CN114167216A - 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 - Google Patents
基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 Download PDFInfo
- Publication number
- CN114167216A CN114167216A CN202111480241.7A CN202111480241A CN114167216A CN 114167216 A CN114167216 A CN 114167216A CN 202111480241 A CN202111480241 A CN 202111480241A CN 114167216 A CN114167216 A CN 114167216A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- fault
- power distribution
- foraging
- rand
- 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.)
- Withdrawn
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
Abstract
本发明公开基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,在算法初期引入Sine混沌理论生成初始种群丰富种群多样性,为算法全局搜索奠定基础;其次,为避免最优蝠鲼个体陷入局部最优而导致整个群体出现搜索停滞,采用柯西反向学习技术生成其反向解,加快算法收敛速率,达到扩大搜索区域范围,增强算法全局勘探能力的目的。本发明对于含有DG的配电网发生单点故障、多点故障以及FTU上传的故障信息发生畸变或缺失时均能够快速的进行故障定位,均具有较强的容错性及极高的准确率。
Description
技术领域
本发明涉及配电网故障定位技术,尤其涉及基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法。
背景技术
目前存在一种基于智能算法的配电网故障区段定位技术,由于其容错能力强、具有实际工程意义备受广大学者关注。随着分布式电源在配电网接入规模的加大,传统的单电源网络结构将被打破,由多电源构成的复杂网络结构中,故障电流的流向不再唯一。传统的优化智能算法在基于智能算法的配电网故障区段定位技术中存在精确度低、容错性差的问题,其中最显著的缺点就是传统的智能算法全局搜索能力差、易陷入局部最优,收敛速度也影响了配电网线路运行状态实监测系统的时效性。
发明内容
本发明的目的在于提供基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法。
本发明采用的技术方案是:
基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,包括以下步骤:
步骤S1:建立含有分布式电源(distributed generation,DG)的配电网模型;
步骤S2:使用MATLAB构建配电网拓扑模型;
步骤S3:模拟FTU上传故障信息的过程,即输入开关节点的期望值;
步骤S4:设置种群规模N,求解维度D,最大迭代次数Tmax,当前的迭代次数t;
步骤S4:引入Sine映射初始化蝠鲼种群{Xi,i=1,2,…,N},Sine混沌自映射的表数学达式为:
式中:初始值xn不能为0,不在[-1,1]内产生不动点和零点;当迭代一定次数时,系统输出将遍历整个解空间。
步骤S5:生成初始种群Xi的柯西反向种群COXi;
步骤S6:选择{Xi,COXi}中适应度较优的一半个体作为初始种群;
步骤S7:选择{Xi,COXi}中适应度值最小的个体作为当前最优解;
步骤S8:参考合适的蝠鲼位置作为算法的初始最优解,最优蝠鲼的位置Xbest及其对应的全局最优适应度值Fbest。
步骤S9:获取随机数rand,并调用循环体执行步骤S10;
步骤S10:根据随机数rand的值选择蝠鲼的觅食方式,在链式觅食和旋风式觅食两种觅食策略中切换;即当rand≥0.5时,进行链式觅食并执行步骤S11;当rand<0.5时,进行旋风式觅食策略并执行步骤S11;
步骤S11:位置更新完成后,对所有的蝠鲼个体再次进行柯西反向学习计算;
步骤S12:围绕着最优位置来更新位置进行筋斗式觅食策略,其数学模型表达如下:
其中:S是决定筋斗范围的筋斗因子,r2、r3∈rand(0,1);
步骤S14:判断是否达到最大迭代次数;是则,终止迭代输出当前最优解并执行步骤S15;否则,迭代次数加1并执行步骤S4;
步骤S15:由于配电网故障定位属于0-1非线性整数优化问题,需对用于求解连续变量优化问题的群优化算法进行二进制离散化改进,利用sigmoid函数将实数向量X=[x1,x2,…xn]转化为一个二进制向量Y=[y1,y2,…yn],编码转换思想如下:
式中,rand为[0,1的随机数;
步骤S16:输出的二进制向量Y即为测试结果,完成配电网故障区段的定位。
进一步地,步骤S1具体包括以下子步骤:
步骤S101:设Ij为开关节点状态的实际量测值,定义参考方向为系统主电源流向分布式电源或负荷的方向,并对每一个开关节点进行编码。
步骤S102:当馈线终端单元(feeder terminal unit,FTU)监测到的过流与该节点定义的参考方向一致时,令Ij=1;反之,Ij=-1;故障信息没有被检测到,则令Ij=0。
步骤S103:对于多电源且潮流双向的复杂配电网,采了用改进后的开关函数:
式中,Π表示逻辑“或”运算符号,d、u分别为节点j下游所有区段的个数和上游所有区段的个数;kDGi为分布式电源i的投切情况,kDGi=1表示电源投入配电网运行,kDGi=0表示电源从配电网中切除,n为分布式电源个数;sju,sjd分别表示开关节点j的上、下游线路的故障状态,值为“1”表示有故障,值为“0”表示无故障;
步骤S104:建立具备提高区段定位容错能力的适应度函数模型:
式中,FTU在开关节点处收集的状态实际值用Ij表示;通过假设区段状态计算出开关节点状态的期望值用表示;配电网中所有开关节点的数量用E表示;ω为介于0,1之间故障线路和的权系数,通常取0.5;F为配电网中所有线路的数量总和,si为第i段线路状态。
进一步地,步骤S2具体包括以下子步骤:
步骤S201:构建99节点复杂配电网拓扑模型;
步骤S202:构建通过二端口等效定则简化的17节点简单配电网拓扑模型。
进一步地,步骤S3具体包括以下子步骤:
步骤S301:输入故障区域的期望值,以定位出故障区域;
步骤S302:根据故障区域输入故障信息,以定位出故障区段。
进一步地,步骤S10中进行链式觅食的位置更新方式数学模型如下:
进一步地,步骤S10中当rand<0.5时,旋风式觅食策略具体包括以下子步骤:
步骤S1001:当t/Tmax<rand,蝠鲼以随机个体位置进行旋风式觅食,位置更新方式数学模型如下:
步骤S1002:当t/Tmax≥rand,蝠鲼以当前最优个体位置进行旋风式觅食,位置更新方式数学模型如下:
其中:β为权重因子;T为总迭代次数﹔r1∈rand(0,1)。
进一步地,步骤S11具体包括以下子步骤:
步骤S1101:当rand≤Jr,保留当前种群;
步骤S1102:当rand>Jr,生成当前种群的柯西反向种群。
进一步地,步骤S12中S取值为2。
本发明采用以上技术方案,在算法初期引入Sine混沌理论生成初始种群丰富种群多样性,为算法全局搜索奠定基础;其次,为避免最优蝠鲼个体陷入局部最优而导致整个群体出现搜索停滞,采用柯西反向学习技术生成其反向解,加快算法收敛速率,达到扩大搜索区域范围,增强算法全局勘探能力的目的。针对配电网络结构复杂问题,本发明中还建立了99节点复杂配电网模型,并利用二端口等效法对其进行节点区域划分。首先,以多分支节点为边界点对配电网各支路进行区域等效;然后,对等效区域端节点和故障区域内的节点进行故障定位,仿真分析了这种区域划分简化模型的定位方法使故障定位维度降低、收敛速率提高,验证了其有效性和高效性。本发明提供的基于融合柯西反向学习的混沌蝠鲼觅食优化算法的复杂配电网故障区段定位方法,对于含有DG的配电网发生单点故障、多点故障以及FTU上传的故障信息发生畸变或缺失时均能够快速的进行故障定位,均具有较强的容错性及极高的准确率。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为本发明基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法的流程示意图;
图2为算法仿真对比中函数1收敛曲线示意图;
图3为算法仿真对比中函数2收敛曲线示意图;
图4为算法仿真对比中函数3收敛曲线示意图;
图5为算法仿真对比中函数4收敛曲线示意图;
图6为算法仿真对比中函数5收敛曲线示意图;
图7为算法仿真对比中函数6收敛曲线示意图;
图8为算法仿真对比中函数7收敛曲线示意图;
图9为算法仿真对比中函数8收敛曲线示意图;
图10为算法仿真对比中函数9收敛曲线示意图;
图11为算法仿真对比中函数10收敛曲线示意图;
图12为99节点配电网拓扑图;
图13为17节点配电网拓扑图;
图14为单点馈线区段故障定位收敛曲线示意图;
图15为多点馈线区段故障定位收敛曲线示意图;
图16为单处信息畸变收敛曲线对比图;
图17为多处信息畸变收敛曲线对比图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
如图1至17之一所示,本发明公开了基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,包括以下步骤:
步骤S1:建立含有分布式电源(distributed generation,DG)的配电网模型;
步骤S2:使用MATLAB构建配电网拓扑模型;
步骤S3:模拟FTU上传故障信息的过程,即输入开关节点的期望值;
步骤S4:设置种群规模N,求解维度D,最大迭代次数Tmax,当前的迭代次数t;
步骤S4:引入Sine映射初始化蝠鲼种群{Xi,i=1,2,…,N},Sine混沌自映射的表数学达式为:
式中:初始值xn不能为0,不在[-1,1]内产生不动点和零点;当迭代一定次数时,系统输出将遍历整个解空间。
步骤S5:生成初始种群Xi的柯西反向种群COXi;
步骤S6:选择{Xi,COXi}中适应度较优的一半个体作为初始种群;
步骤S7:选择{Xi,COXi}中适应度值最小的个体作为当前最优解;
步骤S8:参考合适的蝠鲼位置作为算法的初始最优解,最优蝠鲼的位置Xbest及其对应的全局最优适应度值Fbest。
步骤S9:获取随机数rand,并调用循环体执行步骤S10;
步骤S10:根据随机数rand的值选择蝠鲼的觅食方式,在链式觅食和旋风式觅食两种觅食策略中切换;即当rand≥0.5时,进行链式觅食并执行步骤S11;当rand<0.5时,进行旋风式觅食策略并执行步骤S11;
步骤S11:位置更新完成后,对所有的蝠鲼个体再次进行柯西反向学习计算;
步骤S12:围绕着最优位置来更新位置进行筋斗式觅食策略,其数学模型表达如下:
其中:S是决定筋斗范围的筋斗因子,r2、r3∈rand(0,1);
步骤S14:判断是否达到最大迭代次数;是则,终止迭代输出当前最优解并执行步骤S15;否则,迭代次数加1并执行步骤S4;
步骤S15:由于配电网故障定位属于0-1非线性整数优化问题,需对用于求解连续变量优化问题的群优化算法进行二进制离散化改进,利用sigmoid函数将实数向量X=[x1,x2,…xn]转化为一个二进制向量Y=[y1,y2,…yn],编码转换思想如下:
式中,rand为[0,1的随机数;
步骤S16:输出的二进制向量Y即为测试结果,完成配电网故障区段的定位。
进一步地,步骤S1具体包括以下子步骤:
步骤S101:设Ij为开关节点状态的实际量测值,定义参考方向为系统主电源流向分布式电源或负荷的方向,并对每一个开关节点进行编码。
步骤S102:当馈线终端单元(feeder terminal unit,FTU)监测到的过流与该节点定义的参考方向一致时,令Ij=1;反之,Ij=-1;故障信息没有被检测到,则令Ij=0。
步骤S103:对于多电源且潮流双向的复杂配电网,采了用改进后的开关函数:
式中,Π表示逻辑“或”运算符号,d、u分别为节点j下游所有区段的个数和上游所有区段的个数;kDGi为分布式电源i的投切情况,kDGi=1表示电源投入配电网运行,kDGi=0表示电源从配电网中切除,n为分布式电源个数;sju,sjd分别表示开关节点j的上、下游线路的故障状态,值为“1”表示有故障,值为“0”表示无故障;
步骤S104:建立具备提高区段定位容错能力的适应度函数模型:
式中,FTU在开关节点处收集的状态实际值用Ij表示;通过假设区段状态计算出开关节点状态的期望值用表示;配电网中所有开关节点的数量用E表示;ω为介于0,1之间故障线路和的权系数,通常取0.5;F为配电网中所有线路的数量总和,si为第i段线路状态。
进一步地,步骤S2具体包括以下子步骤:
步骤S201:构建99节点复杂配电网拓扑模型;
步骤S202:构建通过二端口等效定则简化的17节点简单配电网拓扑模型。
进一步地,步骤S3具体包括以下子步骤:
步骤S301:输入故障区域的期望值,以定位出故障区域;
步骤S302:根据故障区域输入故障信息,以定位出故障区段。
进一步地,步骤S10中进行链式觅食的位置更新方式数学模型如下:
进一步地,步骤S10中当rand<0.5时,旋风式觅食策略具体包括以下子步骤:
步骤S1001:t为当前代,Tmax为最大迭代次数,当t/Tmax<rand,蝠鲼以随机个体位置进行旋风式觅食,位置更新方式数学模型如下:
步骤S1002:当t/Tmax≥rand,蝠鲼以当前最优个体位置进行旋风式觅食,位置更新方式数学模型如下:
其中:β为权重因子;T为总迭代次数﹔r1∈rand(0,1)。
进一步地,步骤S11具体包括以下子步骤:
步骤S1101:当rand≤Jr,保留当前种群;
步骤S1102:当rand>Jr,生成当前种群的柯西反向种群。
进一步地,步骤S12中S取值为2。
本发明所采用的改进蝠鲼觅食优化算法融合了多种改进策略:在算法初期引入Sine混沌理论,生成了多样性初始种群,为算法全局搜索奠定基础;采用柯西反向学习技术生成其反向解,加快算法收敛速率,达到扩大搜索区域范围,增强算法全局勘探能力的目的;利用Sigmoid函数将蝠鲼个体表示的实向量转换为离散向量。本发明对复杂配电网络进行了简化分析:建立了99节点的复杂配电网络,利用二端口等效定则以多分支节点为边界点对配电网各支路进行区域等效,最终划分为17节点的配电网络。由于本发明建立的配电网节点多,结构复杂,更好的验证了配电网故障定位中区域划分模型的有效性和优越性。
整体上改进后的蝠鲼觅食优化算法全局搜索能力更强、收敛速度更快、准确度更高。本发明提供的基于融合柯西反向学习的混沌蝠鲼觅食优化算法的复杂配电网划分区域故障定位方法,由于降低了配电网的复杂性,对于含有DG的配电网发生单点故障、多点故障以及FTU上传的故障信息发生畸变或缺失时均能够快速的进行故障定位,均具有极高的准确率和优越性。
下面就本发明的具体工作原理做详细说明:
融合柯西反向学习的混沌蝠鲼觅食优化算法仿真对比:
如表1所示,在23种标算法准测试函数中随机挑选出的10种测试函数,通过MATLAB对蝠鲼觅食优化算法(MRFO)、鲸鱼优化算法(WOA)、混沌反馈自适应鲸鱼优化算法(CFAWOA)以及本发明提出的融合柯西反向学习的混沌蝠鲼觅食优化算法(COCMRFO)进行优化性能评判。实验数据表明本发明提出的算法求解函数全局最优值能力最强,仿真曲线图表明本发明提出的算法收敛速度最快,全局寻优性能最佳。
表1测试函数
测试函数全局最优值的算法性能数据对比:通过用MATLAB求解10种测试函数的全局最优值,如表2所示,记录了四种算法求解不同测试函数所得极值点和全局最优值,对比实验数据以及四种算法的收敛曲线,验证了本发明提出的融合柯西反向学习的混沌蝠鲼觅食优化算法收敛速度更快、全局寻优精度更强、精准度更高的优越性。
表2算法性能数据对比
如图2至图11,为测试函数全局最优值的算法收敛曲线对比示意图,
为了校验基于改进蝠鲼觅食优化算法的复杂配电网故障定位中的有效性以及精准性,针对所建立的配电网故障定位模型及其求解方法,在MATLAB R2020b环境下编写程序。计算机系统配置为Intel(R)Core(TM)i7-7660U处理器,CPU2.50GHz,内存8.00G,Windows l0操作系统。如图12、13所示,分别建立含DG的99节点和等效区域划分后的17节点的配电网故障定位仿真模型,图中分段开关k,为含有FTU装置的开关节点,对应的馈线区段为s,P为等效划分后的节点区域,对应的馈线区段为S,DG为分布式电源,并选择性投入运行。如图14至图17,分别对含DG的99节点配电网和等效划分后的17节点配电网进行单点故障定位、多点故障定位以及容错性等方面仿真分析,并与经典的粒子群算法(particleswarm optimization,PSO)、遗传算法(genetic algorithm,GA)、和蝠鲼觅食优化算法(MRFO)在配电网故障区段定位过程中的收敛曲线做了对比,验证了发明提出的基于改进蝠鲼觅食优化算法的复杂配电网故障定位的优越性以及等效区域划分对处理复杂配电网模型的有效性和高效性。
表3配电网故障区段定位仿真结果
本发明采用以上技术方案,在算法初期引入Sine混沌理论生成初始种群丰富种群多样性,为算法全局搜索奠定基础;其次,为避免最优蝠鲼个体陷入局部最优而导致整个群体出现搜索停滞,采用柯西反向学习技术生成其反向解,加快算法收敛速率,达到扩大搜索区域范围,增强算法全局勘探能力的目的。针对配电网络结构复杂问题,本发明中还建立了99节点复杂配电网模型,并利用二端口等效法对其进行节点区域划分。首先,以多分支节点为边界点对配电网各支路进行区域等效;然后,对等效区域端节点和故障区域内的节点进行故障定位,仿真分析了这种区域划分简化模型的定位方法使故障定位维度降低、收敛速率提高,验证了其有效性和高效性。本发明提供的基于融合柯西反向学习的混沌蝠鲼觅食优化算法的复杂配电网故障区段定位方法,对于含有DG的配电网发生单点故障、多点故障以及FTU上传的故障信息发生畸变或缺失时均能够快速的进行故障定位,均具有较强的容错性及极高的准确率。
显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
Claims (8)
1.基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,其特征在于:其包括以下步骤:
步骤S1:建立含有分布式电源(distributed generation,DG)的配电网模型;
步骤S2:使用MATLAB构建配电网拓扑模型;
步骤S3:模拟FTU上传故障信息的过程,即输入开关节点的期望值;
步骤S4:设置种群规模N,求解维度D,最大迭代次数Tmax,当前的迭代次数t;
步骤S4:引入Sine映射初始化蝠鲼种群{Xi,i=1,2,...,N},Sine混沌自映射的表数学达式为:
式中:初始值xn不能为0,不在[-1,1]内产生不动点和零点;当迭代一定次数时,系统输出将遍历整个解空间。
步骤S5:生成初始种群Xi的柯西反向种群COXi;
步骤S6:选择{Xi,COXi}中适应度较优的一半个体作为初始种群;
步骤S7:选择{Xi,COXi}中适应度值最小的个体作为当前最优解;
步骤S8:参考合适的蝠鲼位置作为算法的初始最优解,最优蝠鲼的位置Xbest及其对应的全局最优适应度值Fbest。
步骤S9:获取随机数rand,并调用循环体执行步骤S10;
步骤S10:根据随机数rand的值选择蝠鲼的觅食方式,在链式觅食和旋风式觅食两种觅食策略中切换;即当rand≥0.5时,进行链式觅食并执行步骤S11;当rand<0.5时,进行旋风式觅食策略并执行步骤S11;
步骤S11:位置更新完成后,对所有的蝠鲼个体再次进行柯西反向学习计算;
步骤S12:围绕着最优位置来更新位置进行筋斗式觅食策略,其数学模型表达如下:
其中:S是决定筋斗范围的筋斗因子,r2、r3∈rand(0,1);
步骤S14:判断是否达到最大迭代次数;是则,终止迭代输出当前最优解并执行步骤S15;否则,迭代次数加1并执行步骤S4;
步骤S15:利用sigmoid函数将实数向量X=[x1,x2,…xn]转化为一个二进制向量Y=[y1,y2,…yn],编码转换思想如下:
式中,rand为[0,1]的随机数;
步骤S16:输出的二进制向量Y即为测试结果,完成配电网故障区段的定位。
2.根据权利要求1所述的基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,其特征在于:步骤S1具体包括以下子步骤:
步骤S101:设Ij为开关节点状态的实际量测值,定义参考方向为系统主电源流向分布式电源或负荷的方向,并对每一个开关节点进行编码;
步骤S102:当馈线终端单元(feeder terminal unit,FTU)监测到的过流与该节点定义的参考方向一致时,令Ij=1;反之,Ij=-1;故障信息没有被检测到,则令Ij=0;
步骤S103:对于多电源且潮流双向的复杂配电网,采了用改进后的开关函数:
式中,Π表示逻辑“或”运算符号,d、u分别为节点j下游所有区段的个数和上游所有区段的个数;kDGi为分布式电源i的投切情况,kDGi=1表示电源投入配电网运行,kDGi=0表示电源从配电网中切除,n为分布式电源个数;sju,sjd分别表示开关节点j的上、下游线路的故障状态,值为“1”表示有故障,值为“0”表示无故障;
步骤S104:建立具备提高区段定位容错能力的适应度函数模型:
3.根据权利要求2所述的基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,其特征在于:ω取0.5。
4.根据权利要求1所述的基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,其特征在于:步骤S2具体包括以下子步骤:
步骤S201:构建99节点复杂配电网拓扑模型;
步骤S202:构建通过二端口等效定则简化的17节点简单配电网拓扑模型。
7.根据权利要求1所述的基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,其特征在于:步骤S11具体包括以下子步骤:
步骤S1101:当rand≤Jr,保留当前种群;
步骤S1102:当rand>Jr,生成当前种群的柯西反向种群。
8.根据权利要求1所述的基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法,其特征在于:步骤S12中S取值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480241.7A CN114167216A (zh) | 2021-12-06 | 2021-12-06 | 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480241.7A CN114167216A (zh) | 2021-12-06 | 2021-12-06 | 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114167216A true CN114167216A (zh) | 2022-03-11 |
Family
ID=80483745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111480241.7A Withdrawn CN114167216A (zh) | 2021-12-06 | 2021-12-06 | 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167216A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973694B (zh) * | 2023-09-22 | 2023-12-12 | 国网浙江宁波市鄞州区供电有限公司 | 配电网故障诊断优化方法及系统 |
-
2021
- 2021-12-06 CN CN202111480241.7A patent/CN114167216A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973694B (zh) * | 2023-09-22 | 2023-12-12 | 国网浙江宁波市鄞州区供电有限公司 | 配电网故障诊断优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch | |
Daoqing et al. | Parallel discrete lion swarm optimization algorithm for solving traveling salesman problem | |
CN104332995B (zh) | 基于改进粒子群算法的配电网重构优化方法 | |
CN110348048B (zh) | 基于考虑热岛效应负荷预测的配电网优化重构方法 | |
Su et al. | A non-revisiting genetic algorithm based on a novel binary space partition tree | |
CN107994582B (zh) | 含分布式电源的配电网重构方法和系统 | |
CN106777449A (zh) | 基于二进制粒子群算法的配电网络重构方法 | |
CN104867062A (zh) | 一种基于遗传算法的低损耗配电网络的优化重构方法 | |
Dolatdar et al. | A new distribution network reconfiguration approach using a tree model | |
CN110610019A (zh) | 转移概率部分未知的马尔科夫跳变系统的动力学分析方法 | |
CN114167216A (zh) | 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 | |
CN110687397B (zh) | 一种基于改进人工鱼群算法的主动配电网故障定位方法 | |
Xu et al. | Multi-cluster based equilibrium optimizer algorithm with compact approach for power system network | |
Ricalde et al. | Evolving adaptive traffic signal controllers for a real scenario using genetic programming with an epigenetic mechanism | |
Chen et al. | A new multiobjective evolutionary algorithm for community detection in dynamic complex networks | |
Li et al. | A robust fault location method for active distribution network based on self-adaptive switching function | |
Szlachcic | Fault tolerant topological design for computer networks | |
CN110781352B (zh) | 一种最低成本优化拓扑结构实现网络结构可控性的方法 | |
Qu et al. | Improving local minima of columnar competitive model for TSPs | |
Sulaima et al. | A 16kV distribution network reconfiguration by using evolutionaring programming for loss minimizing | |
CN114330630A (zh) | 基于多策略改进的鲸鱼优化算法的配电网故障定位方法 | |
Zhou et al. | A power supply restoration method of distribution network based on NSGA-II algorithm | |
JPH10111861A (ja) | 組み合わせ最適化問題処理方法 | |
Wen et al. | Application of hierarchical encoding scheme in distribution networks reconfiguration | |
CN117031214B (zh) | 一种电网故障智能监控方法、系统、介质及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220311 |