混合生物生成-热生成气体聚集:对强塘盆地奎莫库奥地区永冻土气体水合物的源-储层-盖层系统的新认识 张帅 尹建国 史冠忠 庞守记 朱有海 潘卫宏

《Energies》:Mixed Biogenic-Thermogenic Gas Accumulation: New Insights into the Source-Reservoir-Caprock System of Permafrost Gas Hydrate in the Quemocuo Area, Qiangtang Basin Shuai Zhang, Jianguo Yin, Guanzhong Shi, Shouji Pang, Youhai Zhu and Weihong Pan

【字体: 大 中 小 】 时间:2026年05月08日 来源:Energies 3.2

编辑推荐:

  摘要 为了解决由于船舶故障(例如传感器故障、电缆短路等)导致的配电网络状态监测数据中存在缺失、失真、冗余和混乱等非完整数据问题,本文提出了一种改进的优化算法(IPS-SH5N1),该算法基于SH5N1元启发式优化算法,考虑了船舶集成电力系统中非完整信息重建

  摘要 为了解决由于船舶故障(例如传感器故障、电缆短路等)导致的配电网络状态监测数据中存在缺失、失真、冗余和混乱等非完整数据问题,本文提出了一种改进的优化算法(IPS-SH5N1),该算法基于SH5N1元启发式优化算法,考虑了船舶集成电力系统中非完整信息重建的需求。该算法用于优化BPNN的权重和阈值,以实现配电网络中非完整信息的准确重建。IPS-SH5N1-BPNN被应用于2000组船舶集成电力系统的不完整数据样本上进行信息重建验证。结果表明,与BPNN相比,该方法的信息重建准确率(MSE)提高了90%以上;模型训练收敛时间和全局优化时间显著缩短,平均在线单次信息重建时间降至4.45毫秒。该方法具有高精度、快速收敛、强鲁棒性和优异实时性能的核心优势,能够为船舶集成电力系统的智能运行和维护提供可靠的技术支持。

1. 引言
船舶集成电力系统(SIPS)是海洋电力系统的核心发展方向,现已逐步进入第二代中压直流(MVDC)集成电力系统的工程应用阶段。凭借高功率密度、强操作灵活性和显著的节能效果,船舶集成电力系统已广泛应用于各种高性能船舶,包括大型远洋货船,在推动海洋设备升级方面发挥着不可替代的作用。然而,船舶集成电力系统在高温、高湿度、高强度振动和强电磁干扰等恶劣环境中长期运行,受到传感器硬件故障、复杂电磁干扰、通信链路缺陷和恶劣航行条件等因素的影响。这导致了诸如传感器数据缺失、噪声和异常值污染以及结构系统损坏等问题,形成了“未知测量值+未知拓扑结构”的非完整信息场景,严重削弱了数据的完整性和准确性。非完整信息的存在不仅影响系统状态监测的真实性及稳定性分析的可靠性,极端情况下还可能导致系统控制策略失效,引发电力电子设备损坏和关键负载断电等严重安全事故,直接威胁船舶的航行安全[1,2]。
此外,传统的状态估计方法依赖于精确的系统模型和完整的测量数据,难以应对“未知测量值+未知拓扑结构”的极端场景。以反向传播神经网络(BPNN)为代表的数据驱动方法具有强大的非线性拟合能力,但仍存在模型性能对初始权重和阈值等参数敏感以及训练过程中易陷入局部最优解的问题。因此,在非完整信息条件下开展信息重建方法的研究具有重要的理论意义和紧迫的工程应用价值。高效准确的信息重建方法可以实现非完整数据的精确重建和系统状态信息的快速重构,有助于提高船舶集成电力系统的安全可靠运行能力,并促进海洋设备的智能化发展。
为了解决这一问题,本文提出了一种基于SH5N1优化算法(IPS-SH5N1)的信息重建方法,该方法考虑了船舶集成电力系统配电网络的非完整信息重建需求,为处理船舶集成电力系统配电网络的非完整状态信息提供了技术解决方案。
国外相关研究较早开始,形成了从传统状态估计到智能算法集成的一系列研究体系,重点关注算法优化和工程实用性,研究范围已扩展到包含非完整数据的场景[3]。这些方法均源于对通用电力系统状态估计技术的改进。
在传统研究阶段,国外学者主要使用插值方法、卡尔曼滤波及其改进算法来处理数据问题[4,5]。尽管早期的插值方法简单高效,但在处理包含非完整数据的复杂数据场景时存在局限性[6,7];扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)虽然提高了准确性,但在大规模非完整数据情况下仍无法满足工程需求[8,9,10]。
近年来,研究方向转向智能算法的集成。通过粒子群优化(PSO)和遗传算法(GA)等手段优化神经网络等模型参数,提高了重建性能[3,11,12,13,14]。例如,PSO优化的BPNN可以减少重建误差,GA优化的模型能够实现快速重建[15,16],这些方法都借鉴了与电力系统相关的研究范式[11,17]。
在故障传播与信息重建的协调方面,国外学者利用图论建模方法捕捉故障传播路径,并结合贝叶斯网络提高重建的鲁棒性[18,19,20,21,22,23]。同时,也注重工程验证,部分成果已应用于高性能船舶[3,24]。目前,该技术存在具体优化算法尚未应用于船舶中压直流系统的问题,且在极端数据非完整场景下的协同重建研究仍不足[25,26,27,28]。
国内研究起步相对较晚。早期借鉴了陆上电力系统和国外研究成果[3,25],并依托国内状态估计技术的发展逐步形成自身特色,核心突破在于智能算法的优化和针对非完整数据场景的适应性改进[3,25]。然而,存在研究不平衡和工程应用不足的问题[3,25]。
早期国内研究主要集中在改进传统方法上,使用插值、卡尔曼滤波等技术进行数据重构,提高了方法的适应性,但未能充分考虑船舶数据的特殊性,难以处理复杂非完整数据[1,4,5,6,7,8,30,31]。
随着智能算法的普及,国内研究开始关注BPNN和LSTM等模型的应用。通过优化网络结构,降低了过拟合风险,提高了重建精度[11,18,21,32,33,34,35]。在算法融合方面,利用PSO和GA优化神经网络参数,并结合故障传播特性增强了模型的抗干扰能力,弥补了中压直流系统相关研究的不足[3,13,14,15,18,20,21,36]。
当前国内研究存在四个主要问题:一是对极端数据非完整场景的研究较少[26,27,34,35];二是故障传播与重建的协同优化不足[25,26,27,37];三是缺乏多算法集成模型,工程成本考虑不够全面[3,19,25,33];四是工程应用程度较低,多数研究仍处于仿真阶段[3,18,25,34]。
国内外研究均经历了“传统方法—智能算法”的发展过程,核心目标是提高重建精度和抗干扰能力[3,26]。国外在技术积累上较为深厚,注重工程验证,但在极端数据非完整场景的研究上仍存在不足[9,22,24,25]。国内发展迅速,具有较好的场景适应性,但在工程和算法集成方面不如国外[12,24,25,34]。
国内外研究的共同趋势是构建多算法集成模型,关注极端数据非完整场景,并促进工程应用[3,18,19,21,26,27,28,33,34]。国内未来需要重点突破协同优化和工程关键技术,借鉴光伏单元(PMU)应用和不良数据检测等技术提高数据可靠性[8,25,27,32]。

2. 船舶集成电力系统与数据非完整性类型
2.1. 船舶集成电力系统结构
船舶集成电力系统的拓扑结构主要包括两类典型类型:辐射型和环型。其中,环型拓扑具有最高的供电可靠性,适用于对供电可靠性要求较高的飞艇等船舶。不同拓扑结构的故障传播路径差异显著:辐射型拓扑的故障传播路径单一,而环型拓扑的故障传播路径复杂且影响范围广。因此,本文选择环型拓扑的集成电力系统作为研究对象,其拓扑结构如图1所示。
图1. 船舶集成电力系统的拓扑结构
船舶集成电力系统具有无外部电网支持、短路电流大、负载波动频繁和电磁干扰强等固有运行特性。当系统发生设备故障或异常干扰时,这些特性可能导致数据丢失和失真等不完整现象,从而对信息重建方法的适应性(如抗干扰能力和快速收敛速度)提出更高要求。
2.2. 数据非完整性类型
在船舶集成电力系统中,非完整信息指的是未能全面准确反映系统实际运行状态的数据集。根据故障模式和损坏特性,数据非完整性可分为三类:数据缺失、噪声干扰和结构损坏。
数据缺失包括随机分散缺失和大规模连续缺失,由临时传感器故障、瞬时干扰和通信包丢失等因素引起,其特征是缺失数据的节点没有上传任何数据。
噪声干扰由复杂的电磁干扰、突然的负载变化和传感器参数漂移引起,导致数据值偏离实际运行状态,容易引发系统状态判断错误。其特点是在受干扰节点的数据中添加了高强度高斯噪声或多类型数据失真。
结构损坏是在极端运行条件下的最严重故障模式,包括配电网络线路断裂、发电机组停机、负载模块和电力电子元件故障等。其特征是拓扑结构发生变化,受影响区域无法被传感器感知,形成“未知拓扑+未知测量值”的信息黑箱,给信息重建带来最大难度。
这三种数据非完整性类型可能单独或同时出现。在实际的船舶集成电力系统损坏场景中,三种情况同时发生的混合非完整场景更为常见。

3. 信息重建方法
3.1. BPNN基本模型
BPNN具有强大的非线性拟合能力,能够实现损伤监测数据的输入特征与系统状态参数估计值输出目标之间的精确映射,是海洋集成电力系统信息重建的基本框架。BPNN的拓扑结构如图2所示。为了适应海洋集成电力系统的信息重建需求,采用了输入层–隐藏层–输出层的三层BPNN结构。
图2. BPNN拓扑结构
BP神经网络的训练过程如下:
构建BP神经网络的基本拓扑结构,并输入系统的每个节点信号:
(1)预期输出为Y,代表不同类型的故障;
初始化BP神经网络的参数。将输入层与隐藏层之间的初始权重设置为,隐藏层与输出层之间的初始权重设置为,输入层中的神经元节点数为,隐藏层中的神经元节点数为,输出层中的神经元节点数为,隐藏层的初始阈值为,输出层的初始阈值为。隐藏层中可能的神经元节点数范围的公式为 (2),其中 是一个介于1到10之间的常数。隐藏层神经元输出函数的计算公式为 (3),是隐藏层的激活函数。输出层表示剩余电流故障的输出类型,输出层中每个节点的输出公式为 (4),是输出层的激活函数。误差 e 定义为输出值减去期望值:(5)。层间权重和阈值的更新公式如下:(6),其中 代表学习率。在训练过程中,如果误差达到期望值或迭代次数达到上限,则表示BPNN已完成训练。如果以上两个条件均不满足,则训练继续进行。BPNN具有强大的非线性拟合能力,适用于船舶综合电力系统的信息重构。然而,它也有一些固有的限制,如收敛速度慢且容易陷入局部最优解,这些问题需要优化和改进。

3.2. IPS-SH5N1优化算法
IPS-SH5N1优化算法基于SH5N1元启发式优化算法进行了自适应优化,专门设计用于解决船舶综合电力系统(IPS)舰载配电网络损坏场景中信息不完整的问题。通过与不完整数据的完成规则和船舶电力系统中状态信息的重构特性进行模拟,该算法旨在实现BPNN权重和阈值的全球最优配置,以完成整个系统的节点参数映射。同时,它能够准确量化在三种核心损坏模式(数据丢失、噪声干扰和结构损坏)下不完整特征的干扰强度,从而解决BPNN的缺陷,如容易陷入局部最优解、收敛速度慢以及对信息不完整场景的适应能力差等问题。与SH5N1优化算法相比,IPS-SH5N1优化算法深入整合了船舶综合电力系统的固有运行特性和三种核心损坏模式下的不完整数据特性。通过自适应搜索策略和参数调整机制,它实现了船舶不完整数据的准确完成和系统状态信息的有效重构,为船舶综合电力系统的紧急损坏处理和智能运维中的信息重构任务提供了针对性的优化解决方案。

3.2.1. SH5N1优化算法 [38]
参考文献[38]中的实验结果表明,与10种主流优化算法相比,SH5N1优化算法在整体性能上显著更优。在33个标准基准函数测试中,它在解决方案准确性、优化成功率和计算效率方面均排名第一。它可以有效解决其他算法无法处理的高难度优化问题,并且在高维场景和工程设计问题中表现出强大的适应性。因此,采用SH5N1优化算法来优化BPNN的初始权重和阈值。
SH5N1优化算法将BPNN权重和阈值的搜索空间映射到主机环境中进行病毒传播,将要优化的权重和阈值解视为单独的病毒,并通过模拟病毒感染和传播、自适应变异以及环境适应行为,实现了全局探索与局部利用BPNN最优权重和阈值之间的动态平衡。该算法将所有病毒个体的位置存储在一个二维矩阵中,其中 表示病毒个体的序列号,表示搜索空间的维度。核心机制包括四个部分:排列变异、位置更新、动态参数调整、种群位置校准和全局最优更新。算法的核心参数如表1所示。表1. 算法控制参数。核心数学模型和机制如下:
**排列变异机制**
排列变异是算法避免局部最优解的核心。通过BPNN最优权重和阈值位置的三种索引排列和移位,生成三个独立的最优位置矩阵 , , 和 ,从而防止过度依赖单一的全局最优解。(7) 其中, 是区间 [1, n] 内的随机整数,表示搜索空间的维度; 是旋转偏移参考值,用于生成旋转索引,并用于重新排列搜索维度的索引 。此外, , , 和 是从1到3的随机整数,实现索引向量的循环移位。符号 % 表示模运算。 是旋转后的索引数组。旋转后的索引是通过向 加上一个随机偏移量,然后取模得到的,用于重新排列原始搜索维度索引并生成不同搜索路径的索引偏移量。 是排列后的位置索引数组,用于从局部最优种群中提取不同的搜索路径矩阵。

**2. 位置更新机制**
算法通过比较病毒攻击概率 与感染率阈值 来判断当前环境的适宜性。它以“有利环境(局部利用)”和“不利环境(全局探索”两种模式更新病毒个体的位置,从而在探索和利用之间实现初步平衡。核心位置更新公式如公式(8)所示:(8) 其中 是区间 [0,1] 内的随机数,模拟病毒对主机的随机攻击行为; 是全局最优位置的 - 维值; 是第 - 个病毒个体的局部最优位置的 - 维值; 是区间 [0,1] 内的随机数矩阵,用于引入随机扰动以避免搜索过程的固化。
当病毒遇到极端不利的环境(如强烈的主机免疫反应)时,算法会触发自适应变异机制。通过病毒基因的变异和重组,实现搜索空间的大规模跳跃,进一步增强算法逃离局部最优解的能力。变异机制的触发条件是病毒自适应概率 ≤ ,其中 是区间 [0,1] 内的随机数,模拟病毒的适应性。(9) (10) 其中 表示变异前病毒个体的原始位置, 是探索-利用平衡系数, 是区间 [0,1] 内的随机数, 是权重系数, 和 的值通过动态参数调整机制实时更新。

**3. 动态参数调整机制**
SH5N1算法通过三个核心动态参数实现了全局探索与局部利用之间的平滑过渡:权重系数、平衡系数和自适应系数,避免了算法早期过度探索和后期过度利用的问题。
权重系数 用于控制算法的利用强度,并随着迭代次数的增加而呈指数衰减。(11) 其中 和 分别是权重系数的上下限,取 = 0.9 和 = 0.1。
平衡系数 用于抵消权重系数的过度收敛趋势。(12) 其中 是区间 [0,1] 内的随机数,并且随着迭代次数的增加而逐渐衰减;在早期取较大的值以鼓励全局探索,在后期取较小的值以确保局部利用的稳定性。
自适应系数 用于控制变异结果的选择概率。(13) 其中 是区间 [0,1] 内的随机数。在迭代的早期阶段, 的值相对较小,使算法更倾向于变异并提高种群多样性;在迭代的后期阶段, 接近 1,只接受适应度更好的变异结果,确保算法的收敛稳定性。

**4. 种群位置校准和全局最优更新机制**
每次位置更新和变异操作后,算法会对病毒个体的位置进行最终校准,以避免无效搜索,如公式(14)所示:(14) 其中 表示整个种群的变异系数向量, 表示当前病毒个体的变异系数向量。
通过随机选择机制,决定是否将变异个体更新为全局最优解,如公式(15)所示。(15) 其中 表示适应度函数, 表示变异病毒个体的位置, 是区间 [0,1] 内的随机数。只有当触发条件满足且其适应度较高时,变异个体才会被更新为全局最优解;否则,选择种群中适应度最小的个体作为全局最优解。

总之,SH5N1算法的迭代过程如图3所示。图3. SH5N1优化过程。

3.2.2. 考虑船舶IPS配电网络信息不完整重构需求的自适应优化
尽管SH5N1优化算法具有出色的全局优化能力,但在直接应用于船舶IPS不完整数据的重构和BPNN权重及阈值的优化时存在三个核心适应缺陷:
- 核心控制参数 和 取固定值,无法适应不同损坏程度下的优化需求,容易导致在轻微损坏场景中收敛缓慢,在严重损坏场景中过早收敛;
- 它采用全维度、不加区分的排列变异,没有考虑BPNN权重和阈值的重要性差异,这会破坏核心维度的有效信息,增加大量无效计算,导致高维优化的效率低;
- 它采用完全随机的种群初始化,没有整合BPNN结构和IPS系统运行的先验知识,导致早期优化效率低和迭代次数多。
为了解决原算法的这三个核心适应缺陷,本文结合船舶IPS的固有运行特性和不完整数据的损坏模式,形成了专门的IPS-SH5N1优化算法,具体设计如下:
**基于系统损坏程度的自适应参数动态调整机制**
定义系统损坏程度指数 来量化系统不完整数据的严重程度,如公式(16)所示:(16) 其中 表示系统中的传感器节点总数, 表示数据缺失的节点数, 表示数据失真的节点数, 的值越大,系统损坏越严重。
根据损坏程度 ,核心控制参数 和 动态且自适应地更新,如公式(17)和(18)所示:(17) (18) 其中 = 0.95, = 0.6, = 0.8, = 0.2。
该机制的核心逻辑如下:损坏程度 越高, 的值越小,算法触发全局探索模式的概率越容易,适合高难度优化任务; 的值越大,变异触发概率越高,提高算法逃离局部最优解的能力。在迭代的后期阶段, 逐渐增大, 逐渐减小,增强局部利用能力,以确保收敛的准确性和稳定性。
**BPNN核心维度的定向变异和搜索机制**
输入层与隐藏层之间的权重中,与不完整损坏特征强相关的权重被划分为核心优化维度,而剩余的偏置阈值和非核心权重被分类为非核心维度。为了实现具有解耦核心和非核心维度的定向变异优化,构建了一个用于BPNN权重和阈值的重要性掩码矩阵(其中D表示BPNN权重和阈值的总维度),如方程(19)所示。(19)基于该掩码矩阵,对原始算法的排列变异、位置更新和变异机制进行针对性优化。在生成最优位置矩阵时,保持非核心维度的值不变,仅对核心维度执行排列操作。在位置更新和变异过程中,仅对核心维度实施步长缩放和随机扰动。优化后的变异公式如方程(20)所示:(20)损坏越严重,变异步长越大,全局探索能力越强。这种机制避免了非核心维度的无效变异,保留了有效的权重信息,并减少了单次迭代的计算负担。

3. 基于先验融合的种群初始化机制
通过整合BPNN的先验结构信息和IPS系统的先验操作信息,构建了一种分层种群初始化策略,如方程(21)所示:(21)其中是基于BPNN结构的Xavier初始化的参考值;是通过预训练系统损坏前的稳态数据获得的BPNN权重阈值,该阈值具有系统操作的先验信息;D是权重阈值的总维度;和分别是参数搜索的上限和下限。这种策略使得算法能够在迭代早期接近最优解区域,减少收敛迭代次数,同时保留10%的随机个体以确保种群多样性。

3.2.3 基于IPS-SH5N1-BPNN的信息重构方法
基于IPS-SH5N1-BPNN的信息重构方法的过程如图4所示,具体步骤如下:
- 收集船舶的IPS全系统节点功率流监控数据,标记三种类型的不完整损坏数据,并计算系统损坏程度;
- 对原始数据执行最小最大偏差归一化,并构建BPNN权重和阈值的重要性掩码矩阵;
- 将数据集按4:1的比例划分为训练集和测试集,初始化BPNN网络,并确定权重和阈值的总维度以及搜索边界;
- 基于分层初始化策略生成IPS-SH5N1算法的初始种群,设置算法的核心参数,计算每个个体的适应度值,并更新全局最优解;
- 根据损坏程度自适应更新,并实施定向排列变异和位置更新;
- 迭代结束后,输出权重和阈值的最优组合,并将其分配给BPNN以完成模型训练;
- 将测试集数据输入到训练好的模型中,输出全系统信息重构结果,并完成性能评估。

4. 仿真和实验结果分析
4.1 仿真设置
基于MATLAB平台,构建了一个船舶中压直流集成电力系统的功率流模型,模型的核心参数参考了中国第一代和第二代船舶集成电力系统的实际技术指标。针对船舶电力系统运行期间的典型故障模式,设计了四种类型的不完整数据场景来验证算法性能。数据集的总样本量为2000组,按4:1的比例分为训练集和测试集。每种场景的样本分布和划分规则如表2所示。表2. 每种场景的样本数量。
对三种方法进行了比较实验:BPNN方法、SH5N1-BPNN方法和IPS-SH5N1-BPNN方法。SH5N1优化算法的迭代次数设置为20次。三种方法的BPNN训练参数保持一致,最大训练迭代次数为1000次,学习率为0.1,训练目标误差为0.00001。
选择了四种核心评估指标来量化算法性能:①精度:均方误差(MSE);②收敛性:稳定收敛迭代次数;③实时性能:单次信息重构的平均时间消耗;④鲁棒性:测试样本的稳定收敛率、误差标准差和决定系数。计算机配置如下:CPU,AMD Ryzen 9 7945 HX配Radeon Graphics 2.50 GHz;GPU,NVIDIA GeForce RTX 4060笔记本电脑GPU 8 GB;内存,32 GB 5200 MT/s。程序在MATLAB R2022b下运行。

4.2 结果分析
分析了训练集和测试集的信息重构结果。四个核心评估指标分别显示在表3、表4、表5、表6、表7和表8中。
表3. 三种方法的收敛指数比较。
表4. 三种方法的精度指标比较。
表5. 三种方法的实时性能指标比较。
表6. 三种方法的鲁棒性指标比较(稳定收敛率)。
表7. 三种方法的鲁棒性指标比较(误差标准差)。
表8. 三种方法的鲁棒性指标比较(决定系数)。
表3显示了三种方法的训练集收敛指数的比较分析结果。三种方法在迭代次数上差异不大。在收敛时间方面,IPS-SH5N1-BPNN仅需12.58秒即可收敛,比BPNN的23.16秒短45.7%,比SH5N1-BPNN的14.87秒短15.4%,在高维复杂场景中显示出显著的训练效率优势。在算法优化时间消耗方面,SH5N1-BPNN的全系统优化时间为2344.60秒,而IPS-SH5N1-BPNN的时间减少到1857.32秒,减少了20.8%,大大降低了模型训练阶段的一次性全局优化成本。
表4显示了三种方法的精度类型指标的比较分析结果。测试集中所有收敛样本的平均MSE计算值,涉及的数据以单位值计,功率基准值为1 MW。
测试结果显示,IPS-SH5N1-BPNN在测试集中的重构精度全面优于其他两种方法,三个误差指标均显著降低:与BPNN相比MSE降低了94.6%,与SH5N1-BPNN相比降低了56.6%。
由于受梯度下降机制的限制,BPNN容易陷入局部最优解,重构误差最大;SH5N1-BPNN通过元启发式全局优化来优化网络权重和阈值,与BPNN相比精度提高了一个数量级,而本文提出的IPS-SH5N1-BPNN通过优化策略进一步提高了全局优化的精度,有效减少了重构误差,验证了优化策略的有效性。
表5显示了三种方法在测试集上的实时性能指标比较。BPNN的单次重构平均时间为25.90毫秒,而两种优化方法SH5N1-BPNN和IPS-SH5N1-BPNN通过全局优化优化了网络权重阈值,单次重构时间分别减少到5.28毫秒和4.45毫秒,分别比BPNN减少了79.6%和82.8%,实现了实时性能的飞跃性提升。IPS-SH5N1-BPNN的单次重构时间比SH5N1-BPNN短15.7%。
总体而言,两种智能优化方法都能有效解决BPNN实时性能不足的问题,而且IPS-SH5N1-BPNN在计算效率上相比SH5N1-BPNN略有提升。
根据表6中三种方法测试集的比较结果,可以得出以下结论:在带有随机缺失数据和噪声干扰的损坏场景中,IPS-SH5N1-BPNN和SH5N1-BPNN仍保持100%的收敛率,而BPNN未能收敛,显示出三种方法之间的明显性能差异;在结构损坏场景中,SH5N1-BPNN也未能收敛,而IPS-SH5N1-BPNN仍保持100%的收敛率;在混合不完整损坏场景中,三种方法的收敛率都有不同程度的下降,其中BPNN的下降最为明显,导致它们之间的性能差距显著。总体而言,三种方法的收敛稳定性排名依次为IPS-SH5N1-BPNN > SH5N1-BPNN > BPNN。IPS-SH5N1-BPNN在抗损伤能力和收敛稳定性方面表现出显著优势,更能满足相应场景的工程应用要求。
误差标准差指标是使用三种方法选定的所有收敛测试集样本计算得出的。表7显示了三种方法之间的误差标准差指标比较。从这个鲁棒性指标来看,BPNN模型的误差标准差最大,预测结果分散度高,稳定性差,面对不完整数据时表现出较低的鲁棒性;通过SH5N1优化的BPNN模型的误差标准差显著降低,模型输出波动减小,鲁棒性明显提高;而通过IPS-SH5N1优化的BPNN模型的误差标准差进一步降低到最低水平,预测结果最稳定,抗干扰能力和抗不完整信息的能力最强。
表8显示了三种方法在相同混合不完整场景下信息重构决定系数的比较分析。对于测试集中收敛样本,基本BPNN方法的决定系数为0.938,拟合性能和信息恢复准确性中等;通过SH5N1优化的BPNN方法的决定系数提高到0.975,模型拟合效果和信息恢复可靠性显著增强。相比之下,本文提出的IPS-SH5N1-BPNN方法的决定系数达到0.992,接近1,表明该方法在混合不完整数据场景中对真实数据的拟合程度最高,信息重构结果与实际值的一致性最佳,鲁棒性和重构精度最优。

5. 结论
针对船舶集成电力系统中不完整数据下的信息重构技术瓶颈,本文提出了一种SH5N1优化算法(IPS-SH5N1),该算法考虑了船舶集成电力系统中不完整信息重构的需求。该算法用于优化BPNN的权重和阈值,实现了分布网络中不完整信息的准确重构。通过多组比较仿真实验全面验证,该方法在四个核心维度(收敛性能、重构精度、实时响应能力和场景鲁棒性)上全面优于BPNN和SH5N1-BPNN。它在具有多个电力系统、多种运行条件和多种损坏程度的船舶集成电力系统的复杂运行场景中表现出强大的适应性和稳定的重构性能。该方法可以为不完整数据下的船舶集成电力系统状态信息的准确重构提供可靠的技术解决方案,具有很高的工程应用价值。
在后续研究中,我们将进一步扩大研究范围。一方面,该方法将与整个船舶巨型系统的多物理域模型集成,进行研究,涵盖发电机的内部特性和推进负载的内部特性,进一步探索该方法在全船和全系统信息重构中的应用潜力。另一方面,考虑到船舶电力分配网络的拓扑变化场景,我们将研究增量模型更新方法,并探索如何在电力分配网络发生拓扑变化时以最小的重新训练成本完成模型的快速适应,进一步提高该方法的工程适应性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号