0 引　言

舰船电力系统是舰船正常运行的重要组成部分，继电保护设备是保护舰船综合电力系统能够稳定运行的关键设备之一^[1]。继电保护设备能够迅速、高效、有选择性地将故障从舰船综合电力系统中中断^[2]，将故障限制在一个很小的区域，避免由于故障产生的连锁反应导致整个舰船的综合电力系统出现瘫痪。继电保护设备通过预先设定的一些定值，在舰船综合电力系统出现超出定值的情况，继电保护设备会快速地发出警报或者跳闸，从而保护综合电力系统的安全。在这种情况下对于舰船的综合电力系统继电保护的定值校核便非常重要，综合电力系统继电保护的定值校核是保证舰船电力系统平稳运行的关键步骤。

对于电力系统的继电保护定值校核也有许多学者进行了研究，韩学军^[3]提出了一种定值校核方法，为了能够将电网中的关键成都进行区分构建了有功和无功的潮流熵模型，之后计算电力系统线路的冲击度指标，根据该指标可以计算出电力系统线路的冲击保护能力，最后将潮流熵、冲击度和电网结构、状态等信息输入模型之中，得到继电保护定值校验序列，完成电力系统的继电保护定值校核。常俊晓等^[4]提出的继电保护定值校核方法，以图像作为基础，通过采集定制单的图像信息，并进行图像增强获取定制单内的定值信息，根据采集的定制信息建立数据库，将信息存储值数据库内，在进行定值校核时提取设备数据完成电力系统继电保护的定值校核。

然而，上述方法虽能够完成继电定值校核，但是也存在着一定的缺点。潮流熵模型的计算量极大，需要十分强大的CPU以及GUP才能够完成继电保护定值校核，因此该方法的实用性较差。利用图像进行定值校核是一种传统的离线方法，需要使用人工进行逐一排查，定值校核的时间以及效率十分地低因此难以保证时效性。

1 舰船综合电力系统继电保护定值校核 1.1 基于SOM聚类的方式挖掘电力系统运行数据

船舶综合电力系统是一个庞大的电力系统，除了定值静态属性外，还有实时产生的大量动态数据，这些大量的动态数据存在着一定的规律，因此本文利用自组织映射（Self-Organizing Map，SOM）聚类的方式挖掘电力系统运行数据。

1.1.1 SOM算法

SOM可以理解为是一种简单的神经网络，具有无监督学习的能力，神经元会与输入的舰船综合电力系统数据进行比较，从而改变聚类的输出结果，并且每一次的输出结果都是唯一的。以输入电力系统动态数据为基准^[5]，通过加权值使输出电力系统运行数据逐渐收敛，直至全部的电力系统运行数据输出结果完成汇集。

SOM神经元模型中的input为舰船综合电力系统数据向量，用$ I = \left\{ {{i_m}\left| {m = 1,2, \cdots ,k} \right.} \right\} $表示，$ m $代表向量$ I $的维度。通过输入数据与神经元进行比较，获胜的神经元来到下一层，即output层。进入到output层的神经元$ n $的加权值可表示为：$ {W_n} = \{ {\omega _{mn}}| m = 1,2, \cdots ,k; n = 1,2, \cdots ,d \} $，$ d $为在当前output层中神经元的数量。根据input层中向量$ I $与加权值即可计算出欧氏距离：

$ {d_n}\left( I \right) = \sum\limits_{m = 1}^k {{{\left( {{i_m} - {\omega _{mn}}} \right)}^2}}，$

(1)

式中，$ {\omega _{mn}} $为SOM网络的input层中$ m $维向量与output层中第$ n $个结果的连接权重。

通过式（1）可求出$ {d_n}\left( I \right) $最小时所对应的神经元。以该神经元为标准，通过调整该神经元的加权值，可以确定SOM网络中input层的舰船综合电力系统继电保护数据向量的自适应近似性。

SOM网络中的output层对于输出结果具有直接影响。若output层中神经元数量过少会导致舰船综合电力系统继电保护数据分类不准确^[6]；反之会出现分类时出现过多无效节点。因此，需要准确计算output层的神经元输出数量：

$ d = {n_c} + a{s_0} + b 。$

(2)

式中：$ a $为$ {s_0} $的影响因子；$ {s_0} $为SOM网络的初始节点数量；$ {n_c} $为聚类的个数；$ b $为调节因子其取值范围为$ 0 < b < {n_c} $。

SOM连接加权值的更新，需要根据加权值的变化确定，加权值改变后新的连接加权值公式为：

$ {\omega '_{mn}} = N\left( t \right) \cdot {R_m}\left( t \right) \cdot \left( {{i_n} - {\omega _{mn}}} \right) \cdot d 。$

(3)

式中：$ {R_m}\left( t \right) $为加权值搜索空间；$ t $表示学习的轮数；$ N\left( t \right) $为学习效率。

随着学习次数的增加，最终舰船综合电力系统继电保护数据的聚类输出结果逐渐稳定^[7]，因此，后续的学习效率应逐渐下降。

SOM算法训练过程如下：

步骤1　在SOM的输出层中设定初始权值以及训练结束条件，训练结束条件一般为确定的迭代次数或者两次训练结束后的权值误差限。

步骤2　在舰船综合电力系统训练数据集中选择一个样本$ x $，使用式（1）计算出样本中数据输出节点最近的样本，距该样本最近的节点便是最匹配节点，使用$ {m_c} $表示。

步骤3　使用公式（3）对权值进行更新，

步骤4　完成训练则结束循环，否则转至步骤2。

1.1.2 优化SOM聚类挖掘过程

虽然SOM聚类具有自适应确定聚类数目、网络结构简单、对数据噪声不敏感多种优点，但是SOM聚类也存在网络结构固定、不能充分利用全部神经元、计算量大的缺点。针对这些问题，本文对传统的SOM聚类方法进行了优化，建立基于部分失真的SOM聚类算法。

传统的SOM聚类由于使用了全失真搜索导致算法计算量极大，影响SOM聚类输出结果的速度，改进后的部分失真SOM聚类并不像原始SOM聚类，在计算全部舰船综合电力系统数据的向量维度后再进行比较，而是选择早期拒绝不可能的候选神经元策略，计算连接权向量后判断当前最小欧氏距离与该向量的欧氏距离大小，再决定是否继续计算。这种方式可以尽早去除多余神经元，极大程度降低电力系统运行数据聚类过程中的计算量。

在SOM聚类中使用部分失真算法。主要是在计算一个神经元的连接权向量以及输入向量间失真过程是否小于当前最小失真值，如果小于则停止计算当前神经元，计算下一输出神经元。经过不断的计算后，最小累计失真为$ {d_{\min }} $，过程为：

步骤1　假定当前失真值为最小失真值，即$ {d_{\min }} = d\left( {I,{\omega _i}} \right) $。

步骤2　计算连接连接权向量与输入电力系统数据向量的维度。

步骤3　判断累加部分的失真与当前最小失真的大小。

部分失真法的具体流程如图1所示。利用优化后的SOM聚类算法，挖掘电力系统运行数据，过程如下：

步骤1　初始化。设置初始学习速率$ N{\left( t \right)_0} $，学习速率取值范围为：$ 0 < N{\left( t \right)_0} < 1 $。设置学习轮数$ t $以及初始邻域。参数设置完毕后再对连接向量权值进行赋值。连接向量权值与输入节点和输入向量维数的值相同。

步骤2　接收输入。选择学习模式，并将该模式作为输入向量给SOM的输入层。

步骤3　寻找获胜节点。使用部分失真方法，计算连接向量的权值$ {\omega _j}\left( {j = 1,2, \cdots ,M} \right) $与舰船综合电力系统运行数据输入向量的距离。

步骤4　调整参数，更新连接权值。

步骤5　当达到循环条件或达到循环次数上限输出电力系统运行数据聚类结果，否则跳转至步骤2继续学习。

1.2 继电保护定值校核

通过1.1节的大数据挖掘技术，获取电力系统运行数据，并结合故障计算结果，依据提前设置的校核规则完成继电保护定值校核。Ward等值是一种静态等值，从数学来看该等值方法是代数方程的高斯消法。对于故障计算来说，仅需要关心电网的一个部分从而可以极大程度降低计算量提高效率。

Ward等值计算是将舰船综合电力系统划分为三部分，分别是节点集、边节点集以及外部节点集，然后利用高斯消去外部节点集。在此基础上，设计相间距离保护Ⅰ段校核、相间距离保护Ⅱ段校核2种方式：

1）相间距离保护Ⅰ段校核：在故障状态下，相间距离保护Ⅰ段需要以速断保护作为故障保护方式，同时为了防止当前等级电路发生无选择性动作的问题，要确定保护范围小于当前等级线路的范围，也就是相间距离保护Ⅰ段整定值与阻抗比小于1。

$ {K_1} = \frac{{{X_{DZ1}}}}{{{X_1}}} < 1 。$

(4)

式中：$ {X_{DZ1}} $为相间距离保护Ⅰ段的定值；$ {X_1} $为线路阻抗。

为保证灵敏性，相间距离保护Ⅰ段需要设定舰船综合电力系统继电保护定值的下限，即$ {K_1} $的下限。

2）相间距离保护Ⅱ段校核

为防止相间距离保护Ⅰ段出现意外，需要有相间距离保护Ⅱ段校核为Ⅰ段提供近后备保护，同时也为下级设备提供远后备保护。由于需要提供两种保护，因此对于定值校核需要从近/远后备保护两方面完成。

近后备保护校核公式为：

$ {K_2} = \frac{{{X_{DZ2}}}}{{{X_1}}} \geqslant 1.5，$

(5)

式中，$ {X_{DZ2}} $为线路保护定值。

远后备保护校核公式为：

$ {K_3} = \frac{{{X_{DZ3}}}}{{{X_l} + {K_{b.\max }}{X_{next}}}} \geqslant 1.2 。$

(6)

式中：$ {K_{b.\max }} $则是舰船综合电力系统继电保护的最大分支系数；$ {X_{next}} $表示舰船综合电力系统继电保护相邻设备阻抗值。

综上所述，本文方法实现继电保护定值校核的详细过程如下：

步骤1　综合电力系统分块。使用节点撕裂法将舰船综合电力系统进行分块。

步骤2　Ward等值。在综合电力系统分块后，分别结算每一块的Ward等值。

步骤3　分块结果下发。将分块后的数据分配计算机准备计算。

步骤4　故障计算。结合大数据挖掘出的舰船综合电力系统的运行数据以及结合Ward等值进行故障计算，根据计算结果和校核规则确定校核值。

步骤5　收集结果。将计算结果进行收集。

步骤6　输出结果。将收集的结果进行整合，形成定值校核结果并输出。

2 实验与结果分析

选择一艘货轮进行综合电力系统继电保护定值校核实验，该舰船的参数如表1所示。

利用SOM聚类的方式，对舰船综合电力系统运行数据的挖掘效果，如图2所示。

可以发现，舰船综合电力系统运行数据的规律并不直观明了。为了深入探索这些数据，需要借助先进的数据挖掘技术。本文选用的SOM聚类方法在此背景下尤为适用。SOM方法可以将复杂的数据集进行有效的分类，且形成的聚类簇具有较高的密度，使得分类效果十分显著。这种方法的采用不仅提升了数据分析的深度，更为后续舰船电力系统的继电保护定值校核提供了数据支撑。这种基于大数据的挖掘策略有助于更全面、细致地了解舰船电力系统的运行特性，进一步保障舰船的安全稳定运行。

为进一步验证本文的继电保护定值校核的效果，在舰船电力综合系统中随机选择6条继电保护电路进行继电定值保护结果，6条电路的数据如表2所示，继电保护定值校核结果如表3所示。

分析表3可知，通过本文方法的定值校核，能够准确判断出当前舰船综合电力系统的电路状态是否正常。通过实时监测和数据分析，可以及时发现电路中的异常情况，并迅速进行故障定位和隔离，确保舰船的航行安全。不仅提高了舰船电力系统的可靠性，还为舰船的安全航行提供了坚实的保障。

3 结　语

舰船综合电力系统的继电保护装置在保障系统稳定运行中起着至关重要的作用，其保护性能直接关联到定值的准确性。通过对舰船综合电力系统运行时的大数据挖掘，能够深入探索其中的规律，并将其有效应用于定值校核中。实验证明，这种方法具有实用性和可靠性。

精确的定值校核对于保护舰船综合电力系统、确保舰船的顺利航行具有不可估量的价值。它不仅提高了电力系统的稳定性，还为舰船的安全运行提供了坚实的支撑。因此，这种方法对于保障舰船的综合电力系统正常运行、推动舰船行业的持续发展具有重要的现实意义。