CN116559590A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116559590A CN116559590A CN202310547605.1A CN202310547605A CN116559590A CN 116559590 A CN116559590 A CN 116559590A CN 202310547605 A CN202310547605 A CN 202310547605A CN 116559590 A CN116559590 A CN 116559590A
- Authority
- CN
- China
- Prior art keywords
- fault
- wolf
- algorithm
- positioning
- particle swarm
- 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
- 241000282461 Canis lupus Species 0.000 title claims abstract description 124
- 238000009826 distribution Methods 0.000 title claims abstract description 110
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 107
- 239000002245 particle Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000011144 upstream manufacturing Methods 0.000 claims description 25
- 238000005286 illumination Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 241000282421 Canidae Species 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 230000035699 permeability Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01R31/088—Aspects of digital computing
-
- 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
- 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)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了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，属于配电网自动化技术领域，具体方法如下：S1：利用粒子群灰狼混合算法生成初始解集，设定算法初始参数，读取配电开关监控终端上传的各节点的FTU状态信息；S2：利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级；S3：构建基于粒子群混合灰狼算法的高渗透率分布式光伏配电网故障区段定位模型；S4：基于定位模型和初始解集，计算算法参数更新个体灰狼位置。输出外层区域定位结果；S5：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的馈线自动化装置状态信息。利用粒子群灰狼算法区域内层区段进行故障定位；S6：校验内外层定位结果是否一致，若否则返回步骤四重新定位，若一致则检测是否到达最大迭代次数，否应返回步骤四重新定位，是则输出定位结果。本发明方法具有较高的定位精度和的定位效率，且具有一定容错性，能有效地定位各种工况下的高渗透率分布式光伏配电网的故障区段。
Description
技术领域
本发明涉及人工智能和配电网故障区段定位技术领域，具体涉及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。
背景技术
随着我国“碳达峰、碳中和”目标的提出及能源转型战略的不断推进，以光伏和风电为主的新能源装机容量逐年上升，其中分布式光伏的新增容量占比逐年增长。由于大规模的分布式光伏电源(Distributed-generation Photo Voltaic)接入配电网，配网的网络结构和潮流逐渐趋向大型化、复杂化，传统单源辐射型配网的故障定位方法已不适用。且因配网直接与用户相连，其安全稳定运行对生产生活至关重要，为满足高渗透率分布式光伏配网安全稳定运行的要求，亟需提出一种快速、精准且高效的故障区段定位方法。
