多能源船舶電網風險評價指標體系構建方法

智鵬飛, 劉 芳, 楊 森, 袁科琛

(1.江蘇科技大學 電子信息學院， 鎮江 212100) (2.上海外高橋造船有限公司，上海 200137)

當今的海洋環境污染日益嚴重，航運業是污染的重要原因之一[1].目前，大部分船舶采用的發電機主要是柴油發電機，導致傳統船舶電網不僅每年消耗大量石油，而且對環境造成嚴重影響.國際海事組織和世界各國正在積極采取各種有效措施，以減少船舶排放對大氣的污染[2-3].由光伏電池、風力發電等可再生能源搭配蓄電儲能裝置，與傳統柴油發電機組成的多能源船舶電網是現代船舶電網的主要發展方向之一[4-5].

目前關于多能源電網的研究主要集中在陸地新能源的可靠性分析和風險評估方面[6-7].在風力發電研究方面，文獻[8]利用點估計來測量風電接入電網后有功功率的超限風險，搭建嚴重性模型和線路過載的概率模型用于衡量風險；文獻[9-10]將風電和光伏輸出預測誤差與負荷預測誤差的概率分布結合，估算線路有功功率超限風險和頻率超限風險.在可靠性分析方面，文獻[11]分析了變電站可靠性因素，以事件樹形式描述開關處于各種操作狀態的概率，結合條件概率獲得可靠性指標；文獻[12-13]將拉丁超立方采樣應用于新能源電力系統的可靠性評估，重點關注可再生能源發電的間歇性和負載節點的波動性.文獻[14-15]針對液化天然氣(liquified natural gas,LNG)船的通航環境和泄露事故開展了定量風險評估方法研究.但是在多能源船舶電網方面，尤其是風險評估相關的研究成果很少，文中提出了風險評價指標體系建立原則，基于模糊動態層次分析法(fuzzy dynamic analytic hierarchy process,FDAHP)的指標權重計算方法，構建了多能源船舶電網風險評價指標體系，最后對功率波動下的多能源船舶電網進行了風險分析.

1 評價指標體系建立原則

多能源船舶電網是一個復雜而龐大的系統.因此必須按照“組件-單元-模塊-系統”的次序完成系統風險評估.因此，多能源船舶電網風險評估指標體系的建立過程需要滿足以下原則：

(1) 指標最簡原則，指在能滿足單元進行風險評估需求的情況下，應盡量保留較少的指標.即如果單元中的某個元件對單元的風險影響很小，在風險評估精度允許的情況下，為了提高評估速度，可以忽略該元件.

(2) 指標可測原則，指盡量選擇容易定量計算的指標和容易準確確定的指標，尤其是盡量選擇可以實驗測試的定量指標，即被選作指標的元件的風險參數應該是容易定量計算或者是可以用實驗測試數據分析得到的.

(3) 指標客觀性原則，指被選作指標的元件能夠真實的與被評估單元的風險發生聯系，即被選作指標的所有元件的風險參數都必須與單元的風險參數有直接關系，較客觀反映被評估單元在各種工況下的各項風險參數.

(4) 指標完備性原則，指被評估單元的綜合風險評估指標體系的各個指標能較為全面地反映被評估單元的風險參數，即在滿足最簡原則的條件下，被評估單元中所有能夠影響單元風險評估參數的元件，都要成為風險評價指標.

(5) 指標獨立性原則，是指即風險評估指標體系中的各個指標都應盡可能地獨立，減少指標內涵的重疊度，這樣在確定指標權重時，可以在不考慮或少考慮指標重疊造成的影響的情況下得到較符合實際的權重.

以包含N個組件的單元為例，建立指標系統的過程如圖1.

圖1 單元風險評價指標體系建立過程圖Fig.1 Process diagram of the establishment of unitrisk evaluation index system

如圖1，對于包含N個元件的單元，首先要根據指標完備性原則即盡量將N個元件全部納入風險評價指標體系；隨后根據指標客觀性原則和指標可測性原則，在保證指標完備性的基礎上篩選出M個元件進行下一步風險評估；之后根據指標最簡原則，將能作為元件組的元件整合成K個元件組或元件，這K個元件組或元件要保證指標獨立性原則；最后建立單元風險評價指標體系對單元進行風險評估，并得到單元的風險評估參數.

2 FDAHP權重賦值方法

層次分析法(analytic hierarchy process，AHP)是將決策總是有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析的決策方法.但是當某一層次評價指標很多時(4個以上)，其思維一致性很難保證.在這種情況下，將模糊法與層次分析法的優勢結合起來形成的模糊層次分析法(fuzzy analytic hietarchy process,FAHP)，將能很好地解決這一問題[16].考慮到多能源船舶電網風險評估應該是個長期動態的過程，文中在FAHP的基礎上引入動態層次結構，提出FDAHP來確定多能源船舶電網風險評估指標的權重，以保證指標權重的精確性、客觀性和實時性.

2.1 層次評價結構

多能源船舶電網風險評估指標體系分為4層：第一層為預定目標(A)，即多能源船舶電網風險評估這一目標；第二層為一級指標，包括多能源船舶電網的4種工況：啟航(B1)、停車(B2)、倒車(B3)和突變負載(B4)；第三層為二級指標，是一級指標下面的若干個子指標項，共16項，分別包括4種工況下發電模塊、負載模塊、輸配電模塊和推進模塊的風險指標；第四層為三級指標，是二級指標下面的光伏發電模塊、風力發電模塊等若干個子指標項，共44項；第五層為四級指標，是三級指標下面的光照強度、風速等若干個子指標項，共132項.

2.2 構建FAHP比較判斷矩陣

根據AHP常用的九級標度法，結合三角模糊集合構建方式，定義成對比較的九級標度模糊判斷術語來搜集專家意見如表1.

表1 判斷術語的模糊集合Table 1 Determine the fuzzy set of terms

根據表1所述的模糊判斷術語，搜集每個專家的判斷意見，對各層級指標構建模糊判斷矩陣，假設層次模型中某層級具有j個因素，用aij表示第i個因素對于第j個因素的重要性比較結果，該層級的判斷矩陣A為：

A=(aij)n×m=

i,j=1,2,…,n;i

(1)

2.3 權向量概率分布計算

通過對FAHP權向量的概率分布計算，得到同一層指標的模糊權重，具體計算過程如下.

首先計算FAHP判斷矩陣A的列向量之和：

i=1,2,…,n

(2)

式中:RSi為第i列向量之和.對FAHP判斷矩陣A進行歸一化計算得到權向量三角模糊數為：

i=1,2,…,n

(3)

式中：Si為判斷矩陣A第i個指標權重的三角模糊數，(S1，S2，…,Sn)T組成FAHP判斷矩陣A的特征向量.

對模糊動態判斷矩陣權重向量進行計算，第i個因素滿足n個目標的綜合程度值計算公式為：

Si(t)>=(sui(t),smi(t),sli(t))=

(4)

第i個因素的未歸一化權重為：

(5)

式中：α∈[0,1]為判斷系數，α=1時，表示決策者完全認同；α=0時，表示決策者完全否決；0<α<1表示決策者的認同度介于認同和否決之間.

之后確定專家動態權重，設n個專家給出的判斷矩陣在時間t所得歸一化權向量分別為w1(t)，w2(t)，……，wn(t)，時間t的歷史數據為w(t).則在時間t，wi(t)與w(t)的相似度為:

φi(t)=cosθi(t)=

(wi(t)·w(t))/(|wi(t)|·|w(t)|)

(6)

定義時間t向量wi(t)與w(t)的偏差度為：

Di(t)=1-φi(t)i=1,2,…,n

(7)

若Di(t)≠0(i=1,2,…,n)，令第i位專家的權向量為：

(8)

若Dik(t)=0(k=1,2,…,n)，令βik(t)=1/k，其余Dik(t)≠0的專家的權都為零.

然后確定動態層次結構模型，根據時間t歷史數據和專家給出的判斷矩陣得出的權向量定出每個專家的權值，之后計算出t+Δt時間的每個因素的最終權向量：

w(t+Δt)=

(9)

3 風險評價指標體系構建

根據風險評價指標體系建立原則，構建多能源船舶電網風險評價指標模型，如圖2.

圖2 多能源船舶電網風險評價指標體系模型Fig.2 Multi-energy ship power grid riskevaluation index system model

如圖2，整個系統風險評估模型包括啟航、倒車、停車和負載突變4種工況作為一級指標.在每種工況下，發電模塊，負載模塊，輸配電模塊和推進模塊的風險因素作為二級指標.四大模塊的每個子系統或設備的風險因素作為第三級指標，各子系統和設備所包含的單元風險作為四級指標.

聘請20名與多能源船舶電網相關的高校和研究機構的專家對判斷矩陣A中的指標進行評分，基于專家評分結果進行綜合分析和統計，評價多能源船舶電網風險評價體系中各級評價指標的重要性，構建初始FAHP判斷矩陣(表2).

表2 一級指標初始FAHP判斷矩陣Table 2 Initial FAHP judgment matrixof first-level indicators

根據專家對于各層級指標的兩兩比較判斷意見組成的各層級FAHP判斷矩陣，得到各層級FDAHP權向量，以一級指標初始FAHP判斷矩陣為例，計算其權向量為：

(10)

在初始FAHP矩陣的基礎上可得到各層級指標的整體排序，采用FDAHP方法進行指標體系的整體權重賦值.表3是多能源船舶電網風險評價指標體系的權重賦值結果，也是所構建的最終評估指標體系，由于篇幅關系，僅以一級指標啟航下的評價指標體系為例.

表3 多能源船舶電網風險評價指標體系權重賦值結果Table 3 Weight assignment resultsof multi-energy ship power grid risk evaluation index system

4 多能源船舶電網實驗與仿真分析

4.1 多能源船舶電網半物理仿真實驗

實驗數據來自于半實物仿真平臺，包括光伏發電設備、風力發電設備、柴油發電機、蓄電池、普通負載、突變負載、推進電機、螺旋槳負載、智能配電柜、中央控制臺、RT-LAB仿真器等(圖3).

圖3 多能源船舶電網半實物仿真平臺Fig.3 Multi-energy ship power grid semi-physicalsimulation platform

依托半實物仿真平臺，通過前期實驗發現，多能源船舶電網的穩定性與光照強度和風力大小有一定的聯系.通過在4種不同光強和風力工況下分別進行100次負載多次突變工況下的半物理仿真實驗(每次持續1 h)，得到系統故障次數和平均無故障運行時間數據如表4.

表4 負載突變下系統實驗數據Table 4 Experimental data graph undersudden load conditions

4.2 多能源船舶電網風險評價仿真分析

多能源船舶電網風險評價主要由兩個系統風險參數表示：風險發生概率(PRO)和期望缺供電力(EDNS，MW)，

(1)系統風險發生概率

風險發生概率是多能源船舶電網工作時故障發生的概率.在多能源船舶電網中，假設系統節點總數為NU，則節點k的風險發生概率為：

(11)

式中：Pik為與單元節點k處于失效停運狀態i的概率；Nk為引起單元節點k削減單元的狀態總數.

則系統風險發生概率PRO為：

(12)

(2)系統期望缺供電力

系統期望缺供電力是當船舶綜合電力推進系統發生風險時，所損失的負載功率的期望值，假設系統的單元節點數為NU，則單元節點k的期望缺供電力EDNSk為：

(13)

式中：Lk為單元節點k的平均單元功率，MW.則系統期望缺供電力EDNS為：

(14)

選取強風有光照和弱風無光照兩種工況，以某實際多能源船舶電網為例(光伏和風力發電容量約占全船電網發電容量的50%)，按船舶電網實際參數搭建模型進行仿真.風險發生概率PRO和期望缺供電力EDNS曲線分別如圖4，5.

圖4 兩種工況下系統風險發生概率PRO曲線Fig.4 >PRO curve under two working conditions

在圖4和圖5中，多能源船舶電網的系統風險發生概率PRO隨著功率需求的波動而變化，并且在弱光和無風的條件下系統的PRO和EDNS高于強光和大風條件下的PRO和EDNS.結果與多能源船舶電網的半實物仿真平臺實驗情況一致，驗證了文中方法的正確性.

圖5 兩種工況下系統期望缺供電力EDNS曲線Fig.5 >EDNS curve under two operating conditions

5 結論

(1) 提出一種基于FDAHP的多能源船舶電網風險評價指標體系構建方法，建立了多能源船舶電網風險評價模型，并在強風有光照和弱風無光照兩種工況下進行了仿真.

(2) 仿真結果表明，光伏和風電模塊可以提高船舶微電網在需求功率發生波動時的系統魯棒性，降低風險發生概率和系統期望缺供電力，該結果與多能源船舶電網的半實物仿真平臺實驗情況一致.驗證了文中提出方法的正確性.該方法也可適用于其他微電網和電力系統，應用前景廣泛.

參考文獻(References)

[1] HUANG A Q, CROW M L, HEYDT G T, et al. The future renewable electric energy delivery and management (FREEDM) system: the energy internet[J]. Proceedings of the IEEE, 2010, 99(1): 133-148. DOI：10.1109/JPROC. 2010. 2081330.

[2] KRAUSE T, ANDERSSON G, FROHLICH K, et al.Multiple-energy carriers: modeling of production, delivery, and consumption[J]. Proceedings of the IEEE, 2010, 99(1): 15-27. DOI：10.1109/JPROC.2010.2083610.

[3] ABE R, TAOKA H, MCQUILKIN D. Digital grid: Communicative electrical grids of the future[J]. IEEE Transactions on Smart Grid, 2011, 2(2): 399-410.DOI： 10.1109/TSG.2011.2132744.

[4] LASSETER R, AKHIL A, MARNAY C, et al. The CERTS microgrid concept[R]. White paper for Transmission Reliability Program, Office of Power Technologies, US Department of Energy, 2002, 2(3): 30.

[5] BOYD J. An internet-inspired electricity grid[J]. IEEE Spectrum, 2012, 50(1): 12-14. DOI： 10.1109/MSPEC. 2013. 6395291.

[6] XUE Yusheng. Energy internet or comprehensive energy network?[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(3): 297-301. DOI：10.1007/s40565-015-0111-5.

[7] NAZAR M S, HAGHIFAM M R. Multiobjective electric distribution system expansion planning using hybrid energy hub concept[J]. Electric Power Systems Research, 2009, 79(6): 899-911.DOI:10.1016/j.epsr.2008.12.002.

[8] LI Xue, ZHANG Xiong, WU Lei, et al. Transmission line overload risk assessment for power systems with wind and load-power generation correlation[J]. IEEE Transactions on Smart Grid, 2015, 6(3): 1233-1242. DOI：10.1109/TSG.2014.2387281.

[9] NEGNEVITSKY M, NGUYEN D H, PIEKUTOWSKI M. Risk assessment for power system operation planning with high wind power penetration[J]. IEEE Transactions on Power Systems, 2014, 30(3): 1359-1368. DOI： 10.1109/TPWRS. 2014.2339358.

[10] CUI Mingjian, ZHANG Jie, HODGE Bri-Mathias, et al. A methodology for quantifying reliability benefits from improved solar power forecasting in multi-timescale power system operations[J]. IEEE Transactions on Smart Grid, 2018,9(6): 6897-6908. DOI: 10.1109/TSG.2017.2728480.

[11] MATOS M A, BESSA R J. Setting the operating reserve using probabilistic wind power forecasts[J]. IEEE Transactions on Power Systems, 2010, 26(2): 594-603. DOI： 10.1109/TPWRS.2010.2065818.

[12] HAJIAN-HOSEINABADI H. Impacts of automated control systems on substation reliability[J]. IEEE Transactions on Power Delivery, 2011, 26(3): 1681-1691. DOI： 10.1109/TPWRD.2011.2119404.

[13] SHU Z, JIRUTITIJAROEN P. Latin hypercube sampling techniques for power systems reliability analysis with renewable energy sources[J]. IEEE Transactions on Power Systems, 2011, 26(4): 2066-2073. DOI： 10.1109/TPWRS. 2011.2113380.

[14] 張仕元,劉德新,朱景林,等.基于云模型的LNG船舶通航環境風險評價[J].江蘇科技大學學報(自然科學版),2018,32(3):325-331.DOI: 10.11917/j.issn.1673-4807.2018.03.003.

ZHANG Shiyuan, LIU Dexin, ZHU Jinglin, et al. Risk evaluation for the navigation environment of the LNG ship based on the cloud model [J]. Journal of Jiangsu University of Science and Technology(Natural Science Edition), 2018,32(3):325-331. DOI: 10.11917/j.issn.1673-4807.2018.03.003.(in Chinese)

[15] 王慶豐,崔相義.內河水域LNG運輸船泄漏事故的定量風險評估[J].江蘇科技大學學報(自然科學版),2019,33(1):16-20.DOI:10.11917/j.issn.1673-4807.2019.01.003.

WANG Qingfeng, CUI Xiangyi. Quantitative risk assessment on leakage accidents of LNG carriers in inland rivers [J]. Journal of Jiangsu University of Science and Technology(Natural Science Edition), 2019,33(1):16-20.DOI: 10.11917/j.issn.1673-4807.2019.01.003.(in Chinese)