CN113945796A - 一种配电网故障定位方法、终端设备及存储介质 - Google Patents
一种配电网故障定位方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113945796A CN113945796A CN202111147341.8A CN202111147341A CN113945796A CN 113945796 A CN113945796 A CN 113945796A CN 202111147341 A CN202111147341 A CN 202111147341A CN 113945796 A CN113945796 A CN 113945796A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- power distribution
- switch
- state
- 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 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000012804 iterative process Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 description 8
- 239000002096 quantum dot Substances 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006054 immunological memory Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Physiology (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种配电网故障定位方法、终端设备及存储介质,该方法中包括:S1:采集故障时配电网中各开关的故障电流信息,并转换为各开关的实际故障状态;S2:通过改进量子遗传算法对配电网中各馈线段的状态进行迭代更新,并构建适应度函数,以使各开关的实际故障状态与期望故障状态的差值最小,提取迭代过程中适应度函数最大时对应各馈线段的状态;S3:根据提取的各馈线段的状态对配电网内的馈线段的故障进行定位。本发明能够保证船舶配电网在大量可持续分布式电源接入的情况下,仍能够保证对负载的正常连续供电,且在船舶航行的复杂环境下,仍然能够对馈线故障区段进行快速定位,且拥有很好的容错性。
Description
技术领域
本发明涉及故障检测领域,尤其涉及一种配电网故障定位方法、终端设备及存储介质。
背景技术
在当今节能减排的大环境下,随着现代船舶业的不断发展,船舶能源逐渐趋于可持续化,太阳能、风能、燃料电池、生物质能等一系列可再生新能源受到广泛关注,各国航运领域不断拓展绿色能源在船舶上的应用。然而由于新能源电源的发电特性有着不稳定、间歇性、易受环境影响、储量小等特点,对整个船舶配电网的暂态和稳态运行特性有着直接影响,故目前只能将可再生能源应用在近海小型船舶上。要想将可再生能源广泛应用到船舶电网中,必须克服新能源发电装置对整个船舶电网供电稳定性和安全性的影响,所以快速对含分布式电源的船舶配电网进行故障信息监测与故障定位是目前急需解决的问题。
传统配电网是单电源系统,诊断数学模型潮流方向只由发电机侧指向负载侧,只需确认馈线终端单元是否检测到越线信息即可判断故障区段。而含分布式电源(DG)的配电网为多电源系统,DG电源的发电特性有着不稳定、间歇性、易受环境影响、储量小等特点,对整个船舶配电网的暂态和稳态运行特性有着直接影响,且随着DG电源的接入会引发潮流反向的情况,馈线段上的开关各点电压会显著升高,影响定位系统的诊断精度。如图1所示,若馈线段L3发生故障:当DG电源不接入电网时,开关S1、S2、S3处的FTU(配电开关监控终端)设备检测到故障电流,而开关S4没有电流流过;当DG电源接入电网时,DG电源与馈线段L2相连并抬高该处电压,减小了系统电源与L2处的电压差,使得开关S1、S2处的故障电流与FTU装置灵敏度减小,同理也会增大开关S3、S4处的故障电流与FTU装置灵敏度,从而影响对越线电流信息的判断,导致定位系统误判。
发明内容
为了解决上述问题,本发明提出了一种配电网故障定位方法、终端设备及存储介质。
具体方案如下:
一种配电网故障定位方法,包括以下步骤:
S1:采集故障时配电网中各开关的故障电流信息,并转换为各开关的实际故障状态;
S2:通过改进量子遗传算法对配电网中各馈线段的状态进行迭代更新,并构建适应度函数,以使各开关的实际故障状态与期望故障状态的差值最小,提取迭代过程中适应度函数最大时对应各馈线段的状态;
S3:根据提取的各馈线段的状态对配电网内的馈线段的故障进行定位。
进一步的,各开关的故障电流信息通过配电开关监控终端采集。
进一步的,步骤S1中转换为实际故障状态的方法为:当故障电流信息为无故障电流时,设定实际故障状态为0;当故障电流信息为有故障电流时,根据电流方向的不同,设定实际故障状态为1或-1。
进一步的,当馈线段内不存在分布式电源时,设定由系统电源到用电负载方向为电流的正方向;当馈线段内存在分布式电源时,设定由系统电源到分布式电源方向为电流的正方向。
进一步的,适应度函数E(S)为:
其中,W表示误差极大值;Si表示第i个开关的实际故障状态;Si *表示第i个开关的期望故障状态;i表示开关的序号;N表示配电网中的开关总数;δ表示权重系数;Q表示配电网中所有故障馈线段数目的总和;L1ij和L2ij分别表示第i个开关上游和下游区段中的第j个馈线段的故障状态,j表示馈线段的序号,ni1和ni2分别表示第i个开关上游和下游区段中包含的馈线段总数;niDG表示第i个开关下游区段中包含的分布式电源开关总数;Kij表示第i个开关下游的第j个分布式电源开关的状态。
进一步的,改进量子遗传算法在传统量子遗传算法的基础上设定量子旋转门的旋转角度Δθi的更新策略为:
Δθi=[c×rand()×|best-f(xi)|+ω(t)]×0.04π
其中,c表示学习因子,rand()表示随机数,best表示迭代到目前为止拥有最优适应度的个体,f(xi)表示当前种群的第i个个体,ω(t)表示惯性因子。
进一步的,改进量子遗传算法的迭代更新过程具体为:首先,随机生成N个个体为初代种群,将前N/2个个体定义为记忆池个体,储存优势抗体种群;其次,按抗体适应度将个体进行优劣排列,将前N/2个个体放入记忆池中保存;最后,在更新过程中只将种群排列的后N/2个个体重新编码,并把上一代记忆池中的优势个体作为父代进行交叉操作,再将交叉后得到的N个个体进行优劣排列,将前N/2个个体放入记忆池中保存,如此往复直至满足迭代条件。
进一步的,改进量子遗传算法的交叉过程中采用的交叉概率Pc为:
其中,fm为两个交叉个体中适应度略高的个体;favg为每代种群个体的适应度平均值;fbest为迭代到目前为止最优的个体适应度;k1和k2分别表示第一和第二概率值,且k1>k2。
一种配电网故障定位终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,能够保证船舶配电网在大量可持续分布式电源接入的情况下,仍能够保证对负载的正常连续供电,且在船舶航行的复杂环境下,仍然能够对馈线故障区段进行快速定位,且拥有很好的容错性。
附图说明
图1所示为含DG的配电网网络模型示意图。
图2所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种配电网故障定位方法,如图2所示,所述方法包括以下步骤:
S1:采集故障时配电网中各开关的故障电流信息,并转换为各开关的实际故障状态。
该实施例中各开关的故障电流信息通过FTU设备采集。
结合FTU数据监测方案与船舶航行实际情况来看,随着船舶及其设备的现代化和大型化,船舶机舱内设备的精密程度与布线密集程度不断提升,导致传统布线监测方案传输效率低下、实效性差,且抗干扰能力不足,因此提高监测实效性和减少不必要的布线需求是非常必要的。本实施例中优选通过无线传感器网络(WSN)进行采集,具体为:以无线传感器网络为载体,将FTU设备通过串口线直接与无线传感器节点相连,把FTU设备采集到的故障电流信息传输给无线数据传输单元,再由无线路由单元进行数据中继后通过WSN协议传输至汇聚网关。通过无线传感器网络,可以大大较少不必要的布线需求。
由于当分布式电源(DG)接入配电网后,会使整个配电网的网络拓扑结构、潮流分布及潮流方向发生改变。对于传统配电网的故障信息检测和状态编码,只需定义0-1来表示相应的FTU设备是否检测到故障电流,而在本实施例中,当分布式电源接入后,设定FTU设备检测故障电流的正方向为:当馈线段内不存在分布式电源时,由系统电源到用电负载方向为正方向;当馈线段内存在分布式电源时,由系统电源到分布式电源方向为正方向,具体如表1所示。
表1
S2:通过改进量子遗传算法对配电网中各馈线段的状态进行迭代更新,并构建适应度函数,以使各开关的实际故障状态与期望故障状态的差值最小,提取迭代过程中适应度函数最大时对应各馈线段的状态。
量子遗传算法(QGA)是在传统遗传算法(SGA)的基础上,将量子理论引入到染色体编码、更新、变异操作上,增加了种群多样性且提高了算法并行运算速率。
本实施例在量子遗传算法的基础上提出了改进量子遗传算法(IQGA),其采用基于量子态概率幅编码方式的编码方案,使量子比特可以同时处在两个量子态的线性叠加态中,其形式为:且|α|2+|β|2=1。其中α、β称为量子态的概率幅,|α|2为量子态是|0>的概率,|β|2为量子态是|1>的概率。在基于量子态概率幅二进制编码方式中,将一个量子位定义为则m个量子比特系统可用概率幅表示为此为单个染色体的编码方式,m个量子比特系统可同时对2m个基因座状态进行描述。同传统二进制编码方式相比,量子比特编码方式能够在极大程度上增加种群多样性,并且可以通过扩充种群数量达到容纳极大数量基因座信息的目的。
改进量子遗传算法采用量子旋转门策略实现染色体的动态更新,其具体调整操作为:
更新过程如下:
式中:[αi'βi']T和[αiβi]T分别表示更新后和更新前染色体的第i位量子位。
本实施例中在传统量子遗传算法的基础上提出以下策略以更新量子旋转门的旋转角度:
Δθi=[c×rand()×|besti-f(xi)|+ω(t)]×0.04π
其中,c表示学习因子,best表示迭代到目前为止拥有最优适应度的个体,f(xi)表示当前种群的第i个个体。
该策略掘弃了传统更新量子旋转门旋转角度与性状无关的通用性策略,保留粒子群算法基于全局经验的学习因子c和惯性因子ω(t),根据全局最优染色体适应度值与当前染色体适应度值之间的差异来调整量子旋转门的旋转角度大小。
由于当含DG的配电网中某馈线段发生故障时,各个开关处检测到的实际故障状态与期望故障状态之间的对应关系,是故障定位的关键所在,而开关处期望故障电流与其上游及下游区段的各个馈线段的故障状态,和下游区段的分布式电源开关状态有着密切联系。基于此,该实施例中设定适应度函数E(S)为:
其中,W表示误差极大值,该实施例中设定为103,引入W的目的是为了确保E(S)恒正,将问题转化为最大值优化问题;Si表示第i个开关的实际故障状态;Si *表示第i个开关的期望故障状态;i表示开关的序号;N表示配电网中的开关总数;δ表示权重系数,该实施例中谁懂为0.5;Q表示配电网中所有故障馈线段数目的总和,可以根据各馈线段的状态确定;L1ij和L2ij分别表示第i个开关上游和下游区段中的第j个馈线段的故障状态,j表示馈线段的序号,ni1和ni2分别表示第i个开关上游和下游区段中包含的馈线段总数;niDG表示第i个开关下游区段中包含的分布式电源开关总数;Kij表示第i个开关下游的第j个分布式电源开关的状态。该实施例中馈线段的状态用0和1表示,故障时为1,无故障时为0。
进一步的,本实施例中改进量子遗传算法的迭代更新过程采用免疫记忆池的方式,防止算法在迭代过程中发生种群退化。具体实施过程为:首先,随机生成N个个体为初代种群,将前N/2个个体定义为记忆池个体,储存优势抗体种群;其次,按抗体适应度将个体进行优劣排列,将前N/2个个体放入记忆池中保存,防止种群退化;最后,量子更新操作只将种群排列的后N/2个个体重新编码,并把上一代记忆池中的优势个体作为父代进行交叉操作,再将交叉后得到的N个个体进行优劣排列,将前N/2个个体放入记忆池中保存,如此往复直至满足迭代条件。
另外,传统算法的种群更新操作一般通过迭代条件来对种群进行限制,而传统的免疫算法及遗传算法中的交叉、变异等操作,一般都有着提前设置且与种群迭代情况无关的交叉及变异概率,不利于种群更新及算法寻优性能,因此,该实施例中采用自适应交叉概率,以根据当前全局最优个体与当前个体的表现值进行交叉概率的自适应调整,改进后的交叉概率Pc为:
式中:fm为两个交叉个体中适应度略高的个体;favg为每代种群个体的适应度平均值;fbest为迭代到目前为止最优的个体适应度;该实施例中设定k1=0.9;k2=0.6。
本实施例采用的改进量子遗传(IA-IQAGA)算法在量子遗传算法的基础上,掘弃了传统更新量子旋转门旋转角度与性状无关的通用性策略,根据全局最优染色体适应度值与当前染色体适应度值之间的差异来调整量子旋转门的旋转角度大小,以丰富种群多样性。此外,结合免疫算法的记忆池精英保留策略,将优势个体储存在记忆池中,以防种群因更新操作而出现性状退化的问题,并以记忆池中优势个体作为交叉父代,与更新后的种群基于自适应交叉概率进行交叉操作,既保留了整个种群中的优良性状个体,又保证了种群多样性。
S3:根据提取的各馈线段的状态对配电网内的馈线段的故障进行定位。
实施例二:
本发明还提供一种配电网故障定位终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述配电网故障定位终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述配电网故障定位终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述配电网故障定位终端设备的组成结构仅仅是配电网故障定位终端设备的示例,并不构成对配电网故障定位终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述配电网故障定位终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述配电网故障定位终端设备的控制中心,利用各种接口和线路连接整个配电网故障定位终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述配电网故障定位终端设备的各种功能。所述存储器可主要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、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述配电网故障定位终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
1.一种配电网故障定位方法,其特征在于,包括以下步骤:
S1:采集故障时配电网中各开关的故障电流信息,并转换为各开关的实际故障状态;
S2:通过改进量子遗传算法对配电网中各馈线段的状态进行迭代更新,并构建适应度函数,以使各开关的实际故障状态与期望故障状态的差值最小,提取迭代过程中适应度函数最大时对应各馈线段的状态;
S3:根据提取的各馈线段的状态对配电网内的馈线段的故障进行定位。
2.根据权利要求1所述的配电网故障定位方法,其特征在于:各开关的故障电流信息通过配电开关监控终端采集。
3.根据权利要求1所述的配电网故障定位方法,其特征在于:步骤S1中转换为实际故障状态的方法为:当故障电流信息为无故障电流时,设定实际故障状态为0;当故障电流信息为有故障电流时,根据电流方向的不同,设定实际故障状态为1或-1。
4.根据权利要求3所述的配电网故障定位方法,其特征在于:当馈线段内不存在分布式电源时,设定由系统电源到用电负载方向为电流的正方向;当馈线段内存在分布式电源时,设定由系统电源到分布式电源方向为电流的正方向。
6.根据权利要求1所述的配电网故障定位方法,其特征在于:改进量子遗传算法在传统量子遗传算法的基础上设定量子旋转门的旋转角度Δθi的更新策略为:
Δθi=[c×rand()×|best-f(xi)|+ω(t)]×0.04π
其中,c表示学习因子,rand()表示随机数,best表示迭代到目前为止拥有最优适应度的个体,f(xi)表示当前种群的第i个个体,ω(t)表示惯性因子。
7.根据权利要求1所述的配电网故障定位方法,其特征在于:改进量子遗传算法的迭代更新过程具体为:首先,随机生成N个个体为初代种群,将前N/2个个体定义为记忆池个体,储存优势抗体种群;其次,按抗体适应度将个体进行优劣排列,将前N/2个个体放入记忆池中保存;最后,在更新过程中只将种群排列的后N/2个个体重新编码,并把上一代记忆池中的优势个体作为父代进行交叉操作,再将交叉后得到的N个个体进行优劣排列,将前N/2个个体放入记忆池中保存,如此往复直至满足迭代条件。
9.一种配电网故障定位终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~8中任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147341.8A CN113945796B (zh) | 2021-09-29 | 2021-09-29 | 一种配电网故障定位方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147341.8A CN113945796B (zh) | 2021-09-29 | 2021-09-29 | 一种配电网故障定位方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113945796A true CN113945796A (zh) | 2022-01-18 |
CN113945796B CN113945796B (zh) | 2023-10-24 |
Family
ID=79329606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111147341.8A Active CN113945796B (zh) | 2021-09-29 | 2021-09-29 | 一种配电网故障定位方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113945796B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087692A (zh) * | 2023-04-12 | 2023-05-09 | 国网四川省电力公司电力科学研究院 | 一种配电网树线放电故障识别方法、系统、终端及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606931A (zh) * | 2015-12-30 | 2016-05-25 | 国网天津市电力公司 | 一种基于量子遗传算法的中压配电网故障诊断方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群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 |
CN108957226A (zh) * | 2018-06-21 | 2018-12-07 | 西安理工大学 | 一种适用于含高比例分布式电源接入配电网的故障馈线定位方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN112557811A (zh) * | 2020-11-19 | 2021-03-26 | 安徽理工大学 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
-
2021
- 2021-09-29 CN CN202111147341.8A patent/CN113945796B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606931A (zh) * | 2015-12-30 | 2016-05-25 | 国网天津市电力公司 | 一种基于量子遗传算法的中压配电网故障诊断方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群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 |
CN108957226A (zh) * | 2018-06-21 | 2018-12-07 | 西安理工大学 | 一种适用于含高比例分布式电源接入配电网的故障馈线定位方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN112557811A (zh) * | 2020-11-19 | 2021-03-26 | 安徽理工大学 | 一种基于改进遗传算法的含分布式电源配电网故障定位 |
CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
Non-Patent Citations (1)
Title |
---|
侯新国等: ""船舰电力系统量子遗传算法的故障诊断方法研究"", 《船电技术 应用研究》, vol. 33, no. 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087692A (zh) * | 2023-04-12 | 2023-05-09 | 国网四川省电力公司电力科学研究院 | 一种配电网树线放电故障识别方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113945796B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Deep learning based model-free robust load restoration to enhance bulk system resilience with wind power penetration | |
CN111817286A (zh) | 一种用于直流微电网集群的虚假数据注入攻击的检测方法 | |
CN112054519B (zh) | 一种配电网低电压优化治理方法、系统及设备 | |
CN113945796A (zh) | 一种配电网故障定位方法、终端设备及存储介质 | |
CN113178864A (zh) | 配电网供电故障恢复方法、装置及终端设备 | |
CN113346484B (zh) | 一种考虑暂态不确定性的配电网弹性提升方法及系统 | |
CN114895703A (zh) | 基于拓扑优化重构的分布式容错时变编队控制方法及系统 | |
CN108460177B (zh) | 一种大规模多状态串并联系统的可靠性近似计算方法 | |
Wang et al. | Extension sliding mode controller for maximum power point tracking of hydrogen fuel cells | |
CN113740650B (zh) | 一种船舶电力系统故障检测方法、终端设备及存储介质 | |
CN110350524A (zh) | 一种基于节点重要度的直流潮流优化方法 | |
Wu et al. | Distributed hierarchical consensus algorithm for economic dispatch in smart grid | |
CN112510673B (zh) | 考虑母线电压约束的多母线直流微电网经济调度控制方法 | |
CN114325221B (zh) | 一种船舶有源配电网故障定位方法、终端设备及存储介质 | |
CN110930263B (zh) | 基于黑洞粒子群算法的含光伏电源和感应电动机的中压配电网短路电流计算方法 | |
CN113991686B (zh) | 一种多能耦合配电系统故障恢复方法、装置及存储介质 | |
CN116316616B (zh) | 配电网的故障处理方案确定方法、装置和计算机设备 | |
CN110718912B (zh) | 一种确定电网最佳电气距离的方法及装置 | |
CN112651128B (zh) | 一种面向交直流系统机组出力与拓扑结构的随机优化方法 | |
CN115995815B (zh) | 一种基于多模块嵌套迭代的负荷故障恢复方法 | |
CN108390407A (zh) | 分布式光伏接入量计算方法、装置及计算机设备 | |
CN115660324B (zh) | 基于图强化学习的电网多断面越限调控方法和系统 | |
CN115378045A (zh) | 一种基于强化学习的发电机组恢复方法和系统 | |
Wang | Topological Structure Optimization of Wind Farm Collector Lines Considering Wind Turbine Circuit Division | |
Jia et al. | Research on load transfer scheme optimization with probabilistic graphical computing based distribution network operation mode verification |
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 |