彭鳳健，牟龍華，方重凱，莊 偉，代 建

應(yīng)用研究

基于LSTM-FCN神經(jīng)網(wǎng)絡(luò)的船舶電力系統(tǒng)故障識(shí)別方法

彭鳳健1，牟龍華1，方重凱1，莊 偉2，代 建3

(1. 同濟(jì)大學(xué)電氣工程系, 上海 201804; 2. 中國船舶集團(tuán)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(tǒng)拓?fù)浣Y(jié)構(gòu)日趨復(fù)雜，故障種類繁多且不易區(qū)分。為確保繼電保護(hù)動(dòng)作的正確性，本文基于船舶電力系統(tǒng)故障錄波數(shù)據(jù)，利用全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)在局部特征提取上的優(yōu)勢，以及長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)在時(shí)序特征提取上的優(yōu)勢，提出了一種基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型，并應(yīng)用于船舶電力系統(tǒng)故障識(shí)別。依托PSCAD/EMTDC仿真軟件對(duì)典型船舶電力系統(tǒng)各種故障進(jìn)行仿真，通過小波變換對(duì)采樣信號(hào)進(jìn)行預(yù)處理。實(shí)驗(yàn)結(jié)果表明：本文所提出的故障診斷模型能夠很好地對(duì)船舶電力系統(tǒng)故障進(jìn)行分類識(shí)別。

船舶電力系統(tǒng) 故障識(shí)別 全卷積網(wǎng)絡(luò) 長短期記憶網(wǎng)絡(luò)

0 引言

隨著船舶發(fā)電機(jī)、變壓器、變流器等各種電氣設(shè)備的數(shù)量和功率大幅增加，船舶綜合電力系統(tǒng)的拓?fù)浣Y(jié)構(gòu)日漸復(fù)雜[1, 2]。艦船長期處于水上工作環(huán)境，受濕度、鹽霧和溫差等因素影響，線路與設(shè)備極易受到侵蝕，一旦發(fā)生電氣故障，繼電保護(hù)便能迅速完成故障隔離，若保護(hù)未能完成準(zhǔn)確的故障判斷，將導(dǎo)致電氣設(shè)備損壞，甚至引發(fā)重大事故[3, 4]。

故障錄波裝置是船舶電力系統(tǒng)故障診斷、健康分析、設(shè)備態(tài)勢分析等大數(shù)據(jù)的基礎(chǔ)裝備，也是船舶智能化診斷的基礎(chǔ)數(shù)據(jù)源，故近年來船用故障錄波裝置在船舶電力系統(tǒng)得到推廣應(yīng)用。而根據(jù)故障錄波數(shù)據(jù)進(jìn)行進(jìn)一步的故障識(shí)別可以分析船舶電網(wǎng)保護(hù)是否正確動(dòng)作，因此研究基于船舶電力系統(tǒng)故障錄波數(shù)據(jù)的故障診斷方法具有重大意義。

傳統(tǒng)的故障識(shí)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(shí)別，文獻(xiàn)[5]通過負(fù)序差電流和修正后的正序差電流之間的相位關(guān)系判斷故障類型；文獻(xiàn)[6]對(duì)傳統(tǒng)故障分量選相元件的接地短路故障判據(jù)進(jìn)行了修正，加入對(duì)零序電壓分量的閾值判斷實(shí)現(xiàn)了接地故障的區(qū)分。傳統(tǒng)方法具有計(jì)算量小，識(shí)別速度快等優(yōu)點(diǎn)，但由于數(shù)據(jù)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(tǒng)在發(fā)生故障時(shí)，故障信號(hào)相互耦合，因而準(zhǔn)確率較差。

深度學(xué)習(xí)方法能夠有效處理特征數(shù)據(jù)，擬合非線性映射，因而也被廣泛應(yīng)用于故障識(shí)別，如支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等。文獻(xiàn)[7]針對(duì)輸電線路故障分類識(shí)別方法存在的閾值整定復(fù)雜等問題，利用稀疏性約束驅(qū)動(dòng)字典自動(dòng)提取故障特征，進(jìn)而進(jìn)行故障分類識(shí)別，但學(xué)習(xí)字典的構(gòu)造過程相對(duì)較復(fù)雜；文獻(xiàn)[8]提出了基于多通道卷積雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的輸電線路故障分類方法，能夠?qū)崿F(xiàn)11種輸電線路故障的準(zhǔn)確分類，但分類準(zhǔn)確率會(huì)受到故障時(shí)刻等因素的影響；文獻(xiàn)[9]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合的輸電網(wǎng)故障分類識(shí)別方法，但需要將故障數(shù)據(jù)轉(zhuǎn)換為二維特征圖，存在一定的特征遺漏；文獻(xiàn)[10]結(jié)合人工神經(jīng)網(wǎng)絡(luò)提出了一種中壓直流船舶電力系統(tǒng)故障檢測與分類方法，但僅對(duì)直流母線、交流側(cè)短路故障以及接地故障進(jìn)行了分析和測試，并未考慮發(fā)電機(jī)、變壓器等設(shè)備。

本文針對(duì)深度學(xué)習(xí)算法在電網(wǎng)故障分類研究和應(yīng)用中存在的不足，結(jié)合長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)在時(shí)序特征提取上的優(yōu)勢和全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)在局部特征提取上的優(yōu)勢[11]，提出了一種基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型，并將其成功應(yīng)用于船舶電力系統(tǒng)故障分類識(shí)別。本文首先搭建了船舶電力系統(tǒng)仿真模型，通過小波變換對(duì)仿真數(shù)據(jù)進(jìn)行預(yù)處理，提取子頻帶均方根值、小波能量熵以及采樣信號(hào)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(shù)據(jù)集；接著介紹了改進(jìn)的LSTM- FCN網(wǎng)絡(luò)及其故障診斷模型；最后利用數(shù)據(jù)集對(duì)本文所提模型與反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation, BP)、LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型能夠?qū)崿F(xiàn)對(duì)船舶電力系統(tǒng)故障的高精確度分類識(shí)別。

1 船舶電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)與數(shù)據(jù)預(yù)處理

1.1 船舶電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)

船舶電力系統(tǒng)具有較強(qiáng)的獨(dú)立性，不同于陸地電網(wǎng)，船舶電力系統(tǒng)的負(fù)載變化性強(qiáng)，且負(fù)載之間通過母線連接，母線長度遠(yuǎn)不及陸地電網(wǎng)，因此設(shè)備之間存在更強(qiáng)的相互作用。圖1為一種典型的船舶電力系統(tǒng)結(jié)構(gòu)圖[12, 13]，采用單母線的運(yùn)行方式，包含3臺(tái)發(fā)電機(jī)G1～G3、2臺(tái)主推進(jìn)器MP1和MP2、1臺(tái)輔助推進(jìn)器AP、1臺(tái)錨鏈?zhǔn)辗牌鱉、1臺(tái)彈射裝置E和一臺(tái)降壓變壓器T。

圖1 船舶電力系統(tǒng)結(jié)構(gòu)

1.2 仿真建模與故障數(shù)據(jù)獲取

由于船舶工作環(huán)境的惡劣，船舶電力電網(wǎng)及其電氣設(shè)備在運(yùn)行過程中會(huì)出現(xiàn)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(shù)據(jù)樣本，本文在PSCAD/EMTDC仿真平臺(tái)中搭建了一個(gè)如圖1所示系統(tǒng)的仿真模型。依托仿真模型，分別對(duì)母線、各饋線、發(fā)電機(jī)和變壓器設(shè)置不同類型的短路故障，如表1所示。

表1 短路故障類型

結(jié)合圖1與表1可知，各電氣元件的故障類型數(shù)量如下：母線10種，發(fā)電機(jī)21種，饋線90種，變壓器9種，加上1種非故障工況（無擾動(dòng)運(yùn)行、負(fù)荷變化等）總計(jì)131種潛在工況。為模擬實(shí)際故障的不確定性，故障在0.44 s的時(shí)間范圍內(nèi)隨機(jī)發(fā)生，且故障點(diǎn)過渡電阻在4 Ω～280 Ω間隨機(jī)取值。仿真過程記錄了母線電壓、各饋線電流、各發(fā)電機(jī)電壓電流以及變壓器電壓電流共18個(gè)電氣量，一共包含54路信號(hào)，采樣頻率為10 kHz。

1.3 數(shù)據(jù)預(yù)處理

船舶電力系統(tǒng)發(fā)生短路故障時(shí)，系統(tǒng)中產(chǎn)生的電氣暫態(tài)量比穩(wěn)態(tài)量大得多，對(duì)于采樣信號(hào)而言，冗余數(shù)據(jù)量很大，難以直接作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集，故需要對(duì)故障采樣信號(hào)進(jìn)行預(yù)處理，提取暫態(tài)分量中的有用成分。小波變換作為一種時(shí)頻分析方法，在故障信號(hào)處理中具有良好的應(yīng)用效果[14, 15]。本文選取db6小波進(jìn)行離散小波變換，分解層數(shù)為6層，對(duì)采樣信號(hào)進(jìn)行小波分解，提取出小波系數(shù)均方根值、小波能量熵兩種暫態(tài)特征量。并結(jié)合原采樣信號(hào)的相角差余弦值和零序分量均方根值得到最終輸入神經(jīng)網(wǎng)絡(luò)模型的時(shí)序特征向量。

小波變換后得到的子頻帶小波系數(shù)的均方根值(Root Mean Square, RMS)可以表征子頻帶中所包含的信號(hào)能量。設(shè)信號(hào)分解得到的某個(gè)子頻帶小波系數(shù)為1,…z,…,N，均方根值的計(jì)算公式為：

熵值可以反應(yīng)信號(hào)的混亂程度，是信號(hào)特征的一種無量綱指標(biāo)[15]。根據(jù)香農(nóng)信息熵原理，可以得到小波分解第個(gè)子頻帶的能量熵H為：

相角差是兩個(gè)作周期變化信號(hào)的相之間的差值。在電力系統(tǒng)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(hào)A、B、C為例，AB相的相角差余弦值的計(jì)算公式為：

當(dāng)電力系統(tǒng)發(fā)生不對(duì)稱的接地故障后，將產(chǎn)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(jì)算公式為：

結(jié)合式(1)可得零序分量的均方根值為：

本文采用滑窗法對(duì)信號(hào)進(jìn)行截取，其實(shí)現(xiàn)方法如圖2所示。首先對(duì)各路采樣信號(hào)采用滑窗法進(jìn)行截取，從1s開始，每隔1個(gè)工頻周波（200個(gè)點(diǎn)）截取一次，窗口長度為5個(gè)工頻周波，滑動(dòng)到2s時(shí)結(jié)束，共計(jì)50次。根據(jù)此特點(diǎn)，定義船舶電網(wǎng)故障時(shí)序特征向量為：

圖2 信號(hào)截取示意圖

其中，1≤≤，1≤≤/3，表示第個(gè)通道第次截取信號(hào)的故障特征向量，表示第個(gè)三相信號(hào)第次截取信號(hào)的故障特征向量，為通道數(shù)，于是可以得到船舶電網(wǎng)故障時(shí)序特征向量的表達(dá)式為：

經(jīng)過歸一化后的時(shí)序特征向量即可作為后續(xù)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(jìn)的LSTM-FCN網(wǎng)絡(luò)

LSTM-FCN在單變量時(shí)間序列分類問題上具有良好效果，增加擠壓激勵(lì)模塊后在多變量時(shí)間序列分類問題上也卓有成效[17]，但在船舶電網(wǎng)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(wǎng)故障分類問題，本文對(duì)其結(jié)構(gòu)進(jìn)行了改進(jìn)，改進(jìn)后的LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3中，左側(cè)為FCN模塊分支，右側(cè)為LSTM模塊分支。FCN模塊可以對(duì)輸入序列進(jìn)行更加細(xì)致的局部特征提取，得到數(shù)據(jù)的細(xì)節(jié)變化規(guī)律。FCN模塊分支包括2個(gè)卷積塊和1個(gè)全局平均池化層，其中卷積塊由1個(gè)一維卷積層Conv1d、1個(gè)批標(biāo)準(zhǔn)化層(Batch Normalization, BN)、1個(gè)ReLU激活函數(shù)層和1個(gè)丟棄層Dropout組成。LSTM模塊可以學(xué)習(xí)輸入序列時(shí)序上的特征，得到數(shù)據(jù)的時(shí)間變化規(guī)律。LSTM模塊分支包括1個(gè)LSTM層、1個(gè)丟棄層Dropout和2個(gè)線性層Linear組成。最后通過合并層Concat將兩個(gè)分支的特征向量合并，再通過一個(gè)線性層Linear得到最后的輸出。

圖3 改進(jìn)的LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)

由圖3可知，本文在LSTM層后增加了兩個(gè)線性層，將LSTM的輸出做進(jìn)一步優(yōu)化，從而能更好的與全卷積分支輸出相結(jié)合，使得LSTM-FCN網(wǎng)絡(luò)輸出結(jié)果更理想。

本文使用Python語言在PyTorch框架下搭建改進(jìn)的LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)，通過1.3節(jié)所得輸入樣本進(jìn)行反復(fù)調(diào)試，確立了改進(jìn)的LSTM-FCN結(jié)構(gòu)參數(shù)如表2所示。

2.2 基于改進(jìn)LSTM-FCN的故障診斷模型

結(jié)合2.1節(jié)所述改進(jìn)LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)的輸出結(jié)果，通過使用求自變量最大函數(shù)argmax作為分類標(biāo)準(zhǔn)，建立船舶電力系統(tǒng)故障診斷模型為：

其中out表示神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，axis=1表示對(duì)out按列進(jìn)行最大值自變量求取，pre表示預(yù)測的故障索引值，函數(shù)pre=(pre)表示故障類型與故障索引值的映射關(guān)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(gè)預(yù)測故障類型，real-i表示第個(gè)實(shí)際故障類型；為指示函數(shù)，當(dāng)括號(hào)中等式成立時(shí)為1，不成立時(shí)為0。

船舶電力系統(tǒng)故障診斷模型的計(jì)算步驟為：

1）對(duì)采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，以提取特征向量。對(duì)訓(xùn)練樣本與測試樣本進(jìn)行歸一化處理，生成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

2）設(shè)置改進(jìn)的LSTM-FCN神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

3）對(duì)模型進(jìn)行訓(xùn)練；

4）加載最優(yōu)訓(xùn)練模型對(duì)測試數(shù)據(jù)集進(jìn)行分類并計(jì)算分類正確率；

5）依據(jù)測試數(shù)據(jù)集分類正確率要求對(duì)模型參數(shù)進(jìn)行調(diào)整，重復(fù)步驟2）～4），直至滿足要求或正確率不再隨調(diào)整參數(shù)而上升；

6）輸出最終神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型。

3 船舶電力系統(tǒng)故障診斷實(shí)驗(yàn)對(duì)比

3.1 訓(xùn)練數(shù)據(jù)集與方案

通過1.2節(jié)艦船電力系統(tǒng)仿真模型得到原始數(shù)據(jù)，使用1.3節(jié)中數(shù)據(jù)預(yù)處理方法得到數(shù)據(jù)集。數(shù)據(jù)集包含130種故障類型和1種非故障類型，其中訓(xùn)練集每個(gè)故障類型有1250個(gè)樣本，非故障類型有7200個(gè)樣本；測試集每個(gè)故障類型有100個(gè)樣本，非故障類型有520個(gè)樣本。

設(shè)置訓(xùn)練的批次大小batch-size為64，則每輪訓(xùn)練輸入數(shù)據(jù)的維度為（64,50,216），輸出數(shù)據(jù)的維度為（64,131）。訓(xùn)練輪次epoch為300，初始學(xué)習(xí)率為0.001，每100epoch下降0.1倍。模型訓(xùn)練使用交叉熵作為損失函數(shù)，其計(jì)算公式為：

其中，為單次訓(xùn)練的樣本總數(shù)，為故障類別的真實(shí)概率分布，為神經(jīng)網(wǎng)絡(luò)預(yù)測的故障類別概率分布。

3.2 實(shí)驗(yàn)結(jié)果

將本文提出的改進(jìn)LSTM-FCN網(wǎng)絡(luò)與目前較常用于船舶電力系統(tǒng)故障分類的深度學(xué)習(xí)方法BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，以驗(yàn)證本文所提出故障診斷模型的有效性。

改進(jìn)LSTM-FCN網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練結(jié)果如圖4所示，當(dāng)訓(xùn)練輪次達(dá)到150次時(shí)，訓(xùn)練集和測試集的正確率已經(jīng)不再發(fā)生大幅度變化，均穩(wěn)定在一個(gè)值附近。

圖4 改進(jìn)的LSTM-FCN訓(xùn)練準(zhǔn)確率曲線

將3個(gè)網(wǎng)絡(luò)模型的測試集正確率進(jìn)行對(duì)比分析，結(jié)果如圖5所示?？梢钥闯觯珺P神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率基本穩(wěn)定在78%，LSTM網(wǎng)絡(luò)模型準(zhǔn)確率穩(wěn)定在95%，改進(jìn)的LSTM-FCN網(wǎng)絡(luò)模型準(zhǔn)確率穩(wěn)定在98%。在船舶電力系統(tǒng)故障診斷時(shí)，所面臨的是多元時(shí)間序列分類的問題，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)并不能在時(shí)序上進(jìn)行特征提取，所以分類效果不理想。而LSTM神經(jīng)網(wǎng)絡(luò)恰好可以彌補(bǔ)這一缺陷，在訓(xùn)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(jīng)網(wǎng)絡(luò)FCN的并聯(lián)，形成的LSTM-FCN不僅保持了LSTM在時(shí)序特征提取上的優(yōu)勢，同時(shí)還繼承了卷積神經(jīng)網(wǎng)絡(luò)在細(xì)節(jié)特征提取上的優(yōu)點(diǎn)，使得改進(jìn)的LSTM-FCN在相同測試集上的正確率能夠達(dá)到98%以上。

圖5 測試集分類準(zhǔn)確率對(duì)比

選取訓(xùn)練好的模型，對(duì)測試集進(jìn)行分類對(duì)比試驗(yàn)，可以得到各種故障類型的分類準(zhǔn)確率如表3所示。可以看出，LSTM相較于BP在線路故障的識(shí)別準(zhǔn)確率上有了較大提升，而改進(jìn)的LSTM-FCN進(jìn)一步在設(shè)備故障的識(shí)別準(zhǔn)確率上得到了提升，特別是對(duì)于發(fā)電機(jī)和變壓器的匝間故障識(shí)別準(zhǔn)確率更高。例如對(duì)于變壓器原邊單相匝間短路故障，本文方法準(zhǔn)確率為100%，BP準(zhǔn)確率為73.1%，LSTM準(zhǔn)確率為84.3%。

表3 各故障工況分類準(zhǔn)確率 %

4 結(jié)論

本文綜合考慮了船舶電力系統(tǒng)故障具有多維特征的特點(diǎn)，對(duì)LSTM-FCN網(wǎng)絡(luò)進(jìn)行了改進(jìn)，提出了一種基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型，并成功應(yīng)用于船舶電力系統(tǒng)故障識(shí)別，通過理論分析和實(shí)驗(yàn)驗(yàn)證，最后得到以下結(jié)論：

1）小波變換子頻帶系數(shù)均方根值能夠很好地表示原采樣信號(hào)的能量特征，小波能量熵則能夠充分體現(xiàn)子頻帶的混亂程度，相角差余弦值能夠反應(yīng)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(duì)稱接地與非接地故障。

2）結(jié)合全卷積網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)優(yōu)勢的LSTM-FCN網(wǎng)絡(luò)在船舶電力系統(tǒng)故障分類上具有更好的效果，基于改進(jìn)LSTM-FCN網(wǎng)絡(luò)的故障診斷模型在綜合識(shí)別準(zhǔn)確率上比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型和LSTM神經(jīng)網(wǎng)絡(luò)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(tǒng)中的典型應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(05): 1-7.

[2] 葉萍. 基于卷積神經(jīng)網(wǎng)絡(luò)的船舶自動(dòng)識(shí)別系統(tǒng)[J]. 船電技術(shù), 2021, 41(03): 61-64.

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

[4] 胡紅錢, 葉軍, 薛明瑞. 基于大負(fù)載的中壓供電船舶綜合電力系統(tǒng)仿真研究[J]. 船電技術(shù), 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(guān)系的選相元件[J]. 電力自動(dòng)化設(shè)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(jù)的修正[J]. 電力系統(tǒng)保護(hù)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(xué)習(xí)的輸電線路故障分類方法[J]. 電力自動(dòng)化設(shè)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(shí)記憶網(wǎng)絡(luò)的輸電線故障分類[J]. 電力系統(tǒng)保護(hù)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(shí)別方法[J]. 電力系統(tǒng)保護(hù)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(fā)射用多級(jí)混合儲(chǔ)能充電策略優(yōu)化[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(13): 118-124.

[13] 馬偉明, 魯軍勇. 電磁發(fā)射技術(shù)[J]. 國防科技大學(xué)學(xué)報(bào), 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(huán)神經(jīng)網(wǎng)絡(luò)的AGC實(shí)時(shí)控制策略[J]. 電力自動(dòng)化設(shè)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，F(xiàn)ang 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(tǒng)故障診斷。E-mail：2130669@#edu.cn