采用量子遗传算法的船舶电网故障诊断方法

王家林，夏立，吴正国，杨宣访

（海军工程大学电气与信息工程学院，武汉 430033）

采用量子遗传算法的船舶电网故障诊断方法

王家林，夏立，吴正国，杨宣访

（海军工程大学电气与信息工程学院，武汉 430033）

为在船舶电网发生故障时能准确的确定故障元件，在深入分析船舶电力系统独特的结构和保护配置特点的基础上，考虑保护或断路器拒动情况下计及主保护、后备保护之间状态关系对目标函数的共同影响建立了适合船舶电力系统故障诊断的数学模型，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能力的优点对故障诊断数学模型进行求解，并利用典型船舶电网故障算例对所提方法进行了验证，算例结果说明了该故障诊断模型的合理性和诊断结果的准确性。

船舶电力系统；故障诊断；量子遗传算法；目标函数

船舶电力系统为独立电力系统，船舶所处环境恶劣，电力系统极易因战斗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[1]。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，往往由于缺乏专家的指导而无法确定故障元件，给船舶电力系统安全稳定运行带来危害。而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[2]。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、基于优化技术等方法识别故障元件位置（区域）、类型和误动作的装置[3，4]。这些方法都为船舶电力系统故障诊断方法研究提供了很好的思路。本文在深入分析船舶电力系统独特的结构和保护配置特点的基础上，建立考虑保护或断路器拒动情况下计及主保护、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，船舶电力系统发生故障时，对电力系统进行拓扑分析识别故障区域，确定需要进行故障诊断的元件，并形成故障诊断目标函数，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能力的特点对模型进行求解。仿真实例说明了该故障诊断模型的合理性和诊断结果的准确性。

1 船舶电力系统结构特点和保护配置

本文研究的典型的船舶电力系统[5]如图1所示，发电机电源之间利用纵横向跨接线或母线将主配电板连接起来形成回路，这样既有从主配电板到分配电板到负载的纵向连接，又有各主配电板之间的横向接线形成环型网络，各电站通过主配电板以环形联结，每个主配电板上都设有发电机之间的隔离开关，必要时所有发电机组均可单独工作，实行分区供电，提高供电的灵活性。配电网络采用辐射式结构，重要负载直接接在主配电板上，其他负载由区域配电板即负载中心供电，这种供电模式，提高了供电的可靠性和生命力，是船舶电力系统发展的一个重要方向。电站1及其辐射式配电网络结构如图2所示，其中G表示发电机，T表示变压器，L表示线路，B表示母线，CB表示开关（CB8，CB25均为常开开关）。

图1 典型的船舶电力系统Fig.1Typical shipboard power system

目前在船舶电力系统中，保护分为瞬时脱扣、短延时脱扣和长延时脱扣，它们相互配合组成整个船舶电网的保护系统，这三种保护的功能与陆地电力系统主保护、近后备保护和远后备保护实现的功能特点是一致的。为表述方便，将船舶电力系统保护统一按主保护，近后备保护和远后备来进行说明和定义[6]。

图2 电站1及其辐射式配电网络Fig.2Power station 1 and its radiate power distribution system

船舶电力系统因船舶的特殊需要造成其保护和陆地电力系统相比具有显著的不同，主要体现在如下4个方面：①线路和设备密集，供配电线路短，与陆地电力系统线路分为受端和送端保护不同，船舶电力系统线路故障时，保护控制两端断路器跳闸；②开关和保护装置一体化设计，一般不设置断路器失灵保护功能；③以主母线为中心可将电力系统划分为几个相对独立的单侧电源辐射状结构的输配电区域，元件故障时，由主保护或近后备保护动作，相关断路器跳闸切除故障；若本元件保护未能切除故障，则由靠近电源侧的关联元件（上级关联元件）保护作为远后备保护动作，相关断路器跳闸切除故障；而陆地电力系统是多源系统，将所有关联元件保护作为远后备保护；④电力系统网络的最底层元件与负载设备直接相连，负载设备发生故障时由其自身的保护将设备隔离出电网，故网络的最底层元件如图2中：L3、L4、L5等元件只设有主保护和近后备保护，不设有远后备保护。

2 船舶电力系统故障诊断模型

船舶电力系统发生故障后，最终都会由相关的保护和断路器动作，形成失电区域。通过对故障前后的电力系统拓扑分析得到故障后的无源网络，故障元件肯定在无源网络中，这些无源区域就是故障失电区域，故障元件的识别就可以局限于故障失电区域中所包含的元件。

文献[7]提出的故障诊断模型为

式中：rk，m和rk，m*分别表示某个设备主保护实际和期望状态；rk，p和rk，p*分别表示近后备保护实际和期望状态；rk，s和rk，s*分别表示远后备保护实际和期望状态；Ci和Ci*分别表示断路器的实际和期望状态。

文献[8]指出了文献[7]中的故障诊断模型存在多解的问题，并针对产生多解的原因，提出了计及主、后备保护之间状态关系对目标函数的共同影响的改进电力系统故障诊断优化模型，为

对于元件的保护，保护动作时rk，m*、rk，p*为1，否则为0；对于断路器，断路器应跳闸时Ci*为1，否则为0。其中：主保护的期望状态=元件状态；近后备保护期望状态=元件状态×（1-保护状态）；配置有远后备保护的元件的远后备保护期望状态=1-[1-关联元件1的状态值×（1-关联路径上断路器1的状态值）×（1-关联路径上断路器2状态值）×…]；断路器的期望状态=max{（与该断路器相关的保护的期望状态函数值×该保护实际状态值）}。

对于元件的保护，保护应动作时rk，m*、rk，p*为1，否则为0；对于断路器，断路器应跳闸时Ci*为1，否则为0。

3 采用量子遗传算法的故障诊断模型的求解

量子遗传算法融合了量子理论和经典遗传算法的优点，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能力，本文根据船舶电力系统故障诊断问题的特点，给出量子编码方案，并采用量子遗传算法来求解故障诊断问题[9-12]。

电力系统故障时，若失电区域的的元件数为n，在普通遗传算法中基因采用二进制编码：1表示元件故障；0表示元件无故障。因此故障诊断问题可由染色体表示为q=[1 0 1…1 1 0]，染色体的基因个数为n。在量子理论中，充当信息存储单元的物理介质是一个双态量子系统，称为量子比特（qubit）。对应于二进制编码，“0态”就表示一个染色体各个基因位上的值都对应为0，“1态”就表示一个染色体各个基因位上的值都对应为1；|φ〉=α| 1〉+β|1〉这种混合态就表示一个染色体各个基因位上的值是由0或1组成的，而|α|2、|β|2就分别表示对应基因位上取1或0的概率。由此，采用个体（染色体）的量子比特编码来表示故障诊断问题。

4 仿真算例

为验证本文所采用方法的正确性，在如图2所示的测试系统中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，B2，…，B6；T1，T2，T3，T4；L1，L2，…，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，B2m，…，B6m；T1m，T2m，T3m，T4m；L1m，L2m，…，L10m；近后备保护依次编号为r21～r40：B1p，B2p，…，B6p；T1p，T2p，T3p，T4p；L1p，L2p，…，L10p；远后备保护依次编号为r41～r50：B1s，B2s，…，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。

4.1 故障算例1

测试系统发生故障，报警信号为保护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，L3，L4，L5，L6。对应的元件状态向量为S=[s1，s2，…，s9]；断路器实际状态向量C=[c1，c2，…，c14]=[1，1，0，1，1，1，0，0，0，0，1，0，0，0]，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R=[r1，r2，…，r23]= [0，0，1，0，0，0，0，0，0，0，1，0，1，0，0，0，0，0，0，0，1，0，0]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。

由本文第3节保护和断路器期望状态计算方法得到保护和断路器的期望状态如表1所示。

表1 保护和断路器的期望状态Tab.1Anticipant states of protections and breakers

由此，根据式（3）形成目标函数为

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0.001π，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E（S）最小的元件状态向量S=[s1，s2，…，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，使用本文所述模型可以准确的诊断出故障元件。

4.2 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，故障报警信号：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，…，s10]；断路器实际状态向量C=[c1，c2，…，c17]=[1，0，1，0，1，0，1，0，1，0，1，1，0，0，1，1，0]，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，…，r23]=[0，0，1，1，0，0，0，0，1，0，0，0，0，0，0，0，0，0，1，0，0，0，0]分别对应B3m，B3p，B3s，B4m，B4p，B4s，B5m，B5p，B5s，L3m，L3p，L4m，L4p，L5m，L5p，L6m，L6p，L7m，L7p，L8m，L8p，T4m，T4p。

根据本文第3节保护和断路器期望状态计算方法，得到保护和断路器的期望状态，处理方法参照本文第4.1节，在此不再赘述。最后得到目标函数为

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，…，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，使用本文所述模型可以准确的诊断出故障元件。

对本文采用的故障诊断模型的2点分析：

（1）对于存在保护拒动、断路器拒动和单个断路器误动或信息漏报的多元件故障，该故障诊断模型可以得到准确的诊断结果；

（2）断路器告警信息在该故障诊断模型中表现为相关保护信息的状态，若出现保护信息漏报或误报，使用该故障诊断模型会出现漏诊断或误诊断。

5 结语

本文在深入分析船舶电力系统独特的结构和保护配置特点的基础上，建立考虑保护或断路器拒动情况下计及主保护、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。故障算例说明在存在主保护拒动、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。但当故障保护动作信息缺失或误报时，该模型会出现漏诊和误诊的问题。考虑如何改进故障诊断模型以实现存在保护动作信息缺失或误报情况下得到正确而完备的诊断结果需要进一步的研究。

[1]马伟明（Ma Weiming）.舰船动力发展的方向——综合电力系统（Integrated power system—trend of ship power development）[J].海军工程大学学报（Journal of Naval University of Engineering），2002，14（6）：1-5，9.

[2]Jayabalan R，Fahimi B.Naval shipboard power system[C]// IEEE Vehicle Power and Propulsion Conference.Chicago，USA：2005.

[3]王家林，夏立，吴正国，等（Wang Jialin，Xia Li，Wu Zhengguo，et al）.电力系统故障诊断研究现状与展望（State of arts of fault diagnosis of power systems）[J].电力系统保护与控制（Power System Protection and Control），2010，38（18）：210-216.

[4]廖志伟，孙雅明，叶青华（Liao Zhiwei，Sun Yaming，Ye Qinghua）.人工智能技术在电力系统故障诊断中应用（Artificial intelligent technologies for fault diagnosis in power system）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2003，15（6）：71-79.

[5]王琦，马伟明，付立军，等（Wang Qi，Ma Weiming，Fu Lijun，et al）.舰船综合电力系统继电保护策略（Relay protection schemes on shipboard integrated power system）[J].高电压技术（High Voltage Engineering），2007，33（10）：157-161.

[6]康军（Kang Jun）.舰船综合电力系统潮流算法研究与状态估计探讨（Ome Issues on Load Flow Algorithm and State Estimation in Shipboard Integrated Power Systems）[D].武汉：海军工程大学电气与信息工程学院（Wuhan：College of Electronic and Information Engineering，Naval University of Engineering），2009.

[7]文福拴，韩祯祥，田磊，等（Wen Fushuan，Han Zhenxiang，Tian Lei，et al）.基于遗传算法的电力系统故障诊断的解析模型与方法──第一部分：模型与方法（An analytic model and genetic algorithm based method for fault diagnosis in power systems Part 1：The model and method）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），1998，10（3）：1-7.

[8]翁汉琍，毛鹏，林湘宁（Weng Hanli，Mao Peng，Lin Xiangning）.一种改进的电网故障诊断优化模型（An improved model for optimizing power system fault diagnosis）[J].电力系统自动化（Automation of Electric Power Systems），2007，31（7）：66-70.

[9]王家林，夏立，吴正国，等（Wang Jialin，Xia Li，Wu Zhengguo，et al）.采用量子遗传算法的电力系统PMU最优配置（Optimal PMU placement of the power system using quantum genetic algorithm）[J].高电压技术（High Voltage Engineering），2010，36（11）：2838-2842.

[10]杨俊安，庄镇泉（Yang Junan，Zhuang Zhenquan）.量子遗传算法研究现状（Actuality of research on quantum genetic algorithm）[J].计算机科学（Computer Science），2003，30（11）：13-15，43.

[11]杨淑媛，刘芳，焦李成（Yang Shuyuan，Liu Fang，Jiao Licheng）.一种基于量子染色体的遗传算法（A novel genetic algorithm based on the quantum chromosome）[J].西安电子科技大学学报（Journal of Xidian University），2004，31（1）：76-81.

[12]熊焰，陈欢欢，苗付友，等（Xiong Yan，Chen Huanhuan，Miao Fuyou，et al）.一种解决组合优化问题的量子遗传算法QGA（A quantum genetic algorithm to solve combinatorial optimization problem）[J].电子学报（Acta Electronica Sinica），2004，32（11）：1855-1858.

Fault Diagnosis Method of Shipboard Power System Using Quantum Genetic Algorithm

WANG Jia-lin，XIA Li，WU Zheng-guo，YANG Xuan-fang
（College of Electronic and Information Engineering，Naval University of Engineering，Wuhan 430033，China）

The characteristics of quantum genetic algorithm such as better population diversity，convergence and global optimal ability are better than those of the common genetic algorithms.Based on the analysis of the idiographic configuration of the shipboard power system and the characteristics of the collocation of the protection，the fault diagnosis model is presented considering the influence of each protection and the joint influence between the main and back-up protections.And the quantum genetic algorithm is used to resolve the model.The example verification indicates the rationality and veracity of the proposed method.

shipboard power system；fault diagnosis；quantum genetic algorithm；aim function

TM711；TP18

A

1003-8930（2013）03-0035-05

王家林（1984—），男，博士研究生，研究方向为电力系统自动化及其安全运行。Email：wang0600519@sina.com

2012-03-28；

2012-05-17

国家自然科学基金项目（51177168）；海军工程大学博士研究生创新基金项目

夏立（1964—），男，教授，博士生导师，研究方向为智能工程技术、电力系统网络及智能化监控管理技术。Email：xiali@126.com

吴正国（1943—），男，教授，博士生导师，研究方向为电能质量的分析与控制技术。Email：wuzhengguo@126.com