CN113420912B - 一种配电网低压异常用户辨识的方法 - Google Patents
一种配电网低压异常用户辨识的方法 Download PDFInfo
- Publication number
- CN113420912B CN113420912B CN202110624359.6A CN202110624359A CN113420912B CN 113420912 B CN113420912 B CN 113420912B CN 202110624359 A CN202110624359 A CN 202110624359A CN 113420912 B CN113420912 B CN 113420912B
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- electric energy
- value
- state
- food concentration
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000005856 abnormality Effects 0.000 title claims abstract description 7
- 241000251468 Actinopterygii Species 0.000 claims abstract description 120
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 235000013305 food Nutrition 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 24
- 230000019637 foraging behavior Effects 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及配电网领域,具体涉及一种配电网低压异常用户辨识的方法,针对配电网电能曲线建立电能平衡方程;针对配电网电能平衡方程构建目标函数;通过对人工鱼群的步长进行改进,提出一种基于泊松分布的自适应步长人工的改进鱼群算法,通过自适应步长人工鱼群算法对目标函数进行求解,进而对低压异常用户进行辨识,本发明可对低压异常用户进行辨识,有利于快速定位异常用户,有效防范窃电行为。
Description
技术领域
本发明涉及配电网领域,具体涉及到一种配电网低压异常用户辨识的方法。
技术背景
随着社会经济的迅速发展,社会对电能的需求迅猛增加,电能不但是国民经济发展的重要支撑,更是电力公司维持自身发展的重要保障。用户窃电不仅使电力公司利益遭到破坏,严重影响其健康发展,而且也给电网安全及用电带来极大隐患。
如今窃电手段多种多样,仅仅依靠电能表自身的异常监测功能无法实现对窃电行为的检测。近年随着国家电网公司发展大数据应用创新战略,全面建设了电力用户用电信息采集系统,系统内汇总了海量的电力量测数据和用电状态信息,这些庞大的用电信息数据蕴藏了用户的用电状态,通过对现有海量数据的研究,建立用户窃电分析模型,实现可疑用电用户甄别、提高用电信息采集系统防范、查处窃电的时效性和针对性,充分发挥用电信息采集在反窃电功能中的作用。
针对以上问题,提出一种配电网低压异常用户辨识的方法,对配电网的低压异常用户进行定位,以提高电网经济效益和电网稳定。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种配电网低压异常用户辨识的方法。
为实现上述目的,本发明采用的技术方案如下:一种配电网低压异常用户辨识的方法,包括以下步骤:
步骤1:针对配电网电能曲线建立电能平衡方程;
步骤2,针对配电网电能平衡方程构建目标函数;
F=|M’0-M0|=|M’001-M001|+|M’002-M002|+…+|M’096-M096|
式中:F为修正线路电能损耗率后的一天96个采样点的电能计算值数列M'0和台区配电变压器出口电能表一天96个采样点的电能实测值数列M0的误差;M’001、M’002、…、M’096为修正线路电能损耗率后的一天96个采样点的电能计算值数列,M001、M002、…、M096为一天96个采样点的电能实测值数列;
步骤3,利用泊松分布函数对人工鱼群算法步长进行改进,通过自适应步长人工鱼群算法对目标函数进行求解,进而对低压异常用户进行辨识。
进一步优选,步骤3过程如下:
步骤3.1,初始化自适应人工鱼群算法中人工鱼个体的位置,随机生成一组人工鱼;
步骤3.2,计算各人工鱼初始状态的食物浓度,并将最大者计入公告板;
步骤3.3,自适应修正人工鱼步长并分别执行人工鱼觅食行为、追尾行为;
步骤3.4,各人工鱼执行一次觅食行为、追尾行为后,检验自身状态和食物浓度,并与公告板记录的值进行比较,如果优于公告板记录的值,则更新公告板;
步骤3.5,判断是否达到最大迭代次数,若达到则输出结果,获得一组满足要求的线路电能损耗率数列;
步骤3.6,分析线路电能损耗率数列,对电能损耗率过高的线路,判定为低压异常用户。
进一步优选,步骤3.1具体为:初始化人工鱼个体的位置状态为向量X=(x1,x2,…,xn),向量x1,x2,…xn分别为对应用户的一组可能线路电能损耗率,人工鱼当前所在位置的食物浓度为Y=f(x),对应于目标函数中的误差,误差越低的位置食物浓度越高,设置算法的初始参数人工鱼条数N、人工鱼群视野visual、鱼群移动步长step、觅食最大尝试次数为try_number、拥挤度因子σ、最大迭代次数imax;随机生成各人工鱼个体,形成初始鱼群,鱼群中每条人工鱼代表一组可能线路电能损耗率。
进一步优选,步骤3.2具体为:选取一个台区配电变压器出口电能表一天96个采样点的电能实测值数列M0和n户电力用户一天96个采样点的电能实测值数列M1、M2、M3、M4…Mn,根据目标函数计算出误差值,计算出食物浓度函数值,并比较各条人工鱼对应的食物浓度函数值,取最优个体,最优个体为误差值最小,即食物浓度最高,并将其对应的食物浓度函数值记入公告板。
进一步优选,步骤3.3具体为:
由于步长较大,人工鱼移动的范围大,有利于快速收敛,但步长过大会出现人工鱼越过全局最优点的现象,反而不利于收敛,算法后期移动步长小,有利于精确搜索。设计人工鱼步长调节机制,使得初期人工鱼群算法步长较大,易于快速收敛,后期减小步长,提高精确搜索。设fV(i)为人工鱼步长的分布函数,i为当前迭代次数;设step为人工鱼初始移动步长,利用泊松分布的右侧衰减性,在迭代过程中,人工鱼的移动步长随着迭代次数进行衰减,λ为自定义常数。
自适应修正人工鱼步长后,再分别执行人工鱼的觅食行为、追尾行为;
各人工鱼模拟觅食行为,假设当前人工鱼个体所处的状态为xi,当前人工鱼xi和下一个选择状态xj之间的距离dij≤visual时,即在当前人工鱼个体所处的状态xi处的视野范围内,随机选择人工鱼个体的某个状态xj,若状态xj处的食物浓度值高于状态xi处的食物浓度值,则朝着xj处的方向前进一步;否则,再重新随机选择状态xj,并判断人工鱼个体朝着状态xj处前进的条件是否满足;如此不断地尝试,最多尝试try_number次,try_number为人工鱼觅食行为最大尝试次数,如果经过try_number次后仍然不满足朝状态xj处前进的条件,则随机朝任何一个方向前进一步;
各人工鱼模拟追尾行为,假设当前人工鱼个体所处的状态为xi,而人工鱼个体在该状态处的视野范围内可见的所有伙伴中食物浓度值最大者的伙伴为xmax,并且在伙伴xmax处的视野范围内可见的所有伙伴数目为Nmax;此时,若能够同时满足条件:和Yi<Ymax,则表明伙伴xmax处的食物浓度值较高,朝着xmax处的方向前进一步;否则执行觅食行为;其中,Nc为视野范围内可见的所有伙伴数目,Yi为当前区域食物浓度,Ymax为食物浓度最大区域;
当各人工鱼分别模拟觅食行为、追尾行为后,选择食物浓度高的行为做为实际执行。
步骤1中,假设某一台区下挂有n户电力用户,M0为台区配电变压器出口电能表一天96个采样点的电能实测值数列,记为:[M001,M002,…M096]T,M1、M2、M3、M4…Mn分别台区内用户1到用户n的电能表一天96个采样点的电能实测值数列,记为[M101,M102,…M196]T、[M201,M202,…M296]T、…、[Mn01,Mn02,…Mn96]T,δ1,δ2,δ3,δ4…δn分别为对应用户的线路电能损耗率,由于台区的有功电能量是守恒的,因此在没有用户窃电的情况下,任一时刻,有如下关系式:
M0=M1(1+δ1)+M2(1+δ2)+…+Mn(1+δn)
当某个用户有窃电行为时,则有M0>M1(1+δ1)+M2(1+δ2)+…+Mn(1+δn),此时对δ1,δ2,δ3,δ4…δn进行修正,设修正后线路电能损耗率为δ’1、δ’2、δ’3…δ’n,M’0为修正线路电能损耗率后的一天96个采样点的电能计算值数列;
则有M'0=M1(1+δ’1)+M2(1+δ’2)+…+Mn(1+δ’n)。
本发明利用自适应步长人工鱼群算法对电能实测值数列进行求解,对低压异常用户进行辨识,有利于快速定位异常用户,有效防范窃电行为。
附图说明
图1为台区电力用户示意图。
图2为A地辨识结果。
图3为B地辨识结果。
具体实施方式
下面结合附图和实施例对本发明作进一步详细阐明。
一种配电网低压异常用户辨识的方法,包括以下步骤:
步骤1:针对配电网电能曲线建立电能平衡方程。
假设某一台区下挂有n户电力用户,其示意图如图1所示,M0为台区配电变压器出口电能表一天96个采样点的电能实测值数列,记为:[M001,M002,…M096]T,M1、M2、M3、M4…Mn分别台区内用户1到用户n的电能表一天96个采样点的电能实测值数列,记为[M101,M102,…M196]T、[M201,M202,…M296]T、…、[Mn01,Mn02,…Mn96]T,由于表计误差较小,在低压用户辨识中,可以将表计误差近似考虑到线路损耗中去,设δ1,δ2,δ3,δ4…δn分别为对应用户的线路电能损耗率,由于台区的有功电能量是守恒的,因此在没有用户窃电的情况下,任一时刻,有如下关系式:
M0=M1(1+δ1)+M2(1+δ2)+…+Mn(1+δn)
当某个用户有窃电行为时,则有M0>M1(1+δ1)+M2(1+δ2)+…+Mn(1+δn),此时对δ1,δ2,δ3,δ4…δn进行修正,设修正后线路电能损耗率为δ’1、δ’2、δ’3…δ’n,M'0为修正线路电能损耗率后的一天96个采样点的电能计算值数列;
则有M'0=M1(1+δ’1)+M2(1+δ’2)+…+Mn(1+δ’n)
步骤2,针对配电网电能平衡方程构建目标函数;
F=|M’0-M0|=|M’001-M001|+|M’002-M002|+…+|M’096-M096|
式中:F为修正线路电能损耗率后的一天96个采样点的电能计算值数列M’0和台区配电变压器出口电能表一天96个采样点的电能实测值数列M0的误差。M’001、M’002、…、M’096为修正线路电能损耗率后的一天96个采样点的电能计算值数列,M001、M002、…、M096为一天96个采样点的电能实测值数列。
步骤3,通过自适应步长人工鱼群算法对目标函数进行求解,进而对低压异常用户进行辨识。
步骤3.1,初始化自适应人工鱼群算法中人工鱼个体的位置,随机生成一组人工鱼。
初始化人工鱼个体的位置状态为向量X=(x1,x2,…,xn),向量x1,x2,…xn分别为对应用户的一组可能线路电能损耗率,人工鱼当前所在位置的食物浓度为Y=f(x),对应于目标函数中的误差,误差越低的位置食物浓度越高,设置算法的初始参数人工鱼条数N、人工鱼群视野visual、鱼群移动步长step、觅食最大尝试次数为try_number、拥挤度因子σ、最大迭代次数imax;随机生成各人工鱼个体,形成初始鱼群,鱼群中每条人工鱼代表一组可能线路电能损耗率;
步骤3.2,计算各人工鱼初始状态的食物浓度,并将最大者计入公告板;
选取一个台区配电变压器出口电能表一天96个采样点的电能实测值数列M0和n户电力用户一天96个采样点的电能实测值数列M1、M2、M3、M4…Mn,根据目标函数计算出食物浓度函数值,并比较各条人工鱼对应的食物浓度函数值,取最优个体,最优个体为食物浓度最高,即误差值最小,并将其对应的食物浓度函数值记入公告板;
步骤3.3,自适应修正人工鱼步长并分别执行人工鱼觅食行为、追尾行为;
由于步长较大,人工鱼移动的范围大,有利于快速收敛,但步长过大会出现人工鱼越过全局最优点的现象,反而不利于收敛,算法后期移动步长小,有利于精确搜索。设计人工鱼步长调节机制,使得初期人工鱼群算法步长较大,易于快速收敛,后期减小步长,提高精确搜索。设fV(i)为人工鱼步长的分布函数,i为当前迭代次数;设step为人工鱼初始移动步长,利用泊松分布的右侧衰减性,在迭代过程中,人工鱼的移动步长随着迭代次数进行衰减,λ为自定义常数。
自适应修正人工鱼步长后,再分别执行人工鱼的觅食行为、追尾行为;
各人工鱼模拟觅食行为,假设当前人工鱼个体所处的状态为xi,当前人工鱼xi和下一个选择状态xj之间的距离dij≤visual时,即在当前人工鱼个体所处的状态xi处的视野范围内,随机选择人工鱼个体的某个状态xj,若状态xj处的食物浓度值高于状态xi处的食物浓度值,则朝着xj处的方向前进一步;否则,再重新随机选择状态xj,并判断人工鱼个体朝着状态xj处前进的条件是否满足;如此不断地尝试,最多尝试try_number次,try_number为人工鱼觅食行为最大尝试次数,如果经过try_number次后仍然不满足朝状态xj处前进的条件,则随机朝任何一个方向前进一步;
各人工鱼模拟追尾行为,假设当前人工鱼个体所处的状态为xi,而人工鱼个体在该状态处的视野范围内可见的所有伙伴中食物浓度值最大者的伙伴为xmax,并且在伙伴xmax处的视野范围内可见的所有伙伴数目为Nmax;此时,若能够同时满足条件:和Yi<Ymax,则表明伙伴xmax处的食物浓度值较高,朝着xmax处的方向前进一步;否则执行觅食行为;其中,Nc为视野范围内可见的所有伙伴数目,Yi为当前区域食物浓度,Ymax为食物浓度最大区域;
当各人工鱼分别模拟觅食行为、追尾行为后,选择食物浓度高的行为做为实际执行。
步骤3.4,各人工鱼执行一次觅食行为、追尾行为后,检验自身状态和食物浓度,并与公告板记录的值进行比较,如果优于公告板记录的值,则更新公告板。
步骤3.5,判断是否达到最大迭代次数,若达到则输出结果,获得一组满足要求的线路电能损耗率数列。
步骤3.6,分析线路电能损耗率数列,对电能损耗率过高的线路,判定为低压异常用户。
应用案例
某两个台区下各挂有32户电力用户,M0为台区配电变压器出口电能表一天96个点的电能实测值数列:包括A地电能数据矩阵Ma和B地电能数据矩阵Mb。
M1、M2、M3、M4…Mn分别台区内用户1到用户n的电能表一天96个点的电能实测值数列,δ1,δ2,δ3,δ4…δn分别为对应用户的线路电能损耗率,由于台区的有功电能量是守恒的,因此在没有用户窃电的情况下,任一时刻,台区配电变压器出口电能表一天96个采样点的电能实测值数列M0,有如下关系式:
M0=M1(1+δ1)+M2(1+δ2)+…+Mn(1+δn)
当某个用户有窃电行为时则有M’0=M1(1+δ’1)+M2(1+δ’2)+…+Mn(1+δ’n)针对配电网电能平衡方程构建目标函数:
F=|M’0-M0|=|M’001-M001|+|M’002-M002|+…+|M’096-M096|
式中:F为修正线路电能损耗率后的一天96个采样点的电能计算值数列和一天96个采样点的电能实测值数列的误差。M’001、M’002、…、M’096为修正线路电能损耗率后的一天96个采样点的电能计算值数列,M001、M002、…、M096为一天96个采样点的电能实测值数列。
步骤3,通过自适应步长人工鱼群算法对目标函数进行求解,进而对低压异常用户进行辨识。A地辨识结果如图2所示,通过观察结果可以得出,A地共存在两个异常用户,其编号为23号和32号,B地辨识结果如图3所示,B地共存在一个异常用户为32号。
本实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种配电网低压异常用户辨识的方法,其特征在于包括以下步骤:
步骤1:针对配电网电能曲线建立电能平衡方程;
假设某一台区下挂有n户电力用户,M0为台区配电变压器出口电能表一天96个采样点的电能实测值数列,记为:[M001,M002,…M096]T,M1、M2、M3、M4…Mn分别台区内用户1到用户n的电能表一天96个采样点的电能实测值数列,记为[M101,M102,…M196]T、[M201,M202,…M296]T、…、[Mn01,Mn02,…Mn96]T,δ1,δ2,δ3,δ4…δn分别为对应用户的线路电能损耗率,由于台区的有功电能量是守恒的,因此在没有用户窃电的情况下,任一时刻,有如下关系式:
M0=M1(1+δ1)+M2(1+δ2)+…+Mn(1+δn)
当某个用户有窃电行为时,则有M0>M1(1+δ1)+M2(1+δ2)+…+Mn(1+δn),此时对δ1,δ2,δ3,δ4…δn进行修正,设修正后线路电能损耗率为δ′1、δ′2、δ′3…δ′n,M'0为修正线路电能损耗率后的一天96个采样点的电能计算值数列;
则有M'0=M1(1+δ′1)+M2(1+δ′2)+…+Mn(1+δ'n);
步骤2,针对配电网电能平衡方程构建目标函数;
F=|M′0-M0|=|M′001-M001|+|M′002-M002|+…+|M′096-M096|
式中:F为修正线路电能损耗率后的一天96个采样点的电能计算值数列M'0和台区配电变压器出口电能表一天96个采样点的电能实测值数列M0的误差;M′001、M′002、…、M′096为修正线路电能损耗率后的一天96个采样点的电能计算值数列,M001、M002、…、M096为一天96个采样点的电能实测值数列;
步骤3,利用泊松分布函数对人工鱼群算法步长进行改进,通过自适应步长人工鱼群算法对目标函数进行求解,进而对低压异常用户进行辨识;
步骤3.1,初始化自适应人工鱼群算法中人工鱼个体的位置,随机生成一组人工鱼;初始化人工鱼个体的位置状态为向量X=(x1,x2,…,xn),向量x1,x2,…xn分别为对应用户的一组可能线路电能损耗率,人工鱼当前所在位置的食物浓度为Y=f(x),对应于目标函数中的误差,误差越低的位置食物浓度越高,设置算法的初始参数人工鱼条数N、人工鱼群视野visual、鱼群移动步长step、觅食最大尝试次数为try_number、拥挤度因子σ、最大迭代次数imax;随机生成各人工鱼个体,形成初始鱼群,鱼群中每条人工鱼代表一组可能线路电能损耗率;
步骤3.2,计算各人工鱼初始状态的食物浓度,并将最大者计入公告板;选取一个台区配电变压器出口电能表一天96个采样点的电能实测值数列M0和n户电力用户一天96个采样点的电能实测值数列M1、M2、M3、M4…Mn,根据目标函数计算出误差值,计算出食物浓度函数值,并比较各条人工鱼对应的食物浓度函数值,取最优个体,最优个体为误差值最小,即食物浓度最高,并将其对应的食物浓度函数值记入公告板;
步骤3.3,自适应修正人工鱼步长并分别执行人工鱼觅食行为、追尾行为;
设计人工鱼步长调节机制,设fV(i)为人工鱼步长的分布函数,i为当前迭代次数;设step为人工鱼初始移动步长,利用泊松分布的右侧衰减性,在迭代过程中,人工鱼的移动步长随着迭代次数进行衰减,λ为自定义常数;
自适应修正人工鱼步长后,再分别执行人工鱼的觅食行为、追尾行为;
各人工鱼模拟觅食行为,假设当前人工鱼个体所处的状态为xi,当前人工鱼xi和下一个选择状态xj之间的距离dij≤visual时,即在当前人工鱼个体所处的状态xi处的视野范围内,随机选择人工鱼个体的某个状态xj,若状态xj处的食物浓度值高于状态xi处的食物浓度值,则朝着xj处的方向前进一步;否则,再重新随机选择状态xj,并判断人工鱼个体朝着状态xj处前进的条件是否满足;如此不断地尝试,最多尝试try_number次,try_number为人工鱼觅食行为最大尝试次数,如果经过try_number次后仍然不满足朝状态xj处前进的条件,则随机朝任何一个方向前进一步;
各人工鱼模拟追尾行为,假设当前人工鱼个体所处的状态为xi,而人工鱼个体在该状态处的视野范围内可见的所有伙伴中食物浓度值最大者的伙伴为xmax,并且在伙伴xmax处的视野范围内可见的所有伙伴数目为Nmax;此时,若能够同时满足条件:和Yi<Ymax,则表明伙伴xmax处的食物浓度值较高,朝着xmax处的方向前进一步;否则执行觅食行为;其中,Nc为视野范围内可见的所有伙伴数目,Yi为当前区域食物浓度,Ymax为食物浓度最大区域;
当各人工鱼分别模拟觅食行为、追尾行为后,选择食物浓度高的行为作为实际执行;
步骤3.4,各人工鱼执行一次觅食行为、追尾行为后,检验自身状态和食物浓度,并与公告板记录的值进行比较,如果优于公告板记录的值,则更新公告板;
步骤3.5,判断是否达到最大迭代次数,若达到则输出结果,获得一组满足要求的线路电能损耗率数列;
步骤3.6,分析线路电能损耗率数列,对电能损耗率过高的线路,判定为低压异常用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624359.6A CN113420912B (zh) | 2021-06-04 | 2021-06-04 | 一种配电网低压异常用户辨识的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624359.6A CN113420912B (zh) | 2021-06-04 | 2021-06-04 | 一种配电网低压异常用户辨识的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420912A CN113420912A (zh) | 2021-09-21 |
CN113420912B true CN113420912B (zh) | 2022-04-26 |
Family
ID=77713904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110624359.6A Active CN113420912B (zh) | 2021-06-04 | 2021-06-04 | 一种配电网低压异常用户辨识的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420912B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688488B (zh) * | 2021-08-17 | 2023-05-30 | 南京信息工程大学 | 基于改进的人工鱼群算法的电网线路规划方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687397A (zh) * | 2019-09-30 | 2020-01-14 | 上海电力大学 | 一种基于改进人工鱼群算法的主动配电网故障定位方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445640B (zh) * | 2011-09-30 | 2014-07-02 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
CN106126863B (zh) * | 2016-07-20 | 2019-02-12 | 国网青海省电力公司 | 基于人工鱼群和蛙跳算法的光伏电池参数辨识方法 |
KR101904662B1 (ko) * | 2017-06-12 | 2018-10-04 | 한국전력공사 | 배전선로의 상 판별이 가능한 지능형전력량계시스템, 이를 이용한 배전선로의 상 판별 및 도전 관리 방법 |
US10914770B2 (en) * | 2018-10-25 | 2021-02-09 | Microchip Technology Incorporated | Electrical energy loss detection |
CN111060729B (zh) * | 2019-12-31 | 2020-10-16 | 湖南龙之翔智能科技有限公司 | 一种智能电表的防窃电方法及系统 |
CN111738364B (zh) * | 2020-08-05 | 2021-05-25 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户负荷与用电参量相结合的窃电检测方法 |
CN112215479B (zh) * | 2020-09-27 | 2022-03-25 | 青岛鼎信通讯股份有限公司 | 一种基于自适应收缩岭回归的电表反窃电分析方法 |
CN111931427B (zh) * | 2020-10-19 | 2021-07-02 | 国网江西省电力有限公司电力科学研究院 | 一种配电网负荷建模中感应电机模型参数确定方法 |
-
2021
- 2021-06-04 CN CN202110624359.6A patent/CN113420912B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687397A (zh) * | 2019-09-30 | 2020-01-14 | 上海电力大学 | 一种基于改进人工鱼群算法的主动配电网故障定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113420912A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohamed et al. | Partial shading mitigation of PV systems via different meta-heuristic techniques | |
CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN104809722B (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN109103874B (zh) | 考虑负荷特性与分布式电源接入的配电网可靠性评估方法 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN109274097A (zh) | 一种基于随机矩阵理论的电力系统暂态稳定态势评估方法 | |
CN111064180B (zh) | 基于ami潮流匹配的中压配电网拓扑检测与辨识方法 | |
CN113420912B (zh) | 一种配电网低压异常用户辨识的方法 | |
CN109921415A (zh) | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 | |
CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
Gensler et al. | An analog ensemble-based similarity search technique for solar power forecasting | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN115239077A (zh) | 基于改进鲸鱼优化算法的低压台区窃电用户辨识方法 | |
CN104699979B (zh) | 基于复杂网络的城市湖库藻类水华混沌时间序列预测方法 | |
CN116526478B (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及系统 | |
CN109802634A (zh) | 一种基于大数据的光伏电站的智能运维方法及运维系统 | |
CN106771847B (zh) | 一种35kV配电网输电线路雷击风险预测方法 | |
CN106599541B (zh) | 一种动态电力负荷模型的结构和参数在线辨识方法 | |
CN108205110A (zh) | 风力发电机组发电机故障的检测方法及装置 | |
CN113625118B (zh) | 基于优化脉冲神经膜系统的单相接地故障选线方法 | |
CN116127447A (zh) | 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质 | |
CN113255223B (zh) | 一种空调负荷短期预测方法及系统 | |
CN110417350B (zh) | 一种光伏阵列的故障诊断方法 | |
CN113836801A (zh) | 基于ceemd和改进ssa-lssvm的预测方法 |
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 |