一种船舶微电网的风险预测评估方法
2019-08-06刘奕成李玉芳康陈媛
刘奕成,李玉芳,康陈媛
(江苏科技大学电信学院,江苏 镇江 212003)
微电网通常包括分布式电源、存储设备、控制单元和负载。微电网分为并网模式和孤岛模式2 种。在并网模式下,微电网供电负载和主电网,电压由主电网决定。在孤岛模式中,分布式电源必须满足负载要求并确保整个微电网的稳定性。船舶电网也是一种孤岛模式下的微电网。本文提供了一种新的船舶微电网在一段时间内风险预测的新方法,该方法包括预测和风险评估。风险评估部分包括网络拓扑分析方法、电网电流计算和蒙特卡洛算法。通过仿真,建立了用于风险评估的微电网拓扑模并得出了船舶微电网风险预测评估结果。
1 MHMM 算法
MHMM 算法描述如下:
HMM 模型由2 个状态集和3 个概率矩阵组成,分别是隐状态、可观测状态、初始状态、概率矩阵、隐状态转移概率矩阵、可观测状态转移概率矩阵。
隐状态S,这些状态之间的关系满足马尔可夫性质,它们是马尔可夫模型中的实际隐含状态。这些状态通常无法通过直接观察得到,例如,
模型中与隐态相关的可观测状态O 可以通过直接观测得到。可观测状态的数目不必与隐藏状态相同。
初始状态概率矩阵P 是初始时刻t=1 时隐态的概率矩阵,例如,当t=1 时,
初始状态概率矩阵为,
隐态转移概率矩阵A 描述了HMM 模型中各状态之间的转移概率。
Aij是 指 当 时 间t 中 状 态 为Si时, 状 态 在t=1 中状态为Sj的概率。 可观测状态转移概率矩阵B,N 表示隐藏状态数,M 表示可观测状态数, 则
Bij是指在时间t 中,当隐藏状态为Sj时,可观测状态为Oi的概率。
因此,HMM 可以表示为λ(M,N,π,A,B),也可以简单表示为λ(π,A,B)。
考虑到单个HMM 的随机性会影响评估的准确性,本文提出了一种MHMM 算法。
MHMM 算法评估具体计算过程如下:(1)建立HMM
(2)生成最优概率序列
(3)选择序列
选择序列必须满足一个条件,统计序列必须处于正常工作状态时间t-1 满足。
然后将满足条件的序列用于分析评估单元在时间t 内的状态。
(4)计算异常概率
假设所选序列的个数为Q,Q ≤P,并且这Q 个序列在时间t 中的状态已被使用统计数据分析。Q1是正常状态的序列的个数(矩阵H 中元素的值为1)。Qi是状态为i 的序列的个数(矩阵H 中的元素的值为i)。所以评估单元在时间t 内异常的概率可以表示为:
(5)生成异常序列
重复步骤(4),从t=0 到t=T,评估单元的异常概率为:
2 风险预测评估方法
通过船舶综合电力推进系统识别拓扑模型的必要参数,包括节点数据矩阵、分支数据矩阵、和发电数据矩阵,参数包括有功和无功功率、电压、相角、电阻和电抗、变比、功率、电路容量等正常情况下的电流计算为初始参考。根据状态概率的序列计算节点和分支的故障率和修复率。
Fi表示第i 节点、分支或发电机的故障率序列。假设节点数为N,在时间段T 内节点的故障率矩阵如下所示:
本文中的修复率是评估单元处于修复状态的概率与该单元初始修复率的乘积,假设修复率为
为第i 个评估单元的初始修复率,为第i 个评估单元在时间t 内的修复率,则第i 个评估单元在时间t 内的修复率序列为:
节点在时间T 内的修复率矩阵如下所示:
利用蒙特卡罗算法模拟计算了非正常工况下的电流,经过反复测试得到了在时间T 内电力潮流的计算结果。将正常和非正常工况下的电流计算结果进行比较,最终得到风险预测评估结果。
3 验证
以一个受海况影响的船舶微电网为例,对本文的风险评估方法进行了验证。
3.1 数据生成
在仿真过程中,首先计算初始状态概率矩阵。然后将海况数据作为扰动进行仿真,收集受海况影响的分量的数据。
3.2 基于MHMM 算法的组件状态分析
在船舶集成推进系统风险预测评估中,隐藏状态S 包括S1(正常工作状态)、S2(故障状态)、S3(修复状态)。时间t 内的隐藏状态是
3 结语
本文提出了一种船舶微电网风险预测评估方法。然后以船舶微电网为例对该方法进行了测试验证。根据风险预测评估方法的全过程,得出以下结论:
(1)本文提出了一种新的基于MHMM 的状态预测方法。该方法将HMM 算法与统计理论相结合,可以在未来预测和分析系统在连续时间点的状态概率。
(2)本文将MHMM 算法与网络拓扑分析相结合,提出了一种新的船舶微电网风险预测评估方法,该方法可以预测和分析船舶微电网未来的风险。风险预测评估方法也可以应用于许多其他领域,如果采用一些新的智能算法对该方法进行改进,该方法可以用于进行实时风险预测评估。因此,该方法的应用前景非常广阔。