CN112684299A - 利用失压信息的电力馈线故障区段高容错辨识方法及装置 - Google Patents
利用失压信息的电力馈线故障区段高容错辨识方法及装置 Download PDFInfo
- Publication number
- CN112684299A CN112684299A CN202110068399.7A CN202110068399A CN112684299A CN 112684299 A CN112684299 A CN 112684299A CN 202110068399 A CN202110068399 A CN 202110068399A CN 112684299 A CN112684299 A CN 112684299A
- Authority
- CN
- China
- Prior art keywords
- power feeder
- information
- fault
- voltage loss
- section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013178 mathematical model Methods 0.000 claims abstract description 77
- 230000006870 function Effects 0.000 claims abstract description 74
- 238000002922 simulated annealing Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000006837 decompression Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种利用失压信息的电力馈线故障区段高容错辨识方法及装置,该方法用于对电力馈线的故障区段进行高容错辨识,该方法包括:获取所述电力馈线的真实过电流信息和真实负荷失压信息;分别构建以错误过电流信息数目为最小化目标函数的第一数学模型和以错误失压信息数目为最小化目标函数的第二数学模型;应用模糊集理论中的最大隶属度原则将上述两个模型的目标函数融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型;利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行求解,辨识出故障区段。本发明可以克服现有只单一利用过电流信息的故障区段辨识技术在警报信息发生错误时容错率不强的缺陷。
Description
技术领域
本申请涉及配电技术领域,尤其涉及一种利用失压信息的电力馈线故障区段高容错辨识方法及装置。
背景技术
在电力馈线发生短路故障后,故障检测设备会上送大量的信息到调度中心,对这些信息加以分析从而对故障区段进行正确辨识,对故障的快速处理非常重要。在现有的很多配电系统的故障区段辨识方法中只利用过电流信息来识别故障区段。在配电网发生故障后,故障监测装置的信息上传到调度中心的过程中,如若配电信息通道发生堵塞,不可避免地会导致调度中心得到的故障监测信息的畸变和丢失。故障指示器过流警报在上传过程中可能产生的中断、延迟、丢失等而产生的错误,这可能使得单一利用故障指示器的警报作为信息源的现有故障区段辨识方法失去有效性,从而不能为配电系统工作人员进行良好的辅助故障决策,不利于使电力馈线迅速恢复供电。
发明内容
本申请实施例的目的是提供一种利用失压信息的电力馈线故障区段高容错辨识方法及装置,以解决相关技术中综合利用负荷失压信息和馈线区段过电流信息进行电力馈线故障区段高容错辨识的技术问题。
根据本申请实施例的第一方面,提供一种利用失压信息的电力馈线故障区段高容错辨识方法,该方法用于对电力馈线的故障区段进行高容错辨识,该方法包括:
在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息;
以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型;
以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型;
将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型;
利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段。
根据本申请实施例的第二方面,提供一种利用失压信息的电力馈线故障区段高容错辨识装置,该装置用于对电力馈线的故障区段进行高容错辨识,该装置包括:
信息获取模块,用于在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息;
第一构建模块,用于以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型;
第二构建模块,用于以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型;
融合构建模块,用于将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型;
求解模块,用于利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段。
根据本申请实施例的第三方面,提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
由上述实施例可知,本申请在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息,其有益效果在于可以全面地获取故障监测设备的多源信息,避免了在考虑不可靠信息情况下单一数据来源信息的片面性;以所述电力馈线的各区段上故障指示器监测的真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型,其有益效果在于能够准确描述仅使用故障指示器监测的过电流信息作为数据源进行电力馈线故障区段辨识的数学形式,便于利用过电流信息来找出故障区段;以所述电力馈线的各节点上智能电表监测的真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型,其有益效果在于能够准确描述仅使用智能电表监测的负荷失压信息作为数据源进行电力馈线故障区段辨识的数学形式,便于利用负荷失压信息来找出故障区段;将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型,其有益效果在于能够准确描述仅使用过电流信息和负荷失压信息这两种数据源进行电力馈线故障区段高容错辨识的数学形式,便于利用多源信息来准确地找出正确的故障区段;利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段,从而为配电调度人员提供准确的辅助决策,其有益效果在于能够快速并且准确地求解所述电力馈线故障区段辨识数学模型的最优解,有利于找到真实的故障区段。本发明可以克服现有其他只单一利用故障指示器的告警信号作为信息源的故障区段辨识技术在警报信息发生错误时容错率不强的缺陷,从而为后续的故障处理进行有效的辅助决策,有利于使电力馈线的用户从停电中迅速恢复。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种利用失压信息的电力馈线故障区段高容错辨识方法的流程图。
图2是根据一示例性实施例示出的模拟退火遗传算法求解流程图。
图3是根据一示例性实施例示出的样例配电系统故障案例示意图。
图4是根据一示例性实施例示出的一种利用失压信息的电力馈线故障区段高容错辨识装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
图1是根据一示例性实施例示出的一种利用失压信息的电力馈线故障区段高容错辨识方法的流程图。参考图1,本发明实施例提供一种利用失压信息的电力馈线故障区段高容错辨识方法,该方法用于对电力馈线的故障区段进行高容错辨识,该方法包括:
步骤S101,在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息;
步骤S102,以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型;
步骤S103,以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型;
步骤S104,将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型;
步骤S105,利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段,从而为配电调度人员提供准确的辅助决策。
由上述实施例可知,本申请在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息,其有益效果在于可以全面地获取故障监测设备的多源信息,避免了在考虑不可靠信息情况下单一数据来源信息的片面性;以所述电力馈线的各区段上故障指示器监测的真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型,其有益效果在于能够准确描述仅使用故障指示器监测的过电流信息作为数据源进行电力馈线故障区段辨识的数学形式,便于利用过电流信息来找出故障区段;以所述电力馈线的各节点上智能电表监测的真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型,其有益效果在于能够准确描述仅使用智能电表监测的负荷失压信息作为数据源进行电力馈线故障区段辨识的数学形式,便于利用负荷失压信息来找出故障区段;将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型,其有益效果在于能够准确描述仅使用过电流信息和负荷失压信息这两种数据源进行电力馈线故障区段高容错辨识的数学形式,便于利用多源信息来准确地找出正确的故障区段;利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段,从而为配电调度人员提供准确的辅助决策,其有益效果在于能够快速并且准确地求解所述电力馈线故障区段辨识数学模型的最优解,有利于找到真实的故障区段。本发明可以克服现有其他只单一利用故障指示器的告警信号作为信息源的故障区段辨识技术在警报信息发生错误时容错率不强的问题,从而为后续的故障处理进行有效的辅助决策,有利于使电力馈线的用户从停电中迅速恢复。
上述步骤S101中,在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息,具体包括:
在所述电力馈线发生短路故障后,由所述配电馈线的调度中心向所述电力馈线的各区段上故障指示器和所述电力馈线的各节点上智能电表发送命令,调取故障发生时所述配电馈线的各区段的真实过电流信息和各节点的真实负荷失压信息;这样设计的好处是,可以利用多源故障监测设备的信息进行综合性的电力馈线故障区段辨识,避免了由于单一数据源信息的不可靠可能导致故障区段辨识结果出错。
上述步骤S102中,以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型,具体包括:
首先,将所述电力馈线的各区段上故障指示器监测的过电流信息中的错误信息分为两类,分别为“畸变过电流信息”和“丢失过电流信息”。接着,利用所述两种过电流信息中的“畸变过电流信息”和“丢失过电流信息”的状态向量和所述电力馈线各区段的故障状态向量来求取所述电力馈线的各区段的期望正确的过电流信息,如下式所述:
式中:表示所述电力馈线的第j个区段的期望正确的过电流信息的状态变量,状态为过电流时其值为1,反之为0;lF,q表示第q个电力馈线区段的故障状态变量,所代表的区段故障时其值为1,反之为0;mF,j和dF,j分别代表所述电力馈线的第j个区段上故障指示器监测的真实过电流信息中“畸变过电流信息”和“丢失过电流信息”的状态变量,状态为真时其值为1,反之为0;上划线代表“非”运算。
然后,将所述电力馈线的各区段的期望正确的过电流信息和所述电力馈线的各区段上故障指示器监测的真实过电流信息之间的差异作为错误过电流信息数目。最后,以所述电力馈线的各区段上故障指示器监测的过电流信息作为输入,构建以所述错误过电流信息数目为最小化目标函数的第一数学模型。所述第一数学模型的目标函数,如下式所述:
E1(H)=||I-I*||
式中:I和I*分别代表所述电力馈线上各区段故障指示器监测的真实过电流信息和所述电力馈线的各区段的期望正确的过电流信息。
这样设计的好处是能够准确描述仅使用故障指示器监测的过电流信息作为数据源进行电力馈线故障区段辨识的数学形式,便于利用过电流信息来找出故障区段。
上述步骤S103中,以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型,具体包括:
首先,将所述电力馈线的各节点上智能电表监测的真实负荷失压信息中的错误信息分为两类,分别为“畸变失压信息”和“丢失失压信息”。接着,利用所述两种负荷失压信息中的“畸变失压信息”和“丢失失压信息”的状态向量和所述电力馈线各区段的故障状态向量来求取所述电力馈线的各节点的期望正确的失压信息,如下式所述:
式中:V* i表示所述电力馈线的第i个区段的期望正确的负荷失压信息的状态变量,状态为负荷失压时其值为1,反之为0;lA,k表示第k个电力馈线区段的故障状态变量,所代表的区段故障时其值为1,反之为0;mA,i和dA,j分别代表所述电力馈线的第i个节点上智能电表监测的真实负荷失压信息中“畸变失压信息”和“丢失失压信息”的状态变量,状态为真时其值为1,反之为0;上划线代表“非”运算。
然后,将所述电力馈线的各节点的期望正确的失压信息和所述电力馈线的各区段上智能电表监测的真实失压信息之间的差异作为错误失压信息数目。最后,以所述电力馈线的各节点上智能电表监测的失压信息作为输入,构建以所述错误失压信息数目为最小化目标函数的第二数学模型。所述第二数学模型的目标函数,如下式所述:
E2(H)=||V-V*||
式中:V和V*分别代表所述电力馈线上各区段故障指示器监测的真实过电流信息和所述电力馈线的各区段的期望正确的过电流信息。
这样设计的好处是,能够准确描述仅使用智能电表监测的负荷失压信息作为数据源进行电力馈线故障区段辨识的数学形式,便于利用负荷失压信息来找出故障区段。
上述步骤S104中,所述的一种利用失压信息的电力馈线故障区段高容错辨识方法,其特征在于,将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型,具体包括:
应用模糊集理论中的最大隶属度原则,采用半梯函数作为隶属度函数,分别求取第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数的隶属度函数。所述第一数学模型的目标函数E1和所述第二数学模型的目标函数E2的隶属函数Φ(Ei),i=1,2,如下式所示:
式中,c0,i(i=1或2)是Ei单独用作目标函数时的最佳值,c0,i和c0,i+δ0,i是模型可以接受的Ei的最大扩展区间。
将所述两个隶属度函数中较小的一个作为总评价值,并将所述总评价值作为单一最小化目标函数,构建电力馈线故障区段辨识数学模型。具体地,根据Cannikin定律,一个组织的整体水平可以由表现最差的元素决定。因此,将与故障指示器和智能电表相关的两个目标函数的隶属度中较小的一个作为总评价值,如下式所示:
隶属度越大,所得到的优化结果就越容易被接受。因此,在模型中应考虑最大化或最小化的目标。最终得到电力馈线故障区段辨识数学模型的单目标函数E,如下式所示:
这样设计的好处是,能够准确描述仅使用过电流信息和负荷失压信息这两种数据源进行电力馈线故障区段高容错辨识的数学形式,便于利用多源信息来准确地找出正确的故障区段。
上述步骤S105中,利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段,从而为配电调度人员提供准准确的辅助决策,具体包括:
图2是根据一示例性实施例示出的模拟退火遗传算法求解流程图。为了平衡优化问题的求解时间和求解精度,采用模拟退火和遗传算法(SAGA)来解决故障诊断问题。SAGA保留了遗传算法的基本框架,并采用了模拟退火算法中确定新个体接受概率的方法。如果通过交叉和变异操作获得的新个体的适应度大于其双亲的适应度,则该个体被接受进行繁殖。而如果新个体的适应度小于其双亲,则按照Metropolis标准以一定的概率被接受繁殖,如下式所示:
Tk+1=αTk
式中,fk是原始个体的适应值或原始个体的平均值;fk+1是新个体的适应值;p(Tk+1)是个体在Tk+1温度下的接受概率;α是温度降低系数。
在模拟退火的降温阶段开始时,以高概率接受新个体,以保持种群的多样性,从而防止故障诊断问题陷入局部最优解。然后,由于在降温阶段只接受具有高适应度的个体,可以加快求解最优解的过程。在经过模拟退火和遗传算法求取得到的最优解中的集合L*即为配电网故障区段。
这样做的好处是,能够快速并且准确地求解所述电力馈线故障区段辨识数学模型的最优解,有利于找到真实的故障区段。
为了进一步理解本发明,以下以一个样例配电系统的故障案例为例,来解释本发明的实际应用,样例配电系统的故障案例示意图如附图3所示。
本文提出的方法通过安装了故障指示器和智能电表的配电系统示例进行了案例分析。假设故障场景为馈线区段L4和L8发生两次三相接地故障。SAGA算法的种群规模、允许的最大迭代次数、交叉概率、变异概率、最大温度和降温比系数分别设为50、200、0.8、0.1、100和0.2。下面给出两种故障场景分别进行分析:
1)没有错误警报的情况
在这种情况下,假设所有测量设备产生的警报是完全可靠的。故障指示器和智能电表的实际报警向量分别为I=[0,0,0,1,0,1,0,0,1,0]和V=[1,1]。通过求解所提出的多源信息配电网故障区段辨识模型,可以得到V=V*(H),I=I*(H)和L=[0,0,0,1,0,0,0,1,0]。从而将故障区段辨识为L4和L8,故障诊断结果与真实场景一致。
2)存在错误警报的情况
由于设备缺陷和/或通信信道故障,可能会产生不可靠的警报,包括缺失警报和失真警报。三种不同情况下报警缺失/失真的故障诊断结果及相应的正确性判断见下表:
可以看出,即使调度中心接收到故障指示器和智能电表产生的错误警报信息,应用本发明提出的基于多源信息配电网故障区段辨识方法也能得到正确的故障诊断结果,为配电网运行人员提供良好的辅助决策。
与前述的一种利用失压信息的电力馈线故障区段高容错辨识方法的实施例相对应,本申请还提供了一种利用失压信息的电力馈线故障区段高容错辨识装置的实施例。
图4是根据一示例性实施例示出的一种利用失压信息的电力馈线故障区段高容错辨识装置框图。参照图4,该装置用于对电力馈线的故障区段进行高容错诊断,该装置包括:
信息获取模块21,用于以所述电力馈线的各区段上故障指示器监测的真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型;
第一构建模块22,用于根据所述广义关联正向路径和广义关联反向路径,构建双向故障监测期望警报信号的数学模型;
第二构建模块23,用于以所述电力馈线的各节点上智能电表监测的真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型;
融合构建模块24,用于将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型;
求解模块25,用于利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段,从而为配电调度人员提供准确的辅助决策。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本申请还提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的一种利用双向监测信息的主动配电网故障诊断方法。
相应的,本申请还提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述的一种利用双向监测信息的主动配电网故障诊断方法。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种利用失压信息的电力馈线故障区段高容错辨识方法,其特征在于,该方法用于对电力馈线上的故障区段进行辨识,该方法包括:
在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息;
以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型;
以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型;
将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型;
利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段。
2.根据权利要求1所述的一种利用失压信息的电力馈线故障区段高容错辨识方法,其特征在于,在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息,具体包括:
在所述电力馈线发生短路故障后,由所述配电馈线的调度中心向所述电力馈线的各区段上故障指示器和所述电力馈线的各节点上智能电表发送命令,调取故障发生时所述配电馈线的各区段的真实过电流信息和各节点的真实负荷失压信息。
3.根据权利要求1所述的一种利用失压信息的电力馈线故障区段高容错辨识方法,其特征在于,以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型,具体包括:
将所述电力馈线的各区段上故障指示器监测的过电流信息中的错误信息分为两类,分别为“畸变过电流信息”和“丢失过电流信息”;
利用所述“畸变过电流信息”和“丢失过电流信息”的状态向量和所述电力馈线各区段的故障状态向量来求取所述电力馈线的各区段的期望正确的过电流信息;
将所述电力馈线的各区段的期望正确的过电流信息和所述电力馈线的各区段上故障指示器监测的真实过电流信息之间的差异作为错误过电流信息数目;
以所述电力馈线的各区段上故障指示器监测的过电流信息作为输入,构建以所述错误过电流信息数目为最小化目标函数的第一数学模型。
4.根据权利要求1所述的一种利用失压信息的电力馈线故障区段高容错辨识方法,其特征在于,以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型,具体包括:
将所述电力馈线的各节点上智能电表监测的真实负荷失压信息中的错误信息分为两类,分别为“畸变失压信息”和“丢失失压信息”;
利用所述两种负荷失压信息中的“畸变失压信息”和“丢失失压信息”的状态向量和所述电力馈线各区段的故障状态向量来求取所述电力馈线的各节点的期望正确的失压信息;
将所述电力馈线的各节点的期望正确的失压信息和所述电力馈线的各区段上智能电表监测的真实失压信息之间的差异作为错误失压信息数目;
以所述电力馈线的各节点上智能电表监测的失压信息作为输入,构建以所述错误失压信息数目为最小化目标函数的第二数学模型。
5.根据权利要求1所述的一种利用失压信息的电力馈线故障区段高容错辨识方法,其特征在于,将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型,具体包括:
应用模糊集理论中的最大隶属度原则,采用半梯函数作为隶属度函数,分别求取第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数的隶属度函数;
将两个所述隶属度函数中较小的一个作为总评价值,并将所述总评价值作为单一最小化目标函数,构建电力馈线故障区段辨识数学模型。
6.根据权利要求1所述的一种利用失压信息的电力馈线故障区段高容错辨识方法,其特征在于,利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段,具体包括:
采用模拟退火遗传算法来求解所述电力馈线故障区段辨识数学模型的最优解,其中所述的模拟退火遗传算法保留了遗传算法的基本框架,并采用了模拟退火算法中确定新个体接受概率的方法,在所述的模拟退火遗传算法中,如果通过交叉和变异操作获得的新个体的适应度大于其双亲的适应度,则该个体被接受并进行繁殖;而如果新个体的适应度小于其双亲个体,则按照Metropolis标准以一定的概率被接受繁殖;在求解得到电力馈线故障区段辨识数学模型的最优解中的所述电力馈线各区段的故障状态向量的最优解即为所述电力馈线的真实故障区段,进而帮助配电调度人员更快速地处理故障,进而恢复供电。
7.一种利用失压信息的电力馈线故障区段高容错辨识装置,其特征在于,该装置用于对电力馈线故障区段进行辨识,该装置包括:
信息获取模块,用于在所述电力馈线发生短路故障后,获取所述电力馈线的各区段上故障指示器监测的真实过电流信息和所述电力馈线的各节点上智能电表监测的真实负荷失压信息;
第一构建模块,用于以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型;
第二构建模块,用于以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型;
融合构建模块,用于将所述第一数学模型的最小化目标函数和所述第二数学模型的最小化目标函数应用模糊集理论中的最大隶属度原则融合为单一最小化目标函数,构建电力馈线故障区段辨识数学模型;
求解模块,用于利用模拟退火遗传算法对所述电力馈线故障区段辨识数学模型进行最优解的求取,得到所述电力馈线上的故障区段。
8.根据权利要求1所述的一种利用失压信息的电力馈线故障区段高容错辨识装置,其特征在于,以所述真实过电流信息作为输入,构建以错误过电流信息数目为最小化目标函数的第一数学模型,具体包括:
将所述电力馈线的各区段上故障指示器监测的过电流信息中的错误信息分为两类,分别为“畸变过电流信息”和“丢失过电流信息”;
利用所述“畸变过电流信息”和“丢失过电流信息”的状态向量和所述电力馈线各区段的故障状态向量来求取所述电力馈线的各区段的期望正确的过电流信息;
将所述电力馈线的各区段的期望正确的过电流信息和所述电力馈线的各区段上故障指示器监测的真实过电流信息之间的差异作为错误过电流信息数目;
以所述电力馈线的各区段上故障指示器监测的过电流信息作为输入,构建以所述错误过电流信息数目为最小化目标函数的第一数学模型。
9.根据权利要求1所述的一种利用失压信息的电力馈线故障区段高容错辨识装置,其特征在于,以所述真实负荷失压信息作为输入,构建以错误失压信息数目为最小化目标函数的第二数学模型,具体包括:
将所述电力馈线的各节点上智能电表监测的真实负荷失压信息中的错误信息分为两类,分别为“畸变失压信息”和“丢失失压信息”;
利用所述两种负荷失压信息中的“畸变失压信息”和“丢失失压信息”的状态向量和所述电力馈线各区段的故障状态向量来求取所述电力馈线的各节点的期望正确的失压信息;
将所述电力馈线的各节点的期望正确的失压信息和所述电力馈线的各区段上智能电表监测的真实失压信息之间的差异作为错误失压信息数目;
以所述电力馈线的各节点上智能电表监测的失压信息作为输入,构建以所述错误失压信息数目为最小化目标函数的第二数学模型。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068399.7A CN112684299B (zh) | 2021-01-19 | 2021-01-19 | 利用失压信息的电力馈线故障区段高容错辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068399.7A CN112684299B (zh) | 2021-01-19 | 2021-01-19 | 利用失压信息的电力馈线故障区段高容错辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112684299A true CN112684299A (zh) | 2021-04-20 |
CN112684299B CN112684299B (zh) | 2021-12-07 |
Family
ID=75458544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110068399.7A Active CN112684299B (zh) | 2021-01-19 | 2021-01-19 | 利用失压信息的电力馈线故障区段高容错辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112684299B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH114542A (ja) * | 1997-06-11 | 1999-01-06 | Nissin Electric Co Ltd | 系統連系装置 |
CN102735966A (zh) * | 2012-06-12 | 2012-10-17 | 燕山大学 | 一种输电线路评估诊断系统和方法 |
CN103675492A (zh) * | 2012-09-07 | 2014-03-26 | 国网电力科学研究院 | 一种用电监测分析方法、便携式用电监测分析装置及系统 |
CN104820201A (zh) * | 2015-04-23 | 2015-08-05 | 国网上海市电力公司 | 一种采集终端性能指标评价方法 |
CN106370980A (zh) * | 2016-09-21 | 2017-02-01 | 北京三清互联科技有限公司 | 一种配电网故障监测方法及系统 |
EA026530B1 (ru) * | 2014-08-08 | 2017-04-28 | Валерий Иванович Таракановский | Устройство для определения мест повреждения кабеля акустическим способом |
CN108802569A (zh) * | 2018-06-14 | 2018-11-13 | 贵州电网有限责任公司 | 基于电压电流型的配电线路单相接地故障定位及隔离方法 |
CN108919044A (zh) * | 2018-03-30 | 2018-11-30 | 国电南瑞科技股份有限公司 | 一种基于互校验机制的单元制配电网故障主动识别方法 |
CN109459658A (zh) * | 2018-10-29 | 2019-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电主站判别就地型馈线自动化线路故障区间的方法 |
CN109738760A (zh) * | 2019-02-19 | 2019-05-10 | 国网福建省电力有限公司 | 一种融合多种配电终端数据的配网短路故障定位方法 |
US20190323978A1 (en) * | 2015-05-04 | 2019-10-24 | Itron, Inc. | Electric Grid High Impedance Condition Detection |
CN111090021A (zh) * | 2019-11-07 | 2020-05-01 | 国网浙江省电力有限公司衢州供电公司 | 一种复合低压配电网故障定位方法 |
CN111191878A (zh) * | 2019-12-10 | 2020-05-22 | 国网天津市电力公司电力科学研究院 | 一种基于异常分析的台区及电能表状态评价方法及系统 |
CN111707906A (zh) * | 2020-07-14 | 2020-09-25 | 广州白云电器设备股份有限公司 | 一种实现地铁直流牵引供电系统故障定位的方法 |
CN111830349A (zh) * | 2020-07-21 | 2020-10-27 | 华立科技股份有限公司 | 电网事件检测方法、装置和电子设备 |
-
2021
- 2021-01-19 CN CN202110068399.7A patent/CN112684299B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH114542A (ja) * | 1997-06-11 | 1999-01-06 | Nissin Electric Co Ltd | 系統連系装置 |
CN102735966A (zh) * | 2012-06-12 | 2012-10-17 | 燕山大学 | 一种输电线路评估诊断系统和方法 |
CN103675492A (zh) * | 2012-09-07 | 2014-03-26 | 国网电力科学研究院 | 一种用电监测分析方法、便携式用电监测分析装置及系统 |
EA026530B1 (ru) * | 2014-08-08 | 2017-04-28 | Валерий Иванович Таракановский | Устройство для определения мест повреждения кабеля акустическим способом |
CN104820201A (zh) * | 2015-04-23 | 2015-08-05 | 国网上海市电力公司 | 一种采集终端性能指标评价方法 |
US20190323978A1 (en) * | 2015-05-04 | 2019-10-24 | Itron, Inc. | Electric Grid High Impedance Condition Detection |
CN106370980A (zh) * | 2016-09-21 | 2017-02-01 | 北京三清互联科技有限公司 | 一种配电网故障监测方法及系统 |
CN108919044A (zh) * | 2018-03-30 | 2018-11-30 | 国电南瑞科技股份有限公司 | 一种基于互校验机制的单元制配电网故障主动识别方法 |
CN108802569A (zh) * | 2018-06-14 | 2018-11-13 | 贵州电网有限责任公司 | 基于电压电流型的配电线路单相接地故障定位及隔离方法 |
CN109459658A (zh) * | 2018-10-29 | 2019-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电主站判别就地型馈线自动化线路故障区间的方法 |
CN109738760A (zh) * | 2019-02-19 | 2019-05-10 | 国网福建省电力有限公司 | 一种融合多种配电终端数据的配网短路故障定位方法 |
CN111090021A (zh) * | 2019-11-07 | 2020-05-01 | 国网浙江省电力有限公司衢州供电公司 | 一种复合低压配电网故障定位方法 |
CN111191878A (zh) * | 2019-12-10 | 2020-05-22 | 国网天津市电力公司电力科学研究院 | 一种基于异常分析的台区及电能表状态评价方法及系统 |
CN111707906A (zh) * | 2020-07-14 | 2020-09-25 | 广州白云电器设备股份有限公司 | 一种实现地铁直流牵引供电系统故障定位的方法 |
CN111830349A (zh) * | 2020-07-21 | 2020-10-27 | 华立科技股份有限公司 | 电网事件检测方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
SWAGATA DAS,ETC: "Distribution Fault-Locating Algorithms Using current only", 《IEEE TRANSACTIONS ON POWER DELIVERY》 * |
杜立新: "配电网故障定位算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112684299B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN105469317B (zh) | 一种电力通信网络可靠性分析方法 | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN106771848B (zh) | 一种基于拓扑图元信息融合的电网故障诊断方法 | |
CN110867906B (zh) | 一种基于功率平衡指标的电网拓扑关系辨识方法 | |
CN105678337B (zh) | 一种智能变电站故障诊断中的信息融合方法 | |
CN106226658A (zh) | 一种基于多数据融合的电网故障诊断方法 | |
CN111999692B (zh) | 一种多表误差的校准方法和装置 | |
CN108919044B (zh) | 一种基于互校验机制的单元制配电网故障主动识别方法 | |
CN110133448A (zh) | 基于松弛优化的配电网故障区间高容错性故障定位方法 | |
CN111695231B (zh) | 复杂配电网信息物理系统的实用化可靠性分析方法 | |
CN109738760A (zh) | 一种融合多种配电终端数据的配网短路故障定位方法 | |
CN114784955B (zh) | 一种智能变电站异常信息处理方法 | |
CN110443481A (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 | |
CN111999691A (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
CN113191062B (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 | |
CN105785230A (zh) | 一种具有容错性的电压暂降源定位方法 | |
CN112684299B (zh) | 利用失压信息的电力馈线故障区段高容错辨识方法及装置 | |
CN113746073A (zh) | 一种主站与终端协同自适应的配电网故障处理方法及系统 | |
CN112684300B (zh) | 一种利用双向监测信息的主动配电网故障诊断方法及装置 | |
CN114966308A (zh) | 一种环型配电网故障区段定位方法 | |
CN113507397B (zh) | 一种基于云端运维收集终端设备状态自动巡检的方法 | |
CN107196290B (zh) | 基于量测平衡指标和设备状态相似度寻优的支路与母线连接关系辨识方法 | |
CN109738717B (zh) | 基于连续性方差的智能变电站设备采样校验的方法和系统 | |
Pan et al. | Fault location determination method for relay protection communication system based on power grid operation and maintenance multi-source data |
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 |