CN107271840A - 一种基于lfoa的配电网故障区段定位方法 - Google Patents
一种基于lfoa的配电网故障区段定位方法 Download PDFInfo
- Publication number
- CN107271840A CN107271840A CN201710179676.5A CN201710179676A CN107271840A CN 107271840 A CN107271840 A CN 107271840A CN 201710179676 A CN201710179676 A CN 201710179676A CN 107271840 A CN107271840 A CN 107271840A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- fault
- drosophila
- individual
- power distribution
- 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
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)
- Locating Faults (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及配电网系统故障定位领域,具体是一种基于LFOA的配电网故障区段定位方法,具体步骤包括(1)通过监测馈线电流变化形成数据信息;(2)构造用以检测故障设备的目标函数;(3)利用具有Levy飞行特征的动态双子群果蝇优化算法对单点故障进行定位;(4)利用具有Levy飞行特征的动态双子群果蝇优化算法对多点故障进行定位。本发明所提供的一种基于LFOA的配电网故障区段定位方法,在配电网发生单点故障和多点故障两种情况下,考虑了有无上传信息发生畸变对算法准确度的影响,并进行了验证性仿真,得出了准确的故障定位区间,证明本发明有较好的收敛性和抗干扰性,本发明可应用于求解大规模故障定位问题,对于配电网多点故障定位有较好的容错能力。
Description
技术领域
本发明涉及配电网系统故障定位领域,具体是一种基于LFOA的配电网故障区段定位方 法。
背景技术
配电网作为电能的传输单元,在电网中起到至关重要的作用,其结构类型多为辐射型, 并与用户侧有着密切联系。随着经济快速发展,用电需求日益增加,致使配网的规模日益扩 大,拓扑结构渐趋复杂,故障率逐渐增高,因此更要求系统能对故障段进行实时有效定位, 并尽快进行故障排除,降低经济损失。
自然界中很多动物想要在不确定的环境中找到食物,最理想的方式就是采用“Levy飞 行”搜索策略,在这种形式的搜索中,短距离的探索性蹦蹦跳跳与偶尔的较长距离行走相间。 短距离的蹦蹦跳跳可以保证动物在觅食过程中能够对自身周围的小范围进行仔细的搜寻,而 偶尔较长距离的行走又可以保证自身能够迸入另一个区域,在更广阔的范围进行搜索。鉴于 Levy飞行的优点,在进化策略中引入Levy飞行策略,提出了具有Levy飞行特征的动态双子 群果蝇优化算法,即LFOA算法(Double subgroups FOA with thecharacteristics of Levy flight,LFOA)。综上,本发明提供了一种基于LFOA的配电网故障区段定位方法。
发明内容
本发明提供了一种基于LFOA的配电网故障区段定位方法,具体技术方案如下:
一种基于LFOA的配电网故障区段定位方法包括以下步骤:
(1)利用暂态录波装置对配电网中的电流进行监测,并将其与设定的整定电流对比生成 由0和1构成的离散数据,当监测值与设定值相同时取0,表示监测处设备工作状态正常, 当监测值与设定值不同时取1,表示监测处的馈线发生故障,将离散数据作为故障信息存放 于数组X中;
(2)构造目标函数F来描述配电网馈线实际情况与期望故障情况的差值;
(3)基于构造的目标函数F,利用具有Levy飞行特征的动态双子群果蝇优化算法对满 足目标函数F的最小值在数组X中寻找最优解,实现对故障区段的定位;
(4)针对配电网中有多个电源进行供电的情况下,当馈线有一处或多处发生故障时,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。
进一步,所述目标函数F的构造,具体如下:
(1)对于简单配电网,所构造的目标函数F:
其中X(j)为数组X的第j个元素,表示监测点j的实际状态值,0为正常,1为断开;Y(j) 为数组Y的第j个元素,表示监测点j的期望状态值;μ为权系数,取值范围为[0,1];表示故障设备总数,Z(j)为监测点j处故障设备的数量,N为监测点的总数量。
(2)对于复杂程度较高的配电网,设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,构造统一的目标函数为:
F=p1·(F1(n→m)+F1(m→n))+p2·F2;②
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是监测配电网馈线的首末端;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,当区域2中的节点被监测到发生 故障时,p2为1,无故障发生时为0。
进一步,所述步骤(3)中利用具有Levy飞行特征的动态双子群果蝇优化算法对满足目 标函数F的最小值在数组X中寻找最优解,包括以下步骤:
(1)确定群体规模为Sizepop,最大迭代数为Maxgen,初始化果蝇群体初始位置为X_axis,Y_axis;
(2)赋予果蝇个体i利用嗅觉搜寻食物之随机方向与距离,设RandomValue为搜索距离, 则:
(3)由于无法得知食物位置,因此先估计果蝇个体i的位置与原点之距离Disti,再计 算新位置的味道浓度判定值Si,Si为距离的倒数:
Si=1/Disti;⑤
(4)将味道浓度判定值Si代入味道浓度判定函数,求出果蝇个体位置的味道浓度Smelli:
Smelli=Function(Si);⑥
(5)找出该果蝇群体中味道浓度最大的果蝇和味道浓度最小的果蝇:
[bestSmellbestindex]=min(Smelli);⑦
[worstSmellworstindex]=max(Smelli);⑧
(6)分别记录并保留最佳味道浓度值bestSmell与其X_b、Y_b坐标,最差味道浓 度值worstSmell与其X_w、Y_w坐标:
(7)分别计算果蝇个体i与最优个体的距离Disti_best以及与最差个体的距离Disti_worst:
(8)若Disti_best>Disti_worst,则将果蝇个体i划入较差子群,转入步骤(9);否则,划分 入较好子群,并转入步骤(10);
(9)赋予较差子群中的果蝇个体利用视觉向最优个体飞去,(Xi',Yi')为果蝇个体的新位 置坐标,RandomValue为搜索距离:
(10)引入Levy飞行策略,使较优子群中的果蝇个体围绕全局最优信息做Levy飞行:
其中,a为步进长度,L(λ)为Levy飞行的随机搜索路径,(Xi',Yi')为果蝇个体的新位置坐标;
(11)经过步骤(9)和步骤(10)后,两个子群都完成了位置的更新,估计新位置(Xi',Yi') 与原点之间的距离Disti',再计算新位置味道浓度判定值Si':
(12)将味道浓度判定值Si'代入味道浓度判定函数,求出果蝇个体新位置的味道浓度 Smelli':
(13)若Smelli'<Smellbest,则Smellbest=Smelli',X_b=Xi',Y_b=Yi';
(14)进入迭代寻优,重复执行步骤(2)~(13),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。
进一步,所述步骤(4)具体包括以下步骤:
(1)对复杂配电网中的进线断路器、联络开关和馈线区段进行编号,并对相关区域进行 搜索空间维数、设置种群规模、设置最大迭代次数;
(2)配电网发生单点故障时进行故障定位仿真;
(3)配电网发生多点故障时进行故障定位仿真。
本发明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,由此构造了统一的适应度函 数,利用考虑混沌特性的具有Levy飞行特征的动态双子群果蝇优化算法,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,并考虑了有无上传信息发生畸变对算法的准确性影响进行了验证性仿真,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。本发明作 为一种基于具有Levy飞行特征的动态双子群果蝇优化算法的配电网故障区段定位方法,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为本发明提供的一种基于具有Levy飞行特征的动态双子群果蝇优化算法的配电网故 障区段定位方法流程图;
图2为本发明中复杂的配电网网络络结构示意图。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
如图1所示,一种基于LFOA的配电网故障区段定位方法包括以下步骤:
(1)利用暂态录波装置对配电网中的电流进行监测,并将其与设定的整定电流对比生成由0和1构成的离散数据,当监测值与设定值相同时取0,表示监测处设备工作状态正常,当监 测值与设定值不同时取1,表示监测处的馈线发生故障,将离散数据作为故障信息存放于数 组X中;
(2)构造目标函数F来描述配电网馈线实际情况与期望故障情况的差值;所述目标函数F 的构造,具体如下:
1)对于简单配电网,所构造的目标函数F:
其中X(j)为数组X的第j个元素,表示监测点j的实际状态值,0为正常,1为断开;Y(j) 为数组Y的第j个元素,表示监测点j的期望状态值;μ为权系数,取值范围为[0,1];表示故障设备总数,Z(j)为监测点j处故障设备的数量,N为监测点的总数量。
2)对于复杂程度较高的配电网,如图2所示,设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,构造统一的目标函数为:
F=p1·(F1(n→m)+F1(m→n))+p2·F2;②
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是监测配电网馈线的首末端;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,当区域2中的节点被监测到发生 故障时,p2为1,无故障发生时为0。
(3)基于构造的目标函数F,利用具有Levy飞行特征的动态双子群果蝇优化算法对满 足目标函数F的最小值在数组X中寻找最优解,实现对故障区段的定位;具体步骤如下:
1)确定群体规模为Sizepop,最大迭代数为Maxgen,初始化果蝇群体初始位置为X_axis,Y_axis;
2)赋予果蝇个体i利用嗅觉搜寻食物之随机方向与距离,设RandomValue为搜索距离, 则:
3)由于无法得知食物位置,因此先估计果蝇个体i的位置与原点之距离Disti,再计算 新位置的味道浓度判定值Si,Si为距离的倒数:
Si=1/Disti;⑤
4)将味道浓度判定值Si代入味道浓度判定函数,求出果蝇个体位置的味道浓度Smelli:
Smelli=Function(Si);⑥
5)找出该果蝇群体中味道浓度最大的果蝇和味道浓度最小的果蝇:
