CN115542079A - 基于自适应加权平均算法的配电网故障定位方法及装置 - Google Patents
基于自适应加权平均算法的配电网故障定位方法及装置 Download PDFInfo
- Publication number
- CN115542079A CN115542079A CN202211174600.0A CN202211174600A CN115542079A CN 115542079 A CN115542079 A CN 115542079A CN 202211174600 A CN202211174600 A CN 202211174600A CN 115542079 A CN115542079 A CN 115542079A
- Authority
- CN
- China
- Prior art keywords
- population
- distribution network
- power distribution
- determining
- fitness
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000006870 function Effects 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 38
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请适用于配电网故障定位技术领域，本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法，首先获取待检测配电网的线路运行状态信息；根据线路运行状态信息确定每个区段的适应度；然后基于自适应加权平均算法初始化种群；根据适应度选择当前种群中符合预设规则的个体；根据选择的个体确定种群更新规则并进行种群更新；最后，当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。本申请实施例通过计算每个区段的适应度，优化了故障定位算法，提高复杂配电网故障定位的准确性与容错性。此外，本申请实施例还提供了相关装置。
Description
技术领域
本申请属于配电网故障定位技术领域，尤其涉及一种基于自适应加权平均算法的配电网故障定位方法及装置。
背景技术
随着经济发展方式的转变和能源结构的优化升级，大规模的分布式电源接入配电网，使得配电系统结构和潮流更加复杂，传统针对于单辐射型配电网的故障定位方法已经难以适用于复杂新型配电网的发展需求。
针对含多种分布式电源的复杂配电网故障定位问题，目前已经形成基于矩阵理论的直接定位算法和基于人工智能技术的间接定位方法。矩阵算法是基于FTU上传的告警信息构建故障信息矩阵，并结合开关与线路区段间的关联矩阵建立逻辑判别关系，进而实现故障定位，这种方法虽然有着原理简单、故障定位速度快的优点，但是算法容错性较差且通用性不高；基于人工智能技术的故障定位方法是一种采用优化理论进行故障建模，融合状态逼近思想和最小故障诊断集原理实现故障定位的新方法，该方法具有容错性高、通用性强以及定位精度高等优点。其中，群体智能算法在故障定位过程中对离散变量具有突出的处理效果，理论上可以获得全局最优决策，成为该领域的研究热点。因此，粒子群算法、和声算法、蚁群算法、仿电磁学算法等多种智能群体优化算法逐渐被应用在配电网故障定位中，并且均在不同程度上提高了故障定位的精度和效率。
但是，对于复杂度较高的配电网，智能优化算法存在“维数灾难”问题，并且容易陷入局部最优解，严重影响故障定位的速度与准确性。
发明内容
本申请实施例提供了一种基于自适应加权平均算法的配电网故障定位方法及装置，可以解决传统配电网故障定位速度慢、准确性低的技术问题。
第一方面，本申请实施例提供了一种基于自适应加权平均算法的配电网故障定位方法，包括：
获取待检测配电网的线路运行状态信息；
根据线路运行状态信息确定每个区段的适应度；
基于自适应加权平均算法初始化种群；
根据适应度选择当前种群中符合预设规则的个体；
根据选择的个体确定种群更新规则并进行种群更新；
当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。
结合第一方面，在本申请实施例提供的一种实现方式中，获取待检测配电网的线路运行状态信息，包括：
获取馈线终端装置FTU上传的节点电流信息；
根据第一公式确定节点j的状态Sj；
根据第二公式确定区段B的状态SB；
根据第三公式确定馈线运行状态与节点过流信息；
其中，第一公式为：
第二公式为：
第三公式为：
其中，Sj(X)表示节点j的开关函数，X表示馈线运行状态量，Nd表示节点j下游节点的数量，xj(nd)表示节点j下游区段运行状态。
结合第一方面，在本申请实施例提供的一种实现方式中，根据线路运行状态信息确定每个区段的适应度，包括：
根据线路运行状态信息通过第四公式确定每个区段的适应度；
第四公式为：
其中，Fit(SB)为区段i在第t次迭代的适应度。其中，SB为区段运行状态，Sj为节点上传的开关函数，
为各区段发生故障期望运行函数，
为异或运算，ω为权重系数，ω＝0.5，A为[0,1]之间的随机数，SB[j,i]为分支下游区段i与上游节点j的一致性因子。
结合第一方面，在本申请实施例提供的一种实现方式中，根据选择的个体确定种群更新规则，包括：
根据选择的个体，通过第五公式确定种群更新规则；
第五公式为：
其中，r为0到0.5之间的随机数，HP为自适应加速因子，ε为强化学习因子，
xn为向量位置的平均值，λ为膨胀常数，xa，xb，xc为在解空间中随机选取三个解向量，xbs，xws，xbt分别为当前种群通过适应度确定的最优，最差，较好的个体，ξ为常数，rand为随机数。
结合第一方面，在本申请实施例提供的一种实现方式中，强化学习因子通过以下公式计算得到：
其中，ri为向量权重的排序结果，
xn为向量位置的平均值，λ为膨胀常数。
结合第一方面，在本申请实施例提供的一种实现方式中，自适应加速因子通过以下公式计算得到：
其中，xbs，xws分别为当前种群通过适应度确定的最优，最差的个体。
结合第一方面，在本申请实施例提供的一种实现方式中，进行种群更新具体为：
Xg+1＝Xg+MeanRule+ξrand
其中，Xg+1为更新后的种群个体，Xg为更新前的种群个体，MeanRule为更新规则，ξ为常数，rand为随机数。
第二方面，本申请实施例提供一种基于自适应加权平均算法的配电网故障定位装置，包括：
获取模块，用于获取待检测配电网的线路运行状态信息；
处理模块，用于根据线路运行状态信息确定每个区段的适应度；
处理模块，还用于基于自适应加权平均算法初始化种群；
处理模块，还用于根据适应度选择当前种群中符合预设规则的个体；
处理模块，还用于根据选择的个体确定种群更新规则并进行种群更新；
处理模块，还用于当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。
第三方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如第一方面的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法，首先获取待检测配电网的线路运行状态信息；根据线路运行状态信息确定每个区段的适应度；然后基于自适应加权平均算法初始化种群；根据适应度选择当前种群中符合预设规则的个体；根据选择的个体确定种群更新规则并进行种群更新；最后，当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。本申请实施例通过计算每个区段的适应度，优化了故障定位算法，提高复杂配电网故障定位的准确性与容错性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例用于说明应用场景的配电网仿真模型示意图；
图2为本申请实施例提供的系统架构图；
图3为本申请实施例提供的终端设备的示意图；
图4为本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法的示意图；
图5为本申请实施例用于解释开关函数的配电网仿真模型图；
图6为本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法的应用例流程图；
图7为本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法的应用例的详细流程图；
图8为本申请实施例提供的一种基于自适应加权平均算法的配电网故障定位装置的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法可以应用于配电网故障定位。图1为本申请实施例用于说明应用场景的配电网仿真模型示意图。如图1所示，该模型具体为IEEE33配电网仿真模型，其中节点11和节点28设置为分布式电源(Distributed Generation，DG)接入点。在配电网的各个节点处设置有配电开关监控终端/馈线终端装置(简称FTU)。FTU具有遥控、遥测、遥信，故障检测功能，并与配电自动化主站通信，提供配电系统运行情况和各种参数及监测控制所需信息，包括开关状态、电能参数、相间故障、接地故障以及故障时的参数,并执行配电主站下发的命令，对配电设备进行调节和控制，实现故障定位、故障隔离和非故障区域快速恢复供电等功能。利用配电网各线路分段开关、联络开关等处的FTU，可以获取得到配电网的线路运行状态信息。
图2为本申请实施例提供的系统架构图。该系统架构包括：配电网各线路分段开关、联络开关等处的FTU，以及终端设备。通过FTU获取得到的配电网的线路运行状态信息可以上传至终端设备，以使得终端设备实现本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法。
可以理解的是，本申请实施例的终端设备可以是电脑、计算机、服务器等，本申请实施例对终端设备的具体形态不做限定。
图3为本申请实施例提供的终端设备的示意图。该终端设备300包括存储器302、处理器301以及存储在存储器302中并可在处理器301上运行的计算机程序303，处理器301执行计算机程序303时实现本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法。
图4为本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法的示意图，该方法包括：
401、获取待检测配电网的线路运行状态信息；
在本申请实施例中，线路运行状态信息包括节点的状态、区段的状态以及开关函数。本申请实施例考虑分布式电源接入的情况，对于监测节点数据采用0，1，-1方式对FTU上传的电流信息和区段运行状态进行编码，即0表示节点无故障电流流过，1表示节点有正向故障电流流过，-1表示节点有反方向的故障电流流过；此外，区段运行状态为1表示区段故障，区段运行状态为0表示区段无故障。
具体地，根据第一公式确定节点j的状态Sj；根据第二公式确定区段B的状态SB；根据第三公式确定馈线运行状态与节点过流信息；
其中，第一公式为：
第二公式为：
第三公式为：
其中，Sj(X)表示节点j的开关函数，X表示馈线运行状态量，Nd表示节点j下游节点的数量，xj(nd)表示节点j下游区段运行状态。
在本申请实施例中，馈线运行状态与节点过流信息通过开关函数表达。在复杂的配电网中定义节点到系统主电源经过的馈线路径的节点定义为该节点的上游节点，节点到线路末端或分布式电源接入节点经过的馈线路径上的节点定义为该节点的下游节点。
图5为本申请实施例用于解释开关函数的配电网仿真模型图。假设图5中区段(5)发生故障，此时馈线运行状态为[000010]，经计算开关函数为[110010]。
区段(1)发生故障期望运行函数为[100000]，此时，
区段(2)发生故障期望运行函数为[110000]，此时，
区段(5)发生故障期望运行函数为[110010]，此时，
由此可见，开关函数可以表达馈线运行状态与节点过流信息。
402、根据线路运行状态信息确定每个区段的适应度；
本申请实施例具体根据线路运行状态信息通过第四公式确定每个区段的适应度；
第四公式为：
其中，Fit(SB)为区段i在第t次迭代的适应度。其中，SB为区段运行状态，Sj为节点上传的开关函数，
为各区段发生故障期望运行函数，
为异或运算，ω为权重系数，ω＝0.5，A为[0,1]之间的随机数，SB[j,i]为分支下游区段i与上游节点j的一致性因子。N为待检测配电网中的节点总数。因此，适应度函数在故障区段处有极大值。
本申请实施例中第四公式的异或逻辑运算，在复杂配电网中可以有效地避免传统故障定位中因逻辑运算加导致故障概率在线路末端区段累加的情况发生，解决了支路末端节点被误判为故障节点的概率过高的问题。
本申请实施例中，一致性因子SB[j,i]实现将上游节点的故障信息投票给下游馈线，即节点下游馈线状态是造成节点故障电流的原因，SB[j,i]即当节点j状态为±1时，便向下游馈线投一票，投票信息遍历全部节点。因此，上游节点投票信息的代数和越大则该区段发生故障的概率越大。并且，当决策信息满足Ti-1＜Ti＝Ti+1时，最大节点决策信息表现在区段i，即确定i为故障区段。其中，Ti表示区段i的投票信息，也就是在区段i的投票信息大于上游任一区段，并且下游区段的故障投票信息不再增加时，确定该区段为故障区段。以带权重的一致性因子修正适应度函数能够有效地提高算法的容错性，即当Sj存在误报时，一致性因子将以较大权重发挥作用。
403、基于自适应加权平均算法初始化种群；
在本申请实施例中，步骤403可以为：基于自适应INFO算法初始化种群，设置种群规模N，求解维度D，最大迭代次数Dmax，当前迭代次数t，引入Tent混沌序列生成随机初始种群，以保证系统输出初始种群遍历整个解空间。
404、根据适应度选择当前种群中符合预设规则的个体；
在本申请实施例中，适应度可以表示区段的故障概率(种群个体的优劣)，当适应度最大时，故障概率最大(种群个体表现为最优)。因此，根据适应度的大小值，可以选择符合预设规则的个体，具体地，可以选择适应度最大的个体为当前种群中最优的个体xbs，选择适应度最小的个体作为当前种群中最差的个体xws，特别地，较好个体xbt从适应度排序前5中的个体随机选取获得。
405、根据选择的个体确定种群更新规则并进行种群更新；
在本申请实施例中，具体根据选择的个体，通过第五公式确定种群更新规则MeanRule；
第五公式为：
其中，r为0到0.5之间的随机数，HP为自适应加速因子，ε为强化学习因子，
xn为向量位置的平均值，λ为膨胀常数，xa，xb，xc为在解空间中随机选取三个解向量，xbs，xws，xbt分别为当前种群通过适应度确定的最优，最差，较好的个体(即步骤405确定的个体)，ξ为一较小的常数，rand为随机数。
其中，强化学习因子通过以下公式计算得到：
其中，ri为向量权重的排序结果，
xn为向量位置的平均值，λ为膨胀常数。
可以理解的是，其中向量权重计算公式为：
其中，xn为向量位置的平均值，
λ为膨胀常数。
本申请实施例通过引入强化学习因子ε，强化个体的有效学习能力，该算子的作用是限制仅允许权重排序前5的向量才能在决策发挥作用。
其中，自适应加速因子通过以下公式计算得到：
其中，xbs，xws分别为当前种群通过适应度确定的最优，最差的个体。
在本申请实施例中，通过基于hausdorff距离构建自适应加速因子
其中，f(x)＝f(xws→xbs)表示当前种群中最差个体位置向量到全局最优个体位置两个子区域的hausdorff距离，并且HP≥d(xws→xbs)。首先将整个搜索空间分成大小相同且规则的子区域，个体在整个空间进行搜索。在空间搜索前期，个体分布空间较大，个体适应度较低且分散分布；在空间搜索后期，个体适应度较高且集中分布。因此限定搜索范围最大为当前最差个体向最优个体更新时的两个子区域的hausdorff距离，可以实现自适应地调整搜索空间范围，避免算法在迭代初期陷入局部最优，在算法迭代后期可有效提高算法收敛速度。
在本申请实施例中，进行种群更新具体为：
Xg+1＝Xg+MeanRule+ξrand
其中，Xg+1为更新后的种群个体，Xg为更新前的种群个体，MeanRule为更新规则，ξ为常数，rand为随机数。
本申请实施例以Xg+1＝Xg+MeanRule+ξrand更新向量位置。其中，若rand<0.5时，则以随机选择个体和最优个体为基准分别生成新向量X1g+1和X2g+1，若rand>0.5时，则以随机选择个体和较好个体为基准分别生成新向量X1g+1和X2g+1。
然后，选取随机数rand用于新向量的选择，当rand<0.5时，新向量选择策略为：Xg+1(1)＝X1g+1+μ|X1g+1-X2g+1|，当rand>0.5时，新向量选择策略为：Xg+1(2)＝X2g+1+μ|X1g+1-X2g+1|，当rand＝0.5时，新向量选择策略为：Xg+1(3)＝Xg。其中，μ＝0.05×rand。
406、当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。
在本申请实施例中，每次更新种群后，可以判断是否达到最大迭代次数，若是，则得到整体最优解，确定故障点位置。具体地，本申请实施例中适应度函数在故障区段处有极大值，因此可以根据各个区段的适应度值确定种群的最优个体以及对应的故障点位置。
本申请实施例提供的一种基于自适应加权平均算法的配电网故障定位方法具有以下优点：
(1)本发明通过对故障定位适应度函数改进，提高算法整体的容错性，解决传统逻辑运算导致故障概率在线路末端节点积累造成误判的难题。
(2)通过引入强化学习因子，强化个体有效学习能力。加快算法收敛速度并提高算法的精度。
(3)引入自适应加速因子，提高算法全局搜索的能力，自适应调节搜索空间规模，在有效提高算法的全局搜索能力以及避免算法陷入局部最优解的同时，能够提高算法的收敛速度。
(4)本发明在传统配电网和含DG的复杂配电网上均有突出的使用价值。
以下对本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法的应用例进行详细的描述。
图6为本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法的应用例流程图。该流程包括：
步骤1、构建基于自适应INFO算法的复杂配电网模型。
步骤2、构造基于自适应INFO算法的复杂配电网故障定位数学模型。
步骤3、基于自适应INFO算法实现复杂配电网故障定位。
该应用例的具体流程如图7所示，图7为本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法的应用例的详细流程图。
由图7可知，步骤1进一步包括：
步骤1.1：搭建IEEE33配电网仿真模型，如图1所示。其中节点11与节点28设置为分布式电源(Distributed Generation，DG)接入点。
步骤1.2：获取配电网各线路分段开关、联络开关等处的FTU上传的节点电流信息，电流信息包括线路处于正常工作状态运行的检测数据和线路处于故障工作状态运行的监测数据。
步骤1.3：考虑分布式电源接入的情况，对于监测节点数据采用0，1，-1方式对上传的电流信息和区段运行状态进行编码。即0表示节点无故障电流流过，1表示节点有正向故障电流流过，-1表示节点有反方向的故障电流流过；此外，区段运行状态为1表示区段故障，区段运行状态为0表示区段无故障。
对节点间区段状态
步骤1.4构建基于改进INFO算法的复杂配电网故障定位开关函数。
馈线运行状态与节点过流信息通过开关函数表达。在复杂的配电网中定义节点到系统主电源经过的馈线路径的节点定义为该节点的上游节点，节点到线路末端或分布式电源接入节点经过的馈线路径上的节点定义为该节点的下游节点。开关函数定义为：
其中，Sj(X)表示节点j的开关函数，X表示馈线运行状态量，Nd表示节点j下游节点的数量，xj(nd)表示节点j下游区段运行状态。
在本申请实施例中，步骤2进一步包括：
步骤2.1：构造适应度函数：
式中，Fit(SB)为改进的基于自适应INFO算法的复杂配电网故障定位适应度函数。其中，SB为区段运行状态，Sj为节点上传的开关函数，
为各区段发生故障期望运行函数，
为异或运算，ω为权重系数，ω＝0.5，A为[0,1]之间的随机数，SB[j,i]为分支下游区段i与上游节点j的一致性因子。因此，适应度函数在故障区段处有极大值；。
异或逻辑运算，在复杂配电网中可以有效地避免传统故障定位中因逻辑运算加导致故障概率在线路末端区段累加的情况发生，解决了支路末端节点被误判为故障节点的概率过高的问题；
一致性因子SB[j,i]实现将上游节点的故障信息投票给下游馈线，即节点下游馈线状态是造成节点故障电流的原因，SB[j,i]即当节点j状态为±1时，便向下游馈线投一票，投票信息遍历全部节点。因此，上游节点投票信息的代数和越大则该区段发生故障的概率越大。并且，当决策信息满足Ti-1＜Ti＝Ti+1时，最大节点决策信息表现在区段i，即确定i为故障区段。其中，Ti表示区段i的投票信息，也就是在区段i的投票信息大于上游任一区段，并且下游区段的故障投票信息不再增加时，确定该区段为故障区段。以带权重的一致性因子修正适应度函数能够有效地提高算法的容错性，即当Sj存在误报时，一致性因子将以较大权重发挥作用。
步骤2.2：构造强化学习因子
通过引入强化学习因子ε，强化个体的有效学习能力，该算子的作用是限制仅允许权重排序前5的向量才能在决策发挥作用。其中，
ri为向量权重的排序结果。
步骤2.3：构造自适应加速因子
通过基于hausdorff距离构建自适应加速因子
其中，f(x)＝f(xws→xbs)。首先将整个搜索空间分成大小相同且规则的子区域，个体在整个空间进行搜索。在空间搜索前期，个体分布空间较大，个体适应度较低且分散分布；在空间搜索后期，个体适应度较高且集中分布。因此限定搜索范围最大为当前最差个体向最优个体更新时的两个子区域的hausdorff距离，可以实现自适应地调整搜索空间范围，避免算法在迭代初期陷入局部最优，在算法迭代后期可有效提高算法收敛速度。
在本申请实施例中，步骤3进一步包括：
步骤3.1：基于自适应INFO算法初始化种群，设置种群规模N，求解维度D，最大迭代次数Dmax，当前迭代次数t，引入Tent混沌序列生成随机初始种群，以保证系统输出初始种群遍历整个解空间。
步骤3.2：计算每个个体适应度Fit(SB)值及向量权重(WM)。其中向量权重计算公式为：
其中，xn为向量位置的平均值，
λ为膨胀常数。
步骤3.3：在解空间中随机选取三个解向量xa，xb，xc，基于强化学习因子和自适应加速因子进行向量更新操作。更新规则MeanRule由下式计算得到：
其中，自适应加速因子
f(x)＝f(xws→xbs)表示当前种群中最差个体位置向量到全局最优个体位置两个子区域的hausdorff距离，并且HP≥d(xws→xbs)。xbs xws xbt分别为当前种群中最优，最差，较好的个体。特别地，较好个体由权重排序前5中是随机选取获得，ξ为一较小的常数。
以Xg+1＝Xg+MeanRule+ξrand更新向量位置。其中，若rand<0.5时，则以随机选择个体和最优个体为基准分别生成新向量X1g+1和X2g+1，若rand>0.5时，则以随机选择个体和较好个体为基准分别生成新向量X1g+1和X2g+1。
步骤3.4：选取随机数rand用于新向量的选择，当rand<0.5时，新向量选择策略为：Xg+1(1)＝X1g+1+μ|X1g+1-X2g+1|，当rand>0.5时，新向量选择策略为：Xg+1(2)＝X2g+1+μ|X1g+1-X2g+1|，当rand＝0.5时，新向量选择策略为：Xg+1(3)＝Xg。其中，μ＝0.05×rand。
步骤3.5：判断是否达到最大迭代次数，得到整体最优解，确定故障点位置。
本申请实施例提供的方法针对复杂配电网故障定位精度差，速度慢的问题，提供了一种基于自适应INFO算法的复杂配电网故障定位智能算法，解决如下：(1)传统逻辑运算导致配电支路末端被误判为故障区段的概率高。(2)故障定位算法容错性差的问题。并且(3)有效提高INFO算法的全局搜索能力与算法收敛速度。
本申请实施例提供的方法通过改进算法的适应度函数，提高复杂配电网故障定位的准确性与容错性；通过增强INFO算法中个体的有效学习能力并且引入自适应加速因子，使算法具有更好的寻优精度和更快的收敛速度。并且，所提方法既能适用于传统配电网也能满足复杂配电网故障快速准确定位的需求。
图8为本申请实施例提供的一种基于自适应加权平均算法的配电网故障定位装置的示意图，该基于自适应加权平均算法的配电网故障定位装置800包括：
获取模块801，用于执行或实现上述图4对应的各个实施例中的步骤401；
处理模块802，用于执行或实现上述图4对应的各个实施例中的步骤402、步骤403、步骤404、步骤405和步骤406。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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，本申请实现上述实施例方法中的全部或部分流程，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至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于自适应加权平均算法的配电网故障定位方法，其特征在于，包括：
获取待检测配电网的线路运行状态信息；
根据所述线路运行状态信息确定每个区段的适应度；
基于自适应加权平均算法初始化种群；
根据所述适应度选择当前种群中符合预设规则的个体；
根据选择的所述个体确定种群更新规则并进行种群更新；
当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。
2.如权利要求1所述的方法，其特征在于，所述获取待检测配电网的线路运行状态信息，包括：
获取馈线终端装置FTU上传的节点电流信息；
根据第一公式确定节点j的状态Sj；
根据第二公式确定区段B的状态SB；
根据第三公式确定馈线运行状态与节点过流信息；
其中，所述第一公式为：
所述第二公式为：
所述第三公式为：
其中，Sj(X)表示节点j的开关函数，X表示馈线运行状态量，Nd表示节点j下游节点的数量，xj(nd)表示节点j下游区段运行状态。
3.如权利要求1所述的方法，其特征在于，所述根据所述线路运行状态信息确定每个区段的适应度，包括：
根据所述线路运行状态信息通过第四公式确定每个区段的适应度；
所述第四公式为：
其中，Fit(SB)为区段i在第t次迭代的适应度。其中，SB为区段运行状态，Sj为节点上传的开关函数，
为各区段发生故障期望运行函数，
为异或运算，ω为权重系数，ω＝0.5，A为[0,1]之间的随机数，SB[j,i]为分支下游区段i与上游节点j的一致性因子。
4.如权利要求1所述的方法，其特征在于，所述根据选择的所述个体确定种群更新规则，包括：
根据选择的所述个体，通过第五公式确定种群更新规则；
所述第五公式为：
其中，r为0到0.5之间的随机数，HP为自适应加速因子，ε为强化学习因子，
xn为向量位置的平均值，λ为膨胀常数，xa，xb，xc为在解空间中随机选取三个解向量，xbs，xws，xbt分别为当前种群通过所述适应度确定的最优，最差，较好的个体，ξ为常数，rand为随机数。
5.如权利要求4所述的方法，其特征在于，所述强化学习因子通过以下公式计算得到：
其中，ri为向量权重的排序结果，
xn为向量位置的平均值，λ为膨胀常数。
6.如权利要求4所述的方法，其特征在于，所述自适应加速因子通过以下公式计算得到：
其中，xbs，xws分别为当前种群通过所述适应度确定的最优，最差的个体。
7.如权利要求4所述的方法，其特征在于，所述进行种群更新具体为：
Xg+1＝Xg+MeanRule+ξrand
其中，Xg+1为更新后的种群个体，Xg为更新前的种群个体，MeanRule为更新规则，ξ为常数，rand为随机数。
8.一种基于自适应加权平均算法的配电网故障定位装置，其特征在于，包括：
获取模块，用于获取待检测配电网的线路运行状态信息；
处理模块，用于根据所述线路运行状态信息确定每个区段的适应度；
所述处理模块，还用于基于自适应加权平均算法初始化种群；
所述处理模块，还用于根据所述适应度选择当前种群中符合预设规则的个体；
所述处理模块，还用于根据选择的所述个体确定种群更新规则并进行种群更新；
所述处理模块，还用于当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。
9.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
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至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211174600.0A CN115542079A (zh) | 2022-09-26 | 2022-09-26 | 基于自适应加权平均算法的配电网故障定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211174600.0A CN115542079A (zh) | 2022-09-26 | 2022-09-26 | 基于自适应加权平均算法的配电网故障定位方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115542079A true CN115542079A (zh) | 2022-12-30 |
Family
ID=84729483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211174600.0A Pending CN115542079A (zh) | 2022-09-26 | 2022-09-26 | 基于自适应加权平均算法的配电网故障定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115542079A (zh) |
-
2022
- 2022-09-26 CN CN202211174600.0A patent/CN115542079A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2507750B1 (en) | Restoration switching analysis with genetic algorithm | |
| CN107016077B (zh) | 一种面向Web服务组合的优化方法 | |
| CN104578427A (zh) | 一种含微网电源的配电网的故障自愈方法 | |
| CN109102146B (zh) | 基于多参数线性规划的电力系统风险评估加速方法 | |
| CN110988596A (zh) | 一种新型主动配电网故障区段定位方法 | |
| CN111426323B (zh) | 一种巡检机器人路线规划方法及装置 | |
| CN107909194B (zh) | 系统级测试性设计多目标优化方法 | |
| CN107256441A (zh) | 基于非支配排序遗传算法的配电网规划建设方案设计方法 | |
| CN114389265B (zh) | 基于增殖和缩减进化的电网紧急切负荷优化方法及系统 | |
| CN113573322A (zh) | 基于改进遗传算法的多目标区域传感器网络覆盖优化方法 | |
| CN111060779A (zh) | 一种基于概率神经网络的电网分区故障诊断方法及系统 | |
| CN110907757A (zh) | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 | |
| CN111030100A (zh) | 一种基于定制遗传的配电网pmu优化配置方法 | |
| CN116862021B (zh) | 基于信誉评估的抗拜占庭攻击的去中心化学习方法及系统 | |
| CN118017586A (zh) | 基于鲸鱼优化算法的配电网一二次协同规划方法和系统 | |
| CN111412795B (zh) | 测试点设置方案生成方法及装置 | |
| CN115542079A (zh) | 基于自适应加权平均算法的配电网故障定位方法及装置 | |
| Lu et al. | A fireworks algorithm for the system-level fault diagnosis based on MM* model | |
| CN113009274B (zh) | 基于ielm算法的配电网故障区段定位方法及系统 | |
| CN113283159A (zh) | 基于全局和局部代理辅助的粒子群算法的优化方法及应用 | |
| CN113589079A (zh) | 配电网自愈系统的测试方法、电子设备及存储介质 | |
| Nappu et al. | Path-relinking Grey Wolf Optimizer for Solving Operation Sequencing Problem | |
| CN118555599B (zh) | 一种基于多目标优化的无线传感器网络关键节点识别方法 | |
| Yamaguchi et al. | Data based construction of Bayesian network for fault diagnosis of event-driven systems | |
| Zhao et al. | Fault section location for distribution network containing DG based on IBQPSO |
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 |