CN116819235A - 含分布式电源的配电网故障定位方法及系统 - Google Patents

含分布式电源的配电网故障定位方法及系统 Download PDF

Info

Publication number
CN116819235A
CN116819235A CN202310910191.4A CN202310910191A CN116819235A CN 116819235 A CN116819235 A CN 116819235A CN 202310910191 A CN202310910191 A CN 202310910191A CN 116819235 A CN116819235 A CN 116819235A
Authority
CN
China
Prior art keywords
fault
solution set
switch
current
solution
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
Application number
CN202310910191.4A
Other languages
English (en)
Inventor
杨剑
李俊乐
钱武
王挺
胡鑫
蒋嘉栋
曹勋国
黄震
姚奕
童兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Power Transmission And Transformation Engineering Co ltd
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Original Assignee
Hunan Power Transmission And Transformation Engineering Co ltd
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Power Transmission And Transformation Engineering Co ltd, State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd filed Critical Hunan Power Transmission And Transformation Engineering Co ltd
Priority to CN202310910191.4A priority Critical patent/CN116819235A/zh
Publication of CN116819235A publication Critical patent/CN116819235A/zh
Pending legal-status Critical Current

Links

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

本发明公开了一种含分布式电源的配电网故障定位方法，包括获取目标配电网的数据信息和FTU实时反馈的数据信息；初始化解集和参数；计算当前解集的适应度函数值；计算广义收敛性指标；对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集；完成含分布式电源的配电网故障定位。本发明还公开了一种实现所述含分布式电源的配电网故障定位方法的系统。本发明通过引入不同的搜索状态和对应的搜索状态转换规则，利用搜索状态各自的优势，以最优解与潜在故障区域解集为指导，实现潜在全局最优解区域的快速定位和在最优解邻域与故障区域解集邻域内快速收敛；因此本发明的可靠性更高，精确性更好，而且定位速度更快。

Description

含分布式电源的配电网故障定位方法及系统
技术领域
本发明属于电气自动化领域，具体涉及一种含分布式电源的配电网故障定位方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
分布式电源(Distributed Generation，DG)是指在配电网中接入的小型发电设备，如风力发电、太阳能发电等。这些设备的接入改变了传统配电网的单向供电模式，使得配电网的电力流动方向变得更加复杂。
传统的配电网故障定位方法主要基于电流、电压等电气参数的测量值，通过比较正常状态和故障状态下的参数变化来确定故障位置。然而，由于分布式电源的接入，配电网的电力流动方向和电气参数的分布可能会发生变化，这使得传统的故障定位方法可能无法准确地找到故障点。
随着馈线终端单元(Feeder Terminal Unit，FTU)在配电网中的应用越来越广泛，研究人员开始利用其上传的故障信息进行故障区段的定位。目前，常用的基于FTU检测到的故障电流信息进行配电网故障定位的方案，往往采用基于蚁群和粒子群混合算法、免疫算法、改进的灰狼算法的故障定位方法来进行配电网的故障定位。但是，目前常用的故障定位方案，往往都存在循环求解过程中陷入局部最优解的问题，从而使得目前的故障定位方案的可靠性不高、精确性较差。
发明内容
本发明的目的之一在于提供一种可靠性高、精确性好且定位速度快的含分布式电源的配电网故障定位方法。
本发明的目的之二在于提供一种实现所述含分布式电源的配电网故障定位方法的系统。
本发明提供的这种含分布式电源的配电网故障定位方法，包括如下步骤：
S1.获取目标配电网的数据信息和FTU实时反馈的数据信息；
S2.初始化解集和参数；
S3.根据步骤S1获取的数据信息和步骤S2的初始化结果，计算当前解集的适应度函数值；
S4.计算广义收敛性指标；
S5.根据步骤S4计算得到的广义收敛性指标，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集；
S6.根据步骤S5得到的解集，完成含分布式电源的配电网故障定位。
步骤S2所述的初始化解集和参数，具体包括如下步骤：
初始化解集中的解数量和最大迭代次数；同时设置迭代次数初始值为1；搜索状态初始化为全局搜索。
步骤S3所述的计算当前解集的适应度函数值，具体包括如下步骤：
采用如下算式计算得到当前解集的适应度函数值f(L*)：
式中N为当前解集中解的总数；Si为第i个开关的开关状态，且FTU检测到开关i的故障电流方向与规定正方向一致则Si＝1，FTU检测到开关i的故障电流方向与规定正方向相反则Si＝-1，FTU未检测到开关i的故障电流则Si＝0；w为设定的权重系数；M为故障馈线总数；lN *为当前解集L*对应的馈线N的状态，若馈线状态为正常则取值为0，馈线状态为故障则取值为1；Si *(l1 *…lN *)为当前解集L*对应的开关i的状态函数值且Si *(l1 *…lN *)＝Si_up *(l1 *…lN *)-Si_down *(l1 *…lN *)，Si_up *(l1 *…lN *)为当前解集L*对应的开关i的上半区开关状态函数且u为开关i的上半区馈线区段总数，M为开关i的上半区电源总数，Kup为开关i的上半区电源投切系数，若开关i的上半区电源投入运行则Kup＝1，若开关i的上半区电源未投入运行则Kup＝0，Si_down *(l1 *…lN *)为当前解集L*对应的开关i的下半区开关状态函数且U为开关i的下半区馈线区段总数，m为开关i的下半区电源总数，Kdown为开关i的下半区电源投切系数，若开关i的下半区电源投入运行则Kdown＝1，若开关i的下半区电源未投入运行则Kdown＝0；以开关i为分界点将目标配电网分为两部分，其中包括电网电源的部分为开关i的上半区，不包括电网电源的部分为开关i的下半区。
步骤S4所述的计算广义收敛性指标，具体包括如下步骤：
采用如下算式计算得到当前解集的广义收敛性指标CGI：
式中davg为解集中相邻两个最优解之间的平均区分度且n为解集中解的数量，dij为解集间的区分度且dij＝|f[(Li *)t]-f[(Lj *)t]|，f[(Li *)t]为(Li *)t的适应度函数值，(Li *)t为第t代解集中的第i个解。
步骤S5所述的根据步骤S4计算得到的广义收敛性指标，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集，具体包括如下步骤：
A.对步骤S4计算得到的广义收敛性指标CGI进行判断：
若CGI＜ε且t＞k*tmax，则对目标配电网进行等效区域划分，并在每个区域内对开关故障电流的越限信息进行预处理，然后转到步骤C；
否则，转到步骤B；
其中，所述的等效区域划分，具体为：在目标配电网中，当一个区域发生单点或双重故障时，不会导致区域外的开关所对应的开关状态函数发生改变，则将该区域作为一个等效区域；所述的预处理，具体为：从FTU上传的数据信息中，提取得到各个等效区域端口处的开关数据信息；
B.保持搜索状态为全局搜索状态；采用如下公式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F：
式中为第t代解集中第i个解所对应的轨迹向量；/>为第t代解集中的第i个解；β为调整参数，且取值为0～1；λ3为第三随机数，λ4为第四随机数，且λ3和λ4均服从标准正态分布；v1为第一跟踪向量且计算公式为v2为第二跟踪向量且计算公式为p1、p2和p3为从1～n中随机选取的整数，且满足p1≠p2≠p3≠i；
C.根据步骤A得到的结果，判断是否存在故障区域Dfault：
若不存在故障区域Dfault，则转到步骤D；
若存在故障区域Dfault，则确定故障区域内线路故障时随影的线路故障状态，并将对应的故障区域解放入故障区域解集中，转到步骤E；
所述的故障区域Dfault，定义为：对目标配电网进行等效区域划分，得到m个区域D1～Dm；在每个区域内，对FTU反馈的开关故障电流越限信息进行计算，若存在区域满足S1⊙S2⊙...⊙Sn＝1则将该区域作为故障区域Dfault，若存在区域满足S1⊙S2⊙...⊙Sn＝0则将该区域作为正常区域De，其中S1～Sn为该区域内所有开关的开关状态变量；
D.将搜索状态转换为局部搜索状态；采用如下算式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F；
式中为当前解集中第i个解/>所对应的轨迹向量；μi为当前解集中第i个解/>所对应的广义平均位置且/> 为当前解集中的最佳解，M为当且解集的平均位置且/>δi为当前解集中第i个解/>所对应的广义标准差且/>η为惩罚因子且/>λ1为第一随机数，λ2为第二随机数，a为第五随机数，b为第六随机数，且λ1、λ2、a和b均为0～1之间的随机数；
E.将搜索状态转换为故障区域搜索状态；采用如下算式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F；
式中为当前解集中第i个解/>所对应的轨迹向量；μfi为当前解集中第i个解/>所对应的广义故障位置且/>为当前解集中的最佳解，/>为当前的故障区域解集中的第h个解，M为当且解集的平均位置；δfi为当前解集中第i个解/>所对应的广义故障标准差且μi为当前解集中第i个解/>所对应的广义平均位置；η为惩罚因子；
F.得到每一个解对应的更优个体，并将得到的更优个体放入解集中，并将从解集中剔除；采用如下算式得到更优个体：
式中为解/>对应的更优个体；
G.判断当前的迭代次数是否达到设定的最大迭代次数：
若达到，则输出当前解集，步骤S5结束；
若未达到，则迭代次数增加1，并再次进行判断：
若当前搜索状态为全局搜索状态，则返回步骤E并进行下一轮迭代；
若当前搜索状态为局部搜索状态，则返回步骤D并进行下一轮迭代；
若当前所搜状态为故障区域搜索状态，则转到步骤H；
H.采用如下算式进行判断：
若则返回步骤D并进行下一轮迭代；
若则反馈步骤E并进行下一轮迭代；
其中，为当前的故障区域解集中的第n个解所对应的适应度函数值。
本发明还提供了一种实现所述含分布式电源的配电网故障定位方法的系统，包括数据获取模块、初始化模块、适应度计算模块、收敛计算模块、迭代搜索模块和故障定位模块；数据获取模块、初始化模块、适应度计算模块、收敛计算模块、迭代搜索模块和故障定位模块依次串联；数据获取模块用于获取目标配电网的数据信息和FTU实时反馈的数据信息，并将数据上传初始化模块；初始化模块用于根据接收到的数据，初始化解集和参数，并将数据上传适应度计算模块；适应度计算模块用于根据接收到的数据，计算当前解集的适应度函数值，并将数据上传收敛计算模块；收敛计算模块用于根据接收到的数据，计算广义收敛性指标，并将数据上传迭代搜索模块；迭代搜索模块用于根据接收到的数据，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集，并将数据上传故障定位模块；故障定位模块用于根据接收到的数据，完成含分布式电源的配电网故障定位。
本发明提供的这种含分布式电源的配电网故障定位方法及系统，通过引入不同的搜索状态和对应的搜索状态转换规则，利用搜索状态各自的优势，以最优解与潜在故障区域解集为指导，实现潜在全局最优解区域的快速定位和在最优解邻域与故障区域解集邻域内快速收敛；因此本发明的可靠性更高，精确性更好，而且定位速度更快。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的功能模块示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明公开的这种含分布式电源的配电网故障定位方法，包括如下步骤：
S1.获取目标配电网的数据信息和FTU实时反馈的数据信息；
S2.初始化解集和参数；具体包括如下步骤：
初始化解集的个体数量和最大迭代次数；同时设置迭代次数初始值为1；搜索状态初始化为全局搜索；
S3.根据步骤S1获取的数据信息和步骤S2的初始化结果，计算当前解集的适应度函数值；具体包括如下步骤：
采用如下算式计算得到当前解集的适应度函数值f(L*)：
式中N为当前解集中解的总数；Si为第i个开关的开关状态，且FTU检测到开关i的故障电流方向与规定正方向一致则Si＝1，FTU检测到开关i的故障电流方向与规定正方向相反则Si＝-1，FTU未检测到开关i的故障电流则Si＝0；w为设定的权重系数；M为故障馈线总数；lN *为当前解集L*对应的馈线N的状态，若馈线状态为正常则取值为0，馈线状态为故障则取值为1；Si *(l1 *…lN *)为当前解集L*对应的开关i的状态函数值且Si *(l1 *…lN *)＝Si_up *(l1 *…lN *)-Si_down *(l1 *…lN *)，Si_up *(l1 *…lN *)为当前解集L*对应的开关i的上半区开关状态函数且u为开关i的上半区馈线区段总数，M为开关i的上半区电源总数，Kup为开关i的上半区电源投切系数，若开关i的上半区电源投入运行则Kup＝1，若开关i的上半区电源未投入运行则Kup＝0，Si_down *(l1 *…lN *)为当前解集L*对应的开关i的下半区开关状态函数且U为开关i的下半区馈线区段总数，m为开关i的下半区电源总数，Kdown为开关i的下半区电源投切系数，若开关i的下半区电源投入运行则Kdown＝1，若开关i的下半区电源未投入运行则Kdown＝0；以开关i为分界点将目标配电网分为两部分，其中包括电网电源的部分为开关i的上半区，不包括电网电源的部分为开关i的下半区；
S4.计算广义收敛性指标；具体包括如下步骤：
采用如下算式计算得到当前解集的广义收敛性指标CGI：
式中davg为解集中相邻两个最优解之间的平均区分度且n为解集中解的数量，dij为解集间的区分度且dij＝|f[(Li *)t]-f[(Lj *)t]|，f[(Li *)t]为(Li *)t的适应度函数值，(Li *)t为第t代解集中的第i个解；
S5.根据步骤S4计算得到的广义收敛性指标，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集；具体包括如下步骤：
全局搜索状态：全局搜索状态表示本发明方法在定义域内搜索潜在的全局最优解区域，有较强的搜索能力，但全局搜索状态的收敛性较差；
局部搜索状态：以本代最优解为指导，在相邻解集内搜索，可以显著提高找到全局最优解的效率；局部搜索状态限定了搜索范围，使其在目标区域具有更强搜索能力，而在其他区域搜索能力降低，这有助加速整体求解过程的快速收敛；
故障区域搜索状态：故障区域搜索状态根据区域划分后确定的故障区域及其对应的潜在故障区域解集为指导，寻找故障区域解集邻域内的更优解，提高在故障区域解集邻域上的搜索能力，此时本发明方法的收敛性加强；
在起始阶段，为尽快搜索到足够多的潜在全局最优解区域，其搜索状态应控制为全局搜索状态状态；而当搜索到足够多的潜在全局最优解区域时，则应减弱全局搜索的搜索能力并增强其收敛性，即其搜索状态应转换为局部搜索状态或故障区域搜索状态；
当广义收敛性指标值CGI趋近1时，说明解集中相邻两个最优解之间的区分度趋小，最优解集趋聚，表明本发明方法已找到足够多的全局最优解，此时应转换搜索状态，减弱全局搜索能力，加强局部搜索能力和故障区域搜索能力；当广义收敛性指标远大于1时，说明解集中相邻两个解之间的区分度较大，最优解集尚未趋聚，表明本发明方法尚未找到足够多的全局最优解，搜索状态应保持全局搜索状态；
而相比全局搜索状态，故障区域搜索状态有更大机会找到全局最优解，这是因为：1)故障区域搜索状态可以利用故障区域解集来缩小和指导搜索范围，避免无效搜索，这比全局搜索状态的广泛盲目搜索更有效率；2)故障区域解集相对于全局搜索空间更可能包含最优解，即真实故障位置；缩小到该解集范围内搜索,找到全局最优解的可能性更大；3)故障区域搜索状态的搜索收敛速度更快；因为搜索范围被缩小，可以更快逼近最优解；这比全局搜索状态的漫长搜索要高效得多，因此，如果可以定位到故障区域，在达到转换判断条件后，全局搜索状态应转换为故障区域搜索状态，那么相比全局搜索状态，故障区域搜索状态有更强的搜索能力和更快的收敛速度；它可以更有效地在最可能包含故障的区域内搜索，找到全局最优解；
故障区域搜索状态与局部搜索状态起到关键作用，为了找到全局最优解，本发明方法需要在这两个搜索状态间灵活转换；具体而言，若在障区域搜索状态下，当前代的最优解的适应度值优于故障区域所有解的适应度值，则证明全局最优解不在当前故障区域解集或其相邻区域，此时本发明方法需要退出障区域搜索状态，转入局部搜索状态，在全局解空间内根据本代最优解进行搜索；相反，如果在局部搜索状态下，无法找到比本代最优解更优的解，则需要返回障区域搜索状态，在故障区域解集内继续搜索，以防错过全局最优解；通过在这两个互补的搜索状态间灵活转换，本发明方法可以覆盖全局解空间，找到全局最优解；
A.对步骤S4计算得到的广义收敛性指标CGI进行判断：
若CGI＜ε且t＞k*tmax，则对目标配电网进行等效区域划分，并在每个区域内对开关故障电流的越限信息进行预处理，然后转到步骤C；
否则，转到步骤B；
其中，所述的等效区域划分，具体为：在目标配电网中，当一个区域发生单点或双重故障时，不会导致区域外的开关所对应的开关状态函数发生改变，则将该区域作为一个等效区域；所述的预处理，具体为：从FTU上传的数据信息中，提取得到各个等效区域端口处的开关数据信息；
B.保持搜索状态为全局搜索状态；采用如下公式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F：
式中为第t代解集中第i个解所对应的轨迹向量；/>为第t代解集中的第i个解；β为调整参数，且取值为0～1；λ3为第三随机数，λ4为第四随机数，且λ3和λ4均服从标准正态分布；v1为第一跟踪向量且计算公式为v2为第二跟踪向量且计算公式为p1、p2和p3为从1～n中随机选取的整数，且满足p1≠p2≠p3≠i；
C.根据步骤A得到的结果，判断是否存在故障区域Dfault：
若不存在故障区域Dfault，则转到步骤D；
若存在故障区域Dfault，则确定故障区域内线路故障时随影的线路故障状态，并将对应的故障区域解放入故障区域解集中，转到步骤E；
所述的故障区域Dfault，定义为：对目标配电网进行等效区域划分，得到m个区域D1～Dm；在每个区域内，对FTU反馈的开关故障电流越限信息进行计算，若存在区域满足S1⊙S2⊙...⊙Sn＝1则将该区域作为故障区域Dfault，若存在区域满足S1⊙S2⊙...⊙Sn＝0则将该区域作为正常区域De，其中S1～Sn为该区域内所有开关的开关状态变量；
D.将搜索状态转换为局部搜索状态；采用如下算式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F；
式中为当前解集中第i个解/>所对应的轨迹向量；μi为当前解集中第i个解/>所对应的广义平均位置且/> 为当前解集中的最佳解，M为当且解集的平均位置且/>δi为当前解集中第i个解/>所对应的广义标准差且/>η为惩罚因子且/>λ1为第一随机数，λ2为第二随机数，a为第五随机数，b为第六随机数，且λ1、λ2、a和b均为0～1之间的随机数；
E.将搜索状态转换为故障区域搜索状态；采用如下算式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F；
式中为当前解集中第i个解/>所对应的轨迹向量；μfi为当前解集中第i个解/>所对应的广义故障位置且/> 为当前解集中的最佳解，/>为当前的故障区域解集中的第h个解，M为当且解集的平均位置；δfi为当前解集中第i个解/>所对应的广义故障标准差且μi为当前解集中第i个解/>所对应的广义平均位置；η为惩罚因子；
F.得到每一个解对应的更优个体，并将得到的更优个体放入解集中，并将从解集中剔除；采用如下算式得到更优个体：
式中为解/>对应的更优个体；
G.判断当前的迭代次数是否达到设定的最大迭代次数：
若达到，则输出当前解集，步骤S5结束；
若未达到，则迭代次数增加1，并再次进行判断：
若当前搜索状态为全局搜索状态，则返回步骤E并进行下一轮迭代；
若当前搜索状态为局部搜索状态，则返回步骤D并进行下一轮迭代；
若当前所搜状态为故障区域搜索状态，则转到步骤H；
H.采用如下算式进行判断：
若则返回步骤D并进行下一轮迭代；
若则反馈步骤E并进行下一轮迭代；
其中，为当前的故障区域解集中的第n个解所对应的适应度函数值；
S6.根据步骤S5得到的解集，完成含分布式电源的配电网故障定位。
以下结合一个实施例，对本发明方法进行进一步说明：
采用目前常用的基于蚁群和粒子群的混合算法(HAO)、免疫算法(IA)、改进的灰狼算法(IGWA)的故障定位方法与本发明方法进行对比。相关初始化参数设定如下：馈线区段总数N＝33；解数量n＝60；最大迭代代数tmax＝100；设置阈值ε为1.2，k为0.5。以定位准确率、平均收敛代数、迭代时间作为算法性能评估指标，对比结果如表1所示：
表1对比结果数据示意表
定位方法 定位准确率/％ 平均收敛代数 迭代时间/s
本发明方法 96.8 15 0.864
HAO 66.3 56 1.256
IA 70.2 70 3.589
IGWA 90.5 30 4.236
通过表1的对比数据可以看到，本发明方法要明显由于现有的故障定位方法，因此本发明方法的可靠性更高，精确性更好，且定位速度更快。
如图2所示为本发明系统的功能模块示意图：本发明公开的这种实现所述含分布式电源的配电网故障定位方法的系统，包括数据获取模块、初始化模块、适应度计算模块、收敛计算模块、迭代搜索模块和故障定位模块；数据获取模块、初始化模块、适应度计算模块、收敛计算模块、迭代搜索模块和故障定位模块依次串联；数据获取模块用于获取目标配电网的数据信息和FTU实时反馈的数据信息，并将数据上传初始化模块；初始化模块用于根据接收到的数据，初始化解集和参数，并将数据上传适应度计算模块；适应度计算模块用于根据接收到的数据，计算当前解集的适应度函数值，并将数据上传收敛计算模块；收敛计算模块用于根据接收到的数据，计算广义收敛性指标，并将数据上传迭代搜索模块；迭代搜索模块用于根据接收到的数据，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集，并将数据上传故障定位模块；故障定位模块用于根据接收到的数据，完成含分布式电源的配电网故障定位。

Claims (6)

1.一种含分布式电源的配电网故障定位方法，包括如下步骤：
S1.获取目标配电网的数据信息和FTU实时反馈的数据信息；
S2.初始化解集和参数；
S3.根据步骤S1获取的数据信息和步骤S2的初始化结果，计算当前解集的适应度函数值；
S4.计算广义收敛性指标；
S5.根据步骤S4计算得到的广义收敛性指标，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集；
S6.根据步骤S5得到的解集，完成含分布式电源的配电网故障定位。
2.根据权利要求1所述的含分布式电源的配电网故障定位方法，其特征在于步骤S2所述的初始化解集和参数，具体包括如下步骤：
初始化解集的个体数量和最大迭代次数；同时设置迭代次数初始值为1；搜索状态初始化为全局搜索。
3.根据权利要求2所述的含分布式电源的配电网故障定位方法，其特征在于步骤S3所述的计算当前解集的适应度函数值，具体包括如下步骤：
采用如下算式计算得到当前解集的适应度函数值f(L*)：
式中N为当前解集中解的总数；Si为第i个开关的开关状态，且FTU检测到开关i的故障电流方向与规定正方向一致则Si＝1，FTU检测到开关i的故障电流方向与规定正方向相反则Si＝-1，FTU未检测到开关i的故障电流则Si＝0；w为设定的权重系数；M为故障馈线总数；lN *为当前解集L*对应的馈线N的状态，若馈线状态为正常则取值为0，馈线状态为故障则取值为1；Si *(l1 *…lN *)为当前解集L*对应的开关i的状态函数值且Si *(l1 *…lN *)＝Si_up *(l1 *…lN *)-Si_down *(l1 *…lN *)，Si_up *(l1 *…lN *)为当前解集L*对应的开关i的上半区开关状态函数且u为开关i的上半区馈线区段总数，M为开关i的上半区电源总数，Kup为开关i的上半区电源投切系数，若开关i的上半区电源投入运行则Kup＝1，若开关i的上半区电源未投入运行则Kup＝0，Si_down *(l1 *…lN *)为当前解集L*对应的开关i的下半区开关状态函数且U为开关i的下半区馈线区段总数，m为开关i的下半区电源总数，Kdown为开关i的下半区电源投切系数，若开关i的下半区电源投入运行则Kdown＝1，若开关i的下半区电源未投入运行则Kdown＝0；以开关i为分界点将目标配电网分为两部分，其中包括电网电源的部分为开关i的上半区，不包括电网电源的部分为开关i的下半区。
4.根据权利要求3所述的含分布式电源的配电网故障定位方法，其特征在于步骤S4所述的计算广义收敛性指标，具体包括如下步骤：
采用如下算式计算得到当前解集的广义收敛性指标CGI：
式中davg为解集中相邻两个最优解之间的平均区分度且n为解集中解的个数，dij为解集间的区分度且dij＝|f[(Li *)t]-f[(Lj *)t]|，f[(Li *)t]为(Li *)t的适应度函数值，(Li *)t为第t代解集中的第i个解。
5.根据权利要求4所述的含分布式电源的配电网故障定位方法，其特征在于步骤S5所述的根据步骤S4计算得到的广义收敛性指标，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集，具体包括如下步骤：
A.对步骤S4计算得到的广义收敛性指标CGI进行判断：
若CGI＜ε且t＞k*tmax，则对目标配电网进行等效区域划分，并在每个区域内对开关故障电流的越限信息进行预处理，然后转到步骤C；
否则，转到步骤B；
其中，所述的等效区域划分，具体为：在目标配电网中，当一个区域发生单点或双重故障时，不会导致区域外的开关所对应的开关状态函数发生改变，则将该区域作为一个等效区域；所述的预处理，具体为：从FTU上传的数据信息中，提取得到各个等效区域端口处的开关数据信息；
B.保持搜索状态为全局搜索状态；采用如下公式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F：
式中为第t代解集中第i个解所对应的轨迹向量；/>为第t代解集中的第i个解；β为调整参数，且取值为0～1；λ3为第三随机数，λ4为第四随机数，且λ3和λ4均服从标准正态分布；v1为第一跟踪向量且计算公式为/>v2为第二跟踪向量且计算公式为/>p1、p2和p3为从1～n中随机选取的整数，且满足p1≠p2≠p3≠i；
C.根据步骤A得到的结果，判断是否存在故障区域Dfault：
若不存在故障区域Dfault，则转到步骤D；
若存在故障区域Dfault，则确定故障区域内线路故障时随影的线路故障状态，并将对应的故障区域解放入故障区域解集中，转到步骤E；
所述的故障区域Dfault，定义为：对目标配电网进行等效区域划分，得到m个区域D1～Dm；在每个区域内，对FTU反馈的开关故障电流越限信息进行计算，若存在区域满足S1⊙S2⊙...⊙Sn＝1则将该区域作为故障区域Dfault，若存在区域满足S1⊙S2⊙...⊙Sn＝0则将该区域作为正常区域De，其中S1～Sn为该区域内所有开关的开关状态变量；
D.将搜索状态转换为局部搜索状态；采用如下算式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F；
式中为当前解集中第i个解/>所对应的轨迹向量；μi为当前解集中第i个解所对应的广义平均位置且/> 为当前解集中的最佳解，M为当且解集的平均位置且/>δi为当前解集中第i个解/>所对应的广义标准差且/>η为惩罚因子且/>λ1为第一随机数，λ2为第二随机数，a为第五随机数，b为第六随机数，且λ1、λ2、a和b均为0～1之间的随机数；
E.将搜索状态转换为故障区域搜索状态；采用如下算式计算得到当前解集中每一个解所对应的轨迹向量，并转到步骤F；
式中为当前解集中第i个解/>所对应的轨迹向量；μfi为当前解集中第i个解所对应的广义故障位置且/> 为当前解集中的最佳解，/>为当前的故障区域解集中的第h个解，M为当且解集的平均位置；δfi为当前解集中第i个解/>所对应的广义故障标准差且μi为当前解集中第i个解/>所对应的广义平均位置；η为惩罚因子；
F.得到每一个解对应的更优个体，并将得到的更优个体放入解集中，并将/>从解集中剔除；采用如下算式得到更优个体：
式中为解/>对应的更优个体；
G.判断当前的迭代次数是否达到设定的最大迭代次数：
若达到，则输出当前解集，步骤S5结束；
若未达到，则迭代次数增加1，并再次进行判断：
若当前搜索状态为全局搜索状态，则返回步骤E并进行下一轮迭代；
若当前搜索状态为局部搜索状态，则返回步骤D并进行下一轮迭代；
若当前所搜状态为故障区域搜索状态，则转到步骤H；
H.采用如下算式进行判断：
若则返回步骤D并进行下一轮迭代；
若则反馈步骤E并进行下一轮迭代；
其中，为当前的故障区域解集中的第n个解所对应的适应度函数值。
6.一种实现权利要求1～5之一所述的含分布式电源的配电网故障定位方法的系统，其特征在于包括数据获取模块、初始化模块、适应度计算模块、收敛计算模块、迭代搜索模块和故障定位模块；数据获取模块、初始化模块、适应度计算模块、收敛计算模块、迭代搜索模块和故障定位模块依次串联；数据获取模块用于获取目标配电网的数据信息和FTU实时反馈的数据信息，并将数据上传初始化模块；初始化模块用于根据接收到的数据，初始化解集和参数，并将数据上传适应度计算模块；适应度计算模块用于根据接收到的数据，计算当前解集的适应度函数值，并将数据上传收敛计算模块；收敛计算模块用于根据接收到的数据，计算广义收敛性指标，并将数据上传迭代搜索模块；迭代搜索模块用于根据接收到的数据，对目标配电网进行全局搜索、局部搜索和故障区域搜索，得到最终的解集，并将数据上传故障定位模块；故障定位模块用于根据接收到的数据，完成含分布式电源的配电网故障定位。
CN202310910191.4A 2023-07-24 2023-07-24 含分布式电源的配电网故障定位方法及系统 Pending CN116819235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310910191.4A CN116819235A (zh) 2023-07-24 2023-07-24 含分布式电源的配电网故障定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310910191.4A CN116819235A (zh) 2023-07-24 2023-07-24 含分布式电源的配电网故障定位方法及系统

Publications (1)

Publication Number Publication Date
CN116819235A true CN116819235A (zh) 2023-09-29

Family

ID=88141171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310910191.4A Pending CN116819235A (zh) 2023-07-24 2023-07-24 含分布式电源的配电网故障定位方法及系统

Country Status (1)

Country Link
CN (1) CN116819235A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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
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
Motahhir et al. Optimal energy harvesting from a multistrings PV generator based on artificial bee colony algorithm
Orozco-Gutierrez et al. Optimized configuration of mismatched photovoltaic arrays
CN116819235A (zh) 含分布式电源的配电网故障定位方法及系统
CN109861211B (zh) 一种基于数据驱动的配电网动态重构方法
CN110059737B (zh) 基于集成深度神经网络的配电变压器连接关系辨识方法
Yuan et al. A secondary classification fault diagnosis strategy based on PCA-SVM for cascaded photovoltaic grid-connected inverter
CN112508279A (zh) 基于空间相关性的区域分布式光伏预测方法及系统
CN116484299A (zh) 基于梯度提升树与多层感知机融合的充电桩故障诊断方法
Han et al. An intelligent fault diagnosis method for PV arrays based on an improved rotation forest algorithm
Lu Day-ahead photovoltaic power forecasting using hybrid K-Means++ and improved deep neural network
CN110909994A (zh) 基于大数据驱动的小水电群发电量预测方法
Chen et al. Graph neural network-based wind farm cluster speed prediction
CN112865090B (zh) 一种基于生物体免疫机制的智能配电网故障恢复方法
El-Ela et al. Optimal allocation of DGs and capacitor devices using improved grey wolf optimizer
Yao et al. Power curve modeling for wind turbine using hybrid-driven outlier detection method
CN109802383B (zh) 基于聚类算法的分布式发电系统等值建模方法
Grcić et al. Fault detection in DC microgrids using recurrent neural networks
CN112085350A (zh) 一种大型光伏电站中光伏阵列状态的评估方法
Shirisha et al. Deep Learning-Based Image Processing Approach for Irradiance Estimation in MPPT Control of Photovoltaic Applications
CN114707713A (zh) 一种考虑分布式电源影响的低压配电网负荷预测方法
Qi Operation ControlMethod of Relay Protection in Flexible DC Distribution Network Compatible with Distributed Power Supply.
Ru et al. Ultra-Short-Term Wind Power Forecasting Based on Deep Embedded Clustering and LSTM
Zhiwen Research on Prediction Model of Photovoltaic Power Generation Based on Nonlinear Regression Based on BP Neural Network
Qiao et al. Machine Learning-based Energy Consumption Model for Data Center
Bhuyan et al. Fault Classification in a DG Connected Power System using Artificial Neural Network

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