验,得到S9支路的故障样本数据,其中故障样本数据为电压信号或电流信号,图3为S9支路的故障电压信号图。然后将故障模块元件转移到其他支路,按照同样的方法依次完成其余支路的单相接地短路故障仿真,得到所有对应支路的故障样本数据。
步骤S20,根据每组故障样本数据计算对应的故障特征向量。
具体地,所述根据每组船舶电网故障样本数据计算对应的故障特征向量的步骤,包括:
步骤S201,将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换,得到对应分数阶傅里叶域的频带。
具体地,继续以S9支路的故障样本数据为例,分数阶傅里叶变换的阶次p选取最佳阶次p0,对S9支路的故障电压信号进行分数阶傅里叶变换,得到对应分数阶傅里叶域的频带,图4为S9支路的故障电压信号的最佳阶次分数阶傅里叶变换域(FRFT域)频谱图。
步骤S202,选取分数阶傅里叶域内的部分频带,并按照预设频率间隔将选取的部分频带划分为若干个子频带,计算每个子频带对应的能量率。
所述选取部分频带,并按照预设频率间隔将选取的部分频带划分为若干个子频带,计算每个子频带对应的能量率的步骤包括:
根据公式计算每个子频带对应的能量率。其中,/>是每组船舶电网故障样本数据中的电压信号或电流信号x(t)的第i个子频带的功率谱,是每组船舶电网故障样本数据中的电压信号或电流信号x(t)的第i个子频带的分数阶傅里叶变换;Ni为第i个子频带的采样点数;i为取1、2、3、…、Δf为预设频率间隔,fs为选取的部分频带的频率间隔;u为频率;p为分数阶傅里叶变换的阶次。对各子频带进行能量率计算,得到如图5所示的能量率图谱。
步骤S203,将若干个子频带对应的能量率按顺序组合得到故障特征向量。
继续以S9支路的故障样本数据为例,假设Δf=10Hz,则每相有10个子频带,三相共有30个子频带。将数据先按照每相的子频段序号排列,再按照a相、b相和c相的顺序依次排列组合成30维度的向量,即为S9支路发生单相接地短路故障的一组故障特征向量,表3为S9支路的故障样本数据对的故障特征向量表。船舶电网中其他支路发生单相短路故障的故障特征向量按照上述同样的方法进行提取。
表3故障特征向量表
步骤S30,建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练。
具体地,所述建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练的步骤,包括:
根据任一故障特征向量的维数设定神经网络模型的输入神经元的个数。本发明实施采用RBF神经网络模型,在Matlab R2014a软件中搭建RBF神经网络模型,RBF神经网络的总层数为3层:输入层、隐层和输出层。以S9支路的故障样本数据为例,按照船舶电网故障特征向量的维数,设置输入层神经元个数为30。
设定神经网络模型的输出神经元个数为1,并使神经网络模型的输出目标值与船舶电网发生故障的支路编号一一对应。输出目标值主要是要定位电网所在的支路编号,这个标号就是神经网络的输出值,输出编号属于1个数据类型,所以设置神经网络输出神经元的个数为1即可。隐层神经元个数在模型训练过程中逐步增加,直到满足精度要求。输入层到隐层是一一映射的非线性关系,隐层到输出层的激活函数采用Gaussian函数。
将船舶电网的570组故障特征向量数据输入RBF神经网络模型,设置最大训练次数为1000次,对RBF神经网络模型进行训练,实际训练得知,RBF神经网络经过2次的训练后达到收敛,完成训练的时间为5秒,误差值为0.000253,隐层神经元个数在训练过程中自动的逐个增加,直至增加到20个时达到最佳精度。
步骤S40,根据训练后的神经网络模型和任一组故障实际数据,确定船舶电网发生故障的支路。
具体地,完成RBF神经网络的训练后,再对船舶电网运行状态的19条支路分别进行3次单相接地故障的故障样本数据进行采集,将57组故障样本数据对应得到的57组故障特征向量分别导入训练好的RBF神经网络进行电网故障定位验证实验,实验结果如图6所示,实验误差分析如图7所示。
将定位实验误差小于0.5作为定位成功的判别条件。经过对比发现,基于RBF神经网络的船舶电网故障定位效果非常理想,57组实验全部能够成功进行故障定位,成功率100%,部分典型的实验结果数据如表4所示。
表4基于RBF神经网络的船舶电网故障定位的部分实验结果数据
根据表4可知,按照RBF神经网络建立的模型,经过570组样本数据的训练后能够准确的将多用途工程船电网故障定位在具体支路,误差能控制在0.01以内,远低于设定的定位成功判定标准限制,采用RBF神经网络模型进行船舶电网故障定位,其误差小,精度高,定位准确率可达100%。RBF神经网络的最优解逼近具有唯一性,且不存在陷入局部极小的问题,其训练的误差精度高,收敛速度快。同时,RBF神经网络隐层节点数目不依赖于经验和试凑,能够获得最佳网络。因此,基于RBF神经网络的船舶电网故障定位方法是可行的、高效的。
本发明实施例中的船舶电网故障定位方法,首先获取船舶电网所有支路的多组故障样本数据,然后根据每组故障样本数据计算对应的故障特征向量,再建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练,最后根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。本发明对船舶电网故障进行定位的误差小,定位迅速,定位精度高。
作为可选的实施方式,在一个发明实施例中,所述将若干个子频带对应的能量率按顺序组合得到故障特征向量的步骤,包括:
将故障特征向量中的元素按照公式进行归一化处理。其中,L为故障特征向量中待处理的元素;Lmax为故障特征向量中待处理的元素的最大值;Lmin为故障特征向量中待处理的元素的最小值;k为故障特征向量中待处理的元素处理后的值。经过公式进行归一化处理后的故障特征向量数据更加准确,计算精度更高。
作为可选的实施方式,在一个发明实施例中,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤之前,包括:
采用分数阶傅里叶变换将每组船舶电网故障样本数据中的电压信号或电流信号进行滤波处理。
为了避免噪声对初始信号的干扰,需要对采集到的初识信号进行滤波去噪音处理,滤除各种干扰噪声。传统的信号滤波去噪音主要采用基于傅里叶变换的方法,通过信号的傅里叶变换和滤波函数的相乘计算完成滤波。但是,当信号遭受强烈的时频耦合干扰,在时频域的图像出现重叠时,传统的傅里叶滤波方法很难完成达到滤波效果。在这种情况下,由于分数阶傅里叶变换具有自由旋转因子的优势,可通过选择合适的坐标角度与信号匹配,将正常信号和干扰信号分离,解决时频耦合造成的干扰,达到滤波效果。图8为图3经过滤波后的S9支路的故障电压信号图。
作为可选的实施方式,在一个发明实施例中,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤,包括:
采用二维峰值搜索方法确定分数阶傅里叶变换的最优阶次。
对于不规律信号或未知信号,常用二维峰值搜索方法进行分数阶傅里叶变换最优阶次的确定。具体方法为:对阶数p在某个范围内进行连续取值,将原始信号所在的时频域进行连续的旋转;同时对每一个阶次p的取值下的原信号进行分数阶傅里叶变换;然后将阶次p所有取值对应的分数阶傅里叶变换能量峰值构成参数(p,u)的二维分布;最后在参数(p,u)的二维分布平面内搜索纵坐标最大的点,其对应的阶次p0即为分数阶傅里叶变换的最优阶次,Xp(u)是船舶电网故障样本数据中的电压信号或电流信号x(t)的分数阶傅里叶变换。设定分数阶傅里叶变换的阶次取值范围为p∈(0,2),基于二维峰值搜索的最优阶次求解方法,求得最优阶次p0=0.93。将经过滤波后的S9支路故障电压信号按照阶次p依次进行分数阶傅里叶变换的数值计算,得到故障电压信号的分数阶傅里叶变换域频谱图。
参见图9所示,本发明实施例还提供了一种船舶电网故障定位装置,所述故障定位装置设于船舶电网的一个主汇流排上,包括:获取单元、计算单元、训练单元和确定单元。
所述获取单元用于获取多组船舶电网故障样本数据。
所述计算单元用于根据每组船舶电网故障样本数据计算对应的故障特征向量。
所述训练单元用于建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练。
所述确定单元用于根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。
参见图2所示,图2中实心黑圆即为本发明的船舶电网故障定位装置,只需设置一个本发明的故障定位装置就能够采集获取船舶电网任一个支路的故障样本数据,再进行后续的计算故障特征向量、训练神经网络模型以及确定船舶电网发生故障的支路的工作,适合船舶这种布置空间紧张,可靠性要求高的场所。
本发明实施例中的船舶电网故障定位装置,首先获取船舶电网所有支路的多组故障样本数据,然后根据每组故障样本数据计算对应的故障特征向量,再建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练,最后根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。本发明对船舶电网故障进行定位的误差小,定位迅速,定位精度高。本发明只需设置一个故障定位装置,在降低电网建造成本的同时,达到故障智能定位的效果,适合船舶特殊应用场景。
需要说明的是,所属本领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各单元的具体工作过程,可以参考前述船舶电网故障定位方法实施例中的对应过程,在此不再赘述。
上述实施例提供的船舶电网故障定位装置可以实现为一种计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
本发明实施例还提供了一种计算机设备,包括:通过***总线连接的存储器、处理器和网络接口,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行,以实现前述的船舶电网故障定位方法的全部步骤或部分步骤。
其中,网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
处理器可以是CPU,还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器,或者该处理器也可以是任何常规的处理器等,处理器是计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外,存储器可以包括高速随存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
步骤S10,获取船舶电网所有支路的多组故障样本数据。
步骤S20,根据每组故障样本数据计算对应的故障特征向量。
步骤S30,建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练。
步骤S40,根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。
作为可选的实施方式,在一个发明实施例中,所述根据每组船舶电网故障样本数据计算对应的故障特征向量的步骤,包括:
将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换,得到对应分数阶傅里叶域的频带;
选取分数阶傅里叶域内的部分频带,并按照预设频率间隔将选取的部分频带划分为若干个子频带,计算每个子频带对应的能量率;
将若干个子频带对应的能量率按顺序组合得到故障特征向量。
作为可选的实施方式,在一个发明实施例中,所述选取部分频带,并按照预设频率间隔将选取的部分频带划分为若干个子频带,计算每个子频带对应的能量率的步骤包括:
Ni为第i个子频带的采样点数;
u为频率;
p为分数阶傅里叶变换的阶次。
4.根据权利要求3所述的船舶电网故障定位方法,其特征在于,所述将若干个子频带对应的能量率按顺序组合得到故障特征向量的步骤,包括:
其中,L为故障特征向量中待处理的元素;
Lmax为故障特征向量中待处理的元素的最大值;
Lmin为故障特征向量中待处理的元素的最小值;
k为故障特征向量中待处理的元素处理后的值。
作为可选的实施方式,在一个发明实施例中,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤之前,包括:
采用分数阶傅里叶变换将每组船舶电网故障样本数据中的电压信号或电流信号进行滤波处理。
作为可选的实施方式,在一个发明实施例中,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤,包括:
采用二维峰值搜索方法确定分数阶傅里叶变换的最优阶次。
作为可选的实施方式,在一个发明实施例中,所述建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练的步骤,包括:
根据任一故障特征向量的维数设定神经网络模型的输入神经元的个数;
设定神经网络模型的输出神经元个数为1,并使神经网络模型的输出目标值与船舶电网发生故障的支路编号一一对应。
本发明施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序执行时实现前述的船舶电网故障定位方法的全部步骤或部分步骤。
本发明实施例实现前述的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only memory,ROM)、随机存取存储器(Random Accessmemory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、服务器或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例中的序号仅仅为了描述,不代表实施例的优劣。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种船舶电网故障定位方法,其特征在于,包括以下步骤:
获取船舶电网所有支路的多组故障样本数据;
根据每组故障样本数据计算对应的故障特征向量;
建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练;
根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。
2.根据权利要求1所述的船舶电网故障定位方法,其特征在于,所述根据每组船舶电网故障样本数据计算对应的故障特征向量的步骤,包括:
将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换,得到对应分数阶傅里叶域的频带;
选取分数阶傅里叶域内的部分频带,并按照预设频率间隔将选取的部分频带划分为若干个子频带,计算每个子频带对应的能量率;
将若干个子频带对应的能量率按顺序组合得到故障特征向量。
5.根据权利要求2所述的船舶电网故障定位方法,其特征在于,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤之前,包括:
采用分数阶傅里叶变换将每组船舶电网故障样本数据中的电压信号或电流信号进行滤波处理。
6.根据权利要求2所述的船舶电网故障定位方法,其特征在于,所述将每组船舶电网故障样本数据中的电压信号或电流信号进行分数阶傅里叶变换的步骤,包括:
采用二维峰值搜索方法确定分数阶傅里叶变换的最优阶次。
7.根据权利要求1所述的船舶电网故障定位方法,其特征在于,所述建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练的步骤,包括:
根据任一故障特征向量的维数设定神经网络模型的输入神经元的个数;
设定神经网络模型的输出神经元个数为1,并使神经网络模型的输出目标值与船舶电网发生故障的支路编号一一对应。
8.一种船舶电网故障定位装置,所述故障定位装置设于船舶电网的一个主汇流排上,其特征在于,包括:
获取单元,所述获取单元用于获取多组船舶电网故障样本数据;
计算单元,所述计算单元用于根据每组船舶电网故障样本数据计算对应的故障特征向量;
训练单元,所述训练单元用于建立神经网络模型,将多个故障特征向量导入神经网络模型进行训练;
确定单元,所述确定单元用于根据训练后的神经网络模型和船舶电网运行中的任一组故障实际数据,确定船舶电网发生故障的支路。
9.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现权利要求1至7中任一项所述的船舶电网故障定位方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1至7中任一项所述的船舶电网故障定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310257025.9A CN116381406B (zh) | 2023-03-16 | 2023-03-16 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310257025.9A CN116381406B (zh) | 2023-03-16 | 2023-03-16 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116381406A true CN116381406A (zh) | 2023-07-04 |
CN116381406B CN116381406B (zh) | 2024-06-04 |
Family
ID=86968526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310257025.9A Active CN116381406B (zh) | 2023-03-16 | 2023-03-16 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381406B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102868402A (zh) * | 2012-09-18 | 2013-01-09 | 上海航天测控通信研究所 | 一种测试模数转换器主要性能指标的测试方法 |
PT106994A (pt) * | 2013-06-09 | 2014-12-09 | Active Space Technologies Actividades Aeroespaciais Lda | Método e sistema de monitorização de envelhecimento de cablagens eléctricas |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业***工程研究院 | 一种轴承早期故障确定方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
DE102014212572A1 (de) * | 2014-06-30 | 2015-12-31 | Elmos Semiconductor Aktiengesellschaft | Verfahren zur Erlangung eines Hinweises, insbesondere Anfangshinweises auf eine mögliche fehlerhafte Lastbedingung eines mehrphasigen Elektromotors |
CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
CN108847910A (zh) * | 2018-08-23 | 2018-11-20 | 广州海格通信集团股份有限公司 | 频谱感知方法和装置、频谱感知设备 |
CN109712641A (zh) * | 2018-12-24 | 2019-05-03 | 重庆第二师范学院 | 一种基于支持向量机的音频分类和分段的处理方法 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN111027184A (zh) * | 2019-11-21 | 2020-04-17 | 中国船舶重工集团公司第七一九研究所 | 一种考虑可靠性约束的船舶电网故障重构凸优化模型 |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及*** |
CN112557826A (zh) * | 2020-12-08 | 2021-03-26 | 上海海事大学 | 一种船舶电力***故障诊断方法 |
WO2021087543A1 (en) * | 2019-11-06 | 2021-05-14 | Newsouth Innovations Pty Limited | Apparatus and process for real-time detection of high-impedance faults in power lines |
CN112986722A (zh) * | 2021-01-29 | 2021-06-18 | 南京邮电大学 | 一种船舶岸电故障诊断方法及装置 |
CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及*** |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
CN114646839A (zh) * | 2022-01-28 | 2022-06-21 | 国网河北省电力有限公司保定供电分公司 | 基于图卷积神经网络的配电网故障区段定位方法及装置 |
CN216930010U (zh) * | 2022-04-07 | 2022-07-08 | 武汉船舶职业技术学院 | 一种智能化船舶机舱监测报警*** |
CN114925728A (zh) * | 2022-05-24 | 2022-08-19 | 武汉工程大学 | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 |
US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
-
2023
- 2023-03-16 CN CN202310257025.9A patent/CN116381406B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102868402A (zh) * | 2012-09-18 | 2013-01-09 | 上海航天测控通信研究所 | 一种测试模数转换器主要性能指标的测试方法 |
PT106994A (pt) * | 2013-06-09 | 2014-12-09 | Active Space Technologies Actividades Aeroespaciais Lda | Método e sistema de monitorização de envelhecimento de cablagens eléctricas |
DE102014212572A1 (de) * | 2014-06-30 | 2015-12-31 | Elmos Semiconductor Aktiengesellschaft | Verfahren zur Erlangung eines Hinweises, insbesondere Anfangshinweises auf eine mögliche fehlerhafte Lastbedingung eines mehrphasigen Elektromotors |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业***工程研究院 | 一种轴承早期故障确定方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
CN108847910A (zh) * | 2018-08-23 | 2018-11-20 | 广州海格通信集团股份有限公司 | 频谱感知方法和装置、频谱感知设备 |
CN109712641A (zh) * | 2018-12-24 | 2019-05-03 | 重庆第二师范学院 | 一种基于支持向量机的音频分类和分段的处理方法 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
WO2021087543A1 (en) * | 2019-11-06 | 2021-05-14 | Newsouth Innovations Pty Limited | Apparatus and process for real-time detection of high-impedance faults in power lines |
CN111027184A (zh) * | 2019-11-21 | 2020-04-17 | 中国船舶重工集团公司第七一九研究所 | 一种考虑可靠性约束的船舶电网故障重构凸优化模型 |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及*** |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
CN112557826A (zh) * | 2020-12-08 | 2021-03-26 | 上海海事大学 | 一种船舶电力***故障诊断方法 |
CN112986722A (zh) * | 2021-01-29 | 2021-06-18 | 南京邮电大学 | 一种船舶岸电故障诊断方法及装置 |
US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及*** |
CN114646839A (zh) * | 2022-01-28 | 2022-06-21 | 国网河北省电力有限公司保定供电分公司 | 基于图卷积神经网络的配电网故障区段定位方法及装置 |
CN216930010U (zh) * | 2022-04-07 | 2022-07-08 | 武汉船舶职业技术学院 | 一种智能化船舶机舱监测报警*** |
CN114925728A (zh) * | 2022-05-24 | 2022-08-19 | 武汉工程大学 | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
B. LIANG 等: "Application of power spectrum, cepstrum, higher order spectrum and neural network analyses for induction motor fault diagnosis", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, 31 August 2013 (2013-08-31), pages 342 - 360 * |
张治臣 等: "基于FRFT 和RBF 神经网络的升船机配电网单相接地故障研究", 《中国修船》, 31 December 2023 (2023-12-31), pages 48 - 52 * |
王高阳 等: "基于FRFT-RBF网络的船舶电网故障定位方法", 《武汉船舶职业技术学院学报》, 31 December 2023 (2023-12-31), pages 77 - 84 * |
Also Published As
Publication number | Publication date |
---|---|
CN116381406B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ledesma et al. | A two-level ANN-based method using synchronized measurements to locate high-impedance fault in distribution systems | |
de Jesus Rangel-Magdaleno et al. | FPGA-based broken bars detection on induction motors under different load using motor current signature analysis and mathematical morphology | |
Youssef | Online applications of wavelet transforms to power system relaying | |
Usama et al. | Design and implementation of a wavelet analysis‐based shunt fault detection and identification module for transmission lines application | |
CN110954743B (zh) | 一种分布式录波装置及小电流接地选线方法 | |
Liu et al. | Fault diagnosis of shipboard medium-voltage DC power system based on machine learning | |
Zheng et al. | Early identification and location of short-circuit fault in grid-connected AC microgrid | |
Fard et al. | Synchronous generator model identification for control application using volterra series | |
CN112748359A (zh) | 一种基于随机森林的配电网接地故障辨识方法及*** | |
Kazemi et al. | An EKF‐SVM machine learning‐based approach for fault detection and classification in three‐phase power transformers | |
CN116381406B (zh) | 船舶电网故障定位方法、装置、设备及可读存储介质 | |
CN109342815B (zh) | 一种变电站谐波源定位方法与*** | |
CN114355100A (zh) | 配电网单相弧光接地故障选线方法、***、设备及介质 | |
CN108112056A (zh) | 用户终端的扫频方法与装置 | |
CN111077413A (zh) | 基于三相暂态电流的小电流接地***故障选相和选线方法 | |
CN107525969A (zh) | 一种融合多种算法的自适应式电网谐波分析方法 | |
CN103390117B (zh) | 一种电力负荷动特性的特征提取方法 | |
Bizon et al. | The extremum seeking control based on band pass filter for the dither signal processed in the control loop | |
CN115128400A (zh) | 一种配网故障类型识别与故障选线综合研判方法及*** | |
CN114062832A (zh) | 一种配电网短路故障类型的识别方法及*** | |
CN112444675A (zh) | 一种输电网节点的谐波超标预警方法、装置、设备及介质 | |
CN114662251A (zh) | 一种基于深度神经网络的配电网故障定位方法 | |
CN113708682B (zh) | 一种变压器直流偏磁抑制方法、装置、设备及介质 | |
CN113866509B (zh) | 共用接地极的换流站接地限流电阻阻值选取方法及装置 | |
Moreno et al. | Protection functions for distribution networks with distributed generation applying wavelet transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |