CN116223973A - 基于改进灰狼优化算法的分布式配电网故障定位方法 - Google Patents
基于改进灰狼优化算法的分布式配电网故障定位方法 Download PDFInfo
- Publication number
- CN116223973A CN116223973A CN202310176581.3A CN202310176581A CN116223973A CN 116223973 A CN116223973 A CN 116223973A CN 202310176581 A CN202310176581 A CN 202310176581A CN 116223973 A CN116223973 A CN 116223973A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- fault
- wolf
- optimization algorithm
- 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
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
-
- 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)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网故障定位技术领域,具体涉及基于改进灰狼优化算法的分布式配电网故障定位方法,包括:为配电网的各节点构建能够适应多电源投切的开关函数;基于配电网各区域的开关函数分析各区域上区段状态和开关状态的关联关系,进而实现配电网的层级划分并生成对应的配电网层级模型;在灰狼优化算法的位置更新模型中引入交叉操作和变异操作,生成对应的改进灰狼优化算法;通过改进灰狼优化算法结合上传的故障信息在配电网层级模型中定位故障区域;从故障区域中搜索出对应的故障区段作为故障位置。本发明能够有效降低故障信息的处理维度,并且能够通过收敛速度和寻优精度更优的改进灰狼优化算法来实现故障定位。
Description
技术领域
本发明涉及配电网故障定位技术领域,具体涉及基于改进灰狼优化算法的分布式配电网故障定位方法。
背景技术
配电网处于整个电力网络的末端,直接连接用电负荷,其可靠供电能力是电力企业经济效益的直接体现。随着分布式电源的不断接入,传统配电网拓扑结构从单电源辐射状网络变成复杂的多电源网络,目前,基于FTU(Feeder Terminal Unit,馈线终端设备)采集的故障电流信息进行配电网故障定位,主要的方法是矩阵算法和遗传算法。
矩阵算法要求故障信息的准确性很高,容错性较差,使其难以得到广泛应用。而遗传算法虽有充分的研究,在许多优化问题中都有成功的应用,但其本身也存在一些不足,例如局部搜索能力差、存在未成熟收敛和随机漫游等现象,从而导致算法的收敛性能差,需要很长时间才能找到最优解。为此,公开号为CN106841927A的中国专利公开了《含分布式电源配电网的故障定位方法》,其用FTU的上传的故障电流信息,同时对分布式发电系统的网络拓扑结构进行抗体编码,应用免疫算法在解空间中找到故障线路,使其解能够解释来自FTU的故障电流信号。
然而,包括上述方案在内的现有方案所提出的故障定位算法,都不可避免地存在搜索维度较大、运算时间长以及效率较低的问题,进而导致含分布式电源配电网故障定位的效率很低。因此,如何设计一种能够提高含分布式电源配电网故障定位效率的方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种基于改进灰狼优化算法的分布式配电网故障定位方法,能够有效降低故障信息的处理维度,并且能够通过收敛速度和寻优精度更优的改进灰狼优化算法来实现故障定位,从而能够提高含分布式电源配电网故障定位的效率和适应性。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于改进灰狼优化算法的分布式配电网故障定位方法,包括:
S1:为配电网的各节点构建能够适应多电源投切的开关函数;
S2:基于配电网各区域的开关函数分析各区域上区段状态和开关状态的关联关系,进而实现配电网的层级划分并生成对应的配电网层级模型;
S3:在灰狼优化算法的位置更新模型中引入交叉操作和变异操作,生成对应的改进灰狼优化算法;
S4:通过改进灰狼优化算法结合上传的故障信息在配电网层级模型中定位故障区域;
S5:从故障区域中搜索出对应的故障区段作为故障位置。
优选的,步骤S1中,通过如下公式表示开关函数:
式中:表示第j个开关的开关函数;/>表示第j个开关上、下半区线路的开关函数;∏表示逻辑或运算;Ku、Kd分别表示开关j上、下半区电源投切系数,若电源投入运行取1,反之取0;N1、N2分别表示上、下半区馈线区段的总数;M1、M2分别表示开关j的上、下半区电源总数;xjd、xju分别表示开关j到上、下半区所有馈线区段的状态值,当该区段发生故障时取值为1,反之为0;/>分别表示从第j号开关到上半区电源、下半区电源路径上所经过的馈线区段的状态值;d、u分别表示上下半区馈线区段的编号;S表示区段;
其中,以开关j为分界点将配电网分为两部分,其中包含配电网电源的部分称为开关j的上半区,另一部分称为开关j的下半区。
优选的,以配电网电源指向用户的方向为正方向:若开关j的故障电流方向与正方向一致,则开关状态为Ij=1;若开关j的故障电流方向与正方向相反,则开关状态Ij=-1;若开关j未检测到故障电流,则开关状态Ij=0。
优选的,步骤S2中,对配电网进行层级划分时,当一个区域发生单点或双重故障时,对其他区域的开关函数值影响不变,进而将每个区域对外等效成一个二端口,以生成对应的配电网层级模型。
优选的,通过如下步骤构建配电网层级模型:
S201:将配电网中的所有分支进行编号;
S202:基于在某一分支上发生单点故障或双重故障时,对其余区域的开关函数无影响的特点:根据分支是否含有分布式电源,来将各个分支对外等效成一个无源或有源的二端口区域,并且靠近系统电源的节点等效为区域节点,分支中包含的所有区段等效为区域线路;
S203:构建的配电网层级模型第一层由所形成的二端口区域构成,第二层由每个二端口区域包含的区域节点构成,并且通过区域线路连接各个二端口区域和区域节点。
优选的,步骤S3中,通过如下公式表示改进灰狼优化算法的位置更新模型:
式中:sigmoid表示转换函数;rand表示内均匀分布的随机数;X(t+1)表示第t+1次迭代时,灰狼个体的位置;xd(t+1)表示灰狼个体在d维中经过t次迭代更新的位置;
1)交叉操作
对灰狼个体进行二项式的交叉操作,定义第i只灰狼个体的第d维交叉操作的公式为:
其中Cl=0.3×Fi,best;
式中:Fi,best表示相对适应度值;Fi表示第i只灰狼个体的适应度值;Fbest和Fworst分别表示当前迭代的最优适应度和最差适应度值;
2)变异操作
在交叉操作后对灰狼个体进行变异操作,定义变异操作的公式为:
η=0.06×Fi,best
式中:表示变异操作后的灰狼个体位置;xgbest,d表示到当前为止的整个迭代过程中d维的最优个体;/>表示内均匀分布的随机数;/>和/>表示第q1、q2只灰狼个体的位置;η表示变异概率;其中q1,q2=1,2,...,G,G表示灰狼种群中灰狼个体的数目;q1≠q2≠i。
优选的,步骤S4中,改进灰狼优化算法通过如下步骤定位故障区域:
S401:根据配电网馈线区段的数量,设置改进灰狼优化算法的种群规模N和最大迭代次数,并在搜索空间中随机生成参数A和C;其中A表示收敛因子,C表示摆动因子;
S402:在搜索空间中产生初始化种群,即随机生成N个d维灰狼个体X1,X2,...,XN,每个灰狼个体均由0或1组成;
S403:按评价函数计算群体中每个灰狼个体的适应度值,将所有适应度值进行排序,选择并更新个体最优值Fbest;其中适应度值排列前3位的灰狼个体位置分别记为α、β、δ;
S404:通过位置更新模型更新灰狼位置,并进行交叉操作和变异操作;
S405:判断改进灰狼优化算法是否达到最大迭代次数:若未达到,则返回步骤S403;若已达迭代最大值,则输出最优解,即故障区域。
优选的,步骤S403中,基于配电网各区域的开关函数结合构建的配电网层级模型来建立对应的评价函数。
优选的,通过如下公式表示评价函数:
式中:Fit(x)表示灰狼个体x的适应度值;Ih表示第h个区域的故障电流信息;表示第h个区域的开关函数;S表示区段;H表示配电网中区域总数;x(h)表示第h个区域的区域故障状态,发生故障时取1,反之取0;μ表示权重系数,取值为0.5。
优选的,步骤S5中,通过穷举法在故障区域内搜索、确定对应的故障区段。
本发明中基于改进灰狼优化算法的分布式配电网故障定位方法与现有技术相比,具有如下有益效果:
本发明通过为配电网的各节点构建能够适应多电源投切的开关函数来分析和反映区段状态与开关状态之间的关联关系,进而能够实现对复杂多分支配电网进行简化并建立配电网层级模型,使得通过配电网层级模型进行故障定位时,只需要从FTU上传的故障信息中提取出各区域端口的故障电流信息即可,能够有效降低故障信息的处理维度,从而能够提高含分布式电源配电网故障定位的效率。同时,本发明在现有灰狼优化算法的位置更新模型中引入了交叉操作和变异操作,其中交叉操作能够增加迭代过后灰狼种群个体的多样性,变异操作能够提高灰狼种群的多样性,防止算法陷入局部最优,即改进灰狼优化算法的收敛速度和寻优精度更优,进而将收敛速度和寻优精度更优的改进灰狼优化算法用于层级划分后的配电网故障区域定位,能够极大的提高整个故障定位流程的准确性和稳定性,从而提高含分布式电源配电网故障定位的适应性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为分布式配电网故障定位方法的逻辑框图;
图2为含DG的配电网简图;
图3为含DG的配电网层级模型;
图4为改进灰狼优化算法的流程图;
图5为配电网区域划分图;
图6为不同算法定位比较结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅表示本发明的选定实施例。基于本发明中的实施例,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发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,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。此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。例如“水平”仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种基于改进灰狼优化算法的分布式配电网故障定位方法。
如图1所示,基于改进灰狼优化算法的分布式配电网故障定位方法,包括:
S1:为配电网的各节点构建能够适应多电源投切的开关函数;
S2:基于配电网各区域的开关函数分析各区域上区段状态和开关状态的关联关系,进而实现配电网的层级划分并生成对应的配电网层级模型;
某个区域上的开关函数是指位于该区域上各节点开关函数的集合。
S3:在灰狼优化算法的位置更新模型中引入交叉操作和变异操作,生成对应的改进灰狼优化算法;
S4:通过改进灰狼优化算法结合上传的故障信息在配电网层级模型中定位故障区域;
S5:从故障区域中搜索出对应的故障区段作为故障位置。
本实施例中,通过穷举法在故障区域内搜索、确定对应的故障区段。
需要说明的是,灰狼优化算法(GWO)是一种成熟算法,其模拟了自然界灰狼的领导和狩猎层级。在狼群中存在四种角色,α狼负责领导是最具有智慧的在狩猎当中可以敏锐的知道猎物的位置,β狼可以认为是军师比较具有智慧比较能知道猎物的位置,δ狼负责协助前两个层级的狼,最后是ω狼负责跟从。
在狩猎(寻优)的过程中,狼群的这三种层级并不是一成不变的,也会根据各个狼的适应度(fitness)进行调整,适应度最强的狼将会成为新的α狼,其次是β狼,依次类推。通过很多次的寻找猎物(寻优)中三个层级逐渐趋于稳定,这个时候我们取α狼的位置作为猎物(最优解)所处的位置。
本发明通过为配电网的各节点构建能够适应多电源投切的开关函数来分析和反映区段状态与开关状态之间的关联关系,进而能够实现对复杂多分支配电网进行简化并建立配电网层级模型,使得通过配电网层级模型进行故障定位时,只需要从FTU上传的故障信息中提取出各区域端口的故障电流信息即可,能够有效降低故障信息的处理维度,从而能够提高含分布式电源配电网故障定位的效率。同时,本发明在现有灰狼优化算法的位置更新模型中引入了交叉操作和变异操作,其中交叉操作能够增加迭代过后灰狼种群个体的多样性,变异操作能够提高灰狼种群的多样性,防止算法陷入局部最优,即改进灰狼优化算法的收敛速度和寻优精度更优,进而将收敛速度和寻优精度更优的改进灰狼优化算法用于层级划分后的配电网故障区域定位,能够极大的提高整个故障定位流程的准确性和稳定性,从而提高含分布式电源配电网故障定位的适应性。
具体实施过程中,对于含有分布式电源的配电网,线路某处发生故障时,电网中会出现多个方向的故障过电流,传统的编码方式不再适用。因此,本专利申请以配电网电源指向用户的方向为正方向:若FTU(Feeder Terminal Unit,馈线终端设备)检测到开关j的故障电流方向与正方向一致,则开关状态为Ij=1;若FTU检测到开关j的故障电流方向与正方向相反,则开关状态Ij=-1;若FTU在开关j未检测到故障电流,则开关状态Ij=0。
关于开关状态:
传统配电网中开关处仅包含两种信息,即存在故障电流和无故障电流,但DG的大量接入导致配电网的故障电流水平发生变化,由单向流动转变为双向流动。因此,电流编码方式需要进行改进,规定由主电源指向用户馈线的方向为正方向,否则为反方向。因此开关处编码信息存在三种情况即正向电流、无故障电流和反向电流,开关状态就是指故障电流方向与正方向的关系,主要是为确定是否有故障电流存在以及故障电流的方向。
根据前面的编码规则,确定每个开关的故障电流信息后,利用开关函数建立反映区段状态(定义:0无故障,1有故障)与开关状态之间的关联关系,用以实现开关故障电流越限信息与线路故障状态之间的转换。
本专利申请考虑了分布式电源接入后网络拓扑结构的变化,采用以下能够适应多个电源投切的开关函数:
式中:表示第j个开关的开关函数;/>表示第j个开关上、下半区线路的开关函数;Π表示逻辑或运算;Ku、Kd分别表示开关j上、下半区电源投切系数,若电源投入运行取1,反之取0;N1、N2分别表示上、下半区馈线区段的总数;M1、M2分别表示开关j的上、下半区电源总数;xjd、xju分别表示开关j到上、下半区所有馈线区段的状态值,当该区段发生故障时取值为1,反之为0;/>分别表示从第j号开关到上半区电源、下半区电源路径上所经过的馈线区段的状态值;d、u分别表示上下半区馈线区段的编号;S表示区段;
其中,以开关j为分界点将配电网分为两部分,其中包含配电网电源的部分称为开关j的上半区,另一部分称为开关j的下半区。
具体实施过程中,对配电网进行层级划分时,当一个区域发生单点或双重故障时,对其他区域的开关函数值影响不变,进而将每个区域对外等效成一个二端口,以生成对应的配电网层级模型。通过如下步骤构建配电网层级模型:
S201:将配电网中的所有分支进行编号;
S202:基于在某一分支上发生单点故障或双重故障时,对其余区域的开关函数无影响的特点:根据分支是否含有分布式电源,来将各个分支对外等效成一个无源或有源的二端口区域,并且靠近系统电源的节点等效为区域节点,分支中包含的所有区段等效为区域线路;
S203:构建的配电网层级模型第一层由所形成的二端口区域构成,第二层由每个二端口区域包含的区域节点构成,并且通过区域线路连接各个二端口区域和区域节点。
为了说明开关函数构造的合理性以及配电网层级模型的划分依据,以图2所示的T型结构的含DG配电网为例进行分析。
当故障区段分别为3、5、3和5、4和5时,区域一和区域三的开关函数分别为 由此可知,当一个区域发生单点或双重故障时,对其他区域的开关函数值影响不变。据此,可以将每个区域对外等效成一个二端口,根据建立的等效端口,进而将图2等效为如图3所示的简化的层级模型。划分区域后只需要从FTU上传的故障信息中提取出各区域端口故障电流信息,有效降低了故障信息处理的维度。
本发明通过为配电网的各节点构建能够适应多电源投切的开关函数来分析和反映区段状态与开关状态之间的关联关系,进而能够实现对复杂多分支配电网进行简化并建立配电网层级模型,使得通过配电网层级模型进行故障定位时,只需要从FTU上传的故障信息中提取出各区域端口的故障电流信息即可,能够有效降低故障信息的处理维度,从而能够进一步提高含分布式电源配电网故障定位的效率。
在确定开关函数之后,还需建立合适的评价函数实现故障区段定位。基于配电网各区域的开关函数结合构建的配电网层级模型来建立对应的评价函数。
通过如下公式表示评价函数:
式中:Fit(x)表示灰狼个体x的适应度值;Ih表示第h个区域的故障电流信息;表示第h个区域的开关函数;S表示区段;H表示配电网中区域总数;x(h)表示第h个区域的区域故障状态,发生故障时取1,反之取0;μ表示权重系数,取值为0.5。
具体实施过程中,在灰狼优化算法的位置更新模型中引入交叉操作和变异操作。
具体的,灰狼优化算法(GWO)是一种成熟算法,其模拟了自然界灰狼的领导和狩猎层级。在狼群中存在四种角色,α狼负责领导是最具有智慧的在狩猎当中可以敏锐的知道猎物的位置,β狼可以认为是军师比较具有智慧比较能知道猎物的位置,δ狼负责协助前两个层级的狼,最后是ω狼负责跟从。
在狩猎(寻优)的过程中,狼群的这三种层级并不是一成不变的,也会根据各个狼的适应度(fitness)进行调整,适应度最强的狼将会成为新的α狼,其次是β狼,依次类推。通过很多次的寻找猎物(寻优)中三个层级逐渐趋于稳定,这个时候我们取α狼的位置作为猎物(最优解)所处的位置。
原始灰狼算法,用α代表种群中的头狼,β代表副首领狼,δ代表普通狼,ω代表底层狼。求解优化问题时,设灰狼种群中的灰狼数目为G,第i只灰狼在d维搜索空间中的位置可表示为Xi=(xi1,Xi2,...,Xid)。将种群中历史最优个体记为α,次优个体记为β,第三优个体记为δ,其余个体记为ω。
由于在故障区段定位问题中,故障区段状态值仅存在两种状态0或1,需要将灰狼位置更新映射为二进制表示,因此通过如下公式表示改进灰狼优化算法的位置更新模型:
式中:sigmoid表示转换函数;rand表示内均匀分布的随机数;X(t+1)表示第t+1次迭代时,灰狼个体的位置;xd(t+1)表示灰狼个体在d维中经过t次迭代更新的位置;
1)交叉操作
为了增加迭代过后种群个体的多样性,对灰狼个体进行二项式的交叉操作,定义第i只灰狼个体的第d维交叉操作的公式为:
其中Cl=0.3×Fi,best;
式中:Fi,best表示相对适应度值;Fi表示第i只灰狼个体的适应度值;Fbest和Fworst分别表示当前迭代的最优适应度和最差适应度值;通过交叉操作,保证了当前的最优个体不会发生改变,交叉概率与相对适应度值成正比。
2)变异操作
为了进一步提高种群的多样性,防止算法陷入局部最优,在交叉操作后对灰狼个体进行变异操作,定义变异操作的公式为:
η=0.06×Fi,best
式中:表示变异操作后的灰狼个体位置;xgbest,d表示到当前为止的整个迭代过程中d维的最优个体;/>表示内均匀分布的随机数;/>和/>表示第q1、q2只灰狼个体的位置;η表示变异概率;其中q1,q2=1,2,...,G,G表示灰狼种群中灰狼个体的数目;q1≠q2≠i。若当前个体比当前全局最优个体适应度值更小,则将其取代当前全局最优个体。
具体的,从上传的故障信息中提取出各区域端口的故障电流信息进行故障区域的定位。
本专利申请的主要流程为:根据划分的层级模型和FTU上传的故障电流信息,先运用改进灰狼优化算法定位出故障区域,再运用穷举法在故障区域内搜索出故障区段。为了提高定位的准确性,将输出定位区段与区域定位结果进行比较,若一致则输出定位结果;否则返回区域定位,重新完成故障定位。
利用灰狼优化算法完成故障区段定位的过程就是实现故障电流信号与开关函数的最佳逼近过程。
需要说明的是,本专利申请中改进灰狼优化算法实现故障区域的定位步骤,与现有灰狼算法类似,本专利申请主要是增加了交叉操作和变异操作,关于灰狼优化算法若有不清楚的地方,可参考现有成熟的灰狼优化算法。
结合图4所示,改进灰狼优化算法通过如下步骤定位故障区域:
S401:根据配电网馈线区段的数量,设置改进灰狼优化算法的种群规模N和最大迭代次数,并在搜索空间中随机生成参数A和C;其中A表示收敛因子,C表示摆动因子;
具体的,收敛因子A用于平衡灰狼种群的全局搜索能力和局部开发能力,而且具有良好的寻优精度和收敛速度。摆动因子C是次等级狼围绕着最优的三个解α狼、β狼和δ狼的搜索距离权重。
S402:在搜索空间中产生初始化种群,即随机生成N个d维灰狼个体X1,X2,...,XN,每个灰狼个体均由0或1组成;
S403:按评价函数计算群体中每个灰狼个体的适应度值,将所有适应度值进行排序,选择并更新个体最优值Fbest;其中适应度值排列前3位的灰狼个体位置分别记为α、β、δ;
具体的,α、β、δ表示灰狼的社会等级模型,它们主要负责发起决策命令以及狩猎围捕猎物,并且各个等级的狼都需要服从高等级狼的决策命令,同时可支配低等级狼的活动。
α、β、δ等级由高到低,灰狼优化算法正是模拟了灰狼的等级制度和狩猎行为进行优化搜索。
S404:通过位置更新模型更新灰狼位置,并进行交叉操作和变异操作;
具体的,每一个灰狼在空间中的位置代表了空间中的可行解,每一轮会根据位置的优劣重新设定等级顺序,每一只灰狼会根据当前最优位置的灰狼,决定自己未来如何走位。
S405:判断改进灰狼优化算法是否达到最大迭代次数:若未达到,则返回步骤S403;若已达迭代最大值,则输出最优解,即故障区域。
本发明在现有灰狼优化算法的位置更新模型中引入了交叉操作和变异操作,其中交叉操作能够增加迭代过后灰狼种群个体的多样性,变异操作能够提高灰狼种群的多样性,防止算法陷入局部最优,即改进灰狼优化算法的收敛速度和寻优精度更优,进而将收敛速度和寻优精度更优的改进灰狼优化算法用于层级划分后的配电网故障区域定位,能够极大的提高整个故障定位流程的准确性和稳定性,从而提高含分布式电源配电网故障定位的适应性。
为了更好的说明本专利申请的优势,利用本专利申请的分布式配电网故障定位方法对30节点的复杂配电网进行区域划分,并建立图5所示的配电网层级模型。
假设配电网中仅有分布式电源DG2接入,分别在线路10发生单点故障和线路23、28发生双重故障,FTU上传信息无畸变。
在相同的运行环境下,输入相同的FTU上传的故障信息,采用遗传算法(GA)、粒子群算法(PSO)和改进的灰狼算法(改进GWO)分别仿真50次,得到的结果如图6所示。
结合图6可知,通过比较不同算法在含DG的配电网故障定位中的表现,能够分析出本专利申请的改进灰狼优化算法在处理故障区段定位问题中具有更快的收敛性以及更好的全局寻优能力,证明了本专利申请技术方案的有效性。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于,包括:
S1:为配电网的各节点构建能够适应多电源投切的开关函数;
S2:基于配电网各区域的开关函数分析各区域上区段状态和开关状态的关联关系,进而实现配电网的层级划分并生成对应的配电网层级模型;
S3:在灰狼优化算法的位置更新模型中引入交叉操作和变异操作,生成对应的改进灰狼优化算法;
S4:通过改进灰狼优化算法结合上传的故障信息在配电网层级模型中定位故障区域;
S5:从故障区域中搜索出对应的故障区段作为故障位置。
2.如权利要求1所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于,步骤S1中,通过如下公式表示开关函数:
式中:表示第j个开关的开关函数;/>表示第j个开关上、下半区线路的开关函数;Π表示逻辑或运算;Ku、Kd分别表示开关j上、下半区电源投切系数,若电源投入运行取1,反之取0;N1、N2分别表示上、下半区馈线区段的总数;M1、M2分别表示开关j的上、下半区电源总数;xjd、xju分别表示开关j到上、下半区所有馈线区段的状态值,当该区段发生故障时取值为1,反之为0;/>分别表示从第j号开关到上半区电源、下半区电源路径上所经过的馈线区段的状态值;d、u分别表示上下半区馈线区段的编号;S表示区段;
其中,以开关j为分界点将配电网分为两部分,其中包含配电网电源的部分称为开关j的上半区,另一部分称为开关j的下半区。
3.如权利要求2所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于:以配电网电源指向用户的方向为正方向:若开关j的故障电流方向与正方向一致,则开关状态为Ij=1;若开关j的故障电流方向与正方向相反,则开关状态Ij=-1;若开关j未检测到故障电流,则开关状态Ij=0。
4.如权利要求3所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于:步骤S2中,对配电网进行层级划分时,当一个区域发生单点或双重故障时,对其他区域的开关函数值影响不变,进而将每个区域对外等效成一个二端口,以生成对应的配电网层级模型。
5.如权利要求4所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于,通过如下步骤构建配电网层级模型:
S201:将配电网中的所有分支进行编号;
S202:基于在某一分支上发生单点故障或双重故障时,对其余区域的开关函数无影响的特点:根据分支是否含有分布式电源,来将各个分支对外等效成一个无源或有源的二端口区域,并且靠近系统电源的节点等效为区域节点,分支中包含的所有区段等效为区域线路;
S203:构建的配电网层级模型第一层由所形成的二端口区域构成,第二层由每个二端口区域包含的区域节点构成,并且通过区域线路连接各个二端口区域和区域节点。
6.如权利要求1所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于,步骤S3中,通过如下公式表示改进灰狼优化算法的位置更新模型:
式中:sigmoid表示转换函数;rand表示内均匀分布的随机数;X(t+1)表示第t+1次迭代时,灰狼个体的位置;xd(t+1)表示灰狼个体在d维中经过t次迭代更新的位置;
1)交叉操作
对灰狼个体进行二项式的交叉操作,定义第i只灰狼个体的第d维交叉操作的公式为:
其中Cl=0.3×Fi,best;
式中:Fi,best表示相对适应度值;Fi表示第i只灰狼个体的适应度值;Fbest和Fworst分别表示当前迭代的最优适应度和最差适应度值;
2)变异操作
在交叉操作后对灰狼个体进行变异操作,定义变异操作的公式为:
η=0.06×Fi,best
7.如权利要求6所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于,步骤S4中,改进灰狼优化算法通过如下步骤定位故障区域:
S401:根据配电网馈线区段的数量,设置改进灰狼优化算法的种群规模N和最大迭代次数,并在搜索空间中随机生成参数A和C;其中A表示收敛因子,C表示摆动因子;
S402:在搜索空间中产生初始化种群,即随机生成N个d维灰狼个体X1,X2,...,XN,每个灰狼个体均由0或1组成;
S403:按评价函数计算群体中每个灰狼个体的适应度值,将所有适应度值进行排序,选择并更新个体最优值Fbest;其中适应度值排列前3位的灰狼个体位置分别记为α、β、δ;
S404:通过位置更新模型更新灰狼位置,并进行交叉操作和变异操作;
S405:判断改进灰狼优化算法是否达到最大迭代次数:若未达到,则返回步骤S403;若已达迭代最大值,则输出最优解,即故障区域。
8.如权利要求7所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于:步骤S403中,基于配电网各区域的开关函数结合构建的配电网层级模型来建立对应的评价函数。
10.如权利要求9所述的基于改进灰狼优化算法的分布式配电网故障定位方法,其特征在于:步骤S5中,通过穷举法在故障区域内搜索、确定对应的故障区段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310176581.3A CN116223973A (zh) | 2023-02-28 | 2023-02-28 | 基于改进灰狼优化算法的分布式配电网故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310176581.3A CN116223973A (zh) | 2023-02-28 | 2023-02-28 | 基于改进灰狼优化算法的分布式配电网故障定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116223973A true CN116223973A (zh) | 2023-06-06 |
Family
ID=86588767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310176581.3A Pending CN116223973A (zh) | 2023-02-28 | 2023-02-28 | 基于改进灰狼优化算法的分布式配电网故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116223973A (zh) |
Cited By (3)
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 |
CN117368648A (zh) * | 2023-11-08 | 2024-01-09 | 国网四川省电力公司电力科学研究院 | 配电网单相接地故障检测方法、系统、设备和存储介质 |
CN117517862A (zh) * | 2023-11-08 | 2024-02-06 | 国网河北省电力有限公司电力科学研究院 | 配电网故障定位方法及装置 |
-
2023
- 2023-02-28 CN CN202310176581.3A patent/CN116223973A/zh active Pending
Cited By (5)
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 |
CN117368648A (zh) * | 2023-11-08 | 2024-01-09 | 国网四川省电力公司电力科学研究院 | 配电网单相接地故障检测方法、系统、设备和存储介质 |
CN117517862A (zh) * | 2023-11-08 | 2024-02-06 | 国网河北省电力有限公司电力科学研究院 | 配电网故障定位方法及装置 |
CN117517862B (zh) * | 2023-11-08 | 2024-06-04 | 国网河北省电力有限公司电力科学研究院 | 配电网故障定位方法及装置 |
CN117368648B (zh) * | 2023-11-08 | 2024-06-04 | 国网四川省电力公司电力科学研究院 | 配电网单相接地故障检测方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116223973A (zh) | 基于改进灰狼优化算法的分布式配电网故障定位方法 | |
CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN110554280B (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 | |
CN106131862B (zh) | 一种无线传感器网络中基于多目标进化算法的优化覆盖方法 | |
CN105469118B (zh) | 基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法 | |
CN108183502B (zh) | 促进分布式能源消纳的主动配电网重构方法 | |
CN104200096A (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
Sun | Application and improvement of xgboost algorithm based on multiple parameter optimization strategy | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
CN117151482A (zh) | 一种基于多目标优化的应急物资调度和路径规划方法 | |
CN111401659A (zh) | 一种基于案例推理的超短期或短期光伏发电功率预测方法 | |
Sun et al. | Dynamic Intelligent Supply-Demand Adaptation Model Towards Intelligent Cloud Manufacturing. | |
CN115879742B (zh) | 配电网改造方法、系统、电子设备及存储介质 | |
CN110189230B (zh) | 一种动态分区的解析化模型的构建方法 | |
CN108449208B (zh) | 一种针对分布式能源分层复杂网络优化方法 | |
CN105184383B (zh) | 基于智能优化方法的城市移动应急电源最优调度方法 | |
CN116070522A (zh) | 一种基于量子蚁群算法的配电网故障定位方法 | |
CN116520084A (zh) | 一种含源配电网故障定位方法、装置及存储介质 | |
Kuang | [Retracted] Prediction of Urban Scale Expansion Based on Genetic Algorithm Optimized Neural Network Model | |
Ming et al. | Exploring a promising region and enhancing decision space diversity for multimodal multi-objective optimization | |
Zhang et al. | Mechanical product ecological design knowledge reduction based on rough set | |
CN115081551A (zh) | 基于K-Means聚类和优化RVM线损模型建立方法及系统 | |
CN114742593A (zh) | 一种物流仓储中心优化选址方法及系统 | |
CN110752594B (zh) | 基于改进凝聚层次聚类法的配电网路径优化方法 |
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 |