CN105353270B - 考虑分布式电源并网的电能质量扰动源容错定位方法 - Google Patents
考虑分布式电源并网的电能质量扰动源容错定位方法 Download PDFInfo
- Publication number
- CN105353270B CN105353270B CN201510701578.4A CN201510701578A CN105353270B CN 105353270 B CN105353270 B CN 105353270B CN 201510701578 A CN201510701578 A CN 201510701578A CN 105353270 B CN105353270 B CN 105353270B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- value
- pqm
- msub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004807 localization Effects 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000012512 characterization method Methods 0.000 claims abstract description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000010086 Hypertelorism Diseases 0.000 description 1
- 206010020771 Hypertelorism of orbit Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013456 study Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
考虑分布式电源并网的电能质量扰动源容错定位方法，包括步骤：对“DGs并网对扰动方向判定的影响规律”的相关概念进行了定义，并提出了两条影响规律；定义了PQM的“信度”概念：表征具有模糊特性的PQM监测数据的可信任程度；针对各种影响因素分别构建了监测信度和局部信度；建立新的矩阵粒子群模型，构建基于两种信度的评价函数；粒子群搜索迭代，不断更新个体极值和全局极值；当满足收敛条件后输出全局极值，根据全局极值确定扰动源定位结果。
Description
技术领域
本发明涉及一种在分布式电源并网、高斯噪声、测量误差等因素影响下，仍具有较强容错能力的电能质量扰动源自动定位方法，属电气工程和电能质量领域。
背景技术
当今世界的能源危机与生态环境问题，使得可再生能源已成为人类社会可持续发展的关键。但是，随着越来越多的分布式电源(Distributed Generators,DGs)接入配电网，将会对电网节点电压、功率潮流方向等产生一定影响，特别是将使得现有扰动源定位算法失效。而现实社会经济发展对电力能源的高度依赖性，以及精密电子产品和重大负荷的不断增加，使得电能质量问题造成的经济损失与日俱增。电能质量监测仪(Power QualityMonitor,PQM)的应用和发展，是电能质量扰动源定位的重要硬件基础。扰动源的准确定位有助于快速解决电能质量问题，降低经济损失和明确事件责任，具有重要意义。
现有配电网电能质量扰动源的定位方法过于依赖PQM的扰动方向判别的绝对可靠性，除了DGs并网影响外，还存在信号较弱、距离过远、高斯噪声和测量误差等因素影响。扰动源本身强度、PQM与扰动源的相对位置和分流支路等情况都会影响扰动信号强弱度，而在实际中测量误差、高斯噪声和负荷波动等干扰因素又是客观存在的。当过弱的扰动信号碰上较强的干扰时，会使PQM对扰动能量的正负判断错误，产生PQM的方向误判。另一方面，由储能元件、无功负荷等原因引起的扰动功率不断正负极性变化，将引起扰动能量ΔE积分过程中非单调波动，从而产生方向误判。目前，已有相关成果主要集中在电能质量的在线监测、扰动识别、综合评估和矩阵算法定位等几个研究方面：申请号为201410740831.2、201510035092.1、201310664699.7、200810061254.9和201510097288.3等发明专利申请书分别提出了采用自适应多分辨率广义S变换的电能质量扰动识别方法、一种电能质量监测系统、一种基于灰色理论的电能质量综合评估方法、一种配电网电能质量扰动源自动定位方法和一种电能质量扰动源定位系统及定位方法，其中这两种定位方法都是基于矩阵算法原理且不具备容错性。这些相关研究均未能充分考虑DGs并网等因素对扰动方向判定的影响，且均未涉及在这些情况下用改进粒子群算法(Particle Swarm Optimization,PSO)实现具有容错性的电能质量扰动源自动定位。本发明专利针对DGs并网影响、PQM的信度、改进PSO算法和扰动源定位进行研究，分析并提出了DGs并网的两条影响规律，构建了两种新的信度函数，并建立了改进的PSO模型及其评价函数，最后通过快速迭代寻最优解，实现了一种能适用于DGs并网且具有较高容错性的电能质量扰动源自动精确定位。
发明内容
本发明要解决的技术问题是，克服现有扰动源定位技术易受DGs并网、距离位置、信号强弱、高斯噪声和监测误差等因素影响而导致定位准确率大幅度降低的缺点，提供一种基于改进PSO算法的电能质量扰动源容错定位方法，能在DGs并网且部分PQM扰动方向误判情况下，仍具有较强的容错能力和较高的定位准确率。
本发明解决其技术问题所采用的技术方案是：
一种基于改进PSO算法的、考虑分布式电源并网的、并具有容错能力的电能质量扰动源定位方法，所述分布式电源并网是指新能源开发利用和分布式发电技术背景下的分布式电源接入配电网，所述电能质量扰动源是指存在于配电网中的各类引起电能质量问题的扰动事件源，所述容错能力是指部分PQM发生扰动方向误判的情况下仍能准确定位。
所述容错定位方法，包括以下步骤：
1)对“分布式电源DGs并网对方向判定的影响规律”的相关概念进行定义。命名link(G-DG)，为某个分布式电源(DG)并网母线与主电源(G)的联接链路；命名Bus(F-DG)，为与扰动源(F)直接相连的母线中，DG侧方向的母线；命名link(DG-F)，为DGs与扰动源联接链路。对应各个PQM或DG，根据配电网潮流方向将整个网络区域划分为与其相应的上游与下游。定义“分流网络”，为对应的PQM与扰动源之间的线路及其分流支路。母线Bus的上下游划分方法与DG相同。定义Bus的所有出线支路，为与Bus直接相连接的所有下游线路，但不包含上游进线。虚拟PQM，是根据实际PQM数据按照电气原理状态估计得到，用于替代一部分实际PQM来降低监测成本。
2)提出DGs并网对PQM扰动方向判定的两条影响规律。第一影响规律：当扰动源在link(G-DG)上，存在“分流网络”且其吸收的扰动能量大于扰动源F从Bus(F-DG)吸收的能量时，会引起link(DG-F)上的PQM扰动方向误判。第二影响规律：当扰动源在DG的上游，会使位于DG下游的PQM监测到的扰动信号被削弱；当扰动源在DG的下游，会使非link(DG-F)上的PQM监测到的扰动信号被削弱。
3)定义PQM的“信度”概念：表征具有模糊特性的PQM监测数据的可信任程度。构建了两种新的信度函数：监测信度和局部信度。监测信度(ci)是指由单个PQM监测数据得出扰动源所在区域方向判定信息的可信程度；局部信度是指由某线路及其末端母线上相连的PQM构成的局部小范围内监测数据得出的扰动源判定信息的可信程度。
4)针对除DGs“规律一”之外的因素来构建监测信度ci，分为三块内容：监测信度的正负符号sgn(ci)、强弱度系数αi和波动修正系数βi。下标i表示对应于第i个PQM。
定义扰动能量终值为在扰动持续时间Tf内对扰动功率积分的最终值。定义扰动能量的峰峰值为在扰动能量的积分过程中，扰动功率的最大值与最小值之差。
用符号函数sgn求终值的正负符号，来确定监测信度的符号sgn(ci)。
当监测信度ci的符号sgn(ci)为+1，表征方向判定为下游；若其符号为-1，表征方向判定为下游；当其取临界值0时，表征第i个PQM方向判定无效。
定义强度系数αi，用以表征各种因素引起的各PQM扰动信号强弱度差异，对其扰动方向判定可靠性的置信程度影响。强弱度系数αi由与扰动能量终值最大者进行运算得到，如下
定义扰动信号的波动修正系数βi，来表征扰动信号的波动情况和稳定性。对终值与峰峰值的绝对值，作比值运算，得波动修正系数βi。
进行置信融合得监测信度ci，如下
5)为解决DG并网第一影响规律引起的误判问题，构造局部信度定义局部扰动特征值为扰动能量终值减去该线路的有功损耗变化ΔELi，并减去该Bus的所有出线支路的扰动能量总和
由于负载线路没有末端母线，所以无法直接计算负载线路的局部信度。设负载线路数量为δ条，所有线路上的实际PQM和虚拟PQM的总数为m。对和其中的最大者的绝对值作比值，得到局部特征比值并求出(m-δ)个中剔除最大者后的均值μ。分段处理得到局部信度如下
当扰动源位于link(G-DG)上时，局部信度可用于判定线路Li上是否存在扰动源F。
6)构建粒子群模型及其评价函数。为适应所提容错性定位方法，将矩阵作为PSO算法的粒子，建立新的粒子群优化模型如下：
定义粒子矩阵是具有速度属性的一个维数为(m×1)的矩阵。设立第n个粒子矩阵为Xn，其速度为vn，其元素值xnj取值为+1或-1，来表征对应第j个PQM的上下游方向判定结果。下标变量j取值从1至m。k为迭代次数，第n个粒子矩阵到目前为止(第k次迭代后取值)找到它自身的最优位置称为该粒子的个体极值矩阵元素值为而所有粒子矩阵中的最优位置记为全局极值矩阵元素值为设置搜索空间限制条件：令F位于线段Li时对应的方向判别矩阵为DLi。DLi的矩阵元素值与Xn的矩阵元素值个数相同，而DLi的元素值取值为F位于线段Li时所有PQM的上下游方向判定正确的取值(+1或-1)。将DLi作为粒子矩阵在搜索空间中允许的位置状态。设置速度vn为整数。所有参数的上标(k或k+1)表示第(k或k+1)次迭代后取值。当第n个粒子矩阵的第k次迭代后取值时，vn和Xn的第k+1次迭代公式，如下：
其中，ω为惯性权重，λ1和λ2为加速因子，三者都为正实数。r1 k、r2 k和为介于[0，1]之间的随机实数，且每次迭代后随机更新一次。为的元素值。表示第k+1次迭代后的速度vn取值，而表示第k次迭代后的速度vn取值。方向判别矩阵和表示：经过第k+1次迭代后更新为时，其矩阵取值的变更方法是按照DLi的下标i与进行加、减运算。
构建评价函数F(Xn)，用其对粒子矩阵Xn进行评价。F(Xn)的评价值越小，表示解越优良，如下：
7)将初始粒子群代入评价函数，按照迭代公式搜索，不断更新个体极值和全局极值，对已计算过的F(Xn)进行记录并对其个数进行计数kcou，避免重复计算。
8)当满足收敛条件：代入评价函数的值或者kcou＝m，或者达到最大迭代次数kend，则跳出循环；输出全局最优粒子矩阵信息，将DLi对应的线路Li作为扰动源定位结果。
本发明的有益效果主要表现在：1、对“DGs并网对扰动方向判定的影响规律”的相关概念进行了定义，并提出了两条影响规律；2、定义了PQM的两种信度，建立了新的矩阵粒子群优化模型和基于这两种信度的评价函数；3、提出了一种在分布式电源并网、高斯噪声、测量误差等因素影响下，仍具有较强容错能力的电能质量扰动源自动定位方法。
附图说明
图1为本发明方法的具体实施流程图。
图2为PQM和DG上、下游区域划分示意图。
图3为添加了DGs的IEEE 34节点配电网拓扑结构图。
图4为受“规律一”影响的波形比较图。
图5为未添加高斯白噪声的PQM16波形图。
图6为PQM16受高斯白噪声影响而误判的波形图。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细说明，但本发明的实施方式不限于此。实施例中计及监测可信度的电能质量扰动源定位方案总体框图如附图1所示，包括以下步骤：
1)对“DGs并网对方向判定的影响规律”的相关概念进行定义。命名link(G-DG)，为某个分布式电源并网母线与主电源的联接链路。命名Bus(F-DG)，为与扰动源直接相连的母线中，DG侧方向的母线。命名link(DG-F)，为DGs与扰动源联接链路。对应各个PQM或DG，根据配电网潮流方向将整个网络区域划分为与其相应的上游与下游，如附图2所示。定义“分流网络”，为对应的PQM与扰动源之间的线路及其分流支路。母线Bus的上下游划分方法与DG相同。定义Bus的所有出线支路，为与Bus直接相连接的所有下游线路，但不包含上游进线。虚拟PQM，是根据实际PQM数据按照电气原理状态估计得到，用于替代一部分实际PQM来降低监测成本。
2)提出DGs并网对PQM扰动方向判定的两条影响规律。第一影响规律：当扰动源在link(G-DG)上，存在“分流网络”且其吸收的扰动能量大于扰动源F从Bus(F-DG)吸收的能量时，会引起link(DG-F)上的PQM扰动方向误判。第二影响规律：当扰动源在DG的上游，则位于DG下游的PQM监测到的扰动信号将被削弱；当扰动源在DG的下游，会使非link(DG-F)上的PQM监测到的扰动信号被削弱。
3)定义PQM的“信度”概念：表征具有模糊特性的PQM监测数据的可信任程度。构建了两种新的信度函数：监测信度和局部信度。监测信度(ci)是指由单个PQM监测数据得出扰动源所在区域方向判定信息的可信程度。局部信度是指由某线路及其末端母线上相连的PQM构成的局部小范围内监测数据得出的扰动源判定信息的可信程度。
4)针对除DGs“规律一”之外的因素来构建监测信度ci，分为三块内容：监测信度的正负符号sgn(ci)、强弱度系数αi和波动修正系数βi。下标i表示对应于第i个PQM。
定义扰动能量终值为在扰动持续时间Tf内对扰动功率积分的最终值。定义扰动能量的峰峰值为在扰动能量的积分过程中，扰动功率的最大值与最小值之差。
用符号函数sgn求终值的正负符号，来确定监测信度的符号sgn(ci)，如式(1)所示。当监测信度ci的符号sgn(ci)为+1，表征方向判定为下游；若其符号为-1，表征方向判定为下游；当其取临界值0时，表征第i个PQM方向判定无效。
定义强度系数αi，用以表征各种因素引起的各PQM扰动信号强弱度差异，对其扰动方向判定可靠性的置信程度影响。强弱度系数αi由与扰动能量终值最大者进行运算得到，如式(2)所示。
定义扰动信号的波动修正系数βi，来表征扰动信号的波动情况和稳定性。对终值与峰峰值的绝对值，，作比值运算，得波动修正系数βi。
进行置信融合得监测信度ci，如式(3)所示。
5)为解决DG并网第一影响规律引起的误判问题，构造局部信度定义局部扰动特征值为扰动能量终值减去该线路的有功损耗变化ΔELi，并减去该Bus的所有出线支路的扰动能量总和如式(4)所示。
由于负载线路没有末端母线，所以无法直接计算负载线路的局部信度。设负载线路数量为δ条，所有线路上的实际PQM和虚拟PQM的总数为m。对和其中的最大者的绝对值作比值，得到局部特征比值并求出(m-δ)个中剔除最大者后的均值μ。分段处理得到局部信度如式(5)(6)所示。当扰动源位于link(G-DG)上时，局部信度可用于判定线路Li上是否存在扰动源F。
6)构建粒子群模型及其评价函数。为适应所提容错性定位方法，将矩阵作为PSO算法的粒子，建立新的粒子群优化模型如下：
定义粒子矩阵是具有速度属性的一个维数为(m×1)的矩阵.设立第n个粒子矩阵为Xn，其速度为vn，其元素值xnj取值为+1或-1，来表征对应第j个PQM的上下游方向判定结果。下标变量j取值从1至m。k为迭代次数，第n个粒子矩阵到目前为止(第k次迭代后取值)找到它自身的最优位置称为该粒子的个体极值矩阵元素值为而所有粒子矩阵中的最优位置记为全局极值矩阵元素值为设置搜索空间限制条件：令F位于线段Li时对应的方向判别矩阵为DLi。DLi的矩阵元素值与Xn的矩阵元素值个数相同，而DLi的元素值取值为F位于线段Li时所有PQM的上下游方向判定正确的取值(+1或-1)。将DLi作为粒子矩阵在搜索空间中允许的位置状态。设置速度vn为整数。当第n个粒子矩阵的第k次迭代后取值时，vn和Xn的第k+1次迭代公式如式(7)(8)所示。
