LNG船电力系统故障检测的仿真研究

《LNG船电力系统故障检测的仿真研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第31卷第12期计算机仿真2014年12月文章编号：1006—9348(2014)12—0446—05LNG船电力系统故障检测的仿真研究包艳，施伟锋(上海海事大学物流工程学院，上海201306)摘要：研究电力推进LNG船电力系统故障有效识别的问题。LNG船电力系统中含有大功率推进电机，其随机变化易造成电力系统故障，产生的故障暂态信号蕴含大量噪声，具有随机、非平稳的特点。传统方法不能有效提取这类故障信号特征，故障检测准确度低。为解决上述问题，提出了一种基于聚类经验模型分解(EnsembleEmpiricalMo

2、deDecomposition，EEMD)的希尔伯特一黄变换(Hilbea—HuangTransform，HHT)故障检测方法。首先，将故障时刻的电网电压信号进行EEMD分解，得到固有模态函数分量；然后，将上述分量的希尔伯特边际谱进行时频分析，提取较为准确的故障特征信息。仿真结果表明，HHT方法能弥补传统信号分析方法的不足，最大限度的抑制噪声和保留故障信号特征，提高故障检测准确率。关键词：电力推进船；特征抽取；聚类经验模型分解；希尔伯特一黄变换；故障诊断中图分类号：TM743文献标识码：BOnSimulati

3、onofFaultSignalDetectionforElectricPowerSystemsinLNGCarriersBAOYan，SHIWei—feng(LogisticsEngineeringCollege，ShanghaiMaritimeUniversity，Shanghai201306，China)ABSTRACT：RandomchangesofhighpowerloadsinLNGcarrierspropulsionmotorswillcauseelectricpowersys·temfaults

4、andevenleadtothesystemcrashes，andthefaulttransientsignalsareoftenrandomandnon—stationary．Traditionalfaultdetectionmethodscannotaccuratelyextractthesekindsoffaultfeatures．BasedontheEnsembleEm—piriealModeDecomposition(EEMD)，anewfaultdetectionmethodofHilbert—H

5、uangTransform(HHT)ispresen—tedforelectricpowersystems．ThevoltagesignalisdecomposedbyEEMDatthetimeoffailure，andtheIntrinsicModeFunction(IMF)isobtained．ByanalyzingtheHilbertspectrumoftime—frequency，thefaultfeatureinforma—tioncanbeextractedaccurately．Simulatio

6、nresultsshowthattheproposedmethodcanmakeupfordeficienciesinthetraditionaldetectionmethods，suppressnoise，reservethefaultsignalfeature，andimprovetheaccuracyoffaultdetec—tion．KEYWORDS：Electricpropulsionship；Featureextraction；Ensembleempiricalmodedecomposition；

7、Hilbert—huangtransform(HHT)；Faultdetection1引言随着技术的进步，电力推进方式已成为中型LNG(液化天然气)船动力方案的主流，这使得船舶电力系统因涉及主动力系统，其容量日趋增大，结构也日趋复杂，故障发生概率大。如何对这种具有大功率负荷的电力系统进行快速而准确的故障诊断，保证行船的安全，成为亟待解决的问题。基金项目：高等学校博士学科点专项科研基金(20123121110003)；上海市教委科研创新重点项目(12ZZl55)收稿日期：2014—06—30修回日期：2014—

8、08—12----——446----——当LNG船电力系统发生故障时，故障特征最明显的表现为电压、电流等电气量的动态变化，如推进电机堵转，会引起电力系统电压的幅值和频率突变。这种故障信号属于瞬变、非平稳随机信号，蕴含有丰富的故障特征。但又因LNG船电力系统负荷容量大，设备集中且相互干扰大等特点，这些故障信号常常淹没于强背景中，是一种微弱信号，其特征的有效提取显得尤为困难。目前故障信号特征提取的方法有