随着人工智能技术的发展，许多学者对基于单一人工智能算法的故障区段定位方法进行了研究，该方法的优势在于对于配网中配电开关监控终端上报的故障信息存在畸变时仍定位准确，有一定的容错性。由于配网中分布式光伏渗透率提升和其出力具有波动性，网络潮流更加复杂，单一算法寻优能力不足，定位时易陷入局部最优。因此，对高渗透分布式光伏配网故障定位时，需将两种算法混合互补以避免“未成熟收敛”现象，提高算法的性能，并考虑分布式光伏接入情况、光照强度等因素对故障定位的影响。
发明内容
为解决上述问题，本发明提供了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。该方法包括以下步骤：
步骤S1：利用粒子群灰狼混合算法生成初始解集，设定算法初始参数，读取配电开关监控终端上传的各节点的FTU状态信息；
步骤S2：利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级；
步骤S3：构建基于粒子群混合灰狼算法的高渗透率分布式光伏配电网故障区段定位模型；
步骤S4：基于定位模型和初始解集，计算算法参数更新个体灰狼位置。输出外层区域定位结果；
步骤S5：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的FTU状态信息。利用粒子群灰狼算法区域内层区段进行故障定位；
步骤S6：校验内外层定位结果是否一致，若否则返回步骤四重新定位，若一致则检测是否到达最大迭代次数，否应返回步骤四重新定位，是则输出定位结果。
本发明与现有技术相比，具有以下优点：
本发明公开了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，提高了高渗透率分布式光伏配网故障区段定位的准确率，在保证定位准确的前提下，大大提高了定位速度，具有很好的实用性和应用价值。本发明针对单一智能算法故障定位时容易陷入局部最优，导致故障定位不准确，在分析光照强度不同对分布式光伏配网定位影响的前提下，通过构造新的故障分层定位模型及结合粒子群混合灰狼算法混合智能算法，提升了故障定位算法的性能，且具有较高的容错性。
附图说明
图1为本发明实施中一种基于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的流程图；
图2为本发明实施中高渗透率分布式光伏的IEEE33节点配电网；
图3为本发明实施中IEEE33节点配电网分层定位模型；
图4为本发明实施中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系统的结构框图。
具体实施方式
本发明提供了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，提高了故障定位的效率，能有效的定位各种工况下配网的故障区段。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种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，包括以下步骤：
步骤S1：利用粒子群灰狼混合算法生成初始解集，设定算法初始参数，读取配电开关监控终端上传的各节点的FTU状态信息；
步骤S2：利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级；
步骤S3：构建基于粒子群混合灰狼算法的高渗透率分布式光伏配电网故障区段定位模型；
步骤S4：基于定位模型和初始解集，计算算法参数更新个体灰狼位置。输出外层区域定位结果；
步骤S5：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的FTU状态信息。利用粒子群灰狼算法区域内层区段进行故障定位；
步骤S6：校验内外层定位结果是否一致，若否则返回步骤四重新定位，若一致则检测是否到达最大迭代次数，否应返回步骤四重新定位，是则输出定位结果。
在一个实施例中，上述步骤S1中利用二进制粒子群灰狼混合算法随机生成离散初始解集，设定种群个体数目50；最大迭代次数50；粒子速度范围为[-4,4]。读取并存储配电开关监控终端装置上传各节点FTU状态信息。
在一个实施例中，上述步骤S2：利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级，具体包括：
步骤S21：馈线和开关状态编码；为了实现故障定位，首先需要对馈线FTU状态信息进行编码，规定各区段馈线的运行状态有正常和故障两种状态，分别对应编码信息0和1，0则表示该区段状态正常，1示该区段出现了故障；
其次对开关状态编码，首先需要规定电流流过开关节点的正方向为由主电源指向用户馈线方向，之后利用配电开关监控终端检测小电流接地系统发生接地故障产生的零序电流的功能将发生接地故障时的零序突变量滤波处理，获得可辨识的暂态零序电流，由各FTU装置读取电流与电压夹角是否大于本段设定角度判据，判定电流正向或反向流动，由流过电流值是否大于整定值判据，判定故障电流存在或无故障电流，此时根据开关节点是否流过暂态零序故障电流和电流方向对开关节点的开关状态进行编码，如下式：
其中，Iλ为故障电流信息编码。
步骤S22：构造适应不同光照条件下分布式光伏接入配网的开关函数；开关函数是通过线路的故障状态反映开关设备的故障电流信息的一种转换函数，若光照强度较高，光伏输出的故障电流超过配电开关监控终端整定阈值，此时将此分布式光伏考虑进开关函数的模型。若光照强度较低，其提供的故障电流会明显减少，无法达到配电开关监控终端整定阈值，光伏输出的故障电流应被屏蔽，此时不能将此分布式光伏考虑进开关函数中，具体构造开关函数步骤如下：
1)构建开关函数时，应以开关节点为分断点，将网络分成两部分，包含主电源的为上半部分，对应馈线和电源分别为上游馈线和上游电源，其他的为下半部分；
2)上游开关函数Iλu *如下：
3)上游开关函数Iλd *如下：
4)开关函数如下：
其中，Iλu *表示节点λ的上游开关状态期望值，下标u表示上游；Iλd *表示节点λ下游开关状态期望值，下标d表示下游；Iλ *表示节点λ开关状态期望值；MS为上游电源数目，下标S表示电源；NS为下游电源数目；ML为上游全部馈线的数目，下标L表示馈线；NL为下游全部馈线的数目；Su表示上游电源；Sd表示下游电源；表示从开关节点λ到上游电源Su之间路径上馈线的FTU状态信息；/>表示从开关节点λ到下游电源Sd之间路径上馈线的FTU状态信息；Π表示逻辑或；xλ,d表示节点λ上游馈线的FTU状态信息；xλ,u表示节点λ下游馈线的FTU状态信息；Ku和Kd分别表示上游电源和下游电源的投切信息，电源接入取1，电源切出取0；Ru和Rd分别为上游电源和下游电源的故障电流屏蔽系数，受光照强度影响，光伏电源在较高光照强度下输出高于配电开关监控终端整定阈值的故障电流则屏蔽系数为1，否则为0，系统电源屏蔽系数为1。通过在公式中增加光伏屏蔽系数Rd，使得模型可以精准确定不同光照强度下光伏并入配网的开关状态期望。
步骤S23：构造评价函数；为了衡量由配电开关监控终端上传实际的故障信息与开关函数推导的开关状态期望信息的差异，需构造评价函数，利用实际开关状态和期望开关状态的差异，结合故障诊断理论“最小集”概念，构造评价函数如下：
式中xi代表馈线区段iFTU状态信息；M和N分别为开关和馈线总数；k代表故障馈线权重系数，在多源配电网中，通常取值为0.5。加入该项综合考虑了信息畸变情况和故障数目大小，可避免一值多解。当评价函数值为最小值时，表示配电开关监控终端上传的故障信息与期望状态值匹配，可定位出故障区段。
步骤S24：利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级；狼群等级狼群中具有四个等级制度，分别为：α、β、δ和ω。其中，适应度最优的α为头狼，适应度次优的β狼为副首领，适应度第三的δ狼为干部狼，其余为ω狼，：
在一个实施例中，上述步骤S3：构建基于粒子群混合灰狼算法的高渗透率分布式光伏配电网故障区段定位模型，具体包括：
步骤S31：灰狼算法的二进制处理；使用sigmoid函数将连续的灰狼个体位置压缩到离散空间内，sigmoid函数如下：
压缩映射后的灰狼位置为
其中X1、X2和X3分别为ω狼追随α、β和δ移动的向量；X为压缩映射后的灰狼位置；rand为[0,1]区间内的随机数；s(X)为概率密度。
步骤S32：同时，为平衡全局搜索能力和局部开发能力，混合算法引入惯性因数ω来协调两者关系，惯性因数取值范围为[0.5,1]；粒子群灰狼混合算法的速度迭代公式如下：
Vε(t+1)＝ω·[Vε(t)+C1r1(X1(t)-Xε(t))
+C2r2(X2(t)-Xε(t))+C3r3(X3(t)-Xε(t))]
粒子群灰狼混合算法的位置迭代公式如下：
其中r1、r2和r3为介于[0,1]之间的随机数；ω为可调节的惯性因数取值范围为[0,1]；C1、C2和C3为收敛因数，Vε(t+1)为个体速度，Xε(t+1)为个体位置，ε为粒子名称。
步骤S33：构建分层模型；依据二端口对外等效模型，将网络划分为7个区域，降低算法搜索维度，提高计算速度。
在一个实施例中，上述步骤S3中，构建的粒子群混合灰狼算法分层模型由外层区域定位模型和内层区段定位模型构成，7个等效区域和区域端节点构成外层区域定位模型；区域内部的节点与馈线区段构成内层区段定位模型，具体包括：
区域一包含节点1；区域二包含节点2；区域三包含节点3-11；区域四包含节点12-18；区域五包含节点19-21；区域六包含节点22-24；区域七包含节点25-33；
图2为本发明实施中示例高渗透率分布式光伏的IEEE33节点配电网；
图3为本发明实施中示例高渗透率分布式光伏的IEEE33节点配电网分层模型。
在一个实施例中，上述步骤S4：基于定位模型和初始解集，计算算法参数更新个体灰狼位置。输出外层区域定位结果，具体包括：
步骤S41：计算算法参数；具体如下：
步骤S411：狼群搜索并包围猎物；
首先计算收敛因数A和C，如下式：
A＝2·a·r2-a
C＝2·r1
式中，r1和r2为[0,1]区间的随机数；a为从2到0递减的非线性收敛因子；
步骤S412：种群搜索并包围猎物；狼群抓捕猎物时，ω狼会配合α、β和δ狼围堵猎物，其位置更新公式如下：
式中Dα、Dβ和Dδ分别为ω狼与α、β和δ狼的距离；Xα(t)、Xβ(t)和Xδ(t)分别为α、β和δ狼的的位置；X1(t)、X2(t)和X3(t)分别为ω狼追随α、β和δ移动的向量；
步骤S413：确认猎物位置，抓获猎物；粒子群灰狼混合算法的速度和位置迭代公式分别如下式：
Vε(t+1)＝φ·[Vε(t)+C1r1(X1(t)-Xε(t))
+C2r2(X2(t)-Xε(t))+C3r3(X3(t)-Xε(t))]
其中r1、r2和r3为介于[0,1]之间的随机数；φ为可调节的惯性因数取值范围为[0,1]；C1、C2和C3为收敛因数，Vε(t+1)为个体速度，Xε(t+1)为个体位置。
步骤S42：对外层区域故障定位；具体如下：
由区域数设定算法维数为7，最大迭代次数为50。读取区域端节点1,2,3,12,19,22,25的配电开关监控终端FTU状态信息，依照判据自动判定生成配电网的配电开关监控终端状态信息向量，利用算法生成离散的50×7矩阵，矩阵中仅包含0和1两种状态，分别对应区域内是或否存在故障，开始第一次迭代，利用开关函数将初始解集中馈线状态转换为开关期望状态，再利用评价函数计算适应度，之后利用适应度划分狼群等级，选出α、β、δ和ω狼，按照步骤S41所示，计算出当前猎物位置，开始第二次迭代，利用第一次迭代中猎物位置，更新算法参数以及各狼的速度以及位置，记录α狼位置和适应度值，反复迭代，直到最大迭代次数，停止迭代，此时的α狼位置为各个区域状态，位置为一个1×7的离散矩阵，离散矩阵中，值为1代表故障，0代表正常。若值为[0,0,0,1,0,1,0]则代表区域四和区域六发生故障。
在一个实施例中，上述步骤S5：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的FTU状态信息。利用粒子群灰狼算法区域内层区段进行故障定位；具体包括：
步骤S51：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的FTU状态信息；若区域定位结果为[0,0,0,1,0,1,0]，则读取区域四和区域六内各个区段的的FTU状态信息。
步骤S52：利用粒子群灰狼算法区域内层区段进行故障定位，区域四的区段数为七，区域五的区段数为三，则分别设置算法维数为7和3，按照步骤S42的方法，对内层进行故障区段定位：区域四定位结果为一个1×7的离散矩阵，区域六定位结果为一个1×3的离散矩阵，离散矩阵中，值为1代表故障，0代表正常。
在一个实施例中，上述步骤S6：校验内外层定位结果是否一致，若否则返回步骤S4重新定位，若一致则检测是否到达最大迭代次数，否应返回步骤S4重新定位，是则首先确定故障区域，再确定故障区域中故障区段，按照区域区段对应表，定位出具体的故障区段。
本发明公开了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，能有效的定位各种工况下的故障区段，具有很好的实用性和泛化能力。本发明通过采用分层模型和粒子群混合灰狼算法算法，降低了算法搜索维度，采用粒子群算法混合灰狼算法，使得灰狼位置具有记忆性，大大提升了定位算法的性能，使模型具有更高的泛化性与鲁棒性。
实施例二
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，其特征在于，计算机中的可读存储介质中存储有预设程序，当计算机程序被处理器执行时，该处理器可执行如权利要求1-8所述的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，通过配电开关监控终端装置采集配网中故障信息，上传到配电主站后与与电脑同步信号的接收、利用分层定位模型，通过粒子群混合灰狼算法算法生成初始可行解集后寻优以实现故障区段定位。
实施例三
如图4所示，本发明实施例提供了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，其特征在于，包括以下模块：
获取原始数据集模块B1，利用配电开关监控终端装置采集开关处电气量的FTU状态信息；
预处理模块B2，利用粒子群混合灰狼算法算法生成初始线路状态可行解，根据高渗透率分布式光伏配电网拓扑信息，生成期望开关函数以构建线路状态与开关节点电流联系
粒子群混合灰狼算法算法模块B3，将二进制粒子群算法和二进制灰狼算法混合，形成一种粒子群混合灰狼算法，改进位置和速度更新公式，提升原始算法性能；
设置模块B4，加载惯性因数，粒子速度范围，最大迭代次数，维度等，以使模型的精确性达到最优
分层定位模块B5，使用对外等效定则对配网拓扑处理，生成双层定位模型，包括外层区域定位模型和内层区段定位，减少算法计算量，提高定位速度；
校验和定位模块B6，逻辑校验内外层定位结果是否一致，迭代次数校验是否以到达预设值，避免因配电开关监控终端信息误报产生的定位错误，提高定位精度，准确定位故障区段。。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
