CN102645615A - 基于量子遗传算法的船舶电力系统故障诊断方法 - Google Patents

Abstract

本发明提供一种基于量子遗传算法的船舶电力系统故障诊断方法，包括如下步骤a.)船舶电力系统发生故障后，根据故障报警信息通过船舶电力系统拓扑分析确定故障失电区域，确定失电区域中元件；b.)基于a.)建立考虑保护或断路器拒动情况下计及主、后备保护之间状态关系对故障诊断目标函数共同影响的故障诊断数学模型

c.)利用量子遗传算法对故障诊断目标函数进行求解：采用个体的量子比特编码

来表示故障诊断问题。本发明建立了适合船舶电力系统的故障诊断模型，能利用保护和断路器信息实现准确的故障判断，易于实现船舶电力系统的在线故障诊断。

Description

基于量子遗传算法的船舶电力系统故障诊断方法

技术领域

本发明涉及独立电力系统故障诊断领域，具体是一种基于量子遗传算法的船舶电力系统故障诊断方法。

背景技术

船舶电力系统为独立电力系统，船舶所处环境恶劣，电力系统极易因损伤或操作不当在某一集中的地方产生多个故障而导致负载失电，由于船舶舱室空间十分狭小，电力系统一旦发生故障，不利于实地查找。特别是在离港航行中，一切故障的监测、排除要依靠船员完成。虽然船员都有一定的故障维修能力，但是面对突发的复杂故障，特别是失电区域中包含故障元件和非故障元件，保护装置或断路器发生拒动或误动而导致故障范围扩大，故障信息上传产生畸变等情况，他们往往由于缺乏专家的指导而无法确定故障元件，会给船舶电力系统安全稳定运行带来危害。

随着船舶电力系统结构形式日趋复杂、电压等级提高、设备趋向大容量化，以及船舶综合电力系统对供电的要求越来越高，对船舶电力系统故障诊断的研究显得越来越重要。目前船舶电力系统故障诊断理论和方法研究与应用主要是从船舶电力系统的某一方面进行研究，如船舶电站故障、船舶主机故障和针对某型重要设备故障等，而且这些研究主要都是停留在理论和模型的探索阶段。目前，陆地电力系统的故障诊断方法相对比较成熟，主要通过利用有关电力系统及其保护装置和断路器等的信息，采用专家系统、人工神经网络、遗传算法、Petri网络、基于优化技术的等方法识别故障元件位置(区域)、类型和误动作的装置。而对船舶电力系统的故障诊断并没有明确的概念，其诊断方法主要源于对陆地电力系统故障诊断的方法。

发明内容

本发明要解决的技术问题是针对船舶电力系统的特点提出一种基于量子遗传算法的船舶电力系统故障诊断方法。

本发明基于量子遗传算法的船舶电力系统故障诊断方法，包括如下步骤：

a.)船舶电力系统发生故障后，根据故障报警信息通过船舶电力系统拓扑分析确定故障失电区域，确定失电区域中元件；

b.)由于船舶电力系统保护系统中未配置断路器失灵保护、元件的远后备保护仅由上一级关联元件保护提供，且网络的最底层元件不设有远后备保护，且系统线路故障时，保护控制两端断路器跳闸，基于a.)建立考虑保护或断路器拒动情况下计及主、后备保护之间状态关系对故障诊断目标函数共同影响的故障诊断数学模型

$E\left(X\right)=\mathrm{\Σ}|r_{\mathrm{km}}-r_{\mathrm{km}}^{*}||1-r_{\mathrm{kp}}{r}_{\mathrm{kp}}^{*}-r_{\mathrm{ks}}{r}_{\mathrm{ks}}^{*}|+\mathrm{\Σ}|r_{\mathrm{kp}}-r_{\mathrm{kp}}^{*}||1-r_{\mathrm{ks}}{r}_{\mathrm{ks}}^{*}|+\mathrm{\Σ}|r_{\mathrm{ks}}-r_{\mathrm{ks}}^{*}|+\mathrm{\Σ}|C_i-C_i^{*}|,$ 式中：r_km和分别表示某个元件主保护实际和期望状态；r_kp和

分别表示近后备保护实际和期望状态；r_ks和

分别表示远后备保护实际和期望状态；C_i和分别表示断路器的实际和期望状态；

c.)利用量子遗传算法具有比普通遗传算法更好的种群多样性、更快的收敛速度和全局寻优的优点对故障诊断目标函数进行求解。采用个体(染色体)的量子比特编码 $q^t=\left[\begin{array}{cccc}\begin{array}{c}{\mathrm{\α}}_1^t\\ {\mathrm{\β}}_1^t\end{array}& \begin{array}{c}{\mathrm{\α}}_2^t\\ {\mathrm{\β}}_2^t\end{array}& L& \begin{array}{c}{\mathrm{\α}}_n^t\\ {\mathrm{\β}}_n^t\end{array}\end{array}\right]$ 来表示故障诊断问题，其中α、β是复数，称为量子位对应态的概率幅，q^t代表第t代个体的染色体，n为染色体的基因个数，其中适应度值即为目标函数E(X)的值。

本发明具有以下有益效果：该方法建立了适合船舶电力系统的故障诊断模型，能利用保护和断路器信息实现准确的故障判断，易于实现船舶电力系统的在线故障诊断。

附图说明

图1是典型船舶电力系统结构示意图；

图2是图1中电站及其辐射式配电网络结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。

船舶电力系统如图1所示，以图2所示的系统为测试系统，对两个故障算例进行测试。该测试系统共有20个元件、33个断路器和50个保护。

20个元件依次编号为(S₁～S₂₀)：B1，...，B6；T1，...，T4；L1，...，L10；

33个断路器依次编号为(C₁～C₃₃)：CB1，CB2，...，CB33；

50个保护中，20个为主保护，20个为近后备保护，10个为远后备保护。主保护依次编号为(r₁～r₂₀)：B1m，...，B6m；T1m，...，T4m；L1m，...，L10m；近后备保护依次编号为(r₂₁～r₄₀)：B1p，...，B6p；T1p，...，T4p；L1p，...，L10p；远后备保护依次编号为(r₄₁～r₅₀)：B1s，...，B6s；T1s，T2s；L1s，L2s。其中m，p，s分别表示主保护、近后备保护和远后备保护。

故障算例1

测试系统发生故障，警报信号：保护T1P，B1s，T2m，L5p动作，断路器CB5，CB3，CB1，CB6，CB7，CB13跳闸。

通过电力系统网络拓扑识别得到故障区域需要进行故障诊断的元件为：B1，B3，B4，T1，T2，L 3，L4，L5，L6。对应的元件状态向量为S＝[s₁，s₂，L s₉]；断路器实际状态向量 $\begin{array}{c}C=[c_1,c_2,c_3,c_4,c_5,c_6,c_7,c_8,c_9,c_{10},c_{11},c_{12},c_{13},c_{14}]\\ =[\mathrm{1,1,0,1,1,1,0,0,0,0,1,0,0,0},]\end{array},$ 分别对应断路器CB1，CB3，CB4，CB5，CB6，CB7，CB9，CB10，CB11，CB12，CB13，CB14，CB15，CB16。保护的实际状态向量 $\begin{array}{c}R=[r_1,r_2,L{r}_{23}]=[\mathrm{0,0,1,0,0,0,0,0},\\ \mathrm{0,0,1,0,1,0,0,0,0,0,0,0,1,0,0}]\end{array},$ 分别对应B1m，B1p，B1s，B3m，B3p，B3s，B4m，B4p，B4s，T1m，T1p，T1s，T2m，T2p，T2s，L3m，L3p，L4m，L4p，L5m，L5p，L6m，L6p。

由此，形成目标函数

E(S)＝10+(2s₁+4)(1-s₄)+2s₂+2s₃-s₄-s₅+2s₆+3s₇-s₈+3s₉-max{s₄，s₅}

采用量子遗传算法对目标函数进行求解，算法参数设置为：种群规模取10，染色体长度为9，转角步长为0.001*π，最大迭代次数为100。经过18次迭代后算法搜索到E(S)的最小值为6，求得使得E(S)的最小的元件状态向量S＝[s₁，s₂，L s₉]＝[0，0，0，1，1，0，0，1，0]，对应的故障元件为变压器T1，T2，线路L5。

根据保护和断路器的报警信号以及诊断结果，可以分析得知：变压器T1故障，主保护拒动，由近后备保护动作，断路器CB5跳闸，断路器CB4拒动，由母线B1的远后备保护动作，断路器CB3，CB1，CB6跳闸；变压器T2故障，主保护动作，断路器CB6，CB7跳闸；线路L5故障，主保护拒动，由近后备保护动作，断路器CB13，CB14跳闸，其中断路器CB14跳闸信息漏报。这是一个存在主保护拒动、断路器拒动和断路器信息存在漏报的多元件故障，使用本发明提出的模型可以准确的诊断出故障元件。

故障算例2

测试系统运行状态在图2的基础上发生变化，断路器CB7断开，CB8闭合。

测试系统发生故障，故障告警信号：B4m，CB13，CB15，B3s，CB5，CB9，CB11，L7p，CB27，B5s，CB18，CB23，CB28。通过电力系统网络拓扑识别得到故障区域需要进行故障诊断的元件为：B3，B4，B5，L3，L4，L5，L6，L7，L8，T4。对应的元件状态向量为S＝[s₁，s₂，L s₁₀]；断路器实际状态向量

$\begin{array}{c}C=[c_1,c_2,c_3,c_4,c_5,c_6,c_7,c_8,c_9,c_{10},c_{11},c_{12},c_{13},c_{14},c_{15},c_{16,}{c}_{17}]\\ =\left[\mathrm{1,0,1,0,1,0,1,0,1,0,1,1,0,0,1,1,0}\right]\end{array},$ 分别对应断路器CB5，CB8，CB9，CB10，CB11，CB12，CB13，CB14，CB15，CB16，CB18，CB23，CB24，CB26，CB27，CB28，CB29。保护的实际状态向量R＝[r₁，r₂，L r₂₃]＝[0，0，1，1，0，0，0，0，1，0，0，0，0，0，0，0，0，0，1，0，0，0，0]，分另对应B3m，B3p，B3s，B4m，B4p，B4s，B5m，B5p，B5s，L3m，L3p，L4m，L4p，L5m，L5p，L6m，L6p，L7m，L7p，L8m，L8p，T4m，T4p。

由保护和断路器的期望状态，最后得到目标函数：E(S)＝12+(2s₁+1)(1-s₂)-3s₂+(2s₃+1)(1-s₈)+2s₄+2s₅+2s₆+2s₇-2s₈+2s₉+2s₁₀，用量子遗传算法对目标函数进行求解，算法参数设置为：种群规模取10，染色体长度为10，转角步长为0.001*π，最大迭代次数为100。经过12次迭代后算法搜索到E(S)的最小值为7，求得使得E(S)的最小的元件状态向量S＝[s₁，s₂，L s₁₀]＝[0，1，0，0，0，0，0，1，0，0]，对应的故障元件为母线B4，变压器L7。

根据保护和断路器的报警信号以及诊断结果，可以分析得知：母线B4故障，主保护动作，断路器CB13、CB15跳闸，断路器CB8拒动，由母线B3的远后备保护动作，断路器CB5，CB9，CB11跳闸，故障切除；线路L7故障，主保护拒动，由近后备保护动作，断路器CB27跳闸，断路器CB26拒动，由母线B5远后备保护动作，断路器CB18、CB28跳闸，故障切除；断路器CB23系误动。这是一个存在主保护拒动、断路器拒动和误动的多元件故障，使用本发明提出的模型可以准确的诊断出故障元件。

本发明建立考虑保护或断路器拒动情况下计及主、后备保护之间状态关系对目标函数的共同影响的适合船舶电力系统故障诊断的数学模型，并采用了量子遗传算法对模型进行了求解，在存在主保护拒动、断路器拒动、误动和断路器信息存在漏报的多元件故障情况下，该模型能得到正确的唯一的诊断结果。

Claims (1)

1.一种基于量子遗传算法的船舶电力系统故障诊断方法，其特征在于：包括如下步骤：

a.)船舶电力系统发生故障后，根据故障报警信息通过船舶电力系统拓扑分析确定故障失电区域，确定失电区域中元件；

b.)基于a.)建立考虑保护或断路器拒动情况下计及主、后备保护之间状态关系对故障诊断目标函数共同影响的故障诊断数学模型 $E\left(x\right)=\mathrm{\Σ}|r_{\mathrm{km}}-r_{\mathrm{km}}^{*}||1-r_{\mathrm{kp}}{r}_{\mathrm{kp}}^{*}-r_{\mathrm{ks}}{r}_{\mathrm{ks}}^{*}|+\mathrm{\Σ}|r_{\mathrm{kp}}-r_{\mathrm{kp}}^{*}||1-r_{\mathrm{ks}}{r}_{\mathrm{ks}}^{*}|+\mathrm{\Σ}|r_{\mathrm{ks}}-r_{\mathrm{ks}}^{*}|+\mathrm{\Σ}|C_i-C_i^{*}|,$ 式中：r_km和

分别表示某个元件主保护实际和期望状态；r_kp和

分别表示近后备保护实际和期望状态；r_ks和

分别表示远后备保护实际和期望状态；C_i和

分别表示断路器的实际和期望状态；

c.)利用量子遗传算法对故障诊断目标函数进行求解：采用个体的量子比特编码 $q^t=\left[\begin{array}{cccc}\begin{array}{c}{\mathrm{\α}}_1^t\\ {\mathrm{\β}}_1^t\end{array}& \begin{array}{c}{\mathrm{\α}}_2^t\\ {\mathrm{\β}}_2^t\end{array}& L& \begin{array}{c}{\mathrm{\α}}_n^t\\ {\mathrm{\β}}_n^t\end{array}\end{array}\right]$ 来表示故障诊断问题，其中α、β是复数，称为量子位对应态的概率幅，q^t代表第t代个体的染色体，n为染色体的基因个数，其中适应度值即为目标函数E(X)的值。

Images