CN112649695A - 一种基于节点全覆盖的配电网电能质量评估方案 - Google Patents
一种基于节点全覆盖的配电网电能质量评估方案 Download PDFInfo
- Publication number
- CN112649695A CN112649695A CN202011067285.2A CN202011067285A CN112649695A CN 112649695 A CN112649695 A CN 112649695A CN 202011067285 A CN202011067285 A CN 202011067285A CN 112649695 A CN112649695 A CN 112649695A
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- voltage
- phase
- particle
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 15
- 238000001303 quality assessment method Methods 0.000 title claims description 3
- 239000002245 particle Substances 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提出了一种基于节点全覆盖的配电网电能质量评估方案，该方案的设计步骤包括：1)建立基于虚拟节点的电网故障理论计算模型。引入故障位置参数λ。2)确定电压跌落评估方法。明确电压暂降评估中电压暂降频次和电压凹陷域的评估分析方法，比较各种不同故障下电压各相分量的变化；根据网络拓扑计算，得到正常运行时各节点的电压幅值和相位角，以及节点阻抗矩阵；编程求解各节点的故障电压、电压跌落频次和电压凹陷域，仿真证明结论。3)设计出基于PQMS监测数据的粒子群复杂故障位置识别方案。根据PQMS和SCADA系统确定故障类型、故障线路，因此知道故障位置参数就能故障定位。
Description
技术领域
改善电能质量是电力系统安全、稳定、经济运行的必要条件，是电网运行水平高低的重要指标，同时也是电力企业管理水平考核的重要标准。电网的电压暂降的评估是分析电压跌落的情况，从而用于指导电网规划、建设和改造，进一步提高电能质量，是当前电能质量研究中的一项重要内容。对特定关注节点进行电压暂降的分析能辅助敏感用户选择适合的电网接入点，避免因电压暂降问题而造成的经济损失，提高工业企业的总体经济效益。对于供电方来说，改善电气环境可以提高面向电力市场的电网经济效益。研究将日益丰富的电能质量监测数据用于故障定位的可能性，可以为供电部门快速精确的找到故障点并排除故障点提供新的方案和途径。
背景技术
电能质量的主要问题是电压暂降。对于电力系统来说，电能质量扰动会使得继电保护装置误动作、降低变压器的寿命、输电线损失增加，谐波还会影响电力系统的正常通讯，影响到电能质量监测的正常工作；对于用电企业来说，由于现代工业的发展，大量精密仪器和电力电子设备的使用，用户对于各种电磁干扰都极为敏感，轻微的电压暂降都可能会影响负荷端控制系统的正常运行，甚至导致生产线中断、产品报废等，直接影响到企业的经济效益；对于居民用户来说，电能质量污染会减低家用电器设备、电子设备等的使用寿命，影响日常生活。
对电压暂降评估研究目前主要方法有两大类，一是基于实测数据的评估分析方法，就是在节点安装电能质量监测设备从而获得数据，进而评估；二是基于数学模拟的随机预测评估分析方法，这种方法是以目标系统为研究对象，利用短时故障发生的概率来评估电压暂降时间的期望次数。对故障定位方面的研究目前国内和国外运用的算法都基本差不多，应用较为广泛的人工智能算法主要包括人工神经网络、遗传算法、蚁群算法、灰狼算法、模糊理论、粒子群算法、帝国竞争算法等，但利用人工智能算法总体存在故障模型不够完整、定位问题模型建立相对复杂和定位效率不高的缺点。本发明提出的基于PQMS监测数据的粒子群复杂故障位置识别方案能在大数据的基础上准确定位故障。
发明内容
本申请人针对现有技术，进行研究与改进，提供一种基于节点全覆盖的配电网电能质量评估方案。为了解决上述问题，本发明采用如下方案：
一种基于节点全覆盖的配电网电能质量评估方案，包括下述步骤：
1)建立基于虚拟节点的电网故障理论计算模型。将故障点视为新增的虚拟节点，引入故障位置参数λ，通过求解虚拟节点的自阻抗、与非故障点和敏感节点之间的互阻抗，求出当电网发生单相接地故障、两相故障、两相接地故障、三相故障时敏感节点的故障电压，从而求出电压跌落幅值；由于大部分故障发生在线路上，母线节点的故障情况较少，在线路故障分析时，特殊点λ＝0和λ＝1是母线节点故障；系统如果由变压器时，变压器的联接方式会影响故障电压，故障接地与故障不接地的电压转换公式不一样。
2)确定电压跌落评估方法。首先明确电压暂降评估中电压暂降频次和电压凹陷域的评估分析方法，然后用MATLAB/Simulink搭建IEEE-33节点配电网模型，对正常运行和故障运行时的仿真结果进行分析，比较各种不同故障下，电压各相分量的变化；接着根据网络拓扑结构和参数，编写程序对IEEE-33节点网络进行潮流计算，得到正常运行时各节点的电压幅值和相位角，以及节点阻抗矩阵；最后运用MATLAB编程，求解各节点的故障电压、电压跌落频次和电压凹陷域，用MATLAB/Simulink仿真证明结论的正确性。
3)设计出基于PQMS监测数据的粒子群复杂故障位置识别方案。由于粒子群算法具有并行处理、鲁棒性好等特点，能以较大概率、较快的收敛速度找到问题的最优解，所以本发明选择使用粒子群优化算法求解故障位置参数。多源信息融合提供了故障前的电网运行状态，根据PQMS记录的监测点的三相电压暂降波形可以识别故障类型，根据SCADA系统的PDR可确定故障线路。在不考虑故障电阻的情况下，故障类型和故障线路已知，因此故障位置参数就是故障定位的关键求解问题。
所述步骤1)中，电网故障电压计算理论模型，内容如下。
1)在复杂拓扑结构的n节点系统中，设节点j是随意选取的待考察敏感负荷接入点。电网中任何P处故障都可能导致该敏感负荷节点j处电压跌落。节点p的电压为：
节点自阻抗和互阻抗都具有明确的物理意义。若将Ip以外的电流置零，则：
若将Iq以外的电流置零，则：
如附图图1所示，假设节点p和节点q之间的f处发生了故障，Lenpq为节点p到节点q的距离，Lenpf为节点p到故障点f的距离，故障位置参数λ的取值为[0，1],故障f点的位置随参数λ＝0到λ＝1在pq线路上移动。将故障位置参数λ定义为：
如附图图2所示，根据互阻抗的定义，得到下式。可以看出故障节点f与任意节点j之间的互阻抗与故障位置参数λ、任意节点j(敏感节点)与故障线路两端节点的互阻抗有关。
如附图图3所示，根据自阻抗的定义，得到下式。可以看出故障节点f与任意节点j之间的互阻抗与故障位置参数λ、故障线路两端节点的自阻抗、互阻抗、线路阻抗有关。
如附图图4所示，根据互阻抗定义可以得到以下虚拟节点互阻抗的表达式。可以看出分布式线路虚拟节点互阻抗与故障位置参数λ、故障线路两端节点与任意节点j之间的互阻抗有关。
如附图图5所示，根据自阻抗的定义可以得到以下虚拟节点自阻抗的表达式。虚拟节点的自阻抗与故障位置参数λ、故障线路两端节点的自阻抗、故障线路两端节点与任意节点j之间的互阻抗有关。
2)故障情况
单相接地故障，故障节点A相电压表示为：
两相短路故障，序网中，任意节点j的三相故障电压为：
两相短路接地故障，序网中，任意节点j的三相故障电压为：
三相短路为对称短路。序网中，任意节点j的三相故障电压为：
所述步骤2)中，确定电压跌落评估方法，步骤如下。
1)电压暂降频次评估步骤如下，任意节点j的三相电压暂降年总次数为：
①设置好平衡节点，PQ节点、PV节点等，对电网进行初始潮流计算，计算出电网故障前(正常运行)各个节点的电压；
②根据网络的拓扑结结构和线路参数等，形成节点阻抗矩阵；
③设置待考察的敏感负荷接入节点j，根据线路参数、故障位置参数λ等形成故障点f(虚拟节点)和敏感负荷接入节点j的互阻抗和自阻抗；
④设定相应的电压跌落幅值区间[Ulow，Uhigh],求出对应的故障区间[λlow，λhigh]；
⑤计算出故障电压，或者由仿真模型仿真故障时得到的故障电压。然后结合故障区间内的线路故障次数Npq以及故障概率分布函数μ(λ)计算出由于pq线路故障而导致敏感节点j年电压跌落的频次；
⑥循环直至线路都计算完。
2)电压凹陷域评估步骤如下：
①设置好平衡节点，PQ节点、PV节点等，对电网进行初始潮流计算，计算出电网故障前(正常运行)各个节点的电压；
②根据网络的拓扑结结构和线路参数等，形成节点阻抗矩阵；
③设置待考察的敏感负荷接入节点j，根据线路参数、故障位置参数λ等形成故障点f(虚拟节点)和敏感负荷接入节点j的互阻抗和自阻抗；
④根据敏感节点的特性，设置合适的阈值电压Uthreshold；
⑤计算出故障电压，或者由仿真模型仿真故障时得到的故障电压；
⑥比较各个节点的故障电压幅值与设定的阈值电压Uthreshold之间的大小，列出表格，并根据表格数据，在电路网络结构图中画出阈值电压Uthreshold的电压凹陷域；
⑦循环直至线路都计算完。系统在无故障状态时独立静态无差调节有功无功，稳定安全地运行。
本发明采用标准IEEE－33节点的配电网系统对电压跌落进行评估，如附图图6所示；对该IEEE－33节点的配电网进行MATLAB潮流编程，程序框图如附图图7所示；对敏感节点j的故障电压求解进行MATLAB编程，程序框图如附图图8所示。
所述步骤3)中，设计基于PQMS监测数据的粒子群复杂故障位置识别方案。具体内容如下：
PSO算法首先在可行解空间中随机初始化粒子群，待优化问题的变量数决定解空间的维数。每个粒子有了初始位置与初始速度后开始迭代寻优。每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征。粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。粒子群优化算法如附图图9所示。
基于粒子群优化算法的故障位置识别，约束条件为：
0≤λ≤1 (14)
目标函数为：
其中q为监测点的数量；为监测点i的量测值；Ud为采用的敏感监测点的测量值。
粒子群算法中对粒子速度与位置的更新迭代过程，即寻找故障位置参数的最优解。不同速度与位置更新算法适用于不同的目标函数。由步骤2)和步骤3)可知所关注的敏感节点的电压和故障位置参数并不是单调函数的关系，在这里，选择式(16)进行迭代寻优，为不同的粒子分配不同的任务，对性能较好的粒子使用较大的惯性权重，对性能较差的粒子使用惯性叫小的权重，这样粒子的全局搜索能力相对来说会较强，而且收敛速度较快。
惯性权重的计算公式如下：
ω＝ωmax-(ωmax-ωmin)*i/T (16)
上式中，i为第i次迭代；T为迭代总次数；最大惯性权重设为0.9，最小惯性权重设为0.4。
粒子群算法的速度与位置更新公式如下：
附图说明
图1为输电线路故障示意图。
图2为故障位置参数示意图。
图3为虚拟节点自阻抗计算示意图。
图4为分布式线路的虚拟节点互阻抗计算示意图。
图5为分布式线路的虚拟节点自阻抗计算示意图。
图6为IEEE-33配电网。
图7为潮流计算程序框图。
图8为敏感节点j的故障电压求解编程框图。
图9为粒子群优化算法流程图。
图10为基于PSO的故障位置识别程序框图。
图11为IEEE-33模型。
图12为正常运行时节点5的电压仿真波形(瞬时值)。
图13为A相故障时节点5的电压仿真波形(瞬时值)。
图14为A相故障时节点5的电压凹陷波形(相电压幅值)。
图15为BC两相故障时节点5的电压仿真波形(瞬时值)。
图16为BC两相故障时节点5的电压凹陷波形(相电压幅值)。
图17为BC两相接地故障时节点5的电压仿真波形(瞬时值)。
图18为BC两相接地故障时节点5的电压凹陷波形(相电压幅值)。
图19为三相故障时节点5的电压仿真波形(瞬时值)。
图20为BC两相故障时节点5的电压凹陷波形(相电压幅值)。
图21为两相故障时敏感节点j的故障电压与故障位置参数λ的关系。
图22为单相短路和三相短路故障时节点5的凹陷域。
图23为Line23-24两相短路故障位置识别。
图24为粒子群算法识别故障位置的适应度进化曲线。
图25为粒子群算法寻找到的故障位置参数λ。
具体实施方式
结合附图与上述步骤对具体的实施方式和结果作进一步说明。
本方案选择在MATLAB/Simulink上实施，实施步骤分为以下两步：
1)电压跌落评估实施
①首先是用Simulink搭建IEEE-33节点配电网模型，如附图图11所示。
②对正常运行和故障运行时的仿真结果进行分析，比较各种不同故障下，电压各相分量的变化。正常运行时节点5的各相电压仿真实施波形如附图图12；Line6-7的A相短路故障，A相电压下降。节点5的电压瞬时值仿真波形如附图图13，电压凹陷如附图图14；Line6-7的B、C相短路故障，节点5的B相和C相电压下降。瞬时值仿真波形如附图图15，电压凹陷如附图图16；Line6-7的B、C两相接地短路故障，对比于B、C两相相短路故障来说，节点5的B、C相电压下降更多。仿真波形如附图图17，电压凹陷如附图图18；Line6-7的三相短路故障，节点5的电压瞬时值仿真波形如附图图19，电压凹陷如附图图20。
③根据网络拓扑结构和参数，编写程序对IEEE-33节点网络进行潮流计算，得到正常运行时各节点的电压幅值和相位角，以及节点阻抗矩阵。正常运行时各节点电压相量如表1所示。
表1正常运行时各节点电压相量
④运用MATLAB编程，求解各节点的故障电压、电压跌落频次和电压凹陷域，所关注的敏感节点j＝5，假设发生两相短路故障，故障所在线路分别为Lin2-3、Line19-20、Line26-27，在程序里面设置精度为0.0001，将得到的数据存入预设的数组里，得到节点j的故障电压与故障位置参数λ的关系如附图图21所示。从图中可以看出，所关注的敏感节点的电压与故障位置参数λ并不是都为单调函数，而是非单调函数，电压值随着故障点在线路上的移动既有上升过程也有下降过程，因此在阈值电压Uthreshold以下的区间可能不止一个，所以同一条线路，可能存在多个凹陷区间。
⑤电压凹陷域与电压暂降频次分析。设阈值电压为0.6p.u，求出线路任意位置发生单相短路(A相)故障和三相短路故障时，节点5的故障电压，得到故障位置参数λ与A相电压幅值的关系，求出障位置参数λ的区间，得到单相故障和三相故障时节点5的电压凹陷域表如表2所示，得到单相短路和三相短路故障时节点5的凹陷域如附图图22所示。对两相短路电压跌落频次分析，得到的跌落频次表如表3所示。
表2阈值电压为0.6p.u时节点5的电压凹陷域(单相、三相)
表3两相短路电压跌落频次
2)基于PQMS监测数据的故障定位方法的具体实施过程。
多源信息融合提供了故障前的电网运行状态，根据PQMS记录的监测点的三相电压暂降波形可以识别故障类型，根据SCADA系统的PDR可确定故障线路。在不考虑故障电阻的情况下，故障类型和故障线路已知，因此故障位置参数就是故障定位的关键求解问题。
设置粒子群个数N＝100；粒子维数D＝2；迭代最大次数T＝100。已知线路在Line23-24发生两相短路故障，节点5监测到的B相故障电压0.55p.u，根据粒子群优化算法，得到故障位置参数λ，并加以标注，粒子群故障位置识别如附图图23，粒子群算法识别故障位置的适应度进化曲线如附图图24，粒子群算法寻找到的故障位置参数λ如附图图25。同样的方法运用到其他三种故障时，也能得到相应的故障位置参数λ。可以看出迭代到第7次左右，就已经找到目标函数的最小值，即找到了故障位置，验证了算法的准确性。
以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明做任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部改动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。
Claims (5)
1.一种基于节点全覆盖的配电网电能质量评估方案，其特征在于，包括以下步骤：
1)建立基于虚拟节点的电网故障理论计算模型。将故障点视为新增的虚拟节点，引入故障位置参数λ，通过求解虚拟节点的自阻抗、与非故障点和敏感节点之间的互阻抗，求出当电网发生单相接地故障、两相故障、两相接地故障、三相故障时敏感节点的故障电压，从而求出电压跌落幅值。
2)确定电压跌落评估方法。首先明确电压暂降评估中电压暂降频次和电压凹陷域的评估分析方法，然后用MATLAB/Simulink搭建IEEE-33节点配电网模型，对正常运行和故障运行时的仿真结果进行分析，比较各种不同故障下，电压各相分量的变化；接着根据网络拓扑结构和参数，编写程序对IEEE-33节点网络进行潮流计算，得到正常运行时各节点的电压幅值和相位角，以及节点阻抗矩阵；最后运用MATLAB编程，求解各节点的故障电压、电压跌落频次和电压凹陷域，用MATLAB/Simulink仿真证明结论的正确性。
3)设计出基于PQMS监测数据的粒子群复杂故障位置识别方案。由于粒子群算法具有并行处理、鲁棒性好等特点，能以较大概率、较快的收敛速度找到问题的最优解，所以本发明选择使用粒子群优化算法求解故障位置参数。多源信息融合提供了故障前的电网运行状态，根据PQMS记录的监测点的三相电压暂降波形可以识别故障类型，根据SCADA系统的PDR可确定故障线路。在不考虑故障电阻的情况下，故障类型和故障线路已知，因此故障位置参数就是故障定位的关键求解问题。
2.根据权利要求1所述，具体步骤如下：
1)电网故障电压计算理论模型
在复杂拓扑结构的n节点系统中，设节点j是随意选取的待考察敏感负荷接入点。电网中任何P处故障都可能导致该敏感负荷节点j处电压跌落。节点p的电压为：
如附图图1所示，假设节点p和节点q之间的f处发生了故障，Lenpq为节点p到节点q的距离，Lenpf为节点p到故障点f的距离，故障位置参数λ的取值为[0，1],故障f点的位置随参数λ＝0到λ＝1在pq线路上移动。将故障位置参数λ定义为：
如附图图2所示，根据互阻抗的定义，得到下式。可以看出故障节点f与任意节点j之间的互阻抗与故障位置参数λ、任意节点j(敏感节点)与故障线路两端节点的互阻抗有关。其他类型阻抗推导同理。
2)故障情况
单相接地故障，故障节点A相电压表示为：
两相短路故障，序网中，任意节点j的三相故障电压为式(5)，同理也可推出两相短路接地故障和三相短路故障的三相故障电压。
3.根据权利要求2确定电压跌落评估方法。步骤如下。
1)电压暂降频次评估步骤如下：
①设置好平衡节点，PQ节点、PV节点等，对电网进行初始潮流计算，计算出电网故障前(正常运行)各个节点的电压；
②根据网络的拓扑结结构和线路参数等，形成节点阻抗矩阵；
③设置待考察的敏感负荷接入节点j，根据线路参数、故障位置参数λ等形成故障点f(虚拟节点)和敏感负荷接入节点j的互阻抗和自阻抗；
④设定相应的电压跌落幅值区间[Ulow，Uhigh],求出对应的故障区间[λlow，λhigh]；
⑤计算出故障电压，或者由仿真模型仿真故障时得到的故障电压。然后结合故障区间内的线路故障次数Npq以及故障概率分布函数μ(λ)计算出由于pq线路故障而导致敏感节点j年电压跌落的频次；
⑥循环直至线路都计算完。
2)电压凹陷域评估步骤如下：
①设置好平衡节点，PQ节点、PV节点等，对电网进行初始潮流计算，计算出电网故障前(正常运行)各个节点的电压；
②根据网络的拓扑结结构和线路参数等，形成节点阻抗矩阵；
③设置待考察的敏感负荷接入节点j，根据线路参数、故障位置参数λ等形成故障点f(虚拟节点)和敏感负荷接入节点j的互阻抗和自阻抗；
④根据敏感节点的特性，设置合适的阈值电压Uthreshold；
⑤计算出故障电压，或者由仿真模型仿真故障时得到的故障电压；
⑥比较各个节点的故障电压幅值与设定的阈值电压Uthreshold之间的大小，列出表格，并根据表格数据，在电路网络结构图中画出阈值电压Uthreshold的电压凹陷域；
⑦循环直至线路都计算完。系统在无故障状态时独立静态无差调节有功无功，稳定安全地运行。
本发明采用标准IEEE－33节点的配电网系统对电压跌落进行评估，如附图图6所示；对该IEEE－33节点的配电网进行MATLAB潮流编程，程序框图如附图图7所示；对敏感节点j的故障电压求解进行MATLAB编程，程序框图如附图图8所示。
4.根据权利要求3设计基于PQMS监测数据的粒子群复杂故障位置识别方案。具体内容如下：
PSO算法首先在可行解空间中随机初始化粒子群，待优化问题的变量数决定解空间的维数。每个粒子有了初始位置与初始速度后开始迭代寻优。每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征。粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。粒子群优化算法如附图图9所示。
基于粒子群优化算法的故障位置识别，约束条件为：
0≤λ≤1 (6)
目标函数为：
其中q为监测点的数量；为监测点i的量测值；Ud为采用的敏感监测点的测量值。
粒子群算法中对粒子速度与位置的更新迭代过程，即寻找故障位置参数的最优解。不同速度与位置更新算法适用于不同的目标函数。前面推导可知所关注的敏感节点的电压和故障位置参数并不是单调函数的关系，为不同的粒子分配不同的任务，对性能较好的粒子使用较大的惯性权重，对性能较差的粒子使用惯性叫小的权重，这样粒子的全局搜索能力相对来说会较强，而且收敛速度较快。
5.根据权利要求4所述，根据具体的实施方案，结合MATLAB/Simulink仿真作进一步说明，具体包括下述实施过程：
1)电压跌落评估实施
首先是用Simulink搭建IEEE-33节点配电网模型，如附图图11所示。然后对正常运行和故障运行时的仿真结果进行分析，比较各种不同故障下，电压各相分量的变化。如附图图12～20。接着根据网络拓扑结构和参数，编写程序对IEEE-33节点网络进行潮流计算，得到正常运行时各节点的电压幅值和相位角，以及节点阻抗矩阵。接着运用MATLAB编程，求解各节点的故障电压、电压跌落频次和电压凹陷域。最后综合电压凹陷域与电压暂降频次分析。
2)基于PQMS监测数据的故障定位方法的具体实施过程。
多源信息融合提供了故障前的电网运行状态，根据PQMS记录的监测点的三相电压暂降波形可以识别故障类型，根据SCADA系统的PDR可确定故障线路。在不考虑故障电阻的情况下，故障类型和故障线路已知，因此故障位置参数就是故障定位的关键求解问题。粒子群故障位置识别如附图图23，粒子群算法识别故障位置的适应度进化曲线如附图图24，粒子群算法寻找到的故障位置参数λ如附图图25。同样的方法运用到其他三种故障时，也能得到相应的故障位置参数λ。可以看出迭代到第7次左右，就已经找到目标函数的最小值，即找到了故障位置，验证了算法的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011067285.2A CN112649695A (zh) | 2020-10-05 | 2020-10-05 | 一种基于节点全覆盖的配电网电能质量评估方案 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011067285.2A CN112649695A (zh) | 2020-10-05 | 2020-10-05 | 一种基于节点全覆盖的配电网电能质量评估方案 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112649695A true CN112649695A (zh) | 2021-04-13 |
Family
ID=75346727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011067285.2A Pending CN112649695A (zh) | 2020-10-05 | 2020-10-05 | 一种基于节点全覆盖的配电网电能质量评估方案 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112649695A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484678A (zh) * | 2021-07-09 | 2021-10-08 | 杭州电子科技大学 | 一种基于ewm的电网故障冲击强度量化指标分析方法 |
| CN113835000A (zh) * | 2021-09-23 | 2021-12-24 | 南方电网科学研究院有限责任公司 | 一种配电网故障定位方法、装置、终端及存储介质 |
| CN117368648A (zh) * | 2023-11-08 | 2024-01-09 | 国网四川省电力公司电力科学研究院 | 配电网单相接地故障检测方法、系统、设备和存储介质 |
-
2020
- 2020-10-05 CN CN202011067285.2A patent/CN112649695A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484678A (zh) * | 2021-07-09 | 2021-10-08 | 杭州电子科技大学 | 一种基于ewm的电网故障冲击强度量化指标分析方法 |
| CN113484678B (zh) * | 2021-07-09 | 2023-11-28 | 杭州电子科技大学 | 一种基于ewm的电网故障冲击强度量化指标分析方法 |
| CN113835000A (zh) * | 2021-09-23 | 2021-12-24 | 南方电网科学研究院有限责任公司 | 一种配电网故障定位方法、装置、终端及存储介质 |
| CN113835000B (zh) * | 2021-09-23 | 2024-04-12 | 南方电网科学研究院有限责任公司 | 一种配电网故障定位方法、装置、终端及存储介质 |
| CN117368648A (zh) * | 2023-11-08 | 2024-01-09 | 国网四川省电力公司电力科学研究院 | 配电网单相接地故障检测方法、系统、设备和存储介质 |
| CN117368648B (zh) * | 2023-11-08 | 2024-06-04 | 国网四川省电力公司电力科学研究院 | 配电网单相接地故障检测方法、系统、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112649695A (zh) | 一种基于节点全覆盖的配电网电能质量评估方案 | |
| CN107453357B (zh) | 一种基于分层求解的配电网状态估计方法 | |
| Andreoni et al. | Tri-objective optimal PMU placement including accurate state estimation: The case of distribution systems | |
| CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
| CN109428327B (zh) | 基于响应的电网关键支路与主导稳定模式识别方法及系统 | |
| CN104716646B (zh) | 一种基于注入电流的节点耦合度分析方法 | |
| CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
| Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
| Makasa et al. | On-line voltage stability load index estimation based on PMU measurements | |
| CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
| AU2022231757B2 (en) | Method for multi-adaptive optimal μPMU placement in micro-energy network | |
| CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
| Sun et al. | Distributed cubature kalman filter with performance comparison for large-scale power systems | |
| CN110707693A (zh) | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 | |
| CN110232168B (zh) | 基于电气距离的电气坐标系构建方法、介质及设备 | |
| Domínguez et al. | Analysis of electric power consumption using Self-Organizing Maps. | |
| CN110021931A (zh) | 一种计及模型不确定性的电力系统辅助预测状态估计方法 | |
| CN109217336B (zh) | 基于分区建模的同步发电机阻尼系数在线辨识方法 | |
| Xue et al. | Effective and robust case screening for transient stability assessment | |
| Yan et al. | Application of random matrix model in multiple abnormal sources detection and location based on PMU monitoring data in distribution network | |
| Kisinga et al. | A neural network-based online estimation of stochastic inertia in a power system | |
| Zhou et al. | Online error correction method of PMU data based on LSTM model and Kalman filter | |
| Zhang et al. | Parameter identification of hvdc transmission system model based on intelligent optimization algorithm | |
| CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 | |
| CN106296461B (zh) | 基于粒子群优化算法及局部状态估计的电网参数辨识方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210413 |