CN114325221B - 一种船舶有源配电网故障定位方法、终端设备及存储介质 - Google Patents
一种船舶有源配电网故障定位方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114325221B CN114325221B CN202111485902.5A CN202111485902A CN114325221B CN 114325221 B CN114325221 B CN 114325221B CN 202111485902 A CN202111485902 A CN 202111485902A CN 114325221 B CN114325221 B CN 114325221B
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- binary
- switch
- power distribution
- 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 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 241000235395 Mucor Species 0.000 claims abstract description 17
- 238000012804 iterative process Methods 0.000 claims abstract description 3
- 230000007246 mechanism Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 241000863434 Myxococcales Species 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 108091026890 Coding region Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 210000003462 vein Anatomy 0.000 description 6
- 241000894006 Bacteria Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 108010078777 Colistin Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229960003346 colistin Drugs 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- JORAUNFTUVJTNG-BSTBCYLQSA-N n-[(2s)-4-amino-1-[[(2s,3r)-1-[[(2s)-4-amino-1-oxo-1-[[(3s,6s,9s,12s,15r,18s,21s)-6,9,18-tris(2-aminoethyl)-3-[(1r)-1-hydroxyethyl]-12,15-bis(2-methylpropyl)-2,5,8,11,14,17,20-heptaoxo-1,4,7,10,13,16,19-heptazacyclotricos-21-yl]amino]butan-2-yl]amino]-3-h Chemical compound CC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O.CCC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O JORAUNFTUVJTNG-BSTBCYLQSA-N 0.000 description 2
- XDJYMJULXQKGMM-UHFFFAOYSA-N polymyxin E1 Natural products CCC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O XDJYMJULXQKGMM-UHFFFAOYSA-N 0.000 description 2
- KNIWPHSUTGNZST-UHFFFAOYSA-N polymyxin E2 Natural products CC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O KNIWPHSUTGNZST-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000862992 Chondromyces Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种船舶有源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:通过改进二进制黏菌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。本发明能够精准且快速定位故障区段,并且具有一定的容错能力。
Description
技术领域
本发明涉及配电网故障定位领域,尤其涉及一种船舶有源配电网故障定位方法、终端设备及存储介质。
背景技术
随着人工智能技术的不断发展,智能电网技术开始遍及人们的生活,配电网也逐渐与分布式电源一体化,规模不断扩大。而在当今世界节能减排的大环境下,分布式电源也逐渐应用于船舶业,船舶能源趋于可持续化,但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,对整个船舶配电网线路的电流、损耗、电压分布和短路水平有着直接影响,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。
现有的传统配电网故障大都为单相接地故障,其主要的故障定位方法有阻抗法、行波法等。阻抗法是根据配电网发生故障时线路的单位阻抗与回路阻抗成正比的原理,直接计算测量点到故障区段的距离,以确定故障位置。阻抗法虽然比较容易实现,但其准确性会受到不平衡负载、测量误差及故障类型等因素的影响。行波法是根据配电网发生相间或单相短路时线路两端测量到的行波信号,利用原始波与反射波的到达时间来进行故障定位。虽然故障类型和运行模式等因素对行波法的影响不显著,但行波法需要高采样频率与高速通信,显然在现有的大部分配电网结构中难以实现。
随着分布式电源的接入与船载设备的多元化,配电线路及分支愈加复杂,导致传统定位方法的故障定位表现差强人意,以智能终端设备为载体的故障定位方案表现更加快速高效。基于馈线终端单元(Feeder Terminal Unit,FTU)检测的配电网故障区段定位方法主要有矩阵算法和人工智能算法。矩阵算法利用FTU监测到的故障信息来编写故障矩阵和构造网络描述矩阵,通过计算对故障区域进行定位。虽然矩阵算法有着精准且快速的定位效果,但容错率较低,不适用于船舶航行的恶劣条件。
发明内容
为了解决上述问题,本发明提出了一种船舶有源配电网故障定位方法、终端设备及存储介质。
具体方案如下:
一种船舶有源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:通过改进二进制黏菌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馈线终端单元进行采集。
进一步的,步骤S1中将各开关的故障电流信息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,改进二进制黏菌算法中二进制黏菌个体初始化时采用的公式为:
其中,binaryi,j表示黏菌种群中第i个个体的第j个二进制维度的二进制编码,N表示个体总数,D表示二进制维度总数,rand表示介于[0,1]区间内的随机数。
进一步的,改进二进制黏菌算法中黏菌个体位置的更新公式为:
其中,binaryi,j和binaryi,j*分别表示更新前和更新后的黏菌种群中第i个个体的第j个二进制维度的二进制编码;Sigmoid函数用来实现连续域到离散域的转换操作;rand表示介于[0,1]区间内的随机数;UB和LB分别表示搜索区域的上边界和下边界;Z表示自定义参数;best.binary表示全局最佳适应度值对应的个体的最佳二进制编码序列;W表示权重系数;binaryA,j(t)和binaryB,j(t)分别表示第t次迭代时黏菌种群中的两个随机个体的二进制编码序列,其中A、B为随机个体序号;r表示介于[0,1]区间内的随机数;vb表示介于[-a,a]区间内的随机数,a的计算公式为:max_T表示最大迭代代数,arctanh表示反双曲函数;p表示控制参数,计算公式为:p=tanh|S(i)-DF|,i=1,2,…,N,tanh表示双曲正切函数,S(i)表示第i个个体的适应度,DF表示迭代到目前为止的全局最佳适应度;vc表示一个由1线性衰减至0的参数,/>和/>中上方的箭头表示向量。
进一步的,改进二进制黏菌算法中在每次迭代操作之后还包括通过位运算更新机制和AGA更新机制对种群进行更新。
一种船舶有源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,能够精准且快速定位故障区段,并且具有一定的容错能力。
附图说明
图1所示为本发明实施例一中的含DG的配电网网络模型示意图。
图2所示为该实施例中方法的流程图。
图3所示为该实施例中改进二进制黏菌算法流程图。
图4所示为该实施例中含DG的IEEE33节点配电网网络模型示意图。
图5所示为该实施例中单点故障状态下算法迭代曲线。
图6所示为该实施例中组合故障状态下算法迭代曲线。
图7所示为该实施例中未增加种群更新机制的算法迭代曲线。
图8所示为该实施例中增加位运算更新机制后的算法迭代曲线。
图9所示为该实施例中增加AGA更新机制后的算法迭代曲线。
图10所示为该实施例中增加位运算和AGA两种更新机制后的算法迭代曲线。
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:
随着近年来航运业节能减排问题的突显与绿色发展理念的不断加深,分布式电源以绿色环保、可持续发展、成本低以及储能轻便等优势被不断研究、开发和利用,目前应用于船舶电网的分布式电源典型代表有太阳能、风能、海洋能、核能等。
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。而含分布式电源配电网为多电源系统,分布式电源(Distributed Generation,DG)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不接入电网时,开关S1、S2、S3处的FTU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。
本发明实施例提供了一种船舶有源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。本实施例中采用以无线传感器网络(WSN)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,最后由电力集控中心通过智能算法对故障区段进行定位。
由于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:通过改进二进制黏菌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。
黏菌算法(Slime mould algorithm,SMA)是一种新型群智能仿生算法,主要模拟多头粘霉菌在的寻找食物过程中的行为与形态变化。黏菌在觅食过程中不断分泌有机物搜寻食物位置,包围食物,并分泌酶来消化食物。当黏菌静脉接近食物源时,黏菌体内的生物振荡器会产生一个传播波以增加细胞质的流量,黏菌静脉状管的厚度由细胞质的流量反馈决定,因此黏菌结构的形态变化是随着收缩模式的相位差来决定的,其静脉状管的形态变化与收缩模式之间存在三种相关性。
黏菌根据空气中的食物气味浓度接近食物源,其收缩模式可模拟为如下公式:
p=tanh|S(i)-DF|,i=1,2,…,N (2)
式(1)中:t表示当前迭代代数;max_T表示最大迭代代数;X表示黏菌当前位置;Xb表示当前迭代过程中食物气味浓度最高的位置;vb表示一个介于[-a,a]区间内的随机数,a的值如式(3);XA和XB分别表示两个随机黏菌个体的位置,其中A和B为随机个体序号;vc表示一个由1线性衰减至0的参数,该参数可随迭代次数的增加而线性减小;r表示介于[0,1]区间内的随机数;p表示控制参数如式(2),其中S(i)表示N个个体中的第i个个体所在位置X的适应度,DF表示迭代到目前为止的全局最佳适应度;W表示黏菌重量即权重系数,可由如下公式表示:
SmellIndex=sort(S) (5)
式(4)中:SmellIndex表示将适应度排序后的序列;bF表示在当前迭代过程中的最优位置的最佳适应度;wF表示在当前迭代过程中的最差位置的最劣适应度;condition表示将个体适应度S(i)排序后排在前一半的个体种群;others表示S(i)排在后一半的个体种群;函数log用来减缓数值的变化率。
在黏菌觅食过程中,当黏菌个体所处位置的食物源浓度较高时,分配给该区域的重量权重系数将会增大,反之则会减少,则黏菌个体位置的更新公式如下:
式(6)中:rand表示介于[0,1]区间内的随机数;UB、LB分别表示搜索区域的上下边界;Z表示自定义参数(设为0.03);同时对式中的参数vb、vc、W进行微调,可以改变黏菌的位置。
黏菌主要依靠觅食过程中生物振荡器产生的传播波来改变其静脉中的细胞质流量,从而控制自身形态与收缩动作,使各个黏菌个体逐渐接近食物源并获取食物,并通过全局最佳位置及适应度来不断调整自身位置和搜索策略,其中vb、vc在区域内振荡后逐渐趋于0。此外,为了不局限于已获得的最佳食物源,黏菌也会分离额外有机物继续搜寻浓度更高的食物区域,该过程可通过rand函数实现黏菌个体对周围任意方向的随机搜索过程。
原始黏菌算法被设计用来解决连续问题,但对于0-1整数规划问题无法体现出其高效的搜索能力。本实施例中针对含DG的配电网的数学模型特点,对配电网中各区段状态进行二进制编码,并提出黏菌算法的二进制版本以解决该问题。
二进制黏菌个体通过rand函数进行初始化,设黏菌种群个体总数为N,每个个体的二进制维度为D(该实施例中对应开关节点的个数33),则其二进制编码公式如下:
根据建立的含DG配电网数学模型的特点,对传统SMA进行改进,其二进制版本公式如下:
式(8)中:Sigmoid函数用来实现连续域到离散域的转换操作;rand表示介于区间内的随机数;UB、LB分别表示搜索区域的上下边界;Z表示自定义参数(设为0.03);best.binary表示全局最佳适应度值对应的个体的最佳二进制编码序列;W表示黏菌重量即权重系数;binaryA,j(t)和binaryB,j(t)分别表示第t次迭代时黏菌种群中的两个随机个体的二进制编码序列,其中A、B为随机个体序号。
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,为了避免改进二进制黏菌算法在进行种群更新迭代时易陷入局部最优解的缺陷,本实施例中在迭代操作中加入与或运算的位运算更新机制与AGA更新机制来增加种群多样性,帮助改进二进制黏菌算法提高全局搜索能力,跳出局部最优解。
(1)位运算更新机制
采用位运算对二进制黏菌个体进行更新。首先随机选中一条现有种群内的二进制黏菌个体,将该个体与拥有全局最优二进制个体之间的对应每一维度进行与门运算,生成一个中间个体,以保留有价值的二进制信息;其次在生成的中间个体与当前迭代指针所在的个体之间,利用或门运算生成一个新的个体,替换当前迭代指针所在的二进制个体。
(2)AGA更新机制
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AGA中的更新机制,一般都有着交叉及变异概率被提前设置且与种群迭代情况无关的情况,不利于种群更新及算法寻优性能的提升,因此BSMA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,具体概率公式如下:
式(11)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=0.9;k2=0.6。
本实施例中改进二进制黏菌算法的流程图如图3所示。
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。
本实施例中基于含DG的IEEE33节点配电网结构进行故障定位仿真,如图4所示,L1-L33为33个馈线段,S1-S33为33个开关节点。首先采用本实施例中的改进二进制黏菌算法进行单点及组合故障分析;其次测试了系统在信息畸变情况下的容错能力。相关初始化参数如下:种群大小为60,种群维度为33,黏菌搜索上限UB为233,下限LB为0,最大迭代代数为500。
(1)单点故障分析
在不同数量、不同位置的分布式电源接入配电网且故障信息无丢失、无畸变的情况下,对含DG的配电网进行单点故障分析结果如表2所示。
表2
由表2可知,在不同的分布式电源接入配电网的情况下,无论是含DG的配电网网络内任一区段馈线段发生故障,定位系统均能准确的输出定位结果,与FTU设备上报的故障电流信息相对应。
(2)组合故障分析
在不同数量、不同位置的分布式电源接入配电网且故障信息无丢失、无畸变的的情况下,对含DG的配电网进行组合故障分析的结果如表3所示。
表3
由表3可知,在不同的分布式电源接入配电网的情况下,当含DG的配电网网络内的两点及多重区段馈线段发生故障,定位系统均能准确的输出定位结果,与FTU设备上报的故障电流信息相对应。
(3)容错分析
由于船舶在实际航行过程中的环境复杂且不可控,所以FTU设备及无线传感器节点时常暴露在恶劣环境中,就可能会导致检测设备或传感器节点在传输故障电流信息时,发生数据丢失和数据畸变的现象,故障电流数据由“1”或“-1”畸变为“0”。在单点故障及组合故障诊断结果的前提下,设置FTU上报故障电流信息畸变点,对含DG的配电网进行故障容错分析的结果如表4所示。
表4
由表4可知,在单点故障及组合故障状态下,在设置不同程度的故障电流信息畸变后,本文IBSMA仍能够准确定位到故障馈线区段,具有很好的容错性能。
(4)算法性能对比
为了更加直观明了的阐述改进二进制黏菌算法(IBSMA)针对于有源配电网故障诊断问题的优势,本实施例中利用其与原始黏菌算法(SMA)对不同故障类型下的算例进行多次实验,对算法寻优及收敛性能作对比分析。
由图4、图5可知在不同故障类型情况下,改进二进制黏菌算法均能快速收敛至最佳适应度,并得到正确故障区段;而原始黏菌算法易陷入局部最优解,不能有效处理有源配电网的单点及组合故障定位。
(5)增加种群更新机制与未增加的效果对比
未增加种群更新机制的算法迭代曲线如图7所示,增加位运算更新机制后的算法迭代曲线如图8所示,增加AGA更新机制后的算法迭代曲线如图9所示,增加位运算和AGA两种更新机制后的算法迭代曲线如图10所示。通过上述对比图可以得出,未增加更新机制的改进二进制黏菌算法容易陷入局部最优,不能得出最优值;而仅增加位运算和AGA中的一种更新机制时,虽然效果有一定的改善,当还是有概率陷入局部最优,误诊率较高;只有增加了位运算和AGA两种更新机制时,才可以快速迭代至最优值。
本发明实施例针对有源配电网数学模型特点,提出黏菌算法的二进制版本,并加入多种更新机制以提高种群多样性。本实施例方法采用的改进后的二进制黏菌算法种群能够在具有容错能力的情况下有效跳出局部最优解,并快速收敛至全局最优解,以正确定位故障区段。
实施例二:
本发明还提供一种船舶有源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,所述船舶有源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。所述船舶有源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,上述船舶有源配电网故障定位终端设备的组成结构仅仅是船舶有源配电网故障定位终端设备的示例,并不构成对船舶有源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,例如所述船舶有源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,所述处理器是所述船舶有源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船舶有源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,实现所述船舶有源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。
所述船舶有源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-OnlyMemory)、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 (9)
1.一种船舶有源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:通过改进二进制黏菌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;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;
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所述的船舶有源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馈线终端单元进行采集。
3.根据权利要求2所述的船舶有源配电网故障定位方法,其特征在于:步骤S1中将各开关的故障电流信息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所述的船舶有源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。
5.根据权利要求1所述的配电网故障定位方法,其特征在于:改进二进制黏菌算法中二进制黏菌个体初始化时采用的公式为:
其中,binaryi,j表示黏菌种群中第i个个体的第j个二进制维度的二进制编码,N表示个体总数,D表示二进制维度总数,rand表示介于[0,1]区间内的随机数。
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:改进二进制黏菌算法中黏菌个体位置的更新公式为:
其中,binaryi,j和binaryi,j*分别表示更新前和更新后的黏菌种群中第i个个体的第j个二进制维度的二进制编码;Sigmoid函数用来实现连续域到离散域的转换操作;rand表示介于[0,1]区间内的随机数;UB和LB分别表示搜索区域的上边界和下边界;z表示自定义参数;best.binary表示全局最佳适应度值对应的个体的最佳二进制编码序列;W表示权重系数;binaryA,j(t)和binaryB,j(t)分别表示第t次迭代时黏菌种群中的两个随机个体的二进制编码序列,其中A、B为随机个体序号;r表示介于[0,1]区间内的随机数;vb表示介于[-a,a]区间内的随机数,a的计算公式为:max_T表示最大迭代代数,arctanh表示反双曲函数;p表示控制参数,计算公式为:p=tanh|S(i)-DF|,i=1,2,…,N,tanh表示双曲正切函数,S(i)表示第i个个体的适应度,DF表示迭代到目前为止的全局最佳适应度;vc表示一个由1线性衰减至0的参数,/>和/>中上方的箭头表示向量。
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:改进二进制黏菌算法中在每次迭代操作之后还包括通过位运算更新机制和AGA更新机制对种群进行更新。
8.一种船舶有源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1~7中任一所述方法的步骤。
9.一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1~7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485902.5A CN114325221B (zh) | 2021-12-07 | 2021-12-07 | 一种船舶有源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 |
---|---|---|---|
CN202111485902.5A CN114325221B (zh) | 2021-12-07 | 2021-12-07 | 一种船舶有源配电网故障定位方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114325221A CN114325221A (zh) | 2022-04-12 |
CN114325221B true CN114325221B (zh) | 2024-04-30 |
Family
ID=81048638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111485902.5A Active CN114325221B (zh) | 2021-12-07 | 2021-12-07 | 一种船舶有源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) | CN114325221B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106680669A (zh) * | 2016-12-24 | 2017-05-17 | 国网吉林省电力有限公司培训中心 | 基于二进制混合算法的配电网故障区段定位方法 |
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 |
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 |
CN110554280A (zh) * | 2019-08-09 | 2019-12-10 | 上海电力大学 | 基于层级模型和改进灰狼优化算法的配电网故障定位方法 |
CN112147458A (zh) * | 2020-04-09 | 2020-12-29 | 南京理工大学 | 一种基于改进万有引力算法的含dg配电网的故障区段定位方法 |
CN112485587A (zh) * | 2020-11-11 | 2021-03-12 | 国网福建省电力有限公司宁德供电公司 | 一种含分布式光伏配电网故障区段分层定位方法 |
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 |
WO2021218120A1 (zh) * | 2020-04-27 | 2021-11-04 | 江苏科技大学 | 一种船舶动力设备故障识别方法 |
CN113687190A (zh) * | 2021-09-22 | 2021-11-23 | 云南民族大学 | 一种基于sabso算法的含分布式电源配电网故障定位方法 |
CN113740650A (zh) * | 2021-09-06 | 2021-12-03 | 集美大学 | 一种船舶电力系统故障检测方法、终端设备及存储介质 |
-
2021
- 2021-12-07 CN CN202111485902.5A patent/CN114325221B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106680669A (zh) * | 2016-12-24 | 2017-05-17 | 国网吉林省电力有限公司培训中心 | 基于二进制混合算法的配电网故障区段定位方法 |
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 |
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 |
CN110554280A (zh) * | 2019-08-09 | 2019-12-10 | 上海电力大学 | 基于层级模型和改进灰狼优化算法的配电网故障定位方法 |
CN112147458A (zh) * | 2020-04-09 | 2020-12-29 | 南京理工大学 | 一种基于改进万有引力算法的含dg配电网的故障区段定位方法 |
WO2021218120A1 (zh) * | 2020-04-27 | 2021-11-04 | 江苏科技大学 | 一种船舶动力设备故障识别方法 |
CN112485587A (zh) * | 2020-11-11 | 2021-03-12 | 国网福建省电力有限公司宁德供电公司 | 一种含分布式光伏配电网故障区段分层定位方法 |
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 |
CN113740650A (zh) * | 2021-09-06 | 2021-12-03 | 集美大学 | 一种船舶电力系统故障检测方法、终端设备及存储介质 |
CN113687190A (zh) * | 2021-09-22 | 2021-11-23 | 云南民族大学 | 一种基于sabso算法的含分布式电源配电网故障定位方法 |
Non-Patent Citations (3)
Title |
---|
基于QPSO算法的含分布式电源配电网故障诊断;单宝峰等;青岛大学学报(工程技术版)(第01期);全文 * |
基于人工鱼群算法的主动配电网故障定位;胡珏等;智慧电力(第06期);全文 * |
改进免疫网络及其算法在配电网故障定位中的应用;孙飞洋等;现代计算机;第27卷(第23期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114325221A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Daoqing et al. | Parallel discrete lion swarm optimization algorithm for solving traveling salesman problem | |
CN114091816B (zh) | 基于数据融合的门控图神经网络的配电网状态估计方法 | |
Qu et al. | False data injection attack detection in power systems based on cyber-physical attack genes | |
CN112485587B (zh) | 一种含分布式光伏配电网故障区段分层定位方法 | |
CN110554280A (zh) | 基于层级模型和改进灰狼优化算法的配电网故障定位方法 | |
CN116559590A (zh) | 一种基于粒子群混合灰狼算法的高渗透率分布式光伏配电网分层故障区段定位方法 | |
CN116245033A (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Sun et al. | Software module clustering algorithm using probability selection | |
CN116316637A (zh) | 一种配电网动态拓扑辨识方法、系统、设备及存储介质 | |
Shadmani et al. | A review of machine learning and deep learning applications in wave energy forecasting and WEC optimization | |
Ren et al. | A multiple randomized learning based ensemble model for power system dynamic security assessment | |
Boriratrit et al. | Adaptive meta-learning extreme learning machine with golden eagle optimization and logistic map for forecasting the incomplete data of solar irradiance | |
AU2022231757A1 (en) | Method for multi-adaptive optimal μPMU placement in micro-energy network | |
CN115099133A (zh) | 一种基于tlmpa-bp的集群系统可靠性评估方法 | |
Li et al. | A robust fault location method for active distribution network based on self-adaptive switching function | |
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 | |
Jiang et al. | Improved gradient‐based optimizer for parameters extraction of photovoltaic models | |
Wang et al. | Application of multiattention mechanism in power system branch parameter identification | |
CN111861256A (zh) | 一种主动配电网重构决策方法及系统 | |
CN113945796B (zh) | 一种配电网故障定位方法、终端设备及存储介质 | |
CN116522560A (zh) | 基于概率神经网络的主动配电网拓扑辨识方法及系统 | |
Ramesh et al. | Electrical power system state estimation meter placement—a comparative survey report | |
Mori et al. | Development of GRBFN with global structure for PV generation output forecasting | |
Qi | Research on prediction model of improved BP neural network optimized by genetic algorithm | |
Qi | Operation ControlMethod of Relay Protection in Flexible DC Distribution Network Compatible with Distributed Power Supply. |
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 |