CN108594079A - 一种配电网故障定位方法、装置和计算机可读介质 - Google Patents
一种配电网故障定位方法、装置和计算机可读介质 Download PDFInfo
- Publication number
- CN108594079A CN108594079A CN201810413817.XA CN201810413817A CN108594079A CN 108594079 A CN108594079 A CN 108594079A CN 201810413817 A CN201810413817 A CN 201810413817A CN 108594079 A CN108594079 A CN 108594079A
- Authority
- CN
- China
- Prior art keywords
- particle
- distribution network
- power distribution
- population
- fault
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种配电网故障定位方法、装置和计算机可读介质,涉及电力系统的技术领域,包括获取馈线终端设备反馈的故障信息,并基于所述故障信息确定待定位配电网的故障信息的编码信息;将所述待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;基于所述分析结果对所述待定位配电网进行故障定位,缓解了现有的配电网故障定位技术故障定位的精确度较低的技术问题。
Description
技术领域
本发明涉及电力系统的技术领域,尤其是涉及一种配电网故障定位方法、装置和计算机可读介质。
背景技术
随着经济和科技的发展,人类对于石油、煤炭等一次能源的消耗日益加重,能源危机已成为人类不可忽略的重要问题,为此世界各国都大力发展以太阳能和风能为主的新能源,以此来应对能源危机。近年来,随着分布式发电技术的不断进步,大量的分布式电源被接入到配电网中,这使得传统的单电源辐射状配电网变成了多电源的复杂结构。因此基于单电源辐射状网络的故障定位方法已不再适用。为保证供电可靠性和分布式电源的利用率,对配电网的故障定位提出了更高的要求。
在现有的故障定位技术中,通过简单的人工智能算法进行配电网故障定位,例如,粒子群算法,遗传算法,神经网络算法等。但是,传统的人工智能算法具有一定的缺陷,导致故障定位的精确度较低。
发明内容
有鉴于此,本发明的目的在于提供一种配电网故障定位方法、装置和计算机可读介质,以缓解了现有的配电网故障定位技术故障定位的精确度较低的技术问题。
第一方面,本发明实施例提供了一种配电网故障定位方法,包括:获取馈线终端设备反馈的故障信息,并基于所述故障信息确定待定位配电网的故障信息的编码信息;将所述待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;基于所述分析结果对所述待定位配电网进行故障定位。
进一步地,将所述待定位配电网的故障信息输入至免疫粒子群中进行分析,得到分析结果包括:初始化所述免疫粒子群算法中的计算参数,其中,所述计算参数包括:搜索空间的维数,初始化粒子群种群的规模,记忆粒子数量,最大迭代次数,个体学习因子,群体学习因子,惯性权重,变异概率和初始个体极值;对所述初始种群规模中的每个粒子进行亲和度和浓度的计算,并初始化算以下数据:每个所述粒子的最优位置、每个所述粒子的最优亲和度,群体最优位置,群体最优亲和度,其中,每个所述粒子的位置表示所述待定位配电网中各个区段的状态编码;在对所述免疫粒子群算法进行初始化计算之后,对每个所述粒子进行迭代计算,得到计算结果,其中,所述计算结果中包括所述待定位配电网的故障区段。
进一步地,对每个所述粒子进行迭代计算,得到计算结果包括:将初始化的所述粒子群种群作为目标粒子群执行以下步骤,直至满足迭代停止条件:按照亲和度由高到低的顺序对所述目标粒子群中的每个粒子进行排序,得到排序结果,并将所述排序结果中的前Nm个的粒子作为免疫粒子,并提取疫苗保存到记忆库中;更新所述目标粒子群中每个粒子的位置和速度,得到更新之后的粒子;计算所述更新之后的粒子的浓度和亲和度,并对所述更新之后的粒子进行抑制和选择,得到抑制选择后的粒子;对所述抑制选择后的粒子进行变异操作,得到变异之后的所述目标粒子群;将所述记忆库中的粒子接入到所述变异之后的目标粒子群中,得到中间粒子种群,并按照亲和度由高到低的顺序对所述中间粒子种群进行排序,以及,将排序结果中的前N个粒子作为新一代的种群;判断是否满足迭代条件;若满足,则输出所述新一代的种群的群体最优位置和群体最优亲和度;若不满足,则将所述新一代的种群作为所述目标粒子群,返回执行以上步骤。
