基于小波图神经网络的舰船电力系统非侵入性故障检测

海军舰船电力系统（SPS）正迅速实现电气化，导致负载产生脉动电流并遭遇显著瞬态。然而，单靠传统的基于时间的特征不足以有效监测和保护这些负载免受故障影响。这突显了需要先进的机器学习方法来识别和区分负载曲线中的各种瞬态阶段。在本文中，我们提出了一种用于SPS中非侵入性故障检测的小波图神经网络（WGNN）模型。故障检测系统利用SPS的动态模型来训练和测试在不同故障场景下的性能。WGNN模型有效捕捉了SPS网络中组件状态之间的基本结构和相互依赖关系，实现了对侵入性故障检测的准确率超过99%，对非侵入性故障检测的准确率达到97%。所开发的WGNN模型在脉动负载和噪声存在的情况下也表现出稳健性，准确率超过95%。最后，对所提方法的实时仿真在硬件在环系统上得到了验证，确保了所提方法的高保真度和低延迟。这些发现验证了所提WGNN模型在故障检测和SPS实际应用中的有效性。