CN108710742A - 一种基于pgsa-ga混合算法的故障区段定位方法 - Google Patents
一种基于pgsa-ga混合算法的故障区段定位方法 Download PDFInfo
- Publication number
- CN108710742A CN108710742A CN201810455039.0A CN201810455039A CN108710742A CN 108710742 A CN108710742 A CN 108710742A CN 201810455039 A CN201810455039 A CN 201810455039A CN 108710742 A CN108710742 A CN 108710742A
- Authority
- CN
- China
- Prior art keywords
- point
- pgsa
- objective function
- node
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000012010 growth Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010353 genetic engineering Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于PGSA‑GA混合算法的故障区段定位方法，包括以下步骤：1）编码配电网FTU上传的故障电流信息；2）构造动态适应分布式电源投切的开关函数；3）建立PGSA‑GA混合算法的目标函数和适应度函数；4）利用PGSA‑GA混合算法进行故障区段定位的计算并得出定位结果。本发明有效克服了PGSA单一算法搜索速度慢的问题，提高了复杂配电网故障区段定位的速度和效率。
Description
技术领域
本发明涉及一种基于PGSA-GA混合算法的故障区段定位方法，属于计算机仿真技术领域。
背景技术
在绿色节能意识的驱动下，智能电网发展方兴未艾，已成为当今世界各国竞相研究发展的一个重点领域。与普通配电网相比，智能配电网中接入大量分布式电源，导致配电网的结构发生改变，因此传统的定位方法不再适用。为提高含分布式电源的复杂配电网的运行可靠性，快速恢复故障区域的供电，研究复杂配电网故障定位是智能配电网建设的一项重要内容，对未来智能电网的运行管理有着重要的作用和意义。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于PGSA-GA混合算法的故障区段定位方法，将GA和PGSA混合，缩小搜索范围，全面提高故障定位的效率和速度。
为解决上述技术问题，本发明所采用的技术方案如下：
一种基于PGSA-GA混合算法的故障区段定位方法，包括以下步骤：
1)编码配电网馈线终端设备上传的故障电流信息；
2)构造动态适应分布式电源投切的开关函数；
3)建立PGSA-GA混合算法的目标函数和适应度函数；
4)利用PGSA-GA混合算法进行故障区段定位的计算并得出计算结果。
前述的步骤1)中，故障电流信息采用以下方式表示：
节点j的故障电流信息Ij表示如下：
前述的步骤2)中，开关函数表示如下：
其中，表示开关函数，∏符号表示逻辑或运算，以节点j将配电网分为两部分，含系统电源的一侧为上游，另一侧为下游，xj(m)表示节点j上游所有馈线区段状态值，xj(n)表示节点j下游所有馈线区段状态值，xj,S表示节点j上游与系统侧电源S直接相连的所有馈线区段的状态值，xj,DG表示节点j下游与分布式电源直接相连的所有馈线区段的状态值，KDG表示节点j下游的分布式电源系数，即当有分布式电源接入时，KDG为1，反之为0。
前述的步骤3)中，目标函数为：
其中，f(i)为PGSA-GA混合算法的目标函数，g(i)为遗传算法的适应度函数，N为配电网中的节点数，M为馈线区段的总数，xi表示第i个馈线区段的状态值，i表示第i个馈线区段，w取0.5。
前述的步骤4)中，具体计算过程如下：
41)输入配电网馈线终端设备上传的节点故障电流信息Ij；
42)确定初始基点x0＝[0,0,……,0]，根据式(3)计算基点的目标函数值f(0)，并令初始基点作为最小状态值，初始基点的目标函数值作为最小目标函数值，即xmin＝x0，fmin＝f(0)，其中，x0表示初始馈线区段的状态值，下标0表示初始馈线区段；
43)以基点为中心，step＝1为步长，沿平行于坐标轴的方向寻找符合条件的S个生长点，并将其放在生长点集Point中；所述符合条件是指，生长点在以基点为圆心，半径为1的球内，为符合条件；所述生长点指由所有馈线区段所组成的一个一维矩阵；
44)将Point作为初始种群带入到遗传算法；
45)依据式(2)求出Point中馈线区段中各节点的开关函数，利用式(4)计算出S个生长点的适应度函数值，根据适应度函数值的大小，选取进行交叉操作的个体；
46)进行交叉和变异操作；
47)将经过交叉和变异操作后生成的新的生长点放入到Point中，求解该Point中馈线区段中各节点的开关函数，根据式(3)计算各生长点的目标函数值，并与基点的目标函数值进行比较；
48)若第k个生长点的目标函数值f(k)大于基点的目标函数值，则将k从Point中除去；若f(k)小于基点的目标函数值，则保留；求出各生长点目标函数的最小值minf，并与最小目标函数值fmin相比，若minf≠fmin，则更新minf为最小目标函数值，更新该目标函数最小值对应的馈线区段的状态值为最小状态值，即令xmin＝xminf，fmin＝minf；
49)判别是否满足收敛条件，若满足则输出xmin，结束搜索，若不满足进行下一步；
410)采用PGSA算法计算Point中生长点的形态素浓度，得到形态素浓度状态空间；
411)在[0,1]区间生成一个随机数，若该随机数落入到某个生长点的形态素浓度状态空间内，则将该生长点作为下一次迭代的新基点x1，返回步骤43)，直到满足收敛条件，结束程序。
前述的步骤45)中，随机选择个体，利用MATLAB遗传算法工具箱中的函数进行遗传操作。
前述的步骤49)中，收敛条件为fmin更新的次数等于Count。
与现有技术相比，本发明的有益效果是：
本发明不仅可动态适应分布式电源投切，而且具有更高的搜索速度和计算效率，经实验验证，所提出的方法具有有效性和实用性。
附图说明
图1为本发明方法的流程图；
图2为PGSA-GA混合算法的计算流程图；
图3为改造后的IEEE69节点配电网系统。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的基于PGSA-GA(模拟植物生长算法-遗传算法)混合算法的复杂配电网故障区段定位方法，包括以下步骤：
1)编码配电网FTU(馈线终端设备)上传的故障电流信息；
定义节点j的故障电流信息如下：
由此可将故障电流序列编码为I＝[I1,I2,……,IN]，其中，下标N表示配电网中的节点数。
2)构造动态适应分布式电源投切的开关函数；
式中，表示开关函数，∏符号表示逻辑或运算，以节点j将配电网分为两部分，含系统电源的一侧为上游，另一侧为下游，xj(m)表示节点j上游所有馈线区段状态值，xj(n)表示节点j下游所有馈线区段状态值，xj,S表示节点j上游与系统侧电源S直接相连的所有馈线区段的状态值，xj,DG表示节点j下游与分布式电源直接相连的所有馈线区段的状态值，KDG表示节点j下游的分布式电源系数，即当有分布式电源接入时，KDG为1，反之为0。
3)建立PGSA-GA混合算法的目标函数和适应度函数；
式中，f(i)为混合算法的目标函数，g(i)为遗传算法的适应度函数，Ij和分别由式(1)和(2)求得，N为配电网中的节点数，M为馈线区段的总数，xi表示第i个馈线区段的状态值，i表示第i个馈线区段，w取0.5。
4)利用PGSA-GA混合算法进行故障区段定位的计算并得出计算结果，具体计算如下：
步骤41：输入FTU上传的节点故障电流信息Ij。
步骤42：确定初始值即初始基点x0＝[0,0,……,0]，根据式(3)计算基点的目标函数值f(0)，并令初始基点作为最小状态值，初始基点的目标函数值作为最小目标函数值，即xmin＝x0，fmin＝f(0)。
步骤43：以基点为中心，step＝1为步长，沿平行于坐标轴的方向寻找符合条件的S个生长点，并将其放在生长点集Point中；符合条件是指，生长点在以基点为圆心，半径为1的球内，才算符合条件；本发明中生长点指由所有馈线区段所组成的一个一维矩阵。
步骤44：将Point作为初始种群带入到遗传算法。
步骤45：依据式(2)求出Point中馈线区段中各节点的开关函数，使用式(4)计算出S个生长点的适应度函数值，根据适应度函数值的大小，选取进行交叉操作的个体；本发明中随机选择个体进行遗传操作，利用MATLAB遗传算法工具箱中的函数进行。
步骤46：进行交叉和变异操作。
步骤47：将经过交叉和变异操作后生成的新的生长点放入到Point中，此时Point中为步骤43中生成的生长点与新的生长点的组合。利用式(2)求出该Point中馈线区段中各节点的开关函数，根据式(3)计算各生长点的目标函数值，并与基点的目标函数值进行比较。
步骤48：若第k个生长点的目标函数值f(k)大于基点的目标函数值，则将k从Point中除去；若f(k)小于基点的目标函数值，则保留。求出各生长点目标函数的最小值minf，并与最小目标函数值fmin相比，若minf≠fmin，则更新minf为最小目标函数值，更新该目标函数最小值对应的馈线区段的状态值为最小状态值，即令xmin＝xminf，fmin＝minf。
步骤49：判别是否满足收敛条件，若满足则输出xmin，结束搜索，若不满足进行下一步。本发明将fmin更新的次数等于Count设置为收敛条件，即当最小值fmin更新Count次时，表示已找到最优解xmin，输出故障区段，程序运行完毕。
步骤410：采用PGSA算法计算Point中生长点的形态素浓度，得到形态素浓度状态空间。
步骤411：在[0,1]区间生成一个随机数，若该随机数落入到某个生长点的形态素浓度状态空间内，则将该生长点作为下一次迭代的新基点x1，返回步骤43，直到满足收敛条件，结束程序。
采用本发明方法对改造后的含分布式电源的IEEE69节点系统见图3所示，图中，1～69表示69个节点，(1)～(61)表示的是区段，S表示系统电源，K1，K2，K3表示的是DG(分布式电源)投切的开关，DG1,DG2,DG3表示的是三个分布式电源。进行仿真实践，实验结果如表1所示，然后与未改进的PGSA作比较，比较结果如表2和表3所示。
表1 IEEE69节点配电网故障测试结果
表2 PGSA与PGSA-GA迭代次数对比
表3 PGSA与PGSA-GA对比总结
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于PGSA-GA混合算法的故障区段定位方法，其特征在于，包括以下步骤：
1)编码配电网馈线终端设备上传的故障电流信息；
2)构造动态适应分布式电源投切的开关函数；
3)建立PGSA-GA混合算法的目标函数和适应度函数；
4)利用PGSA-GA混合算法进行故障区段定位的计算并得出计算结果。
2.根据权利要求1所述的一种基于PGSA-GA混合算法的故障区段定位方法，其特征在于，所述步骤1)中，故障电流信息采用以下方式表示：
节点j的故障电流信息Ij表示如下：
3.根据权利要求2所述的一种基于PGSA-GA混合算法的故障区段定位方法，其特征在于，所述步骤2)中，开关函数表示如下：
其中，表示开关函数，∏符号表示逻辑或运算，以节点j将配电网分为两部分，含系统电源的一侧为上游，另一侧为下游，xj(m)表示节点j上游所有馈线区段状态值，xj(n)表示节点j下游所有馈线区段状态值，xj,S表示节点j上游与系统侧电源S直接相连的所有馈线区段的状态值，xj,DG表示节点j下游与分布式电源直接相连的所有馈线区段的状态值，KDG表示节点j下游的分布式电源系数，即当有分布式电源接入时，KDG为1，反之为0。
4.根据权利要求3所述的一种基于PGSA-GA混合算法的故障区段定位方法，其特征在于，所述步骤3)中，目标函数为：
其中，f(i)为PGSA-GA混合算法的目标函数，g(i)为遗传算法的适应度函数，N为配电网中的节点数，M为馈线区段的总数，xi表示第i个馈线区段的状态值，i表示第i个馈线区段，w取0.5。
5.根据权利要求4所述的一种基于PGSA-GA混合算法的故障区段定位方法，其特征在于，所述步骤4)中，具体计算过程如下：
41)输入配电网馈线终端设备上传的节点故障电流信息Ij；
42)确定初始基点x0＝[0,0,……,0]，根据式(3)计算基点的目标函数值f(0)，并令初始基点作为最小状态值，初始基点的目标函数值作为最小目标函数值，即xmin＝x0，fmin＝f(0)，其中，x0表示初始馈线区段的状态值，下标0表示初始馈线区段；
43)以基点为中心，step＝1为步长，沿平行于坐标轴的方向寻找符合条件的S个生长点，并将其放在生长点集Point中；所述符合条件是指，生长点在以基点为圆心，半径为1的球内，为符合条件；所述生长点指由所有馈线区段所组成的一个一维矩阵；
44)将Point作为初始种群带入到遗传算法；
45)依据式(2)求出Point中馈线区段中各节点的开关函数，利用式(4)计算出S个生长点的适应度函数值，根据适应度函数值的大小，选取进行交叉操作的个体；
46)进行交叉和变异操作；
47)将经过交叉和变异操作后生成的新的生长点放入到Point中，求解该Point中馈线区段中各节点的开关函数，根据式(3)计算各生长点的目标函数值，并与基点的目标函数值进行比较；
48)若第k个生长点的目标函数值f(k)大于基点的目标函数值，则将k从Point中除去；若f(k)小于基点的目标函数值，则保留；求出各生长点目标函数的最小值minf，并与最小目标函数值fmin相比，若minf≠fmin，则更新minf为最小目标函数值，更新该目标函数最小值对应的馈线区段的状态值为最小状态值，即令xmin＝xminf，fmin＝minf；
49)判别是否满足收敛条件，若满足则输出xmin，结束搜索，若不满足进行下一步；
410)采用PGSA算法计算Point中生长点的形态素浓度，得到形态素浓度状态空间；
411)在[0,1]区间生成一个随机数，若该随机数落入到某个生长点的形态素浓度状态空间内，则将该生长点作为下一次迭代的新基点x1，返回步骤43)，直到满足收敛条件，结束程序。
6.根据权利要求5所述的一种基于PGSA-GA混合算法的故障区段定位方法，其特征在于，所述步骤45)中，随机选择个体，利用MATLAB遗传算法工具箱中的函数进行遗传操作。
7.根据权利要求5所述的一种基于PGSA-GA混合算法的故障区段定位方法，其特征在于，所述步骤49)中，收敛条件为fmin更新的次数等于Count。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810455039.0A CN108710742B (zh) | 2018-05-14 | 2018-05-14 | 一种基于pgsa-ga混合算法的故障区段定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810455039.0A CN108710742B (zh) | 2018-05-14 | 2018-05-14 | 一种基于pgsa-ga混合算法的故障区段定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108710742A true CN108710742A (zh) | 2018-10-26 |
| CN108710742B CN108710742B (zh) | 2022-06-14 |
Family
ID=63868076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810455039.0A Active CN108710742B (zh) | 2018-05-14 | 2018-05-14 | 一种基于pgsa-ga混合算法的故障区段定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108710742B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111289845A (zh) * | 2020-01-13 | 2020-06-16 | 山东大学 | 一种有源配电网故障定位方法及系统 |
| CN112557811A (zh) * | 2020-11-19 | 2021-03-26 | 安徽理工大学 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593703A (zh) * | 2013-11-26 | 2014-02-19 | 上海电机学院 | 基于遗传算法的神经网络优化系统及方法 |
| US20140236503A1 (en) * | 2013-02-21 | 2014-08-21 | Mitsubishi Electric Research Laboratories, Inc. | Method for Locating Faults in Ungrounded Power Distribution Systems |
| 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 |
| CN106680669A (zh) * | 2016-12-24 | 2017-05-17 | 国网吉林省电力有限公司培训中心 | 基于二进制混合算法的配电网故障区段定位方法 |
-
2018
- 2018-05-14 CN CN201810455039.0A patent/CN108710742B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140236503A1 (en) * | 2013-02-21 | 2014-08-21 | Mitsubishi Electric Research Laboratories, Inc. | Method for Locating Faults in Ungrounded Power Distribution Systems |
| CN103593703A (zh) * | 2013-11-26 | 2014-02-19 | 上海电机学院 | 基于遗传算法的神经网络优化系统及方法 |
| 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 |
| CN106680669A (zh) * | 2016-12-24 | 2017-05-17 | 国网吉林省电力有限公司培训中心 | 基于二进制混合算法的配电网故障区段定位方法 |
Non-Patent Citations (4)
| Title |
|---|
| KAIRONG SHI DENG: "Improved plant growth simulation & genetic hybrid algorithm (PGSA-GA) and its structural optimization", 《ENGINEERING COMPUTATIONS》 * |
| 刘鹏程等: "基于多种群遗传算法的含分布式电源的配电网故障区段定位算法", 《电力系统保护与控制》 * |
| 周湶 等: "基于粒子群和差分进化算法的含分布式电源配电网故障区段定位", 《电力系统保护与控制》 * |
| 阮智健: "基于改进PGSA的预应力钢结构优化设计及其拉索索力识别方法研究", 《中国优秀硕士学位论文全文数据库.工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111289845A (zh) * | 2020-01-13 | 2020-06-16 | 山东大学 | 一种有源配电网故障定位方法及系统 |
| CN112557811A (zh) * | 2020-11-19 | 2021-03-26 | 安徽理工大学 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
| CN112557811B (zh) * | 2020-11-19 | 2024-01-12 | 安徽理工大学 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108710742B (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619454B (zh) | 一种基于改进遗传算法和prim算法的配电网规划方法 | |
| CN105098762B (zh) | 一种含分布式电源配电网的孤岛划分方法 | |
| CN104764980B (zh) | 一种基于bpso和ga的配电线路故障区段定位方法 | |
| CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
| CN102403718B (zh) | 基于Arcgis的电网拓扑关系生成方法 | |
| CN104679947B (zh) | 一种机电产品线缆组件优化结构的自动生成方法 | |
| CN107017618A (zh) | 一种有源配电网供电区域划分方法及装置 | |
| CN108710742B (zh) | 一种基于pgsa-ga混合算法的故障区段定位方法 | |
| Karimianfard et al. | An initial-point strategy for optimizing distribution system reconfiguration | |
| CN111426323B (zh) | 一种巡检机器人路线规划方法及装置 | |
| CN106127304A (zh) | 一种适用于配电网网络拓扑设计方法 | |
| CN104866921B (zh) | 一种基于安全域的配电系统网络重构方法 | |
| CN104867062A (zh) | 一种基于遗传算法的低损耗配电网络的优化重构方法 | |
| CN105843666A (zh) | 云计算中基于多目标优化的虚拟机放置方法 | |
| CN106056466B (zh) | 基于FP-growth算法的大电网关键线路识别方法 | |
| CN107069801A (zh) | 一种基于最小用户停电损失的配电网孤岛划分方法 | |
| CN111030100B (zh) | 一种基于定制遗传的配电网pmu优化配置方法 | |
| CN105069517A (zh) | 基于混合算法的配电网多目标故障恢复方法 | |
| CN109004639B (zh) | 基于完全分布式算法的配电网分区供电恢复策略优化方法 | |
| Ye et al. | Optimizing weight and threshold of BP neural network using SFLA: applications to nonlinear function fitting | |
| CN115994612A (zh) | 基于业扩规划的配电网运行优化方法、装置及存储介质 | |
| CN115800397A (zh) | 一种配电台区拓扑优化方法、系统、设备及介质 | |
| CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
| Sulaima et al. | A 16kV distribution network reconfiguration by using evolutionaring programming for loss minimizing | |
| CN117031214B (zh) | 一种电网故障智能监控方法、系统、介质及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |