CN112557811A - 一种基于改进遗传算法的含分布式电源配电网故障定位 - Google Patents
一种基于改进遗传算法的含分布式电源配电网故障定位 Download PDFInfo
- Publication number
- CN112557811A CN112557811A CN202011307680.3A CN202011307680A CN112557811A CN 112557811 A CN112557811 A CN 112557811A CN 202011307680 A CN202011307680 A CN 202011307680A CN 112557811 A CN112557811 A CN 112557811A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- genetic algorithm
- population
- power distribution
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 230000002068 genetic effect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000178 monomer Substances 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000013178 mathematical model Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种基于改进遗传算法的含分布式电源配电网故障定位方法,本发明的目的是采用改进遗传算法提高故障点的定位速度和定位准确度。其方法包括:建立配电网故障定位数学模型,建立线路的运行状态和配电开关状态之间的联系函数,建立评价函数来评估目标值的适应度,在传统的遗传算法产生初始种群中进行改进,分为N个(基于配电网络节点个数确定)不同的种群,用单点交叉取代传统的个体交叉,使得每个种群中的个体都分别代表不同的故障类型,通过算例仿真跟传统的算法进行对比。本发明通过改进遗传算法的初始种群,提出单体交叉,能够减少多余的种群搜索,更快的确定故障种群,提高故障点的搜索速度。
Description
技术领域
本发明属于配电网的故障定位领域,涉及一种基于改进遗传算法的分布式电源配电网故障定位技术。
背景技术
目前,随着人们对电能质量的要求不断提高,配电网的发展也越来越向稳定、节能、环保方向发展。各类分布式电源大量接入配电网,使得传统的辐射状网络变成含有中小型电源的多电源网络,这也给配电网的故障定位带来困难。
目前,针对电力系统故障诊断的方法较多,主要有:(1)矩阵算法,它是一种简单直观的方法,计算速度快,但在应对信息畸变的情况时容易出错,由于馈线终端单元(FeederTerminal Unit,FTU)多安装在自然环境比较恶劣的户外,上传的信息容易发生丢失和畸变,所以该算法的应用效果并不理想。(2)蚁群算法、粒子群算法、神经网络算法等虽然具有较好的容错性,但随着配电网的结构越来越复杂,在故障定位时过程繁琐,需要大量的信息处理和数据运算,不能快速的进行故障诊断定位。
跟上述几种方法相比较,基于改进的遗传算法,将传统的种群改进为每一种群代表一种故障类型,能够在搜索范围缩小的情况下,能够快速的对常发生的少重故障进行定位,使得算法效率更高。
发明内容
本发明的目的是对遗传算法中全局搜索范围太广,搜索速率慢进行改进,提出一种能够减少多余搜索步骤,更加快速,全面,准确地进行故障定位。
为解决上述技术问题,本发明采用的技术方案是:该基于改进遗传算法的分布式电源配电网故障定位技术,具体包括以下步骤,相关流程图参见图1:
(1)建立配电网故障定位数学函数模型,对配电网中线路的检测装置检测到的故障电流进行编码;
(2)对遗传算法中生成初始种群进行改进,依次生成不同的种群,使不同的种群分别代表不同的故障;
(3)建立一个能够把当前线路的运行状况和配电开关状态相互联系的函数,来反映开关故障电流越限信息与线路状态的关系,同时兼顾分布式并入的影响;
(4)将遗传算法中的个体交叉替换成单体交叉,能够确保每一种群所代表的不同故障不变的情况下,扩大个体的多样性,同时对同一种群中的个体进行选择和淘汰;
(5)建立一个能够反映所测故障点准确度的函数,即适应度函数,适应度越大说明所得到的故障点越准确。
本发明提出的基于改进遗传算法的含分布式电源配电网故障定位,其内容包括对遗传算法的种群进行改进,分为N个(基于配电网络节点个数确定)不同的种群,使得每个种群中的个体都分别代表不同的故障类型。对遗传算法中的个体交叉进行改进,把个体交叉替换成单体交叉以确保不同种群的不同故障类型不变,同时提高算法对配电网故障定位诊断的效率,提高准确度。
附图说明
下面结合附图和本发明的实施方式进一步详细说明:
图1为基于聚类和关联规则挖掘的电力通信网风险评估系统的流程示意图
图2为配电网结构图
图3为无畸变情况下实验仿真图
图4为有畸变情况下实验仿真图
具体实施方式
下面结合实施实例对本发明做进一步详细阐述:
一种基于改进遗传算法的含分布式电源配电网故障定位方法,包括以下步骤:
步骤1、建立配电网故障定位数学函数模型,对配电网中线路的检测装置检测到的故障电流进行编码。
所述步骤1的具体步骤包括:
配电网故障区间定位的问题实质上可以描述成一个离散约束条件下的最优化问题,在含分布式电源配电网中,传统的二元故障状态编码方式不再适用,配电网的分布式电源的接入导致系统与DG之间配电网结构图间的电流方向无法确定,故引入三元编码形式,用Ij表示第j个开关的状态:编码为1表示有故障电流流过且与正方形相同;编码为0表示无故障电流流过;编码为-1表示有故障电流流过且与正方向相反。其编码方式如下:
配电网联络结构图如图2所示,假设配电网线路4,8,12故障,DG1,DG3,DG4为1,DG2为0。遗传算法的基因长度为12,则根据编码规则,FTU上传的信息为[1111-11110-111]
步骤2、对遗传算法中生成初始种群进行改进,依次生成不同的种群,使不同的种群分别代表不同的故障。
所述步骤2的具体步骤包括:
遗传算法中初始种群的生成是随机生成的,其中包含着所有故障种群,当配电网发生单重故障时,算法对初始种群进行筛选,会消耗大量的时间处理单重故障以外的种群个体,本发明对遗传算法中初始种群的改进在于以故障类型来生成不同的种群,如单重故障对应的初始种群为[a1a2a3a4...ai](其中i为配电网联络结构图中区段的个数)单重故障时,生成的初始种群中a1a2a3a4...ai中有且只有一位ak(k∈[1,i])为1,其余全为0。双重故障对应的初始种群为[a1a2a3a4...ai](其中i为配电网联络结构图中区段的个数),生成的初始种群中a1a2a3a4...ai中有且只有两位ak、aj(k∈[1,i]、j∈[1,i]其中k≠j)为1,其余全为0。最多只能生成i个种群,在算法运行时根据故障个数生成相应的种群。
步骤3、建立一个能够把当前线路的运行状况和配电开关状态相互联系的函数,来反映开关故障电流越限信息与线路状态的关系,同时兼顾分布式并入的影响。
所述步骤3的具体步骤包括:
在含DG配电网运行中如果发生故障时,这一时刻的开关电流信号由FTU返回到SCADA系统中,并且由系统做出分析。但此时得到的是开关电流的信息而不是故障线路的信息。故需要建立一个由故障线路信息到开关电流信息的转换,在含有DG的配电网中,开关的过流不止与一个电源有关。在含有DG的配电网开关函数如下式所示:
Ij *(s)=Iju(s)-Ijd(s)
式中,Ij *(s)表示节点j的开关函数;Iju(s)、Ijd(s)分别表示节点j的上游开关函数和下游开关函数;sj,su、sj,sd分别表示节点j到上游电源su、节点j到下游电源sd之间区段的状态,su和sd包括主电源S、分布式电源DG、感性负荷L三种类型。M′、N′分别为上游电源的个数和下游电源个数;sj,d、sj,u分别表示节点j所有下游区段的状态、节点j所有上游区段的状态;M、N分别为上游所有区段的个数和下游所有区段的个数;Π表示逻辑或;Ku、Kd分别为上游和下游的电源系数,电源接入时为1,电源不接时为0。
步骤4、将遗传算法中的个体交叉替换成单体交叉,能够确保每一种群所代表的不同故障不变的情况下,扩大个体的多样性,同时对同一种群中的个体进行选择和淘汰。
所述步骤4的具体步骤包括:
对个体交叉进行改进,使用单体交叉在确保各种群所代表的各重故障不变的情况下增加种群中个体的多样性。在进行适应度函数的评估下,在选择最优解时能够更小的进行种群中个体基因的变动,从而更快地获得最优解。以图2配电网结构为例,生成三重故障种群时,其中某一个体为001010100000时,如果进行个体交叉,与另一个体001100100000进行交叉时,生成新的个体为001110100000,此个体不再是三重故障的个体。当使用单体交叉时,生成三重故障种群时,其中某一个体也为001010100000时,进行单体交叉时,随机选择其中某一位进行交叉,如第三位和第四位进行交叉,交叉后的个体为000110100000,仍为三重故障种群的个体,其种类不变。
步骤5、建立一个能够反映所测故障点准确度的函数,即适应度函数,适应度越大说明所得到的故障点越准确。
所述步骤5的具体步骤包括:
适应度函数对遗传算法得到最优解起到关键作用,在配电网故障定位中不同的适应度函数会有不同的结果,同时在容错能力上也有不同。即在一种故障状态下,当取得最优解时,那这一组线路状态所对应的适应度值最大。适应度函数为:
式中:N是一个远大于开关个数的正整数,将适应度值转化成最大值问题,P是开关函数的个数,Q是配电网线路的数目,为防止误判漏判附加项,为了防止以恶搞最优解对应多个解的情况。一般ω在[0,1]范围中取值,该适应度函数符合故障诊断理论中的“最小集”概念,即在可能的故障诊断结果中选取故障线路数目最小的解,可避免漏判和误判。当故障诊断结果选取故障线路数目最小的解时,该适应度函数取得最大值。
为了验证此基于改进遗传算法的含分布式电源配电网故障定位的合理性和有效性,以图2所示的配电网结构作为算例,下面假设馈线区段在4,(4,7),(4,8,12)处分别发生了短路故障,利用FTU上传的信息输入目标函数,算法参数设置如下:DG1,DG3,DG4为1,DG2为0。设置种群数量为60,基因长度为12,最大迭代次数为50。利用此算法进行运算,图3为无畸变情况下实验仿真结果,图4为有畸变情况下实验仿真结果。分别进行20次仿真实验,结果如下:
由实验结果可知,基于改进遗传算法的含分布式电源配电网故障定位方法对于配电网发生单重故障、多重故障以及FTU信号畸变时都能够快速的进行故障定位,由实验仿真结果可知,特别是对于少重故障的配电网故障定位,本方法能够极大的提高算法的准确率和容错性。
Claims (6)
1.一种基于改进遗传算法的含分布式电源配电网故障定位,其特征在于,具体包括以下步骤:
(1)在配电网中对馈线终端单元监测点进行编码;
(2)对遗传算法中生成初始种群进行改进,使不同的种群分别代表不同的故障;
(3)建立一个由故障线路信息到开关电流信息的转换的函数,即开关函数;
(4)将遗传算法中的个体交叉替换成单体交叉,能够确保每一种群所代表的不同故障不变的情况下,同一种群中的个体进行选择和淘汰;
(5)建立一个能够反映所测故障点准确度的函数,即适应度函数,适应度越大说明所得到的故障点越准确。
3.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位,其特征在于,所述步骤(2)中对遗传算法生成初始种群进行改进,使之前包括所有故障可能的种群改变成若干个(个数取决于基因长度)种群,使每一个种群代表着不同重数的故障,诊断时能够排除不必要的种群,快速的诊断出故障区段。
4.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位,其特征在于,所述步骤(3)中开关函数的构建能够将故障线路信息和开关电流信息进行转换,反映开关故障电流越限信息与线路状态的关系,同时能够引入分布式电源的接入。开关函数为:
Ij *(s)=Iju(s)-Ijd(s)
式中,Ij *(s)表示节点j的开关函数;Iju(s)、Ijd(s)分别表示节点j的上游开关函数和下游开关函数;sj,su、sj,sd分别表示节点j到上游电源su、节点j到下游电源sd之间区段的状态,su和sd包括主电源S、分布式电源DG、感性负荷L三种类型。M′、N′分别为上游电源的个数和下游电源个数;sj,d、sj,u分别表示节点j所有下游区段的状态、节点j所有上游区段的状态;M、N分别为上游所有区段的个数和下游所有区段的个数;Π表示逻辑或;Ku、Kd分别为上游和下游的电源系数,电源接入时为1,电源不接时为0。
5.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位,其特征在于,所述步骤(4)中对个体交叉进行改进,使用单体交叉在确保各种群所代表的各重故障不变的情况下增加种群中个体的多样性。在进行适应度函数的评估下,在选择最优解时能够更小的进行种群中个体基因的变动,从而更快地获得最优解。
6.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位,其特征在于,所述步骤(5)中适应度函数对遗传算法得到最优解起到关键作用,在配电网故障定位中不同的适应度函数会有不同的结果,同时在容错能力上也有不同。即在一种故障状态下,当取得最优解时,那这一组线路状态所对应的适应度值最大。适应度函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307680.3A CN112557811B (zh) | 2020-11-19 | 2020-11-19 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307680.3A CN112557811B (zh) | 2020-11-19 | 2020-11-19 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112557811A true CN112557811A (zh) | 2021-03-26 |
CN112557811B CN112557811B (zh) | 2024-01-12 |
Family
ID=75044062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011307680.3A Active CN112557811B (zh) | 2020-11-19 | 2020-11-19 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557811B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945796A (zh) * | 2021-09-29 | 2022-01-18 | 集美大学 | 一种配电网故障定位方法、终端设备及存储介质 |
CN114325234A (zh) * | 2021-12-28 | 2022-04-12 | 国网江西省电力有限公司抚州供电分公司 | 一种基于遗传优化算法的配电网故障定位方法 |
CN115932476A (zh) * | 2022-12-12 | 2023-04-07 | 触景无限科技(北京)有限公司 | 基于数字孪生的故障定位方法、装置、电子设备及介质 |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5773980A (en) * | 1997-01-30 | 1998-06-30 | Abb Power T&D Company, Inc. | One-terminal fault location system that corrects for fault resistance effects |
JP2003296738A (ja) * | 2002-04-02 | 2003-10-17 | Fuji Heavy Ind Ltd | パターン認識装置 |
CN102981099A (zh) * | 2012-12-10 | 2013-03-20 | 辽宁省电力有限公司沈阳供电公司 | 基于遗传算法的配电网单相接地故障定位方法及定位装置 |
CN104618134A (zh) * | 2014-12-25 | 2015-05-13 | 国家电网公司 | 一种配电通信网多级分光无源光网络优化方法 |
CN105098762A (zh) * | 2014-05-09 | 2015-11-25 | 国家电网公司 | 一种含分布式电源配电网的孤岛划分方法 |
CN105486983A (zh) * | 2016-01-03 | 2016-04-13 | 国网江西省电力科学研究院 | 一种具有容错性的含分布式电源配电网故障定位方法 |
CN106405319A (zh) * | 2015-07-30 | 2017-02-15 | 南京理工大学 | 一种基于启发式信息的粗糙集电力系统故障诊断方法 |
CN106771863A (zh) * | 2016-12-09 | 2017-05-31 | 国网江苏省电力公司苏州供电公司 | 高压电缆—架空线混合输电线路的短路故障定位方法 |
CN106843211A (zh) * | 2017-02-07 | 2017-06-13 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
CN106934459A (zh) * | 2017-02-03 | 2017-07-07 | 西北工业大学 | 一种基于种群进化过程的自适应遗传算法 |
CN107015112A (zh) * | 2017-04-10 | 2017-08-04 | 福州大学 | 一种基于改进和声算法的配电线路故障区段定位方法 |
CN107611966A (zh) * | 2017-09-20 | 2018-01-19 | 天津大学 | 一种考虑差异可靠性的有源配电网供电能力评估方法 |
CN107861026A (zh) * | 2017-11-02 | 2018-03-30 | 湖北工业大学 | 一种基于混合免疫算法的配电网故障定位方法 |
CN107967171A (zh) * | 2017-12-01 | 2018-04-27 | 电子科技大学 | 一种云环境下基于遗传算法的多工作流调度方法 |
CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
CN108693771A (zh) * | 2017-04-10 | 2018-10-23 | 南京理工大学 | 一种基于多种群遗传算法的配电网故障区段定位算法 |
CN108710742A (zh) * | 2018-05-14 | 2018-10-26 | 南京工程学院 | 一种基于pgsa-ga混合算法的故障区段定位方法 |
CN108880886A (zh) * | 2018-06-20 | 2018-11-23 | 国家电网公司信息通信分公司 | 一种跨区域电力系统保护通信网规划方法 |
CN108957226A (zh) * | 2018-06-21 | 2018-12-07 | 西安理工大学 | 一种适用于含高比例分布式电源接入配电网的故障馈线定位方法 |
CN108957246A (zh) * | 2018-09-27 | 2018-12-07 | 广东电网有限责任公司 | 一种基于粒子群的配电网故障定位方法 |
CN110148971A (zh) * | 2019-05-24 | 2019-08-20 | 安徽理工大学 | 一种分布式电源优化配置方法 |
CN110261735A (zh) * | 2019-06-18 | 2019-09-20 | 西华大学 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
CN110332935A (zh) * | 2019-05-22 | 2019-10-15 | 南通大学 | 一种基于改进遗传算法的agv系统路径规划方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
CN110988596A (zh) * | 2019-12-11 | 2020-04-10 | 国网山东省电力公司日照供电公司 | 一种新型主动配电网故障区段定位方法 |
CN111487563A (zh) * | 2020-05-15 | 2020-08-04 | 国网江苏省电力有限公司电力科学研究院 | 基于遗传算法及属性支持度的变压器状态知识获取方法及设备 |
CN115603795A (zh) * | 2022-10-08 | 2023-01-13 | 中国空间技术研究院(Cn) | 一种dtp通道受限场景下的波束功率带宽分配方法 |
-
2020
- 2020-11-19 CN CN202011307680.3A patent/CN112557811B/zh active Active
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5773980A (en) * | 1997-01-30 | 1998-06-30 | Abb Power T&D Company, Inc. | One-terminal fault location system that corrects for fault resistance effects |
JP2003296738A (ja) * | 2002-04-02 | 2003-10-17 | Fuji Heavy Ind Ltd | パターン認識装置 |
CN102981099A (zh) * | 2012-12-10 | 2013-03-20 | 辽宁省电力有限公司沈阳供电公司 | 基于遗传算法的配电网单相接地故障定位方法及定位装置 |
CN105098762A (zh) * | 2014-05-09 | 2015-11-25 | 国家电网公司 | 一种含分布式电源配电网的孤岛划分方法 |
CN104618134A (zh) * | 2014-12-25 | 2015-05-13 | 国家电网公司 | 一种配电通信网多级分光无源光网络优化方法 |
CN106405319A (zh) * | 2015-07-30 | 2017-02-15 | 南京理工大学 | 一种基于启发式信息的粗糙集电力系统故障诊断方法 |
CN105486983A (zh) * | 2016-01-03 | 2016-04-13 | 国网江西省电力科学研究院 | 一种具有容错性的含分布式电源配电网故障定位方法 |
CN106771863A (zh) * | 2016-12-09 | 2017-05-31 | 国网江苏省电力公司苏州供电公司 | 高压电缆—架空线混合输电线路的短路故障定位方法 |
CN106934459A (zh) * | 2017-02-03 | 2017-07-07 | 西北工业大学 | 一种基于种群进化过程的自适应遗传算法 |
CN106843211A (zh) * | 2017-02-07 | 2017-06-13 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
CN108693771A (zh) * | 2017-04-10 | 2018-10-23 | 南京理工大学 | 一种基于多种群遗传算法的配电网故障区段定位算法 |
CN107015112A (zh) * | 2017-04-10 | 2017-08-04 | 福州大学 | 一种基于改进和声算法的配电线路故障区段定位方法 |
CN107611966A (zh) * | 2017-09-20 | 2018-01-19 | 天津大学 | 一种考虑差异可靠性的有源配电网供电能力评估方法 |
CN107861026A (zh) * | 2017-11-02 | 2018-03-30 | 湖北工业大学 | 一种基于混合免疫算法的配电网故障定位方法 |
CN107967171A (zh) * | 2017-12-01 | 2018-04-27 | 电子科技大学 | 一种云环境下基于遗传算法的多工作流调度方法 |
CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
CN108710742A (zh) * | 2018-05-14 | 2018-10-26 | 南京工程学院 | 一种基于pgsa-ga混合算法的故障区段定位方法 |
CN108880886A (zh) * | 2018-06-20 | 2018-11-23 | 国家电网公司信息通信分公司 | 一种跨区域电力系统保护通信网规划方法 |
CN108957226A (zh) * | 2018-06-21 | 2018-12-07 | 西安理工大学 | 一种适用于含高比例分布式电源接入配电网的故障馈线定位方法 |
CN108957246A (zh) * | 2018-09-27 | 2018-12-07 | 广东电网有限责任公司 | 一种基于粒子群的配电网故障定位方法 |
CN110332935A (zh) * | 2019-05-22 | 2019-10-15 | 南通大学 | 一种基于改进遗传算法的agv系统路径规划方法 |
CN110148971A (zh) * | 2019-05-24 | 2019-08-20 | 安徽理工大学 | 一种分布式电源优化配置方法 |
CN110261735A (zh) * | 2019-06-18 | 2019-09-20 | 西华大学 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
CN110988596A (zh) * | 2019-12-11 | 2020-04-10 | 国网山东省电力公司日照供电公司 | 一种新型主动配电网故障区段定位方法 |
CN111487563A (zh) * | 2020-05-15 | 2020-08-04 | 国网江苏省电力有限公司电力科学研究院 | 基于遗传算法及属性支持度的变压器状态知识获取方法及设备 |
CN115603795A (zh) * | 2022-10-08 | 2023-01-13 | 中国空间技术研究院(Cn) | 一种dtp通道受限场景下的波束功率带宽分配方法 |
Non-Patent Citations (5)
Title |
---|
ZHENG Z 等: "Fault location on transmission line using maximum correlation coefficient method", 《CEIDP》, pages 226 - 229 * |
王超学;吕志奇;董慧;崔杜武;孙有田;: "基于改进蜜蜂进化型遗传算法的含分布式电源的配电网重构", 电力系统保护与控制, no. 15, pages 58 - 62 * |
蔡伟强 等: "分种群遗传算法的含分布式电源配电网故障定位", 《兰州文理学院学报(自然科学版)》, vol. 35, no. 3, pages 63 - 68 * |
蔡伟强: "含分布式电源配电网故障定位与恢复重构研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 1, pages 042 - 2098 * |
颜景斌 等: "基于改进遗传算法的有源配电网故障定位分析", 《电力系统及其自动化学报》, vol. 31, no. 6, pages 107 - 112 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945796A (zh) * | 2021-09-29 | 2022-01-18 | 集美大学 | 一种配电网故障定位方法、终端设备及存储介质 |
CN113945796B (zh) * | 2021-09-29 | 2023-10-24 | 集美大学 | 一种配电网故障定位方法、终端设备及存储介质 |
CN114325234A (zh) * | 2021-12-28 | 2022-04-12 | 国网江西省电力有限公司抚州供电分公司 | 一种基于遗传优化算法的配电网故障定位方法 |
CN115932476A (zh) * | 2022-12-12 | 2023-04-07 | 触景无限科技(北京)有限公司 | 基于数字孪生的故障定位方法、装置、电子设备及介质 |
CN115932476B (zh) * | 2022-12-12 | 2023-08-29 | 触景无限科技(北京)有限公司 | 基于数字孪生的故障定位方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112557811B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112557811A (zh) | 一种基于改进遗传算法的含分布式电源配电网故障定位 | |
Zhu et al. | Intelligent short-term voltage stability assessment via spatial attention rectified RNN learning | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
Lu et al. | An optimal PMU placement with reliable zero injection observation | |
Yang et al. | Coordinated optimization for controlling short circuit current and multi-infeed DC interaction | |
CN108132423B (zh) | 一种基于状态转移概率电力系统监测数据失真的快速定位方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN113468745B (zh) | 一种基于历史故障的配电网可靠性快速评估方法及系统 | |
Xie et al. | Universal Transparent Artificial Neural Network‐Based Fault Section Diagnosis Models for Power Systems | |
CN111244937B (zh) | 一种电力系统暂态电压稳定性严重故障筛选方法 | |
Wang et al. | A fault segment location method for distribution networks based on spiking neural P systems and Bayesian estimation | |
Zhou et al. | Fault location for distribution networks with distributed generation sources using a hybrid DE/PSO algorithm | |
Ou et al. | Fault location analysis in active distribution network based on multi-population genetic algorithm | |
CN113191062A (zh) | 基于多源不完整信息的配电网故障区段定位方法及系统 | |
Li et al. | Fault location method of active distribution network based on graph theory and matrix algorithm | |
CN113484671A (zh) | 基于矩阵及智能算法的配电网故障定位方法和系统 | |
CN107818414B (zh) | 一种大规模交直流混联电网n-2预想事故集的生成方法 | |
CN107294099B (zh) | 一种考虑联络通道开关状态的220kV电网分区优化方法 | |
Sun et al. | Fault-section location of distribution network based on adaptive mutation shuffled frog leaping algorithm | |
Girish et al. | Novel Clustering-based Hidden Markov Model (CHMM) optimization approach for optimal PMU placement | |
CN113675877B (zh) | 一种基于深度学习的含分布式电源配网故障诊断方法 | |
Liu et al. | Fault Location Method of Distribution Network Based on Improved Adaptive Genetic Algorithm | |
CN116542000B (zh) | 基于源网数据分析的电网精细化管理系统 | |
Ren et al. | Research on intelligent evaluation model of transient stability based on K-means grouping |
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 |