[bestSmellbestindex]=min(Smelli);⑦
[worstSmellworstindex]=max(Smelli);⑧
6)分别记录并保留最佳味道浓度值bestSmell与其X_b、Y_b坐标,最差味道浓度值worstSmell与其X_w、Y_w坐标:
7)分别计算果蝇个体i与最优个体的距离Disti_best以及与最差个体的距离:
8)若Disti_best>Disti_worst,则将果蝇个体i划入较差子群,转入步骤(9);否则,划分入 较好子群,并转入步骤(10);
9)赋予较差子群中的果蝇个体利用视觉向最优个体飞去,(Xi',Yi')为果蝇个体的新位置 坐标,RandomValue为搜索距离:
10)引入Levy飞行策略,使较优子群中的果蝇个体围绕全局最优信息做Levy飞行:
其中,a为步进长度,L(λ)为Levy飞行的随机搜索路径,(Xi',Yi')为果蝇个体的新位置坐标; Levy飞行路径的计算方法包括以下步骤:
①Levy飞行的连续跳跃路径与时间t服从Levy分布,通过对其简化和进行傅里叶变换 后,可以得到其幂次形式的概率密度函数:
②式是一个带有重尾的概率分布,但通过较为简单的程序语言实现比较困难,因此在 计算Levy飞行的搜索路径时,通常采用Mantegna提出的模拟Levy飞行路径的计算公式,式 中:μ是控制变量,经验值取μ=4;
11)经过步骤9)和步骤10)后,两个子群都完成了位置的更新,估计新位置(Xi',Yi')与 原点之间的距离Disti',再计算新位置味道浓度判定值Si':
12)将味道浓度判定值Si'代入味道浓度判定函数,求出果蝇个体新位置的味道浓度 Smelli':
13)若Smelli'<Smellbest,则Smellbest=Smelli',X_b=Xi',Y_b=Yi';
14)进入迭代寻优,重复执行步骤2)~13),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)针对配电网中有多个电源进行供电的情况下,当馈线有一处或多处发生故障时,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;具体包括以下步骤:
1)对复杂配电网中的进线断路器、联络开关和馈线区段进行编号,并对相关区域进行搜 索空间维数、设置种群规模、设置最大迭代次数;如图2所示,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。算法的一次循环是步骤(3)中的步骤2)~步骤13),当计算程序判断达到算法的终止条件时,会终止计算,所得到的解就是最优解;
2)配电网发生单点故障时进行故障定位仿真;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;
3)配电网发生多点故障时进行故障定位仿真。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根据上述步骤,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;最优解是利用具有Levy 飞行特征的动态双子群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。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已, 并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等, 均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于LFOA的配电网故障区段定位方法,其特征在于:包括以下步骤:
(1)利用暂态录波装置对配电网中的电流进行监测,并将其与设定的整定电流对比生成由0和1构成的离散数据,当监测值与设定值相同时取0,表示监测处设备工作状态正常,当监测值与设定值不同时取1,表示监测处的馈线发生故障,将离散数据作为故障信息存放于数组X中;
(2)构造目标函数F来描述配电网馈线实际情况与期望故障情况的差值;
(3)基于构造的目标函数F,利用具有Levy飞行特征的动态双子群果蝇优化算法对满足目标函数F的最小值在数组X中寻找最优解,实现对故障区段的定位;
(4)针对配电网中有多个电源进行供电的情况下,当馈线有一处或多处发生故障时,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。
2.根据权利要求1所述的一种基于LFOA的配电网故障区段定位方法,其特征在于:所述目标函数F的构造,具体如下:
(1)对于简单配电网,所构造的目标函数F:
其中X(j)为数组X的第j个元素,表示监测点j的实际状态值,0为正常,1为断开;Y(j)为数组Y的第j个元素,表示监测点j的期望状态值;μ为权系数,取值范围为[0,1];表示故障设备总数,Z(j)为监测点j处故障设备的数量,N为监测点的总数量。
(2)对于复杂程度较高的配电网,设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,构造统一的目标函数为:
F=p1·(F1(n→m)+F1(m→n))+p2·F2;②
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是监测配电网馈线的首末端;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,当区域2中的节点被监测到发生故障时,p2为1,无故障发生时为0。
3.根据权利要求1所述的一种基于LFOA的配电网故障区段定位方法,其特征在于:所述步骤(3)中利用具有Levy飞行特征的动态双子群果蝇优化算法对满足目标函数F的最小值在数组X中寻找最优解,包括以下步骤:
(1)确定群体规模为Sizepop,最大迭代数为Maxgen,初始化果蝇群体初始位置为X_axis,Y_axis;
(2)赋予果蝇个体i利用嗅觉搜寻食物之随机方向与距离,设RandomValue为搜索距离,则:
(3)由于无法得知食物位置,因此先估计果蝇个体i的位置与原点之距离Disti,再计算新位置的味道浓度判定值Si,Si为距离的倒数:
(4)将味道浓度判定值Si代入味道浓度判定函数,求出果蝇个体位置的味道浓度Smelli:
Smelli=Function(Si);⑥
(5)找出该果蝇群体中味道浓度最大的果蝇和味道浓度最小的果蝇:
[bestSmellbestindex]=min(Smelli);⑦
[worstSmellworstindex]=max(Smelli);⑧
(6)分别记录并保留最佳味道浓度值bestSmell与其X_b、Y_b坐标,最差味道浓度值worstSmell与其X_w、Y_w坐标:
(7)分别计算果蝇个体i与最优个体的距离Disti_best以及与最差个体的距离Disti_worst:
(8)若Disti_best>Disti_worst,则将果蝇个体i划入较差子群,转入步骤(9);否则,划分入较好子群,并转入步骤(10);
(9)赋予较差子群中的果蝇个体利用视觉向最优个体飞去,(Xi',Yi')为果蝇个体的新位置坐标,RandomValue为搜索距离:
(10)引入Levy飞行策略,使较优子群中的果蝇个体围绕全局最优信息做Levy飞行:
其中,a为步进长度,L(λ)为Levy飞行的随机搜索路径,(Xi',Yi')为果蝇个体的新位置坐标;
(11)经过步骤(9)和步骤(10)后,两个子群都完成了位置的更新,估计新位置(Xi',Yi')与原点之间的距离Disti',再计算新位置味道浓度判定值Si':
(12)将味道浓度判定值Si'代入味道浓度判定函数,求出果蝇个体新位置的味道浓度Smelli':
(13)若Smelli'<Smellbest,则Smellbest=Smelli',X_b=Xi',Y_b=Yi';
(14)进入迭代寻优,重复执行步骤(2)~(13),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所述的一种基于LFOA的配电网故障区段定位方法,其特征在于:所述步骤(4)具体包括以下步骤:
(1)对复杂配电网中的进线断路器、联络开关和馈线区段进行编号,并对相关区域进行搜索空间维数、设置种群规模、设置最大迭代次数;
(2)配电网发生单点故障时进行故障定位仿真;
(3)配电网发生多点故障时进行故障定位仿真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710179676.5A CN107271840A (zh) | 2017-03-23 | 2017-03-23 | 一种基于lfoa的配电网故障区段定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710179676.5A CN107271840A (zh) | 2017-03-23 | 2017-03-23 | 一种基于lfoa的配电网故障区段定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107271840A true CN107271840A (zh) | 2017-10-20 |
Family
ID=60073645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710179676.5A Pending CN107271840A (zh) | 2017-03-23 | 2017-03-23 | 一种基于lfoa的配电网故障区段定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107271840A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541397A (zh) * | 2018-11-29 | 2019-03-29 | 杭州电力设备制造有限公司 | 一种主动配电网的相间短路故障定位方法、装置及系统 |
CN112051740A (zh) * | 2020-08-31 | 2020-12-08 | 五邑大学 | 滑模控制器参数整定方法、参数整定装置及存储介质 |
CN117951626B (zh) * | 2024-03-14 | 2024-05-31 | 国网山东省电力公司邹城市供电公司 | 一种基于智能优化算法的电网异常状态检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106093713A (zh) * | 2016-08-24 | 2016-11-09 | 广东工业大学 | 一种含分布式电源的配电网区段故障定位方法及系统 |
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 |
-
2017
- 2017-03-23 CN CN201710179676.5A patent/CN107271840A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106093713A (zh) * | 2016-08-24 | 2016-11-09 | 广东工业大学 | 一种含分布式电源的配电网区段故障定位方法及系统 |
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)
Title |
---|
张前图 等: "具有Levy飞行特征的双子群果蝇优化算法", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541397A (zh) * | 2018-11-29 | 2019-03-29 | 杭州电力设备制造有限公司 | 一种主动配电网的相间短路故障定位方法、装置及系统 |
CN112051740A (zh) * | 2020-08-31 | 2020-12-08 | 五邑大学 | 滑模控制器参数整定方法、参数整定装置及存储介质 |
CN117951626B (zh) * | 2024-03-14 | 2024-05-31 | 国网山东省电力公司邹城市供电公司 | 一种基于智能优化算法的电网异常状态检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Secure fusion estimation for bandwidth constrained cyber-physical systems under replay attacks | |
WO2020181761A1 (zh) | 一种sdn增强路径装箱装置及方法 | |
Papadopoulos et al. | Network mapping by replaying hyperbolic growth | |
Rathore et al. | Towards Trusted Green Computing for Wireless Sensor Networks: Multi Metric Optimization Approach. | |
CN105954650B (zh) | 配电网故障定位方法和系统 | |
Zhang et al. | A data set accuracy weighted random forest algorithm for IoT fault detection based on edge computing and blockchain | |
Balamurugan et al. | Hybrid Marine predators optimization and improved particle swarm optimization-based optimal cluster routing in wireless sensor networks (WSNs) | |
Sharma et al. | A tailored Q-Learning for routing in wireless sensor networks | |
CN106841928A (zh) | 一种基于多源信息融合的配电网故障区段定位方法及系统 | |
CN106324429A (zh) | 一种基于rs‑ia数据挖掘的配电网故障定位方法 | |
CN107271840A (zh) | 一种基于lfoa的配电网故障区段定位方法 | |
CN110798351B (zh) | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 | |
Zafar et al. | A hybrid fault diagnosis architecture for wireless sensor networks | |
CN104092503A (zh) | 一种基于狼群优化的人工神经网络频谱感知方法 | |
CN106850253A (zh) | 一种基于多状态网络的传输时间可靠性测量的方法 | |
CN102684825B (zh) | 用于计算网络丢包率的探测方法 | |
Guo | Mathematical modeling and simulation of wireless sensor network coverage problem | |
Tian et al. | Network intrusion detection method based on high speed and precise genetic algorithm neural network | |
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 | |
Veerapaulraj et al. | An Optimized Novel Trust-Based Security Mechanism Using Elephant Herd Optimization. | |
Maulana et al. | Analysis of VBF and DBR performance in environmental monitoring system using aquasim at NS-3 | |
CN108134680B (zh) | 一种基于贝叶斯网络的系统测量节点优化配置方法 | |
KR et al. | An Energy Efficient Intelligent Method for Sensor Node Selection to Improve the Data Reliability in Internet of Things Networks. | |
CN109257763A (zh) | 无线传感器二维网络边界节点的判断方法 | |
CN110149277A (zh) | 基于链路拥塞强度分布的网络拥塞链路诊断方法及系统 |
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: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |