一种在数据不完整的情况下重构船舶综合电力系统配电网络状态信息的方法 彭永林、 黄静、 潘冰晨、 刘海军、 肖涵

《Energies》：A Method for Reconstructing State Information of Ship Integrated Power System Distribution Networks Under Incomplete Data Conditions Yonglin Peng, Jing Huang, Bingchen Pan, Haijun Liu and Han Xiao

　　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非完整数据样本的信息重建验证中。结果表明，与BPNN相比，该方法的信息重建精度（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、强鲁棒性和优异的实时性能等核心优势，可以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，现已逐渐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等优点，船舶集成电力系统已广泛应用于各种高性能船舶中，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，导致数据缺失、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+未知拓扑”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，引发诸如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，难以处理“未知测量+未知拓扑”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容易陷入局部最优解的问题。因此，在非完整信息条件下进行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建，有助于提高船舶集成电力系统的安全可靠运行能力，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整合的研究体系，核心关注点在于算法优化和工程实用性，研究范围已扩展到数据不完整的场景[3]。其方法均源于通用电力系统状态估计技术的改进。在传统阶段，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，但在数据不完整的场景中难以处理复杂数据缺失问题[6,7]；尽管扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）提高了精度，但在大规模数据不完整的情况下仍无法满足工程需求[8,9,10]。
近年来，研究方向转向了智能算法的整合。通过粒子群优化（PSO）和遗传算法（GA）优化神经网络等模型参数，重建性能得到了提升[3,11,12,13,14]。例如，PSO优化的BPNN可以减少重建误差，GA优化的模型可以实现快速重建[15,16]，这两种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，其不足之处在于特定优化算法尚未应用于船舶中压直流系统，且在数据不完整的极端场景下的协同重建研究仍缺乏[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成果[3,25]，并依托国内状态估计技术的发展[1,29]逐渐形成了自身特色。核心突破在于智能算法的优化和适应数据不完整场景的能力。然而，存在研究不平衡和工程应用不足的问题[3,25]。早期国内研究侧重于改进传统方法，使用插值、卡尔曼滤波等技术重建数据，优化了方法的适应性，但未充分考虑船舶数据的特殊性，难以处理复杂的不完整数据[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。通过改进网络结构，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，填补了中压直流系统相关研究的空白[3,13,14,15,18,20,21,36]。
当前国内研究存在四个主要问题：首先，对极端数据不完整场景的研究较少[26,27,34,35]；其次，故障传播与重建的协同优化不足[25,26,27,37]；第三，缺乏多算法集成模型，工程成本考虑不够充分[3,19,25,33]；第四，工程应用程度较低，大部分仍处于仿真阶段[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]。国外在技术积累方面具有优势，注重工程验证，但在极端数据不完整场景的研究不足[9,22,24,25]。国内发展迅速，场景适应性强，但工程和算法整合程度不如国外[12,24,25,34]。
国内外研究的共同趋势是构建多算法集成模型，关注极端数据不完整场景，并推动工程应用[3,18,19,21,26,27,28,33,34]。未来国内需要重点突破协同优化和工程关键技术，并借鉴光电式电流互感器（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非完整数据类型
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种典型类型：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船舶（如航空母舰）。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，对信息重建方法的适应性提出了更高要求，如需要具备强抗干扰能力和快速收敛速度。

2.2. 非完整数据类型
在船舶集成电力系统中，非完整信息是指无法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，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无法上传数据。
噪声干扰源于复杂的电磁干扰、突然的负载变化和传感器参数漂移，导致数据值偏离实际运行状态，容易引起系统状态判断错误。其特征是在受干扰节点的数据中添加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”的信息黑箱，给信息重建带来最大困难。
这三种信息不完整性可能单独或同时发生。在实际的船舶集成电力系统损坏场景中，三种情况同时出现的混合不完整场景更为常见。

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，可以实现损伤监测数据的输入特征与系统状态参数估计值的输出目标之间的准确映射，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，输入层的神经元节点数为，隐藏层的神经元节点数为，输出层的神经元节点数为，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。输出层表示残差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）。层与层之间权重和阈值的更新公式如下：（6），其中表示学习率。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。如果上述两个条件都不满足，则训练继续进行。BPNN具有很强的非线性拟合能力，适用于船舶综合电力系统的信息重建。然而，它存在收敛速度慢和容易陷入局部最优解等固有局限性，需要对其进行优化和改进。

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适应性优化，专门针对船舶综合电力系统（IPS）舰载配电网络损坏场景中的信息不完整问题而设计。该算法通过模拟不完整数据的完成规则和船舶电力系统中状态信息的重建特性，旨在实现BPNN权重和阈值的全局最优配置，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容易陷入局部最优解、收敛速度慢以及对信息不完整场景适应能力差的问题。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，它实现了对船舶不完整数据的准确完成和系统状态信息的高效重建，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建任务提供了有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具有显著优势。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也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，将待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，在全局探索和局部利用BPNN的最优权重和阈值之间实现动态平衡。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
排列变异是避免局部最优解的核心机制。通过对BPNN的最优权重和阈值位置进行三次索引排列和移位，生成三个独立的最优位置矩阵，从而防止过度依赖单一的全局最优解。（7）
其中，是在[1, n]区间内的随机整数，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；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%表示取模运算。是旋转后的索引数组。旋转后的索引是通过向添加一个随机偏移量，然后对维度数取模得到的，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，并以“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下：
（8）
其中是在[0,1]区间内的随机数，模拟病毒对主机的随机攻击行为；是第个病毒个体的-维全局最优位置值；是在[0,1]区间内的随机数矩阵，用于引入随机干扰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≤，其中是在[0,1]区间内的随机数，模拟病毒的环境适应性。（9）（10）
其中表示变异前的病毒个体原始位置，是探索-利用平衡系数，是在[0,1]区间内的随机数，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（权重系数、平衡系数和自适应系数）在迭代过程中实现全局探索和局部利用之间的平滑过渡，避免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倾向。（12）
其中是在[0,1]区间内的随机数，并随着迭代次数的增加而逐渐衰减；在早期取较大值以鼓励全局探索，在后期取较小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）
其中是在[0,1]区间内的随机数。在迭代的早期，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，趋近于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，确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，是在[0,1]区间内的随机数。只有当满足触发条件且其适应度较高时，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。
3.2.2. 考虑船舶IPS配电网络不完整信息重建需求的自适应优化
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不完整数据的重建和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；
- 它采用全维度无差别的排列变异，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下；
- 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。
为了解决原始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，以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，表示数据缺失节点的数量，表示数据失真节点的数量，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适应性地更新，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难度越低，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，逐渐增加，逐渐减小，增强局部利用能力，确保收敛的准确性和稳定性。
2. BPNN核心维度的定向变异和搜索机制
与不完整损坏特征强相关的输入层与隐藏层之间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。构建了一个重要性掩码矩阵，用于BPNN的权重和阈值（其中D表示BPNN权重和阈值的总维度），以实现具有解耦核心和非核心维度的定向变异优化，如方程（19）所示。以下内容基于该掩码矩阵，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。优化的变异公式如方程（20）所示。损伤越严重，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载。

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。其中，是基于BPNN结构的Xavier初始化的参考值；是通过预训练系统受损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。这种策略使算法能够在迭代的早期阶段接近最优解区域，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的信息重建方法
基于IPS-SH5N1-BPNN的信息重建方法的过程如图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伤数据，并计算系统损伤程度；
- 对原始数据执行最小-最大归一化，并为BPNN的权重和阈值构建一个重要性掩码矩阵；
- 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；
- 根据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；
- 根据损伤程度自适应更新，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；
- 将测试集数据输入训练好的模型，输出全系统信息重建结果，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，构建了一个船载中压直流集成电力系统的功率流模型，该模型的核心参数参考了中国第一代和第二代船载集成电力系统的实际技术指标。针对船载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的比例划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。

4.2 结果分析
分析了训练集和测试集的信息重建结果。四个核心评估指标如表3、表4、表5、表6、表7和表8所示。表3显示了三种方法的收敛指数比较。表4显示了三种方法的准确性指标比较。表5显示了三种方法的实时性能指标比较。表6显示了三种方法的鲁棒性指标（稳定收敛率）比较。表7显示了三种方法的鲁棒性指标（误差标准差）比较。表8显示了三种方法的鲁棒性指标（决定系数）比较。表3显示了三种方法在训练集收敛指标上的比较分析结果。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则减少到1857.32秒，降低了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显示了三种方法的准确性指标比较分析结果。测试集中所有收敛样本的平均MSE（均方误差）被计算出来，涉及准确性的数据以单位值表示，功率基准值为1 MW。测试结果显示，IPS-SH5N1-BPNN在测试集中的重建准确性全面优于其他两种方法：MSE比BPNN降低了94.6%，比SH5N1-BPNN降低了56.6%。

受梯度下降机制的限制，BPNN容易陷入局部最优解，重建误差最大；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，准确性提高了一个数量级；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，有效降低了重建误差，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的平均单次重建时间为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，单次重建时间分别减少到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式提升。IPS-SH5N1-BPNN的单次重建时间比SH5N1-BPNN短15.7%。总体而言，这两种智能优化方法都能有效解决BPNN实时性能不足的问题，且IPS-SH5N1-BPNN在计算效率上比SH5N1-BPNN略有提升。

根据表6中三种方法的测试集比较结果，可以得出以下结论：在存在随机缺失数据和噪声干扰的损伤场景中，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；在结构损伤场景中，SH5N1-BPNN也未能收敛，而IPS-SH5N1-BPNN仍保持100%的收敛率；在混合不完整损伤场景中，三种方法的收敛率都有所下降，其中BPNN的下降最为显著，导致它们之间的性能差距明显。总体而言，三种方法的收敛稳定性排序为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，能更好地满足相应场景的工程应用要求。

误差标准差指数是使用三种方法选出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，预测结果分散度较高，稳定性较差，面对不完整数据时鲁棒性较弱；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的决定系数比较分析。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适中；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的可靠性显著提升。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，信息重建结果与实际值的一致性最好，鲁棒性和重建准确性最佳。

5. 结论
针对船载集成电力系统在不完整数据场景下的信息重建技术瓶颈，本文提出了一种SH5N1优化算法（IPS-SH5N1），该算法考虑了船载集成电力系统中不完整信息重建的需求。该算法用于优化BPNN的权重和阈值，实现了对分布网络中不完整信息的准确重建。通过多组对比仿真实验的全面验证，该方法在四个核心维度（收敛性能、重建准确性、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伤水平的船载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建性能。该方法可以为不完整数据下的船载集成电力系统状态信息的准确重建提供可靠的技术解决方案，并具有很高的工程应用价值。

在后续研究中，我们将进一步扩展研究范围。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，开展涵盖发电机内部特性和推进负载内部特性的全船和全系统信息重建研究，进一步探索该方法在船舶全局状态感知和协同控制中的应用潜力。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，并探索在电力分配网络发生拓扑变化时如何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。