进一步地,更新所述目标粒子群中每个粒子的位置和速度,得到更新之后的粒子包括:根据上一次迭代过程中计算到的粒子最优位置,群体最优位置和粒子位置,计算当前迭代计算过程中所述目标粒子群中立足的位置和速度,计算公式描述为: 其中,i依次取1至M;k为当前迭代过程的迭代次数;ω为惯性权重;c1为个体学习因子;c2为群体学习因子;ξ1、ξ2和ri k+1为[0,1]之间的随机数;personalbest_xk(i)为所述目标粒子群中的粒子i在第k次迭代后在搜索空间中的最优位置;S_bk(i)为所述粒子i在第k次迭代后的位置;globalbest_xk为第k次迭代之后,所述目标粒子群中最优的位置。
进一步地,对所述更新之后的粒子进行抑制和选择,得到抑制选择后的粒子包括:基于公式Ps(i)=aP1(i)+(1-a)P2(i)对所述更新之后的粒子进行抑制和选择,其中,a为浓度衰减系数。
进一步地,对所述抑制选择后的粒子进行变异操作包括:在所述目标粒子群中随机选择一个粒子,对选中的粒子以变异概率Pm改变其等位基因。
进一步地,所述故障信息包括电流,基于所述故障信息确定待定位配电网的故障信息的编码信息包括:针对所述待定位配电网中的每个分段开关,当经过所述分段开关的电流的方向为正方向时,设置所述分段开关的编码信息为第一数值,其中,所述正方向为第一电源到第二电源的方向,所述第一电源为距离所述分段开关最近的电源,所述第二电源为所述第一电源的下游电源;针对所述待定位配电网中的每个分段开关,当经过所述分段开关的电流的方向为所述正方向的反方向时,设置所述分段开关的编码信息为第二数值;针对所述待定位配电网中的每个分段开关,当没有电流经过所述分段开关时,设置所述分段开关的编码信息为第三数值。
进一步地,对所述初始种群规模中的每个粒子进行亲和度和浓度的计算包括:构建开关函数其中,为第j个分段开关的开关函数;表示所述待定位配电网中是否有分布式电源接入;sju和sjd分别表示第j个分段开关上游馈线和下游馈线的状态;M1、M2分别表示第j个开关的上游的馈线区段数和下游的馈线区段数;∏为逻辑或运算;所述开关函数代入亲和度函数中,得到以下公式:其中,F(S)表示粒子群种群中每个粒子的亲和度;η为权重系数;根据公式计算每个所述粒子的浓度。
第二方面,本发明实施例提供了一种配电网故障定位装置,包括:获取单元,用于获取馈线终端设备反馈的故障信息,并基于所述故障信息确定待定位配电网的故障信息的编码信息;分析单元,用于将所述待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;故障定位单元,用于基于所述分析结果对所述待定位配电网进行故障定位。
第三方面,本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述任一所述方法。
在本发明实施例中,首先,获取馈线终端设备反馈的故障信息,并基于故障信息确定待定位配电网的故障信息的编码信息;然后,将待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;最后,基于分析结果对待定位配电网进行故障定位。在本实施例中,通过免疫粒子群算法进行故障定位,能够避免传统人工智能算法分析精度较低的问题,进而缓解了现有的配电网故障定位技术故障定位的精确度较低的技术问题,从而实现了提高故障定位的精确度的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种配电网故障定位方法的流程图;
图2是根据本发明实施例的一种配电网故障定位装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。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。
实施例一:
根据本发明实施例,提供了一种配电网故障定位方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种配电网故障定位方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取馈线终端设备反馈的故障信息,并基于所述故障信息确定待定位配电网的故障信息的编码信息;
步骤S104,将所述待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;
步骤S106,基于所述分析结果对所述待定位配电网进行故障定位。
在本发明实施例中,首先,获取馈线终端设备反馈的故障信息,并基于故障信息确定待定位配电网的故障信息的编码信息;然后,将待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;最后,基于分析结果对待定位配电网进行故障定位。在本实施例中,通过免疫粒子群算法进行故障定位,能够避免传统人工智能算法分析精度较低的问题,进而缓解了现有的配电网故障定位技术故障定位的精确度较低的技术问题,从而实现了提高故障定位的精确度的技术效果。
