CN103390198B - 一种用于电力网络故障诊断的社团自组织检测方法 - Google Patents
一种用于电力网络故障诊断的社团自组织检测方法 Download PDFInfo
- Publication number
- CN103390198B CN103390198B CN201310299446.4A CN201310299446A CN103390198B CN 103390198 B CN103390198 B CN 103390198B CN 201310299446 A CN201310299446 A CN 201310299446A CN 103390198 B CN103390198 B CN 103390198B
- Authority
- CN
- China
- Prior art keywords
- electric power
- node
- power networks
- network
- corporations
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种用于电力网络故障诊断的社团自组织检测方法:首先采集电力网络的网络特征参数,再将电力网络描述为加权网络模型并构造局部适应度与全局适应度函数,从随机产生的电力网络分组解出发,计算每个电力节点的局部适应度并将其排序,按照拓展演化概率分布函数选择局部适应度较差的节点,并将其移至另一组网络以产生新解,比较新解与当前解的全局适应度数值,将二者中最好解保留下来,并将新解作为下一次迭代的初始解重复以上的优化流程,直到满足预先设定的终止条件,最后分析并输出用于电力网络故障诊断的社团自组织检测结果。该方法相比传统方法,其调节参数相对较少,检测过程更为简单,更易于实施,并且检测效率和检测精度更高。
Description
技术领域
本发明涉及智能电网系统安全性评估和故障诊断领域,特别地,涉及一种用于电力网络故障诊断的社团自组织检测方法。
背景技术
电力网络作为当今世界覆盖面最广、结构最复杂的网络之一,其安全性与国计民生息息相关。然而,近年来国内外频繁发生的大规模停电事故则暴露出复杂大电网的脆弱性,给包括北美、欧洲、中国在内的多个国家和地区带来了极其灾难性的损失和恶劣影响,其基本情况的阐述请参见表1。因此,如何保证电网安全稳定运行,实现坚强电网已经成为国内外学术界和工程界的研究热点之一。尤其是北美2003年“8.14大停电事故”以后,美国和欧洲等发达国家和地区已经投入大量的研究人员和研究经费对复杂大电网大停电的机制和预防措施的研究,也取得了一系列研究成果,但目前该领域还存在大量的开放性问题亟待解决,离真正实现坚强的复杂大电网的目标还存在很大的距离。我国在2009年也提出了建设智能电网的目标,“十二五”期间,国家电网将投资5000亿元,初步建成核心的世界一流的坚强智能电网。国家科技部和国家基金委也设置相应的专项科研课题对该领域展开研究。正如曹一家、郭剑波、梅生伟、侯云鹤等国内外学者指出的那样,近年来物理学、计算机科学与技术等交叉研究的复杂网络领域的理论成果可以为复杂大电网的安全性评估及其故障诊断提供理论参考和技术借鉴。比如,在电力网络连锁故障的传播机理研究领域,国内外学者通过借鉴复杂网络理论研究成果的同时,引入电力系统的一些物理参数,从而建立了包括负荷容量模型、隐故障模型、沙滩模型、最优潮流(OPA)模型、相继故障(CASCADE)模型等在内的一系列动态模型。
事实上,现实世界中的诸多系统都以网络形式存在,如社会系统中的人际关系网,生态系统中的神经元网,科技系统中的电话网等。这些网络具有很高的复杂性,被称为复杂网络。目前有关复杂网络理论的应用研究已成为新的研究热点,Science,Nature,PNAS,PRL等国际顶级学术期刊报道了相关的研究成果。随着人们对复杂网络性质的物理意义和数学特性的深入研究,发现许多实际网络都具有一个共同性质,即社团结构。即整个网络是由若干个社团构成,每个社团内部节点之间的连接相对非常紧密,但各社团之间的连接相对来说比较稀疏。目前,复杂网络社团结构领域的研究主要集中在理论分析和各种标准的网络模型上,而在实际系统的应用方面相对十分缺乏。另外,仅有的基于复杂网络理论的电力网络的研究报道也都仅仅采用现有复杂网络研究成果简要分析电力网络的基本特性,引入了与电力系统相关的网络性能或参数变量,却忽略了电力系统复杂网络的物理特性。因此,如何借鉴复杂网络社团结构理论设计针对实际系统尤其是复杂大电网的社团检测方法将成为该领域的研究热点之一。
现有的基于复杂网络社团结构理论的电力网络社团检测的研究还十分有限,现有主要方法包括:无功分区法[NIX,MEIS.Anoveldecompositionandcoordinationalgorithmforcomplexnetworkanditsapplicationtopowergrid.JournalofControlTheoryandApplication,2008,6(1):123-128.]、同调等值法[倪向萍,梅生伟.基于复杂网络社团结构理论的同调等值算法,电力系统自动化,2008,32(7):10-13.]以及恢复子系统划分算法[林振智,文福拴,周浩.基于复杂网络社团结构的恢复子系统划分算法,电力系统自动化,2009,33(12):12-16.]等。但是,现有的电力网络检测方法存在检测过程复杂,检测效率和精度还不够高等缺点。特别值得注意的是,基于极值优化理论的复杂网络尤其是复杂电力网络社团结构检测研究还鲜有报道。2005年,J.Duch、A.Arenas[J.Duch,A.Arenas.Communitydetectionincomplexnetworksusingextremaloptimization.PhysicalReviewE,2005,72,027104]首次将极值优化理论应用到复杂网络的社团结构分析,但仅仅局限于计算机随机生成的网络和社会网络的简单分析与仿真测试。在此基础上,陈国强、王宇平[陈国强,王宇平.基于极值优化模块密度的复杂社区检测.华中科技大学学报(自然科学版),2011,39(4):81-85]于2011年提出了一种极值优化模块密度方法,但也仅仅局限于计算机随机生成的网络和社会网络的比较测试,并且所提出的方法也仅仅针对局部适应度最差的节点进行优化,从而导致了该方法容易陷入局部最优解中。
发明内容
本发明的目的是针对现有电力网络社团结构检测方法缺乏的研究现状和现有方法存在的不足,提供一种用于电力网络故障诊断的社团自组织检测方法,为复杂大电网的安全性评估和连锁故障诊断提供关键技术支撑。
本发明的目的是通过以下技术方案来实现的:一种用于电力网络社团检测的改进极值优化方法,该方法为:首先通过数据采集模块采集电力网络的网络特征参数,再通过电力网络模型构建模块将电力网络描述为加权网络模型,按照可分解和线性组合的原则构造局部适应度与全局适应度函数,从随机产生的电力网络分组解出发,计算每个电力节点的局部适应度并将其排序,按照拓展演化概率分布函数选择局部适应度较差的节点,并将其移至另一组网络以产生新解,比较新解与当前解的全局适应度数值,将二者中最好解保留下来,并将新解作为下一次迭代的初始解重复以上的优化流程,直到满足预先设定的终止条件,最后分析并输出用于电力网络故障诊断的社团自组织检测结果。
进一步地,该方法具体包括以下步骤:
步骤1:通过数据采集模块采集电力网络的网络特征参数,包括电力网络中发电机机端节点、复合节点、连接线节点、输配电线路和变压器等的布局和对应特征参数,线路和变压器的阻抗或线路上流通的功率;
步骤2:通过电力网络模型构建模块将静态电力网络描述为加权网络G=g(V,E,W),其中V={v}为节点集,包括发电机机端节点、复合节点、连接线节点等,E={e}为输配电线路和变压器等,W={w}为线路权重集,通常表示线路和变压器的阻抗或线路上流通的功率;
步骤3:通过电力网络社团检测的初始化参数设置与适应度函数计算模块,随机产生初始解S,即将整个电力网络随机分为两部分,每个部分的节点数相同,在每部分中由边相连的点组成社区,并初始化设置:最好解Sbest=S,最好全局适应度GF(Sbest)=GF(S);其中GF(S)按照式(1)所示:
其中,err表示第r个社团结构内部连线数目,ar表示第r个社团结构与其它社团结构相连的线路数目,m表示电力网络总的边数;
步骤4:按照式(2)计算各个节点的局部适应度λi,并按照从小到大的顺序的排列λi,即是找到一个序列П使得λΠ(1)≤λΠ(2)≤...≤λΠ(n)
其中,kr(i)表示隶属于第r个社团结构的第i个节点与第r个社团结构内部节点的连接数目,ar(i)表示隶属于第r个社团结构的第i个节点与第r个社团结构与其它社团结构相连的线路数目,ki表示第i个节点的度的数目;
步骤5:依据如式(3)-(4)所示的拓展演化概率分布函数P(k),1≤k≤n选择П(k),并将其对应的节点标记为xj;
P(k)∝e-μk,1≤k≤n(3)
其中,μ为指数调节参数,通常取正实数;
P(k)∝e-hkk-h,1≤k≤n(4)
其中,h为混合调节参数,通常取正实数;
步骤6:将选择的节点xj移至另一部分中,得到新解Snew;
步骤7:按照式(5)计算并比较GF(Sbest)和GF(Snew)的大小:若GF(Sbest)<GF(Snew),则保持Sbest和GF(Sbest)不变;否则,Sbest=Snew,GF(Sbest)=GF(Snew);
步骤8:无条件地接受S=Snew;
步骤9:判断是否满足最大迭代步数NM?若是,则转向下一步骤;否则,则返回到步骤4;
步骤10:通过电力网络社团自组织检测结果的数据分析与输出模块,储存并输出最好解Sbest、对应的社团结构数目和全局适应度GF(Sbest)。
本发明的有益效果是:
1、本发明的用于电力网络故障诊断的社团自组织检测方法,相比传统优化方法,其调节参数相对较少,设计更为简单,更易于实施。
2、本发明的用于电力网络故障诊断的社团自组织检测方法,相比传统优化方法和原有极值优化方法,采用更为有效的拓展演化概率分布函数控制其优化过程,因此本发明方法的优化过程更具有引导性,检测效率和检测精度更高。
附图说明
通过以下结合附图对本发明较佳的实施例进行描述,可以进一步理解本发明的目的、特征及优点,其中:
图1为用于电力网络故障诊断的社团自组织检测方法功能模块组成示意图
图2为用于电力网络故障诊断的社团自组织检测方法流程示意图
图3为实施例IEEE-118电力网络示意图
具体实施方式
以下参照本发明的附图对本发明作更详细的描述。本发明也可以以许多不同形式实施,因此不应认为它局限于说明书所列的实施例,相反,提供这种实施例是为了说明本发明的实施和完全,以及能向相关领域的技术人员描述本发明的具体实施过程。
本发明提供的用于电力网络故障诊断的社团自组织检测方法主要包括以下5个功能模块:①电力网络特征参数的数据采集模块;②电力网络模型构建模块;③电力网络社团检测的初始化参数设置与适应度函数计算模块;④电力网络社团检测的自组织优化模块;⑤电力网络社团自组织检测结果的数据分析与输出模块,具体请参见附图1。该方法具体流程图请参见图2。
本发明用于电力网络故障诊断的社团自组织检测方法,包含在计算机系统以下的实施步骤:
步骤1:通过数据采集模块采集电力网络的网络特征参数,包括电力网络中发电机机端节点、复合节点、连接线节点、输配电线路和变压器等的布局和对应特征参数,线路和变压器的阻抗或线路上流通的功率;
步骤2:通过电力网络模型构建模块将静态电力网络描述为加权网络G=g(V,E,W),其中V={v}为节点集,包括发电机机端节点、复合节点、连接线节点等,E={e}为输配电线路和变压器等,W={w}为线路权重集,通常表示线路和变压器的阻抗或线路上流通的功率;
步骤3:通过电力网络社团检测的初始化参数设置与适应度函数计算模块,随机产生初始解S,即将整个电力网络随机分为两部分,每个部分的节点数相同,在每部分中由边相连的点组成社区,并初始化设置:最好解Sbest=S,最好全局适应度GF(Sbest)=GF(S);其中GF(S)按照式(1)所示:
其中,err表示第r个社团结构内部连线数目,ar表示第r个社团结构与其它社团结构相连的线路数目,m表示电力网络总的边数;
步骤4:按照式(2)计算各个节点的局部适应度λi,并按照从小到大的顺序的排列λi,即是找到一个序列П使得λΠ(1)≤λΠ(2)≤...≤λΠ(n)
其中,kr(i)表示隶属于第r个社团结构的第i个节点与第r个社团结构内部节点的连接数目,ar(i)表示隶属于第r个社团结构的第i个节点与第r个社团结构与其它社团结构相连的线路数目,ki表示第i个节点的度的数目;
步骤5:依据如式(3)-(4)所示的拓展演化概率分布函数P(k),1≤k≤n选择П(k),并将其对应的节点标记为xj;
P(k)∝e-μk,1≤k≤n(3)
其中,μ为指数调节参数,通常取正实数;
P(k)∝e-hkk-h,1≤k≤n(4)
其中,h为混合调节参数,通常取正实数;
步骤6:将选择的节点xj移至另一部分中,得到新解Snew;
步骤7:按照式(5)计算并比较GF(Sbest)和GF(Snew)的大小:若GF(Sbest)<GF(Snew),则保持Sbest和GF(Sbest)不变;否则,Sbest=Snew,GF(Sbest)=GF(Snew);
步骤8:无条件地接受S=Snew;
步骤9:判断是否满足最大迭代步数NM?若是,则转向下一步骤;否则,则返回到步骤4;
步骤10:通过电力网络社团自组织检测结果的数据分析与输出模块,储存并输出最好解Sbest、对应的社团结构数目和全局适应度GF(Sbest)。
针对IEEE-118电力系统网络的实施例
IEEE-118电力系统作为典型的电力网络,具有54个发电机节点,64个负荷节点,如图3所示。本发明将提出的用于电力网络故障诊断的社团自组织检测方法用于该IEEE-118电力系统网络,进一步证明本发明的有效性和有益效果,从而为其它复杂大电网的安全性评估和连锁故障诊断提供关键技术支撑。
针对按照图1所示的流程示意图实施本发明方法,得到如下结果:最优分区数为5个,对应的模块密度为0.4588,这与目前国内外技术资料报道的最好结果一致,并且本发明方法相比传统优化方法,其调节参数相对较少,设计更为简单,更易于实施,。
如上所述,本发明也可以应用其它不同的复杂电力网络的社团检测中,而为其它复杂大电网的安全性评估和连锁故障诊断提供关键技术支撑。因此不应认为它局限于说明书列出的实施例。
Claims (2)
1.一种用于电力网络故障诊断的社团自组织检测方法,用于复杂大电网的安全性评估和连锁故障诊断,其特征在于,该方法具体为:首先采集电力网络的网络特征参数,再将电力网络描述为加权网络模型,按照可分解和线性组合的原则构造局部适应度与全局适应度函数,从随机产生的电力网络分组解出发,计算每个电力节点的局部适应度并将其排序,按照拓展演化概率分布函数选择局部适应度较差的节点,并将其移至另一组网络以产生新解,比较新解与当前解的全局适应度数值,将二者中最好解保留下来,并将新解作为下一次迭代的初始解重复以上的优化流程,直到满足预先设定的终止条件,最后分析并输出用于电力网络故障诊断的社团自组织检测结果;该方法包括以下步骤:
步骤1:采集电力网络的网络特征参数,包括电力网络中发电机机端节点、复合节点、连接线节点、输配电线路和变压器的布局和对应特征参数,线路和变压器的阻抗或线路上流通的功率;
步骤2:将静态电力网络描述为加权网络G=g(V,E,W),其中V={v}为节点集,包括发电机机端节点、复合节点、连接线节点,E={e}为输配电线路和变压器,W={w}为线路权重集,表示线路和变压器的阻抗或线路上流通的功率;
步骤3:随机产生初始解S,即将整个电力网络随机分为两部分,每个部分的节点数相同,在每部分中由边相连的点组成社区,并初始化设置:最好解Sbest=S,最好全局适应度GF(Sbest)=GF(S);其中GF(S)按照式(1)所示:
其中,err表示第r个社团结构内部连线数目,ar表示第r个社团结构与其它社团结构相连的线路数目,m表示电力网络总的边数;
步骤4:按照式(2)计算各个节点的局部适应度λi,并按照从小到大的顺序的排列λi,即是找到一个序列П使得λΠ(1)≤λΠ(2)≤...≤λΠ(n)
其中,kr(i)表示隶属于第r个社团结构的第i个节点与第r个社团结构内部节点的连接数目,ar(i)表示隶属于第r个社团结构的第i个节点与第r个社团结构与其它社团结构相连的线路数目,ki表示第i个节点的度的数目;
步骤5:依据式(3)中的拓展演化概率分布函数P(k)选择П(k),并将其对应的节点标记为xj;
P(k)∝e-μk,1≤k≤n(3)
其中,μ为指数调节参数,取正实数;
步骤6:将选择的节点xj移至另一部分中,得到新解Snew;
步骤7:按照式(4)计算并比较GF(Sbest)和GF(Snew)的大小:若GF(Sbest)<GF(Snew),则保持Sbest和GF(Sbest)不变;否则,Sbest=Snew,GF(Sbest)=GF(Snew);
步骤8:无条件地接受S=Snew;
步骤9:判断是否满足最大迭代步数NM,若是,则转向下一步骤;否则,则返回到步骤4;
步骤10:储存最好解Sbest、对应的社团结构数目和全局适应度GF(Sbest)。
2.根据权利要求1所述的用于电力网络故障诊断的社团自组织检测方法,其特征在于,所述步骤4中公式(3)替换为如公式(5)所示的另一拓展演化概率分布函数:
P(k)∝e-hkk-h,1≤k≤n(5)
其中,h为混合调节参数,取正实数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310299446.4A CN103390198B (zh) | 2013-07-15 | 2013-07-15 | 一种用于电力网络故障诊断的社团自组织检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310299446.4A CN103390198B (zh) | 2013-07-15 | 2013-07-15 | 一种用于电力网络故障诊断的社团自组织检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103390198A CN103390198A (zh) | 2013-11-13 |
CN103390198B true CN103390198B (zh) | 2016-05-18 |
Family
ID=49534463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310299446.4A Active CN103390198B (zh) | 2013-07-15 | 2013-07-15 | 一种用于电力网络故障诊断的社团自组织检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103390198B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104037743B (zh) * | 2014-05-27 | 2017-02-22 | 华北电力大学 | 一种基于电气介数的复杂电力网络连锁故障抑制方法 |
CN104950675B (zh) * | 2015-06-12 | 2018-01-23 | 华北电力大学 | 多工况电力系统自适应控制方法及装置 |
CN112952814B (zh) * | 2021-03-04 | 2022-12-09 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
CN113629789B (zh) * | 2021-10-13 | 2022-02-15 | 广东电网有限责任公司东莞供电局 | 一种配电网无功优化方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005743A (zh) * | 2010-11-25 | 2011-04-06 | 沈阳工业大学 | 基于径向基神经网络的自适应继电保护装置 |
-
2013
- 2013-07-15 CN CN201310299446.4A patent/CN103390198B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005743A (zh) * | 2010-11-25 | 2011-04-06 | 沈阳工业大学 | 基于径向基神经网络的自适应继电保护装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103390198A (zh) | 2013-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yun-na et al. | Macro-site selection of wind/solar hybrid power station based on Ideal Matter-Element Model | |
Ahmad et al. | Multi-criteria evaluation of renewable and nuclear resources for electricity generation in Kazakhstan | |
Jun et al. | Macro-site selection of wind/solar hybrid power station based on ELECTRE-II | |
CN103390198B (zh) | 一种用于电力网络故障诊断的社团自组织检测方法 | |
Ünal et al. | Optimisation studies on tri‐generation: a review | |
CN106250640A (zh) | 一种适用于地区电网的分层动态等值方法 | |
CN102539822B (zh) | 一种短期风速预测方法 | |
CN106532710A (zh) | 计及电压稳定约束的微电网潮流优化方法 | |
CN105676022A (zh) | 一种长线路风电场并网谐振信息提取方法 | |
CN107276070A (zh) | 计及一二次调频的发输电系统运行可靠性建模及其评估方法 | |
CN105244890A (zh) | 新能源并网的无功优化方法 | |
CN106921161A (zh) | 电力系统薄弱点识别方法及薄弱点电压分布特性分析方法 | |
CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN107871181A (zh) | 一种热电联产机组发电计划制定方法、装置及系统 | |
CN104967114A (zh) | 电网负荷实时数字建模方法及系统 | |
CN108110789A (zh) | 一种间歇性可再生能源分层分区并网规划方法 | |
CN112052543A (zh) | 一种基于混合整数二阶锥规划的保底网架搜索建模方法 | |
CN106786766A (zh) | 一种基于p2g技术的提高风电最大并网容量的方法 | |
CN104484546B (zh) | 一种电网规划项目自动潮流校核文件的生成方法 | |
CN104009469B (zh) | 一种低压配网台区网络拓扑等值图归集方法 | |
CN105896547A (zh) | 一种风电接入下的大电网分级电压控制方法 | |
CN104699950B (zh) | 一种包含随机功率单元相关性问题的随机潮流计算方法 | |
CN112688321B (zh) | 大电网次/超同步振荡路径获取方法及系统 | |
CN106055730B (zh) | 一种适应于大规模电网的电力系统碳流仿真分析方法 | |
CN106844911A (zh) | 一种大规模风电汇集系统静态电压稳定分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170626 Address after: 523000, Tangxia City, Guangdong province Dongguan Tian heart Industrial Zone Guangdong Zhicheng Champion Group Co., Ltd. Patentee after: Guangdong Zhicheng Champoin Group Co., Ltd. Address before: 325035 Zhejiang province Chashan Wenzhou Higher Education Park Patentee before: Wenzhou University |