CN111864690A - 一种基于差分-花粉算法的反时限过流定值优化方法 - Google Patents

一种基于差分-花粉算法的反时限过流定值优化方法 Download PDF

Info

Publication number
CN111864690A
CN111864690A CN202010725395.7A CN202010725395A CN111864690A CN 111864690 A CN111864690 A CN 111864690A CN 202010725395 A CN202010725395 A CN 202010725395A CN 111864690 A CN111864690 A CN 111864690A
Authority
CN
China
Prior art keywords
time
difference
algorithm
pollen
protection
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.)
Withdrawn
Application number
CN202010725395.7A
Other languages
English (en)
Inventor
罗琨
张金荣
李正新
刘丽
周坤
郝东方
李勇
周宇
李义
徐岩
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202010725395.7A priority Critical patent/CN111864690A/zh
Publication of CN111864690A publication Critical patent/CN111864690A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
    • H02H3/006—Calibration or setting of parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于差分‑花粉算法的反时限过流定值优化方法，包括建立保护整定协调优化模型；基于所述模型拟定目标函数及决策变量，并对差分‑花粉算法的基本参数初始化；根据差分‑花粉算法具体步骤对参数进行寻找最优解；基于所述最优解检查是否满足终止条件，并输出最优解，完成优化过程。本发明使得寻优性能得到了较大的提升，收敛速度加快，求解精度提高，为今后反时限过流保护定值在线整定校核问题提供了一种思路。

Description

一种基于差分-花粉算法的反时限过流定值优化方法
技术领域
本发明涉及电力系统继电保护定值整定工作的技术领域，尤其涉及一种基于差分-花粉算法的反时限过流定值优化方法。
背景技术
随着科学技术不断发展、社会需求不断提高，电网的规模以及复杂程度也相应的增加。这将给继电保护带来更为严峻的挑战，据国内外研究表明，电力系统大面积、大范围停电事故与继电保护装置的误拒动有紧密联系。为了更好的保障电力设备安全和更加有效的防止此类大型事故的发生，继电保护定值的整定与校核优化工作则显得格外重要。由于传统定时限保护受电网接线与运行方式影响较大，一旦出现极端情况，容易造成失配进而导致保护装置的误动拒动。目前，可靠性高、价格便宜组成简单的反时限过流保护装置在国外得到了广泛的应用，其动作时间与短路电流成反比，当短路电流越大，动作时间则越小，这种动作特性的保护则较好的解决了速动性与选择性无法同时满足的问题。
目前，针对继电保护整定优化问题，黄明辉、石东源、陈志光等提出了一种继电保护在线整定计算方法(专利号：CN201310383228.9)，该方法根据电网的在线运行方式和继电保护现场运行定值，对灵敏度、选择性和躲负荷能力进行在线校核，并将定值集合作为初始的在线整定计算范围；结合在线运行方式并采用整定计算公式进行在线整定计算，获得计算定值，但其计算容量小，一旦系统庞大，误差也随之提升；荣亚君、郭蕊、李聪等提出了一种含分布式电源的配电网过电流保护方法及定值优化方法、优化系统(专利号：CN201811481133.X)，其采用了基于人群搜索改进的粒子群算法对代表反时限过电流继电器的时间整定系数与启动电流的粒子寻优，但其计算速度慢，仿真次数多，耗时长。
为解决以上问题，本发明利用全局寻优能力强的花粉算法进行保护定值整定优化问题的求解，该算法代码简单、参数少、鲁棒性强，但也存在易陷入局部极小，收敛速度慢等不足，为此，本文引进差分进化算法，同时对Levy飞行搜索策略进行改进，避免了陷入局部最优，加快了收敛速度。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有技术存在计算速度慢及计算容量小、仿真次数多及耗时长的问题，提出了本发明。
因此，本发明解决的技术问题是：利用全局寻优能力强的花粉算法进行保护定值整定优化问题的求解，改进了现有技术存在的计算速度慢的问题，本发明还引进差分进化算法，同时对Levy飞行搜索策略进行改进，避免了陷入局部最优，加快了收敛速度。
为解决上述技术问题，本发明提供如下技术方案：根据具体优化问题建立保护整定协调优化模型；基于所述优化模型拟定目标函数及决策变量，初始化差分-花粉算法的基本参数；根据所述差分-花粉算法寻找初始化后的所述基本参数中的最优解；利用所述模型检查最优解是否满足终止条件，若满足，则输出所述最优解，完成优化。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：根据具体优化问题建立所述优化模型包括，定义系统中所有继电器的总动作时间为目标函数f(x)，各继电器动作时间为决策变量xi，建立所述优化模型如下所示：
Figure BDA0002601491250000021
其中，x表示决策变量的集合，N表示变量的个数，Xi表示每个变量的可行值域。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：所述基本参数包括，切换概率p，花朵(种群)数n，杂交概率CR，最大迭代次数；缩放因子F以及步长向量L，L中各元素服从Levy分布。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：对所述差分-花粉算法的基本参数初始化还包括约束条件，具体如下，定义保护时间协调间隔CTI：
tij-ti≥CTI
其中符合IEC255-3的反时限过电流保护装置须满足：
0.05＝TDSmin≤TDS≤TDSmax＝1.0
1.2In＝ILmax≤Ip≤Ikmin＝2.0In
ILmax表示电网正常运行时流过保护的最大负荷电流，Ikmin表示线路发生故障时流过保护的最小短路电流，In表示正常运行时的电流。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：采用反限时过流保护的公式包括，利用国际电工委员会标准IEC255-C制定的通用公式：
Figure BDA0002601491250000031
其中，t表示保护装置动作的时间，I表示流过保护装置处继电器的短路电流，Ip表示保护装置的动作整定电流，TDS表示保护装置的时间整定值，A、B表示反时限特性曲线方程中的不同设定值。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：满足所述约束条件下目标函数的非线性化问题包括，定义目标函数为以下非线性优化问题：
Figure BDA0002601491250000032
其中，M表示电网中可能发生故障的总数，P表示主保护的数目，B表示后备保护的数目，
Figure BDA0002601491250000033
表示当线路i发生短路故障时主保护动作的时间，
Figure BDA0002601491250000034
表示当线路i主保护未动作时线路j上后备保护的动作时间。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：包括，
t0＝TDSmin+ω(TDSmax-TDSmin)，ω∈[0，1]
定义
Figure BDA0002601491250000035
该随机初始解为种群最优解g*以及最优适应度函数值F(g*)。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：寻找所述最优解,包括，利用改进后的花粉算法进行全局、局部搜索寻找最优解；基于差分算法向所述最优解逼近。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：改进花粉算法包括，当切换概率rand<p条件成立时，按下式对解进行更新，
Figure BDA0002601491250000041
Figure BDA0002601491250000042
其中，
Figure BDA0002601491250000043
分别表示第t+1、t代的解，L表示步长，文中λ取1.5，Γ(λ)表示标准的伽马函数；
当切换概率rand>p条件成立时，按下式对解进行更新，
Figure BDA0002601491250000044
其中，∈是[0,1]上服从均匀分布的随机数，
Figure BDA0002601491250000045
是相同植物种类的不同花朵的花粉。
作为本发明所述的基于差分-花粉算法的反时限过流定值优化方法的一种优选方案，其中：基于所述差分算法向最优解逼近包括，定义生成随机数rand2；定义rand2≤CR(CR＝0.5+u/(2·umax))，按照式X(u)＝X*+F(X1(u)-X2(u))生成新解；其中，式中X1(u)、X2(u)表示从本次随机选取的迭代中各花粉配子，依照所述步骤找出当前种群中最优解g*。
本发明的有益效果：该花粉算法代码简单、参数少、鲁棒性强，并且引进了差分进化算法，同时对Levy飞行搜索策略进行改进，避免了陷入局部最优，加快了收敛速度并且极大的减少了计算时间，使得寻优性能得到了较大的提升，收敛速度加快，求解精度提高，为未来电力系统继电保护在线整定校验系统软件提供条件。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。其中：
图1为本发明提供一种基于差分-花粉算法的反时限过流定值优化方法的基本流程图；
图2为本发明提供一种基于差分-花粉算法的反时限过流定值优化方法的差分-花粉算法具体流程框图；
图3为本发明提供一种基于差分-花粉算法的反时限过流定值优化方法的6总线系统图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2，为本发明的第一个实施例，提供了一种基于差分-花粉算法的反时限过流定值优化方法的基本流程图，根据具体优化问题建立保护整定协调优化模型；基于所述优化模型拟定目标函数及决策变量，初始化差分-花粉算法的基本参数；根据所述差分-花粉算法寻找初始化后的所述基本参数中的最优解；利用所述模型检查最优解是否满足终止条件，若满足，则输出所述最优解，完成优化。
进一步的，本实施例提出一种基于差分-花粉算法的反时限过流定值优化方法，包括，
S1：根据具体优化问题建立所述优化模型，其中优化模型的建立包括以下步骤，
对过流保护方案进行确定并根据具体问题建立保护整定协调优化模型，确立电网继电保护优化的目标是在满足可靠性和选择性与主/后备保护动作时间的协调配合约束的同时，尽可能的在任意线路故障时，使系统中所有继电器的总动作时间和最小。
根据优化问题建立数学模型，确定目标函数f(x)、决策变量xi及其集合x、变量的个数N和每个变量的可行值域Xi，统一形式如下式所示。根据具体优化问题，以系统中所有继电器的总动作时间为目标函数，各继电器动作时间为决策变量Xi，建立所述优化模型如下所示：
Figure BDA0002601491250000061
S2：基于所述优化模型拟定目标函数及决策变量，初始化差分-花粉算法的基本参数，
其中所述基本参数包括，切换概率p，花朵(种群)数n，杂交概率CR，最大迭代次数，缩放因子F以及步长向量L，L中各元素服从Levy分布；本发明进一步改进在于Levy分布的改动：花粉算法中全局搜索Levy飞行搜索策略的步长L是根据迭代次数不断更新的，在高维优化问题中，一旦迭代次数增加，则会极大的增加计算时间。在本发明中，在全局搜索步骤中设定各花粉步长L不随迭代而改变，极大的减少了计算时间，针对电力系统继电保护定值整定这一类高维优化问题，减少计算时间在在线整定与校核中是十分必要的，并且为未来电力系统继电保护在线整定校验系统软件提供条件。
电力系统继电保护中为了提高可靠性，通常会为每一个主保护配置一个后备保护。当主保护未动作时，在短延时后后备保护动作，防止被保护设备失去保护。而主后备保护协调时间则根据继电器、断路器生产厂家、参数设置以及其他系统因素所决定。需要说明的是，为了使后备保护不发生误动、越级动作，对差分-花粉算法的基本参数初始化的约束条件包括，
定义保护时间协调间隔CTI：
tij-ti≥CTI
通常情况下，机电式继电器的协调时间为0.3～0.4s，微处理器式继电器的协调时间为0.1～0.2s，文中取0.2s；
其中为了保证继电保护的灵敏性、选择性和速动性，则符合IEC255-3的反时限过电流保护装置须满足：
0.05＝TDSmin≤TDS≤TDSmax＝1.0
1.2In＝ILmax≤Ip≤Ikmin＝2.0In
ILmax表示电网正常运行时流过保护的最大负荷电流，Ikmin表示线路发生故障时流过保护的最小短路电流，In表示正常运行时的电流。
进一步的，保证初始解可行条件包括，
t0＝TDSmin+ω(TDSmax-TDSmin)，ω∈[0，1]
定义
Figure BDA0002601491250000071
该随机初始解为种群最优解g*以及最优适应度函数值F(g*)。
其中采用反限时过流保护的公式包括，
利用国际电工委员会标准IEC255-C制定的通用公式：
Figure BDA0002601491250000072
其中，t表示保护装置动作的时间，I表示流过保护装置处继电器的短路电流，Ip表示保护装置的动作整定电流，TDS表示保护装置的时间整定值，A、B表示反时限特性曲线方程中的不同设定值。
需要说明的是，对于过电流保护主要分为定时限过电流保护与反时限过电流保护两种，而定时限过电流保护与反时限过电流保护的区别在于保护装置的动作时间是否随短路电流的大小而变化。定时限过电流保护，其动作时限与故障电流之间的关系表现为定时限特性，只要系统故障电流达到或者超过保护的整定电流值，保护装置动作，使断路器跳闸。反时限保护中的动作时限与故障电流则呈现出反时限特性的关系，其保护动作时间并不固定，而是根据系统短路电流的大小而沿曲线作相反的变化，即短路电流越大，动作时限越短，而其特性曲线则由动作时限，整定值来决定。与定时限保护相比，采用反时限过流保护提高了灵敏性和速动性。电网继电保护优化的目标是在满足可靠性和选择性与主/后备保护动作时间的协调配合约束的同时，尽可能的在任意线路故障时，使系统中所有继电器的总动作时间和最小。
进一步的，满足约束条件下目标函数的非线性化问题包括，
定义目标函数为以下非线性优化问题：
Figure BDA0002601491250000081
其中，M表示电网中可能发生故障的总数，P表示主保护的数目，B表示后备保护的数目，
Figure BDA0002601491250000082
表示当线路i发生短路故障时主保护动作的时间，
Figure BDA0002601491250000083
表示当线路i主保护未动作时线路j上后备保护的动作时间。
S3：根据所述差分-花粉算法寻找初始化后的所述基本参数中的最优解，
具体的，在保留花粉算法优点基础上对其缺点进行改进，根据所述差分-花粉算法寻找初始化后的所述基本参数中的最优解，其过程包括，
利用改进后的花粉算法进行全局、局部搜索寻找最优解；
基于差分算法向所述最优解逼近。
其中利用改进后的花粉算法的进行全局、局部搜索寻找最优解具体步骤包括，根据上述初始解进行寻优，
当切换概率rand<p条件成立时，按下式对解进行更新，
Figure BDA0002601491250000084
Figure BDA0002601491250000085
其中，
Figure BDA0002601491250000086
分别表示第t+1、t代的解，L表示步长，文中λ取1.5，Γ(λ)表示标准的伽马函数；
当切换概率rand>p条件成立时，按下式对解进行更新，
Figure BDA0002601491250000087
其中，∈是[0,1]上服从均匀分布的随机数，
Figure BDA0002601491250000088
是相同植物种类的不同花朵的花粉；
计算上述步骤得到的新解对应的适应度函数值，若新解的适应度函数值优，则更新当前解和当前适应度，否则保留当前解和当前适应度函数值。
进一步的，为解决花粉算法容易陷入局部最优，寻优精度不高、收敛速度较慢的问题，引入了差分进化算法。差分进化算法是一种高效的全局优化算法，其在进化过程中主要通过变异、交叉和选择操作来实现向最优解逼近。而变异操作则是该算法中最为突出的部分，它使该算法具有了不易陷入局部最优、收敛速度快，易与其他算法融合的特点。在花粉算法完成全局、局部搜索后，将得到的最优解进行变异操作，在算法早期，各花粉差别较大，而变异操作增强了全局搜索能力；在算法后期，花粉差异愈来愈小，此时变异操作则增强了局部搜索能力。
具体的，利用上述步骤得到的解作为差分进化的初始点进行变异、交叉、选择操作；基于所述差分算法向最优解逼近包括，
定义生成随机数rand2；
定义rand2≤CR(CR＝0.5+u/(2·umax))，按照式X(u)＝X*+F(X1(u)-X2(u))生成新解；
其中，式中X1(u)、X2(u)表示从本次随机选取的迭代中各花粉配子，依照所述步骤找出当前种群中最优解g*。
S4：利用所述优化模型检查最优解是否满足终止条件，若满足则输出最优解，完成优化。
具体的，计算当前最优适应度函数值F(g*)以此更新全局最优解，结束条件，若满足终止条件，则输出最优解以及函数最优值，退出程序，否则，则转上述步骤。
实施例2
对本方法中采用的技术效果加以验证说明，本实施例选择经典粒子群优化算法、花粉算法、灰狼算法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
根据下面仿真实例对本发明所设计的方法进行验证。
本发明在Matlab平台上搭建了如图3所示的6总线系统。在该系统的仿真当中，故障设置在保护出口侧近端的三相短路故障，流过主、后备保护装置的故障电流见表1，各保护装置电流互感器变比见表2。
根据该6总线系统保护定值整定优化问题，本文选取4种智能优化算法进行同一算例系统的优化求解，其中包括经典粒子群优化算法、花粉算法、最近较为流行的灰狼算法以及差分-花粉算法。基于以上四种算法，根据约束条件以及流过各保护装置的短路电流，得到各保护定值优化协调方案，其中决策变量TDS以及Ip，如表3所示。
基于优化后的设置参数计算各保护的动作时间，如表4所示。当三相短路故障设置在保护出口侧近端时，粒子群优化算法得到的最优解为11.250秒，花粉算法为10.916秒，灰狼算法为10.246秒，而差分-花粉算法为9.932秒。总动作时间上，差分-花粉算法取得最优解，为9.932秒，优于其他三种智能算法，且对于其他智能算法，对于保护动作时间和的改进程度至少为7.94％，相对于粒子群优化算法则提高了16.16％；当终止条件设置为搜索精度为0.001时，各算法的耗时如下：粒子群优化算法共耗时30.68秒，花粉算法为24.73秒，灰狼算法为11.94秒，差分-花粉算法为12.73秒。在计算速度上，差分-花粉算法与灰狼算法相近，相对于粒子群优化算法提高了58.50％。
在基于差分-花粉算法算法的6总线系统整定优化问题中，各主保护与其对应的后备保护继电器动作时间差如表5所示，可以看到所有保护对的动作时间之差均大于0.2秒，即达到协调配合时间差CTI约束的要求，后备保护不会发生误动、越级动作，满足了电力系统继电保护中选择性的要求。
表1：主、后备保护故障电流表。
Figure BDA0002601491250000101
Figure BDA0002601491250000111
表2：各保护装置CT变比表。
Figure BDA0002601491250000112
Figure BDA0002601491250000121
表3：基于粒子群优化算法、花粉算法、灰狼算法以及差分-花粉算法的优化保护设置表。
Figure BDA0002601491250000122
表4：各算法优化整定模型结果表。
Figure BDA0002601491250000131
表5：主保护/后备保护继电器动作时间差CTI表。
Figure BDA0002601491250000132
Figure BDA0002601491250000141
基于电力系统中关于反时限过流保护定值整定优化问题，本文以保护装置动作电流、时间整定值为决策量、主保护与后备保护的总动作时间最小为目标函数进行复杂非线性优化问题的求解。分别用经典粒子群优化算法、花粉算法、最近较为流行的灰狼算法以及差分-花粉算法四种智能算法对6总线系统保护定值整定优化问题进行求解，试验结果表明，在引进差分进化算法变异操作以及改进搜索策略后，差分-花粉算法寻优性能得到了较大的提升，收敛速度显著加快，求解精度明显提高，为今后反时限过流保护定值在线整定校核问题提供了一种思路。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于差分-花粉算法的反时限过流定值优化方法，其特性在于，包括，
根据具体优化问题建立保护整定协调优化模型；
基于所述优化模型拟定目标函数及决策变量，初始化差分-花粉算法的基本参数；
根据所述差分-花粉算法寻找初始化后的所述基本参数中的最优解；
利用所述模型检查最优解是否满足终止条件，若满足，则输出所述最优解，完成优化。
2.如权利要求1所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：建立所述优化模型包括，
定义系统中所有继电器的总动作时间为目标函数f(x)，各继电器动作时间表示为决策变量xi，建立所述优化模型如下所示：
Figure FDA0002601491240000011
其中，x表示决策变量的集合，N表示变量的个数，Xi表示每个变量的可行值域。
3.如权利要求1或2所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：所述基本参数包括，
切换概率p，花朵(种群)数n，杂交概率CR，最大迭代次数；
缩放因子F以及步长向量L，L中各元素服从Levy分布。
4.如权利要求3所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：对所述差分-花粉算法的基本参数初始化还包括约束条件，具体如下，
定义保护时间协调间隔CTI：
tij-ti≥CTI
其中符合IEC255-3的反时限过电流保护装置须满足：
0.05＝TDSmin≤TDS≤TDSmax＝1.0
1.2In＝ILmax≤Ip≤Ikmin＝2.0In
ILmax表示电网正常运行时流过保护的最大负荷电流，Ikmin表示线路发生故障时流过保护的最小短路电流，In表示正常运行时的电流。
5.如权利要求4所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：采用反限时过流保护的公式包括，
利用国际电工委员会标准IEC255-C制定的通用公式：
Figure FDA0002601491240000021
其中，t表示保护装置动作的时间，I表示流过保护装置处继电器的短路电流，Ip表示保护装置的动作整定电流，TDS表示保护装置的时间整定值，A、B表示反时限特性曲线方程中的不同设定值。
6.如权利要求5所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：满足所述约束条件下目标函数的非线性化问题包括，
定义目标函数为以下非线性优化问题：
Figure FDA0002601491240000022
其中，M表示电网中可能发生故障的总数，P表示主保护的数目，B表示后备保护的数目，
Figure FDA0002601491240000023
表示当线路i发生短路故障时主保护动作的时间，
Figure FDA0002601491240000024
表示当线路i主保护未动作时线路j上后备保护的动作时间。
7.如权利要求6所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：包括，
t0＝TDSmin+ω(TDSmax-TDSmin)，ω∈[0，1]
定义If0＝1.5In，该随机初始解为种群最优解g*以及最优适应度函数值F(g*)。
8.如权利要求7所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：寻找所述最优解包括，
利用改进后的花粉算法进行全局、局部搜索寻找最优解；
基于差分算法向所述最优解逼近。
9.如权利要求8所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：改进所述花粉算法包括，
当切换概率rand<p条件成立时，按下式对解进行更新，
Figure FDA0002601491240000025
Figure FDA0002601491240000026
其中，
Figure FDA0002601491240000031
分别表示第t+1、t代的解，L表示步长，文中λ取1.5，Γ(λ)表示标准的伽马函数；
当切换概率rand>p条件成立时，按下式对解进行更新，
Figure FDA0002601491240000032
其中，∈是[0,1]上服从均匀分布的随机数，
Figure FDA0002601491240000033
是相同植物种类的不同花朵的花粉。
10.如权利要求9所述的基于差分-花粉算法的反时限过流定值优化方法，其特征在于：基于所述差分算法向最优解逼近包括，
定义生成随机数rand2；
定义rand2≤CR(CR＝0.5+u/(2·umax))，按照式X(u)＝X*+F(X1(u)-X2(u))生成新解；其中，式中X1(u)、X2(u)表示从本次随机选取的迭代中各花粉配子，依照所述步骤找出当前种群中最优解g*。
CN202010725395.7A 2020-07-24 2020-07-24 一种基于差分-花粉算法的反时限过流定值优化方法 Withdrawn CN111864690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010725395.7A CN111864690A (zh) 2020-07-24 2020-07-24 一种基于差分-花粉算法的反时限过流定值优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010725395.7A CN111864690A (zh) 2020-07-24 2020-07-24 一种基于差分-花粉算法的反时限过流定值优化方法

Publications (1)

Publication Number Publication Date
CN111864690A true CN111864690A (zh) 2020-10-30

Family

ID=72950045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010725395.7A Withdrawn CN111864690A (zh) 2020-07-24 2020-07-24 一种基于差分-花粉算法的反时限过流定值优化方法

Country Status (1)

Country Link
CN (1) CN111864690A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785037A (zh) * 2020-12-30 2021-05-11 苏州电力设计研究院有限公司 一种配电网反时限过电流保护定值优化方法
CN112856014A (zh) * 2020-12-30 2021-05-28 南京理工大学 一种智能阀门电动执行机构的控制系统构建方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485314A (zh) * 2016-09-21 2017-03-08 常熟理工学院 一种基于自适应高斯变异的花朵授粉算法的优化方法
WO2018103294A1 (zh) * 2016-12-07 2018-06-14 东北大学 基于双鱼群算法的电力无功优化系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485314A (zh) * 2016-09-21 2017-03-08 常熟理工学院 一种基于自适应高斯变异的花朵授粉算法的优化方法
WO2018103294A1 (zh) * 2016-12-07 2018-06-14 东北大学 基于双鱼群算法的电力无功优化系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗琨 等: "利用差分_花粉算法实现反时限过流优化", 《电力大数据》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785037A (zh) * 2020-12-30 2021-05-11 苏州电力设计研究院有限公司 一种配电网反时限过电流保护定值优化方法
CN112856014A (zh) * 2020-12-30 2021-05-28 南京理工大学 一种智能阀门电动执行机构的控制系统构建方法
CN112785037B (zh) * 2020-12-30 2024-02-23 苏州电力设计研究院有限公司 一种配电网反时限过电流保护定值优化方法

Similar Documents

Publication Publication Date Title
CN109936133B (zh) 考虑信息物理联合攻击的电力系统脆弱性分析方法
CN109118098B (zh) 高比例风电并网的连锁故障风险评估方法及系统
Kavousi-Fard et al. Optimal distribution feeder reconfiguration for reliability improvement considering uncertainty
CN104598725B (zh) 一种分布式电源并网后配电网适应性的评价方法
CN111864690A (zh) 一种基于差分-花粉算法的反时限过流定值优化方法
CN104933478B (zh) 一种继电保护多目标优化整定方法
CN110008532B (zh) 一种三相不平衡换相的换相时机确定方法及换相系统
CN110661265B (zh) 一种基于支路开断分布因子的安全约束最优潮流计算方法
CN110690718B (zh) 一种三相负荷不平衡治理控制方法
CN108462210B (zh) 基于数据挖掘的光伏可开放容量计算方法
El‐Fergany Optimal directional digital overcurrent relays coordination and arc‐flash hazard assessments in meshed networks
CN110929212B (zh) 大电网薄弱热稳定断面搜索及限额制定的在线计算方法
CN107578137A (zh) 一种考虑最小奇异值灵敏度熵的电网脆弱性评估方法
CN105281320A (zh) 协调经济性及切负荷率公平性的紧急负荷控制优化方法
CN107069705A (zh) 一种电网元件连锁故障模拟方法
CN111753420A (zh) 面向电力信息物理系统级联故障仿真方法、系统和存储介质
Azari et al. Optimal coordination of directional overcurrent relays in distribution systems based on network splitting
Sadeh et al. Coordination of overcurrent and distance relays using hybrid particle swarm optimization
Keskes et al. Optimal tuning of power system stabilizer using genetic algorithm to improve power system stability
Lin et al. A physical-data combined power grid dynamic frequency prediction methodology based on adaptive neuro-fuzzy inference system
Moravej et al. Coordination of distance and directional overcurrent relays using a new algorithm: grey wolf optimizer
Ferraz et al. Genetic optimization-based overcurrent relay coordination in a feeder with high distributed generation integration
CN113178863B (zh) 一种极限状态下的配电网拓扑快速调整和切负荷方法
CN106961350B (zh) 一种智能电网级联故障的仿真控制方法
CN111092430B (zh) 一种适应于电力系统恢复的应急资源优化配置方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201030

WW01 Invention patent application withdrawn after publication