CN110046774A - 一种配电网故障定位方法、装置及相关设备 - Google Patents
一种配电网故障定位方法、装置及相关设备 Download PDFInfo
- Publication number
- CN110046774A CN110046774A CN201910469574.6A CN201910469574A CN110046774A CN 110046774 A CN110046774 A CN 110046774A CN 201910469574 A CN201910469574 A CN 201910469574A CN 110046774 A CN110046774 A CN 110046774A
- Authority
- CN
- China
- Prior art keywords
- cluster
- optimal solution
- fitness value
- distribution network
- algorithm
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请公开了一种配电网故障定位方法,针对现有技术中基于粒子集群的寻优算法容易陷入局部最优、寻优精度较低的缺陷,同时基于差分进化算法具有收敛速度快、不易陷入局部最优且易于跟其它智能算法进行关联的特点,将差分进化算法引入相应的寻优算法,即将差分进化算法与寻优算法相结合,先根据寻优算法对线路区段集群进行寻优,再根据差分进化算法对其进行不断的迭代更新,有效的提高了算法的局部搜寻能力,同时平衡了收敛精度和收敛速度,由此,即可更为快速准确地求得全局最优解,进而基于全局最优解实现配电网的故障区段定位。本申请还公开了一种配电网故障定位装置、系统及计算机可读存储介质,均具有上述有益效果。
Description
技术领域
本申请涉及电力系统技术领域,特别涉及一种配电网故障定位方法,还涉及一种配电网故障定位装置、系统以及计算机可读存储介质。
背景技术
配电网作为电力系统“发、变、输、配、用”五大环节的其中一环,起着分配电能的重要作用。由于配电网处于电力网络的末端,多采用辐射型结构直接与用户相连接,与电力用户的利益密切相关,如若配电网若发生故障,将会直接影响到供电安全性、可靠性、经济性和供电质量等,严重时将造成巨大的经济损失。因此,配电网故障定位问题是确保当今电力系统安全稳定运行的一个重要课题。
随着经济的快速发展,用电需求不断增加以及分布式能源的接入,导致配电网规模日趋扩大,拓扑结构日趋复杂,运行环境复杂多变,也大大增加了配电网发生故障的概率。这就要求电力系统能够及时有效的发现故障段,进而将故障隔离排除,尽可能地减少由于配电网故障带来的经济损失。
在现有技术中,一般采用基于人工智能算法的故障定位方法,其基于最小故障诊断集和状态逼近思想定位馈线故障区段,具有通用性强和高容错性特征。但由于故障定位模型中含有逻辑关系运算,使得数值稳定性好的常规优化算法不能应用,导致只能利用具有随机搜索特征的粒子集群智能算法求解,那么,当配电网规模较大时将出现计算耗时、故障定位结果不稳定等不足。例如,蝙蝠算法作为一种常用技术手段,虽然具有收敛快、效率高的优势,但存在精度较低、容易陷入局部最优等缺点;具体的,由于蝙蝠个体间的作用和影响决定了蝙蝠算法的搜索能力,因此会存在个体变异机制的缺陷以及多样性较低的问题,即个体难以摆脱对某个局部极值的约束,那么,算法的收敛速度将会由于进化过程中个体快速向种群中的超级蝙蝠周围聚集且个体趋于最佳个体而出现大幅度地降低或停滞,进而失去进化能力,出现局部最优的局面,进一步导致配电网故障定位不准确的问题。
因此,如何更为快速准确的实现配电网故障定位是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种配电网故障定位方法,该配电网故障定位方法有效避免了出现局部最优解的问题,可更为快速准确的实现配电网故障定位;本申请的另一目的是提供一种配电网故障定位装置、系统以及计算机可读存储介质,也具有上述有益效果。
为解决上述技术问题,本申请提供了一种配电网故障定位方法,所述配电网故障定位方法包括:
对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;
通过预设寻优算法对所述第一线路区段集群进行计算,获得第一集群最优解和所述第一集群最优解对应的第一适应度值;
计算所述第一线路区段集群的群体适应度方差,并判断所述群体适应度方差是否低于预设阈值;
若是,则通过预设差分进化算法对所述第一线路区段集群进行更新,获得第二线路区段集群;
通过所述第二线路区段集群对所述第一集群最优解和所述第一适应度值进行更新,获得第二集群最优解和所述第二集群最优解对应的第二适应度值;
判断当前迭代次数是否达到预设迭代次数;
若否,则将所述第二线路区段集群作为所述第一线路区段集群,并返回所述通过预设寻优算法对所述第一线路区段集群进行计算的步骤进行迭代运算,直至所述当前迭代次数达到所述预设迭代次数;
根据所述预设迭代次数对应的第二集群最优解和第二适应度值确定所述配电网的故障位置信息。
优选的,所述预设寻优算法为基于适应度函数模型的蝙蝠算法。
优选的,所述适应度函数模型基于所述配电网的系统电源和各分布式电源构建。
优选的,所述通过预设差分进化算法对所述第一线路区段集群进行更新,获得第二线路区段集群,包括:
通过自适应理论对所述差分进化算法进行优化,获得自适应差分进化算法;
通过所述自适应差分进化算法对所述第一线路区段集群进行更新,获得所述第二线路区段集群。
优选的,所述通过所述第二线路区段集群对所述第一集群最优解和所述第一适应度值进行更新,获得第二集群最优解和所述第二集群最优解对应的第二适应度值,包括:
通过所述预设寻优算法对所述第二线路区段集群进行计算,获得更新后集群最优解和所述更新后集群最优解对应的更新后适应度值;
判断所述第一适应度值是否大于所述更新后适应度值;
若是,则将所述更新后集群最优解和所述更新后适应度值分别作为所述第二集群最优解和所述第二适应度值;
若否,则将所述第一集群最优解和所述第一适应度值分别作为所述第二集群最优解和所述第二适应度值。
为解决上述技术问题,本申请还提供了一种配电网故障定位装置,所述配电网故障定位装置包括:
集群初始化模块,用于对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;
集群寻优模块,用于通过预设寻优算法对所述第一线路区段集群进行计算,获得第一集群最优解和所述第一集群最优解对应的第一适应度值;
寻优判定模块,用于计算所述第一线路区段集群的群体适应度方差,并判断所述群体适应度方差是否低于预设阈值;
集群更新模块,用于若所述群体适应度方差低于所述预设阈值,则通过预设差分进化算法对所述第一线路区段集群进行更新,获得第二线路区段集群;
终值更新模块,用于通过所述第二线路区段集群对所述第一集群最优解和所述第一适应度值进行更新,获得第二集群最优解和所述第二集群最优解对应的第二适应度值;
终止迭代判定模块,用于判断当前迭代次数是否达到预设迭代次数;
迭代模块,用于若所述当前迭代次数未达到所述预设迭代次数,则将所述第二线路区段集群作为所述第一线路区段集群,并返回所述通过预设寻优算法对所述第一线路区段集群进行计算的步骤进行迭代运算,直至所述当前迭代次数达到所述预设迭代次数;
故障定位模块,用于根据所述预设迭代次数对应的第二集群最优解和第二适应度值确定所述配电网的故障位置信息。
优选的,所述集群更新模块具体用于通过自适应理论对所述差分进化算法进行优化,获得自适应差分进化算法;通过所述自适应差分进化算法对所述第一线路区段集群进行更新,获得所述第二线路区段集群。
优选的,所述终值更新模块包括:
寻优单元,用于通过所述预设寻优算法对所述第二线路区段集群进行计算,获得更新后集群最优解和所述更新后集群最优解对应的更新后适应度值;
判断单元,用于判断所述第一适应度值是否大于所述更新后适应度值;
第一确定单元,用于若所述第一适应度值大于所述更新后适应度值,则将所述更新后集群最优解和所述更新后适应度值分别作为所述第二集群最优解和所述第二适应度值;
第二确定单元,用于若所述第一适应度值不大于所述更新后适应度值,则将所述第一集群最优解和所述第一适应度值分别作为所述第二集群最优解和所述第二适应度值。
为解决上述技术问题,本申请还提供了一种配电网故障定位系统,所述配电网故障定位系统包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任意一种配电网故障定位方法的步骤。
为解决上述技术问题,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种配电网故障定位方法的步骤。
本申请所提供的一种配电网故障定位方法,包括对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;通过预设寻优算法对所述第一线路区段集群进行计算,获得第一集群最优解和所述第一集群最优解对应的第一适应度值;计算所述第一线路区段集群的群体适应度方差,并判断所述群体适应度方差是否低于预设阈值;若是,则通过预设差分进化算法对所述第一线路区段集群进行更新,获得第二线路区段集群;通过所述第二线路区段集群对所述第一集群最优解和所述第一适应度值进行更新,获得第二集群最优解和所述第二集群最优解对应的第二适应度值;判断当前迭代次数是否达到预设迭代次数;若否,则将所述第二线路区段集群作为所述第一线路区段集群,并返回所述通过预设寻优算法对所述第一线路区段集群进行计算的步骤进行迭代运算,直至所述当前迭代次数达到所述预设迭代次数;根据所述预设迭代次数对应的第二集群最优解和第二适应度值确定所述配电网的故障位置信息。
可见,本申请所提供的配电网故障定位方法,针对现有技术中基于粒子集群的寻优算法容易陷入局部最优、寻优精度较低的缺陷,同时基于差分进化算法具有收敛速度快、不易陷入局部最优且易于跟其它智能算法进行关联的特点,将差分进化算法引入相应的寻优算法,即将差分进化算法与寻优算法相结合,先根据寻优算法对线路区段集群进行寻优,再根据差分进化算法对其进行不断的迭代更新,有效的提高了算法的局部搜寻能力,同时平衡了收敛精度和收敛速度,由此,即可更为快速准确地求得全局最优解,进而基于全局最优解实现配电网的故障区段定位。
本申请所提供的一种配电网故障定位装置、系统以及计算机可读存储介质,均具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请所提供的一种配电网故障定位方法的流程示意图;
图2为本申请所提供的一种包含分布式电源的配电网的结构示意图;
图3为本申请所提供的一种配电网故障定位装置的结构示意图;
图4为本申请所提供的一种配电网故障定位系统的结构示意图。
具体实施方式
本申请的核心是提供一种配电网故障定位方法,该配电网故障定位方法有效避免了出现局部最优解的问题,可更为快速准确的实现配电网故障定位;本申请的另一核心是提供一种配电网故障定位装置、系统以及计算机可读存储介质,也具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
请参考图1,图1为本申请所提供的一种配电网故障定位方法的流程示意图,该配电网故障定位方法可以包括:
S101:对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;
一般的,配电网处于电力网络的末端,多采用辐射型结构,直接与用户连接,具有规模大、拓扑结构复杂以及运行环境多变的特点,为此,本申请提出基于线路区段的故障定位方法,即通过寻找配电网中发生故障的线路区段,进而确定故障位置,本步骤旨在实现配电网中各线路区段的初始化处理。具体的,可对配电网中的各个线路区段进行随机初始化,初始化后的所有线路区段组成上述第一线路区段集群。
S102:通过预设寻优算法对第一线路区段集群进行计算,获得第一集群最优解和第一集群最优解对应的第一适应度值;
具体的,可通过预设寻优算法对第一线路区段集群进行运算,获得该集群的最优解及其对应的适应度值,也即上述第一集群最优解和第一适应度值。其中,适应度值的计算可基于将适应度函数引入寻优算法实现,因此,上述预设寻优算法为基于适应度函数模型的寻优算法。具体而言,适应度函数是用来评价相应算法取得最优解的情况,其结果反映了期望故障情况与实际情况的偏离程度,主要是根据FTU(Feeder Terminal Unit,配电开关监控终端)上传到主站的状态值以及假设故障情况求得各个区段的期望状态值。
需要说明的是,对于上述预设寻优算法的具体类型,本申请不做限定,可采用已有技术中的任意一种基于粒子集群的寻优算法。
优选的,上述预设寻优算法为基于适应度函数模型的蝙蝠算法。
本申请提供了一种较为具体的预设寻优算法,即上述基于适应度函数模型的蝙蝠算法。具体而言,蝙蝠算法(bat algorithm,BA)是模拟微型蝙蝠的回声定位原理形成的一种智能算法,其主要原理是随机分布的蝙蝠通过不同的脉冲速率来搜寻猎物,其初始的脉冲速率较小,脉冲音强较大,当搜寻到猎物后会增大脉冲速率并适当减小脉冲音强;然后将现在的位置状态与最优的位置比较,如果仍然处于劣势位置则移动位置,再继续搜索,直到所有的蝙蝠个体都处在靠近猎物的位置,即最优位置。相较于其他寻优算法,BA算法具有较高的准确性和有效性,且不存在许多参数需要进行调整。
优选的,上述适应度函数模型基于配电网的系统电源和各分布式电源构建。
在传统技术中,在对含分布式电源的配电网进行故障区间定位时,往往需要多次设定电流方向,且不考虑分布式电源投切问题,仅考虑系统电源,使得故障定位的准确率受到一定影响。因此,本实施例在构建适应度函数模型时,将各分布式电源引入,构建一种改进的基于系统电源和各分布式电源的适应度函数模型,以有效提高故障定位精度。
S103:计算第一线路区段集群的群体适应度方差,并判断群体适应度方差是否低于预设阈值;若是,则执行S104,若否,则返回S101;
本申请引入群体适应度方差来判断预设寻优算法的早熟状态,即基于群体适应度方差作为预设寻优算发迭代运算结束的标准,具体的,当第一线路区段集群的群体适应度方差不低于预设阈值时,则返回S101重新构建第一线路区段集群并进行寻优运算,直至其对应的群体适应度方差低于预设阈值时,预设寻优算法迭代结束,由此,即可基于最后一代第一线路区段集群对应的第一集群最优解和第一适应度值进入S104,以实现后续运算。
其中,对于上述预设阈值的具体取值,由技术人员根据实际需要进行自定义设置即可,本申请对此不做限定。
S104:通过预设差分进化算法对第一线路区段集群进行更新,获得第二线路区段集群;
本申请引入差分进化算法(differential evolution,DE)实现第一线路区段集群的更新,以获得更新后的线路区段集群,即上述第二线路区段集群。具体而言,差分进化算法的基本思想在于基于当前种群的个体差异来重组种群进而得到中间种群,通过中间种群与原始种群个体的竞争得到下一代种群。该算法在迭代初期因种群个体差异较大,具有较强的全局搜寻能力;迭代后期由于个体差异变小,具有较强的局部搜寻能力,由于该算法具有待定参数少、收敛速度快、不易陷入局部最优、易于跟其它智能算法混合构造出具有更优性能的智能算法等优势,因此,本申请将差分进化算法与传统的寻优算法相结合,可以达到更高的寻优精度和运算效率。
优选的,上述通过预设差分进化算法对第一线路区段集群进行更新,获得第二线路区段集群,可以包括:通过自适应理论对差分进化算法进行优化,获得自适应差分进化算法;通过自适应差分进化算法对第一线路区段集群进行更新,获得第二线路区段集群。
对于上述差分进化算法,本申请引入自适应理论对其进行优化,以获得自适应差分进化算法,并通过自适应差分进化算法对第一线路区段集群进行更新,获得上述第二线路区段集群。具体的,自适应理论指的是在处理和分析过程中,根据处理数据的数据特征自动调整处理方法、处理顺序、处理参数、边界条件或约束条件,使其与所处理数据的统计分布特征、结构特征相适应,以取得最佳的处理效果的过程,因此,本实施例将自适应理论与差分进化算法结合,以改进变异操作和交叉操作,使其能够根据适应度的评估来对需要进行变异交叉的线路区段数量进行动态调整,从而在增加种群多样性,在提高全局搜索能力的同时也能达到平衡收敛精度和收敛速度的目的。
需要说明的是,在实际的配电网故障定位过程中,上述基于自适应理论的差分进化算法优化过程只需执行一次,在以后需要进行多次配电网故障定位时,直接调用该自适应差分进化算法进行种群更新即可。
S105:通过第二线路区段集群对第一集群最优解和第一适应度值进行更新,获得第二集群最优解和第二集群最优解对应的第二适应度值;
本步骤旨在实现对集群最优解和适应度值的更新,具体的,针对第一线路区段集群和第二线路区段集群,保留更加满足寻优条件的最优解和适应度值,即上述第二集群最优解和第二适应度值。可以理解的是,这里的第二集群最优解和第二适应度值并非对应于第二线路区段集群,而是经过与第一线路区段集群进行比对更新后保留的最优解和适应度值。
优选的,上述通过第二线路区段集群对第一集群最优解和第一适应度值进行更新,获得第二集群最优解和第二集群最优解对应的第二适应度值可以包括:通过预设寻优算法对第二线路区段集群进行计算,获得更新后集群最优解和更新后集群最优解对应的更新后适应度值;判断第一适应度值是否大于更新后适应度值;若是,则将更新后集群最优解和更新后适应度值分别作为第二集群最优解和第二适应度值;若否,则将第一集群最优解和第一适应度值分别作为第二集群最优解和第二适应度值。
对于第二集群最优解和第二适应度值的获取,本申请给出了较为具体的运算过程。具体的,先求解第二线路区段集群对应的最优解和适应度值,即上述更新后集群最优解和更新后适应度值,以适应度值的取值作为更新依据,选取适应度值较小的线路区段集群对应的最优解和适应度值作为上述第二集群最优解和第二适应度值。
S106:判断当前迭代次数是否达到预设迭代次数;若否,则执行S107,若是,则执行S108;
S107:将第二线路区段集群作为第一线路区段集群,并返回S102;
截止到S105,此次迭代运算结束,此时判定当前迭代次数是否达到预设迭代次数,若否,则将第二线路区段集群作为第一线路区段集群返回S102继续进行寻优迭代,直至当前迭代次数达到预设迭代次数,跳出迭代运算过程,并进入下一步骤。其中,上述预设迭代次数可由技术人员根据实际需求进行自定义设置,其具体取值并不影响本技术方案的实施。
S108:根据预设迭代次数对应的第二集群最优解和第二适应度值确定配电网的故障位置信息。
在经过多次迭代运算后,即可获得全局最优解以及最优适应度值,也即上述预设迭代次数对应的第二集群最优解和第二适应度值,由此,相当于在整个配电网中寻找到最可能发生故障的线路区段,进一步在该线路区段中确定实际发生故障的位置即完成配电网故障定位。
本申请所提供的配电网故障定位方法,针对现有技术中基于粒子集群的寻优算法容易陷入局部最优、寻优精度较低的缺陷,同时基于差分进化算法具有收敛速度快、不易陷入局部最优且易于跟其它智能算法进行关联的特点,将差分进化算法引入相应的寻优算法,即将差分进化算法与寻优算法相结合,先根据寻优算法对线路区段集群进行寻优,再根据差分进化算法对其进行不断的迭代更新,有效的提高了算法的局部搜寻能力,同时平衡了收敛精度和收敛速度,由此,即可更为快速准确地求得全局最优解,进而基于全局最优解实现配电网的故障区段定位。
在上述各个实施例的基础上,以蝙蝠算法为例,本申请提供了更为具体的配电网故障定位方法,该配电网故障定位方法的具体实现流程如下:
步骤一、构建配电网的整体故障定位模型:
具体的,基于改进蝙蝠算法的配电网故障定位基本原理是通过判断配电网FTU设备上传的故障电流信号的有无与流向对其进行编码,对各个线路区段配电网正常运行与否进行假设,设置合理的适应度函数,即评价函数,并利用改进蝙蝠算法的基本原理将配电网故障定位问题转化为0-1优化问题,找出能解释FTU上传信息的最优解,即为FTU信息所代表的故障位置。
首先,用于配电网故障定位的整体数学模型为:
min f(x)
其中,f(x)为所求目标函数;n为变量的维数,表示候选的故障区段数;x(j)为第j维变量的取值,表示第j个线路区段的故障状态,故障时为1,不故障则为0;X为配电网线路区段的状态变量。
进一步,以下对整体数学模型中涉及到的各类算法进行详细介绍:
1、参数确定与编码:
当分布式电源接入主电网时,会改变电网中的电流方向,传统的二元故障状态编码方式将不再适用,此时引入三元编码方式,令配电网主电源电流流向用户的方向作为故障定位判断时的正方向,其优点在于可以保证故障正方向的检测基本不受分布式电源接入位置以及容量的影响,因此,第i号开关处FTU上传的状态信息为:
2、构建引入分布式电源的开关函数:
请参考图2,图2为本申请所提供的一种包含分布式电源的配电网的结构示意图,可以看出,配电网有6条线路,其中,S是系统电源(总电源),1-33为馈线开关,即每一个黑点代表一个开关,(1)-(33)为线路区段,DG1-DG3分别表示三个分布式电源,K1-K3则是分布式电源的接入开关。
对配电网进行故障区间定位,需要将FTU上传的分段开关的电流信息转化为线路的故障状态值,将故障电流与故障状态之间的关系定义为开关函数,则在传统的开关函数中引入分布式电源,所获得的改进后开关函数为:
将以i个开关为中心,靠近系统电源的区域定义为配电网系统的上半区,靠近分布式电源的区域定义为下半区;其中,“∏”表示逻辑或,Ksi和Kh分别为上半区和下半区的电源开关系数,表示对应的区域电源是否接入,若接入则对应的开关系数取值为1,否则为0;和分别表示第i个开关的上下半区包含的馈线区段状态值,发生故障时取1,否则为0;s1和s2分别为第i个开关上下半区包含的馈线区段总数目;T为开关总数目,W为分布式电源的集合,h为分布式电源的编号。
3、构建评价函数(自适应度函数模型):
针对包含分布式电源的配电网故障区间定位问题,可构建适应度函数模型:
其中,M和N分别为配电网中包含的馈线区段总数和分段开关总数;g(i)和s(i)分别表示第i个开关处的FTU检测到的实际状态信息值和期望值,分别对应于上述1中的状态信息函数和2中的开关函数;ω是为避免误判错判的存在而设置的权重系数,其取值为[0,1]内的实数,但不能为0或1,否则也会出现误判;x(j)为第j号馈线区段的故障状态,发生故障时取1,否则为0。
4、蝙蝠算法运算:
对于目标函数为min f(x),目标变量为x=(x1,x2,…xD)T的优化问题,基于BA算法的基本实施过程描述如下(其中,BA算法中的蝙蝠即为上述线路区段):
(1)进行种群初始化,即蝙蝠以随机方式在D维空间中扩散分布一组初始的解,具体包括:初始化种群个体数(蝙蝠数目)NP,最大脉冲音强A0,最大脉冲速率R0,搜索脉冲频率范围[fmin,fmax],音强的衰减系数α,脉冲速率的增强系数γ,搜索精度ε或者最大迭代次数maxgen;
(2)随机初始化蝙蝠的位置xi,并根据适应度值的优劣寻找当前集群的最优解x*;
(3)根据第一更新公式对蝙蝠的搜索脉冲频率、速度和位置进行更新:
fi=fmin+(fmax-fmin)×β;
其中,β∈[0,1],β为均匀分布时的随机数;fi∈[fmin,fmax],fi表示蝙蝠i的搜索脉冲频率;和分别表示蝙蝠i在t和t-1时刻的速度;和分别表示蝙蝠i在t和t-1时刻的位置;
(4)生成均匀分布随机数rand,若rand>Ri,则对当前最优解x*进行随机扰动产生新解xnew,并对新解xnew进行越界处理,随机扰动公式如下:
xnew=xold+μAt;
其中,μ为介于-1~1之间的一个随机数,At为当前所有蝙蝠种群音强的平均值,xold表示从当前最优解集合中随机选取的一个解;
(5)生成均匀分布随机数rand,若rand<Ri且f(xi)<f(x*),则接受(4)中产生的新解xnew,并根据第二更新公式对t+1时刻的脉冲音强Ai+1和脉冲速率Ri+1进行更新:
(6)对所有蝙蝠的适应度值进行排序,找出当前的最优解和最优适应度值;
(7)重复步骤(2)~(6),直至满足预设的最优解条件或者达到最大迭代次数;
(8)输出全局最优适应度值和最优解。
5、差分进化算法运算:
(1)变异操作:
从种群中随机选择3个不同的染色体:xa(t)、xb(t)、xc(t),且a≠b≠c≠i,a,b,c∈[1,2,…,NP],NP为种群个体数,则变异个体为:
xij(t+1)=xa(t)+F(xb(t)-xc(t));
其中,F为变异因子,且F∈[0,2];
(2)交叉操作:
交叉操作可增加种群的多样性,可通过交叉公式对第t代种群{xi(t)}和其变异中间体{vi(t+1)}进行个体间交叉操作:
其中,CR∈[0,1]为交叉概率,rand为[0,1]上均匀分布的随机数,该种交叉策略可以确保vij(t+1)至少有一分量由xi(t)贡献;
(3)选择操作:
通过比较vi(t+1)和xi(t)向量的适应度函数值来确定xi(t)能否成为下一代的成员:
进一步,在蝙蝠算法中设定一个阈值K,根据群体适应度方差δ2判断蝙蝠算法的早熟状态,若δ2<K,则不再对蝙蝠种群进行迭代,进而跳转到差分进化算法,对蝙蝠种群进行相应的交叉、变异和选择操作;
具体的,假设有n个粒子,f(i)为第i个粒子的适应度,favg为整个群体的平均适应度方差,则群体适应度方差δ2为:
其中,f=max{1,max|f(i)-favg|},群体适应度方差δ2反映种群粒子的聚集程度,δ2越小,则粒子越聚集,因此,当δ2<K时,即可认为该算法粒子大量聚集出现早熟现象。
6、引入自适应理论:
对差分进化算法的变异操作进行自适应改进后,有:
xij(t+1)=xra(t)+Fi(t)*(xrb(t)-xrc(t));
其中,Fi(t)为第i个蝙蝠在t时刻的变异因子;λ为一常数;θ为调节因子;gen表示当前迭代次数;x0为柯西分布函数的位置参数;r1为柯西分布函数的尺度参数。
对差分进化算法的交叉操作进行自适应改进后,有:
其中,CRi(t)为第i个个体在t时刻的交叉概率;为一常数;x0为柯西累积分布函数的位置参数,r2为柯西累积分布函数的尺度参数。
由此,通过变异因子F和交叉因子CR的自适应变化,来平衡算法的收敛精度和速度。在算法初期,F应该较大,CR较小,有利于全局搜索;在算法后期,F应较小,CR较大,更加有利于局部搜索。
二、基于改进后的蝙蝠算法进行配电网故障定位:
基于上述各部分阐述,在蝙蝠算法过程中引入自适应差分进化算法后,进行最优值问题求解时的步骤如下:
Step1:进行种群初始化,即蝙蝠以随机方式在D维空间中扩散分布一组初始的解,具体包括:初始化种群个体数(蝙蝠数目)NP,最大脉冲音强A0,最大脉冲速率R0,搜索脉冲频率范围[fmin,fmax],音强的衰减系数α,脉冲速率的增强系数γ,搜索精度ε或者最大迭代次数maxgen;
Step2:随机初始化蝙蝠的位置xi,并根据适应度值的优劣寻找当前集群的最优解x*;
Step3:根据第一更新公式更新蝙蝠的搜索脉冲频率、速度和位置;
Step4:根据(rand>Ri)条件判断是否对当前最优解利用随机扰动公式进行随机扰动产生新解并进行越界处理;
Step5:根据条件(rand<Ri且f(xi)<f(x*))判断是否接受新解并利用第二更新公式更新脉冲音强Ai和脉冲速率Ri;
Step6:根据群体适应度方差判断蝙蝠算法的早熟状态,若δ2<K小于给定阈值K,则通过差分进化算法对蝙蝠种群进行自适应的交叉、变异和选择操作,得到新的蝙蝠位置,并通过比较适应度值更新最优解和最优适应度值,否则转到Step7;
Step7:判断是否满足迭代结束条件(迭代次数是否达到最大迭代次数),若满足,则并输出最优解和最优适应度值,否则转到Step3。
本申请实施例所提供的图像中配电网故障定位方法,在传统的基于逻辑关系的配电网故障定位模型的基础上进行改进,建立一个新的含分布式电源的配电网故障定位模型,将配电网故障区段定位问题描述成一个具有0-1离散约束条件下的最优化问题;并且,建立一个能够反映线路当前运行状态和配电自动化开关状态之间联系的函数,实现从开关故障电流越线情况到线路故障状态的转换;同时,为反映实际故障和假设故障之间的误差,建立一个评价函数,其函数值越小,表示误差越小,得到的故障区段位置越准确。由此,利用自适应理论、差分进化算法和蝙蝠算法相结合,有效提高了算法的全局搜索能力和求解精度,基于本实施例提出的改进算法进行最优化问题的求解,可以达到提高含分布式电源的配电网故障定位的稳定性、容错率和准确度的目的。
为解决上述问题,请参考图3,图3为本申请所提供的一种配电网故障定位装置的结构示意图,该配电网故障定位装置可包括:
集群初始化模块10,用于对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;
集群寻优模块20,用于通过预设寻优算法对第一线路区段集群进行计算,获得第一集群最优解和第一集群最优解对应的第一适应度值;
寻优判定模块30,用于计算第一线路区段集群的群体适应度方差,并判断群体适应度方差是否低于预设阈值;
集群更新模块40,用于若群体适应度方差低于预设阈值,则通过预设差分进化算法对第一线路区段集群进行更新,获得第二线路区段集群;
终值更新模块50,用于通过第二线路区段集群对第一集群最优解和第一适应度值进行更新,获得第二集群最优解和第二集群最优解对应的第二适应度值;
终止迭代判定模块60,用于判断当前迭代次数是否达到预设迭代次数;
迭代模块70,用于若当前迭代次数未达到预设迭代次数,则将第二线路区段集群作为第一线路区段集群,并返回通过预设寻优算法对第一线路区段集群进行计算的步骤进行迭代运算,直至当前迭代次数达到预设迭代次数;
故障定位模块80,用于根据预设迭代次数对应的第二集群最优解和第二适应度值确定配电网的故障位置信息。
作为一种优选实施例,上述集群更新模块40可具体用于通过自适应理论对差分进化算法进行优化,获得自适应差分进化算法;通过自适应差分进化算法对第一线路区段集群进行更新,获得第二线路区段集群。
作为一种优选实施例,上述终值更新模块50可包括:
寻优单元,用于通过预设寻优算法对第二线路区段集群进行计算,获得更新后集群最优解和更新后集群最优解对应的更新后适应度值;
判断单元,用于判断第一适应度值是否大于更新后适应度值;
第一确定单元,用于若第一适应度值大于更新后适应度值,则将更新后集群最优解和更新后适应度值分别作为第二集群最优解和第二适应度值;
第二确定单元,用于若第一适应度值不大于更新后适应度值,则将第一集群最优解和第一适应度值分别作为第二集群最优解和第二适应度值。
对于本申请提供的装置的介绍请参照上述方法实施例,本申请在此不做赘述。
为解决上述问题,请参考图4,图4为本申请所提供的一种配电网故障定位系统的结构示意图,该配电网故障定位系统可包括:
存储器1,用于存储计算机程序;
处理器2,用于执行计算机程序时实现如下步骤:
对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;通过预设寻优算法对第一线路区段集群进行计算,获得第一集群最优解和第一集群最优解对应的第一适应度值;计算第一线路区段集群的群体适应度方差,并判断群体适应度方差是否低于预设阈值;若是,则通过预设差分进化算法对第一线路区段集群进行更新,获得第二线路区段集群;通过第二线路区段集群对第一集群最优解和第一适应度值进行更新,获得第二集群最优解和第二集群最优解对应的第二适应度值;判断当前迭代次数是否达到预设迭代次数;若否,则将第二线路区段集群作为第一线路区段集群,并返回通过预设寻优算法对第一线路区段集群进行计算的步骤进行迭代运算,直至当前迭代次数达到预设迭代次数;根据预设迭代次数对应的第二集群最优解和第二适应度值确定配电网的故障位置信息。
对于本申请提供的系统的介绍请参照上述方法实施例,本申请在此不做赘述。
为解决上述问题,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现如下骤:
对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;通过预设寻优算法对第一线路区段集群进行计算,获得第一集群最优解和第一集群最优解对应的第一适应度值;计算第一线路区段集群的群体适应度方差,并判断群体适应度方差是否低于预设阈值;若是,则通过预设差分进化算法对第一线路区段集群进行更新,获得第二线路区段集群;通过第二线路区段集群对第一集群最优解和第一适应度值进行更新,获得第二集群最优解和第二集群最优解对应的第二适应度值;判断当前迭代次数是否达到预设迭代次数;若否,则将第二线路区段集群作为第一线路区段集群,并返回通过预设寻优算法对第一线路区段集群进行计算的步骤进行迭代运算,直至当前迭代次数达到预设迭代次数;根据预设迭代次数对应的第二集群最优解和第二适应度值确定配电网的故障位置信息。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例,本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的配电网故障定位方法、装置、系统以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围要素。
Claims (10)
1.一种配电网故障定位方法,其特征在于,包括:
对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;
通过预设寻优算法对所述第一线路区段集群进行计算,获得第一集群最优解和所述第一集群最优解对应的第一适应度值;
计算所述第一线路区段集群的群体适应度方差,并判断所述群体适应度方差是否低于预设阈值;
若是,则通过预设差分进化算法对所述第一线路区段集群进行更新,获得第二线路区段集群;
通过所述第二线路区段集群对所述第一集群最优解和所述第一适应度值进行更新,获得第二集群最优解和所述第二集群最优解对应的第二适应度值;
判断当前迭代次数是否达到预设迭代次数;
若否,则将所述第二线路区段集群作为所述第一线路区段集群,并返回所述通过预设寻优算法对所述第一线路区段集群进行计算的步骤进行迭代运算,直至所述当前迭代次数达到所述预设迭代次数;
根据所述预设迭代次数对应的第二集群最优解和第二适应度值确定所述配电网的故障位置信息。
2.如权利要求1所述的配电网故障定位方法,其特征在于,所述预设寻优算法为基于适应度函数模型的蝙蝠算法。
3.如权利要求2所述的配电网故障定位方法,其特征在于,所述适应度函数模型基于所述配电网的系统电源和各分布式电源构建。
4.如权利要求1所述的配电网故障定位方法,其特征在于,所述通过预设差分进化算法对所述第一线路区段集群进行更新,获得第二线路区段集群,包括:
通过自适应理论对所述差分进化算法进行优化,获得自适应差分进化算法;
通过所述自适应差分进化算法对所述第一线路区段集群进行更新,获得所述第二线路区段集群。
5.如权利要求1至4任意一项所述的配电网故障定位方法,其特征在于,所述通过所述第二线路区段集群对所述第一集群最优解和所述第一适应度值进行更新,获得第二集群最优解和所述第二集群最优解对应的第二适应度值,包括:
通过所述预设寻优算法对所述第二线路区段集群进行计算,获得更新后集群最优解和所述更新后集群最优解对应的更新后适应度值;
判断所述第一适应度值是否大于所述更新后适应度值;
若是,则将所述更新后集群最优解和所述更新后适应度值分别作为所述第二集群最优解和所述第二适应度值;
若否,则将所述第一集群最优解和所述第一适应度值分别作为所述第二集群最优解和所述第二适应度值。
6.一种配电网故障定位装置,其特征在于,包括:
集群初始化模块,用于对配电网中各线路区段进行随机初始化处理,获得第一线路区段集群;
集群寻优模块,用于通过预设寻优算法对所述第一线路区段集群进行计算,获得第一集群最优解和所述第一集群最优解对应的第一适应度值;
寻优判定模块,用于计算所述第一线路区段集群的群体适应度方差,并判断所述群体适应度方差是否低于预设阈值;
集群更新模块,用于若所述群体适应度方差低于所述预设阈值,则通过预设差分进化算法对所述第一线路区段集群进行更新,获得第二线路区段集群;
终值更新模块,用于通过所述第二线路区段集群对所述第一集群最优解和所述第一适应度值进行更新,获得第二集群最优解和所述第二集群最优解对应的第二适应度值;
终止迭代判定模块,用于判断当前迭代次数是否达到预设迭代次数;
迭代模块,用于若所述当前迭代次数未达到所述预设迭代次数,则将所述第二线路区段集群作为所述第一线路区段集群,并返回所述通过预设寻优算法对所述第一线路区段集群进行计算的步骤进行迭代运算,直至所述当前迭代次数达到所述预设迭代次数;
故障定位模块,用于根据所述预设迭代次数对应的第二集群最优解和第二适应度值确定所述配电网的故障位置信息。
7.如权利要求5所述的配电网故障定位装置,其特征在于,所述集群更新模块具体用于通过自适应理论对所述差分进化算法进行优化,获得自适应差分进化算法;通过所述自适应差分进化算法对所述第一线路区段集群进行更新,获得所述第二线路区段集群。
8.如权利要求1所述的配电网故障定位装置,其特征在于,所述终值更新模块包括:
寻优单元,用于通过所述预设寻优算法对所述第二线路区段集群进行计算,获得更新后集群最优解和所述更新后集群最优解对应的更新后适应度值;
判断单元,用于判断所述第一适应度值是否大于所述更新后适应度值;
第一确定单元,用于若所述第一适应度值大于所述更新后适应度值,则将所述更新后集群最优解和所述更新后适应度值分别作为所述第二集群最优解和所述第二适应度值;
第二确定单元,用于若所述第一适应度值不大于所述更新后适应度值,则将所述第一集群最优解和所述第一适应度值分别作为所述第二集群最优解和所述第二适应度值。
9.一种配电网故障定位系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任意一项所述的配电网故障定位方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述的配电网故障定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469574.6A CN110046774A (zh) | 2019-05-31 | 2019-05-31 | 一种配电网故障定位方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469574.6A CN110046774A (zh) | 2019-05-31 | 2019-05-31 | 一种配电网故障定位方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046774A true CN110046774A (zh) | 2019-07-23 |
Family
ID=67284287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910469574.6A Pending CN110046774A (zh) | 2019-05-31 | 2019-05-31 | 一种配电网故障定位方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046774A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895728A (zh) * | 2019-11-28 | 2020-03-20 | 海南电网有限责任公司 | 面向网格化配电网的线路路径自动规划方法 |
CN110988596A (zh) * | 2019-12-11 | 2020-04-10 | 国网山东省电力公司日照供电公司 | 一种新型主动配电网故障区段定位方法 |
CN113469412A (zh) * | 2021-06-02 | 2021-10-01 | 国核电力规划设计研究院有限公司 | 一种综合能源系统实时运行策略优化方法及系统 |
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108121206A (zh) * | 2017-12-21 | 2018-06-05 | 扬州大学 | 基于高效改进型差分进化算法的复合自适应内模控制优化方法 |
-
2019
- 2019-05-31 CN CN201910469574.6A patent/CN110046774A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108121206A (zh) * | 2017-12-21 | 2018-06-05 | 扬州大学 | 基于高效改进型差分进化算法的复合自适应内模控制优化方法 |
Non-Patent Citations (3)
Title |
---|
汪云甲: "《基于多传感器及多元监测数据的瓦斯预警理论与方法研究》", 31 May 2017, 中国矿业大学出版社, pages: 254 * |
罗钱: ""含分布式电源电网电压跌落检测与溯源研究"", 《中国优秀高级论文全文数据库 工程科技II辑》 * |
罗钱: ""含分布式电源电网电压跌落检测与溯源研究"", 《中国优秀高级论文全文数据库 工程科技II辑》, 15 April 2017 (2017-04-15), pages 2 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895728A (zh) * | 2019-11-28 | 2020-03-20 | 海南电网有限责任公司 | 面向网格化配电网的线路路径自动规划方法 |
CN110988596A (zh) * | 2019-12-11 | 2020-04-10 | 国网山东省电力公司日照供电公司 | 一种新型主动配电网故障区段定位方法 |
CN110988596B (zh) * | 2019-12-11 | 2022-02-11 | 国网山东省电力公司日照供电公司 | 一种新型主动配电网故障区段定位方法 |
CN113469412A (zh) * | 2021-06-02 | 2021-10-01 | 国核电力规划设计研究院有限公司 | 一种综合能源系统实时运行策略优化方法及系统 |
CN113469412B (zh) * | 2021-06-02 | 2024-04-09 | 国核电力规划设计研究院有限公司 | 一种综合能源系统实时运行策略优化方法及系统 |
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN114609493B (zh) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046774A (zh) | 一种配电网故障定位方法、装置及相关设备 | |
CN110348048B (zh) | 基于考虑热岛效应负荷预测的配电网优化重构方法 | |
Papadopoulos et al. | Network mapping by replaying hyperbolic growth | |
CN106229964A (zh) | 一种基于改进二进制粒子群算法的配电网故障定位方法 | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN106485089B (zh) | 谐波用户典型工况的区间参数获取方法 | |
WO2019154215A1 (zh) | 机器人运行路径生成方法、计算设备及存储介质 | |
CN109284860A (zh) | 一种基于正交反向樽海鞘优化算法的预测方法 | |
CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN113917925B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN112883632B (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
CN106532689A (zh) | 配电网拓扑结构优化方法和系统 | |
CN111598231A (zh) | 基于ga优化串行式bp网络的电缆接头导线温度预测 | |
Aziz et al. | Efficient routing approach using a collaborative strategy | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN117641542B (zh) | 一种物联网终端功耗策略在线优化的方法 | |
CN107169594B (zh) | 一种车辆路径问题的优化方法及装置 | |
CN111412795B (zh) | 测试点设置方案生成方法及装置 | |
CN111861648A (zh) | 基于模拟训练的价格谈判策略模型学习方法 | |
CN111525577B (zh) | 一种基于神经网络的远景220kV电网组网方法及其系统 | |
CN108694439A (zh) | 一种贝叶斯网络的拓扑构建方法 | |
Yong et al. | Optimization strategy of SDN control deployment based on simulated annealing-genetic hybrid algorithm | |
Wang | Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization | |
CN111681607B (zh) | 一种基于遗传算法的Gamma调节方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |