CN111244906B - 一种基于遗传算法的微电网故障判别方法 - Google Patents
一种基于遗传算法的微电网故障判别方法 Download PDFInfo
- Publication number
- CN111244906B CN111244906B CN202010045858.5A CN202010045858A CN111244906B CN 111244906 B CN111244906 B CN 111244906B CN 202010045858 A CN202010045858 A CN 202010045858A CN 111244906 B CN111244906 B CN 111244906B
- Authority
- CN
- China
- Prior art keywords
- fault
- voltage
- current
- microgrid
- node
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
- H02H7/261—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations
- H02H7/262—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations involving transmissions of switching or blocking orders
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于遗传算法的微电网故障判别方法,包括步骤:1)检测微电网故障情况下各节点电压和各支路电流;2)初始化遗传算法。本发明的有益效果是:充分考虑了微电网故障的高随机性,提出采用遗传算法对微电网故障位置和故障类型进行迭代计算判别。对于任意形式的目标函数和约束,无论是线性的还是非线性的,离散的还是连续的都可处理,能够得到有效的全局搜索结果;进行微电网的故障判别能够同时判别故障点位置和故障类型,具有更广泛的应用背景,通过对故障类型进行编号使故障类型判别数字化,具有充分的创新性;提出的微电网故障判别的计算方法不仅适用于微电网发生故障,也适用于复杂电网的故障判别,本发明具有一定的泛用性。
Description
技术领域
本发明涉及微电网故障分析技术领域,尤其包括一种基于遗传算法的微电网故障判别方法。
背景技术
采用集中发电、远距离输电和大电网互联的供电方式,存在灵活性差、局部事故易扩散等弊端。结合电网与分布式发电(Distributed Generation,DG)的智能电网能够吸引资本、降低能耗、提高电力系统的灵活性和可靠性。在过去的十几年内,以可再生能源(太阳能、风能等)和清洁燃料(天然气、氢能等)为基础的分布式发电技术获得了长足的发展。作为智能电网中关键技术之一的分布式发电具有高效、经济、灵活、环保等优点,而太阳能、风能等可再生能源具有高随机性这一主要缺点。大规模的可再生能源通过分布式发电并网运行可能会导致电网频率偏移、电压波动等电能质量问题,严重影响电网的可靠运行。
微电网是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。微电网旨在实现分布式电源的灵活、高效应用,解决数量庞大、形式多样的分布式电源并网问题。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入,实现对负荷多种能源形式的高可靠供给,是实现主动式配电网的一种有效方式。目前,微电网的故障定位和隔离的方法有两类:直接算法和间接算法。直接算法包括两种:矩阵算法和过热弧搜寻法,这两种方法都是依据图论理论知识,考虑故障过流或失压分析,利用电网的拓扑结构实现故障定位。间接算法主要包括:人工神经网络,遗传算法,专家系统,模糊理论等,这些方法都是基于人工智能技术来实现故障定位。
现有的微电网故障分析方法都需要已知微电网中故障的类型和拓扑结构来推算微电网中的故障位置。对于微电网的故障分析问题,微电网的拓扑结构往往比较容易获得,而具体的故障类型则需要采用其他方法进行判别,一般通过先判别微电网故障类型、再将故障类型作为输入得到微电网的故障位置。这类方法一方面会使误差累计降低结果的准确性,另一方面则是降低了微电网故障判别的效率、影响后续的故障切除。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于遗传算法的微电网故障判别方法。
这种基于遗传算法的微电网故障判别方法,包括以下步骤:
1)检测微电网故障情况下各节点电压和各支路电流:在微电网故障发生后,利用各节点的电压传感器和各支路的电流传感器得到各节点的节点电压与各支路的支路电流;
2)初始化遗传算法,生成初始故障类型和故障位置,得到故障位置和故障类型的初始种群;
3)计算各故障位置和故障类型下的微电网电压电流:根据发电机节点电压与故障后线路阻抗,进行潮流计算得到节点电压与支路电流;
4)比较计算的电压电流与检测结果的差值:将计算的节点电压与电压传感器检测得到的节点电压作差得到各个节点电压的偏差;将计算的支路电流与电流传感器检测得到的支路电流作差得到各个支路电流的偏差;
5)根据计算的电压电流与检测结果的差值,选择最优个体:采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加后,选择最小总差值的故障类型和故障位置作为最优个体;
6)判断最优个体的电压电流与检测结果的差值是否小于预设精度ε:若最优个体的电压电流与检测结果的差值小于预设精度ε,则输出最优个体的故障位置和故障类型并结束计算;若最优个体的电压电流与检测结果的差值大于或等于预设精度ε,则以最优个体为目标输入遗传算法,生成下一代的故障类型和故障位置的初始种群,并返回执行步骤3)至步骤6),直到最优个体的电压电流与检测结果的差值小于预设精度ε,输出最优个体的故障位置和故障类型并结束计算。
作为优选,步骤2)所述得到故障位置和故障类型的初始种群的具体方式为:
对微电网中的所有支路进行编号,编号时保证临近的线路的数值相近;将所有故障类型进行排序编号,编号时保证同类型的故障的数值相近;随机生成初始种群其中α为故障位置,β为故障类型,上标为初始种群的代数,下标为初始种群中的个体编号,n为初始种群中的个体编号的总数。
作为优选,步骤3)所述计算各故障位置和故障类型下的微电网电压电流的具体方式为:
作为优选,步骤5)所述采用加权系数法根据计算的电压电流与检测结果的差值,选择最优个体的具体方式为:
记微电网的节点数量为n,支路数量为m,则节点电压差值与支路电流差值的权重比应为m:n,采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加:
作为优选,步骤6)所述以最优个体为目标生成下一代的故障类型和故障位置的初始种群的具体方式为:以最优个体为目标输入遗传算法,进行新的一轮迭代得到新的种群上式中j为迭代前的代数,j+1为第j+1代种群,下标为种群中个体的编号,n为种群中的个体编号的总数。
本发明的有益效果是:
(1)本发明充分考虑了微电网故障的高随机性,提出采用遗传算法对微电网故障位置和故障类型进行迭代计算判别。由于遗传算法在搜索过程中不需要问题的内在性质,对于任意形式的目标函数和约束,无论是线性的还是非线性的,离散的还是连续的都可处理,能够得到有效的全局搜索结果。
(2)本发明进行微电网的故障判别能够同时判别故障点位置和故障类型,具有更广泛的应用背景,通过对故障类型进行编号使故障类型判别数字化,具有充分的创新性。
(3)本发明提出的微电网故障判别的计算方法不仅适用于微电网发生故障,也适用于复杂电网的故障判别,本发明具有一定的泛用性。
附图说明
图1为本发明的计算方法流程图;
图2为一种常见微电网的拓扑示意图;
图3为微电网的故障点编号的简化方案;
图4为微电网的故障点编号的深化方案。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明检测微电网故障下各节点电压和支路电流、遗传算法得到故障位置和故障类型、计算各故障位置和故障类型下的微电网电压电流、比较计算的电压电流与检测结果的差值、根据差值选择最优个体。该方法可有效解决微电网发生故障时的故障判别问题,不仅能够判别故障的类型,还可以精确定位故障发生的具体位置,从而快速排出微电网的故障。
得到故障位置和故障类型的初始种群的具体方式为:
对微电网中的所有支路进行编号,编号时保证临近的线路的数值相近;将所有故障类型进行排序编号,编号时保证同类型的故障的数值相近;随机生成初始种群其中α为故障位置,β为故障类型,上标为初始种群的代数,下标为初始种群中的个体编号,n为初始种群中的个体编号的总数。
计算各故障位置和故障类型下的微电网电压电流的具体方式为:
采用加权系数法根据计算的电压电流与检测结果的差值,选择最优个体的具体方式为:
记微电网的节点数量为n,支路数量为m,则节点电压差值与支路电流差值的权重比应为m:n,采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加:
以最优个体为目标生成下一代的故障类型和故障位置的初始种群的具体方式为:以最优个体为目标输入遗传算法,进行新的一轮迭代得到新的种群上式中j为迭代前的代数,j+1为第j+1代种群,下标为种群中个体的编号,n为种群中的个体编号的总数。
这种基于遗传算法的微电网故障判别方法,流程图如图1所示,具体包括如下步骤:
1)在微电网的故障发生时运用电压传感器检测微电网各节点的节点电压,用电流传感器检测各支路的支路电流;
2)初始化遗传算法,得到故障位置和故障类型的初始种群;
3)结合发电机节点的电压和各节点的功率采用潮流计算计算出种群中每个个体(故障位置和故障类型)的节点电压和支路电流;
4)将计算得到的每个个体的节点电压和检测得到的节点电压值作差,得到节点电压差值;将每个个体的支路电流和检测得到的支路电流值作差,得到支路电流差值;
一种常见微电网的拓扑示意图如图2所示,根据拓扑可知该微电网有8个节点,其中3个为发电机节点(其中的微电网变流器可以等效为一个交流发电机节点)、3个为负荷节点,有12条支路,即n=8,m=12。在初始化遗传算法时需要对故障位置α与故障类型β进行编号,故障类型的编号方案如下:三相接地短路故障为1,三相短路经高阻抗接地短路故障为2,相间接地短路故障为3,相间经高阻抗接地为4,相间短路故障为5,单相接地短路故障为6,单相经高阻抗接地故障为7,三相断路为10,两相断路为11,单相断路为12。
微电网的故障点编号的深化方案如图4所示,图4为微电网的故障位置编号的深化方案,在简化方案的基础上将每条支路的故障点更细的分为近送电端、中间点、远送电端,采用该方案进行编号时可以有更高的计算精度,可以选择更小的计算误差值ε,但是需要更长的运算时间。若追求更高的故障位置的计算精度,可将微电网线路上每条支路每间隔20米作一次编号,这样将得到更多的可能故障位置点。
以图4的故障点编号的深化方案为例进行分析,故障点的数量为30个,故障类型共有10种,设计每次遗传算法产生的种群个体数量为10个,因此得到的初始种群为 分别进行10次潮流计算得到每个个体的节点电压u1、u2、u3、……、u8和支路电流i1、i2、i3、……、i12,与检测的节点并计算每个个体的目标函数:
Claims (5)
1.一种基于遗传算法的微电网故障判别方法,其特征在于,包括以下步骤:
1)检测微电网故障情况下各节点电压和各支路电流:在微电网故障发生后,利用各节点的电压传感器和各支路的电流传感器得到各节点的节点电压与各支路的支路电流;
2)初始化遗传算法,生成初始故障类型和故障位置,得到故障位置和故障类型的初始种群;
3)计算各故障位置和故障类型下的微电网电压电流:根据发电机节点电压与故障后线路阻抗,进行潮流计算得到节点电压与支路电流;
4)比较计算的电压电流与检测结果的差值:将计算的节点电压与电压传感器检测得到的节点电压作差得到各个节点电压的偏差;将计算的支路电流与电流传感器检测得到的支路电流作差得到各个支路电流的偏差;
5)根据计算的电压电流与检测结果的差值,选择最优个体:采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加后,选择最小总差值的故障类型和故障位置作为最优个体;
6)判断最优个体的电压电流与检测结果的差值是否小于预设精度ε:若最优个体的电压电流与检测结果的差值小于预设精度ε,则输出最优个体的故障位置和故障类型并结束计算;若最优个体的电压电流与检测结果的差值大于或等于预设精度ε,则以最优个体为目标输入遗传算法,生成下一代的故障类型和故障位置的初始种群,并返回执行步骤3)至步骤6),直到最优个体的电压电流与检测结果的差值小于预设精度ε,输出最优个体的故障位置和故障类型并结束计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045858.5A CN111244906B (zh) | 2020-01-16 | 2020-01-16 | 一种基于遗传算法的微电网故障判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045858.5A CN111244906B (zh) | 2020-01-16 | 2020-01-16 | 一种基于遗传算法的微电网故障判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111244906A CN111244906A (zh) | 2020-06-05 |
CN111244906B true CN111244906B (zh) | 2021-11-19 |
Family
ID=70880879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010045858.5A Active CN111244906B (zh) | 2020-01-16 | 2020-01-16 | 一种基于遗传算法的微电网故障判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111244906B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879670A (zh) * | 2018-07-17 | 2018-11-23 | 国家电网公司 | 一种高压配电网分区优化方法 |
CN110224382A (zh) * | 2019-06-28 | 2019-09-10 | 国网河北省电力有限公司石家庄供电分公司 | 微电网继电保护方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8606424B2 (en) * | 2011-04-05 | 2013-12-10 | King Fahd University Of Petroleum And Minerals | Particle swarm optimization system and method for microgrids |
-
2020
- 2020-01-16 CN CN202010045858.5A patent/CN111244906B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879670A (zh) * | 2018-07-17 | 2018-11-23 | 国家电网公司 | 一种高压配电网分区优化方法 |
CN110224382A (zh) * | 2019-06-28 | 2019-09-10 | 国网河北省电力有限公司石家庄供电分公司 | 微电网继电保护方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于多智能体遗传算法的微电网优化策略研究;贺志华等;《工业控制计算机》;20170225(第02期);第126-128页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111244906A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105932723B (zh) | 一种交直流混合微电网的网架结构优化规划方法 | |
CN114665498A (zh) | 一种计及新能源影响的主动配电网脆弱节点辨识方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
Ramalakshmi | Optimal siting and sizing of distributed generation using fuzzy-EP | |
Bhattacharyya et al. | Differential evolution technique for the optimization of reactive power reserves | |
Chen et al. | DC‐side fault detection for photovoltaic energy conversion system using fractional‐order dynamic‐error‐based fuzzy Petri net integrated with intelligent meters | |
El-Ela et al. | Optimal allocation of DGs and capacitor devices using improved grey wolf optimizer | |
Hussaian Basha et al. | A novel on design and implementation of hybrid MPPT controllers for solar PV systems under various partial shading conditions | |
CN111244906B (zh) | 一种基于遗传算法的微电网故障判别方法 | |
Wu et al. | Cost effective offline reconfiguration for large-scale non-uniformly aging photovoltaic arrays efficiency enhancement | |
Elvira-Ortiz et al. | Photovoltaic power generation estimation using statistical features and artificial neural networks | |
Sonwane et al. | Optimal allocation of distributed generator placement: An optimal approach to enhance the reliability of micro-grid | |
Kumar et al. | Evaluation of DG impacts on distribution networks | |
Tayjasanant et al. | Comparative evaluation of DG and PV-DG capacity allocation in a distribution system | |
Raj et al. | An improved affine arithmetic-based optimal DG sizing and placement algorithm using PSO for radial distribution networks with uncertainty | |
CN113612191A (zh) | 一种配电网的快速恢复供电方法及装置 | |
Soni et al. | Bus voltage estimation of IEEE-12 bus radial structured microgrid feeder: A regression-based approach | |
Dekhandji et al. | Optimal Placement of DGs in the Distribution Networks using an Analytical Approach | |
Leak et al. | Forecasting peak daily load in distribution feeders | |
Popov et al. | Optimal placement and sizing sources of distributed generation considering information uncertainty | |
Fathi et al. | Multi-Objective optimization of islanded microgrids | |
ALI-DAHMANE et al. | Combined Optimal Capacitor Placement and Network Reconfiguration in A Distribution Power System for Load Flow Analysis Using ETAP | |
Silva et al. | Fast Decoupled Probabilistic Power Flow for Islanded Microgrids | |
Mushi et al. | Optimal Location and Capacity of DG in Micro-grid by Application of Electrical Power Forecasting | |
Raphy Pallikunnan | Power Loss Minimization Techniques for a Microgrid-A Comparative Study |
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 |