CN110646707B - 一种基于微量处理法与粒子群算法的接地网故障诊断方法 - Google Patents
一种基于微量处理法与粒子群算法的接地网故障诊断方法 Download PDFInfo
- Publication number
- CN110646707B CN110646707B CN201910872297.3A CN201910872297A CN110646707B CN 110646707 B CN110646707 B CN 110646707B CN 201910872297 A CN201910872297 A CN 201910872297A CN 110646707 B CN110646707 B CN 110646707B
- Authority
- CN
- China
- Prior art keywords
- branch
- resistance
- particle
- value
- port
- 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
- G01R31/081—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于微量处理法与粒子群算法的接地网故障诊断方法,对接地网全部支路及节点进行编号,确定可及节点组合并排序;推算腐蚀前每组的端口电阻以及支路电流值,并测量腐蚀后每组的端口电阻;运用特勒根定理建立故障诊断模型,并运用线性化思想将模型进行微量处理,而后运用模型的解析性质求得问题的初始解;根据初始解可确定粒子群位置上下界,利用初始解可引导粒子群算法在此区域内进行深入优化。此算法可应用于故障支路多、腐蚀严重的大型接地网,其所求得的解可稳定收敛于真实解附近并获得较高精度。
Description
技术领域
本发明涉及接地网故障诊断领域,具体涉及一种结合微量处理法与粒子群算法的接地网故障诊断方法。
背景技术
接地网作为保证电力系统安全可靠运行、保障运行人员和电气设备安全的重要设施,起到均压和泄流的作用。因此,对接地网支路进行可靠的故障诊断是十分有必要的。但无论使用何种数学方法对接地网故障诊断模型建模,其模型都具有高维度、非线性特点。这一特点对故障诊断精度提出挑战。
发明内容
为了克服以上技术问题,本发明的目的在于提供一种结合微量处理法与粒子群算法的接地网故障诊断方法,其诊断结果既可以稳定收敛,又具有较好的准确度。
为实现上述目的,本发明采用如下的技术方案:
一种基于微量处理法与粒子群算法的接地网故障诊断方法,包括以下步骤:
(1)对接地网全部支路及节点进行编号,确定可及节点组合并排序;
(2)推算腐蚀前每组的端口电阻以及支路电流值,并测量腐蚀后每组的端口电阻;
(3)运用特勒根定理建立故障诊断模型,然后进行微量处理,再运用模型的解析性质求得初始解;
(4)根据初始解确定粒子群位置上下界,利用初始解引导粒子群算法在此区域内进行深入优化,实现接地网故障诊断。
本发明进一步的改进在于,具体包括以下步骤:
步骤二:将每个腐蚀前的端口电阻值组成腐蚀前端口电阻值列向量Rij;根据接地网的拓扑结构及腐蚀前的支路电阻推断每个组合x的在腐蚀前的支路k的电流Ik(x),x=1,2,...,m;k=1,2,...,b;
将每个组合的腐蚀后的端口电阻值组成腐蚀后端口电阻值列向量R’ij;
端口电阻值列向量的变化量ΔRij=R’ij-Rij;
步骤三:将端口电阻值列向量的变化量ΔRij进行微量化,得到端口电阻值列向量中间变量ΔRij0=ΔRij×ks,其中,ks为步长系数;且ΔRij0=(ΔRij0(1),ΔRij(2),...,ΔRij(m))T;令支路电流中间变量I'k(x)=Ik(x),x=1,2,...,m;k=1,2,...,b;将ΔRij0、I'k(x)、Ik(x)、I0代入方程组(15),利用L-M算法求解支路电阻变化量ΔRk;按支路编号顺序将各支路的电阻变化量ΔRk组成电阻变化量的列向量ΔR,即ΔR=(ΔR1,ΔR2,...,ΔRb)T;
其中,组合x的端口电阻的变化量ΔRij(x)是腐蚀后的端口电阻R’ij(x)与腐蚀前的端口电阻Rij(x)之差,Ik(x)为组合x的腐蚀前的支路电流,I'k(x)是腐蚀后的支路电流值,I0是激励电流源支路的电流值,ΔRk为腐蚀后的支路阻值变化量;令Rk为修正前的支路电阻诊断值,初值设置为Rk=Rorigin(k),k=1,2,...,b;其中Rorigin(k)为腐蚀前的支路k的电阻;
步骤四:令修正后的支路电阻诊断值R'k=Rk+ΔRk;通过修正后的支路电阻诊断值R'k推算各组合在修正电阻后的支路电流中间变量I'k(x),其中x=1,2,...,m,k=1,2,...,b;将ΔRij0、I'k(x)、Ik(x)、I0再代入方程组(15),利用L-M算法求解修正后的支路电阻变化量ΔR'k;按支路编号顺序将各支路修正后的支路电阻变化量ΔR'k组成修正后的阻值变化量的列向量ΔR',即ΔR'=(ΔR'1,ΔR'2,...,ΔR'b)T;
步骤五:判断‖ΔR-ΔR'‖2≤ε是否成立,若是,则转至步骤六;若否,则令ΔR=ΔR',转至步骤四;其中,ε为收敛精度;
步骤六:在支路k的电阻为修正后的支路电阻诊断值R'k的情况下,推求组合x的端口电阻,记为R”ij(x),并按照组合编号组成修正后的端口电阻列向量R”ij;令ΔRij=R’ij-R”ij;判断‖ΔRij‖2≤ε是否成立,若否,则转至步骤三;若是,则将各支路电阻诊断值Rk转化为支路增大倍数列向量X,然后采用粒子群算法继续判断接地网故障;其中,x=1,2,...,m;k=1,2,...,b;支路增大倍数列向量X的第k个元素代表第k条支路电阻增大倍数的诊断值。
本发明进一步的改进在于,步骤二中,腐蚀前的端口电阻值通过以下过程得到:先在腐蚀前的接地网的每个组合x中外加一电流为I0的恒定电流源,再推得每个组合的端口电压,每个组合x的端口电压与电流I0的比值,即为腐蚀前的端口电阻值Rij(x);
腐蚀后的端口电阻值通过以下过程得到:在腐蚀后的接地网的每个组合x中外加一电流为I0的恒定电流源,测量腐蚀后的端口电压,每个组合x的端口电压与电流I0的比值,即为腐蚀后的端口电阻值R’ij(x)。
本发明进一步的改进在于,步骤六中,采用粒子群算法判断接地网故障的具体过程如下:
步骤七:设粒子的个数为N,粒子维数为b;将粒子z在第t次迭代的位置定义为接地网发生严重腐蚀后,各支路阻值的诊断值与各支路腐蚀前的阻值之比,其形式为根据粒子位置推求各个组合对应的端口电阻并按顺序组成端口电阻列向量Rport(z);根据支路增大倍数列向量X各维的大小设置粒子各维的上下界,并设置迭代的上限次数tmax;根据支路增大倍数列向量X初始解设置粒子上下界;其中,z=1,2,…,N。
将支路增大倍数列向量X作为一个粒子的初始位置,其余N-1个粒子初始位置在上下界之间随机产生;设当前迭代步数t=0;
步骤八:t=t+1;更新粒子z在维数d上的速度与位置;
步骤十:判断是否有粒子越界;若有粒子z的第d维碰撞上界Bu(d)或下界Bd(d),则修改粒子位置和速度;
步骤十一:计算每个粒子的适应度,并记录每个粒子的最优位置及粒子群的最优位置;再判断是否达到迭代上限tmax,若是,则输出粒子群最优位置,即为诊断结果;若否,转至步骤八。
本发明进一步的改进在于,步骤七中,第d维的下界为Bd(d)=max{X(d)-5,1},第d维的上界为Bu(d)=X(d)+5。
本发明进一步的改进在于,步骤八中,更新粒子z在维数d上的速度与位置的具体过程如下:
其中,与为[0,1]上随机数;是粒子z在t次迭代中自身历史最优点在维数d上的值;是粒子群在t次迭代中历史最优点在维数d上的值;wt是惯性系数;为认知加速系数,为社会加速系数;是粒子z在维数d上的速度,是粒子z在维数d上的位置。
其中,wini、wfin分别是惯性系数的初值与终值,c1ini、c1fin分别是认知加速系数的初值与终值,c2ini、c2fin分别是社会加速系数的初值与终值,tmax是迭代步数上限。
本发明进一步的改进在于,wini=0.9,wfin=0.4,c1ini=c2fin=2.5,c1fin=c2ini=0.5。
本发明进一步的改进在于,若有粒子z的第d维碰撞上界Bu(d)或下界Bd(d),修改粒子速度的具体过程如下:
若有粒子z的第d维碰撞下界Bd(d),修改粒子位置的具体过程如下:
若有粒子z的第d维碰撞上界Bu(d),修正粒子位置的具体过程如下:
本发明进一步的改进在于,步骤十一中,粒子的适应度函数定义为:
与现有技术相比,本发明的有益效果为:
(a)本发明引入的L-M算法具有精度高、收敛速度快的性能,但L-M算法对初始值的选取有较高的要求,仅当初始值距离最优解较近时才展现出其优越性能;微量处理法实质是将非线性问题进行线性化,体现了接地网电阻支路腐蚀程度从小到大变化的动态过程,可以保证算法迭代方向的正确性,初步解决了因接地网腐蚀严重引起的灵敏度矩阵的不适用问题,并在微量处理过程中满足L-M算法对初始值选取的要求,使得微量处理法每次调用L-M算法时,迭代初值均可取为零值;将微量处理法和L-M算法结合起来可以确保迭代的正确方向,并快速得到一个接近接地网支路实际阻值变化倍数的初始解X,此初始解将引导后续的粒子群算法进行深入优化;粒子群算法具有并行求解、全局寻优能力,并且在一定程度上弥补了微量处理法和L-M算法造成的线性化误差,但如果粒子群算法在解空间中进行盲目的搜索将使得计算效率降低,并且不能保证解的正确性,而初始解X能引导粒子群算法避开此问题,减少粒子群算法对高维解空间里无效区域的搜索。
(b)初始解X锁定真实解的大致范围,对粒子群算法中粒子位置的上下界提供了较为合理的依据。此算法有效避免粒子群算法陷入无效区域的局部最优解,既可保证收敛效果又可提高准确度。
(c)此混合算法既保留了L-M算法高精度、高收敛速度的优越性能以及微量处理法的方向性,又保留了粒子群算法的并行求解、全局寻优能力。此算法可应用于故障支路多、腐蚀严重的大型接地网,其所求得的解可稳定收敛于真实解附近并获得较高精度。
附图说明
图1为本发明的整体流程图。
图2为西北某变电站接地网算例的实际拓扑图。
图3为算例的诊断倍数结果展示图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明包括以下步骤:
(1)对接地网全部支路及节点进行编号,确定可及节点组合并排序;(2)推算腐蚀前每组的端口电阻以及支路电流值,并测量腐蚀后每组的端口电阻;(3)运用特勒根定理建立故障诊断模型,并运用线性化思想将模型进行微量处理,而后运用模型的解析性质求得问题的初始解;(4)根据初始解可确定粒子群位置上下界,利用初始解可引导粒子群算法在此区域内进行深入优化。此算法可应用于故障支路多、腐蚀严重的大型接地网,其所求得的解可稳定收敛于真实解附近并获得较高精度。
本发明中首先说明方程组(14)的得到的过程。
设架设在端口组合为(i,j)的激励支路编号为b+1,腐蚀前的电流、电压记为I、U,将腐蚀后的电流、电压记为I'、U'。根据特勒根定理可得:
将激励支路单独列出可得:
另外有:
Ib+1=I'b+1=I0 (5)
Ub+1=-RijIb+1=-RijI0 (6)
U'b+1=-R’ijI'b+1=-R’ijI0 (7)
Uk=RkIk (8)
U'k=R'kI'k (9)
Rb+1=R'b+1 (10)
将式(5)~(10)带入(3)与(4)可得:
式(11)与(12)相减可得:
对于一个有m种组合的接地网,则可以列出一个含有m个方程的方程组:
其中,组合x的端口电阻的变化量ΔRij(x)是腐蚀后的端口电阻R’ij(x)与腐蚀前的端口电阻Rij(x)之差,组合x的腐蚀前的支路电流Ik(x)是根据实际接地网结构推求出的,I'k(x)是腐蚀后的支路电流值,I0是激励电流源支路的电流值,腐蚀后的支路阻值变化量ΔRk是待求量。选择不同激励组合便可以获得一个由多个方程组成的方程组,若能求解此方程组即可求得各支路电阻增量。
为准确计算各支路的电阻增量,本发明采用的技术方案是使用一种包括确定性算法部分和随机性算法部分的混合算法。确定性算法部分主要包括L-M算法、微量处理法,随机性算法部分包括粒子群算法。
参见图1,本发明的具体步骤如下:
步骤一:对于具有n个节点(其中n为自然数,n中有l个可及节点)、b条支路的接地网,根据该接地网的拓扑结构,对接地网的所有节点和支路进行编号;在所有可及节点中任选两个节点即可构成一个组合,则共有种不同组合。
步骤二:先在腐蚀前的接地网的每个组合中外加一电流为I0的恒定电流源,再推得每个组合的端口电压,每个组合的端口电压与电流I0的比值,即为腐蚀前的端口电阻值Rij(x),然后按顺序组成腐蚀前端口电阻值列向量,记为Rij;根据接地网的拓扑结构及腐蚀前的支路电阻推断每个组合x的在腐蚀前的支路k的电流Ik(x)(x=1,2,...,m;k=1,2,...,b);将腐蚀前的支路k的电阻记作Rorigin(k),记修正前的支路k的电阻诊断值为Rk,并令其初始值Rk=Rorigin(k)。
在腐蚀后的接地网的每个组合中外加一电流为I0的恒定电流源,测量腐蚀后的端口电阻值R’ij(x),并按顺序组成腐蚀后端口电阻值列向量,记为R’ij。
从而得到端口电阻值列向量的变化量ΔRij=R’ij-Rij;
步骤三:将端口电阻值列向量的变化量ΔRij进行微量化,得到端口电阻值列向量中间变量ΔRij0=ΔRij×ks(ks为步长系数,为一很小的正数,如0.01),其形式为ΔRij0=(ΔRij0(1),ΔRij(2),...,ΔRij(m))T。令支路电流中间变量I'k(x)=Ik(x)(x=1,2,...,m;k=1,2,...,b)。此时故障诊断方程由式(14)转化为式(15)。将ΔRij0、I'k(x)、Ik(x)、I0代入方程组(15),利用L-M算法求解出支路k的电阻变化量ΔRk。按支路编号顺序将各支路的修正后的支路电阻变化量ΔR'k组成电阻变化量的列向量ΔR,即ΔR=(ΔR1,ΔR2,...,ΔRb)T。
步骤四:令R'k=Rk+ΔRk,其中,R'k(x=1,2,...,m;k=1,2,...,b)为修正后的支路电阻诊断值。通过R'k和电路理论推算各组合x在修正电阻后的每条支路电流中间变量I'k(x),其中x=1,2,...,m,k=1,2,...,b。将ΔRij0、I'k(x)、Ik(x)、I0再代入方程组(15),利用L-M算法求解出修正后的每条支路电阻变化量ΔR'k。按支路编号顺序将各支路修正后的电阻变化量组成修正后的阻值变化量的列向量ΔR',即ΔR'=(ΔR’1,ΔR'2,...,ΔR’b)T。
步骤五:判断‖ΔR-ΔR'‖2≤ε是否成立,若是,则转至步骤六;若否,则令ΔR=ΔR',转至步骤四。其中,ε为收敛精度,一般为很小的正数,如0.001。
步骤六:在支路k的电阻为修正后的支路电阻诊断值R'k的情况下,根据电路理论推求组合x的端口电阻,记为R”ij(x),并按照组合编号组成修正后的端口电阻列向量R”ij;令ΔRij=R’ij-R”ij。判断‖ΔRij‖2≤ε是否成立,若否,则转至步骤三;若是,则将支路电阻诊断值Rk转化为支路增大倍数列向量X,进入步骤七。
其中,x=1,2,...,m;k=1,2,...,b;支路增大倍数列向量X的第k个元素代表第k条支路电阻增大倍数的诊断值,即X(k)=Rk/Rorigin(k)。
步骤七:设粒子的个数为N,粒子维数为b。将粒子z(z=1,2,…,N)在第t次迭代的位置定义为接地网发生严重腐蚀后,各支路阻值的诊断值与各支路腐蚀前的阻值之比,其形式为根据粒子位置推求各个组合对应的端口电阻并按顺序组成端口电阻列向量Rport(z)。根据支路增大倍数列向量X各维的大小设置粒子各维的上下界,并设置迭代的上限次数tmax;根据支路增大倍数列向量X初始解设置粒子上下界,如第d维的下界为Bd(d)=max{X(d)-5,1},第d维的上界为Bu(d)=X(d)+5。
将步骤六中支路增大倍数列向量X作为一个粒子的初始位置,其余N-1个粒子初始位置在上下界之间随机产生。设当前迭代步数t=0;粒子的适应度函数定义为:
步骤八:t=t+1;更新粒子z在维数d上的速度与位置:
其中,与为[0,1]上随机数。是粒子z在t次迭代中自身历史最优点在维数d上的值;是粒子群在t次迭代中历史最优点在维数d上的值;wt是惯性系数,是控制粒子速度的权重;为认知加速系数,为社会加速系数。是粒子z在维数d上的速度,是粒子z在维数d上的位置。
其中,wini、wfin分别是惯性系数的初值与终值,c1ini、c1fin分别是认知加速系数的初值与终值,c2ini、c2fin分别是社会加速系数的初值与终值,tmax是迭代步数上限。本发明取wini=0.9,wfin=0.4,c1ini=c2fin=2.5,c1fin=c2ini=0.5。
步骤十:判断是否有粒子越界。
若有粒子z的第d维碰撞下界Bd(d),则修改粒子位置和速度:
若有粒子z的第d维碰撞上界Bu(d),则修正粒子速度同上,粒子位置如下:
步骤十一:计算每个粒子的适应度,并记录每个粒子的最优位置及粒子群的最优位置。判断是否达到迭代上限tmax,若是,则输出粒子群最优位置,即为诊断结果;若否,转至步骤八。
下面为一个具体实例。
以西北某变电站接地网为例,参见图2,此接地网具有54条支路,35个节点,其中可及节点19个,为2、3、6、8、10、12、14、16、18、21、23、25、26、27、29、30、33、34和0号参考节点。
考虑到测试环境可能会对测试结果造成影响,因此需要注意以下几点:待测电压值一般仅为几十到上百毫伏,且变电站正常运行时的电磁干扰可能会对测量过程产生一定程度的影响,因此可将单片集成测量放大器作为测量系统的前置放大器。此类放大器具有高稳定电压增益、较强的抗共模干扰能力,可抑制待测信号中的共模干扰信号并放大有效电压值,以便电压表测量。常见的测量放大器有很多种,如AD521、AD522等。
第二步,根据接地网实际的拓扑结构和腐蚀前的支路电阻值,依次用30A恒流电流源激励各个组合,推断每组端口对应的端口电阻值及所有支路的支路电流;针对腐蚀后的接地网,依次用30A恒流电流源激励各个组合,记录各组合的电压值,并除以30A得出相应的端口电阻值。
第三步,根据拓扑结构以及腐蚀前后的端口电阻、支路电阻等参数建立故障诊断数学模型。将确定性算法应用于此数学模型,得到一个初始解。
第四步,接收上一步得到的初始解,根据此解确定模型解的取值范围,作为粒子群的上下界;取粒子个数为500,迭代上限为5000代。将此初始解作为一个粒子的初始位置,并将其余粒子初始位置在上下界间随机生成;启动粒子群算法,直至达到迭代上限。通过计算可得到一组此模型的诊断值。
将诊断结果展示于表1:
表1算例1的诊断结果
根据表1的计算结果,在全部54条支路中,统计出诊断值处于真实值±5%误差范围内的支路数为35条。诊断结果与实际结果的对比如图3所示。从图3可以看出,此发明所提算法的诊断值与真实值较为接近。
另外,此处还统计了微量处理法单独求解此算例时,诊断值处于真实值±5%误差范围内的支路数仅为24条;粒子群算法单独求解此算例时,诊断值处于真实值±5%误差范围内的支路数为2条。这说明了将微量处理法和粒子群算法结合的必要性。
Claims (9)
1.一种基于微量处理法与粒子群算法的接地网故障诊断方法,其特征在于,包括以下步骤:
(1)对接地网全部支路及节点进行编号,确定可及节点组合并排序;
(2)推算腐蚀前每组的端口电阻以及支路电流值,并测量腐蚀后每组的端口电阻;
(3)运用特勒根定理建立故障诊断模型,然后进行微量处理,再运用模型的解析性质求得初始解;
(4)根据初始解确定粒子群位置上下界,利用初始解引导粒子群算法在此区域内进行深入优化,实现接地网故障诊断;
具体包括以下步骤:
步骤二:将每个腐蚀前的端口电阻值组成腐蚀前端口电阻值列向量Rij;根据接地网的拓扑结构及腐蚀前的支路电阻推断每个组合x的在腐蚀前的支路k的电流Ik(x),x=1,2,...,m;k=1,2,...,b;
将每个组合的腐蚀后的端口电阻值组成腐蚀后端口电阻值列向量R′ij;
端口电阻值列向量的变化量ΔRij=R′ij-Rij;
步骤三:将端口电阻值列向量的变化量ΔRij进行微量化,得到端口电阻值列向量中间变量ΔRij0=ΔRij×ks,其中,ks为步长系数;且ΔRij0=(ΔRij0(1),ΔRij(2),...,ΔRij(m))T;令支路电流中间变量I′k(x)=Ik(x),x=1,2,...,m;k=1,2,...,b;将ΔRij0、I′k(x)、Ik(x)、I0代入方程组(15),利用L-M算法求解支路电阻变化量ΔRk;按支路编号顺序将各支路的电阻变化量ΔRk组成阻值变化量列向量ΔR,即ΔR=(ΔR1,ΔR2,...,ΔRb)T;
其中,组合x的端口电阻的变化量ΔRij(x)是腐蚀后的端口电阻R′ij(x)与腐蚀前的端口电阻Rij(x)之差,Ik(x)为组合x的腐蚀前的支路电流,I′k(x)是腐蚀后的支路电流值,I0是激励电流源支路的电流值,ΔRk为腐蚀后的支路阻值变化量;令Rk为修正前的支路电阻诊断值,初值设置为Rk=Rorigin(k),k=1,2,...,b;其中Rorigin(k)为腐蚀前的支路k的电阻;
步骤四:令修正后的支路电阻诊断值R′k=Rk+ΔRk;通过修正后的支路电阻诊断值R′k推算各组合在修正电阻后的支路电流中间变量I′k(x);将ΔRij0、I′k(x)、Ik(x)、I0再代入方程组(15),利用L-M算法求解修正后的支路电阻变化量ΔR′k;按支路编号顺序将各支路的修正后的支路电阻变化量ΔR′k组成修正后的阻值变化量列向量ΔR′,即ΔR′=(ΔR′1,ΔR′2,...,ΔR′b)T;
步骤五:判断||ΔR-ΔR′||2≤ε是否成立,若是转至步骤六;若否,则令ΔR=ΔR′,转至步骤四;其中,ε为收敛精度;
步骤六:在支路k的电阻为修正后的支路电阻诊断值R′k的情况下,推求组合x的端口电阻,记为R″ij(x),并按照组合编号组成修正后的端口电阻列向量R″ij;令ΔRij=R′ij-R″ij;判断||ΔRij||2≤ε是否成立,若否,则转至步骤三;若是,则将支路电阻诊断值Rk转化为支路增大倍数列向量X,然后采用粒子群算法判断接地网故障;其中,支路增大倍数列向量X的第k个元素代表第k条支路电阻增大倍数的诊断值。
2.根据权利要求1所述的一种基于微量处理法与粒子群算法的接地网故障诊断方法,其特征在于,步骤二中,腐蚀前的端口电阻值通过以下过程得到:先在腐蚀前的接地网的每个组合x中外加一电流为I0的恒定电流源,再推得每个组合的端口电压,每个组合x的端口电压与电流I0的比值,即为腐蚀前的端口电阻值Rij(x);
腐蚀后的端口电阻值通过以下过程得到:在腐蚀后的接地网的每个组合x中外加一电流为I0的恒定电流源,测量腐蚀后的端口电压,每个组合x的端口电压与电流I0的比值,即为腐蚀后的端口电阻值R′ij(x)。
3.根据权利要求1所述的一种基于微量处理法与粒子群算法的接地网故障诊断方法,其特征在于,步骤六中,采用粒子群算法判断接地网故障的具体过程如下:
步骤七:设粒子的个数为N,粒子维数为b;将粒子z在第t次迭代的位置定义为接地网发生严重腐蚀后,各支路阻值的诊断值与各支路腐蚀前的阻值之比,其形式为根据粒子位置推求各个组合对应的端口电阻并按顺序组成端口电阻列向量Rport(z);根据支路增大倍数列向量X各维的大小设置粒子各维的上下界,并设置迭代的上限次数tmax;根据支路增大倍数列向量X初始解设置粒子上下界;其中,z=1,2,…,N;
将支路增大倍数列向量X作为一个粒子的初始位置,其余N-1个粒子初始位置在上下界之间随机产生;设当前迭代步数t=0;
步骤八:t=t+1;更新粒子z在维数d上的速度与位置;
步骤十:判断是否有粒子越界;若有粒子z的第d维碰撞上界Bu(d)或下界Bd(d),则修改粒子位置和速度;
步骤十一:计算每个粒子的适应度,并记录每个粒子的最优位置及粒子群的最优位置;再判断是否达到迭代上限tmax,若是,则输出粒子群最优位置,即为诊断结果;若否,转至步骤八。
4.根据权利要求3所述的一种基于微量处理法与粒子群算法的接地网故障诊断方法,其特征在于,步骤七中,第d维的下界为Bd(d)=max{X(d)-5,1},第d维的上界为Bu(d)=X(d)+5。
7.根据权利要求6所述的一种基于微量处理法与粒子群算法的接地网故障诊断方法,其特征在于,wini=0.9,wfin=0.4,c1ini=c2fin=2.5,c1fin=c2ini=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872297.3A CN110646707B (zh) | 2019-09-16 | 2019-09-16 | 一种基于微量处理法与粒子群算法的接地网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872297.3A CN110646707B (zh) | 2019-09-16 | 2019-09-16 | 一种基于微量处理法与粒子群算法的接地网故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110646707A CN110646707A (zh) | 2020-01-03 |
CN110646707B true CN110646707B (zh) | 2020-06-19 |
Family
ID=68991887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910872297.3A Active CN110646707B (zh) | 2019-09-16 | 2019-09-16 | 一种基于微量处理法与粒子群算法的接地网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110646707B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241782B (zh) * | 2020-01-07 | 2023-07-25 | 深圳英嘉通半导体有限公司 | 基于集成电路的供电噪声分析方法 |
CN113406434B (zh) * | 2021-05-14 | 2022-05-31 | 杭州电子科技大学 | 基于参数故障特性的svg动态参数分段优化辨识方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809714A (zh) * | 2012-08-02 | 2012-12-05 | 兰州交通大学 | 一种牵引变电所接地网腐蚀故障诊断方法 |
CN103605042B (zh) * | 2013-08-27 | 2017-03-15 | 上海交通大学 | 基于自适应粒子群算法的接地网故障诊断方法 |
US9911219B2 (en) * | 2015-05-13 | 2018-03-06 | Intel Corporation | Detection, tracking, and pose estimation of an articulated body |
CN107632231B (zh) * | 2017-10-30 | 2021-04-13 | 陕西省地方电力设计有限公司 | 一种使用多激励源的变电站接地网腐蚀故障在线诊断方法 |
-
2019
- 2019-09-16 CN CN201910872297.3A patent/CN110646707B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110646707A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845010B (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
CN110646707B (zh) | 一种基于微量处理法与粒子群算法的接地网故障诊断方法 | |
CN110659722B (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
CN111624389B (zh) | 一种用于倾斜多导体系统的电流测量系统及方法 | |
CN101635457B (zh) | 一种基于状态估计残差参数灵敏度的电网参数估计方法 | |
CN109839583B (zh) | 基于改进遗传算法的模拟电路多故障诊断方法 | |
CN110162871B (zh) | 一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法 | |
CN110398782A (zh) | 一种重力数据和重力梯度数据联合正则化反演方法 | |
CN111046327B (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN101894296B (zh) | 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法 | |
CN109754013B (zh) | 一种基于无迹卡尔曼滤波的电力系统混合量测融合方法 | |
CN110376290B (zh) | 基于多维核密度估计的声发射源定位方法 | |
CN106295908A (zh) | 一种svm风电功率预测方法 | |
CN110673196A (zh) | 一种基于多维标定和多项式求根的时差定位方法 | |
CN107632231B (zh) | 一种使用多激励源的变电站接地网腐蚀故障在线诊断方法 | |
CN113253050B (zh) | 一种基于鲸鱼优化卡尔曼滤波算法的行波故障测距方法 | |
CN109033181B (zh) | 一种复杂地形地区风场地理数值模拟方法 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN109193665A (zh) | 一种基于scada量测的电网支路静态参数辨识方法 | |
CN110824570B (zh) | 一种三轴磁传感器的本体磁性校正方法 | |
CN104865228A (zh) | 基于融合熵优化求解的定量激光诱导击穿光谱检测方法 | |
CN110186482B (zh) | 一种提高惯性制导航天器的落点精度的方法 | |
CN113553538B (zh) | 一种递推修正混合线性状态估计方法 | |
CN115293090A (zh) | 基于重构数据处理的多谐波源责任量化方法 |
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 |