[发明专利]基于改进GA-PSO-BP的船舶短路故障诊断方法

说明书

本发明提供一种基于改进GA‑PSO‑BP的船舶短路故障诊断方法，包含步骤：S1、采集船舶电力系统短路时的三相电压信号，建立训练数据集和测试数据集；S2、建立三层BP神经网络模型；S3、建立表示BP神经网络模型的粒子群；S4、将粒子位置赋予BP神经网络模型，将训练数据集输入BP神经网络进行船舶短路故障诊断，得到诊断结果计算诊断结果的误差值，当误差值大于ε或迭代次数未达到g_max，迭代次数加1并进入S5，否则结束迭代，进入S7；S5、更新粒子速度和粒子位置；S6、交叉变异粒子位置，更新粒子为下一代粒子；重复步骤S4～S6；S7、将粒子群的全局最优值作为最优粒子赋予BP神经网络模型；S8、将测试数据集输入BP神经网络模型模型，诊断船舶短路故障。

技术领域

本发明涉及智能控制领域，特别涉及一种基于改进GA-PSO-BP的船舶短路故障诊断方法。

背景技术

船舶电力出现故障时对船舶航行安全性危害很大。随着航行里程与年限的增加，船舶电力系统线路绝缘损坏愈发严重，短路故障成为影响船舶电力安全最重要的故障类型。为保证供电安全及质量，需要在故障产生初期尽可能短的时间诊断并切除故障，因此有必要建立一个高效的诊断系统来应对复杂的船舶电力系统。

当前造船技术突飞猛进，船舶规模越来越大，航行设备以及电气设备的规模也随之增大，这也直接复杂化了船舶的电力系统，因此船舶的故障也逐渐呈现出多种类型并发的特点，故障复杂性和诊断难度大幅度提升。由于潮湿的环境和独立的系统工作状况，在船舶电力系统的众多故障中，短路故障占比最高。现有技术中，通过RBF(Radial basisfunction径向基函数)神经网络、BP(Back Propagation反向传播)神经网络以及PSO(Particle Swarm Optimization粒子群优化算法)等来诊断船舶电力系统短路故障。

现有技术中，BP算法需要依赖初始权值的选择，不可避免的存在收敛速度慢、容易陷入局部最优、误差函数必须可导等缺陷。通过BP算法训练神经网络的输出具有不一至性和不可预测性，导致其训练的神经网络的可靠性降低。RBF神经网络的诊断精度虽高于BP神经网络，但是RBF网络结构庞大，运算量增多，这不利于诊断的及时性。GA(遗传)算法、PSO算法能较好地逼近全局最优解，可以很好的用于神经网络学习。但是传统GA算法的遗传操作，如选择、交叉、变异等，使神经网络的训练时间随问题的规模及复杂程度呈指数增长。而且，由于缺乏有效的局部区域搜索机制，算法在接近最优解是收敛缓慢甚至出现收敛停止现象。PSO算法是基于群体智能理论的优化算法，通过种群中粒子间的合作与竞争产生的群体智能知道优化搜索。它根据自己的速度来决定搜索，可以记忆所有例子都共享的迄今为止问题的最好解，其收敛速度比较快。在非线性函数优化、电压稳定性控制、神经网络训练中都得到了很好的应用。PSO优化BP神经网络能动态调整BP的权值和阈值，收敛效果显著。但随着迭代次数增加，粒子种群的多样性遭到破坏，容易使粒子趋向统一化，也容易陷入局部最优。基于GA-PSO优化BP神经网络，粒子群的惯性权重和学习因子为固定值，不能使粒子更好的搜索到目标。

发明内容

本发明的目的是提供一种基于改进GA-PSO-BP的船舶短路故障诊断方法，通过优化改进粒子群算法中的惯性权重和学习因子，使得惯性权重和学习因子在迭代过程中逐步减小，保证了粒子在搜索初期快速探测到更好的位置，同时保证了粒子在搜索后期的搜索精度，并使粒子摆脱了趋于局部最优。本发明还通过自适应的交叉概率和变异概率控制粒子位置交叉变异，产生新一代粒子群，保证了粒子种群维持多样性，同时使得本发明的改进遗传粒子群算法具有更好的收敛精度和更快的收敛速度。

为了达到上述目的，本发明提供一种基于改进GA-PSO-BP的船舶短路故障诊断方法，包含步骤：

S1、采集模拟环境下船舶电力系统短路时的三相电压信号作为样本数据；对所述样本数据进行小波包分解，得到样本数据在多个频段下的滤波重构信号；选取能量值高的频段下的滤波重构信号，建立训练数据集和测试数据集；