一種船舶微電網的風險預測評估方法

劉奕成，李玉芳，康陳媛

（江蘇科技大學電信學院，江蘇 鎮江 212003）

微電網通常包括分布式電源、存儲設備、控制單元和負載。微電網分為并網模式和孤島模式2 種。在并網模式下，微電網供電負載和主電網，電壓由主電網決定。在孤島模式中，分布式電源必須滿足負載要求并確保整個微電網的穩定性。船舶電網也是一種孤島模式下的微電網。本文提供了一種新的船舶微電網在一段時間內風險預測的新方法，該方法包括預測和風險評估。風險評估部分包括網絡拓撲分析方法、電網電流計算和蒙特卡洛算法。通過仿真，建立了用于風險評估的微電網拓撲模并得出了船舶微電網風險預測評估結果。

1 MHMM 算法

MHMM 算法描述如下：

HMM 模型由2 個狀態集和3 個概率矩陣組成，分別是隱狀態、可觀測狀態、初始狀態、概率矩陣、隱狀態轉移概率矩陣、可觀測狀態轉移概率矩陣。

隱狀態S，這些狀態之間的關系滿足馬爾可夫性質，它們是馬爾可夫模型中的實際隱含狀態。這些狀態通常無法通過直接觀察得到，例如,

模型中與隱態相關的可觀測狀態O 可以通過直接觀測得到。可觀測狀態的數目不必與隱藏狀態相同。

初始狀態概率矩陣P 是初始時刻t=1 時隱態的概率矩陣，例如，當t=1 時，

初始狀態概率矩陣為，

隱態轉移概率矩陣A 描述了HMM 模型中各狀態之間的轉移概率。

Aij是 指 當 時 間t 中 狀 態 為Si時， 狀 態 在t=1 中狀態為Sj的概率。 可觀測狀態轉移概率矩陣B，N 表示隱藏狀態數，M 表示可觀測狀態數， 則

Bij是指在時間t 中，當隱藏狀態為Sj時，可觀測狀態為Oi的概率。

因此，HMM 可以表示為λ(M,N,π,A,B)，也可以簡單表示為λ(π,A,B)。

考慮到單個HMM 的隨機性會影響評估的準確性，本文提出了一種MHMM 算法。

MHMM 算法評估具體計算過程如下：（1）建立HMM

（2）生成最優概率序列

（3）選擇序列

選擇序列必須滿足一個條件，統計序列必須處于正常工作狀態時間t-1 滿足。

然后將滿足條件的序列用于分析評估單元在時間t 內的狀態。

(4)計算異常概率

假設所選序列的個數為Q，Q ≤P，并且這Q 個序列在時間t 中的狀態已被使用統計數據分析。Q1是正常狀態的序列的個數（矩陣H 中元素的值為1）。Qi是狀態為i 的序列的個數(矩陣H 中的元素的值為i)。所以評估單元在時間t 內異常的概率可以表示為：

(5)生成異常序列

重復步驟（4）,從t=0 到t=T,評估單元的異常概率為：

2 風險預測評估方法

通過船舶綜合電力推進系統識別拓撲模型的必要參數，包括節點數據矩陣、分支數據矩陣、和發電數據矩陣，參數包括有功和無功功率、電壓、相角、電阻和電抗、變比、功率、電路容量等正常情況下的電流計算為初始參考。根據狀態概率的序列計算節點和分支的故障率和修復率。

Fi表示第i 節點、分支或發電機的故障率序列。假設節點數為N，在時間段T 內節點的故障率矩陣如下所示：

本文中的修復率是評估單元處于修復狀態的概率與該單元初始修復率的乘積，假設修復率為

為第i 個評估單元的初始修復率，為第i 個評估單元在時間t 內的修復率，則第i 個評估單元在時間t 內的修復率序列為:

節點在時間T 內的修復率矩陣如下所示：

利用蒙特卡羅算法模擬計算了非正常工況下的電流，經過反復測試得到了在時間T 內電力潮流的計算結果。將正常和非正常工況下的電流計算結果進行比較，最終得到風險預測評估結果。

3 驗證

以一個受海況影響的船舶微電網為例，對本文的風險評估方法進行了驗證。

3.1 數據生成

在仿真過程中，首先計算初始狀態概率矩陣。然后將海況數據作為擾動進行仿真，收集受海況影響的分量的數據。

3.2 基于MHMM 算法的組件狀態分析

在船舶集成推進系統風險預測評估中，隱藏狀態S 包括S1(正常工作狀態)、S2(故障狀態)、S3(修復狀態)。時間t 內的隱藏狀態是

3 結語

本文提出了一種船舶微電網風險預測評估方法。然后以船舶微電網為例對該方法進行了測試驗證。根據風險預測評估方法的全過程，得出以下結論:

（1）本文提出了一種新的基于MHMM 的狀態預測方法。該方法將HMM 算法與統計理論相結合，可以在未來預測和分析系統在連續時間點的狀態概率。

（2）本文將MHMM 算法與網絡拓撲分析相結合，提出了一種新的船舶微電網風險預測評估方法，該方法可以預測和分析船舶微電網未來的風險。風險預測評估方法也可以應用于許多其他領域，如果采用一些新的智能算法對該方法進行改進，該方法可以用于進行實時風險預測評估。因此，該方法的應用前景非常廣闊。