构建评价函数F(Xn)，用其对粒子矩阵Xn进行评价。F(Xn)的评价值越小，表示解越优良，如式(9)所示。
7)将初始粒子群代入评价函数，按照迭代公式搜索，不断更新个体极值和全局极值，对已计算过的F(DLi)进行记录并对其个数进行计数kcou，避免重复计算。
8)当满足收敛条件：代入评价函数的值或者kcou＝m，或者达到最大迭代次数kend，则跳出循环；输出全局最优粒子矩阵信息，将DLi对应的线路Li作为扰动源定位结果。
下面以图3所示的IEEE 34节点配电网为实施例，进一步说明本发明的操作过程。图中白框为虚拟PQM，用于替代一部分实际PQM来降低成本。添加的DG1在Bus 820并网，DG2在Bus 856并网。
用MATLAB/simulink建模仿真，系统中的主要组成元件数量如表1所示，电能质量扰动事件及其发生位置如表2所示，事件F1发生电压暂降如图6所示。
表1 主要组成元件的数量
对所提算法中的初始参数进行设定：粒子群规模nswa＝5，最大迭代次数kend＝50，权重系数ω＝0.5，加速因子λ1＝λ2＝0.25。
将所有Line and Load从1～58编号，作为DLi的下标i。根据拓扑结构，生成对应于F发生在Li时的58个方向判别矩阵DLi，作为粒子矩阵的搜索空间。将PQM按对应的Li编号为Mi。随机选取nswa个DLi作为初始粒子群，并设置初始速度都为1。
对扰动持续时间内的监测信号添加高斯白噪声，来模拟实际干扰会引起PQM误判问题。通过随机函数调整高斯白噪声的均值和方差，表征不同的干扰强度：均值取[-5％Piss,+5％Piss]区间的随机值，方差取0～(5％Piss)2之间的随机值。事件F1情况下，列出PQM中五个误判位置的信度计算过程如表3所示。
表3 误判位置的两种信度计算过程
其中，Line 854-856(L26)和Line 854-852(L27)的PQM在同一电压母线节点，但是PQM26由于DG并网第一影响规律的原因而误判，而PQM27方向判定正确，两者的扰动能量波形比较如图4所示。对于扰动信号强度较弱的PQM16，则易受到高斯白噪声影响而改变方向判定，如图5和图6所示。
获取监测信度和局部信度后，将初始粒子群代入评价函数和迭代公式(6～8)，不断更新个体极值和全局极值，满足收敛条件后停止搜索迭代，输出最优根据其信息得到定位结果。
对4种事件(F1～F4)，使高斯白噪声的干扰强度随机各变化50次，得到200次测试结果，由于F位置不同且干扰强度随机取值，使得误判个数情况在变化。随着误判个数的增加，由于错误的信度数值不断产生累加作用，使得所提方法发生了一次定位失准。所提方法与现有方法的200次定位测试的准确率比较如表4所示。
表4 定位准确率比较
验证了所提基于改进PSO算法的电能质量扰动源容错定位方法，能在DGs并网且部分PQM扰动方向误判情况下，仍具有较高的容错性和较高的定位准确率。
如上所述，便可较好地实现本发明，上述实施例仅为本发明的典型实施例，并非用来限定本发明的实施范围，即凡依本发明内容所作的均等变化与修饰，都为本发明权利要求所要求保护的范围所涵盖。
Claims (1)
1.一种考虑分布式电源并网的电能质量扰动源容错定位方法，包括步骤：
1)对“分布式电源DGs并网对方向判定的影响规律”的相关概念进行定义；命名link(G-DG)，为某个分布式电源DG并网母线与主电源G的联接链路；命名母线Bus(F-DG)，为与扰动源F直接相连的母线中，分布式电源DG侧方向的母线；命名link(DG-F)，为分布式电源DG与扰动源F联接链路；对应各个电能质量监测仪PQM或分布式电源DG，根据配电网潮流方向将整个网络区域划分为与其相应的上游与下游；定义“分流网络”，为对应的电能质量监测仪PQM与扰动源F之间的线路及其分流支路；母线Bus的上下游划分方法与分布式电源DG相同；定义母线Bus的所有出线支路，为与母线Bus直接相连接的所有下游线路，但不包含上游进线；虚拟电能质量监测仪PQM，是根据实际电能质量监测仪PQM数据按照电气原理状态估计得到，用于替代一部分实际电能质量监测仪PQM来降低监测成本；
2)提出分布式电源DGs并网对电能质量监测仪PQM扰动方向判定的两条影响规律；第一影响规律：当扰动源F在link(G-DG)上，存在“分流网络”且其吸收的扰动能量大于扰动源F从母线Bus(F-DG)吸收的能量时，会引起link(DG-F)上的电能质量监测仪PQM扰动方向误判；第二影响规律：当扰动源F在分布式电源DG的上游，会使位于分布式电源DG下游的电能质量监测仪PQM监测到的扰动信号被削弱；当扰动源F在分布式电源DG的下游，会使非link(DG-F)上的电能质量监测仪PQM监测到的扰动信号被削弱；
3)定义电能质量监测仪PQM的“信度”概念：表征具有模糊特性的电能质量监测仪PQM监测数据的可信任程度；构建了两种新的信度函数：监测信度ci和局部信度监测信度ci是指由单个电能质量监测仪PQM监测数据得出扰动源F所在区域方向判定信息的可信程度；局部信度是指由某线路及其末端母线上相连的电能质量监测仪PQM构成的局部小范围内监测数据得出的扰动源F判定信息的可信程度；
4)针对除第一影响规律之外的三个因素来构建监测信度ci，这三个因素即信号正负性、信号强弱度和信号波动性；具体分为三块内容：监测信度ci的正负符号sgn(ci)、强弱度系数αi和波动修正系数βi；下标i表示对应于第i个电能质量监测仪PQM；
定义扰动能量终值为在扰动持续时间Tf内对扰动功率积分的最终值；定义扰动能量的峰峰值为在扰动能量的积分过程中，扰动能量的最大值与最小值之差；
用符号函数sgn求扰动能量终值的正负符号，来确定监测信度ci的符号sgn(ci)；
<mrow>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
当监测信度ci的符号sgn(ci)为+1，表征方向判定为下游；若其符号为-1，表征方向判定为上游；当其取临界值0时，表征第i个电能质量监测仪PQM方向判定无效；
定义强弱度系数αi，用以表征各种因素引起的各电能质量监测仪PQM扰动信号强弱度差异，对其扰动方向判定可靠性的置信程度影响；强弱度系数αi由扰动能量终值与扰动能量终值的最大者进行运算得到；
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>9</mn>
<mn>10</mn>
</mfrac>
<mo>&times;</mo>
<msqrt>
<mfrac>
<mrow>
<mo>|</mo>
<msubsup>
<mi>&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<msubsup>
<mi>&Delta;E</mi>
<mi>max</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>|</mo>
</mrow>
</mfrac>
</msqrt>
<mo>+</mo>
<mn>0.1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
定义扰动信号的波动修正系数βi，来表征扰动信号的波动情况和稳定性；对扰动能量终值的绝对值与峰峰值的绝对值，作比值运算，得波动修正系数βi；
进行置信融合得监测信度ci，如下：
ci＝sgn(ci)×αi×βi (3)
5)为解决分布式电源DGs并网第一影响规律引起的误判问题，构造局部信度定义局部扰动特征值为扰动能量终值减去该线路的有功损耗变化ΔELi，并减去该母线Bus的所有出线支路的扰动能量总和
<mrow>
<msubsup>
<mi>&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>&Delta;E</mi>
<mrow>
<mi>L</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>&Sigma;&Delta;E</mi>
<mi>i</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
由于负载线路没有末端母线，所以无法直接计算负载线路的局部信度设负载线路数量为δ条，所有线路上的实际电能质量监测仪PQM和虚拟电能质量监测仪PQM的总数为m；对局部扰动特征值的绝对值和其中的最大者的绝对值作比值，得到局部特征比值并求出m-δ个局部特征比值中剔除最大者后的均值μ；分段处理得到局部信度
<mrow>
<mi>&mu;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mi>&delta;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mi>&delta;</mi>
</mrow>
</munderover>
<msubsup>
<mi>K</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
当扰动源F位于link(G-DG)上时，局部信度可用于判定线路Li上是否存在扰动源F；
6)构建粒子群模型及其评价函数；为适应所提容错性定位方法，将矩阵作为PSO算法的粒子，建立新的粒子群优化模型如下；
定义粒子矩阵是具有速度属性的一个维数为m×1的矩阵；设立第n个粒子矩阵为Xn，其速度为vn；其元素值xnj取值为+1或-1，来表征对应第j个电能质量监测仪PQM的上下游方向判定结果；下标变量j取值从1至m；k为迭代次数，第n个粒子矩阵到目前为止即第k次迭代后取值，找到它自身的最优位置称为该粒子的个体极值矩阵元素值为而所有粒子矩阵中的最优位置记为全局极值矩阵元素值为设置搜索空间限制条件：令扰动源F位于线路Li时对应的方向判别矩阵为DLi；DLi的矩阵元素值与Xn的矩阵元素值个数相同，而DLi的元素值取值为扰动源F位于线路Li时所有电能质量监测仪PQM的上下游方向判定正确的取值，即取+1或-1；将DLi作为粒子矩阵在搜索空间中允许的位置状态；设置速度vn为整数；含上标k或k+1的参数，是代表这些参数在第k或k+1次迭代后的取值；当第n个粒子矩阵的第k次迭代后取值时，vn和Xn的第k+1次迭代公式如下；
