CN111080024A - 一种用于电压暂降治理设备最优配置的方法 - Google Patents

一种用于电压暂降治理设备最优配置的方法 Download PDF

Info

Publication number
CN111080024A
CN111080024A CN201911357004.4A CN201911357004A CN111080024A CN 111080024 A CN111080024 A CN 111080024A CN 201911357004 A CN201911357004 A CN 201911357004A CN 111080024 A CN111080024 A CN 111080024A
Authority
CN
China
Prior art keywords
voltage
fault
prey
voltage sag
equipment
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
Application number
CN201911357004.4A
Other languages
English (en)
Inventor
谢伟伦
薛峰
陈世昌
陈欣晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201911357004.4A priority Critical patent/CN111080024A/zh
Publication of CN111080024A publication Critical patent/CN111080024A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例公开了一种用于电压暂降治理设备最优配置的方法，包括如下步骤：步骤100、建立系统拓扑模型及参数；步骤200、利用二型模糊系统结合蒙特卡洛模拟方法选择故障点和故障类型；步骤300、根据故障点和故障类型计算各节点由故障引起的电压偏差；步骤400、以电压暂降治理设备安装成本及电压偏离作为目标函数，电压限值及设备容量限制作为约束条件，利用鲸鱼算法选出最佳设备。本发明通过利用二型模糊系统结合蒙特卡洛模拟方法对配电网故障点及故障类型进行选择，在此基础上利用鲸鱼算法对电压暂降治理设备成本及电压偏移进行最优化计算，得到成本最低的电压暂降治理设备以及配置方案，在保证治理效果的同时，做到成本最低。

Description

一种用于电压暂降治理设备最优配置的方法
技术领域
本发明实施例涉及电力技术领域，具体涉及一种用于电压暂降治理设备最优配置的方法。
背景技术
电压暂降是电能质量中最受关注的问题之一，国际电气与电子工程师协会(IEEE)将其定义为供电电压均方根值快速下降至额定值的90％～10％，持续时间为0.5周波至30周波的电能质量事件。在城市中，例如医院、商场、学校等重点用户集中的中小型配电区域，电压暂降导致的生产经济损失日益严重。
因此需要在这些区域布置合适的电压暂降治理设备，现有的电压暂降设备根据不同的容量与类型，安装成本与维护成本也有较大的差距，如何保证在有效治理电压暂降问题的同时使得选择最优的电压暂降设备是需要研究的问题。
为了结局上述问题，现有技术中是通过将电压暂降治理设备的成本以及系统电压偏差作为目标函数，利用鲸鱼优化方法进行了电压暂降治理设备的最优配置，达到了电压暂降治理效果最佳，设备成本最低的目的。
但是现有的研究主要集中于电压暂降治理点的选取以及治理效果的研究，对治理设备的选择主要是经验为主，如何用科学的方法来达到治理效果与设备成本的控制以及最优配置是需要研究的问题。另外，现有的电压暂降监测点的选取方法大多比较复杂，如何利用高效简单的方法对城市中小型配电系统的电压暂降故障点位置与类型进行分析，用来确认电压暂降质量设备的安装位置是需要研究的。
发明内容
为此，本发明实施例提供一种用于电压暂降治理设备最优配置的方法，以解决现有技术中治理设备选择以及监测点选择复杂的问题。
为了实现上述目的，本发明的实施方式提供如下技术方案：
一种用于电压暂降治理设备最优配置的方法，包括如下步骤：
步骤100、建立系统拓扑模型及参数；
步骤200、利用二型模糊系统结合蒙特卡洛模拟方法选择故障点和故障类型；
步骤300、根据故障点和故障类型计算各节点由故障引起的电压偏差；
步骤400、以电压暂降治理设备安装成本及电压偏离作为目标函数，电压限值及设备容量限制作为约束条件，利用鲸鱼算法选出最佳设备。
作为本发明的一种优选方案，在步骤100中，以采集电网参数作为建立系统拓扑模型及参数的依据，所述电网参数包括各节点参考电压，线路阻抗z，以及各节点所接的负荷PQ。
作为本发明的一种优选方案，建立的系统拓扑结构中包括母线、线路信息的矩阵。
作为本发明的一种优选方案，在步骤200中，利用二型模糊系统结合蒙特卡洛模拟方法选择故障点和故障类型的具体步骤为：
步骤201、利用二型模糊系统进行系统线路各节点故障率的判断；
步骤202、根据线路各节点的故障率，利用蒙特卡洛模拟，针对故障点以及故障点发生对称或不对称故障的类型进行估计和选择。
作为本发明的一种优选方案，在步骤300中，计算各节点由故障引起的电压偏差的具体步骤为：根据步骤200所选择的故障点及相应的故障类型，进行故障发生后的系统潮流分析，计算各节点电压偏差。
作为本发明的一种优选方案，在步骤400中，优化的具体方法为：
步骤401、建立不同电压暂降治理设备的参数和价格表，建立目标函数；
步骤402、通过鲸鱼算法进行优化，鲸鱼算法是根据座头鲸包围猎物、捕食猎物、搜索猎物的行为来建立的数学模型；
步骤403、通过算法计算优化出最佳设备。
作为本发明的一种优选方案，目标函数是安装设备成本最小，电压偏差值最小，数学表达式如下：
目标函数：OF＝min(F1,F2)；
其中：
F1为电压暂降治理设备安装成本，F1＝K.Cost install，K为计算常数，Costinstall为价格常数；
F2为系统最小电压偏差，
Figure RE-GDA0002399577450000031
其中
Figure RE-GDA0002399577450000032
V为不同情况下的母线电压，B为系统母线数。
作为本发明的一种优选方案，在建立目标函数之后，确定约束条件，并以约束条件进行优化，所述约束条件包括母线电压限制和电压暂降治理设备容量限制；
母线电压限制：Vi-min≤|Vi|≤Vi-max；
电压暂降治理设备容量限制：SV_min≤SV≤SV_max。
作为本发明的一种优选方案，所述鲸鱼算法具体包括包围猎物、捕食猎物和搜索猎物；
包围猎物：在寻找到猎物之后，通过气泡制造气泡网，能够迅速包围猎物，并不断更新位置，以当前处在最佳围捕位置的鲸鱼位置为目标猎物或者接近最佳目标猎物，位置更新的数学表达式为：
Figure RE-GDA0002399577450000033
式中，t为当前迭代次数；
Figure RE-GDA0002399577450000034
为系数相量，
Figure RE-GDA0002399577450000035
为猎物位置向量，
Figure RE-GDA0002399577450000036
为鲸鱼位置相量，其中：
Figure RE-GDA0002399577450000037
Figure RE-GDA0002399577450000038
为每次迭代从2下降至0的线性相量，
Figure RE-GDA0002399577450000039
为0和1之间的随机相量；
捕食猎物：以螺旋状运动的方式进行狩猎行为，数学模型为：
Figure RE-GDA00023995774500000310
其中
Figure RE-GDA00023995774500000311
在路径选择时，遵循以下数学公式：
Figure RE-GDA00023995774500000312
其中，p为0和1之间的随机数。
搜索猎物：
Figure RE-GDA0002399577450000041
的变化为目标参数，由于是随机搜索猎物，此时
Figure RE-GDA0002399577450000042
大于1或者小于-1，这保证了搜索是全局的，数学表达式：
Figure RE-GDA0002399577450000043
Figure RE-GDA0002399577450000044
为一个随机鲸鱼的随机向量。
作为本发明的一种优选方案，在步骤403中的算法具体为：
初始化鲸鱼种群Xi(i＝1，2，3…n)，初始化a，A，C；
计算每一个搜索种群的适应度，X*＝最佳搜索种群；
Figure RE-GDA0002399577450000045
此时更新a，A，C，更新X*；
当有更好选择时执行下列算法：
t＝t+1
end while
return X*。
本发明的实施方式具有如下优点：
本发明对于中小型的配电区域，所提方法对不特定的配网结构进行故障点及故障类型进行选择，通过利用二型模糊系统结合蒙特卡洛模拟方法对配电网故障点及故障类型进行选择，在此基础上利用鲸鱼算法对电压暂降治理设备成本及电压偏移进行最优化计算，得到成本最低的电压暂降治理设备以及配置方案，并在此基础上进行最优化的电压暂降治理设备选取及配置，在保证治理效果的同时，做到成本最低。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施方式中的流程示意图；
图2为本发明实施方式中通过鲸鱼算法优化的流程示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“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。需要说明的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示，本发明提供了一种基于二型模糊系统结合蒙特卡洛模拟来估计系统故障发生点以及故障类型，并在此基础上利用鲸鱼算法进行最优电压暂降治理选择的方法。
具体包括如下步骤：
步骤100、建立系统拓扑模型及参数；
步骤200、利用二型模糊系统结合蒙特卡洛模拟方法选择故障点和故障类型；
步骤300、根据故障点和故障类型计算各节点由故障引起的电压偏差；
步骤400、以电压暂降治理设备安装成本及电压偏离作为目标函数，电压限值及设备容量限制作为约束条件，利用鲸鱼算法选出最佳设备。
在步骤100中，以采集电网参数作为建立系统拓扑模型及参数的依据，所述电网参数包括各节点参考电压，线路阻抗z，以及各节点所接的负荷PQ。
建立的系统拓扑结构中包括母线、线路信息的矩阵。
在步骤200中，利用二型模糊系统结合蒙特卡洛模拟方法选择故障点和故障类型的具体步骤为：
步骤201、利用二型模糊系统进行系统线路各节点故障率的判断；
步骤202、根据线路各节点的故障率，利用蒙特卡洛模拟，针对故障点以及故障点发生对称或不对称故障的类型进行估计和选择。
在步骤300中，计算各节点由故障引起的电压偏差的具体步骤为：根据步骤200所选择的故障点及相应的故障类型，进行故障发生后的系统潮流分析，计算各节点电压偏差。
在步骤400中，如图2所示，优化的具体方法为：
步骤401、建立不同电压暂降治理设备的参数和价格表，建立目标函数；
步骤402、通过鲸鱼算法进行优化，鲸鱼算法是根据座头鲸包围猎物、捕食猎物、搜索猎物的行为来建立的数学模型；
步骤403、通过算法计算优化出最佳设备。
目标函数是安装设备成本最小，电压偏差值最小，数学表达式如下：
目标函数：OF＝min(F1,F2)；
其中：
F1为电压暂降治理设备安装成本，F1＝K.Cost install，K为计算常数，Costinstall为价格常数；
F2为系统最小电压偏差，
Figure RE-GDA0002399577450000071
其中
Figure RE-GDA0002399577450000072
V为不同情况下的母线电压，B为系统母线数。
在建立目标函数之后，确定约束条件，并以约束条件进行优化，所述约束条件包括母线电压限制和电压暂降治理设备容量限制；
母线电压限制：Vi-min≤|Vi|≤Vi-max；
电压暂降治理设备容量限制：SV_min≤SV≤SV_max。
所述鲸鱼算法具体包括包围猎物、捕食猎物和搜索猎物；
包围猎物：在寻找到猎物之后，通过气泡制造气泡网，能够迅速包围猎物，并不断更新位置，以当前处在最佳围捕位置的鲸鱼位置为目标猎物或者接近最佳目标猎物，位置更新的数学表达式为：
Figure RE-GDA0002399577450000073
式中，t为当前迭代次数；
Figure RE-GDA0002399577450000074
为系数相量，
Figure RE-GDA0002399577450000075
为猎物位置向量，
Figure RE-GDA0002399577450000076
为鲸鱼位置相量，其中：
Figure RE-GDA0002399577450000077
Figure RE-GDA0002399577450000078
为每次迭代从2下降至0的线性相量，
Figure RE-GDA0002399577450000079
为0和1之间的随机相量；
捕食猎物：以螺旋状运动的方式进行狩猎行为，数学模型为：
Figure RE-GDA00023995774500000710
其中
Figure RE-GDA00023995774500000711
在路径选择时，遵循以下数学公式：
Figure RE-GDA00023995774500000712
其中，p为0和1之间的随机数。
搜索猎物：
Figure RE-GDA00023995774500000713
的变化为目标参数，由于是随机搜索猎物，此时
Figure RE-GDA00023995774500000714
大于1或者小于-1，这保证了搜索是全局的，数学表达式：
Figure RE-GDA00023995774500000715
Figure RE-GDA00023995774500000716
为一个随机鲸鱼的随机向量。
，在步骤403中的算法具体为：
初始化鲸鱼种群Xi(i＝1，2，3…n)，初始化a，A，C；
计算每一个搜索种群的适应度，X*＝最佳搜索种群；
Figure RE-GDA0002399577450000081
此时更新a，A，C，更新X*；
当有更好选择时执行下列算法：
t＝t+1
end while
return X*。
本发明对于中小型的配电区域，所提方法对不特定的配网结构进行故障点及故障类型进行选择，通过利用二型模糊系统结合蒙特卡洛模拟方法对配电网故障点及故障类型进行选择，在此基础上利用鲸鱼算法对电压暂降治理设备成本及电压偏移进行最优化计算，得到成本最低的电压暂降治理设备以及配置方案，并在此基础上进行最优化的电压暂降治理设备选取及配置，在保证治理效果的同时，做到成本最低。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用于电压暂降治理设备最优配置的方法，其特征在于，包括如下步骤：
步骤100、建立系统拓扑模型及参数；
步骤200、利用二型模糊系统结合蒙特卡洛模拟方法选择故障点和故障类型；
步骤300、根据故障点和故障类型计算各节点由故障引起的电压偏差；
步骤400、以电压暂降治理设备安装成本及电压偏离作为目标函数，电压限值及设备容量限制作为约束条件，利用鲸鱼算法选出最佳设备。
2.根据权利要求1所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，在步骤100中，以采集电网参数作为建立系统拓扑模型及参数的依据，所述电网参数包括各节点参考电压，线路阻抗z，以及各节点所接的负荷PQ。
3.根据权利要求1所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，建立的系统拓扑结构中包括母线、线路信息的矩阵。
4.根据权利要求1所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，在步骤200中，利用二型模糊系统结合蒙特卡洛模拟方法选择故障点和故障类型的具体步骤为：
步骤201、利用二型模糊系统进行系统线路各节点故障率的判断；
步骤202、根据线路各节点的故障率，利用蒙特卡洛模拟，针对故障点以及故障点发生对称或不对称故障的类型进行估计和选择。
5.根据权利要求1所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，在步骤300中，计算各节点由故障引起的电压偏差的具体步骤为：根据步骤200所选择的故障点及相应的故障类型，进行故障发生后的系统潮流分析，计算各节点电压偏差。
6.根据权利要求1所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，在步骤400中，优化的具体方法为：
步骤401、建立不同电压暂降治理设备的参数和价格表，建立目标函数；
步骤402、通过鲸鱼算法进行优化，鲸鱼算法是根据座头鲸包围猎物、捕食猎物、搜索猎物的行为来建立的数学模型；
步骤403、通过算法计算优化出最佳设备。
7.根据权利要求6所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，目标函数是安装设备成本最小，电压偏差值最小，数学表达式如下：
目标函数：OF＝min(F1,F2)；
其中：
F1为电压暂降治理设备安装成本，F1＝K.Cost install，K为计算常数，Costinstall为价格常数；
F2为系统最小电压偏差，
Figure RE-FDA0002399577440000021
其中
Figure RE-FDA0002399577440000022
V为不同情况下的母线电压，B为系统母线数。
8.根据权利要求7所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，在建立目标函数之后，确定约束条件，并以约束条件进行优化，所述约束条件包括母线电压限制和电压暂降治理设备容量限制；
母线电压限制：Vi-min≤|Vi|≤Vi-max；
电压暂降治理设备容量限制：SV_min≤SV≤SV_max。
9.根据权利要求6所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，所述鲸鱼算法具体包括包围猎物、捕食猎物和搜索猎物；
包围猎物：在寻找到猎物之后，通过气泡制造气泡网，能够迅速包围猎物，并不断更新位置，以当前处在最佳围捕位置的鲸鱼位置为目标猎物或者接近最佳目标猎物，位置更新的数学表达式为：
Figure RE-FDA0002399577440000023
式中，t为当前迭代次数；
Figure RE-FDA0002399577440000024
为系数相量，
Figure RE-FDA0002399577440000025
为猎物位置向量，
Figure RE-FDA0002399577440000026
为鲸鱼位置相量，其中：
Figure RE-FDA0002399577440000027
Figure RE-FDA0002399577440000028
为每次迭代从2下降至0的线性相量，
Figure RE-FDA0002399577440000029
为0和1之间的随机相量；
捕食猎物：以螺旋状运动的方式进行狩猎行为，数学模型为：
Figure RE-FDA00023995774400000210
其中
Figure RE-FDA00023995774400000211
在路径选择时，遵循以下数学公式：
Figure RE-FDA0002399577440000031
其中，p为0和1之间的随机数；
搜索猎物：
Figure RE-FDA0002399577440000032
的变化为目标参数，由于是随机搜索猎物，此时
Figure RE-FDA0002399577440000033
大于1或者小于-1，这保证了搜索是全局的，数学表达式：
Figure RE-FDA0002399577440000034
Figure RE-FDA0002399577440000035
为一个随机鲸鱼的随机向量。
10.根据权利要求6所述的一种用于电压暂降治理设备最优配置的方法，其特征在于，在步骤403中的算法具体为：
初始化鲸鱼种群Xi(i＝1，2，3…n)，初始化a，A，C；
计算每一个搜索种群的适应度，X*＝最佳搜索种群；
Figure RE-FDA0002399577440000036
此时更新a，A，C，更新X*；
当有更好选择时执行下列算法：
t＝t+1
end while
return X*。
CN201911357004.4A 2019-12-25 2019-12-25 一种用于电压暂降治理设备最优配置的方法 Pending CN111080024A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911357004.4A CN111080024A (zh) 2019-12-25 2019-12-25 一种用于电压暂降治理设备最优配置的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911357004.4A CN111080024A (zh) 2019-12-25 2019-12-25 一种用于电压暂降治理设备最优配置的方法

Publications (1)

Publication Number Publication Date
CN111080024A true CN111080024A (zh) 2020-04-28

Family

ID=70317602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911357004.4A Pending CN111080024A (zh) 2019-12-25 2019-12-25 一种用于电压暂降治理设备最优配置的方法

Country Status (1)

Country Link
CN (1) CN111080024A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022110886A1 (zh) * 2020-11-24 2022-06-02 国网四川省电力公司电力科学研究院 一种电压暂降治理优化方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059875A (zh) * 2019-04-12 2019-07-26 湖北工业大学 基于分布式鲸鱼优化算法的公共自行车需求量预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059875A (zh) * 2019-04-12 2019-07-26 湖北工业大学 基于分布式鲸鱼优化算法的公共自行车需求量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MITRA, R 等: "Optimal selection of voltage sag mitigating devices using whale optimization algorithm for small and medium sized customers in distribution system", 《2018 2ND INTERNATIONAL CONFERENCE ON POWER, ENERGY AND ENVIRONMENT: TOWARDS SMART TECHNOLOGY (ICEPE)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022110886A1 (zh) * 2020-11-24 2022-06-02 国网四川省电力公司电力科学研究院 一种电压暂降治理优化方法及系统

Similar Documents

Publication Publication Date Title
CN106329523B (zh) 考虑不确定性的有源配电网智能软开关鲁棒优化建模方法
Atteya et al. Radial distribution network reconfiguration for power losses reduction using a modified particle swarm optimisation
Rao et al. Power loss minimization in distribution system using network reconfiguration in the presence of distributed generation
CN106972504B (zh) 基于遗传算法的区间无功优化方法
Sultana et al. Oppositional krill herd algorithm for optimal location of capacitor with reconfiguration in radial distribution system
Illias et al. Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms
Jena et al. Solving distribution feeder reconfiguration and concurrent DG installation problems for power loss minimization by multi swarm cooperative PSO algorithm
Tandon et al. A comparative analysis of SPSO and BPSO for power loss minimization in distribution system using network reconfiguration
CN107527112B (zh) 一种确定电力设备间最短路径的方法及设备
Gao et al. Multi-objective dynamic reconfiguration for urban distribution network considering multi-level switching modes
CN116319377B (zh) 一种抵御网络攻击的配电网分布式动态状态估计方法
Merzoug et al. Distribution network reconfiguration for loss reduction using PSO method
CN109888817B (zh) 对光伏电站和数据中心进行位置部署和容量规划方法
CN111080024A (zh) 一种用于电压暂降治理设备最优配置的方法
Syed et al. Simultaneous optimal placement of DGs and fixed capacitor banks in radial distribution systems using BSA optimization
Pavleka et al. Finding optimal location of FACTS device for dynamic reactive power compensation using genetic algorithm and particle swarm optimisation (PSO)
CN110492493B (zh) 一种电力系统无功补偿配置优化方法
Elsaiah et al. A method for minimum loss reconfiguration of radial distribution systems
CN116187723A (zh) 应用于配电线路降损场景下的资源调度方法及装置
CN112949008B (zh) 一种配电网规划方法及相关装置
Ye et al. GCN-Based Short-Circuit Current Calculation Method for Active Distribution Networks
CN108899905B (zh) 一种复杂电网中关键节点的辨识方法及装置
Sulaima et al. A 16kV distribution network reconfiguration by using evolutionaring programming for loss minimizing
Riahinia et al. A dynamic programing‐based framework for distribution system restoration considering load uncertainties
CN117911197B (zh) 基于改进多目标粒子群算法的光伏选址定容方法及系统

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: 20200428