CN107064731A - 基于自适应混沌果蝇优化算法的配电网故障区段定位方法 - Google Patents

基于自适应混沌果蝇优化算法的配电网故障区段定位方法 Download PDF

Info

Publication number
CN107064731A
CN107064731A CN201710108957.1A CN201710108957A CN107064731A CN 107064731 A CN107064731 A CN 107064731A CN 201710108957 A CN201710108957 A CN 201710108957A CN 107064731 A CN107064731 A CN 107064731A
Authority
CN
China
Prior art keywords
mrow
drosophila
distribution network
fault
value
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.)
Pending
Application number
CN201710108957.1A
Other languages
English (en)
Inventor
吴丽芳
高立克
杨艺云
周杨珺
梁朔
陈绍南
欧世锋
李克文
俞小勇
李珊
欧阳健娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN201710108957.1A priority Critical patent/CN107064731A/zh
Publication of CN107064731A publication Critical patent/CN107064731A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于自适应混沌果蝇优化算法的配电网故障区段定位方法，涉及配电网系统故障定位领域，针对现有技术无法准确、及时发现配电线路故障点而导致故障查找时间长的技术问题，采用：S1、利用录波装置对配电网中各段电流进行监测，并将所述各段电流检测值与设定整定电流值对比生成故障信息存放于数组X中；S2、通过数组X的信息寻求发生故障的设备，通过构造目标函数F，用以描述配网馈线实际情况与期望故障情况的差值；S3、利用自适应混沌果蝇优化算法，对满足所述目标函数F的最小值，在所述数组X中进行寻优，实现对故障区段的定位，本发明可应用于求解大规模故障定位问题，且对于配电网多点故障定位有较好的容错能力。

Description

基于自适应混沌果蝇优化算法的配电网故障区段定位方法
技术领域
本发明涉及配电网系统故障定位领域，特别涉及一种基于自适应混沌果蝇优化算法的配电网故障区段定位方法。
背景技术
在我国整个电力系统中，配电设备点多面广，配网是最为薄弱的环节。作为受端系统的核心部分，配网是提高供电可靠性至关重要的物质基础，是提高电网的防灾抗灾能力、确保终端用户不间断供电的最后屏障。随着对配电网供电可靠性要求的不断提高，配电线路的在线监测将势在必行。配电网技术水平及网架现状较之主网相比，存在较大差距，主要表现自动化水平落后、网架薄弱等，一旦发生配电线路故障，故障查找时间长，非故障区域难以及时恢复供电或完成转供电，严重影响了供电可靠性，给用电企业的生产或居民生活带来了安全和财产隐患。
发明内容
本发明提供一种基于自适应混沌果蝇优化算法的配电网故障区段定位方法，用以解决现有技术无法准确、及时发现配电线路故障点而导致故障查找时间长的技术问题。
为解决上述问题，本发明采用如下技术方案实现：
一种基于自适应混沌果蝇优化算法的配电网故障区段定位方法，包括以下步骤：
S1、利用录波装置对配电网中各段电流进行检测，并将各段电流检测值与设定整定电流值对比生成故障信息存放于数组X中；
S2、通过数组X的信息寻求发生故障的设备，通过构造目标函数F，用以描述配网馈线实际情况与期望故障情况的差值；
S3、利用自适应混沌果蝇优化算法，对满足所述目标函数F的最小值，在所述数组X中进行寻优，实现对故障区段的定位。
优选地，所述步骤S1的录波装置为暂态录波装置；
所述步骤S1的故障信息包括：当所述各段电流检测值与设定整定电流值相同则取值为0，不同则取值为1；
所述步骤S2构造目标函数F为：其中X(j)为所述数组X的第j个元素，表示测控点j的实际状态值，0为断开，1为正常，Y(j)为所述数组Y的第j个元素，表示测控点j的期望状态值，μ为权系数根据要解决的实际问题取值，取值范围0～1之间，表示故障设备总数，Z(j)为测控的点j处故障设备的数量，N为测控点的总数量。
优选地，所述步骤S3中利用自适应混沌果蝇优化算法，对满足所述目标函数F的最小值，在所述数组X中进行寻优，具体步骤如下：
S301、初始化参数，群体规模Sizepop，最大迭代数Maxgen，果蝇群体位置X_axis，Y_axis，适应度(味道浓度)方差阈值δ，混沌遍历次数M；
S302、赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离，RandomValue为搜索距离：
S303、先估计果蝇个体与原点之距离Disti：再计算新位置的味道浓度判定值Si：Si＝1/Disti；
S304、将味道浓度判定值Si代入味道浓度判定函数(或称为适应度函数)，用来求出果蝇个体位置的味道浓度Smelli：Smelli＝Function(Si)；
S305、找出该果蝇群体中味道浓度最佳的果蝇(最优个体)[bestSmellbestindex]＝min(Smelli)；
S306、记录并保留最佳味道浓度值bestSmell与其X、Y坐标，这时候果蝇群体利用视觉向该X、Y坐标飞去：
S307、根据计算该果蝇群体的平均味道浓度Smellavg(平均适应度)，根据计算该果蝇群体味道浓度方差σ2(适应度方差)；
S308、若σ2＜δ且M＞0，则将果蝇个体位置Xi、Yi通过Logistic映射混沌技术转化为搜索空间内果蝇个体新位置X′i、Y′i，M＝M-1，否则，跳转到步骤S312执行；
S309、先计算新位置X′i、Y′i与原点之距离再计算味道浓度判定值S′i＝1/Dist′i；
S310、将味道浓度判定值S′i代入味道浓度判定函数，求出果蝇个体位置的味道浓度Smell′i＝Function(S′i)；
S311、若Smell′i＜Smellbest，则Smellbest＝Smell′i，X_axis＝X′i，Y_axis＝Y′i，然后跳转到步骤S308，否则直接转到步骤S308；
S312、重复执行步骤S302～S311进行迭代寻优，直至当前迭代次数等于最大迭代数Maxgen或已达到精度目标要求。
优选地，在步骤S3后还包括：S4、针对在配电网中有多个电源进行供电的情况下，当馈线有一处和多处发生故障时，考虑信息传输有无畸变对于定位准确度带来的影响，并进行仿真分析。
本发明具有以下效果：本发明作为一种基于自适应混沌果蝇优化算法的配电网故障定位计算分析方法，可应用于求解大规模故障定位问题，且对于配电网多点故障定位有较好的容错能力。
附图说明
图1是本发明的步骤流程图；
图2是本发明提供的一复杂配电网络结构实施例示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1和图2所示，本发明利用安装在配电网的暂态录波装置对安装处的电流变化进行监测，并将其与设定整定电流对比生成由0和1构成的离散数据，作为故障信息存放于数组X中，通过构造目标函数F，用以描述配网馈线实际情况与期望故障情况的差值，并利用自适应混沌果蝇优化算法，对满足目标函数F的最小值，在信息数组X中进行寻优，实现对故障区段的定位。针对在配电网中有多个电源进行供电的情况下，当馈线有一处和多处发生故障时，考虑信息传输有无畸变对于定位准确度带来的影响，并进行仿真分析。
为了实现上述目的，本实施例的技术方案包括如下步骤：
S1、利用暂态录波装置对配电网中电流进行监测，并将其与设定整定电流对比生成由0和1构成的离散数据，作为故障信息存放于数组X中；
S2、通过数组X的信息，寻求发生故障的设备，通过构造目标函数F，用以描述配网馈线实际情况与期望故障情况的差值；
S3、在应用阶段，基于上述建立的目标函数，利用自适应混沌果蝇优化算法，对满足目标函数F的最小值，在信息数组X中进行寻优，实现对故障区段的定位；
S4、针对在配电网中有多个电源进行供电的情况下，当馈线有一处和多处发生故障时，考虑信息传输有无畸变对于定位准确度带来的影响，并进行仿真分析。
在步骤S1中，故障信息数组X包括：
通过暂态录波装置监测到安装处电流变化，用0表示监测处设备工作状态正常，1表示该出监测到故障电流，表明馈线发生故障；
在步骤S2中，对于目标函数F的建立，具体如下：
①对于简单配电网，所构造的目标函数其中X(j)为故障信息数组X的第j个元素，表示测控点j的实际状态值，0为断开，1为正常；Y(j)为数组Y的第j个元素，表示测控点j的期望状态值。为了避免出现误诊断，上式中加入了一项，其中μ为权系数，根据要解决的实际问题取值，范围在[0,1]之间；表示故障设备总数，Z(j)为测控的点j处故障设备的数量，N为测控点的总数量。
②对于复杂程度较高的配电网，所构造的目标函数F需要将网络电流的流向考虑进去，用以处理闭环运行的配电网故障定位问题。假定由一段电源对全网进行供电，网络中功率流出方向为馈线的正方向，即将闭环运行配电网故障定位转换为简单配电网故障定位，建立统一的目标函数为F＝p1·(F1(n→m)+F1(m→n))+p2·F2，其中：F1(n→m)表示区域1的配电网由n端单独进行供电且网络正方向设定为从n到m时的目标函数，其中n和m是监测配网馈线的首末端；同样F1(m→n)为区域1的配电网由m端单独进行供电且网络正方向设定为从m到n时的目标函数；F2表示区域2的目标函数；当区域1中的节点被监测到发生故障时，p1为1，无故障发生时为0，p2取值情况类似。
在步骤S3中，所用自适应混沌果蝇优化算法，对满足目标函数F的最小值寻优，具体步骤如下：
S301、初始化参数：群体规模Sizepop，最大迭代数Maxgen，果蝇群体位置X_axis，Y_axis，适应度(味道浓度)方差阈值δ，混沌遍历次数M。
S302、赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离，RandomValue为搜索距离：
S303、由于无法得知食物位置，因此先估计与原点之距离再计算新位置的味道浓度判定值Si＝1/Disti，此值为距离之倒数；
S304、味道浓度判定值Si代入味道浓度判定函数(或称为适应度函数)，用来求出果蝇个体位置的味道浓度Smelli＝Function(Si)：
S305、找出该果蝇群体中味道浓度最佳的果蝇(最优个体)：[bestSmellbestindex]＝min(Smelli)；
S306、记录并保留最佳味道浓度值bestSmell与其X、Y坐标，这时候果蝇群体利用视觉向该位置飞去：
S307、根据计算该果蝇群体的平均味道浓度Smellavg(平均适应度)，根据计算该果蝇群体味道浓度方差σ2(适应度方差)；
S308、若σ2＜δ且M＞0，则将果蝇个体位置Xi，Yi通过Logistic映射混沌技术转化为搜索空间内果蝇个体新位置X′i，Y′i，M＝M-1；否则跳转到步骤S312执行；
S309、先估计新位置X′i，Y′i与原点之距离再计算味道浓度判定值S′i＝1/Dist′i；S310、将味道浓度判定值S′i代入味道浓度判定函数，求出果蝇个体位置的
味道浓度Smell′i＝Function(S′i)；
S311、若Smell′i＜Smellbest，则Smellbest＝Smell′i，X_axis＝X′i，Y_axis＝Y′i，然后转到步骤S308，否则直接转到步骤S308；
S312、进入迭代寻优，重复执行步骤S302～S311，直至当前迭代次数等于最大迭代数Maxgen或已达到精度目标要求。
在步骤S4中，针对在多电源复杂情况下，当馈线中有单个节点处发生故障时，考虑故障信息传输有无畸变对于定位准确度带来的影响。具体如下：
①对复杂配电网络进行各进线断路器、联络开关和馈线区段编号，并进行相关区域搜索空间维数、种群规模、最大迭代次数设置等设置。
②当配电网发生单点故障时进行故障定位仿真。假设发生故障的区段为区域1的L14和区域2的L23(节点S18和节点S27上传信息发生畸变)，测试该算法在故障信息传输有无畸变对于定位准确度带来的影响。
③当配电网发生多点故障时进行故障定位仿真。假设馈线区段L14、L16、L22和L23同时发生故障，测试该算法在在故障信息传输有无畸变对于定位准确度带来的影响(节点S17和S28上传的信息发生畸变)。
具体地，以本发明应用于某复杂配电网络为例进行说明：
步骤1：应用自适应混沌果蝇优化算法定位故障区间首先需对复杂配电网络各断路器、开关和馈线区段编号，编号结果如图2所示，其中Sxx表示测试点，Lxx表示被测区域。
步骤2：进行仿真的具体参数设置，区域1搜索空间维数为8，区域2搜索空间维度为7，设置种群规模为30，算法的终止条件Fmin的值连续重复出现的次数t不得小于20或计算达到最大迭代次数200。
步骤3：当配电网馈线上有单个节点发生故障时进行仿真，分别假设发生故障的区段为区域1的L14和区域2的L23，针对有无上传信息畸变对算法进行了验证性仿真，并得出了准确的故障定位区间。
步骤4：对配电网多点发生故障进行仿真，假设区段L14、L16、L22和L23同时发生故障。针对有无上传信息畸变对算法进行了验证性仿真，并得出了准确的故障定位区间(节点S17和S28上传的信息发生畸变)。
配电网单点故障以及多点故障定位仿真结果如表1所示。
表1配电网单点故障以及多点故障定位仿真结果
分析表1可得如下结论：
①表中X的数据为暂态录波装置监测并经过处理生成的故障信息；最优解是利用自适应混沌果蝇优化算法多次迭代计算得出，1表示该馈线区间有故障发生，0表示该馈线区段无故障发生，对于区域1，当将网络流向的正向设定为从n到m和从m到n两种情况下，计算所得最优解均为L14，即表明L14区段发生故障；对于区域2，根据最优解中的信息数据第三位为1，表明故障区段为L23，同时表明，当区域1信息数据最后一位和区域2信息数据第六位发生畸变时，应用动态更新的算法进行求解，仍可以正确定位故障区段。
②对于区域1，当网络流向正向设定为从n到m时，通过算法计算得出的最优解的故障信息数据为[00010000]，即指明区段L14发生故障，当网络流向正向设定为从m到n时，计算所得最优解的故障信息数据为[00100000],指明L16区段发生故障。对于区域2的配电网，最优解信息数据的第二位和第三位都为1，即表明区段L22和L23有故障发生。由仿真结果可知，当区域1网络方向设定为从n到m时,节点S17和区域2的节点S28传输的数据信息发生畸变时，不影响算法的故障定位效果。
本发明的特点在于：针对配电网故障定位，利用对电流变化的监测，记录配电网中的电流状态，并考虑了故障电流的方向用以处理闭环运行的配电网故障定位问题，由此建立了统一的适应度函数，利用考虑混沌特性的自适应混沌果蝇优化算法，实现了增强全局搜索能力的目的，较好的保留并加强了算法本身的鲁棒性。在配电网发生单点故障和多点故障两种情况下，并考虑有无上传信息畸变对算法进行了验证性仿真，并得出了准确的故障定位区间，证明了此算法有较好的收敛性并且有很好的抗干扰性。

Claims (4)

1.一种基于自适应混沌果蝇优化算法的配电网故障区段定位方法，其特征在于，包括以下步骤：
S1、利用录波装置对配电网中各段电流进行检测，并将各段电流检测值与设定整定电流值对比生成故障信息存放于数组X中；
S2、通过数组X的信息寻求发生故障的设备，通过构造目标函数F，用以描述配网馈线实际情况与期望故障情况的差值；
S3、利用自适应混沌果蝇优化算法，对满足所述目标函数F的最小值，在所述数组X中进行寻优，实现对故障区段的定位。
2.根据权利要求1所述的方法，其特征在于：
所述步骤S1的录波装置为暂态录波装置；
所述步骤S1的故障信息包括：当所述各段电流检测值与设定整定电流值相同则取值为0，不同则取值为1；
所述步骤S2构造目标函数F为：其中X(j)为所述数组X的第j个元素，表示测控点j的实际状态值，0为断开，1为正常，Y(j)为所述数组Y的第j个元素，表示测控点j的期望状态值，μ为权系数根据要解决的实际问题取值，取值范围0～1之间，表示故障设备总数，Z(j)为测控的点j处故障设备的数量，N为测控点的总数量。
3.根据权利要求1所述的方法，其特征在于：
所述步骤S3中利用自适应混沌果蝇优化算法，对满足所述目标函数F的最小值，在所述数组X中进行寻优，具体步骤如下：
S301、初始化参数，群体规模Sizepop，最大迭代数Maxgen，果蝇群体位置X_axis，Y_axis，适应度(味道浓度)方差阈值δ，混沌遍历次数M；
S302、赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离，RandomValue为搜索距离：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>X</mi> <mo>_</mo> <mi>a</mi> <mi>x</mi> <mi>i</mi> <mi>s</mi> <mo>+</mo> <mi>R</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mi>o</mi> <mi>m</mi> <mi>V</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>Y</mi> <mo>_</mo> <mi>a</mi> <mi>x</mi> <mi>i</mi> <mi>s</mi> <mo>+</mo> <mi>R</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mi>o</mi> <mi>m</mi> <mi>V</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
S303、先估计果蝇个体与原点之距离Disti：再计算新位置的味道浓度判定值Si：Si＝1/Disti；
S304、将味道浓度判定值Si代入味道浓度判定函数(或称为适应度函数)，用来求出果蝇个体位置的味道浓度Smelli：Smelli＝Function(Si)；
S305、找出该果蝇群体中味道浓度最佳的果蝇(最优个体)[bestSmell bestindex]＝min(Smelli)；
S306、记录并保留最佳味道浓度值bestSmell与其X、Y坐标，这时候果蝇群体利用视觉向该X、Y坐标飞去：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>S</mi> <mi>m</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> <mo>=</mo> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> <mi>S</mi> <mi>m</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>X</mi> <mo>_</mo> <mi>a</mi> <mi>x</mi> <mi>i</mi> <mi>s</mi> <mo>=</mo> <mi>X</mi> <mrow> <mo>(</mo> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> <mi>e</mi> <mi>x</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>Y</mi> <mo>_</mo> <mi>a</mi> <mi>x</mi> <mi>i</mi> <mi>s</mi> <mo>=</mo> <mi>Y</mi> <mrow> <mo>(</mo> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> <mi>e</mi> <mi>x</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
S307、根据计算该果蝇群体的平均味道浓度Smellavg(平均适应度)，根据计算该果蝇群体味道浓度方差σ2(适应度方差)；
S308、若σ2＜δ且M＞0，则将果蝇个体位置Xi、Yi通过Logistic映射混沌技术转化为搜索空间内果蝇个体新位置X′i、Y′i，M＝M-1，否则，跳转到步骤S312执行；
S309、先计算新位置X′i、Y′i与原点之距离再计算味道浓度判定值S′i＝1/Dist′i；
S310、将味道浓度判定值S′i代入味道浓度判定函数，求出果蝇个体位置的味道浓度Smell′i＝Function(S′i)；
S311、若Smell′i＜Smellbest，则Smellbest＝Smell′i，X_axis＝X′i，Y_axis＝Y′i，然后跳转到步骤S308，否则直接转到步骤S308；
S312、重复执行步骤S302～S311进行迭代寻优，直至当前迭代次数等于最大迭代数Maxgen或已达到精度目标要求。
4.根据权利要求1到3任一项所述的方法，其特征在于：在步骤S3后还包括：S4、针对在配电网中有多个电源进行供电的情况下，当馈线有一处和多处发生故障时，考虑信息传输有无畸变对于定位准确度带来的影响，并进行仿真分析。
CN201710108957.1A 2017-02-27 2017-02-27 基于自适应混沌果蝇优化算法的配电网故障区段定位方法 Pending CN107064731A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710108957.1A CN107064731A (zh) 2017-02-27 2017-02-27 基于自适应混沌果蝇优化算法的配电网故障区段定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710108957.1A CN107064731A (zh) 2017-02-27 2017-02-27 基于自适应混沌果蝇优化算法的配电网故障区段定位方法

Publications (1)

Publication Number Publication Date
CN107064731A true CN107064731A (zh) 2017-08-18

Family

ID=59622219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710108957.1A Pending CN107064731A (zh) 2017-02-27 2017-02-27 基于自适应混沌果蝇优化算法的配电网故障区段定位方法

Country Status (1)

Country Link
CN (1) CN107064731A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107478956A (zh) * 2017-09-04 2017-12-15 云南电网有限责任公司电力科学研究院 一种配电网的故障定位方法及装置
CN108063452A (zh) * 2017-12-04 2018-05-22 广东电网有限责任公司电力科学研究院 基于自适应混沌果蝇优化算法的配电网最优孤岛划分方法
CN112557817A (zh) * 2020-11-27 2021-03-26 广东电网有限责任公司肇庆供电局 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3546090B2 (ja) * 1995-03-15 2004-07-21 中部電力株式会社 高圧架空配電線地絡故障点標定システムと送信機
CN103076540A (zh) * 2012-12-28 2013-05-01 辽宁省电力有限公司沈阳供电公司 配电网矩阵算法故障定位结果容错纠正的方法
CN104599193A (zh) * 2015-01-16 2015-05-06 国家电网公司 一种基于规则库的配电网单相接地故障定位方法
CN105067956A (zh) * 2015-08-26 2015-11-18 云南电网有限责任公司电力科学研究院 一种基于蚁群算法配网故障定位的方法
CN105954650A (zh) * 2016-07-08 2016-09-21 广州中超合能科技有限公司 配电网故障定位方法和系统
CN106229964A (zh) * 2016-07-22 2016-12-14 南京工程学院 一种基于改进二进制粒子群算法的配电网故障定位方法
CN106249109A (zh) * 2016-09-20 2016-12-21 广西电网有限责任公司钦州供电局 配电网故障定位方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3546090B2 (ja) * 1995-03-15 2004-07-21 中部電力株式会社 高圧架空配電線地絡故障点標定システムと送信機
CN103076540A (zh) * 2012-12-28 2013-05-01 辽宁省电力有限公司沈阳供电公司 配电网矩阵算法故障定位结果容错纠正的方法
CN104599193A (zh) * 2015-01-16 2015-05-06 国家电网公司 一种基于规则库的配电网单相接地故障定位方法
CN105067956A (zh) * 2015-08-26 2015-11-18 云南电网有限责任公司电力科学研究院 一种基于蚁群算法配网故障定位的方法
CN105954650A (zh) * 2016-07-08 2016-09-21 广州中超合能科技有限公司 配电网故障定位方法和系统
CN106229964A (zh) * 2016-07-22 2016-12-14 南京工程学院 一种基于改进二进制粒子群算法的配电网故障定位方法
CN106249109A (zh) * 2016-09-20 2016-12-21 广西电网有限责任公司钦州供电局 配电网故障定位方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩俊英 等: "自适应混沌果蝇优化算法", 《计算机应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107478956A (zh) * 2017-09-04 2017-12-15 云南电网有限责任公司电力科学研究院 一种配电网的故障定位方法及装置
CN108063452A (zh) * 2017-12-04 2018-05-22 广东电网有限责任公司电力科学研究院 基于自适应混沌果蝇优化算法的配电网最优孤岛划分方法
CN112557817A (zh) * 2020-11-27 2021-03-26 广东电网有限责任公司肇庆供电局 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备

Similar Documents

Publication Publication Date Title
CN109270407A (zh) 基于多源信息融合的特高压直流输电线路故障原因辨识方法
Luo et al. Real power transfer capability calculations using multi-layer feed-forward neural networks
CN106856322B (zh) 一种基于神经网络的柔性直流配电网智能保护系统
CN108089099A (zh) 基于深度置信网络的配电网故障的诊断方法
CN107064731A (zh) 基于自适应混沌果蝇优化算法的配电网故障区段定位方法
CN108957246A (zh) 一种基于粒子群的配电网故障定位方法
CN105067956A (zh) 一种基于蚁群算法配网故障定位的方法
CN103150594A (zh) 基于加动量项bp神经网络的变压器故障诊断方法
CN108680807A (zh) 基于条件生成式对抗网络的变压器故障诊断方法和系统
CN108414896A (zh) 一种电网故障诊断方法
CN105117591A (zh) 一种电力设备的运行状态分析方法
CN104599193A (zh) 一种基于规则库的配电网单相接地故障定位方法
Alahmad et al. Non-intrusive electrical load monitoring and profiling methods for applications in energy management systems
CN102684902A (zh) 基于探针预测的网络故障定位方法
CN109460431A (zh) 一种配电网故障定位方法
CN109142988A (zh) 一种基于电能质量监测数据的配网故障定位方法及系统
CN107271840A (zh) 一种基于lfoa的配电网故障区段定位方法
CN112905670A (zh) 用于户内停电故障研判的电能表系统、户内停电故障研判方法
Wei et al. Learning geotemporal nonstationary failure and recovery of power distribution
CN113420912B (zh) 一种配电网低压异常用户辨识的方法
CN104462769A (zh) 基于遗传算法的变电站电流量测回路故障检测方法
Nina et al. Hybrid support system for decision making based on MLP-ANN, IED and SCADA for disturbances analysis of electrical power distribution transformers
CN104569658B (zh) 基于遗传算法的变电站电流量测回路故障检测方法
Zhou et al. The application of visualization and neural network techniques in a power transformer condition monitoring system
CN110398666A (zh) 一种基于继电保护时序信息特征的配电网故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170818

RJ01 Rejection of invention patent application after publication