CN110261735B - 基于改进量子布谷鸟算法的配电网故障定位方法 - Google Patents
基于改进量子布谷鸟算法的配电网故障定位方法 Download PDFInfo
- Publication number
- CN110261735B CN110261735B CN201910524792.5A CN201910524792A CN110261735B CN 110261735 B CN110261735 B CN 110261735B CN 201910524792 A CN201910524792 A CN 201910524792A CN 110261735 B CN110261735 B CN 110261735B
- Authority
- CN
- China
- Prior art keywords
- quantum
- power distribution
- fault
- distribution network
- double
- 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.)
- Active
Links
Images
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
- G01R31/088—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)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明提供基于改进量子布谷鸟算法的配电网故障定位方法,将配电网故障定位建模为高维组合优化,利用量子双链编码表示配电网故障定位区段,其采用改进莱维飞行算法优化量子布谷鸟算法每一维的取值的更新,结合差分进化算法对量子双链编码进行变异,从而求解配电网故障定位组合最优化解,求解出最优解。本发明建立了配电网故障定位模型的最优化目标函数,使用基于改进的量子布谷鸟算法对其进行优化计算,辨识出故障区段,并使用配电网算例进行了验证,并且可以处理多点同时发生故障时的故障点定位。
Description
技术领域
本发明属于配电网技术领域,具体涉及一种基于改进量子布谷鸟算法的配电网故障定位方法。
背景技术
目前出现了分布式发电,电力系统的保护及控制变得越来越复杂,并且随着智能化变电站的建设和各种配电自动化装置的引入,新型的保护控制方法层出不穷,由自动重合闸装置等自动跳闸并且隔离开永久性故障后在使用故障定位算法来定位故障区段,故障处理由快速开断和隔离的开关设备以及具有信息传送的智能终端控制设备等联合处理;基于三段式电流保护的传统继电保护由于其整定复杂,保护范围有限且在处理多开关复杂网络时无能为力。利用配电网拓扑结构方法有基于对等式或主从式通信网络的网络式逻辑保护,能过迅速定位故障区段,该方法适用于复杂的网络结构,但是除了人工输入网络拓补结构外,还需要根据不同类型的开关建立向量的动作集、非动作集及后备集,方法较为复杂,链表法由于采用树枝定位的方法,需要配合二次定位,较为复杂。
发明内容
针对上述技术问题,本发明提供一种利用元启发式搜索算法应用于故障定位算法只需要配电网拓补结构,构造多目标函数,利用算法寻优找到最佳结果。同时该方法将非常适用于改造为并行计算方式。具体技术方案为:
基于改进量子布谷鸟算法的配电网故障定位方法,包括以下步骤:
S1量子双链编码:
上式中αs和βs为第s位的上下链编码取值,θs为第s位的编码角,m表示量子双链编码,ms为量子双链编码内某一位上下链的编码取值,N为整个配电网的总故障区段。双链编码更新方式如下:
S1.1 Tent混沌初始化
对于双链编码,上链为:[α1,...αN],下链为:[β1,...βN],采用下式更新:
N为整个配电网的总故障区段。在初始化量子双链编码后,需要对编码进行更新,上式中αs和βs为第s位的上下链编码取值。
S1.2量子旋转更新:
量子遗传算法的交叉和变异被量子旋转所代替,量子遗传算法的更新公式如下:
量子搜索本质上采用矩阵变换更新量子编码序列,即右乘量子旋转门m=U(Δθ),其定义如下:
更新过程为:
S1.3旋转角Δθs更新:
Δθs,s=1,2,...N通过莱维飞行来搜索新解,莱维飞行来源于对动物觅食的行走路线的观察,其搜索步长由levy分布来确定,通过选定的任何启发式函数进行搜索,从而找到组合优化问题的最优解。传统莱维飞行更新方式随机性和遍历性不够强,因此采用改进莱维飞行进行更新。改进莱维飞行采用Tent映射生成,其表达式如下:
对于每个迭代步的改进莱维飞行,步长比例因子α首先采用rand生成,然后计算g(rand),使α=g(rand)。则改进布谷鸟鸟窝更新公式如下:
levy(b)~u=t-1-b,(0<b≤2) (7)
levy(b)满足莱维分布,其计算公式如下:
为了便于编程,进一步简化为:
式(8)中λ=β+1,0<β<2,β一般取1.5,u,v是正态分布。
u~N(0,σ2 u),v~N(0,σ2 v) (9)
σv=1 (11)
上式中σ2 u,σ2 v分别为正态分布的参数。
S1.4差分进化算法变异:
差分进化算法是一种自组织最小化方法,用户只需很小的输入即可实现启发式搜索,在本发明中利用差分进化算法对量子双链编码进行变异,差分进化算法主要分为以下3步:
Step1.变异,对于进化算法第G代,每个量子布谷鸟编码的单链编码的每一维αsG,or,βsG,变异后的,每一维为α°sG,or,β°sG,
α°sG=αr1G-1+F(αr2(G-1)-αr3(G-1)),or,β°sG=βr1G-1+F(βr2(G-1)-βr3(G-1)) (12)
随机选择的序号r1,r2,r3互不相同,变异算子F采用Tent映射生成,
Step2.交叉:为了增强参数向量的多样性,交叉操作后的向量每一维为如下:
交叉阶段选择是否对双链编码进行交叉,随机算子rand控制是否交叉,其采用MATLAB中rand函数生成,这样能更好保证双链编码值的随机性,上式中变异算子F,r1,r2,r3为随机选择的序号,上链为:[α1,...αN],下链为:[β1,...βN],每一维αsG,or,βsG,变异前的第G代的量子上下链编码,每一维α°sG,or,β°sG为变异后的第后的G代的量子上下链编码。
上式中,每一维αsG,or,βsG,变异前的第G代的量子上下链编码,每一维α1 s,G,or,β1 s,G为变异后的第后的G代的量子上下链编码,αmin,αmax为上链编码取值的最小值和最大值,βmin,βmax为下链编码取值的最小值和最大值。
S1.5编码转化
对于配电网故障定位二值化问题,抽取出双链编码后,即上链为:[α1,...αN],下链为:[β1,...βN],分别对其进行四舍五入,以此获得故障目标定位向量Y。各个设备的状态值Sj∈[0,1],j=1,2,...N,采用levy飞行产生随机数,作为正弦函数的变量带入后,正弦函数为:将其取值限制为0-1,然后结合差分进化算法对双链编码的每一维进行变异,然后对其取值进行四舍五入来产生0和1随机数,充分利用了莱维飞行搜索范围大,随机性大等优点。上式中第t代的故障目标定位向量为,Yt,为第t代的第j维所对应的目标设备的状态。
S2建立配电网故障定位多目标模型:
要实现故障的准确定位,首先需要分析配电网的拓补结构,并构建开关函数模型和评价函数模型,然后通过算法对开关函数得到的开关期望状态值去逼近FTU上传的开关实际状态,这就是配电网故障定位的过程。
S2.1编码方式:
在进行配电网故障定位时,以开关为节点,相邻馈线开关间的配电区域为一个单位的线路区段,线路区段分为正常和故障两种情况。正常时,其状态值为“0”;故障时,其状态值为“1”。
当配电网发生故障时,配电自动化系统SCADA中FTU检测到故障电流越限信号,当故障电流与网络正方向一致时,故障状态为“1”;当无故障电流流过时,状态为“0”,表示正常。
S2.2开关函数
在基于智能算法的故障定位过程中,开关函数反映了线路区段故障与否和开关是否过流之间的关系,它将配电网中线路区段的状态信息转换为开关的期望状态信息。
规定1:配电网正常运行时的电流方向为网络正方向。
规定2:下游区段是指按照网络正方向,线路区段处于某一开关的后面,则称该线路区段为该开关的下游区段。
K1为进线断路器,K2~K6均为馈线分段开关,s1~s6表示配电网的链路区段,因此典型的单电源条件下开关函数表达式为
式中:Ik *表示第k个开关的故障电流状态;αi表示第k个开关的第i个下游区段的故障状态;∏表示逻辑或运算。
当S3处发生故障时,得到各个开关函数为
首先利用S1获取的双链编码,α=[α1,...,αN],β=[β1,...,βN],对于下链编码β同样按照式14求取各开关函数。根据设备与开关的关系表获取各个开关函数,I* j,j=1,...,N1,N1为配电网中开关总数,N为设备总数。Ij,j=1,...,N1为实际的开关状态。
S2.3评价函数
评价函数反映配电网故障线路区段与开关过流信号的关系,它的正确与否保证配电网故障定位的关键。传统配电网故障定位的评价函数如下:
Ij为某开关的实际状态,I* j为某开关期望的状态,其由配电网实际组成结构构成,在配电网系统中,直接采用FTU上传的各开关故障状态信息。当S3处发生设备故障时,当且仅当开关函数的期望值向量最接近FTU上报开关状态向量时,评价函数F才达到最小,即最优解,此时第一个开关函数值为0的开关和最后一个开关函数值为1的开关之间的小线路区段为故障区段。为使该方法能够满足多点故障以及FTU信号畸变等情况,改进配电网故障定位目标函数如下:
S3计算目标函数,若gt≥ft,则最优适应度值gt=ft,gt为第t代的最优适应度值。
S4.循环迭代,直至满足算法终止迭代要求。
本发明提出了一种基于改进量子布谷鸟算法的配电网故障定位方法,将配电网故障定位建模为高维组合优化,利用量子双链编码表示配电网故障定位区段,其采用改进莱维飞行算法优化量子布谷鸟算法每一维的取值的更新,结合差分进化算法对量子双链编码进行变异,从而求解配电网故障定位组合最优化解,求解出最优解。本发明建立了配电网故障定位模型的最优化目标函数,使用基于改进的量子布谷鸟算法对其进行优化计算,辨识出故障区段,并使用配电网算例进行了验证,并且可以处理多点同时发生故障时的故障点定位。
本发明提供的基于改进量子布谷鸟算法的配电网故障定位方法,对于配电网发生单点故障、多点故障以及FTU信号畸变时均能够快速的进行故障定位,均具有极高的准确率和容错性。
附图说明
图1为本发明的流程图;
图2为本发明的简单配电网;
图3为实施例配电网算例。
具体实施方式
结合实施例说明本发明的具体技术方案。本发明的流程图如图1所示,S2.2开关函数一图2为简单配电网为例。
下面对如图3配电网络的各个FTU进行编号,由33个开关,划分为33个区段。
Step1.首先定义开关函数以及适应度函数,初始化量子双链编码,初始化旋转角和最大迭代次数。S1生成双链编码,St=[St 1,...,St i,...St 33],上式中St为第t代双链编码,St i为双链中某一位的编码取值,上链为:[α1,...α33],下链为:[β1,...β33]。
Step4.利用式13计算当前代量子双链编码的配电网故障定位的适应度函数。
Step5.初始化鸟窝位置。
Step6.利用改进Levy飞行更新旋转角进行量子旋转更新双链编码。
Step7.利用差分进化算法对双链编码进行变异。
Step8.计算开关函数。
Step9.更新最优解。
Step10.判断是否达到种植条件,若达到则输出最后开关编码,若未达到则返回
Step11.最优解处理。
对于单点故障和多点故障以及信号畸变、失真等情况,下面假设假设馈线区段在6,(6,20),(8,21,25)处分别发生了短路故障,利用FTU上传的信息输入目标函数,再利用量子布谷鸟算法进行求解,分别进行20次仿真实验,结果如下:
以上实验分别对以下情况做了仿真实验:
(1)发生单点故障且无FTU信号畸变;
(2)发发生单点故障且存在1处或2处FTU信号畸变;
(3)发生多点故障且无信号畸变;
(4)发生多点故障且存在1、2、3处FTU信号畸变。
由实验结果可知,基于改进量子布谷鸟算法的配电网故障定位方法对于配电网发生单点故障、多点故障以及FTU信号畸变时均能够快速的进行故障定位,且由仿真结果可知,对于以上情况,本方法均具有极高的准确率和容错性,在33维等较高维的情形下,也能准确的定位故障区段。
Claims (1)
1.基于改进量子布谷鸟算法的配电网故障定位方法,其特征在于,包括以下步骤:
S1量子双链编码:
上式中αs和βs为第s位的上下链编码取值,θs为第s位的编码角,m表示量子双链编码,ms为量子双链编码内某一位上下链的编码取值,N为整个配电网的总故障区段;
S1量子双链编码中,双链编码更新方式如下:
S1.1 Tent混沌初始化
对于双链编码,上链为:[α1,...αN],下链为:[β1,...βN],采用下式更新:
N为整个配电网的总故障区段;在初始化量子双链编码后,需要对编码进行更新,上式中αs和βs为第s位的上下链编码取值;
S1.2量子旋转更新:
量子遗传算法的交叉和变异被量子旋转所代替,量子遗传算法的更新公式如下:
量子搜索本质上采用矩阵变换更新量子编码序列,即右乘量子旋转门m=U(Δθ),其定义如下:
更新过程为:
S1.3旋转角Δθs更新:
Δθs,s=1,2,...N通过莱维飞行来搜索新解,莱维飞行搜索步长由levy分布来确定,通过选定的任何启发式函数进行搜索,从而找到组合优化问题的最优解,采用改进莱维飞行采用Tent映射生成,其表达式如下:
对于每个迭代步的改进莱维飞行,步长比例因子α首先采用rand生成,然后计算g(rand),使α=g(rand);
则改进布谷鸟鸟窝更新公式如下:
levy(b)~u=t-1-b,(0<b≤2) (7)
levy(b)满足莱维分布,其计算公式如下:
式(8)中λ=β+1,0<β<2,β一般取1.5,u,v是正态分布;
u~N(0,σ2 u),v~N(0,σ2 v) (9)
σv=1 (11)
上式中σ2 u,σ2 v分别为正态分布的参数;
S1.4差分进化算法变异:
利用差分进化算法对量子双链编码进行变异,差分进化算法主要分为以下3步:
Step1.变异,对于进化算法第G代,每个量子布谷鸟编码的单链编码的每一维αsG,or,βsG,变异后的,每一维为α°sG,or,β°sG,
α°sG=αr1G-1+F(αr2(G-1)-αr3(G-1)),or,β°sG=βr1G-1+F(βr2(G-1)-βr3(G-1)) (12)
随机选择的序号r1,r2,r3互不相同,变异算子F采用Tent映射生成,
Step2.交叉:为了增强参数向量的多样性,交叉操作后的向量每一维为如下:
交叉阶段选择是否对双链编码进行交叉,随机算子rand控制是否交叉,其采用MATLAB中rand函数生成,这样能更好保证双链编码值的随机性,上式中变异算子F,r1,r2,r3为随机选择的序号,上链为:[α1,...αN],下链为:[β1,...βN],每一维αsG,or,βsG,变异前的第G代的量子上下链编码,每一维α°sG,or,β°sG为变异后的第后的G代的量子上下链编码;
上式中,每一维αsG,or,βsG,变异前的第G代的量子上下链编码,每一维α1 s,G,or,β1 s,G为变异后的第后的G代的量子上下链编码,αmin,αmax为上链编码取值的最小值和最大值,βmin,βmax为下链编码取值的最小值和最大值;
S1.5编码转化
对于配电网故障定位二值化问题,抽取出双链编码后,即上链为:[α1,...αN],下链为:[β1,...βN],分别对其进行四舍五入,以此获得故障目标定位向量Y;各个设备的状态值采用levy飞行产生随机数,作为正弦函数的变量带入后,正弦函数为:将其取值限制为0-1,然后结合差分进化算法对双链编码的每一维进行变异,然后对其取值进行四舍五入来产生0和1随机数;上式中第t代的故障目标定位向量为,Yt,为第t代的第j维所对应的目标设备的状态;
S2建立配电网故障定位多目标模型:
首先分析配电网的拓补结构,并构建开关函数模型和评价函数模型,然后通过算法对开关函数得到的开关期望状态值去逼近FTU上传的开关实际状态;
S2具体包括以下步骤:
S2.1编码方式:
在进行配电网故障定位时,以开关为节点,相邻馈线开关间的配电区域为一个单位的线路区段,线路区段分为正常和故障两种情况;正常时,其状态值为“0”;故障时,其状态值为“1”;
当配电网发生故障时,配电自动化系统SCADA中FTU检测到故障电流越限信号,当故障电流与网络正方向一致时,故障状态为“1”;当无故障电流流过时,状态为“0”,表示正常;
S2.2开关函数
在基于智能算法的故障定位过程中,开关函数反映了线路区段故障与否和开关是否过流之间的关系,它将配电网中线路区段的状态信息转换为开关的期望状态信息;
规定1:配电网正常运行时的电流方向为网络正方向;
规定2:下游区段是指按照网络正方向,线路区段处于某一开关的后面,则称该线路区段为该开关的下游区段;
K1为进线断路器,K2~K6均为馈线分段开关,s1~s6表示配电网的链路区段,因此典型的单电源条件下开关函数表达式为
式中:Ik *表示第k个开关的故障电流状态;αi表示第k个开关的第i个下游区段的故障状态;∏表示逻辑或运算;
当S3处发生故障时,得到各个开关函数为:
首先利用S1获取的双链编码,α=[α1,...,αN],β=[β1,...,βN],对于下链编码β同样按照式14求取各开关函数;根据设备与开关的关系表获取各个开关函数,I* j,j=1,...,N1,N1为配电网中开关总数,N为设备总数;Ij,j=1,...,N1为实际的开关状态;
S2.3评价函数
改进配电网故障定位目标函数如下:
S3计算目标函数,若gt≥ft,则最优适应度值gt=ft,gt为第t代的最优适应度值;
S4.循环迭代,直至满足算法终止迭代要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524792.5A CN110261735B (zh) | 2019-06-18 | 2019-06-18 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524792.5A CN110261735B (zh) | 2019-06-18 | 2019-06-18 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110261735A CN110261735A (zh) | 2019-09-20 |
CN110261735B true CN110261735B (zh) | 2021-07-20 |
Family
ID=67918944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524792.5A Active CN110261735B (zh) | 2019-06-18 | 2019-06-18 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261735B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024086B (zh) * | 2019-12-19 | 2022-12-13 | 哈尔滨工程大学 | 一种基于群禽寻优技术的多无人机航迹规划方法 |
CN111178487B (zh) * | 2019-12-20 | 2023-10-20 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
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 |
CN112731969B (zh) * | 2020-12-29 | 2022-11-25 | 合肥一森电子科技有限公司 | 一种面向河流的多无人机水质采样和监测路径优化方法 |
CN113807524B (zh) * | 2021-08-12 | 2023-07-25 | 上海工程技术大学 | 量子差分进化算法优化svm的滚动轴承故障诊断方法 |
CN113660273B (zh) * | 2021-08-18 | 2023-06-02 | 国家电网公司东北分部 | 超融合架构下基于深度学习的入侵检测方法及装置 |
CN114264912A (zh) * | 2021-10-29 | 2022-04-01 | 国网上海市电力公司 | 一种基于改进Jaya算法的多源配电网故障定位方法 |
CN114928542B (zh) * | 2022-05-17 | 2023-05-16 | 内蒙古工业大学 | 一种基于动态整合和多目标布谷鸟算法的虚拟机迁移方法 |
CN117388643B (zh) * | 2023-12-11 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2922028A1 (fr) * | 2007-10-05 | 2009-04-10 | Schneider Electric Ind Sas | Localisation d'un defaut dans un reseau de distribution publique moyenne tension |
CN102567781A (zh) * | 2011-12-20 | 2012-07-11 | 西北师范大学 | 一种基于神经网络的网络行为预测方法 |
CN102646982A (zh) * | 2012-04-26 | 2012-08-22 | 华北电力大学 | 一种含风电场的低碳发电调度方法 |
CN104834957A (zh) * | 2015-05-20 | 2015-08-12 | 华北电力大学 | 一种基于杜鹃搜索算法求解非线性规划模型的方法和装置 |
CN106028446A (zh) * | 2016-07-15 | 2016-10-12 | 西华大学 | 室内停车场定位方法 |
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力系统多目标无功优化的方法及系统 |
CN106338674A (zh) * | 2016-08-24 | 2017-01-18 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
CN109507538A (zh) * | 2018-12-19 | 2019-03-22 | 成都四方伟业软件股份有限公司 | 配电网的故障定位方法和装置 |
CN109829535A (zh) * | 2018-12-30 | 2019-05-31 | 安徽师范大学 | 基于量子候鸟优化算法求解无等待流水调度问题的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896330B (zh) * | 2018-04-26 | 2020-01-31 | 红河学院 | 一种水电机组的故障诊断方法 |
CN109583638A (zh) * | 2018-11-16 | 2019-04-05 | 新疆大学 | 一种基于混合布谷鸟优化算法的多级水库优化调度方法 |
-
2019
- 2019-06-18 CN CN201910524792.5A patent/CN110261735B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2922028A1 (fr) * | 2007-10-05 | 2009-04-10 | Schneider Electric Ind Sas | Localisation d'un defaut dans un reseau de distribution publique moyenne tension |
CN102567781A (zh) * | 2011-12-20 | 2012-07-11 | 西北师范大学 | 一种基于神经网络的网络行为预测方法 |
CN102646982A (zh) * | 2012-04-26 | 2012-08-22 | 华北电力大学 | 一种含风电场的低碳发电调度方法 |
CN104834957A (zh) * | 2015-05-20 | 2015-08-12 | 华北电力大学 | 一种基于杜鹃搜索算法求解非线性规划模型的方法和装置 |
CN106028446A (zh) * | 2016-07-15 | 2016-10-12 | 西华大学 | 室内停车场定位方法 |
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力系统多目标无功优化的方法及系统 |
CN106338674A (zh) * | 2016-08-24 | 2017-01-18 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
CN109507538A (zh) * | 2018-12-19 | 2019-03-22 | 成都四方伟业软件股份有限公司 | 配电网的故障定位方法和装置 |
CN109829535A (zh) * | 2018-12-30 | 2019-05-31 | 安徽师范大学 | 基于量子候鸟优化算法求解无等待流水调度问题的方法 |
Non-Patent Citations (2)
Title |
---|
Irreversibility analysis for optimization design of plate fin heat exchangers using a multi-objective cuckoo search algorithm;Zhe Wang等;《ELSEVIER》;20150602;第129页第2栏至第131页第1栏 * |
基于收缩因子策略的布谷鸟搜索算法;时星;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415(第04期);第21页第3段至倒数第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110261735A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261735B (zh) | 基于改进量子布谷鸟算法的配电网故障定位方法 | |
Su et al. | Distribution network reconfiguration for loss reduction by ant colony search algorithm | |
Reddy | Optimal reactive power scheduling using cuckoo search algorithm | |
CN108776869A (zh) | 基于智能电表大数据分析的台区变压器三相不平衡治理方法 | |
Kavousi‐Fard et al. | Multi‐objective probabilistic reconfiguration considering uncertainty and multi‐level load model | |
CN105140917A (zh) | 适用于不确定性环境下的主动配电网鲁棒恢复控制方法 | |
Kavousi-Fard et al. | Stochastic framework for reliability enhancement using optimal feeder reconfiguration | |
CN103036234A (zh) | 一种配电网防误优化方法 | |
CN103903055B (zh) | 基于无向图所有生成树的网络重构方法 | |
Chu et al. | Application of novel charged system search with real number string for distribution system loss minimization | |
CN105305442A (zh) | 基于量子遗传算法的多目标智能配电网自愈恢复方法 | |
CN111030100B (zh) | 一种基于定制遗传的配电网pmu优化配置方法 | |
CN107846010B (zh) | 一种考虑合环约束的配电网重构方法 | |
CN104950676B (zh) | 时变电力系统自适应控制方法和装置 | |
Wu et al. | Feeder reconfiguration using binary coding particle swarm optimization | |
CN106485021B (zh) | 基于联络开关拓扑编码的矿井高压电网自动短路计算方法 | |
CN108334950A (zh) | 一种应用单亲遗传算法的配电网络重构方法 | |
CN112001474A (zh) | 一种配电网的配电终端设备优化配置方法 | |
CN110148936B (zh) | 有源配电网中柔性多状态开关与分布式电源的协调规划方法 | |
Barrios et al. | Fuzzy C-means rule generation for fuzzy entry temperature prediction in a hot strip mill | |
Li et al. | The hybrid differential evolution algorithm for optimal power flow based on simulated annealing and tabu search | |
Deng et al. | Multi-object reconfiguration for smart distribution network | |
Babu et al. | Implementation of ACO technique for load balancing through reconfiguration in electrical distribution system | |
CN109066675A (zh) | 一种用于配电网广域自愈系统的拓扑配置方法 | |
Behnamian et al. | Hybrid solving algorithm for complex machine scheduling problem |
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 |