CN112014645A - 一种基于混合模拟退火算法的接地电阻测量方法 - Google Patents
一种基于混合模拟退火算法的接地电阻测量方法 Download PDFInfo
- Publication number
- CN112014645A CN112014645A CN202010906922.4A CN202010906922A CN112014645A CN 112014645 A CN112014645 A CN 112014645A CN 202010906922 A CN202010906922 A CN 202010906922A CN 112014645 A CN112014645 A CN 112014645A
- Authority
- CN
- China
- Prior art keywords
- tower
- grounding
- new
- population
- chromosomes
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 18
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- 210000000349 chromosome Anatomy 0.000 claims description 35
- 239000004020 conductor Substances 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/20—Measuring earth resistance; Measuring contact resistance, e.g. of earth connections, e.g. plates
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
一种基于混合模拟退火算法的接地电阻测量方法,涉及输配电技术领域,为了克服现有技术的不足,本发明运用了混合模拟退火算法,该算法既继承了遗传算法的全局搜索能力,又有着模拟退火算法的局部搜索、快速收敛能力,在提高了求解速度的同时又保证了求解准确度,可以快速、准确地定位到全局最优解。本发明可以在不断开所有接地引下线的的情况下对各种区域各种类型的输电线路接地电阻进行精确度较高的实时监测,极大提高了工作效率和精确度的同时,降低了工作量和测量成本,该方法适用于杆塔接地电阻在线监测系统,应用前景非常广阔。
Description
技术领域
本发明涉及输配电技术领域,尤其涉及一种基于混合模拟退火算法的接地电阻测量方法。
背景技术
如今,我国经济的发展和人民生活水平的提高与电力系统的关系越来越密切,输电线路作为电力系统的重要一环,其安全性和稳定性显得尤为重要。而杆塔接地装置的防雷能力便对其有着直接影响,若接地电阻过大,会因产生反击过电压,造成跳闸事故。因此,定期测量接地电阻值,对保证输电线路安全稳定尤为重要。
参见《电子测量与仪器学报》由行鸿彦、何贵先、徐伟等人发表的论文“混合遗传算法在接地电阻测量中的应用”中提出了一种在双钳法的基础上引入混合遗传算法的接地电阻测量方法,该方法将遗传算法与经典算法相结合,以弥补经典算法会陷入局部最优解的缺陷,从而较好的消除传统双钳法在测量电阻时带来的测量误差,但该算法所采用的经典算法仍存在对初始值要求较高以及计算结果不够精确的缺陷。因此,进一步研究杆塔接地电阻测量方法,保证测量的高效性和准确性成为了亟须解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种基于混合模拟退火算法的接地电阻测量方法,以提高测量结果的准确度,保证输电线路的安全性和稳定性。
本发明解决其技术问题是通过以下技术方案实现的:
一种基于混合模拟退火算法的接地电阻测量方法,其特征是,包括以下步骤:
步骤1,产生初始种群S1,设置解区间,设置种群规模N,设置交叉概率Pc,设置变异率Pm,设置迭代次数T,二进制数编码染色体;
步骤2,测量各杆塔接地电阻,当被测输电线路有避雷线且直接与杆塔相连并接入大地时,与被测杆塔在同一线路内的其余所有杆塔与避雷线构成了一个并联网络,网络内的每一个杆塔都为一个支路,根据被测杆塔接地引下线的根数测量并计算每一个杆塔的接地电阻阻值并记录为Ri;
步骤3,建立个体适应度函数并计算;
步骤4,执行选择、交叉、变异,
计算初始种群S1中的各染色体的选择概率,选择概率Psi计算公式为:
遵从适应度值越好的个体被选择的概率越大的原则,按照选择概率每次从 S1中选择一个染色体进行复制,重复操作N次,选择出来的染色体组成新的种群S2;
按照交叉概率Pc,从S2中随机选出一定数目的染色体,执行交叉操作,产生的新的染色体代替原染色体,组成新的种群S3;
按照变异概率Pm,从S3中随机选出一定数目的染色体,执行变异操作,产生的新的染色体代替原染色体,组成新的种群S4;
步骤5,寻找种群中心R0,迭代次数加1,以新种群S4为初始种群,回到步骤4重新执行选择、交叉、变异操作,如此反复,直至迭代次数达到T的最大值1000时,取该过程中具有最大适应度的个体作为最优解R0;
步骤6,执行加温操作,将最优解R0作为模拟退火算法的初始解,设置初始温度T,设置结束温度T1,再次计算目标函数fi(R0);
步骤7,执行等温操作,扰动随机产生新解R0′,并计算目标函数fi(R0′),计算Δfi=fi(R0′)-fi(R0),根据Δfi取值情况接受新解;
若Δfi<0成立,则接受新解R0=R0′,fi(R0)=fi(R0′);
若Δfi<0不成立,则按Metropoils准则以概率exp(-Δfi/T)接受新解;
步骤8,执行冷却操作,判断是否满足终止条件,终止条件为连续若干个新解都没有被接受或达到设定的结束温度,则终止算法;
若不满足终止条件,则温度降低1度,重置迭代次数,回到步骤7重新执行,重复该操作直至找到满足终止条件的最优解或达到结束温度时,终止算法;
若满足终止条件,则该解为全局最优解,输出最优解并终止算法。
本发明的有益效果是:
(1)本发明可以在不断开所有接地引下线的的情况下对各种区域各种类型的输电线路接地电阻进行精确度较高的实时监测,极大提高了工作效率和精确度的同时,降低了工作量和测量成本,该方法适用于杆塔接地电阻在线监测系统,应用前景非常广阔。
(2)本发明运用了混合模拟退火算法,该算法既继承了遗传算法的全局搜索能力,又有着模拟退火算法的局部搜索、快速收敛能力,在提高了求解速度的同时又保证了求解准确度,可以快速、准确地定位到全局最优解。
附图说明
图1为本发明一种基于混合模拟退火算法的接地电阻测量方法流程图。
图2为单根接地线等效模型图。
图3为简化后的单根接地线等效模型图。
图4为简化后的多根接地线等效模型图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示,一种基于混合模拟退火算法的接地电阻测量方法,其包括以下步骤:
步骤1,产生初始种群S1,设置解区间,设置种群规模N,设置交叉概率 Pc,设置变异率Pm,设置迭代次数T,二进制数编码染色体。
设置种群规模N=6,六个初始染色体为x1=12,x2=15,x3=18, x4=10,x5=16,x6=19,交叉概率Pc=0.66,变异概率Pm=0.001,迭代次数T=1000;
采用五位二进制数编码初始染色体后生成初始种群S1;
初始种群S1:x1=12(01100)、x2=15(01111)、x3=18(10010)、x4=10 (01010)、x5=16(10000)、x6=19(10011)。
步骤2,测量各杆塔接地电阻,当被测输电线路有避雷线且直接与杆塔相连并接入大地时,与被测杆塔在同一线路内的其余所有杆塔与避雷线构成了一个并联网络,网络内的每一个杆塔都为一个支路,根据被测杆塔接地引下线的根数测量并计算每一个杆塔的接地电阻阻值并记录为Ri。
步骤3,建立个体适应度函数并计算;
步骤4,执行选择、交叉、变异;
计算初始种群S1中的各染色体的选择概率,选择概率Psi计算公式为:
所述初始种群S1的适应度分别为:f1=52、f2=26、f3=45、f4=33、f5=78、 f6=55,则各初始染色体的选择概率分别为:P(x1)=0.18、P(x2)=0.09、P (x3)=0.16、P(x4)=0.11、P(x5)=0.27、P(x6)=0.19;
遵从适应度值越好的个体被选择的概率越大的原则,按照选择概率每次从S1中选择一个染色体进行复制,重复操作N次,选择出来的染色体组成新的种群S2。
上述的各染色体的选择概率中P(x2)最小,P(x5)最大,则新生成的种群S2可能为x1=12(01100)、x2=16(10000)、x3=18(10010)、x4=10(01010)、 x5=16(10000)、x6=19(10011)。
按照交叉概率Pc,从S2中随机选出一定数目的染色体,执行交叉操作,产生的新的染色体代替原染色体,组成新的种群S3。
令交叉概率为0.66,即6个染色体中有两对配对并执行了交叉操作,假设 x2、x3为一对,x5、x6为另一对,则分别交换后两位基因后得到的新种群S3 为:x1=12(01100)、x2=18(10010)、x3=16(10000)、x4=10(01010)、x5=19 (10011)、x6=16(10000);
按照变异概率Pm,从S3中随机选出一定数目的染色体,执行变异操作,产生的新的染色体代替原染色体,组成新的种群S4。
令种群S3中的基因数为6*5=30,由于变异概率Pm为0.001,则可变异的基因数为30*0.001=0.03不足1位,所以不执行变异操作,即生成的种群S4为 x1=12(01100)、x2=18(10010)、x3=16(10000)、x4=10(01010)、x5=19 (10011)、x6=16(10000)。
步骤5,寻找种群中心R0,迭代次数加1,以新种群S4为初始种群,回到步骤4重新执行选择、交叉、变异操作,如此反复,直至迭代次数达到T的最大值1000时,取该过程中具有最大适应度的个体作为最优解R0。
步骤6,执行加温操作,将最优解R0作为模拟退火算法的初始解,设置初始温度T,设置结束温度T1,再次计算目标函数fi(R0)。
设置初始温度T=100,结束温度T1=0。
步骤7,执行等温操作,扰动随机产生新解R0′,并计算目标函数fi(R0′),计算Δfi=fi(R0′)-fi(R0),根据Δfi取值情况接受新解;
若Δfi<0成立,则接受新解R0=R0′,fi(R0)=fi(R0′);
若Δfi<0不成立,则按Metropoils准则以概率exp(-Δfi/T)接受新解。
fi(R0′)=15,fi(R0)=12,则Δfi=3<0不成立,则以概率exp(-3/100)接受新解。
步骤8,执行冷却操作,判断是否满足终止条件,终止条件为连续若干个新解都没有被接受或达到设定的结束温度,则终止算法;
若不满足终止条件,则温度降低1度,重置迭代次数,回到步骤7重新执行,重复该操作直至找到满足终止条件的最优解或达到结束温度时,终止算法;
若满足终止条件,则该解为全局最优解,输出最优解并终止算法。
本发明针对输电线路杆塔接地电阻测量方法的不足,提出了一种基于混合模拟退火算法的接地电阻检测方法,并用Matlab进行仿真验证,以5基杆塔为例,将基于混合模拟退火算法的误差仿真结果与传统接地电阻算法的误差结果相比较,为了保证实验的准确性,进行了3次实验,其结果如表1所示。
表1为使用和未使用混合模拟算法计算结果误差比较。
表1
从表1中可以看出,使用混合模拟退火算法计算的结果误差远远小于不使用该算法计算的结果误差。
通过仿真分析和实际应用表明,该方法有着操作简便,测量精度高,可在线监测等特点,可以完全取代传统的人工测量方法,极大地提高了工作人员的工作效率,应用前景非常广阔。
Claims (2)
1.一种基于混合模拟退火算法的接地电阻测量方法,其特征是,包括以下步骤:
步骤1,产生初始种群S1,设置解区间,设置种群规模N,设置交叉概率Pc,设置变异率Pm,设置迭代次数T,二进制数编码染色体;
步骤2,测量各杆塔接地电阻,当被测输电线路有避雷线且直接与杆塔相连并接入大地时,与被测杆塔在同一线路内的其余所有杆塔与避雷线构成了一个并联网络,网络内的每一个杆塔都为一个支路,根据被测杆塔接地引下线的根数测量并计算每一个杆塔的接地电阻阻值并记录为Ri;
步骤3,建立个体适应度函数并计算;
步骤4,执行选择、交叉、变异,
计算初始种群S1中的各染色体的选择概率,选择概率Psi计算公式为:
按照选择概率Ps,每次从S1中选择一个染色体进行复制,重复操作N次,选择出来的染色体组成新的种群S2;
按照交叉概率Pc,从S2中随机选出一定数目的染色体,执行交叉操作,产生的新的染色体代替原染色体,组成新的种群S3;
按照变异概率Pm,从S3中随机选出一定数目的染色体,执行变异操作,产生的新的染色体代替原染色体,组成新的种群S4;
步骤5,寻找种群中心R0,迭代次数加1,以新种群S4为初始种群,回到步骤4重新执行选择、交叉、变异操作,如此反复,直至迭代次数达到T的最大值1000时,取该过程中具有最大适应度的个体作为最优解R0;
步骤6,执行加温操作,将最优解R0作为模拟退火算法的初始解,设置初始温度T,设置结束温度T1,再次计算目标函数fi(R0);
步骤7,执行等温操作,扰动随机产生新解R0′,并计算目标函数fi(R0′),计算Δfi=fi(R0′)-fi(R0),根据Δfi取值情况接受新解;
若Δfi<0成立,则接受新解R0=R0′,fi(R0)=fi(R0′);
若Δfi<0不成立,则按Metropoils准则以概率exp(-Δfi/T)接受新解;
步骤8,执行冷却操作,判断是否满足终止条件,终止条件为连续若干个新解都没有被接受或达到设定的结束温度,则终止算法;
若不满足终止条件,则温度降低1度,重置迭代次数,回到步骤7重新执行,重复该操作直至找到满足终止条件的最优解或达到结束温度时,终止算法;
若满足终止条件,则该解为全局最优解,输出最优解并终止算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906922.4A CN112014645A (zh) | 2020-08-31 | 2020-08-31 | 一种基于混合模拟退火算法的接地电阻测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906922.4A CN112014645A (zh) | 2020-08-31 | 2020-08-31 | 一种基于混合模拟退火算法的接地电阻测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112014645A true CN112014645A (zh) | 2020-12-01 |
Family
ID=73517138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010906922.4A Pending CN112014645A (zh) | 2020-08-31 | 2020-08-31 | 一种基于混合模拟退火算法的接地电阻测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112014645A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014175298A (ja) * | 2013-03-13 | 2014-09-22 | Railway Technical Research Institute | 接地装置 |
CN105740227A (zh) * | 2016-01-21 | 2016-07-06 | 云南大学 | 一种求解中文分词中新词的遗传模拟退火方法 |
CN105738703A (zh) * | 2016-03-31 | 2016-07-06 | 南京信息工程大学 | 一种接地电阻的在线测量装置及测量方法 |
-
2020
- 2020-08-31 CN CN202010906922.4A patent/CN112014645A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014175298A (ja) * | 2013-03-13 | 2014-09-22 | Railway Technical Research Institute | 接地装置 |
CN105740227A (zh) * | 2016-01-21 | 2016-07-06 | 云南大学 | 一种求解中文分词中新词的遗传模拟退火方法 |
CN105738703A (zh) * | 2016-03-31 | 2016-07-06 | 南京信息工程大学 | 一种接地电阻的在线测量装置及测量方法 |
Non-Patent Citations (5)
Title |
---|
唐连生,李思寰,张雷: "全局优化理论几种算法的改进研究", 中国财富出版社, pages: 151 - 50 * |
张焕国,覃中平, 武汉大学出版社 * |
李政伟等: "改进的退火遗传优化策略应用研究", 《计算机工程与应用》 * |
李政伟等: "改进的退火遗传优化策略应用研究", 《计算机工程与应用》, vol. 46, no. 04, 1 February 2010 (2010-02-01), pages 245 - 247 * |
行鸿彦: "混合遗传算法在接地电阻测量中的应用", 《电子测量与仪器学报》, vol. 30, no. 9, 15 September 2016 (2016-09-15), pages 1390 - 1394 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN106897821B (zh) | 一种暂态评估特征选择方法及装置 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN105738703B (zh) | 一种接地电阻的在线测量装置及测量方法 | |
US20230052730A1 (en) | Method for predicting operation state of power distribution network with distributed generations based on scene analysis | |
CN115480204A (zh) | 基于大数据推演的电流互感器运行误差在线评估优化方法 | |
CN114065875A (zh) | 基于大数据的电力电网故障识别系统 | |
Shariatinasab et al. | Statistical evaluation of lightning-related failures for the optimal location of surge arresters on the power networks | |
CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
Zhuang et al. | Adaptive strategies in the leader propagation model for lightning shielding failure evaluation: implementation and applications | |
CN115545479A (zh) | 一种配电网重要节点或重要线路的确定方法及装置 | |
CN112014645A (zh) | 一种基于混合模拟退火算法的接地电阻测量方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN117590147A (zh) | 基于多层前馈神经网络和遗传算法的电缆故障检测方法 | |
CN113376480A (zh) | 配电网接地故障选线方法 | |
CN108183499B (zh) | 一种基于拉丁超立方抽样概率潮流的静态安全分析方法 | |
CN109918612B (zh) | 一种基于稀疏学习的台区拓扑结构校验方法 | |
CN107785875B (zh) | 一种计算单极接地故障时产生线路操作过电压的方法及系统 | |
CN111429043A (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
CN112051479A (zh) | 一种配电网运行状态识别方法及系统 | |
Elishco et al. | The capacity of some Pólya string models | |
CN113608066A (zh) | 一种基于磁场检测的配网架空线路单相接地故障定位方法 | |
Rosli et al. | Improving state estimation accuracy through incremental meter placement using new evolutionary strategy | |
CN111461214A (zh) | 一种基于随机森林算法的绝缘管母故障自动诊断方法 | |
CN114184766A (zh) | 一种基于腐蚀离子的接地网土壤危害特性评估平台及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |
|
RJ01 | Rejection of invention patent application after publication |