0 引　言

舰船作为海上活动的关键平台，其电力系统的稳定性和效率直接关系到舰船的航行安全、作战效能以及人员生活质量^[1]。然而，由于舰船电力系统的复杂性导致数据量庞大且类型多样，包括实时监测数据、历史数据、故障记录等，因此需要从海量数据中挖掘出有价值的信息和知识^[2]，揭示电力负荷的变化规律、设备运行状态以及潜在故障模式等关键信息，为舰船电力系统的维护、管理和优化提供科学依据和技术支持。同时，通过对用电数据的深入挖掘，还可以实现对电力系统性能的实时监测和预警，及时发现并解决潜在问题，提高能源利用效率，降低运营成本。

近年来，大量学者和专家对用电数据挖掘开展大量的研究和实践工作。易庚等^[3]利用迁移学习算法在历史电力数据或不同地区、不同时间段的电力数据中，提取有用特征和信息，并将其应用于新的用电数据挖掘任务中。迁移学习无法完全捕捉到目标任务中的特定特征表示，会限制模型在新任务上的性能。张悦等^[4]通过同时考虑数据点在同一类别内的相似性和不同类别间的差异性，自动识别用电模式，将相似的用电行为归类。由于依赖于特定的特征表示和相似性度量方法，该方法的模型泛化能力可能受到限制。柳劲松等^[5]通过对每日电力负荷数据进行记录和分析，形成日负荷曲线，进而识别并挖掘出具有相似特征的用电模式。该方法依赖于日负荷曲线的形状和特征来识别用电模式，无法捕捉到更细微的用电行为变化。盛锦超等^[6]通过考虑分类型数据的有序特性，提出基于概率分布的加权有序距离度量方法，缓解距离计算重叠问题。通过结合柯西核函数，在共享最近邻密度峰值聚类算法的基础上重新评估数据密度值，更有效地识别不同用电模式，将具有相似用电特性的数据点归类到同一簇中。该方法特别适用于分类型数据，并考虑数据的有序特性。然而，对于其他类型的数据（如连续型数据），该方法的适用性可能受到限制。

深度学习算法中门控循环单元（GRU），能够捕捉到序列中相隔较远信息之间的联系，更好地理解上下文信息，适用于分析舰船用电数据中的长期趋势和周期性变化。为解决电力负荷预测、用电模式识别、故障预警与诊断以及能源效率优化等关键问题，设计了基于深度学习算法的舰船用电数据挖掘方法，并分析其性能。

1 舰船用电数据挖掘 1.1 舰船用电数据挖掘的总体架构

舰船电站是全船电力供应的中枢系统，其核心发电任务主要由发电机组承担，蓄电池作为备用电源或辅助能源，都发挥着不可或缺的作用。配电装置涵盖主配电板、应急配电板等关键部件，负责调控电力输出，保护电路，实时监控，并根据需求灵活分配电力^[7]。舰船电网负责将电能输送到全船各处，根据功能被划分为动力和弱电等多个电网，分别满足船舶推进和日常用电等运行需求。负载，即舰船上的用电设备，是电能的最终使用者。从甲板机械到照明设备，从电加热装置到通信导航设备，共同维持舰船的正常运营和船员的生活需求。通过上述分析了解到，舰船电站及其配电装置、电网和负载是构成舰船电力系统的基本框架。为此，利用深度学习算法进行舰船用电数据挖掘，舰船用电数据挖掘的总体架构如图1所示。

舰船用电数据挖掘各功能模块具体描述如下：

1）间隔层作为整个舰船用电数据挖掘架构的底层基础，与舰船各类用电相关设备紧密相连。在舰船电站方面，包含不同类型的发电机组，如柴油发电机组、燃气轮机发电机组等，这些机组在运行过程中会产生复杂多样的电气参数；蓄电池作为重要的储能设备，其充放电状态、端电压、内阻等数据对于评估舰船电力系统的稳定性和备用电源的可靠性至关重要。配电装置中主配电板是舰船电力系统的核心枢纽，负责对电能进行集中分配和控制，其输出的各路电流、电压的均衡性、谐波含量等数据能直接反映配电系统的健康状况；应急配电板则在紧急情况下保障关键设备的电力供应，其切换逻辑和运行参数也是重要的监测对象。舰船电网中的动力电网为推进系统、各种动力机械设备提供电能，其负载特性具有动态变化大、功率需求高的特点，相应的电流、功率因数等数据对于分析动力系统的能效和稳定性意义重大；照明电网虽然功率相对较小，但分布广泛，其用电数据的采集有助于优化照明系统的能源管理。舰船用电设备中通信导航设备对于供电的稳定性和电能质量要求极高，其供电回路的电压暂降、频率偏差等数据直接影响设备的正常运行；甲板机械如锚机、绞缆机等，在工作时呈现出周期性的负荷变化，其电流、有功功率和无功功率的波动情况能反映设备的工作状态和负载特性。间隔层通过用电数据采集终端，从这些设备中实时采集原始用电数据，为上层的数据处理提供丰富且基础的素材。

2）数据产生层负责将间隔层采集的原始用电数据转换为标准格式的用电数据，如电压值、电流值、有功功率等电能质量相关数据，以及开关量信息等其他物理量。这些数据是进行后续分析的关键数据来源。

3）数据交换层通过通信网络连接数据产生层，接收整理后的舰船用电数据，并将其传输至数据挖掘层。

4）数据挖掘层获取传输过来的舰船用电数据并存储在用电数据仓库中。利用深度学习算法中的GRU，针对电能质量分析、负荷预测、故障诊断、能量管理等需求，对用电数据仓库中的数据进行深度挖掘和分析，挖掘数据背后隐藏的规律和特征，为舰船用电管理和优化提供科学、可靠的决策支持，提升舰船电力系统的安全性、稳定性和能源利用效率。

1.2 舰船用电数据采集终端

间隔层利用用电数据采集终端，实时采集舰船电站、配电装置、舰船电网与舰船用电设备的原始用电数据。该用电数据采集终端的结构如图2所示。在舰船用电环境中，电压和电流信号易受各种电气干扰，通过电压检测滤波电路、电流检测滤波电路，检测舰船电站、配电装置、舰船电网和舰船用电设备中的电压和电流信号，并滤波去除干扰信号，得到相对纯净的电压、电流原始信号。经放大电路处理后，由多路转换开关按序传至微处理器，实现分时采集。功率因数检测电路用于检测舰船电站、配电装置、舰船电网和舰船用电设备中的功率因数，帮助分析舰船电力系统的能效情况。锁相环频率跟踪电路负责实时跟踪舰船电网频率的变化。微处理器作为舰船用电数据采集终端的核心，接收来自多路转换开关的电压、电流信号，以及功率因数检测电路、锁相环频率跟踪电路等的信号，对这些舰船用电数据进行处理、分析和存储，控制整个采集终端的运行。EEPROM用于存储微处理器处理后的舰船用电数据以及采集终端的配置参数等信息，在断电后数据不会丢失，方便后续查询和调用，也可用于历史数据的分析和故障追溯。通信接口负责实现用电数据采集终端与数据产生层的通信连接，将采集和处理后的舰船用电数据传输到数据产生层，以便进行进一步的数据挖掘。

1.3 基于LSTM的舰船用电数据挖掘

数据挖掘层根据电能质量分析、负荷预测、故障诊断、能量管理等需求，利用GRU在数据交换层传输的原始舰船用电数据内，捕捉序列中相隔较远信息之间的联系，挖掘舰船用电数据规律特征，为舰船用电管理优化提供决策支持。利用GRU进行舰船用电数据挖掘的计算。将实时采集的舰船用电数据输入GRU模型。计算流程如下：

更新门$ {q_t} $ 决定过往舰船用电数据对当前时刻隐藏状态的影响程度，计算公式为：

$ {q_t} = \sum\limits_{i = 1}^N {{w_q}x_t^i + {w_q}{y_{t - 1}}} 。$

(1)

式中：$ N $为舰船用电数据样本数量；$ t $为时刻；$ x_t^i $为实时采集的第个舰船用电数据。

更新门的输出值 $ y_q^t $通过激活函数$ \varphi $ 对更新门 q_t进行非线性变换得到。输出值表示当前时刻隐藏状态中有多少比例来自于前一时刻的隐藏状态。计算公式为：

$ y_q^t = \varphi \left( {{q_t}} \right) 。$

(2)

重置门$ {g_t} $ 是当舰船用电模式改变时，决定历史用电信息对新的用电分析的干扰程度。当舰船用电模式改变，如从巡航模式切换到作战模式，用电设备开启情况变化，决定巡航模式下用电信息对作战模式用电分析的干扰程度；计算公式为：

$ {g_t} = \sum\limits_{i = 1}^N {{w_g}x_t^i + {w_g}{y_{t - 1}}} 。$

(3)

重置门的输出值$ y_q^t $同样是通过激活函数 φ对 g_t进行非线性变换得到。输出值表示当前时刻隐藏状态中有多少比例是来自于当前时刻的输入。负责存储不同用电设备组（如动力系统、照明系统）的用电特征，反映舰船电力系统的局部状态。公式为：

$ y_g^t = \varphi \left( {{g_t}} \right)。$

(4)

隐藏单元$ {c_t} $负责存储不同用电设备组的用电特征，反映舰船电力系统的局部状态。计算公式为：

$ {c_t} = y_g^t\sum\limits_{i = 1}^N {{w_c}x_t^i + {w_c}{y_{t - 1}}}。$

(5)

新记忆单元$ {\hat y_t} $计算的更新结合前一时刻的隐藏状态和当前时刻的输入。融合当前新用电数据（如设备启动瞬间的电流冲击数据）和历史隐藏单元信息，是对舰船电力系统当前状态更全面的描述。计算公式为：

$ {\hat y_t} = \varphi \left( {{c_t}} \right)。$

(6)

最终输出值 y_t结合当前新记忆单元和前一时刻输出得到的。更新门的输出值 y^t_q来加权当前新记忆单元和前一时刻输出。将隐藏状态作为模型的输出，或者通过额外的线性层将隐藏状态转换为具体的任务输出。

$ {y_t} = \left( {1 - y_q^t} \right){\hat y_t} + {y_{t - 1}} 。$

(7)

2 实验分析 2.1 实验准备

本文旨在验证深度学习算法在舰船用电数据挖掘中的有效性，通过实时采集、分析舰船电力系统的用电数据，为舰船用电管理优化、故障诊断及负荷预测提供决策支持。以某型舰船为实验对象，该舰船的基本参数如表1所示。

在舰船电力系统模拟短路故障的工况下，利用高精度传感器实时采集发电机组的电压、电流数据。采用长短期记忆网络的深度学习模型，结合卷积神经网络进行特征提取。采集的原始数据按7∶3比例划分为训练集与测试集，训练过程采用交叉验证优化模型参数。以决定系数和均方误差作为评估负荷预测精度的指标，以故障诊断准确率作为验证模型性能的标准。

2.2 结果与分析

当该舰船电力系统的发电机组出现短路故障时，根据故障诊断需求，利用本文方法实时采集该舰船电力系统的用电数据，原始舰船用电数据采集结果如图3所示，以发电机组的电压与电流数据为例。分析可知，本文方法可有效实时采集发电机组的电压与电流数据。在0～3 s和7～10 s ，发电机组电压大概在± 8 kV之间高频波动；在3～7 s，电压出现明显下降趋势，说明此时间段内发电机组电压有较大变化，可能处于过渡或异常工作状态。在0～3 s，电流数值较小且波动幅度低，维持在接近0 A 的水平；在3～7 s，电流快速增大，波动幅度也显著增加；在7～10 s，电流又快速减小，逐渐恢复到接近初始的较小波动状态。

根据发电机机组故障诊断需求，利用本文方法进行舰船用电数据挖掘，挖掘结果如图4所示。分析可知，本文方法可有效挖掘发电机组的电压与电流数据规律特征。在运行初期，发电机组的电压保持在稳定水平，表明其处于正常工作状态。当运行至约3 s时，电压出现快速下降的情况，结合发电机组的运行原理与实际工况，这种异常的电压骤降极有可能是由于内部电气故障、负载突变或其他相关问题所导致，进而对发电机组的稳定性造成干扰。在大约7 s时，电压迅速回升至正常运行水平，这一现象清晰地表明此时故障已被成功排除，发电机组恢复到正常工作状态。观察发电机组电流的变化情况，在前期运行过程中，电流波动并不明显，处于相对平稳的状态。然而，当运行至约3 s时，电流开始出现大幅度的波动，这与电压下降的时间点相契合，进一步佐证此时发电机组内部发生的异常状况对电流产生显著影响。直到大约7 s时，电流波动趋于平缓，恢复到正常状态，与电压的变化趋势相呼应，也侧面反映出故障排除后机组运行恢复正常。

在不同舰船用电设备负荷预测需求下，利用本文方法进行舰船用电数据挖掘，并将其用于舰船用电设备负荷预测，通过决定系数衡量不同舰船用电设备负荷预测精度，决定系数越接近1，说明预测精度越高，进而本文方法舰船用电数据挖掘效果越佳，结果如图5所示。可知，在不同谐波次数下，本文方法均可有效挖掘动力装置辅机、甲板机械与舱室辅机的用电数据。应用本文方法挖掘的用电数据进行负荷预测后，决定系数随着谐波次数的提升而下降，最小决定系数在0.92左右，与理想值1较为接近，说明负荷预测精度较高，同时也反映出本文方法在用电数据挖掘方面的卓越表现。

3 结　语

本文设计基于门控循环单元的深度学习算法的舰船用电数据挖掘方法，为舰船的能源管理、故障诊断和智能决策等提供有力支持。通过融合多源用电数据，实现了以下创新突破：

在发电机组故障诊断场景中，该方法可实时捕捉电压高频波动（± 8 kV）、电流突变等异常特征，准确识别故障发生（3 s时电压骤降）与恢复（7 s时电压回升）的时间节点，为故障定位提供数据支撑。通过挖掘电压与电流的动态耦合关系，揭示电压骤降与电流波动同步发生的内在关联，验证故障对电力系统的影响，提升故障诊断的准确性。此外，在动力装置辅机、甲板机械与舱室辅机等不同设备负荷预测中，该方法展现强鲁棒性，即使谐波次数增加，决定系数仍维持在0.92以上，证明其跨设备、跨工况的普适性。