以上实施方式只是用于说明本发明的目的，而不是对其范围进行限定。应当指出，在不脱离发明原则的情况下进行的多种等价替代和改进都应当包括在本发明的保护范围内。
Claims (10)
1.一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，其特征在于，包括以下步骤：
步骤S1：利用粒子群灰狼混合算法生成初始解集，设定算法初始参数，读取配电开关监控终端上传的各节点的馈线自动化装置(Feeder Terminal Unit)状态信息，包括电流以及电压幅值及相位角；
步骤S2：利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级；
步骤S3：构建基于粒子群混合灰狼算法的高渗透率分布式光伏配电网故障区段定位模型；
步骤S4：基于定位模型和初始解集，计算算法参数更新个体灰狼位置。输出外层区域定位结果；
步骤S5：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的FTU状态信息。依照判据自动判定生成配电网的配电开关监控终端状态信息向量，利用粒子群灰狼算法区域内层区段进行故障定位；
步骤S6：校验内外层定位结果是否一致，若否则返回步骤四重新定位，若一致则检测是否到达最大迭代次数，否应返回步骤四重新定位，是则输出定位结果。
2.根据权利要求1所述的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，其特征在于，所述步骤S2中，利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级，具体包括：
步骤S21：对馈线和开关状态进行编码；为了实现故障定位，首先需要对馈线FTU状态信息进行编码，规定各区段馈线的运行状态有“正常”和“故障”两种状态，分别对应编码信息0和1。0则表示该区段状态正常，1示该区段出现了故障；
其次对开关状态编码，首先需要规定电流流过开关节点的正方向为由主电源指向用户馈线方向，之后利用配电开关监控终端检测小电流接地系统发生接地故障产生的零序电流的功能将发生接地故障时的零序突变量滤波处理，获得可辨识的暂态零序电流，由各FTU装置读取电流与电压夹角是否大于本段设定角度判据，判定电流正向或反向流动，由流过电流值是否大于整定值判据，判定故障电流存在或无故障电流，此时根据开关节点是否流过暂态零序故障电流和电流方向对开关节点的开关状态进行编码，如下式：
其中，Iλ为故障电流信息编码。
步骤S22：构造适应不同光照条件下分布式光伏接入配网的开关函数；若光照强度较高，光伏输出的故障电流超过配电开关监控终端整定阈值，此时将此分布式光伏考虑进开关函数的模型。若光照强度较低，故障时其提供的故障电流无法达到配电开关监控终端整定阈值，光伏输出的故障电流被屏蔽，此时不能将此分布式光伏考虑进开关函数中，具体构造步骤如下：
1)构建开关函数时，应以开关节点为分断点，将网络分成两部分，包含主电源的为上半部分，对应馈线和电源分别为上游馈线和上游电源；其他的为下半部分；
2)上游开关函数Iλu *如下：
3)上游开关函数Iλd *如下：
4)开关函数如下：
其中，Iλu *表示节点λ的上游开关状态期望值，下标u表示上游；Iλd *表示节点λ下游开关状态期望值，下标d表示下游；Iλ *表示节点λ开关状态期望值；MS为上游电源数目，下标S表示电源；NS为下游电源数目；ML为上游全部馈线的数目，下标L表示馈线；NL为下游全部馈线的数目；Su表示上游电源；Sd表示下游电源；表示从开关节点λ到上游电源Su之间路径上馈线的FTU状态信息；/>表示从开关节点λ到下游电源Sd之间路径上馈线的FTU状态信息；Π表示逻辑或；xλ,d表示节点λ上游馈线的FTU状态信息；xλ,u表示节点λ下游馈线的FTU状态信息；Ku和Kd分别表示上游电源和下游电源的投切信息，电源接入取1，电源切出取0；Ru和Rd分别为上游电源和下游电源的故障电流屏蔽系数，受光照强度影响，光伏电源在较高光照强度下输出高于配电开关监控终端整定阈值的故障电流则屏蔽系数为1，否则为0，系统电源屏蔽系数为1。通过在公式中增加光伏屏蔽系数Rd，使得模型可以精准确定不同光照强度下光伏并入配网的开关状态期望。
步骤S23：构造评价函数；为了衡量由配电开关监控终端上传实际的故障信息与开关函数推导的开关状态期望信息的差异，需构造评价函数，利用实际开关状态和期望开关状态的差异，结合故障诊断理论“最小集”概念，构造评价函数如下：
式中xi代表馈线区段iFTU状态信息；M和N分别为开关和馈线总数；k代表故障馈线权重系数，在多源配电网中，通常取值为0.5。加入该项综合考虑了信息畸变情况和故障数目大小，可避免一值多解。当评价函数值为最小值时，表示配电开关监控终端上传的故障信息与期望状态值匹配，可定位出故障区段。
3.根据权利要求1所述的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，其特征在于，所述步骤S2包括：利用评价函数计算各灰狼个体适应度，并依照适应度划分狼群等级，具体包括：
狼群等级狼群中具有四个等级制度，分别为：α、β、δ和ω。其中，适应度最优的α为头狼，适应度次优的β狼为副首领，适应度第三的δ狼为干部狼，其余为ω狼。
4.根据权利要求1所述的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，其特征在于，所述步骤S3：构建基于粒子群混合灰狼算法的高渗透率分布式光伏配电网故障区段定位模型，具体包括：
步骤S31：灰狼算法的二进制处理；使用sigmoid函数将连续的灰狼个体位置压缩到离散空间内，sigmoid函数如下：
压缩映射后的灰狼位置为
其中X1、X2和X3分别为ω狼追随α、β和δ移动的向量；X为压缩映射后的灰狼位置；rand为[0,1]区间内的随机数；s(X)为概率密度。
步骤S32：同时，为平衡全局搜索能力和局部开发能力，混合算法引入惯性因数φ来协调两者关系，惯性因数取值范围为[0.5,1]；粒子群灰狼混合算法的速度迭代公式如下：
Vε(t+1)＝φ·[Vε(t)+C1r1(X1(t)-Xε(t))+C2r2(X2(t)-Xε(t))+C3r3(X3(t)-Xε(t))]
粒子群灰狼混合算法的位置迭代公式如下：
其中r1、r2和r3为介于[0,1]之间的随机数；φ为可调节的惯性因数取值范围为[0,1]；C1、C2和C3为收敛因数，Vε(t+1)为个体速度，Xε(t+1)为个体位置，ε为粒子名称。
步骤S33：配电网节点数目多，为了降低算法搜索维度，提高计算速度，需构建配电网分层定位模型。依据二端口对外等效模型，故障在本区域内，无论是发生单重故障或者双重故障，对其他区域内节点的开关函数影响相同，将配电网每条支路对外等效为二端口，支路内所有节点等效为一个“区域节点”，支路内所有区段等效为一个“广义区段”即“区域”。将原始配电网降维解构成为“区域节点”和“广义区段”的外层模型。每一个区域对应一条支路，域内节点对应支路内节点，域内端节点对应支路网侧首节点。
5.根据权利要求1所述的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，其特征在于，所述步骤S3中，构建的粒子群混合灰狼算法分层模型，由外层区域定位模型和内层区段定位模型构成，等效区域和区域端节点构成外层区域定位模型；区域内部的节点与馈线区段构成内层区段定位模型。
6.根据权利要求1所述的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，其特征在于，所述步骤S4：基于定位模型和初始解集，计算算法参数，更新个体灰狼位置，输出外层区域定位结果。具体包括：
步骤S41：计算算法参数；
步骤S42：对外层区域故障定位；具体如下：
划分区域后，由区域数设定算法维数，设定算法最大迭代次数，粒子数目均为50。读取区域端节点的配电开关监控终端FTU状态信息，依照判据自动判定生成配电网的配电开关监控终端状态信息向量，利用算法生成离散的初始线路状态信息矩阵，矩阵中仅包含0和1两种状态，分别对应区域内是或否存在故障，开始第一次迭代，利用开关函数将初始解集中馈线状态转换为开关期望状态，再利用评价函数计算适应度，之后利用适应度划分狼群等级，选出α、β、δ和ω狼，按照步骤S41所示，计算出当前猎物位置，开始第二次迭代，利用第一次迭代中猎物位置，更新算法参数以及各狼的速度以及位置，记录α狼位置和适应度值，反复迭代，，直到最大迭代次数，停止迭代。此时的α狼位置为各个区域状态，位置为一个的离散矩阵。离散矩阵中，值为1代表故障，0代表正常。
7.根据根据权利要求1所述的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，所述步骤S41，其特征在于：计算算法参数，具体为，
步骤S411：狼群搜索并包围猎物；
首先计算收敛因数A和C，如下式：
A＝2·a·r2-a
C＝2·r1
式中，r1和r2为[0,1]区间的随机数，A为从2到0递减的非线性收敛因子；
步骤S412：种群搜索并包围猎物；狼群抓捕猎物时，ω狼会配合α、β和δ狼围堵猎物，其位置更新公式如下：
式中Dα、Dβ和Dδ分别为ω狼与α、β和δ狼的距离；Xα(t)、Xβ(t)和Xδ(t)分别为α、β和δ狼的的位置；X1(t)、X2(t)和X3(t)分别为ω狼追随α、β和δ移动的向量；
步骤S413：确认猎物位置，抓获猎物；粒子群灰狼混合算法的速度和位置迭代公式分别如下式：
Vε(t+1)＝φ·[Vε(t)+C1r1(X1(t)-Xε(t))+C2r2(X2(t)-Xε(t))+C3r3(X3(t)-Xε(t))]
其中，Vε(t+1)为个体速度，Xε(t+1)为个体位置。
8.根据权利要求1所述的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，其特征在于，所述步骤S5：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的FTU状态信息。利用粒子群灰狼算法区域内层区段进行故障定位，具体包括：
步骤S51：根据外层定位结果，读取故障区域内各开关节点配电开关监控终端上传的FTU状态信息；若区域定位结果信息为1，则读取对应区域内各个区段的的FTU状态信息。
步骤S52：利用粒子群灰狼算法区域内层区段进行故障定位，按照不同区域内区段，自动设定内层区段定位子程序算法维数，按照步骤S42的方法，对内层进行故障区段定位：得到定位结果后，依据外层区域定位结果与内层区段定位结果是否均在同一区域，判定定位结果有效性，若一致则导出定位故障区段，若不一致则返回步骤S4，重新进行故障定位。在定位结果离散矩阵中，值为1代表故障，0代表正常。
9.一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，其特征在于，计算机中的可读存储介质中存储有预设程序，当计算机程序被处理器执行时，该处理器可执行如权利要求1-8所述的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，通过配电开关监控终端装置采集配网中故障信息，上传到配电主站后与与电脑同步信号的接收、利用分层定位模型，通过粒子群混合灰狼算法算法生成初始可行解集后寻优以实现故障区段定位。
10.一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，其特征在于，包括以下模块：
获取原始数据集模块，利用配电开关监控终端装置采集开关处电气量的FTU状态信息；
预处理模块，利用粒子群混合灰狼算法算法生成初始线路状态可行解，根据高渗透率分布式光伏配电网拓扑信息，生成期望开关函数以构建线路状态与开关节点电流联系
粒子群混合灰狼算法算法模块，将二进制粒子群算法和二进制灰狼算法混合，形成一种粒子群混合灰狼算法，改进位置和速度更新公式，提升原始算法性能；
设置模块，加载惯性因数，粒子速度范围，最大迭代次数，维度等，以使模型的精确性达到最优
分层定位模块，使用对外等效定则对配网拓扑处理，生成双层定位模型，包括外层区域定位模型和内层区段定位，减少算法计算量，提高定位速度；
校验和定位模块，逻辑校验内外层定位结果是否一致，迭代次数校验是否以到达预设值，避免因配电开关监控终端信息误报产生定位错误，提高定位精度，准确定位故障区段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310547605.1A CN116559590A (zh) | 2023-05-16 | 2023-05-16 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310547605.1A CN116559590A (zh) | 2023-05-16 | 2023-05-16 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116559590A true CN116559590A (zh) | 2023-08-08 |
Family
ID=87487549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310547605.1A Pending CN116559590A (zh) | 2023-05-16 | 2023-05-16 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116559590A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117270546A (zh) * | 2023-11-22 | 2023-12-22 | 宁德思客琦智能装备有限公司 | 一种智能多目标机器人路径规划方法 |
| 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 |
-
2023
- 2023-05-16 CN CN202310547605.1A patent/CN116559590A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117270546A (zh) * | 2023-11-22 | 2023-12-22 | 宁德思客琦智能装备有限公司 | 一种智能多目标机器人路径规划方法 |
| CN117270546B (zh) * | 2023-11-22 | 2024-03-05 | 宁德思客琦智能装备有限公司 | 一种智能多目标机器人路径规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107506854B (zh) | 一种考虑差异化场景的220kV电网网架结构规划方法 | |
| CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| CN112398678B (zh) | 适用于多源异构电网的运行方式拓扑结构特征提取方法 | |
| Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
| Li et al. | A stratified method for large-scale power system transient stability assessment based on maximum relevance minimum redundancy arithmetic | |
| CN116154855A (zh) | 基于分布式发电孤岛运行方式的智能配电网供电恢复方法 | |
| Su et al. | An optimized algorithm for optimal power flow based on deep learning | |
| Li et al. | A robust fault location method for active distribution network based on self-adaptive switching function | |
| Li et al. | A comprehensive method for fault location of active distribution network based on improved matrix algorithm and optimization algorithm | |
| Jia et al. | Voltage stability constrained operation optimization: An ensemble sparse oblique regression tree method | |
| Liu et al. | Review of grid stability assessment based on AI and a new concept of converter-dominated power system state of stability assessment | |
| Reddy et al. | Stability constrained optimal operation of standalone DC microgrids considering load and solar PV uncertainties | |
| CN110492470A (zh) | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 | |
| CN112485587B (zh) | 一种含分布式光伏配电网故障区段分层定位方法 | |
| Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
| Srivastava et al. | Parallel self-organising hierarchical neural network-based fast voltage estimation | |
| Qi | Operation ControlMethod of Relay Protection in Flexible DC Distribution Network Compatible with Distributed Power Supply. | |
| Zhao et al. | Fault section location for distribution network containing DG based on IBQPSO | |
| Wu et al. | A MOPSO based faulty section location method for distribution networks with PVs | |
| Hong et al. | Deep-Learning-Assisted Topology Identification and Sensor Placement for Active Distribution Network | |
| Jin et al. | Research on Equivalent Modeling Method of AC-DC Power Networks Integrating with Renewable Energy Generation. | |
| Wang et al. | Short-Term Wind Power Prediction Based on Variable Selection and MI-GCN Network | |
| CN117992879A (zh) | 一种基于人工智能的低压配电网阻抗参数辨识方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |