0 引　言

电气自动化是大型船舶发展的一个趋势，以船舶电力驱动系统、导航系统、环境控制系统等为代表的船舶子系统，电气元件的种类、数量越来越多，与此同时，由于船舶工作环境恶劣，电气系统的故障类型更加复杂，故障频率也呈上升趋势。一旦船舶发生电气故障，工作人员如果无法快速进行定位和诊断，轻则会导致设备损坏，影响船舶电气系统的稳定性，严重时会引发重大事故，甚至威胁船舶及人员的安全^[1]。

船舶电力系统是实现船舶电气自动化的核心，为船舶电气设备提供稳定的电源，对提高船舶电力系统的安全性、稳定性具有重要的意义。故障诊断系统的功能是实现故障的快速定位和判断，为工作人员提供恰当的解决方案，进而保障船舶运行的安全性。本文研究工作集中在船舶电力系统故障诊断方法的研究，介绍船舶电力系统的基本构成，基于神经网络算法和贝叶斯稳定性算法对船舶电力系统的故障诊断进行研究。

1 船舶电力系统概述

船舶电力系统主要由发电机组、输电线路、负荷开关、分配电板、控制开关、电动机、变流器、配电开关、用电设备等构成，是众多电气元件的组合体，电力系统的安全、稳定运行直接决定了船舶的正常作业。

随着船舶用电设备的增加，电力系统电站的功率和数量也在增加，根据电站数量可将船舶电力系统划分为单主电站、多主电站、轴带发电机电力系统等。

图1为多主电站船舶电力系统的构成图。

图中，G₁～G₃为船舶的主发电机，发电机的电能通过配电开关和分配电板进行一级配电，然后分别进入配电器、变流器^[2]等设备，最后通过输电网络传输至船舶的用电负载中。

船舶电力系统在工作过程中受到海上环境及船舶自身工况的影响，其特点包括：

1）容量较小

相对于陆地电站来说，船舶电站的容量、功率较低，中型船舶电站的容量低于500 kW^[3]，远小于陆地电力系统；

2）输电线路复杂

不同于陆上电力系统的远距离传输特性，船舶发电机与负载均处于船体上，电力系统的输电线路往往较短，线路的阻抗很小，短路电流很大。同时，受限于船舶舱室复杂的空间结构，船舶电力系统的输电线路比较复杂，需要考虑线路的防腐、防水及强度特性等因素。

3）负载变化频繁

船舶电力系统的负载种类多、数量多，负载变化非常频繁，因此，电力系统的工况变化较多，对于电力系统的稳定性有较高的要求。

4）工作环境恶劣

船舶舱室环境温度变化大，海上盐雾等因素会加速电气设备绝缘的老化。此外，船舶航行过程的倾斜、振动等会导致电气设备部件的松动。

2 船舶电力系统的关键元件建模与特性分析 2.1 船舶同步发电机建模

同步发电机作为电力系统的核心，其内部的电磁过程比较复杂，将船舶电力系统的同步发电机简化为图2模型。

简化模型包括发电机的定子、转子、励磁机、自动电压调节器（AVR）等。

本节研究的船舶电力系统采用六相同步发电机，主发电机和应急发电机的关键参数见表1。

六相同步发电机有A/B/C/D/E/F六个绕组和磁链，建立六相同步发电机的磁链方程如下：

$ \begin{split} &{\frac{{{\rm{d}}{\psi _{{\text{A }}}}}}{{{\rm{d}}t}} + r{i_{{\text{A }}}} = {u_A}} ，\\ &{\frac{{{\rm{d}}{\psi _B}}}{{{\rm{d}}t}} + r{i_B} = {u_B}} ，\\ & {\frac{{{\rm{d}}{\psi _C}}}{{{\rm{d}}t}} + r{i_C} = {u_C}} ，\\ & {\frac{{{\rm{d}}{\psi _D}}}{{{\rm{d}}t}} + {r_{}}{i_D} = {u_D}} ，\\ &{\frac{{{\rm{d}}{\psi _E}}}{{{\rm{d}}t}} + {r_{}}{i_E} = {u_E}} ，\\ &{\frac{{{\rm{d}}{\psi _F}}}{{{\rm{d}}t}} + r{i_F} = {u_F}}。\end{split} $

式中： $ {\psi _{{\text{A }}}} $ ， $ {\psi _{\text{B}}} $ ， $ {\psi _{\text{C}}} $ ， $ {\psi _{\text{D}}} $ ， $ {\psi _{\text{E}}} $ ， $ {\psi _{\text{F}}} $ 分别为绕组的磁势； $ {i_{{\text{A }}}} $ - $ {i_{{\text{F }}}} $ 为绕组的电流； $ {u_A} $ - $ {u_F} $ 为绕组的电压；r为电阻。

A/B/C/D/E/F六个绕组之间的感应磁势^[4]按下式计算：

$ \left[ {\begin{array}{*{20}{c}} {{\psi _{ABC}}} \\ {{\psi _{BCD}}} \\ {{\psi _{DEF}}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{L_{s1}}}&{{M_{s1}}}&{{M_{s1}}} \\ {{M_{s2}}}&{{L_{s2}}}&{{M_{s2}}} \\ {{M_{s3}}}&{{M_{s2}}}&{{L_{s3}}} \end{array}} \right]\left[ {\begin{array}{*{20}{l}} {{i_1}} \\ {{i_2}} \\ {{i_3}} \end{array}} \right] 。$

式中： $ {M_{s1}} $ ， $ {M_{s2}} $ ， $ {M_{s3}} $ 为自感系数； $ {L_{s1}} $ ， $ {L_{s2}} $ ， $ {L_{s3}} $ 为互感系数； $\left[ {\begin{array}{*{20}{l}} {{i_1}} \\ {{i_2}} \\ {{i_3}} \end{array}} \right]$ 为绕组的感应电流。

2.2 船舶电力系统的逆变器建模与特性分析

逆变器在船舶电力系统中起到电压与电流调制的作用，使电力系统发电机的电压与电流与负载适配，逆变器的设计过程关注以下方面：

1）船舶电力系统运行的额定功率、额定电压等常规参数；

2）船舶电力系统的拓扑结构，有助于提高逆变电路自身的结构参数，保障电网安全性；

设计的船舶电力系统逆变器电路如图3所示。

逆变器电路的输入侧功率 ${Q_0}$ 和输出侧功率 ${P_0}$ 满足下式：

$ \begin{split} & {P_0}{{ = }}\frac{{{V_0}E\sin \left( {{\delta _{in}} - {\delta _{out}}} \right)}}{{wl}} ，\\ & {Q_0} = \frac{{{V_0}\left( {{V_1} - E} \right)\cos \left( {{\delta _{in}} - {\delta _{out}}} \right)}}{{wl}} \end{split}。$

式中： ${V_0}$ 为输出电压； ${\delta _{out}}$ 为输出电压的相位角； $E$ 为电力系统网络的电压幅值； ${\delta _{in}}$ 为输入电压的相位角； $w$ 为船舶电力系统交流电的频率； $l$ 为逆变器电路的等效电感。

3 基于神经网络的船舶电力系统故障诊断技术 3.1 船舶电力系统的电网稳定性计算

使用贝叶斯算法^[5]进行船舶电力系统的电网稳定性计算，贝叶斯算法通过计算系统的故障概率来描述系统的运行稳定性，用概率密度函数表示系统故障与原因的关系。

首先，将船舶电力系统的熵值变化过程定义为：

$ \Delta S{\text{ = }}{d_{in}}S + {d_{out}}S。$

式中： $ {d_{in}}S $ 为船舶电力系统内部原因导致的熵值变化， $ {d_{in}}S > 0 $ ； $ {d_{out}}S $ 为船舶电力系统外部原因导致的熵值变化，使系统保持稳定的条件为：

$ {d_{in}}S < {d_{out}}S ，$

根据贝叶斯算法将船舶电力系统划分为n个区域，将电力系统整体的故障概率定义为：

$ {P_0} = \frac{{{p_i}}}{{\displaystyle\sum\limits_i^n {{p_j}} }} 。$

式中， $ {p_i} $ 为某个区域出现故障的概率，电力系统的熵值计算为：

$ {S_z} = \sum\limits_{i = 1}^n {{P_0}} \log ({p_i}) 。$

采集一段时间内船舶电力系统熵值的变化曲线如图4所示。

定义船舶电力系统的故障节点集为：

$ u = \left( {{x_1},{x_2},\cdots,{x_n}} \right)，$

可得船舶电力系统的故障概率公式：

$ P\left( {\left. {{c_k}} \right|{x_1},{x_2},\cdots,{x_n}} \right) = \frac{{P\left( {{c_k}} \right)}}{{P\left( {{x_1},{x_2},\cdots,{x_n}} \right)}}。$

式中： $ {c_k} $ 为电力系统当前的故障。

3.2 基于神经网络的船舶电力系统故障诊断研究

本文研究一种基于BP神经网络算法^[6]的船舶电力系统故障诊断技术，整个流程如下：

1）BP神经网络的初始化

定义BP神经网络的权值、输入层神经元个数、迭代次数、神经元的临域 $ {S_i}\left( t \right) $ 等初始参数。

2）定义输入层向量

$X = {\left( {{x_1},{x_2},\cdots{x_n}} \right)^{\rm{T}}}$ ， $ {x_1},{x_2},\cdots{x_n} $ 为故障节点。

3）计算神经网络输出层神经元的距离

如下式：

$ d = \sqrt {\sum\limits_{i = 1}^m {{x_i}\left( t \right) - {\delta _i}{{\left( t \right)}^3}} } 。$

其中， $ {\delta _i}\left( t \right) $ 为第i个神经元的权值。

4）神经元的权值修正

$ {\delta _{ij}}\left( {t + 1} \right) = \left\{ {\begin{array}{*{20}{c}} {{\delta _i}\left( t \right) + f\left( t \right)\left[ {{x_i}\left( t \right) - {\delta _i}\left( t \right)} \right]，\;i \in {S_i}\left( t \right)} ，\\ {{\delta _i}\left( t \right)，\;\;\;\;i \notin {S_i}\left( t \right)} 。\end{array}} \right. $

其中， $ f\left( t \right) $ 为学习函数。

确定电力系统的故障类型并输出。

基于BP神经网络的电力系统故障诊断流程如图5所示。

3.3 船舶电力系统故障诊断系统开发

结合BP神经网络算法原理，在Visual C#中^[7]创建船舶电力系统故障诊断平台，设计过程包括：

1）诊断平台的控件添加；

2）故障诊断系统的知识库编写；

3）事件处理程序开发；

4）状态参数显示界面开发。

图6为船舶电力系统故障诊断系统的电流与功率谱显示界面。

4 结　语

本文针对船舶电力系统的故障诊断进行深入研究，分别从电力系统结构、关键部件建模分析、基于神经网络的故障诊断方法和平台开发等方面进行阐述，对于改善船舶电力系统故障诊断效果有一定的意义。