<mrow>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&omega;v</mi>
<mi>n</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msubsup>
<mi>r</mi>
<mn>1</mn>
<mi>k</mi>
</msubsup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>|</mo>
<msubsup>
<mi>p</mi>
<mrow>
<mi>b</mi>
<mo>.</mo>
<mi>n</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<msubsup>
<mi>r</mi>
<mn>2</mn>
<mi>k</mi>
</msubsup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>|</mo>
<msubsup>
<mi>g</mi>
<mrow>
<mi>b</mi>
<mo>.</mo>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>X</mi>
<mi>n</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>s</mi>
<mi>n</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0.5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>s</mi>
<mi>n</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo><</mo>
<mn>0.5</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，ω为惯性权重，λ1和λ2为加速因子，三者都为正实数；r1 k、r2 k和为介于[0，1]之间的随机实数，且每次迭代后随机更新一次；为的元素值；表示第k+1次迭代后的速度vn取值，而表示第k次迭代后的速度vn取值；方向判别矩阵和表示：经过第k+1次迭代后更新为时，其矩阵取值的变更方法是按照DLi的下标i与进行加、减运算；
构建评价函数F(Xn)，用其对粒子矩阵Xn进行评价；F(Xn)的评价值越小，表示解越优良；
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mo>&times;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&times;</mo>
<mo>|</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mo>|</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&times;</mo>
<mfrac>
<msqrt>
<mi>m</mi>
</msqrt>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
7)将初始粒子群代入评价函数，按照迭代公式搜索，不断更新个体极值和全局极值，对已计算过的F(Xn)进行记录并对其个数进行计数kcou，避免重复计算；
8)当满足收敛条件：代入评价函数的值或者kcou＝m，或者达到最大迭代次数kend，则跳出循环；输出全局极值矩阵信息，将DLi对应的线路Li作为扰动源F定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510701578.4A CN105353270B (zh) | 2015-10-26 | 2015-10-26 | 考虑分布式电源并网的电能质量扰动源容错定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510701578.4A CN105353270B (zh) | 2015-10-26 | 2015-10-26 | 考虑分布式电源并网的电能质量扰动源容错定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105353270A CN105353270A (zh) | 2016-02-24 |
| CN105353270B true CN105353270B (zh) | 2018-05-22 |
Family
ID=55329272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510701578.4A Active CN105353270B (zh) | 2015-10-26 | 2015-10-26 | 考虑分布式电源并网的电能质量扰动源容错定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105353270B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106249103B (zh) * | 2016-07-25 | 2020-11-10 | 国网黑龙江省电力有限公司伊春供电公司 | 基于wams的电网大扰动源的定位方法 |
| CN106405337B (zh) * | 2016-11-09 | 2017-11-28 | 西安理工大学 | 逆变型分布式电源接入配电网的故障定位方法 |
| CN106646128B (zh) * | 2016-12-12 | 2019-02-01 | 浙江工业大学 | 基于滑模控制的暂态电压扰动源容错性定位方法 |
| CN107091972B (zh) * | 2017-07-05 | 2019-06-04 | 东南大学 | 一种基于改进粒子群的有源配电网故障定位方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101267116A (zh) * | 2008-03-20 | 2008-09-17 | 浙江工业大学 | 一种配电网电能质量扰动源自动定位方法 |
| CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 西南交通大学 | 基于联网的暂态电能质量扰动智能分析方法 |
| CN104407273A (zh) * | 2014-10-13 | 2015-03-11 | 浙江工业大学 | 计及监测可信度的电能质量扰动源定位方法 |
| CN104897992A (zh) * | 2015-06-08 | 2015-09-09 | 湖南城市学院 | 一种分布式电源扰动分类装置及其在线检测方法 |
| CN104899353A (zh) * | 2015-05-05 | 2015-09-09 | 浙江工业大学 | 一种基于证据理论的电能质量扰动源定位方法 |
| CN104899796A (zh) * | 2015-06-08 | 2015-09-09 | 湖南城市学院 | 粒子群优化lvq神经网络的方法及扰动、谐波检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411118B (zh) * | 2011-12-01 | 2013-06-26 | 武汉华中电力电网技术有限公司 | 一种区域互联电网强迫功率振荡扰动源位置判断方法 |
-
2015
- 2015-10-26 CN CN201510701578.4A patent/CN105353270B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101267116A (zh) * | 2008-03-20 | 2008-09-17 | 浙江工业大学 | 一种配电网电能质量扰动源自动定位方法 |
| CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 西南交通大学 | 基于联网的暂态电能质量扰动智能分析方法 |
| CN104407273A (zh) * | 2014-10-13 | 2015-03-11 | 浙江工业大学 | 计及监测可信度的电能质量扰动源定位方法 |
| CN104899353A (zh) * | 2015-05-05 | 2015-09-09 | 浙江工业大学 | 一种基于证据理论的电能质量扰动源定位方法 |
| CN104897992A (zh) * | 2015-06-08 | 2015-09-09 | 湖南城市学院 | 一种分布式电源扰动分类装置及其在线检测方法 |
| CN104899796A (zh) * | 2015-06-08 | 2015-09-09 | 湖南城市学院 | 粒子群优化lvq神经网络的方法及扰动、谐波检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于虚拟仪器技术的综合电能质量分析平台的设计;徐幻南;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20120630(第6期);C042-383 * |
| 基于配电线载波通信的电能质量扰动源自动定位方法的研究;翁国庆 等;《浙江工业大学学报》;20100430;第38卷(第2期);162-167 * |
| 基于链表和矩阵算法的电能质量扰动源自动定位;翁国庆 等;《电力自动化设备》;20111031;第31卷(第10期);12-16 * |
| 带分布式电源的配电网电能质量扰动源定位;黄飞腾 等;《电力系统自动化》;20150510;第39卷(第9期);150-155 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105353270A (zh) | 2016-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Azman et al. | A unified online deep learning prediction model for small signal and transient stability | |
| CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| Bahbah et al. | New method for generators' angles and angular velocities prediction for transient stability assessment of multimachine power systems using recurrent artificial neural network | |
| CN105353270B (zh) | 考虑分布式电源并网的电能质量扰动源容错定位方法 | |
| CN116505665B (zh) | 一种电网配电线路的故障监测方法及系统 | |
| CN108732528A (zh) | 一种基于深度置信网络的数字化电能表故障诊断方法 | |
| CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
| CN114091816B (zh) | 基于数据融合的门控图神经网络的配电网状态估计方法 | |
| Xu et al. | Novel fault location for high permeability active distribution networks based on improved VMD and S-transform | |
| Shaghaghi et al. | State estimation for distribution power systems by applying an advanced optimization approach | |
| CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
| Gu et al. | Location of low-frequency oscillation sources using improved DS evidence theory | |
| Shi et al. | A fault location method for distribution system based on one-dimensional convolutional neural network | |
| Hassani et al. | Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids | |
| Hu et al. | Negative pressure wave-based method for abnormal signal location in energy transportation system | |
| CN117310361A (zh) | 一种基于智能感知和设备画像的配电网故障巡检定位方法 | |
| Liu et al. | Dynamic equivalent modeling for microgrids based on LSTM recurrent neural network | |
| Wei et al. | A lite cellular generalized neuron network for frequency prediction of synchronous generators in a multimachine power system | |
| Ying et al. | Spectral graph theory-based recovery method for missing harmonic data | |
| Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
| Liu et al. | Time-Adaptive Transient Stability Assessment Based on the Gating Spatiotemporal Graph Neural Network and Gated Recurrent Unit | |
| Jin et al. | The short-term wind speed prediction based on HF-EMD and BP neural network model | |
| Wei et al. | Renewable Energy Short Circuit Ratio Prediction Considering the Renewable Power Area-Based Influence | |
| Paramo et al. | Research Trends and Applications of PMUs. Energies 2022, 15, 5329 | |
| Gordill et al. | A novel fault location method for distribution systems using phase-angle jumps based on neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |