基于GRNN算法的飞机用电设备非侵入式负荷监测方法

杨娟,杨占刚

1. 中国民航大学 工程技术训练中心,天津 300300 2. 中国民航大学 电子信息与自动化学院,天津 300300

随着多电飞机、全电飞机的兴起,现代飞机上用电设备的种类多、数量大,飞机电气化复杂程度越来越高。不同类别和不同重要程度的设备从飞机电网各级汇流条取电。用电设备工作期间所表现出来的负荷行为及其用电状态直接影响着供电系统供电质量,进一步影响飞行的安全性、可靠性及经济性等多方面[1-3]。

对于机上大量用电设备的负荷分配和管理,采用通过获取结构参数以及建立数学模型的计算方法并不现实,缺乏准确性。采取实际测量获取数据并进一步分析和管理的方式更能反映真实状态。传统电力负荷监测方式是侵入式监测法,需要在每一个用电设备上都安装一个传感器,用以得到不同用电设备实时的功率消耗比例。然而,从重量设计角度考虑,“为减轻每一克重量而奋斗”的理念不允许大数量新增检测设备,以诊断目的所设置的传感器数量要求越少越好。飞机总重和商载不变条件下,飞机空机重量每增加1%,航程将下降3%；从飞机研制成本角度看,每增加100 g重量,将增加60～69美元人时费用；在运营期间,空机重量每减轻100 g将有效增加836美元的运营收益。非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)无需进入负荷内部,仅通过对电力负荷入口处的电压、电流及功率信息进行测量分析,便可得到负荷内部不同用电设备实时用电状态,实现电力负荷识别[4-6]。

NILM在国内外的研究主要集中在家庭用户用电设备的准确分析和识别[7-9]中,近几年来,利用非侵入式分解技术完成故障诊断和预测逐渐引起了研究者的注意,文献[10-12]采用非侵入式方法辨识设备参数作为诊断和预测的前提。除了家庭电力分析以外,文献[13]提出了非侵入式检测技术与船舶电力系统相结合的研究工作,文献[14]利用自动采集的非监督信息数据和少量的监督信息数据,采用NILM方法实现海洋平台电力负荷高精度负荷识别。

将非侵入式负荷监测方法应用于飞机供电系统用电设备负荷分解可有效减轻机上检测设备数量。现有非侵入式负荷监测主要从功率信号和电流信号入手,基于功率信号的NILM能够在后台辨识且可以直接利用电表数据进行分析,然而存在识别准确率较低的问题；电流信号包含的信息更加丰富,负荷特征保留相对完整,识别准确率较高。本文采集飞机目标汇流条稳态电流谐波波形,将波形检测深入、细化到负荷内部各主要用电设备,采用广义回归神经网络(Generalized Regression Neural Network,GRNN)算法,在实验数据基础上实现用电设备的负荷辨识,与其他算法进行对比,验证了GRNN算法具备较高的识别准确度和快速性。

1 飞机用电设备非侵入式负荷监测

1.1 飞机供电网络结构模型

典型飞机供电电源包含交流115 V/400 Hz和直流28 V,其中交流电为机上主电源,由发动机驱动发电机、辅助发电机和外部电源设备提供,直流电通常由交流电主电源转换而来,如图1所示[15-16]。

图1为典型单通道机型电网结构图。正常飞行条件下,左右两侧转换汇流条直接由主发电机1、主发电机2、地面电源和辅助动力装置(Auxiliary Power Unit,APU)发电机取电,供电策略为单独供电方式,即任一汇流条在任一时间点只能由唯一来源供电。电网各级交流汇流条分别从各自上一级汇流条取电,下级汇流条视为上级汇流条的用电负荷。交流备用汇流条作为关键级别汇流条,正常从交流电网得电,当交流电网失效时,可通过静变流机将蓄电池直流电转换取电。电网下层直流汇流条正常通过交流电经变压整流器或电瓶充电器转换而来。

供电系统的各级汇流条给机上用电设备供电,其中,航空机电设备包括电气设备、液压和气压设备等；航空电子设备包括发动机控制、飞行控制和导航设备,通信设备和军机中的侦察、瞄准、干扰和抗干扰设备等。飞机电源系统通过汇流条电源控制组件(Bus Power Control Unit,BPCU)完成汇流条的总用电负荷的统计及与电源运行的协调和负载管理。对各级汇流条进行用电设备的准确监测是负载管理的必要前提。

1.2 非侵入式负荷监测(NILM)结构

NILM负荷识别技术主要包括数据采集、特征提取和负荷识别算法3部分。飞机汇流条供电设备非侵入式监测系统的结构框架如图2所示。

较之功率和电压参数,机上设备工作电流波形更具有可识别性。飞机各级汇流条上受电设备性能存在较大差异,图2中着陆灯设备为典型阻性负载、空气活门和燃油泵为感性负载、变压整流器表现出一定的容性特征。提取设备稳态电流波形,分解所得的各次谐波参数值也具有较大差异。基于稳态谐波分析的非侵入式电力负荷分解方法突破了对电力负荷进行功率总量监测的粗糙性问题,监测任务深入、细化到设备级别内部,更适宜用于飞机汇流条级别上设备的辨识应用。

图2实验系统采集汇流条总工作电流波形,送入NILM处理器；处理器对波形数据进行预处理。根据《ISO 1540：飞机电气系统特性》和《RTCA DO-160：机载设备的环境条件和试验程序》第16章《电源输入》等标准内容规定,机上用电设备40次电流谐波应满足相应限制,故实验系统对采集进入NILM处理器中的电流波形进行傅里叶变换,分解至40级谐波波形数据,作为特征提取参数；采用负荷识别算法对训练样本负荷印记(Load Signature,LS)进行模型训练,在模型基础上,辨识测试用样本LS数据,实现汇流条上用电设备识别任务。汇流条电源控制组件监控和控制交流汇流条上用电设备的工作状态,根据NILM系统识别结果,结合飞机电网安全性需求,控制用电设备供电状态。

图2 飞机汇流条用电设备NILM系统结构图Fig.2 Structure of NILM system of electrical equipment on aircraft bus bar

1.3 GRNN算法原理

GRNN是径向基神经网络的一种,具有很强非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,在逼近能力和学习速度上有较强优势,GRNN神经网络拓扑结构如图3所示[17]。

i=1,2,…,n

(1)

式中：Pi为模式层第i个神经元输出；Xi为第i个神经元对应的训练样本；σ为光滑因子。

所有模式层的神经元通过两种方式加权求和。第1种求和为分母神经元求和,模式层与各神经元的连接权值为1,对所有模式层输出进行直接求和,即

图3 GRNN神经网络拓扑结构图Fig.3 Topological structure of GRNN neural network

j=1,2,…,k

(2)

另一种求和为分子神经元求和,求和层第i个神经元与模式层第j个神经元之间的连接权值为第i个输入样本中的第j个元素,对所有模式层神经元进行加权求和,即

j=1,2,…,k

(3)

(4)

因此,GRNN神经网络的输出为

(5)

(6)

式中：t为X的维数。

2 实例计算与分析

2.1 负荷稳态电流特征提取

飞机电网典型用电设备类别多为电阻类、电机类和电力电子类三大类,不同用电设备的电流波形存在较大差异。设备的非线性程度决定着表现的谐波含量,电阻类设备的谐波含量较少,而非电阻类设备的谐波含量则比较丰富。通过对谐波进行傅里叶变换,对各级谐波数据进行训练和辨识,可准确识别机上用电设备[18-20]。

飞机各系统依赖关键用电设备工作实现系统功能。本文实验选取图1中115 V交流主汇流条为监测对象,该汇流条上用电设备包括空调系统的空气关断阀门、液压系统的电动液压泵、燃油系统的中央油箱和主大翼油箱燃油增压泵、防冰排雨系统的发动机进气道防冰活门、电源系统的二次电源变压整流器、灯光系统的滑行灯和频闪灯,设备在翼位置如图4所示。

将图4中设备从1～8进行编号,为了便于辨识和数量统计将其转换为单位矩阵。

图4 交流主汇流条上用电设备分布图Fig.4 Location of electrical equipment on the AC main bus

(7)

实验系统分别采集1～8号用电设备稳态工作电流波形,各设备采样点数设置为211个,取0时刻起前100个采样点对应数值绘制电流波形,如图5所示。在波形数据基础上,利用傅里叶变换获取1～40次谐波数据,由于高次谐波对应的电流值均小于10-3A,用于识别的价值较小,故清除掉19次谐波以上的数据,取1～19次谐波数据作为非侵入负荷识别提供特征库。

对训练集和测试集进行归一化预处理：

(8)

归一化后将原始数据规整到[0,1]范围内,及yi∈[0,1],i=1,2,…,n,xmin和xmax分别代表样本数据最小值和最大值。

2.2 GRNN模型评价

分类问题通常采用查准率(Precision,PRE)和查全率(Recall,REC)以及调和平均值F1为结果评估参数。假设分类类别数目为t。GRNN训练所得模型验证样本中实际类别和辨识结果一致的样例数目为TPi。样本中，FPij为将实际分类i错误辨识为第j类别的样例数,FPji为将实际分类j错误辨识为第i类别的样例数。

图5 负荷稳态电流实测波形Fig.5 Test waveform of load steady state current

第i类的辨识结果的查准率为

i=1,2,…,t

(9)

第i类的辨识结果的召回率为

i=1,2,…,t

(10)

第i类的辨识结果的调和平均为

i=1,2,…,t

(11)

2.3 GRNN算法准确度影响分析

2.3.1 训练样本数对GRNN识别准确度的影响

在模型预测中,训练样本和测试样本的数量的选择对结果影响较大,过多的训练样本会导致过度学习,而过少的训练样本会使预测效果变差。表1给出了不同数量训练样本时识别准确度。

由表1可知,4号设备液压电动马达的训练样本数为26,数量较少,导致该类辨识PRE只达到50%,一半样本被误判为5号设备大翼油箱燃油泵。此外,各类别训练样本数为30时,模型训练不足,2号设备中央油箱燃油泵和6号设备发动机进气道防冰活门的样本查全率低,部分被误判为3号设备频闪灯和5号设备大翼油箱燃油泵。增加各类设备样本数至70时,GRNN模型辨识当前用电设备的查全率和查准率均可达100%。

表1 训练样本数对识别准确度的影响Table 1 Influence of number of training samples on recognition accuracy

2.3.2 扩展速度对GRNN算法辨识准确度的影响

GRNN模型的扩展速度的取值对模型逼近结果有较大影响。训练过程中,采取交叉验证,不断修正扩展速度取值,以获取最优模型。通过计算,GRNN模型中0～1范围内不同扩展速度取值对应的PRE和REC变化如表2和表3所示,辨识结果的F1值如图6所示。

表2和表3中,扩展速度越大,函数拟合越平滑,但8种类别的设备的逼近误差会变大；扩展速度越小,函数的逼近会越精确。随着扩展速度的取值变大,存在5种设备的辨识查全率和查准率趋于0,监测任务失败。

表2 扩展速度值对识别查准率的影响Table 2 Influence of spread on recognition precision

表3 扩展速度值对识别查全率的影响Table 3 Influence of spread on recognition recall

图6 F1的变化曲线Fig.6 Change curve of F1

由图6可知,8种分类的F1值随着扩展速度的增大而减小。最优扩展速度值为0.1,此时8条曲线对应的分类辨识F1值均为100%。

3 算法对比

结合表1分析结果,实验采集图4中交流主汇流条上8个用电设备的电流数据各70组,共560组,随机选取其中450组作为模型训练样本,110组数据用于模型验证。分别采用BP、SVM和GRNN算法对样本进行模型训练和模型测试,各算法模型的参数设置如表4所示。

误差按逆传播算法训练的多层前馈网络BP(Back-Propagation)网络模型是应用最广泛的神经网络模型之一[21]。BP模型训练过程中,隐含层节点从8开始,随训练过程增加节点数量,表5给出双隐层BP模型中不同节点数量对应的识别准确度和训练时长。

表5数据表明,双隐层BP模型神经元节点数对辨识准确度有着一定影响：各级隐层8个神经元数量的模型训练结果查全率和查准率明显低于其他3组结果,5号设备大翼油箱燃油泵完全未识别出。然而,神经元数量过多导致过拟合,32个节点数对3号频闪灯和5号设备谐波电流的辨识查全率均有所下降,4号液压电动马达和6号发动机进气道防冰活门查准率下降。总体看,24个隐层节点数对应的训练模型最优,辨识结果如图7所示。

图7中,3号设备15个样本点正确辨识出14个,查全率93.33%,该点被误判为6号设备第10个样本点,故6号设备查准率为91.12%。该BP模型在测试样本110个点中,出现1个误判,总体准确度较高。整个模型训练和辨识过程用时49.22 s,该算法用于机载设备监测和管理,计算时间过长。

表4 算法模型参数设置Table 4 Parameter setting of algorithm model

表5 隐层节点数对辨识准确度的影响

图7 BP算法辨识结果Fig.7 Recognition results of BP algorithm

基于统计学习理论的支持向量机(Support Vector Machine,SVM)算法具有鲁棒性强,且计算简单,多用于模式识别和非线性回归问题[22]。采取SVM算法实现图4汇流条上用电设备电流谐波特性辨识,模型训练和辨识过程用时10.13 s，辨识结果如图8所示。

通过图7和图8可知,SVM算法辨识结果中,分类漏判发生在3号设备,导致3号查全率下降至92.31%,6号查准率下降至91.67%,两者的F1值均小于96%。SVM算法的准确度与BP算法相近,但是计算用时有了较大提升。

采取GRNN算法进行负荷辨识,辨识结果如图9所示,8种负荷的辨识结果和实际类别样本点完全吻合,辨识准确度均为100%,辨识过程用时6.42 s。

比较图7～图9辨识结果,同样训练样本和测试样本条件下,110个检测样本点中,BP算法和SVM算法分类误判样本点数均为1个,GRNN无辨识错点,可知GRNN算法泛化能力更强,且函数逼近用时更快速,计算用时具备明显优势,更适用于机载设备监测和管理。

辨识结果查全率、查准率和F1参数对比如图10所示。图10中,对比BP、SVM和GRNN模型辨识准确度,GRNN算法的查全率、查准率和F1的计算值均为100%,BP和SVM算法的查全率仅为93%左右,查准率均在91%左右,可见GRNN算法对于机上设备电流谐波特性的识别更准确。

图8 SVM算法辨识结果Fig.8 Recognition results of SVM algorithm

图9 GRNN算法辨识结果Fig.9 Recognition results of GRNN algorithm

图10 BP、SVM和GRNN算法辨识准确度对比Fig.10 Comparison of recognition accuracy of BP, SVM and GRNN algorithms

4 结 论

国内外研究者针对非侵入式监测技术在家庭用户用电设备的辨识应用研究较为普遍,本文将该方法引入航空电网监测应用中,采用跨学科的研究方法将非侵入式监测技术用于飞机电力系统汇流条上用电设备的负荷分解,能够有效避免在飞机上安装过多传感器来实现用电设备运行状态监控。基于真实汇流条上用电设备的稳态电流数据分析的非侵入式电力负荷分解方法突破了对电力负荷进行功率总量监测的现状,1～19次谐波数据能够有效表征各用电设备类型的电流特性,通过对汇流条电流分析实现设备分解。

GRNN算法有较强非线性分类能力,合理配置法训练样本数和扩展速度,获取最优辨识模型,通过实验对比BP算法和SVM算法结果,GRNN算法的泛化能力更强,辨识准确度明显更优,且函数逼近用时更快速,非常适合飞机用电负荷辨识。

由于飞行任务需求存在用电设备投切变化,用电负载将存在瞬态变换和多种工作状态组合,在本文实验和算法研究的基础上,开展多状态下飞机用电设备负荷辨识研究,进一步运用于飞机用电设备运行管理、状态监控、故障预测等方面将成为下一步研究重点。