配电网故障定位是配电网自动化运行的关键问题之一。伴随着智能电网技术的发展,馈线终端设备(FTU)和数据采集与监视系统(SCADA)系统被大量配置于配电网中。由于配电网被各个分段开关分成若干个区段,在分段开关上安装馈线终端设备(FTU),当FTU监测到的电流大于整定值时,FTU将故障信息上传到SCADA系统中(通常“1”表示有故障电流通过,“0”表示无故障电流通过)。SCADA系统收到故障信息后,通过一定的算法,对配电网进行故障区段定位。现有的含分布式电源配电网的故障区段定位方法可以分为两大类:基于完整信息的直接算法、基于非完整信息的间接算法。
基于完整信息的直接算法中最有代表性的是矩阵算法,该方法需要生成对称的网络描述矩阵和故障信息矩阵,再进行复杂的矩阵运算,同时为提高定位的准确性,需要对运算结果进行归一化处理,然后根据判断矩阵中的信息进行异或计算,最终确定故障区段。直接算法运算量大、处理时间过长,对于复杂配电网的处理较为繁琐;在含分布式电源的配电网中,由于潮流方向由单向变为双向,采集的故障信息与单一辐射型供电网差异巨大,因此使得对矩阵算法的归一化处理存在极大的局限性,网络中每增加一个电源,就需要对规范化处理更新一次;而直接算法是基于完整信息的一种定位方法,其容错率较低,难以应用于实际配电网。
另一类故障定位方法是以人工智能算法为代表的间接算法,包括遗传算法(GA)、免疫算法(IA)和粒子群算法(PSO)等。
免疫算法(Immune Algorithm)是由遗传算法衍生出的一种人工智能算法,其通过模拟了自然界中抗体与抗原之间的关系来解决待解决问题。与遗传算法相同,免疫算法是一种全局搜索寻优算法,但在迭代过程中,免疫算法通过评价函数,判断抗体和抗原的亲和度和浓度,将亲和度高的抗体提取出来作为记忆细胞,抑制浓度高的抗体,保证抗体的多样性。再通过交叉、变异生成新一代抗体。免疫算法的鲁棒性能好、高效、能同时对搜索空间内的多个点进行寻优。
粒子群算法(Particle swarm optimization)是一种全局寻优算法,问题的解为粒子在空间中的位置,还有一个速度决定了粒子飞行的方向和距离。粒子群向当前的最优粒子飞行,寻找空间中的最优解。在一个搜索空间中,有一个适应度值,将粒子带入目标函数中能计算出适应度值,根据该适应度值能判断出该粒子的优劣,从而找到个体最优值和全体最优值。
免疫算法IA通过记忆抗体指导迭代过程,能避免种群陷入局部最优中,但其迭代过程冗余,收敛速度慢。粒子群算法PSO只要对位置和速度更新,能充分利用个体最优值和群体最优值收敛于最优值,其收敛速度快,但其搜索过程是随机的,容易陷入到局部最优。
配电网故障定位要求定位准确、快速,以便能在最短的时间内处理故障。针对这一要求,所使用的算法的处理时间要尽可能短,准确率要有保证。在拓扑结构较为简单的配电网中,采用矩阵算法能很好地满足定位的要求,但其要求有完整的故障信息,因此其容错率较低;在含分布式能源接入的复杂多电源配电网中,采用人工智能算法与矩阵算法相比有明显的优势。但现有的采用遗传算法的故障定位,由于遗传算法本身易陷入局部寻优,其定位速度受到一定影响;采用免疫算法时,其迭代次数过多;粒子群算法本身易陷入“未成熟收敛”,这些算法都有一定的局限性。
为此本发明提出一种基于免疫粒子群算法的故障定位方法,将免疫算法与粒子群算法结合起来,利用免疫算法中根据抗体亲和度与浓度,更新抗体的机制,保证粒子群中粒子的多样性;同时将亲和度较高的粒子保存到记忆库中,指导迭代过程,保证粒子群在迭代中不会退化,能有效避免粒子群的未成熟收敛。该算法结合了免疫算法和粒子群算法的优势,在提高算法准确率的同时,也加快了处理速度,满足了故障定位快速性的要求。下面将结合具体实施例介绍该方法,
在一个可选的实施方式中,如果所述故障信息包括电流,那么基于所述故障信息确定待定位配电网的故障信息的编码信息包括如下步骤:
针对所述待定位配电网中的每个分段开关,当经过所述分段开关的电流的方向为正方向时,设置所述分段开关的编码信息为第一数值,其中,所述正方向为第一电源到第二电源的方向,所述第一电源为距离所述分段开关最近的电源,所述第二电源为所述第一电源的下游电源;
针对所述待定位配电网中的每个分段开关,当经过所述分段开关的电流的方向为所述正方向的反方向时,设置所述分段开关的编码信息为第二数值;
针对所述待定位配电网中的每个分段开关,当没有电流经过所述分段开关时,设置所述分段开关的编码信息为第三数值。
具体地,在含分布式电源的配电网中,针对一个分段开关而言,规定距离开关最近的电源(即,第一电源)为其上游电源,再规定从上游电源到下游电源(即,第二电源)为开关的正方向。由此待定位配电网中任一分段开关,都有唯一的正方向。当FTU检测到经过分段开关的电流方向与所定义的正方向一致时,设置分段开关的编码信息Ij=1,其中,1为第一数值;当经过分段开关的电流方向与正方向相反时,设置分段开关的编码信息Ij=-1(即,第二数值);当没有电流经过所述分段开关时,设置分段开关的编码信息Ij=0(即,第三数值)。
在另一个可选的实施方式中,将所述待定位配电网的故障信息输入至免疫粒子群中进行分析,得到分析结果包括如下步骤:
初始化所述免疫粒子群算法中的计算参数,其中,所述计算参数包括:搜索空间的维数,初始化粒子群种群的规模,记忆粒子数量,最大迭代次数,个体学习因子,群体学习因子,惯性权重,变异概率和初始个体极值;
对所述初始种群规模中的每个粒子进行亲和度和浓度的计算,并初始化算以下数据:每个所述粒子的最优位置、每个所述粒子的最优亲和度,群体最优位置,群体最优亲和度,其中,每个所述粒子的位置表示所述待定位配电网中各个区段的状态编码;
在对所述免疫粒子群算法进行初始化计算之后,对每个所述粒子进行迭代计算,得到计算结果,其中,所述计算结果中包括所述待定位配电网的故障区段。
具体地,以待定位配电网的区段数为总数作为IABPSO搜索空间的维数,对免疫粒子群算法中的计算参数进行初始化,包括:IABPSO的初始种群规模为No(即,初始化粒子群种群的规模)、记忆粒子数量为Nm、最大迭代次数M=120、个体学习因子c1=2.1、群体学习因子c2=2.1、惯性权重ω=0.5、变异概率Pm=0.05,初始个体极值;
接下来,对初始化粒子群种群的规模中的每个粒子进行亲和度fitness(i)及浓度D(i)的计算,并计算粒子最优位置personalbest_x(i)、最优亲和度personalbest_faval(i)、群体最优位置globalbest_x以及群体最优亲和度globalbest_faval;其中粒子位置personal_x(i)采用二进制编码,表示待定位配电网中各区段的状态编码。
最后,在对所述免疫粒子群算法进行初始化计算之后,对每个所述粒子进行迭代计算,得到计算结果。
可选地,对每个所述粒子进行迭代计算,得到计算结果包括如下步骤:
步骤S1,将初始化的所述粒子群种群作为目标粒子群执行以下步骤,直至满足迭代停止条件:
步骤S2,按照亲和度由高到低的顺序对所述目标粒子群中的每个粒子进行排序,得到排序结果,并将所述排序结果中的前Nm个的粒子作为免疫粒子,并提取疫苗保存到记忆库中;
步骤S3,更新所述目标粒子群中每个粒子的位置和速度,得到更新之后的粒子;
步骤S4,计算所述更新之后的粒子的浓度和亲和度,并对所述更新之后的粒子进行抑制和选择,得到抑制选择后的粒子;
步骤S5,对所述抑制选择后的粒子进行变异操作,得到变异之后的所述目标粒子群;
步骤S6,将所述记忆库中的粒子接入到所述变异之后的目标粒子群中,得到中间粒子种群,并按照亲和度由高到低的顺序对所述中间粒子种群进行排序,以及,将排序结果中的前N个粒子作为新一代的种群;
步骤S7,判断是否满足迭代条件;
步骤S8,若满足,则输出所述新一代的种群的群体最优位置和群体最优亲和度;
步骤S9,若不满足,则将所述新一代的种群作为所述目标粒子群,返回执行以上步骤。
具体地,在本实施例中,首先,令k=1,开始迭代计算;对粒子群种群中的每个粒子按照亲和度从优到劣排位,选择排名在前Nm个的粒子作为免疫粒子,并提取疫苗保存到记忆库Remeber中;更新粒子群种群中的粒子位置S_b(i)和速度Vi;计算更新后的粒子的浓度D(i)和亲和度fitness(i),对粒子进行抑制和选择;对经过抑制选择后的粒子进行变异操作,得到变异之后的粒子群种群;将记忆库中的粒子接入到变异后的粒子群种群中,按照亲和度由优到劣排序,选取前N个粒子形成新一代的种群;判断是否满足迭代条件,若满足k>M,则输出globalbest_x和最优解globalbest_favali;若k≤M,则令k=k+1,再返回执行以上步骤。
可选地,步骤S3,更新所述目标粒子群中每个粒子的位置和速度,得到更新之后的粒子包括如下步骤:
步骤S31,根据上一次迭代过程中计算到的粒子最优位置,群体最优位置和粒子位置,计算当前迭代计算过程中所述目标粒子群中立足的位置和速度,计算公式描述为:
其中,i依次取1至M;k为当前迭代过程的迭代次数;ω为惯性权重;c1为个体学习因子;c2为群体学习因子;ξ1、ξ2和ri k+1为[0,1]之间的随机数;personalbest_xk(i)为所述目标粒子群中的粒子i在第k次迭代后在搜索空间中的最优位置;S_bk(i)为所述粒子i在第k次迭代后的位置;globalbest_xk为第k次迭代之后,所述目标粒子群中最优的位置。
具体地,步骤1,令i=1开始迭代计算;
步骤2,根据上一代粒子最优位置personalbest_x(i)、群体最优位置globalbest_x、及粒子位置S_b(i)计算新一代粒子的位置S_b(i)和速度Vi。
计算过程如下:
式中,i=1,2,3,...,M;k为当前迭代次数;ω为惯性权重;c1为个体学习因子;c2为群体学习因子;ξ1、ξ2和ri k+1为[0,1]之间的随机数;personalbest_xk(i)为粒子i在第k次迭代后在搜索空间中的最优位置;S_bk(i)为粒子i在第k次迭代后的位置;globalbest_xk为第k次迭代为止,种群中最优的位置;其中sigmoid函数表示为:
步骤3,令i=i+1,当i>M时,停止迭代,继续执行步骤S4,否则继续执行步骤2。
可选地,对所述更新之后的粒子进行抑制和选择,得到抑制选择后的粒子包括如下步骤:
基于公式Ps(i)=aP1(i)+(1-a)P2(i)对所述更新之后的粒子进行抑制和选择,其中,a为浓度衰减系数。
可选地,对所述抑制选择后的粒子进行变异操作包括:
在所述目标粒子群中随机选择一个粒子,对选中的粒子以变异概率Pm改变其等位基因。
可选地,对所述初始种群规模中的每个粒子进行亲和度和浓度的计算包括:
构建开关函数其中,为第j个分段开关的开关函数;表示所述待定位配电网中是否有分布式电源接入;sju和sjd分别表示第j个分段开关上游馈线和下游馈线的状态;M1、M2分别表示第j个开关的上游的馈线区段数和下游的馈线区段数;∏为逻辑或运算;
将所述开关函数代入亲和度函数中,得到以下公式:
其中,F(S)表示粒子群种群中每个粒子的亲和度;η为权重系数。
根据公式计算每个所述粒子的浓度。
具体地,在本实施例中,首先,建立一个开关函数,以实现FTU上传的分段开关的故障信息与区段故障信息的转换,该函数反应了区段与开关之间的关系,函数表达式为:
式中,为第j个分段开关的开关函数,;表示配电网中是否有分布式电源接入,有接入其编码为“1”,无接入其编码为“0”;sju和sjd分别表示第j个分段开关上游和下游馈线的状态,值为“1”表示有故障发生,为“0”表示正常运行;M1、M2分别表示第j个开关的上游和下游的馈线区段数;∏为逻辑或运算。
将式代入亲和度函数中得到:
式中,F(S)表示IABPSO种群中每个粒子的亲和度,其值越小,表示亲和度越优秀;η为权重系数,是一个[0,1]之间的实数。
最后,粒子浓度的计算采用矢量距离法,对粒子i其浓度为:
实施例二:
本发明实施例还提供了一种配电网故障定位装置,该配电网故障定位装置主要用于执行本发明实施例上述内容所提供的配电网故障定位方法,以下对本发明实施例提供的配电网故障定位装置做具体介绍。
图2是根据本发明实施例的一种配电网故障定位装置的示意图,如图2所示,该配电网故障定位装置主要包括获取单元10,分析单元20和故障定位单元30,其中:
获取单元10,用于获取馈线终端设备反馈的故障信息,并基于所述故障信息确定待定位配电网的故障信息的编码信息;
分析单元20,用于将所述待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;
故障定位单元30,用于基于所述分析结果对所述待定位配电网进行故障定位。
在本发明实施例中,首先,获取馈线终端设备反馈的故障信息,并基于故障信息确定待定位配电网的故障信息的编码信息;然后,将待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;最后,基于分析结果对待定位配电网进行故障定位。在本实施例中,通过免疫粒子群算法进行故障定位,能够避免传统人工智能算法分析精度较低的问题,进而缓解了现有的配电网故障定位技术故障定位的精确度较低的技术问题,从而实现了提高故障定位的精确度的技术效果。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种配电网故障定位方法,其特征在于,包括:
获取馈线终端设备反馈的故障信息,并基于所述故障信息确定待定位配电网的故障信息的编码信息;
将所述待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;
基于所述分析结果对所述待定位配电网进行故障定位。
2.根据权利要求1所述的方法,其特征在于,将所述待定位配电网的故障信息输入至免疫粒子群中进行分析,得到分析结果包括:
初始化所述免疫粒子群算法中的计算参数,其中,所述计算参数包括:搜索空间的维数,初始化粒子群种群的规模,记忆粒子数量,最大迭代次数,个体学习因子,群体学习因子,惯性权重,变异概率和初始个体极值;
对所述初始种群规模中的每个粒子进行亲和度和浓度的计算,并初始化算以下数据:每个所述粒子的最优位置、每个所述粒子的最优亲和度,群体最优位置,群体最优亲和度,其中,每个所述粒子的位置表示所述待定位配电网中各个区段的状态编码;
在对所述免疫粒子群算法进行初始化计算之后,对每个所述粒子进行迭代计算,得到计算结果,其中,所述计算结果中包括所述待定位配电网的故障区段。
3.根据权利要求2所述的方法,其特征在于,对每个所述粒子进行迭代计算,得到计算结果包括:
将初始化的所述粒子群种群作为目标粒子群执行以下步骤,直至满足迭代停止条件:
按照亲和度由高到低的顺序对所述目标粒子群中的每个粒子进行排序,得到排序结果,并将所述排序结果中的前Nm个的粒子作为免疫粒子,并提取疫苗保存到记忆库中;
更新所述目标粒子群中每个粒子的位置和速度,得到更新之后的粒子;
计算所述更新之后的粒子的浓度和亲和度,并对所述更新之后的粒子进行抑制和选择,得到抑制选择后的粒子;
对所述抑制选择后的粒子进行变异操作,得到变异之后的所述目标粒子群;
将所述记忆库中的粒子接入到所述变异之后的目标粒子群中,得到中间粒子种群,并按照亲和度由高到低的顺序对所述中间粒子种群进行排序,以及,将排序结果中的前N个粒子作为新一代的种群;
判断是否满足迭代条件;
若满足,则输出所述新一代的种群的群体最优位置和群体最优亲和度;
若不满足,则将所述新一代的种群作为所述目标粒子群,返回执行以上步骤。
4.根据权利要求3所述的方法,其特征在于,更新所述目标粒子群中每个粒子的位置和速度,得到更新之后的粒子包括:
根据上一次迭代过程中计算到的粒子最优位置,群体最优位置和粒子位置,计算当前迭代计算过程中所述目标粒子群中立足的位置和速度,计算公式描述为:
其中,i依次取1至M;k为当前迭代过程的迭代次数;ω为惯性权重;c1为个体学习因子;c2为群体学习因子;ξ1、ξ2和ri k+1为[0,1]之间的随机数;personalbest_xk(i)为所述目标粒子群中的粒子i在第k次迭代后在搜索空间中的最优位置;S_bk(i)为所述粒子i在第k次迭代后的位置;globalbest_xk为第k次迭代之后,所述目标粒子群中最优的位置。
5.根据权利要求3所述的方法,其特征在于,对所述更新之后的粒子进行抑制和选择,得到抑制选择后的粒子包括:
基于公式Ps(i)=aP1(i)+(1-a)P2(i)对所述更新之后的粒子进行抑制和选择,其中,a为浓度衰减系数。
6.根据权利要求3所述的方法,其特征在于,对所述抑制选择后的粒子进行变异操作包括:
在所述目标粒子群中随机选择一个粒子,对选中的粒子以变异概率Pm改变其等位基因。
7.根据权利要求1所述的方法,其特征在于,所述故障信息包括电流,基于所述故障信息确定待定位配电网的故障信息的编码信息包括:
针对所述待定位配电网中的每个分段开关,当经过所述分段开关的电流的方向为正方向时,设置所述分段开关的编码信息为第一数值,其中,所述正方向为第一电源到第二电源的方向,所述第一电源为距离所述分段开关最近的电源,所述第二电源为所述第一电源的下游电源;
针对所述待定位配电网中的每个分段开关,当经过所述分段开关的电流的方向为所述正方向的反方向时,设置所述分段开关的编码信息为第二数值;
针对所述待定位配电网中的每个分段开关,当没有电流经过所述分段开关时,设置所述分段开关的编码信息为第三数值。
8.根据权利要求2所述的方法,其特征在于,对所述初始种群规模中的每个粒子进行亲和度和浓度的计算包括:
构建开关函数其中,为第j个分段开关的开关函数;表示所述待定位配电网中是否有分布式电源接入;sju和sjd分别表示第j个分段开关上游馈线和下游馈线的状态;M1、M2分别表示第j个开关的上游的馈线区段数和下游的馈线区段数;∏为逻辑或运算;
将所述开关函数代入亲和度函数中,得到以下公式:
其中,F(S)表示粒子群种群中每个粒子的亲和度;η为权重系数;
根据公式计算每个所述粒子的浓度。
9.一种配电网故障定位装置,其特征在于,包括:
获取单元,用于获取馈线终端设备反馈的故障信息,并基于所述故障信息确定待定位配电网的故障信息的编码信息;
分析单元,用于将所述待定位配电网的故障信息输入至免疫粒子群算法中进行分析,得到分析结果;
故障定位单元,用于基于所述分析结果对所述待定位配电网进行故障定位。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行上述权利要求1-8中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413817.XA CN108594079A (zh) | 2018-05-02 | 2018-05-02 | 一种配电网故障定位方法、装置和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413817.XA CN108594079A (zh) | 2018-05-02 | 2018-05-02 | 一种配电网故障定位方法、装置和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108594079A true CN108594079A (zh) | 2018-09-28 |
Family
ID=63620483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810413817.XA Pending CN108594079A (zh) | 2018-05-02 | 2018-05-02 | 一种配电网故障定位方法、装置和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594079A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376652A (zh) * | 2018-10-24 | 2019-02-22 | 国网江苏省电力有限公司检修分公司 | 基于人工免疫粒子群聚类算法的特高压并联电抗器故障诊断方法、装置及系统 |
CN109799425A (zh) * | 2019-02-22 | 2019-05-24 | 国网冀北电力有限公司经济技术研究院 | 电网故障诊断方法及装置 |
CN111596227A (zh) * | 2020-07-06 | 2020-08-28 | 云南电网有限责任公司怒江供电局 | 基于二进制优化配电网接地故障点定位方法及系统 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8041654B2 (en) * | 2007-06-01 | 2011-10-18 | Neal Solomon | System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing |
US20120130929A1 (en) * | 2010-11-24 | 2012-05-24 | International Business Machines Corporation | Controlling quarantining and biasing in cataclysms for optimization simulations |
CN104764980A (zh) * | 2015-04-22 | 2015-07-08 | 福州大学 | 一种基于bpso和ga的配电线路故障区段定位方法 |
CN106841927A (zh) * | 2017-03-17 | 2017-06-13 | 国网江苏省电力公司宿迁供电公司 | 含分布式电源配电网的故障定位方法 |
CN107589342A (zh) * | 2017-09-04 | 2018-01-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障定位方法及系统 |
-
2018
- 2018-05-02 CN CN201810413817.XA patent/CN108594079A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8041654B2 (en) * | 2007-06-01 | 2011-10-18 | Neal Solomon | System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing |
US20120130929A1 (en) * | 2010-11-24 | 2012-05-24 | International Business Machines Corporation | Controlling quarantining and biasing in cataclysms for optimization simulations |
CN104764980A (zh) * | 2015-04-22 | 2015-07-08 | 福州大学 | 一种基于bpso和ga的配电线路故障区段定位方法 |
CN106841927A (zh) * | 2017-03-17 | 2017-06-13 | 国网江苏省电力公司宿迁供电公司 | 含分布式电源配电网的故障定位方法 |
CN107589342A (zh) * | 2017-09-04 | 2018-01-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障定位方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376652A (zh) * | 2018-10-24 | 2019-02-22 | 国网江苏省电力有限公司检修分公司 | 基于人工免疫粒子群聚类算法的特高压并联电抗器故障诊断方法、装置及系统 |
CN109799425A (zh) * | 2019-02-22 | 2019-05-24 | 国网冀北电力有限公司经济技术研究院 | 电网故障诊断方法及装置 |
CN109799425B (zh) * | 2019-02-22 | 2022-02-18 | 国网冀北电力有限公司经济技术研究院 | 电网故障诊断方法及装置 |
CN111596227A (zh) * | 2020-07-06 | 2020-08-28 | 云南电网有限责任公司怒江供电局 | 基于二进制优化配电网接地故障点定位方法及系统 |
CN111596227B (zh) * | 2020-07-06 | 2022-06-14 | 云南电网有限责任公司怒江供电局 | 基于二进制优化配电网接地故障点定位方法及系统 |
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 |
---|---|---|
CN108594079A (zh) | 一种配电网故障定位方法、装置和计算机可读介质 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
Mazhari et al. | A hybrid fault cluster and thévenin equivalent based framework for rotor angle stability prediction | |
CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
CN104200096B (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
CN111082401B (zh) | 基于自学习机制的配电网故障恢复方法 | |
CN112052544B (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN110442143A (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN114785548B (zh) | 流量智能监测平台 | |
CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
CN113935237A (zh) | 一种基于胶囊网络的输电线路故障类型判别方法及系统 | |
Gui et al. | Wireless sensor network fault sensor recognition algorithm based on MM* diagnostic model | |
Li et al. | Spiral-based chaotic chicken swarm optimization algorithm for parameters identification of photovoltaic models | |
CN111723516A (zh) | 基于自适应dnn替代模型的多目标海水入侵管理模型 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN114707422A (zh) | 一种基于负荷预测的智能电力缉查方法 | |
Zhang et al. | End‐to‐end generation of structural topology for complex architectural layouts with graph neural networks | |
CN117458453A (zh) | 电力系统暂态稳定性的预测方法、系统、设备及存储介质 | |
CN107861026A (zh) | 一种基于混合免疫算法的配电网故障定位方法 | |
CN115952942A (zh) | 多目标巡检调度规划方法、装置、电子设备及存储介质 | |
CN116306769A (zh) | 一种含对抗生成网络的贝叶斯优化方法及系统 | |
CN112488343B (zh) | 一种基于超启发式算法的智慧城市智能感知终端选址方法 | |
CN115408866A (zh) | 基于时变拓扑结构的星群在轨健康评估方法及终端 | |
Wang et al. | Auto-points: Automatic learning for point cloud analysis with neural architecture search |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |