CN113281620A - 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 - Google Patents
基于自适应鲸鱼算法的故障区段定位方法、系统及介质 Download PDFInfo
- Publication number
- CN113281620A CN113281620A CN202110829243.6A CN202110829243A CN113281620A CN 113281620 A CN113281620 A CN 113281620A CN 202110829243 A CN202110829243 A CN 202110829243A CN 113281620 A CN113281620 A CN 113281620A
- Authority
- CN
- China
- Prior art keywords
- whale
- fitness
- function
- adaptive
- fault 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 190
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 121
- 230000002431 foraging effect Effects 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 244000062804 prey Species 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 31
- 230000000739 chaotic effect Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 22
- 238000013459 approach Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009827 uniform distribution 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
-
- 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]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于自适应鲸鱼算法的故障区段定位方法、系统及介质，通过构建用于故障区段定位的目标模型；初始化鲸鱼算法中的预设参数并获取鲸鱼的初始位置；随机生成一初始种群，根据目标模型计算初始种群中鲸鱼的适应度并对鲸鱼的初始位置进行排序；按预设的觅食策略调用相应的位置更新函数对初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目；迭代结束时按最新的猎物数目以及位置排序输出目标模型的全局最优解后得到相应的故障区段定位结果。通过觅食策略自适应调整不同的位置更新函数进行寻优，在每次寻优时还自适应调节猎物数目，避免出现收敛速度慢、陷入局部最优的问题，提高故障区段定位的定位速度和精度。
Description
技术领域
本发明涉及配电网技术领域，尤其涉及基于自适应鲸鱼算法的故障区段定位方法、系统及介质。
背景技术
配电网的故障区段定位是配电网电力系统继电保护的重要组成部分，对配电网的安全运行有着重大意义，准确的故障区段定位可在配电网发生故障后及时的切除故障区域，使得整个系统受故障影响的范围最小。
目前，随着分布式发电技术的发展，越来越多的分布式电源接入配电网，使得原来单电源辐射的配电网变为多电源辐射的复杂网络，给配电网的故障区段定位带来了很大困难，传统的过流检测定位方法不能满足复杂网络结构的故障定位需求，难以快速准确的对故障区段进行定位。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供基于自适应鲸鱼算法的故障区段定位方法、系统及介质，旨在解决现有技术中配电网故障区段定位的效率和准确度较低的问题。
本发明的技术方案如下：
一种基于自适应鲸鱼算法的故障区段定位方法，其包括如下步骤：
采集配电网的开关过流信息和区段状态信息，并根据所述开关过流信息和区段状态信息构建用于故障区段定位的目标模型；
初始化鲸鱼算法中的预设参数并随机生成鲸鱼的初始位置，所述预设参数包括鲸鱼种群规模N，最大迭代次数m，搜索空间维度Dim；
随机生成一初始种群，根据所述目标模型计算所述初始种群中的每头鲸鱼的适应度，并根据所述适应度的顺序对每头鲸鱼的初始位置进行排序；
按预设的觅食策略调用相应的位置更新函数对每头鲸鱼的初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目；
循环迭代至最大迭代次数，按最新的猎物数目以及最新的位置排序输出所述目标模型的全局最优解后得到相应的故障区段定位结果。
在一个实施例中，所述采集配电网的开关过流信息和区段状态信息，并根据所述开关过流信息和区段状态信息构建用于故障区段定位的目标模型，包括：
采集配电网的开关过流信息和区段状态信息；
根据所述区段状态信息构建相应的开关函数；
根据所述开关函数和开关过流信息构建相应的适应度函数，得到用于故障区段定位的目标模型。
在一个实施例中，所述随机生成一初始种群，根据所述目标模型计算所述初始种群中的每头鲸鱼的适应度，并根据所述适应度的顺序对每头鲸鱼的初始位置进行排序，包括：
根据所述鲸鱼种群规模随机生成一初始种群；
根据所述适应度函数计算所述初始种群中每头鲸鱼的适应度；
按所述适应度从小到大的顺序，对与所述适应度对应的每头鲸鱼的初始位置进行排序。
在一个实施例中，所述按预设的觅食策略调用相应的位置更新函数对每头鲸鱼的初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目，包括：
根据鲸鱼算法中当前的迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数；
根据当前调用的所述位置更新函数对每头鲸鱼的初始位置进行更新后自适应调节猎物数目；
根据所述适应度函数计算位置更新后的鲸鱼的适应度，并按所述适应度从小到大的顺序对每头鲸鱼的位置进行排序；
继续根据当前迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数对鲸鱼的当前位置进行迭代更新，并自适应调节猎物数目后返回计算适应度，直到达到最大迭代次数。
在一个实施例中，所述根据鲸鱼算法中当前的迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数，包括：
确认当前迭代次数是否为1，若是，则确认当前的系数向量的绝对值是否小于1，否则确认自适应权值因子的大小；
若当前的系数向量的绝对值小于1，则调用游走觅食模式对应的第一位置更新函数；否则调用包围觅食模式对应的第二位置更新函数；
若自适应权值因子大于随机阈值，则调用螺旋觅食模式对应的第三位置更新函数，否则调用混沌映射螺旋觅食模式对应的第四位置更新函数。
在一个实施例中，所述第一位置更新函数为
，其中
为第i次迭代时鲸鱼的位置，
为更
新后的位置，
为鲸鱼中随机个体的位置，
为系数向量，
的每一维为区间[-2,2]
的随机数，
为区间[0,2]的随机数；
所述第二位置更新函数为
，其中
为当前最优的鲸鱼位置；
所述第三位置更新函数为
，其中
，
为鲸鱼与当前最优的鲸鱼位置之间的距离，
为区间[-
1,1]的随机数，b为对数螺旋状常数；
所述第四位置更新函数为
，其中
为混沌映射优化算子，
的初始值为区间[0,1]的随机数，
为第i+1次迭代时更新后的混沌映射优化算子；
所述自适应调节猎物数目的公式为
，其中
为猎物数目，n为当前迭代次数。
在一个实施例中，当调用所述第四位置更新函数时，所述调用相应的位置更新函数对鲸鱼的当前位置进行迭代更新，包括：
根据混沌映射公式
生成相应的混沌序列；
根据所述混沌序列对所述初始种群进行混沌映射后得到更新后的鲸鱼种群；
根据位置更新公式
对更新后
的鲸鱼种群中的鲸鱼位置进行更新。
在一个实施例中，所述循环迭代至最大迭代次数，按最新的猎物数目以及最新的位置排序输出所述目标模型的全局最优解后得到相应的故障区段定位结果，包括：
循环迭代至最大迭代次数时获取最新的猎物数目以及最新的位置排序；
根据所述最新的猎物数目从最新的位置排序中确认相应数目的最优鲸鱼个体；
将所述最优鲸鱼个体对应的适应度作为所述适应度函数的全局最优值；
将所述全局最优值对应的开关函数值作为所述开关函数的全局最优解，根据所述全局最优解得到相应的故障区段定位结果。
本发明又一实施例还提供了一种基于自适应鲸鱼算法的故障区段定位系统，所述系统包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于自适应鲸鱼算法的故障区段定位方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于自适应鲸鱼算法的故障区段定位方法。
有益效果：本发明公开了基于自适应鲸鱼算法的故障区段定位方法、系统及介质，相比于现有技术，本发明实施例根据自动采集的开关过流信息和区段状态信息构建相应的故障区段定位的目标模型，通过改进的自适应鲸鱼算法对目标模型进行寻优实现故障区段定位，在寻优过程中通过觅食策略自适应调整不同的位置更新函数进行寻优，在每次寻优时还自适应调节猎物数目，避免出现收敛速度慢、陷入局部最优的问题，提高故障区段定位的定位速度和精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例提供的基于自适应鲸鱼算法的故障区段定位方法的一个流程图；
图2为本发明实施例提供的基于自适应鲸鱼算法的故障区段定位方法的另一个流程图；
图3为本发明实施例提供的基于自适应鲸鱼算法的故障区段定位方法的一个配电网络图；
图4为本发明实施例提供的基于自适应鲸鱼算法的故障区段定位系统的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。以下结合附图对本发明实施例进行介绍。
请参阅图1，图1为本发明提供的基于自适应鲸鱼算法的故障区段定位方法一个实施例的流程图。本实施例提供的基于自适应鲸鱼算法的故障区段定位方法适用于对配电网进行故障区段定位的情况。如图1所示，该方法具体包括如下步骤：
S100、采集配电网的开关过流信息和区段状态信息，并根据所述开关过流信息和区段状态信息构建用于故障区段定位的目标模型。
本实施例中，当配电网中某一个区段发生故障时，每一个流过故障过电流的开关均会被FTU（feeder terminal unit，配电开关监控终端）监测到异常状态，即通过FTU检测配电网中故障过流信息并与配电主站的SCADA（supervisory control and dataacquisition，数据采集与监视控制）系统进行通信，将检测到的故障过流信息上传至配电主站的SCADA系统，具体的故障过流信息为各个开关的开关过流信息，并且还采集相应线路的区段状态信息，根据采集接收到的开关过流信息和区段状态信息构建相应的用于故障区段定位的目标模型，所述目标模型含有开关过流信息和区段状态信息之间的逻辑关系，对所述目标模型进行最优解的求取即可对应定位到相应的故障区段，将配电网故障区段的定位问题转换为目标模型的的最优化问题，以实现高效准确的故障区段定位。
在一个实施例中，所述采集配电网的开关过流信息和区段状态信息，并根据所述开关过流信息和区段状态信息构建用于故障区段定位的目标模型，包括：
采集配电网的开关过流信息和区段状态信息；
根据所述区段状态信息构建相应的开关函数；
根据所述开关函数和开关过流信息构建相应的适应度函数，得到用于故障区段定位的目标模型。
本实施例中，通过FTU将检测到的开关过流信息和区段状态信息上传SCADA系统实现故障信息的采集，之后根据所述开关过流信息和区段状态信息分别对各个开关和区段进行故障状态编码以便于目标模型的建立以及鲸鱼算法的应用，具体的编码方式可采用以开关为节点，相邻开关间的配电区域为一个单位的线路区段，线路区段分为正常和故障两种状态，当正常时，将其故障状态值置“0”，当故障时，将其故障状态值置“1”；对开关过流信息编码时，若配电网发生故障时，检测到故障电流信号，当流过开关的故障电流与网络正方向一致时，将开关的故障状态值置“1”，当没有故障电流流过时，将开关的故障状态值置“0”，从而对各个开关和各个区段的状态进行准确的编码处理以便后续的数据处理。
之后根据区段状态信息构建相应的开关函数，该开关函数反应了线路区段是否故
障和开关是否过流之间的关系，即利用开关函数将区段状态信息与期望的开关状态信息联
系起来，将实际的区段状态信息转换为开关的期望状态信息，具体所述开关函数可以采用
，其中，
为第j个开关的期望状态信息，
为第j个开关的第k个下游区段
的区段状态信息，
为逻辑或运算，其中，下游区段是指按网络正方向，线路区段处于某一
开关的后面，则该线路区段为该开关的下游区段，从而通过开关函数建立区段状态信息与
开关的期望状态信息之间的逻辑关系。
之后则根据开关函数和开关过流信息构建相应的适应度函数，即在构建了开关函
数后，进一步通过实际采集的开关过流信息和开关函数来构建相应的适应度函数得到目标
模型，具体所述适应度函数可以采用
，其
中
为第j个开关的实际过流状态信息， 
为第j个开关的期望状态信息，M为开关个数
的两倍，D为FTU的节点数，
为第j个区段的区段状态信息，
为区间[0,1]的权重系数，以
通过适应度函数来评价各开关函数与发生故障时实际上传的开关过流信息之间的逼近情
况，即通过适应度函数来评价开关函数的解的优劣，求取最优解，也就是令代表了开关的期
望状态信息的开关函数无限逼近于真实故障的开关过流信息，当二者的差异化缩小到最小
值时（适应度最小时），即可得到与实际的开关过流故障情况准确对应的开关的期望故障状
态值（即开关函数值），进而解码得到相应的故障区段，仅从而实现高效准确的故障区段定
位。
S200、初始化鲸鱼算法中的预设参数并随机生成鲸鱼的初始位置，所述预设参数包括鲸鱼种群规模N，最大迭代次数m，搜索空间维度Dim。
本实施例中，通过改进的基于自适应策略的鲸鱼算法来对目标模型进行最优解求取，在进行寻优前，先初始化鲸鱼算法中的预设参数，具体设定鲸鱼种群规模N，最大迭代次数m以及搜索空间维度Dim，在Dim维度的解空间内，随机生成的鲸鱼的初始位置可表示为多维变量X，以构成相应的开关状态变量，后续则进一步通过改进的鲸鱼算法来优化鲸鱼位置得到最优解。
S300、随机生成一初始种群，根据所述目标模型计算所述初始种群中的每头鲸鱼的适应度，并根据所述适应度的顺序对每头鲸鱼的初始位置进行排序。
本实施例中，根据故障上传情况，在每维参数构成的解空间中，随机生成一个初始种群，并且根据所述目标模型计算所述初始种群中每头鲸鱼的适应度，将计算得到的适应度按一定的顺序进行排列，并且根据适应度的顺序来对每头鲸鱼的初始位置进行排序，即每头鲸鱼的初始位置均对应一个适应度，按适应度的顺序对鲸鱼的初始位置进行排序后即代表了每头鲸鱼的位置的优劣，以直观的体现当前最优的鲸鱼的位置。
在一个实施例中，所述随机生成一初始种群，根据所述目标模型计算所述初始种群中的每头鲸鱼的适应度，并根据所述适应度的顺序对每头鲸鱼的初始位置进行排序，包括：
根据所述鲸鱼种群规模随机生成一初始种群；
根据所述适应度函数计算所述初始种群中每头鲸鱼的适应度；
按所述适应度从小到大的顺序，对与所述适应度对应的每头鲸鱼的初始位置进行排序。
本实施例中，先根据所述鲸鱼种群规模随机生成一个初始种群，即初始种群中包含的鲸鱼数量等于基于种群规模的数量，之后根据所述适应度函数计算初始种群中每头鲸鱼的适应度，以体现每头鲸鱼代表的开关函数值与实际的开关过流信息之间的逼近情况，将计算得到的适应度从小到大进行排序，并对照该索引顺序对每头鲸鱼的初始位置进行排序，从而得到按逼近情况由近到远排列的鲸鱼的位置排序，直观体现当前随机生成的初始位置的优劣情况。当然，在其它实施例中还可按适应度从大到小的顺序进行排列，本实施例对此不作限定。
S400、按预设的觅食策略调用相应的位置更新函数对每头鲸鱼的初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目。
本实施例中，在进行了初始位置的适应度计算以及位置排序后，根据当前鲸鱼算法中各参数的情况按预设的觅食策略调用不同的位置更新函数来对鲸鱼的初始位置进行循环迭代更新与适应度计算，且每次循环迭代时均自适应调节猎物数目，其中猎物数目即为最优解的数目，也就是说，本实施例中按预设的觅食策略调用相应的位置更新函数对鲸鱼的初始位置进行更新，在更新后即自适应调节猎物数目，之后计算更新后的鲸鱼的适应度，并且根据新的适应度对更新后的位置进行排序从而得到新一代鲸鱼的位置排序，不断循环往复以上过程对鲸鱼的位置进行迭代更新，并根据适应度计算得到相应的位置排序，从而在满足迭代结束条件时，能得到最终的全局最优解，本实施例中按预设的觅食策略在每次进行鲸鱼的位置更新时均根据最新的觅食情况调用相应的位置更新函数，以尽量提高对猎物觅食的收敛速度，并且在每次循环迭代时还自适应调节猎物数目，最终趋向于一个猎物数，即全局最优解，有效增强了算法在前期阶段的全局搜索能力，避免在位置循环迭代更新时发生收敛速度慢、陷入局部最优的问题，提高故障区段定位的效率和准确性。
在一个实施例中，所述按预设的觅食策略调用相应的位置更新函数对每头鲸鱼的初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目，包括：
根据鲸鱼算法中当前的迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数；
根据当前调用的所述位置更新函数对每头鲸鱼的初始位置进行更新后自适应调节猎物数目；
根据所述适应度函数计算位置更新后的鲸鱼的适应度，并按所述适应度从小到大的顺序对每头鲸鱼的位置进行排序；
继续根据当前迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数对鲸鱼的当前位置进行迭代更新，并自适应调节猎物数目后返回计算适应度，直到达到最大迭代次数。
本实施例中，在每次选择位置更新函数时，是根据鲸鱼算法中当前的迭代次数、系
数向量与自适应权值因子按预设的觅食策略进行选择，在第一次位置更新时，调用相应的
位置更新函数对鲸鱼的初始位置进行更新后则自适应调节猎物数目，之后根据所述适应度
函数计算位置更新后的鲸鱼的适应度，并按该适应度从小到大的顺序对鲸鱼的位置进行排
序，得到更新后的位置排序，此时根据自适应调节后的猎物数目以及更新后的位置排序即
可得到最新的猎物位置，之后若没有达到最大迭代次数，则继续按觅食策略选择相应的位
置更新函数对鲸鱼的当前位置进行迭代更新并自适应调节猎物数目后返回计算适应度，具
体的自适应调节猎物数目的公式为
，其中
为猎
物数目，n为当前迭代次数，即不断循环往复以上过程，猎物数目的值随着迭代次数的增加
而自适应调节，鲸鱼的位置也随着迭代次数增加而进行更新与排序，直到达到最大迭代次
数以输出相应的位置排序和猎物数目实现全局最优解的求取。
在一个实施例中，所述根据鲸鱼算法中当前的迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数，包括：
确认当前迭代次数是否为1，若是，则确认当前的系数向量的绝对值是否小于1，否则确认自适应权值因子的大小；
若当前的系数向量的绝对值小于1，则调用游走觅食模式对应的第一位置更新函数；否则调用包围觅食模式对应的第二位置更新函数；
若自适应权值因子大于随机阈值，则调用螺旋觅食模式对应的第三位置更新函数，否则调用混沌映射螺旋觅食模式对应的第四位置更新函数。
本实施例中，预设的觅食策略通过迭代次数、系数向量与自适应权值因子来自适
应选择不同的位置更新函数，在第1次迭代且当前的系数向量的绝对值小于1时，令鲸鱼种
群采用游走觅食模式，此时调用第一位置更新函数，具体第一位置更新函数为
，其中
为第i次迭代时鲸鱼的位置，
为更
新后的位置，
为鲸鱼中随机个体的位置，
为系数向量，
的每一维为区间[-2,2]
的随机数，
为区间[0,2]的随机数；
在第1次迭代且当前的系数向量的绝对值大于等于1时，令鲸鱼种群采用包围觅食
模式，此时调用第二位置更新函数，具体第二位置更新函数为
，其中
为当前最优的鲸鱼位置；
在第2次及以上迭代且自适应权值因子大于随机阈值时，令鲸鱼种群采用螺旋觅
食模式，此时调用第三位置更新函数，具体第三位置更新函数为
，其中
，
为鲸
鱼与当前最优的鲸鱼位置之间的距离，
为区间[-1,1]的随机数，b为对数螺旋状常数；
在第2次及以上迭代且自适应权值因子小于等于随机阈值时，令鲸鱼种群采用混
沌映射螺旋觅食模式，此时调用第四位置更新函数，具体第四位置更新函数为
，其中
为混沌映射优化算子，
的初始值为区间[0,1]的随机数，
为第i+1次迭代时更新后的混沌映射优化算子；
区别于传统的鲸鱼算法中采用等概率的方式切换觅食模式，可能导致寻优过程中出现收敛速度慢、陷入局部最优的问题，本实施例中通过自适应调节的觅食策略，在不同的迭代阶段采用不同的觅食模式、调用不同的位置更新函数，以对寻优过程进行优化，在前期使用游走觅食以及包围模式，以充分发挥两种模式下位置更新函数的随机性和遍历性，提高全局搜索能力，随着迭代次数的增加，自适应调节猎物数目的同时也将觅食模式切换至改进的螺旋觅食模式，利用混沌映射优化算子来改善算法的收敛速度和求解精度，以尽可能提高最优解求取的速度和准确度。
具体地，当调用所述第四位置更新函数时，所述调用相应的位置更新函数对鲸鱼的当前位置进行迭代更新，包括：
根据混沌映射公式
生成相应的混沌序列；
根据所述混沌序列对所述初始种群进行混沌映射后得到更新后的鲸鱼种群；
根据位置更新公式
对更新后
的鲸鱼种群中的鲸鱼位置进行更新。
本实施例中，为了加快螺旋觅食模式在寻优过程中的收敛速度以及求解精度，引
入混沌映射优化算子以实现混沌映射螺旋觅食模式，当采用混沌映射螺旋觅食模式进行位
置更新时，根据混沌映射公式
生成相应的混沌序列，根据所述混沌序列
以及搜索空间的范围，将混沌序列空间映射至优化解空间，从而实现对所述初始种群的混
沌映射，得到更新后的鲸鱼种群，由于鲸鱼算法在迭代前随机产生的初始种群不能有效的
保证鲸鱼位置在搜索空间中的均匀分布，因此可能导致搜索效率降低、陷入局部最优的问
题，而混沌由于具有随机性、遍历性的特点，能在一定范围内按自身规律不重复的遍历所有
状态，因此利用混沌的特性引入混沌映射优化算子对初始种群进行更新，保证初始种群的
多样性，在更新了初始种群后则根据相应的位置更新公式
对更新后的鲸鱼种群中的鲸鱼位置进
行更新，从而将原始的螺旋觅食方式与改进的混沌映射螺旋觅食模式结合，根据自适应权
值因子与随机阈值之间的大小来调整螺旋寻优路线，从而加快在全局最优附近的收敛速
度。
S500、循环迭代至最大迭代次数，按最新的猎物数目以及最新的位置排序输出所述目标模型的全局最优解后得到相应的故障区段定位结果。
本实施例中，在不断的循环迭代更新鲸鱼位置与猎物数目直到最大迭代次数时结束寻优，按最新的猎物数目以及最新的鲸鱼位置排序输出所述目标模型的全局最优解，猎物数目随着迭代次数增加而自适应调节，最终趋向于一个猎物，即将位置排序最前的鲸鱼位置作为猎物位置，从而得到目标模型的全局最优解，此时全局最优解即适应度最优值所对应的开关函数值，此时的开关函数值无限逼近于真实故障的开关过流信息，从而通过全局最优解得到相应的故障区段，实现高效准确的故障区段定位。
在一个实施例中，所述循环迭代至最大迭代次数，按最新的猎物数目以及最新的位置排序输出所述目标模型的全局最优解后得到相应的故障区段定位结果，包括：
循环迭代至最大迭代次数时获取最新的猎物数目以及最新的位置排序；
根据所述最新的猎物数目从最新的位置排序中确认相应数目的最优鲸鱼个体；
将所述最优鲸鱼个体对应的适应度作为所述适应度函数的全局最优值；
将所述全局最优值对应的开关函数值作为所述开关函数的全局最优解，根据所述全局最优解得到相应的故障区段定位结果。
本实施例中，在结束循环时获取当前最新的猎物数目以及最新的位置排序，根据最新的猎物数目从最新的位置排序中确认相应的最优鲸鱼个体，本实施例中猎物数目随着迭代次数增加将趋向于一个猎物，因此从最新的位置排序中，将位置排序第一对应的鲸鱼作为最优鲸鱼个体，将该最优鲸鱼个体对应的适应度作为适应度函数的全局最优值（即适应度最小值），将适应度最小值对应的开关函数的值（即最优鲸鱼个体的位置）作为开关函数的全局最优解，即代表了开关的期望故障状态值的全局最优解将无限逼近于真实故障的开关过流信息，能准确的表示当前发生了过流故障的开关位置，从而根据发生了过流故障的开关位置对应得到故障区段，进而实现高效准确的故障区段定位。
为更好地理解本发明提供的基于自适应鲸鱼算法的故障区段定位方法的实现过程，以下结合图2和图3，举具体的应用实施例对基于自适应鲸鱼算法的故障区段定位的过程进行描述：
图3为具有33 个节点含分布式电源的配电网络，系统主电源为 S，规定主电源指
向用户的方向为网络正方向；DG 为分布式电源，本系统有三个分布式电源，为 DG1—DG3，
K1—K3 为分布式电源接入系统的开关；开关节点编号为 1—33，相应的区段编号为（1）—
（33），具体如图3所示。采用改进的自适应鲸鱼算法进行故障定位，先对参数进行初始化，具
体的参数设置为种群规模为60，最大迭代次数100，种群空间维数为33，系统仿真步长Ts=
0.01s，随机生成一个初始种群后计算适应度，将鲸鱼位置按适应度进行排序，之后判断当
前迭代次数是否等于1，若迭代次数等于1，则判断A是否小于1且大于-1，若是，则进行游走
觅食，此时选取鲸鱼种群中随机的个体位置，利用彼此的位置寻找猎物，此时的位置更新函
数为
；否则进行包围觅食模式，鲸鱼寻找到当前范
围内的猎物后，不再靠近随机个体，而是往猎物靠近，此时的位置更新函数为
；若迭代次数不等于1，则引入值处于区间[0,1]的自
适应权值因子q和随机阈值p，即二者均为[0.1]之间的随机数，根据二者的大小对比在传统
的螺旋觅食模式与改进的螺旋觅食模式之间切换，从而调整螺旋寻优路线，具体传统的螺
旋觅食模式为鲸鱼往猎物靠近的同时，会改变运动轨迹的模式，此时的位置更新函数为
，而为了加快螺旋觅食模式在寻优过程中的收敛速
度以及求解精度，引入混沌优化算子，并借鉴游走觅食中Xrand特性，提出改进的混沌映射螺
旋觅食模式，此时的位置更新函数为
，通过混沌运算优化算子对初始种
群进行混沌映射调整，以保证初始种群的多样性，加快算法收敛速度，并且在每次进行觅食
更新鲸鱼位置后，均根据公式
对猎物数目进行自适应调整，
实现基于自适应调整策略的鲸鱼算法寻优过程，初始时使用包围、游走觅食模式，发挥算法
的随机性、遍历性，有效增强算法的全局搜索能力，之后随迭代次数增加，自适应调节猎物
数，切换至改进的螺旋寻优方式，利用混沌优化算子，改善算法的收敛速度和求解精度，通
过仿真软件进行模拟后得到的算法性能对比如表1所示，
表 1 算法性能对比
| 算法类型 | 未成熟收敛次数 | 平均迭代次数 | 时间/s |
| 自适应鲸鱼算法 | 0 | 25.3 | 2.431 |
| 传统鲸鱼算法 | 3 | 34.9 | 2.74 |
| 粒子群算法 | 12 | 55.2 | 4.53 |
本发明提供的基于自适应鲸鱼算法在进行配电网故障定位时不会发生未成熟收敛的情况，且平均迭代次数与时间相较于传统的鲸鱼算法或者粒子群算法均有加快，有效提高了配电网故障区段定位的效率。
本发明另一实施例提供一种基于自适应鲸鱼算法的故障区段定位系统，如图4所示，系统10包括：
一个或多个处理器110以及存储器120，图4中以一个处理器110为例进行介绍，处理器110和存储器120可以通过总线或者其他方式连接，图4中以通过总线连接为例。
处理器110用于完成系统10的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM（Acorn RISCMachine）或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于自适应鲸鱼算法的故障区段定位方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行系统10的各种功能应用以及数据处理，即实现上述方法实施例中的基于自适应鲸鱼算法的故障区段定位方法。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据系统10使用所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，执行上述任意方法实施例中的基于自适应鲸鱼算法的故障区段定位方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明而非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
综上所述，本发明公开的基于自适应鲸鱼算法的故障区段定位方法、系统及介质中，方法通过构建用于故障区段定位的目标模型；初始化鲸鱼算法中的预设参数并获取鲸鱼的初始位置；随机生成一初始种群，根据目标模型计算初始种群中鲸鱼的适应度并对鲸鱼的初始位置进行排序；按预设的觅食策略调用相应的位置更新函数对初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目；迭代结束时按最新的猎物数目以及位置排序输出目标模型的全局最优解后得到相应的故障区段定位结果。通过觅食策略自适应调整不同的位置更新函数进行寻优，在每次寻优时还自适应调节猎物数目，避免出现收敛速度慢、陷入局部最优的问题，提高故障区段定位的定位速度和精度。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的计算机程序可存储于一非易失性计算机可读取的存储介质中，该计算机程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、软盘、闪存、光存储器等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于自适应鲸鱼算法的故障区段定位方法，其特征在于，包括如下步骤：
采集配电网的开关过流信息和区段状态信息，并根据所述开关过流信息和区段状态信息构建用于故障区段定位的目标模型；
初始化鲸鱼算法中的预设参数并随机生成鲸鱼的初始位置，所述预设参数包括鲸鱼种群规模N，最大迭代次数m，搜索空间维度Dim；
随机生成一初始种群，根据所述目标模型计算所述初始种群中的每头鲸鱼的适应度，并根据所述适应度的顺序对每头鲸鱼的初始位置进行排序；
按预设的觅食策略调用相应的位置更新函数对每头鲸鱼的初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目；
循环迭代至最大迭代次数，按最新的猎物数目以及最新的位置排序输出所述目标模型的全局最优解后得到相应的故障区段定位结果。
2.根据权利要求1所述的基于自适应鲸鱼算法的故障区段定位方法，其特征在于，所述采集配电网的开关过流信息和区段状态信息，并根据所述开关过流信息和区段状态信息构建用于故障区段定位的目标模型，包括：
采集配电网的开关过流信息和区段状态信息；
根据所述区段状态信息构建相应的开关函数；
根据所述开关函数和开关过流信息构建相应的适应度函数，得到用于故障区段定位的目标模型。
3.根据权利要求2所述的基于自适应鲸鱼算法的故障区段定位方法，其特征在于，所述随机生成一初始种群，根据所述目标模型计算所述初始种群中的每头鲸鱼的适应度，并根据所述适应度的顺序对每头鲸鱼的初始位置进行排序，包括：
根据所述鲸鱼种群规模随机生成一初始种群；
根据所述适应度函数计算所述初始种群中每头鲸鱼的适应度；
按所述适应度从小到大的顺序，对与所述适应度对应的每头鲸鱼的初始位置进行排序。
4.根据权利要求3所述的基于自适应鲸鱼算法的故障区段定位方法，其特征在于，所述按预设的觅食策略调用相应的位置更新函数对每头鲸鱼的初始位置进行循环迭代更新与适应度计算，并在每次循环迭代时自适应调节猎物数目，包括：
根据鲸鱼算法中当前的迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数；
根据当前调用的所述位置更新函数对每头鲸鱼的初始位置进行更新后自适应调节猎物数目；
根据所述适应度函数计算位置更新后的鲸鱼的适应度，并按所述适应度从小到大的顺序对每头鲸鱼的位置进行排序；
继续根据当前迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数对鲸鱼的当前位置进行迭代更新，并自适应调节猎物数目后返回计算适应度，直到达到最大迭代次数。
5.根据权利要求4所述的基于自适应鲸鱼算法的故障区段定位方法，其特征在于，所述根据鲸鱼算法中当前的迭代次数、系数向量与自适应权值因子按预设的觅食策略调用相应的位置更新函数，包括：
确认当前迭代次数是否为1，若是，则确认当前的系数向量的绝对值是否小于1，否则确认自适应权值因子的大小；
若当前的系数向量的绝对值小于1，则调用游走觅食模式对应的第一位置更新函数；否则调用包围觅食模式对应的第二位置更新函数；
若自适应权值因子大于随机阈值，则调用螺旋觅食模式对应的第三位置更新函数，否则调用混沌映射螺旋觅食模式对应的第四位置更新函数。
6.根据权利要求5所述的基于自适应鲸鱼算法的故障区段定位方法，其特征在于，所述
第一位置更新函数为
，其中
为第i次迭代时鲸
鱼的位置，
为更新后的位置，
为鲸鱼中随机个体的位置，
为系数向量，
的
每一维为区间[-2,2]的随机数，
为区间[0,2]的随机数；
所述第二位置更新函数为
，其中
为当
前最优的鲸鱼位置；
所述第三位置更新函数为
，其中
，
为鲸鱼与当前最优的鲸鱼位置之间的距离，
为区间[-
1,1]的随机数，b为对数螺旋状常数；
所述第四位置更新函数为
，其
中
为混沌映射优化算子，
的初始值为区间[0,1]的随机数，
为第i+1次迭代时更新
后的混沌映射优化算子；
所述自适应调节猎物数目的公式为
，其中
为猎物数目，n为当前迭代次数。
7.根据权利要求6所述的基于自适应鲸鱼算法的故障区段定位方法，其特征在于，当调用所述第四位置更新函数时，所述调用相应的位置更新函数对鲸鱼的当前位置进行迭代更新，包括：
根据混沌映射公式
生成相应的混沌序列；
根据所述混沌序列对所述初始种群进行混沌映射后得到更新后的鲸鱼种群；
根据位置更新公式
对更新后的鲸鱼
种群中的鲸鱼位置进行更新。
8.根据权利要求6所述的基于自适应鲸鱼算法的故障区段定位方法，其特征在于，所述循环迭代至最大迭代次数，按最新的猎物数目以及最新的位置排序输出所述目标模型的全局最优解后得到相应的故障区段定位结果，包括：
循环迭代至最大迭代次数时获取最新的猎物数目以及最新的位置排序；
根据所述最新的猎物数目从最新的位置排序中确认相应数目的最优鲸鱼个体；
将所述最优鲸鱼个体对应的适应度作为所述适应度函数的全局最优值；
将所述全局最优值对应的开关函数值作为所述开关函数的全局最优解，根据所述全局最优解得到相应的故障区段定位结果。
9.一种基于自适应鲸鱼算法的故障区段定位系统，其特征在于，所述系统包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8任一项所述的基于自适应鲸鱼算法的故障区段定位方法。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-8任一项所述的基于自适应鲸鱼算法的故障区段定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110829243.6A CN113281620B (zh) | 2021-07-22 | 2021-07-22 | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110829243.6A CN113281620B (zh) | 2021-07-22 | 2021-07-22 | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113281620A true CN113281620A (zh) | 2021-08-20 |
| CN113281620B CN113281620B (zh) | 2021-12-14 |
Family
ID=77287096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110829243.6A Active CN113281620B (zh) | 2021-07-22 | 2021-07-22 | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113281620B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780787A (zh) * | 2021-09-01 | 2021-12-10 | 成都信息工程大学 | 一种复杂水环境下的多移动平台系统的协同任务分配方法 |
| CN114565237A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 用于多能组合发电站的综合能源低碳调度方法及系统 |
| CN114613348A (zh) * | 2022-03-11 | 2022-06-10 | 吉林大学 | 基于鲸鱼算法的主动噪声控制算法的步长和阶数选取方法 |
| CN116292245A (zh) * | 2023-02-27 | 2023-06-23 | 安徽云磬科技产业发展有限公司 | 一种活塞泵声纹故障检测方法 |
| CN117031214A (zh) * | 2023-10-10 | 2023-11-10 | 国网山东省电力公司曲阜市供电公司 | 一种电网故障智能监控方法、系统、介质及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108037414A (zh) * | 2017-12-11 | 2018-05-15 | 福州大学 | 一种基于分层模型和智能校验算法的配电网故障定位方法 |
| 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 |
| CN109886589A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
| CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
| CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
| CN113054648A (zh) * | 2021-05-08 | 2021-06-29 | 东莞理工学院 | 基于改进鲸鱼算法的直流微电网下垂系数优化方法及系统 |
-
2021
- 2021-07-22 CN CN202110829243.6A patent/CN113281620B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN108037414A (zh) * | 2017-12-11 | 2018-05-15 | 福州大学 | 一种基于分层模型和智能校验算法的配电网故障定位方法 |
| CN109886589A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
| CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
| CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
| CN113054648A (zh) * | 2021-05-08 | 2021-06-29 | 东莞理工学院 | 基于改进鲸鱼算法的直流微电网下垂系数优化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘亮 等: "一种求解函数优化问题的改进鲸鱼优化算法", 《计算机应用研究》 * |
| 金涛 等: "基于 BPSOGA 的含风电机组的配电线路故障区段定位", 《电力自动化设备》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780787A (zh) * | 2021-09-01 | 2021-12-10 | 成都信息工程大学 | 一种复杂水环境下的多移动平台系统的协同任务分配方法 |
| CN113780787B (zh) * | 2021-09-01 | 2023-05-02 | 成都信息工程大学 | 一种复杂水环境下的多移动平台系统的协同任务分配方法 |
| CN114565237A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 用于多能组合发电站的综合能源低碳调度方法及系统 |
| CN114565237B (zh) * | 2022-02-15 | 2023-09-12 | 石河子大学 | 用于多能组合发电站的综合能源低碳调度方法及系统 |
| CN114613348A (zh) * | 2022-03-11 | 2022-06-10 | 吉林大学 | 基于鲸鱼算法的主动噪声控制算法的步长和阶数选取方法 |
| CN116292245A (zh) * | 2023-02-27 | 2023-06-23 | 安徽云磬科技产业发展有限公司 | 一种活塞泵声纹故障检测方法 |
| CN117031214A (zh) * | 2023-10-10 | 2023-11-10 | 国网山东省电力公司曲阜市供电公司 | 一种电网故障智能监控方法、系统、介质及设备 |
| CN117031214B (zh) * | 2023-10-10 | 2024-01-23 | 国网山东省电力公司曲阜市供电公司 | 一种电网故障智能监控方法、系统、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113281620B (zh) | 2021-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113281620B (zh) | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 | |
| CN112036512B (zh) | 基于网络裁剪的图像分类神经网络架构搜索方法和装置 | |
| CN110062390B (zh) | 基于改进狼群算法的无线传感器网络节点优化部署方法 | |
| JP2000116003A (ja) | 電圧無効電力制御方法 | |
| CN103198189B (zh) | 基于粒子群算法的输电网单线图自动布局与绘制方法 | |
| CN112598313B (zh) | 基于天牛须搜索算法的用电调度方法、装置和计算机设备 | |
| CN112464611B (zh) | 一种基于云端协同智能处理的pcb自动布线系统 | |
| CN114611675A (zh) | 数据处理方法、装置、电子装置和存储介质 | |
| Yashesh et al. | Non-uniform mapping in real-coded genetic algorithms | |
| CN112929215A (zh) | 一种网络流量预测方法、系统、计算机设备及存储介质 | |
| CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
| CN116627241A (zh) | 一种优化服务器能耗的方法、系统、设备和存储介质 | |
| CN111531550B (zh) | 运动规划方法及装置、存储介质、电子装置 | |
| CN115186806A (zh) | 一种支持跨节点自动微分的分布式图神经网络训练方法 | |
| CN117638877A (zh) | 一种基于深度强化学习的电网动态分区方法及装置 | |
| CN116709290A (zh) | 一种基于无人机边缘计算的灾害地区应急通信方法及系统 | |
| CN116520084A (zh) | 一种含源配电网故障定位方法、装置及存储介质 | |
| CN114239439B (zh) | 一种基于部落算法的自动化滤波器的设计方法 | |
| CN116405493A (zh) | 一种基于mogwo策略的边缘云协同任务卸载方法 | |
| CN115526267A (zh) | 一种配电网运行场景提取方法及装置 | |
| CN106066904B (zh) | 一种基于多目标进化算法的高维多目标天线设计方法 | |
| Cao et al. | A multi-objective simulated annealing approach towards 3d packing problems with strong constraints: Cmosa | |
| CN114564039A (zh) | 一种基于深度q网络和快速搜索随机树算法的航迹规划方法 | |
| CN114280420A (zh) | 基于主动配电网故障区域划分的快速故障定位方法及系统 | |
| CN112152267B (zh) | 一种计及源荷不确定性的电网随机无功优化调度方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |