CN113466615A - 基于果蝇优化算法的故障后录波数据同步方法 - Google Patents

基于果蝇优化算法的故障后录波数据同步方法 Download PDF

Info

Publication number
CN113466615A
CN113466615A CN202110673204.1A CN202110673204A CN113466615A CN 113466615 A CN113466615 A CN 113466615A CN 202110673204 A CN202110673204 A CN 202110673204A CN 113466615 A CN113466615 A CN 113466615A
Authority
CN
China
Prior art keywords
phase
fault
current
synchronization
phase current
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
Application number
CN202110673204.1A
Other languages
English (en)
Other versions
CN113466615B (zh
Inventor
李振兴
林龙剑
王朋飞
胡聪
李飞
王秋杰
李振华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202110673204.1A priority Critical patent/CN113466615B/zh
Publication of CN113466615A publication Critical patent/CN113466615A/zh
Application granted granted Critical
Publication of CN113466615B publication Critical patent/CN113466615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R31/088—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]
    • 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)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于果蝇优化算法的故障后录波数据同步方法，根据对称分量法分解三相电流，得到故障前、后零序电流；循环判断故障后零序电流的最小值是否大于保护启动阈值；采用小波分解对相电流突变点进行分析，判断是仅故障相存在突变点还是三相均存在突变点，若是仅故障相存在突变，则进行精细同步；否则进行粗略同步；利用粗略同步求得的同步误差，将三相电流同步误差控制在一周波以内，进行精细同步；确定系统三相电流稳态函数并构建目标函数，将非同步的三相电流导入构建的目标函数，并将目标函数导入组合的果蝇优化算法，寻优稳态信号的同步误差，完成精细同步。本发明方法使用组合多种优化方法，结合果蝇优化算法提高录波数据同步的准确性，解决了故障后暂态信息数据不同步的问题。

Description

基于果蝇优化算法的故障后录波数据同步方法
技术领域
本发明涉及电力系统继电保护技术领域，具体涉及一种基于果蝇优化算法的故障后录波数据同步方法。
背景技术
随着配电系统故障指示器功能的提高，配电自动化系统逐渐具备分布式多点实时数据处理、录波、上传等功能。故障录波器的广泛应用，给分析事故原因、恢复供电、制定事故对策等方面做出了重要贡献。一般地，故障录波器录波存在相位误差，导致三相之间会存在一个周波或数周波以内的同步误差。而被动式故障定位原理主要利用故障零序电流作为数据源，基于三相电流数据的提取的零序电流的准确性，是定位判据成功动作的关键因素。
针对数据同步，一种方法是：以录波设备启动时刻的同步方法以录波发生时刻代替故障实际发生时刻,【由伟翰.基于故障信号同步的配网差动保护技术[D].山东大学,2009.】，由于设备检测故障存在无法规避的延时，可能会导致保护误动作。另一种方法是：应用全球定位系统GPS进行同步，但是由于大规模铺设GPS接收机需要的投资大，大规模推广应用受限,【董金金.智能变电站故障数据自同步方法研究[D].山东大学,2018.】。
对于目前利用故障前稳态信息同步误差矫正故障后暂态信息的数据同步技术，可以使用寻优算法迭代求解得到最优解。
发明内容
针对高压线路差动保护中的电流信号同步问题，本发明提供一种基于果蝇优化算法的故障后录波数据同步方法，通过对非同步采用的三相电流和零序特征进行分析，构建同步启动判据，启动精细同步，根据小波算法控制三相电流同步误差在一个周波以内；进一步利用故障前稳态相电流函数特征构建三角函数，并建立最优模型即目标函数，引入果蝇优化算法对最优模型求解得到同步误差。该方法使用组合多种优化方法，结合果蝇优化算法提高录波数据同步的准确性，解决了故障后暂态信息数据不同步的问题。
本发明采取的技术方案为：
基于果蝇优化算法的故障后录波数据同步方法，包括以下步骤：
步骤1：根据对称分量法分解三相电流
Figure BDA0003119598360000011
得到故障前、后零序电流；
步骤2：循环判断故障后零序电流的最小值是否大于保护启动阈值，若是，进行到步骤3；若不是，继续在本步骤持续判断；
步骤3：采用MATLAB小波分解工具对相电流突变点进行分析，判断是仅故障相存在突变点还是三相均存在突变点，若是仅故障相存在突变，则进行到步骤5进行精细同步；否则进入步骤4进行粗略同步；
步骤4：利用粗略同步求得的同步误差Δt′amin和Δt′cmin，将三相电流同步误差控制在一周波以内，进行到步骤5进行精细同步；
步骤5：确定系统三相电流稳态函数；
对于果蝇优化算法，组合改进方案包括：基于Logistic映射的混沌技术、均匀分布的扇区搜索机制，动态步长调整策略。
Logistic映射的混沌技术可以使得果蝇初试坐标分布均匀，加快收敛速度。该分布如下式(7)所示：
xi′＝xmin+xdi*(xmax-xmin) (7)
其中x′i为混沌映射后的混沌值；xdi为映射到(0,1)区间内的值；xmax、xmin分别为种群中个体位置的最大值和最小值。
扇区搜索机制将使得果蝇种群坐标在各个扇区生成，均匀分布。
Figure BDA0003119598360000021
Figure BDA0003119598360000022
其中：Xi、Yi为更新后果蝇种群的坐标值，X_axis，Y_axis为更新前的果蝇坐标；L为搜索步长；t为扇角的大小；
动态步长调整策略采用动态因子结合初始搜索步长构建搜索步长的自适应变化，优化了搜索步长，在扇区搜索方向上的搜索范围即半径由步长因子ω(n)调控，其表达式为：
ω(n)＝ω0×exp[-20(n/M)a]: (10)
其中n、M分别为迭代次数和最大迭代次数，ω(0)为初始步长，a为调节参数，一般取值范围在[1,30]之间。
组合上述三种优化方案得到果蝇坐标方程为：
Figure BDA0003119598360000031
其中：
Figure BDA0003119598360000032
i＝1,2,3,…,P (14)
m＝1,2,3,…,M (15)
式中：P为种群规模，M为最大迭代次数；Sizepop为种群规模；t为扇角的大小，ω(P)为种群规模为P下的调控因子。
步骤6：采用基于Logistic映射的混沌技术，使得果蝇初始坐标分布的均匀性；
步骤7：采用扇形搜索机制，构建基于搜索方向的扇区范围，将种群坐标在各个扇区生成；
步骤8：使用动态因子，结合初始搜索步长构建搜索步长的自适应变化，调节搜索步长；
步骤9：利用混沌映射优化果蝇使得坐标分布、自适应搜索步长、扇区搜索法改善搜索范围来提高收敛速度；
步骤10：结合零序电流计算方式及特征，构建目标函数；
步骤11：采用数据同步技术算法原理，实现粗略同步和精细同步。
本发明一种基于果蝇优化算法的故障后录波数据同步方法，技术效果如下：
1)、本发明基于果蝇优化算法的故障后录波数据同步新方法，相比于其他同步方法，具有更高的精度，可以提升保护动作的准确性，防止保护误动；
2)、本发明方法计算量少，实现简单，算法速度快；
3)、本发明方法不需要添加额外设备，降低投资成本，具有工程实用性。
附图说明
图1(1)为故障时刻前相电流和零序电流示意图；
图1(2)为故障时刻后相电流和零序电流示意图。
图2(1)为系统正常运行时稳态数据及其同步误差图；
图2(2)为不同步1时稳态数据及其同步误差图；
图2(3)为不同步2时稳态数据及其同步误差图。
图3为调整前后三相电流波形图。
图4(a)为金属性接地故障下相电流突变量比较图；
图4(b)为50Ω接地故障下相电流突变量比较图；
图4(c)为100Ω接地故障下相电流突变量比较图；
图4(d)为300Ω接地故障下相电流突变量比较图；
图4(e)为500Ω接地故障下相电流突变量比较图；
图4(f)为1000Ω接地故障下相电流突变量比较图。
图5为μ与映射结果的对应关系图。
图6为数据同步处理流程图。
图7(1)为三相非同步电流数据曲线图；
图7(2)为三相非同步电流数据突变量波形图。
图8为平移一个周波后的三相电流曲线图。
图9为三种寻优运行曲线的比较图。
具体实施方式
基于果蝇优化算法的故障后录波数据同步方法，包括以下步骤：
步骤1：根据对称分量法分解三相电流
Figure BDA0003119598360000041
得到故障前、后零序电流；
基于小波变换的相电流突变点辨识方法：
步骤2：循环判断故障后零序电流的最小值是否大于保护启动阈值，如果是，则进行到步骤3，若不是，继续在本步骤持续判断，直到满足所述条件；
步骤3：采用MATLAB中的小波分解工具对相电流突变点进行分析，判断是仅故障相存在突变点还是三相均存在突变点，若仅故障相存在突变，则进行到步骤5进行启动精细同步，否则进入步骤4进行粗略同步；
步骤4：若是三相均存在突变点则启动粗略同步，以其中B相相电流突变点为参照，将A、C相相电流平移整倍数周波使三相电流间同步误差控制在一个周波内，进行到步骤5进行精细同步；
步骤5：确定系统三相电流稳态函数；
步骤7：采用基于Logistic映射的混沌技术，使得果蝇初始坐标分布的均匀性；
步骤8：采用扇形搜索机制，构建基于搜索方向的扇区范围，将种群坐标在各个扇区生成；
步骤9：使用动态因子，结合初始搜索步长构建搜索步长的自适应变化，调节搜索步长；
步骤10：利用混沌映射优化果蝇使得坐标分布、自适应搜索步长、扇区搜索法改善搜索范围来提高收敛速度；
步骤11：结合零序电流计算方式及特征，构建目标函数；
步骤12：采用数据同步技术算法原理，实现粗略同步和精细同步。
步骤1中，相电流特征分析：
当线路发生故障时，相间故障的故障特征较为明显，保护或定位的配置较为简单；而单相接地故障时，多以零序电流为数据源，且高阻接地下的电流信号较为微弱，从图1(1)、图1(2)中可以看到，根据对称分量法，可通过三相电流分解得到零序电流。零序电流从故障前的0值于故障时刻T0发生突变。
Figure BDA0003119598360000051
其中：
Figure BDA0003119598360000052
分别为系统A，B，C三相的电流值，
Figure BDA0003119598360000053
为零序电流值。
步骤2：零序电流作为启动条件来构建启动判据：
可将同步误差下的零序电流作为启动条件来构建启动判据。A、C两相相对B相电流分别平移Δt′a和Δt′c后，此时的零序电流可由式(2)表示，系统采样频率以10MHz为例，式(2)中，其平移步长为单个采样间隔；k为相电流的1/2周波的采样数据索引序号。
Figure BDA0003119598360000054
式中：Δt′a和Δt′c为A、C相电流的平移距离，其范围均为[-20ms,20ms]。ib为b相电流、I0为零序电流。
由式(2)求得I0。令该值对应的A、C相平移距离为Δt′amin和Δt′cmin，并利用该粗略误差持续进行粗调实时数据并移动图3中半周波数据窗，以t′为数据窗起始时刻，实时计算零序电流。当系统发生接地故障时，零序电流比系统正常运行的零序电流要高得多。为响应该故障数据并躲过系统正常运行时的零序电流，需设置启动判据的阈值Iset。判据如式(3)：
I0>Iset (3)
式中：启动判据阈值可由如式(4)：
Figure BDA0003119598360000061
N为采样点个数、i(k)采样点对应的电流值。
步骤3：循环判断故障后零序电流的最小值是否大于保护启动阈值，如果是，则进行到步骤3，若不是，继续在本步骤持续判断，直到满足所述条件；
步骤4：基于小波变换的相电流突变点辨识方法：
现选取MATLAB中的小波分解工具，设置不同过渡电阻下故障相同非故障相的突变点对比。图4(a)～图4(f)为系统A相单相接地时，90°故障合闸角且不同过渡电阻下的突变点比较，从图4(a)～图4(f)对比可知，对于非故障相，随着过渡电阻的增大，相电流的暂态突变量越来越微弱，直至无法识别突变信息。当无法辨识突变点时，由于非故障相相电流暂态分量非常微弱，非故障相相电流暂态分量在合成零序电流时的影响可以忽略。此时，三相电流仅存在一个周波以内的同步误差可利用以上辨识特征来缩小三相电流的同步误差，以B相相电流作为参考，假设A相电流突变点时间差在2-3波以内，则A相平移2周波，使其同步误差控制1周波以内。
步骤5：粗略同步启动策略：
如图2(1)、图2(2)、图2(3)所示，以B相为参考，A相、C相相对B相的相对误差为Δta和Δtc。现可通过对A、C相相电流左右平移，遍历Δta和Δtc求取最小零序电流值I0，使得三相电流相位差近似为120°±m×360°，m约为1或2,，零序电流接近为零，使其最小。以上处理即可获得粗略同步下的零序电流。
步骤6：确定系统三相电流稳态函数：
由于故障前稳态离散信息或系统正常运行时的故障录波数据存在三角函数特征，因此确定其函数关系式的形式为式(5)：
Figure BDA0003119598360000062
式中：Imx为该信号的幅值，ω为信号的角频率，
Figure BDA0003119598360000063
为初相位。幅值幅值参数可采用多点最大值的平均值表示，角频率取100*π，初相位由待定系数法确定，将一周波数据代入并求取相位均值。
步骤7：采用基于Logistic映射的混沌技术、使得果蝇初始坐标分布的均匀性。
沌优化的基本思想是：把待处理变量映射至混沌变量取值空间中，利用混沌变量取值区间的坐标数据结合果蝇搜索步长、方向等进行优化果蝇群坐标。Logistic映射迭代方程为式(6)：
xdi+1＝μxdi(1-xdi) (6)
式中：xdi为迭代之前的坐标，xdi+1为迭代一次之后的坐标，μ是控制参数。
如图5所示，随着μ值的增大，序列的分布越来越均匀，当μ等于4时，Logistic映射的分布最均匀。混沌映射后的混沌值转化到种群的变量空间中，从而使果蝇种群的初始位置分布更加均匀，该分布如式(7)所示：
x′i＝xmin+xdi*(xmax-xmin) (7)
其中，xmax和xmin分别为种群中个体位置的最大值和最小值。
步骤8：采用扇形搜索机制，构建基于搜索方向的扇区范围，将种群坐标在各个扇区生成：
8.1：依据果蝇种群规模Sizepop，来分配扇区角度：
Figure BDA0003119598360000071
式中，t为扇角的大小。
8.2：结合正弦余弦函数和扇角t，以上一代最优果蝇坐标或初始果蝇种群坐标为中心，在扇区内生成新一代果蝇坐标。
Figure BDA0003119598360000072
其中：(X_axis，Y_axis)为果蝇坐标，L为搜索步长，rand()为随机数函数。
步骤9：采用动态步长调整策略：
用动态因子结合初始搜索步长构建搜索步长的自适应变化，调节搜索步长。在扇区搜索方向上的搜索范围即半径由步长因子ω(n)调控，其表达式为：
ω(n)＝ω0*exp[-20(n/M)a] (10)
式中：n、M分别为迭代次数和最大迭代次数，a为调节参数，根据具体调试情况，取值范围在[1,30]之间。
步骤10：综合前面所述三种改进算法，该算法将利用混沌映射优化果蝇坐标分布，利用自适应搜索步长、扇区搜索法改善搜索范围来提高收敛速度。改进后的果蝇优化算法步骤如下：
a.随机生成果蝇群体的初始空间位置坐标(X0,Y0)。
Figure BDA0003119598360000081
b.给定果蝇种群规模P，最大迭代次数M，果蝇种群横坐标最大、最小值为xmin、xmax，纵坐标最大、最小值为ymax、ymin，控制参数μ＝4。结合Logistic映射的混沌技术、变步长以及扇区(扇区由种群规模P决定)约束，构成果蝇坐标方程：
Figure BDA0003119598360000082
其中：
Figure BDA0003119598360000083
i＝1,2,3,…,P (14)
m＝1,2,3,…,M (15)
式中：ω(P)为种群规模为P下的调控因子，M为最大迭代次数；Sizepop为种群规模；t为扇角的大小。
c.计算第i只果蝇与坐标原点之间的距离Dmi为：
Figure BDA0003119598360000084
d.第i只果蝇的食物气味相对浓度值Smi是将对Dmi求倒数，其值为：
Figure BDA0003119598360000085
e.食物气味浓度值Smelli即为目标函数的一个解，其求法是将Smi代入目标函数模型，得到第i只果蝇的食物气味浓度值Smelli，其值为：
Smellmi＝function(Smi) (18)
f.比较当代果蝇群体中食物气味浓度值最高或最小(bestsmell)的果蝇，得到当代最优果蝇坐标(bestcoordinate)：
[bestsmell bestcoordinate]＝max(Smell) (19)
式中：式中：smell为全体果蝇各自所处位置的食物气味浓度值的集合。
g.获取食物气味浓度值最高或最小(bestsmell)和最优果蝇坐标点，记为下一代果蝇搜索位置及方向提供指引。
Figure BDA0003119598360000091
h.重复执行步骤b至步骤g，进行迭代寻优，进一步获取各代最优解，逐级比较，直至最高代数M，最后输出最优解。
步骤11：构建目标函数：
根据故障前稳态函数，结合零序电流计算方式及特征可构建目标函数为：
Figure BDA0003119598360000092
式中：
Figure BDA0003119598360000093
分别为A、B、C三相电流的故障初相角，为已知量；Δta、Δtb、Δtc分别为其参数的A、B、C三相电流的故障时刻误差；t为采样的时间序列。为了简化寻优难度，进而寻优算法快速收敛，提高最优解求取效率，现将Δtb设置为零。
步骤12：得到精细同步结果：
将非同步的三相电流导入步骤11所构建的目标函数，并将目标函数导入组合的果蝇优化算法，寻优稳态信号的同步误差Δta、Δtc，通过将A相电流和C相电流，完成精细同步。
实施例：
进行数据同步仿真验证并与其它各果蝇算法进行数据同步仿真对比验证分析。利用matlab搭建模型，进行数据同步仿真验证。由于缺少现场数据，现利用仿真数据的平移构造不同步的三相电流数据。设置算例模型(经消弧线圈接地系统，故障初相角为零，故障设置在t＝0.5s时刻)为例，设置单相接地故障(A相)，过渡电阻为100欧姆。将A相电流相对B相延迟21.6ms输出(相对B相相差388.8°)，C相电流相对B相超前18.6ms输出(相对B相相差334.8°)，其采样电流数据源如图7(1)、图7(2)所示。
为了体现本发明所提果蝇算法优化方法的优势，对三种果蝇算法模型进行相同的初始化赋值如表1所示。
表1各果蝇算法介绍和参数设置
Figure BDA0003119598360000094
Figure BDA0003119598360000101
使用matlab对三种同步方法分别进行仿真验证，得到仿真结果如表2所示。
表2仿真结果统计
Figure BDA0003119598360000102
从表2可以看出，统果蝇、CDSFOA以及本文所提优化方法的运行结果，其运行结果具体数据如表2，FOA的结果呈现出寻优速度慢，收敛结果不稳定、误差大；CDSFOA方法一定程度上提高了寻优速度，收敛结果相对较稳定、误差较小，为2.11*e-4；而本发明所提的优化方法寻优速度快，收敛结果稳定、误差小，为2.82*e-6。
图9和表2反映了本发明所提优化果蝇算法应用于三相电流的数据同步时，三次运行的收敛结果、极值误差以及相角误差，运行结果显示该方案具有一定的稳定性，其收敛速度较快，均在100代以内。

Claims (9)

1.基于果蝇优化算法的故障后录波数据同步方法，其特征在于包括以下步骤：
步骤1：根据对称分量法分解三相电流
Figure FDA0003119598350000011
得到故障前、后零序电流；
步骤2：循环判断故障后零序电流的最小值是否大于保护启动阈值，若是，进行到步骤3；若不是，继续在本步骤持续判断；
步骤3：采用小波分解工具对相电流突变点进行分析，判断是仅故障相存在突变点还是三相均存在突变点，若是仅故障相存在突变，则进行到步骤5进行精细同步；否则进入步骤4进行粗略同步；
步骤4：利用粗略同步求得的同步误差Δt′amin和Δt′cmin，将三相电流同步误差控制在一周波以内，进行到步骤5进行精细同步；
步骤5：确定系统三相电流稳态函数并构建目标函数，将非同步的三相电流导入构建的目标函数，并将目标函数导入组合的果蝇优化算法，寻优稳态信号的同步误差Δta、Δtc，完成精细同步。
2.根据权利要求1所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：步骤5包括以下步骤：
步骤5.1：采用基于Logistic映射的混沌技术，使得果蝇初始坐标分布的均匀性；
把待处理变量映射至混沌变量取值空间中，利用混沌变量取值区间的坐标数据结合果蝇搜索步长、方向等进行优化果蝇群坐标；Logistic映射迭代方程为式(6)：
xdi+1＝μxdi(1-xdi) (6)
式中：xdi为迭代之前的坐标，xdi+1为迭代一次之后的坐标，μ是控制参数；
步骤5.2：采用扇形搜索机制，构建基于搜索方向的扇区范围，将种群坐标在各个扇区生成，包括以下步骤：
a：依据果蝇种群规模Sizepop，来分配扇区角度
Figure FDA0003119598350000012
式中，t为扇角的大小；
b：结合正弦余弦函数和扇角t，以上一代最优果蝇坐标或初始果蝇种群坐标为中心，在扇区内生成新一代果蝇坐标；
Figure FDA0003119598350000021
其中，(X_axis，Y_axis)为果蝇坐标，L为搜索步长，rand()为随机数函数；
步骤5.3：使用动态因子，结合初始搜索步长构建搜索步长的自适应变化，调节搜索步长；
在扇区搜索方向上的搜索范围即半径，由步长因子ω(n)调控，其表达式为：
ω(n)＝ω0*exp[-20(n/M)a] (10)
式中：n、M分别为迭代次数和最大迭代次数，a为调节参数，根据具体调试情况，取值范围在[1,30]之间；
步骤5.4：利用混沌映射优化果蝇使得坐标分布、自适应搜索步长、扇区搜索法改善搜索范围来提高收敛速度,包括以下步骤：
步骤a.随机生成果蝇群体的初始空间位置坐标(X0,Y0)；
Figure FDA0003119598350000022
步骤b.给定果蝇种群规模P，最大迭代次数M，果蝇种群横坐标最大、最小值为xmin、xmax，纵坐标最大、最小值为ymax、ymin，控制参数μ＝4；结合Logistic映射的混沌技术、变步长以及扇区(扇区由种群规模P决定)约束，构成果蝇坐标方程：
Figure FDA0003119598350000023
其中：
Figure FDA0003119598350000024
i＝1,2,3,…,P (14)
m＝1,2,3,…,M (15)
式中：ω(P)为种群规模为P下的调控因子，M为最大迭代次数；Sizepop为种群规模；t为扇角的大小；
步骤c.计算第i只果蝇与坐标原点之间的距离Dmi为：
Figure FDA0003119598350000025
步骤d.第i只果蝇的食物气味相对浓度值Smi是将对Dmi求倒数，其值为：
Figure FDA0003119598350000031
步骤e.食物气味浓度值Smelli即为目标函数的一个解，其求法是将Smi代入目标函数模型，得到第i只果蝇的食物气味浓度值Smelli，其值为：
Smellmi＝function(Smi) (18)
步骤f.比较当代果蝇群体中食物气味浓度值最高或最小(bestsmell)的果蝇，得到当代最优果蝇坐标(bestcoordinate)：
[bestsmell bestcoordinate]＝max(Smell) (19)
式中：式中：smell为全体果蝇各自所处位置的食物气味浓度值的集合；
步骤g.获取食物气味浓度值最高或最小(bestsmell)和最优果蝇坐标点，记为下一代果蝇搜索位置及方向提供指引；
Figure FDA0003119598350000032
步骤h.重复执行步骤b至步骤g，进行迭代寻优，进一步获取各代最优解，逐级比较，直至最高代数M，最后输出最优解；
步骤5.5：结合零序电流计算方式及特征，构建目标函数；
步骤5.6：采用数据同步技术算法原理，实现粗略同步和精细同步。
3.根据权利要求1所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：所述步I0骤2中，以B相为参考，A相、C相相对B相的相对误差为Δta和Δtc；通过对A、C相相电流左右平移，如式(2)遍历Δt′a和Δt′c求取最小零序电流值，检测零序电流是否大于精细同步启动判据阈值，其中启动判据的阈值为Iset；
Figure FDA0003119598350000033
其中Δt′a和Δt′c为A、C相电流的平移距离，其范围均为[-20ms,20ms]，其平移步长为单个采样间隔；k为相电流的1/2周波的采样数据索引序号；ib为B相相电流；
Figure FDA0003119598350000041
其中，N为采样点的个数。
4.根据权利要求1所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：所述步骤3中，小波分解对相电流突变点进行分析包括：
选取小波分解工具，设置不同过渡电阻下故障相同非故障相的突变点对比；对于非故障相，随着过渡电阻的增大，相电流的暂态突变量越来越微弱，直至无法识别突变信息；当无法辨识突变点时，由于非故障相相电流暂态分量非常微弱，非故障相相电流暂态分量在合成零序电流时的影响可以忽略；此时，三相电流仅存在一个周波以内的同步误差可利用以上辨识特征来缩小三相电流的同步误差，以B相相电流作为参考，设A相电流突变点时间差在2-3波以内，则A相平移2周波，使其同步误差控制1周波以内。
5.根据权利要求1所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：所述步骤3中的粗略同步启动策略，以B相为参考，A相、C相相对B相的相对误差为Δta和Δtc；通过对A、C相相电流左右平移，遍历Δta和Δtc求取最小零序电流值I0，使得三相电流相位差近似为120°±m×360°，m约为1或2，零序电流接近为零或最小，
以上处理即可获得粗略同步下的零序电流。
6.根据权利要求1所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：所述步骤4中，A、C两相相对B相电流分别平移Δt′a和Δt′c后，此时的零序电流可由式(2)表示，式(2)中其平移步长为单个采样间隔；k为相电流的1/2周波的采样数据索引序号；
Figure FDA0003119598350000042
式中：Δt′a和Δt′c为A、C相电流的平移距离，其范围均为[-20ms,20ms]；
由式(2)求得I0，令该值对应的A、C相平移距离为Δt′amin和Δt′cmin，并利用该粗略误差持续进行粗调实时数据并移动图3中半周波数据窗(以t′为数据窗起始时刻)，实时计算零序电流I0；
当系统发生接地故障时，零序电流比系统正常运行的零序电流要高得多；为响应该故障数据并躲过系统正常运行时的零序电流，需设置启动判据的阈值Iset，启动判据如式(3)：
I0>Iset (3)
式中：启动判据阈值可由如式(4)：
Figure FDA0003119598350000051
7.根据权利要求1所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：步骤5中，由于故障前稳态离散信息或系统正常运行时的故障录波数据存在三角函数特征，因此确定三相电流稳态函数关系式的形式为(5)：
Figure FDA0003119598350000052
式中：Imx为该信号的幅值，ω为信号的角频率，
Figure FDA0003119598350000053
为初相位；幅值幅值参数可采用多点最大值的平均值表示，角频率取100*π，初相位由待定系数法确定，将一周波数据代入并求取相位均值。
8.根据权利要求2所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：步骤5.5中，根据故障前稳态函数，结合零序电流计算方式及特征，构建目标函数为：
Figure FDA0003119598350000054
式中：
Figure FDA0003119598350000055
分别为A、B、C三相电流的故障初相角，为已知量；Δta、Δtb、Δtc分别为其参数的A、B、C三相电流的故障时刻误差；t为采样的时间序列；为了简化寻优难度，进而寻优算法快速收敛，提高最优解求取效率，现将Δtb设置为零。
9.根据权利要求2所述基于果蝇优化算法的故障后录波数据同步方法，其特征在于：步骤5.6包括以下步骤：
步骤①：系统正常运行时，对配网终端采样的实时三相故障电流波形进行粗略平移调整(数据窗为两周波)，并遍历求取零序电流的最小值，获取最小值对应的粗略同步误差Δt′amin和Δt′cmin；此时的零序电流最小值若不满足同步启动判据，系统持续计算、判断；若满足启动判据式(4)，则进入步骤②；
步骤②：利用MATALB中的小波分解与重构数学工具对相电流突变点进行分析，若三相电流中仅故障相存在突变点，此时忽略整周波同步误差，利用Δt′amin和Δt′cmin矫正后，跳转步骤④进行精细同步；
步骤③：若三相均存在突变点，以其中B相相电流突变点为参照，将A、C相相电流平移整倍数周波使三相电流间同步误差控制在一个周波内；
步骤④：取两周波稳态数据，搜索4个半周波峰值，取其均值作为稳态函数中的Imx；将稳态离散数据中的n个点代入稳态函数公式，即可求取n个故障初相角，并取其均值作为稳态电流信号的故障初相角
Figure FDA0003119598350000061
步骤⑤：结合三相电流的对称性构建目标函数
Figure FDA0003119598350000062
融合果蝇优化算法，建立基于果蝇优化算法的数据同步误差求解模型；
将非同步的三相电流导入同步模型，寻优稳态信号的同步误差Δta、Δtc。
CN202110673204.1A 2021-06-17 2021-06-17 基于果蝇优化算法的故障后录波数据同步方法 Active CN113466615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110673204.1A CN113466615B (zh) 2021-06-17 2021-06-17 基于果蝇优化算法的故障后录波数据同步方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110673204.1A CN113466615B (zh) 2021-06-17 2021-06-17 基于果蝇优化算法的故障后录波数据同步方法

Publications (2)

Publication Number Publication Date
CN113466615A true CN113466615A (zh) 2021-10-01
CN113466615B CN113466615B (zh) 2022-06-03

Family

ID=77870311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110673204.1A Active CN113466615B (zh) 2021-06-17 2021-06-17 基于果蝇优化算法的故障后录波数据同步方法

Country Status (1)

Country Link
CN (1) CN113466615B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154679A (zh) * 2021-10-22 2022-03-08 南京华盾电力信息安全测评有限公司 一种基于Spark的PCFOA-KELM风功率预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU155594U1 (ru) * 2014-11-11 2015-10-10 Юрий Константинович Розанов Многофункциональный регулятор качества электроэнергии для трехфазных распределительных систем электроснабжения 0,4 кв
CN109298362A (zh) * 2018-09-10 2019-02-01 国网江苏省电力有限公司电力科学研究院 一种配电线路故障指示器三相同步精度测试方法、装置和系统
CN111007355A (zh) * 2019-12-11 2020-04-14 苏州银蕨电力科技有限公司 一种基于广域同步智能传感器的断线故障检测方法
CN111208387A (zh) * 2020-02-17 2020-05-29 国电南瑞南京控制系统有限公司 基于同步对比相电流故障分量的配网单相接地选线方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU155594U1 (ru) * 2014-11-11 2015-10-10 Юрий Константинович Розанов Многофункциональный регулятор качества электроэнергии для трехфазных распределительных систем электроснабжения 0,4 кв
CN109298362A (zh) * 2018-09-10 2019-02-01 国网江苏省电力有限公司电力科学研究院 一种配电线路故障指示器三相同步精度测试方法、装置和系统
CN111007355A (zh) * 2019-12-11 2020-04-14 苏州银蕨电力科技有限公司 一种基于广域同步智能传感器的断线故障检测方法
CN111208387A (zh) * 2020-02-17 2020-05-29 国电南瑞南京控制系统有限公司 基于同步对比相电流故障分量的配网单相接地选线方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张志富 等: "移动式比相法配电网接地故障定位同步采集的实现", 《电网与清洁能源》, vol. 28, no. 1, 31 January 2012 (2012-01-31), pages 25 - 28 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154679A (zh) * 2021-10-22 2022-03-08 南京华盾电力信息安全测评有限公司 一种基于Spark的PCFOA-KELM风功率预测方法及装置
CN114154679B (zh) * 2021-10-22 2024-01-26 南京华盾电力信息安全测评有限公司 一种基于Spark的PCFOA-KELM风功率预测方法及装置

Also Published As

Publication number Publication date
CN113466615B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN108521114B (zh) 一种变压器中性点电容隔直装置的优化配置方法
CN111046327B (zh) 适用于低频振荡与次同步振荡辨识的Prony分析方法
CN113466615B (zh) 基于果蝇优化算法的故障后录波数据同步方法
CN107632225A (zh) 一种小电流系统接地故障定位方法
CN103177188A (zh) 一种基于特征映射的电力系统负荷动特性分类方法
CN110687399B (zh) 一种配电网故障指示器波形故障开始时刻判断方法
CN113253050B (zh) 一种基于鲸鱼优化卡尔曼滤波算法的行波故障测距方法
CN114034980A (zh) 基于粒子群优化bp神经网络的配电线路故障检测方法
CN102135588B (zh) 一种利用s变换频谱特性的辐射网故障智能测距方法
CN111077407A (zh) 一种基于广义s变换暂态能量的小电流接地故障选线方法
CN114966316A (zh) 一种一二次深度融合设备信号检测装置及检测方法
CN110221170B (zh) 一种基于禁忌搜索优化rbf网络的小电流接地选线方法
CN107317337B (zh) 交直流混合微网潮流控制器的分散协调控制方法
CN109541395B (zh) 一种特征频带下基于Hausdorff的配网区段定位方法
CN108089100A (zh) 小电流接地系统弧光电阻接地故障的检测方法
CN114884094A (zh) 一种风电场阻抗特性监测方法、系统、设备和介质
CN112444756B (zh) 一种基于零序工频电气分量耦合椭圆分布特征的小电流不接地选线方法
CN112557807A (zh) 一种配电网单相接地故障选线方法
Mansani et al. Estimation of transmission line sequence impedances using real PMU data
CN112305374A (zh) 一种配电网单相接地故障选线方法
CN115856492A (zh) 一种基于非同步信号的配电网单相接地故障区段定位方法
CN109240085A (zh) 非高斯系统动态数据校正与系统控制性能优化方法
CN105671596B (zh) 一种铝电解槽单个阳极数学模型的确定方法
Song et al. The method of BP algorithm for genetic simulated annealing algorithm in fault line selection
CN113553538A (zh) 一种递推修正混合线性状态估计方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20211001

Assignee: Hubei Yispatiotemporal Unmanned Aerial Vehicle Technology Co.,Ltd.

Assignor: CHINA THREE GORGES University

Contract record no.: X2023980044218

Denomination of invention: A Method for Synchronizing Fault Recording Data Based on Drosophila Optimization Algorithm

Granted publication date: 20220603

License type: Common License

Record date: 20231024