CN116973694B - 配电网故障诊断优化方法及系统 - Google Patents
配电网故障诊断优化方法及系统 Download PDFInfo
- Publication number
- CN116973694B CN116973694B CN202311226460.1A CN202311226460A CN116973694B CN 116973694 B CN116973694 B CN 116973694B CN 202311226460 A CN202311226460 A CN 202311226460A CN 116973694 B CN116973694 B CN 116973694B
- Authority
- CN
- China
- Prior art keywords
- fault
- population
- load
- topological graph
- power grid
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000011084 recovery Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 230000013011 mating Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect 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
- G01R31/081—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
本发明提供一种配电网故障诊断优化方法及系统，涉及故障诊断优化技术，尤其涉及一种配电网故障诊断优化方法及系统，包括：构建目标配电网对应的电网拓扑图，确定电网拓扑图中各个节点的电气信息，结合各个节点在电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重；基于预先构建的故障定位模型，遍历电网拓扑图，搜索电网拓扑图的故障区段，并根据预设的目标求解算法确定电网拓扑图中故障位置，结合故障位置的电气信息，确定故障位置对应的故障工况，根据故障工况结合预设的故障恢复重构方案，对目标配电网进行故障恢复重构。
Description
技术领域
本发明涉及故障诊断优化技术，尤其涉及一种配电网故障诊断优化方法及系统。
背景技术
目前，随着用电负荷的快速增长，配电网的供电可靠性面临的挑战越发严峻，最大限度地减少因故障导致的停电时间对电力公司至关重要，因此，一种快速准确的配电网故障定位方法对于故障隔离，快速恢复供电，提高供电的可靠性是非常必要的。
在相关技术中，CN106646104A，配电网故障诊断方法公开了一种配电网故障诊断方法，所述方法包括：构建电网全模型；获取馈线的故障信息，根据所述故障信息和所述电网全模型定位故障所在的馈线；获取故障指示器的故障指示信息，根据所述故障指示信息和所述电网全模型定位故障所在的第一故障区间；获取配电变压器的配变停电事件，根据所述配变停电事件和所述电网全模型定位故障所在的第一跳闸设备；获取出线开关的量测突降信息，根据所述量测突降信息和所述电网全模型定位故障所在的第二故障区间和第二跳闸设备；
CN112578224A，一种配电网故障处理与故障定位的方法及系统公开了一种配电网故障处理与故障定位的方法及系统，其方法，包括：通过检测零序电压的基波长期性变化值对配电网故障进行故障判断；对配电网的故障时刻点通过增量数据进行确认，并发出数据召测指令；根据数据召测指令，获取并返回故障时刻点对应的故障电流信号，根据电流信号定位配电网故障接地点并反馈至云平台。本发明利用了零序电压互感器的取能和故障监测功能，通过故障定位算法的边缘计算，实现对配电网故障的实时监测响应；
综上，现有技术虽然能够实现电网的故障定位，但通常是针对同一种故障情况，且无法分析具体的故障原因和因故障导致的电网工况变化，但在实际应用中，不同原的故障和不同故障产生的影响对于配电网是不同的，因此需要对故障原因和产生故障后的不同情况进行具体分析和优化。
发明内容
本发明实施例提供一种配电网故障诊断优化方法及系统，用于快速确定配电网故障的具体位置并诊断故障原因，为重建配电网提供恢复重构方案。
本发明实施例的第一方面，提供一种配电网故障诊断优化方法，包括：
构建目标配电网对应的电网拓扑图，确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重；
基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，其中，所述故障定位模型基于深度搜索算法构建，所述目标求解算法基于改进的遗传算法构建；
根据所述故障位置，结合故障位置的电气信息，确定故障位置对应的故障工况，根据所述故障工况结合预设的故障恢复重构方案，对所述目标配电网进行故障恢复重构。
在一种可选的实施方式中，
所述确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重包括：
并行访问配电网图模型中的所有首端负荷顶点，
以所述首端负荷顶点为起点访问所述首端负荷顶点的下游负荷顶点，并将所述首端负荷顶点的下游负荷顶点作为第二负荷顶点；
基于所述第二负荷顶点在配电网拓扑图中的位置，基于预设的权重分配模型确定所述第二负荷顶点的第二故障权重，若所述第二故障权重为正数，则将所述第二负荷顶点的作为新的首端负荷顶点，并重复执行访问新的首端负荷顶点对应的下游负荷顶点的操作；若所述故障权重为负数，则停止继续访问；
若所述首端负荷顶点配置了负荷监视器，则故障区段为所述首端负荷顶点与所述第二负荷顶点间的线路，否则判断所述首端负荷顶点是否为末端负荷顶点；
若所述首端负荷顶点是末端负荷顶点，则故障区段为首端负荷顶点和第三负荷顶点间的线路；
若所述首端负荷顶点不是末端负荷顶点，则以所述首端负荷顶点为起点访问所述首端负荷顶点的上游负荷顶点，将所述首端负荷顶点的上游负荷顶点作为第三负荷顶点；
基于所述第三负荷顶点在配电网拓扑图中的位置，通过自注意力机制确定所述第三负荷顶点的第三故障权重，根据所述第三负荷顶点的故障权重确定虚警系数，结合预设的虚警阈值确定故障区段位置。
在一种可选的实施方式中，
所述方法还包括迭代训练所述权重分配模型的损失函数，如下公式所示：
；
其中，loss all表示所有支路的损失率之和，m表示支路的总数量，loss q表示第q条支路的损失率，loss g表示敏感支路的损失率，loss m-g表示不敏感支路的损失率，λ表示敏感支路的权重系数。
在一种可选的实施方式中，
所述基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，包括：
根据所述负荷监视器获取的电气参数构建初始化种群，确定所述初始化种群的初始适应度，根据所述初始适应度大小对种群内个体进行降序排列；
选择适应度高的前M个个体组成精英库，并选择所述精英库中的最优个体记为初始最优个体，根据预设的种群分割策略将所述精英库分割，得到第一子种群和第二子种群，并分别选出交配个体，所述交配个体与所述初始最优个体完成进化操作，组成综合种群；
基于比例选择法选择与所述初始最优个体相异的第二最优个体，并通过种群个体评价函数在所述初始种群中随机选择多个个体，得到第三子种群；
将所述综合种群和所述第三子种群合并得到融合种群，并确定所述融合种群的适应度；
将所述融合种群中的个体与所述精英库中的个体进行竞争，若融合种群中不存在此精英个体，则使用此精英个体替换所述融合种群中适应度最低的个体，若存在则不进行操作，得到第二融合种群，并将所述第二融合种群中的个体按适应度降序排列；
若所述第二融合种群中适应度值最高的个体的适应度值大于所述初始最优个体的适应度值，则使用所述第二融合种群替换所述精英库，记为第二精英库；
根据所述第二精英库，判断是否满足终止条件，若满足则结束操作并输出所述第二精英库，若不满足则将所述第二精英库作为所述精英库并重复上述操作。
在一种可选的实施方式中，
所述适应度值的计算公式为：
；
其中，M为所述初始种群内的前M个个体，β 1，β 2，β 3为权重系数，表示所述负荷监视器监测到的信息期望值，I v表示所述负荷监视器监测到的实际信息值，△S表示供电成本和电能损失，△D表示负荷监视器监测到的期望值与实际值的偏差量。
在一种可选的实施方式中，
所述预设的故障恢复重构方案包括：
根据不同工况下的故障，将设置第一重构方案，第二重构方案和第三重构方案；
其中，所述第一重构方案适用于故障区段切除后，系统不存在孤岛区域的情况，所述第二重构方案适用于故障区段切除后系统存在孤岛区域且所述孤岛区域中存在变电站的情况，所述第三重构方案适用于故障区段切除后，系统存在孤岛区域但所述孤岛区域不存在变电站的情况；
在一种可选的实施方式中，
所述第一重构方案，第二重构方案和第三重构方案具体包括：
所述第一重构方案具体为，按照配电网故障恢复重构目标函数和约束条件对全网进行恢复重构求解；
所述第二重构方案具体为，对孤岛区域按照所述配电网故障恢复重构目标函数和约束条件进行求解，对非孤岛区域无需进行恢复重构；
所述第三重构方案具体为，对孤岛区域，等待故障段修复完成后，实现并网通行，对于非孤岛区域无需进行恢复重构。
本发明实施例的第二方面，提供一种配电网故障诊断优化系统，包括：
第一单元，用于构建目标配电网对应的电网拓扑图，确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重；
第二单元，用于基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，其中，所述故障定位模型基于深度搜索算法构建，所述目标求解算法基于改进的遗传算法构建；
第三单元，用于根据所述故障位置，结合故障位置的电气信息，确定故障位置对应的故障工况，根据所述故障工况结合预设的故障恢复重构方案，对所述目标配电网进行故障恢复重构。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。
附图说明
图1为配电网故障诊断优化方法的流程示意图；
图2为配电网故障诊断优化系统的结构示意图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为配电网故障诊断优化方法的流程示意图，如图1所示，所述方法包括：
S1.构建目标配电网对应的电网拓扑图，确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重。
现有的关于配电网故障定位的研究中，不论是基于暂态量还是稳态量的故障定位方法，大多依赖于在配电网络中大量布置测量点，缺乏对网络拓扑信息的利用，由于配电网的供电半径长，线路分支多，背景噪音大，在大量布置测点的情况下，不仅会增加成本，而且会增加故障定位方法对测点的依赖性，导致故障定位的结果容易受到影响。
电网拓扑图是一个图形化表示，用于描述电力系统或配电网中不同电气设备之间的连接和关系，展示了电力系统中各个组成部分之间的电气连接方式，所述电气信息是指有关电力系统或配电网中各个电气设备和元件的电气参数、特性和属性的数据，通常包括电压等级、电流容量、相位、负荷大小和电阻电抗等。
所述构建目标配电网的电网拓扑图需要收集电网信息，包括变压器，配电站，开关设备，线路和负荷节点等，然后确定各个节点，每个节点都有一个独特的标识符，然后确定节点之间的电气连接关系，即哪些节点通过线路和开关设备相互连接，完成后使用专业的电力系统建模软件，根据收集的信息和建立的连接关系绘制电网拓扑图，其中节点用点表示，连接关系用线表示，最后在拓扑图中标记各个节点的电气信息。
权重分配算法用于确定电网拓扑图中各个节点的权重，通常反映了节点在电网中的重要性或其他相关特征。
在一种可选的实施方式中，
所述确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重包括：
并行访问配电网图模型中的所有首端负荷顶点，
以所述首端负荷顶点为起点访问所述首端负荷顶点的下游负荷顶点，并将所述首端负荷顶点的下游负荷顶点作为第二负荷顶点；
基于所述第二负荷顶点在配电网拓扑图中的位置，基于预设的权重分配模型确定所述第二负荷顶点的第二故障权重，若所述第二故障权重为正数，则将所述第二负荷顶点的作为新的首端负荷顶点，并重复执行访问新的首端负荷顶点对应的下游负荷顶点的操作；若所述故障权重为负数，则停止继续访问；
获取配电网图模型，并准备一个空的数据结构存储首端负荷顶点的下游负荷顶点以及它们作为第二负荷顶点的信息，遍历配电网图模型中的所有首端负荷顶点，使用并行计算的方式同时访问多个首端负荷顶点，对于每个首端负荷顶点，从该顶点出发，按照电网的拓扑结构访问其下游负荷顶点，该访问可以通过深度优先搜索（DFS）或广度优先搜索（BFS）等图遍历算法来实现，当访问到下游负荷顶点时，将其记录下来，并将它们与对应的首端负荷顶点关联起来，以表示它们是从该首端负荷顶点出发访问到的，将所有首端负荷顶点的下游负荷顶点以及它们作为第二负荷顶点的信息存储在合适的数据结构中，以便后续的处理和分析；
设置权重分配模型，该模型包括一系列的权重分配规则、公式和算法，这些规则能够将节点的位置和、连接性以及其他因素考虑在内，将所述第二负荷顶点与拓扑图、节点属性有关的全部信息输入至模型内，根据上述因素计算所述第二负荷顶点的故障权重；
判断计算得到的第二故障权重是否为正数，如果第二故障权重为正数，将第二负荷顶点标记为新的首端负荷顶点，重复执行访问新的首端负荷顶点对应的下游负荷顶点的操作。如果第二故障权重为负数，停止继续访问，并结束流程。
若所述首端负荷顶点配置了负荷监视器，则故障区段为所述首端负荷顶点与所述第二负荷顶点间的线路，否则判断所述首端负荷顶点是否为末端负荷顶点；
若所述首端负荷顶点是末端负荷顶点，则故障区段为首端负荷顶点和第三负荷顶点间的线路；
若所述首端负荷顶点不是末端负荷顶点，则以所述首端负荷顶点为起点访问所述首端负荷顶点的上游负荷顶点，将所述首端负荷顶点的上游负荷顶点作为第三负荷顶点；
基于所述第三负荷顶点在配电网拓扑图中的位置，通过自注意力机制确定所述第三负荷顶点的第三故障权重，根据所述第三负荷顶点的故障权重确定虚警系数，结合预设的虚警阈值确定故障区段位置。
所述首端负荷顶点为配电网中的起始点，表示电力供应网络的起始位置，例如电力变压器站点或发电站；
所述负荷监视器是电力系统中的设备，用于监测和测量电力系统中的电流、电压和其他参数，实时控制电力负荷的状态和性能，负荷监视器检测到电力系统中的异常情况后通过分析异常数据的位置、电流和电压，能够确定可能的故障区段，包括故障线路和设备；
判断所选首端负荷顶点是否配置了负荷监视器；
如果首端负荷顶点配置了负荷监视器，则故障区段为从首端负荷顶点到第二负荷顶点之间的线路。
如果首端负荷顶点未配置负荷监视器，判断该首端负荷顶点是否为末端负荷顶点；
如果首端负荷顶点是末端负荷顶点，则故障区段为从首端负荷顶点到第三负荷顶点之间的线路。
如果首端负荷顶点不是末端负荷顶点，需要以首端负荷顶点为起点访问其上游负荷顶点，以确定电网的拓扑结构，对于上游负荷顶点，将其视为新的首端负荷顶点，并重复执行上述步骤以确定故障区段。
所述自注意力机制通常用于加权考虑输入序列中不同位置的信息，确定每个位置的重要性，具体包括将输入序列传递给自注意力模型，自注意力模型计算每个位置对于所述第三负荷顶点的重要性得分，所述重要性得分表示每个位置对于故障位置的贡献度，应用计算程序将得分归一化，得到所述第三故障权重。
所述虚警系数是一个用于衡量故障检测系统在正常操作中错误地标记为故障的程度，通常用于评估检测系统的性能，其表达式为：
；
其中，表示所述首端负荷顶点的故障权重，/>表示所述第三负荷顶点的故障权重；
所述预设的虚警阈值是用于判断是否发出虚假警报的临界值，用于控制系统的虚警率，通常虚警阈值的设置涉及权衡两个互相竞争的目标，最小化虚警率和最大化检测率。
所述根据所述第三负荷顶点的故障权重确定虚警系数，结合预设的虚警阈值确定故障区段位置具体为，根据所述第三负荷顶点的故障权重，计算得到虚警系数，将计算得到的虚警系数与预设的阈值进行比较，如果虚警系数大于虚警阈值，则可以判定发生故障，并且故障区段的位置为第三负荷顶点与所述首端负荷顶点之间的线路；
虚警阈值的设置通常需要收集足够多的数据，确定评估系统性能的指标，并根据实际应用中的需求和风险承受能力制定虚警率的目标，该目标可以为最小化虚警率或者在满足一定虚警率限制的情况下最大化检测率，根据上述步骤设置初始阈值，并根据评估结果和性能指标对虚警阈值进行迭代调整，直至达到系统的期望效果。
所述方法还包括迭代训练所述权重分配模型的损失函数，如下公式所示：
；
其中，loss all表示所有支路的损失率之和，m表示支路的总数量，loss q表示第q条支路的损失率，loss g表示敏感支路的损失率，loss m-g表示不敏感支路的损失率，λ表示敏感支路的权重系数。
上述损失函数的计算公式涉及多个支路的损失率，其中包括敏感支路和不敏感支路，通过引入权重系数来调整敏感支路的相对重要性，可以在损失函数中动态地控制敏感支路的权重，对于在不同情况下需要权衡风险非常有帮助，同时该损失函数允许系统在不同情境下调整对不敏感支路和敏感支路的重视程度，有利于更好地适应不同情境。
综上，本步骤在配电网故障诊断过程中能够提高故障诊断的准确性，通过将权重分配给不同节点，使系统更加重视那些可能是故障根本原因的节点，从而快速识别和定位故障，完整的电网拓扑图能够帮助操作人员了解电网的物理布局，进一步缩短了故障的定位和诊断时间。
S2.基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，其中，所述故障定位模型基于深度搜索算法构建，所述目标求解算法基于改进的遗传算法构建。
针对配电网故障区段定位而言，我们常以1表示某区段呈故障状态，以0表示某区段呈正常状态。对于配电网拓扑重构而言，我们常以1表示线路开关呈闭合状态，以0表示线路开关呈断开状态。这也就意味着，当我们在处理这类问题时，必须建立对应的二进制域寻优模型，且这种模型的粒子迭代过程与连续域存在很大的差异，如果直接利用连续域的方式来处理，则需要面临繁琐的连续域到二进制域的转化过程。
故障定位模型的构建首先需要设计深度搜索算法，该算法通常选择一个起始节点，沿着拓扑图中的连接边逐步探索，直到找到故障区段或者完整搜索整个拓扑图，基于深度搜索算法，设计模型，模型用于接受电网拓扑图作为输入，并输出故障位置的估计，根据搜索路径中的信息判断可能的故障位置。
所述目标求解算法具体为，基于改进的遗传算法的设计，模拟自然界的进化过程寻找最优解，通过定义种群的初始状态，交叉操作，变异操作等得出最优解，再通过适应度函数评估每一个解的质量，通常考虑解的准确性和匹配度等指标。
在一种可选的实施方式中，
所述基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，包括：
根据所述负荷监视器获取的电气参数构建初始化种群，确定所述初始化种群的初始适应度，根据所述初始适应度大小对种群内个体进行降序排列；
选择适应度高的前M个个体组成精英库，并选择所述精英库中的最优个体记为初始最优个体，根据预设的种群分割策略将所述精英库分割，得到第一子种群和第二子种群，并分别选出交配个体，所述交配个体与所述初始最优个体完成进化操作，组成综合种群；
使用负荷监视器获取电气参数，如电流、电压等，以构建初始个体，每个个体可以表示电网拓扑图上的一种可能的故障位置或状态，初始化种群大小和结构，使用随机生成的个体构建初始群体；
基于预先构建的故障定位模型，将每个个体的电气参数输入到模型中，计算每个个体的适应度值，并对个体进行排序，选择适应度高的前M个个体组成精英库。这些适应度较高的个体在解决问题中表现较好，有望提供有用的信息。
所述预设的种群分割策略值的是一种决定如何将精英库分割成两个子种群的规则，目的是引入多样性，促进种群的进化和避免陷入局部最优解，本方案中的种群分割策略是局域适应度值排序的分割；
使用进化算法，例如遗传算法，对选出的交配个体和初始最优个体进行进化操作，进化操作包括交叉操作和变异操作，目的是生产下一代个体，希望生成的下一代个体在故障定位中有更好的表现。
基于比例选择法选择与所述初始最优个体相异的第二最优个体，并通过种群个体评价函数在所述初始种群中随机选择多个个体，得到第三子种群；
所述比例选择法是将每个个体的适应度值转化成选择概率，根据这些概率来随机选择个体，每个个体的被选中概率与适应度值成正比，选中概率的计算方式为，每个个体的适应度值除以总适应度值。
使用随机数生成器，按照选择概率随机选取一个与初始最优个体不同的第二最优个体。
随机选择多个个体构建第三子种群，可以使用相似的比例选择法来选择第三子种群中的个体，但是不需要与初始最优个体不同，选择概率同样与适应度值成正比。
将所述综合种群和所述第三子种群合并得到融合种群，并确定所述融合种群的适应度；
将综合种群和第三子种群合并是集合合并操作，确定融合种群的适应度则需要将融合种群中的所有个体的适应度值按照问题的特定要求进行加权平均或求和；
将所述融合种群中的个体与所述精英库中的个体进行竞争，若融合种群中不存在此精英个体，则使用此精英个体替换所述融合种群中适应度最低的个体，若存在则不进行操作，得到第二融合种群，并将所述第二融合种群中的个体按适应度降序排列；
创建一个空的第二融合种群，用于储存经竞争后的个体，遍历融合种群中的每个个体，并判断是否与精英库中的某个个体相同，该判断过程可以根据个体的基因型或者其他唯一标识符进行，如果融合种群中的个体与精英库中的某个个体相同，则不进行任何操作，直接将融合种群中的个体添加至第二融合种群中；
如果融合种群中的个体在精英库中不存在相应的个体，那么它需要与融合种群中适应度最低的个体进行竞争，该过程具体为，计算融合种群中所有个体的适应度值并找到适应度值最低的个体，将当前融合种群中的个体与适应度最低的个体进行竞争，如果当前融合种群中的个体胜出，则将其添加到第二融合种群中，否则不进行任何操作；
重复上述步骤，并对第二融合种群中的个体进行降序排列，以确保适应度高的个体排在前面。
若所述第二融合种群中适应度值最高的个体的适应度值大于所述初始最优个体的适应度值，则使用所述第二融合种群替换所述精英库，记为第二精英库；
根据所述第二精英库，判断是否满足终止条件，若满足则结束操作并输出所述第二精英库，若不满足则将所述第二精英库作为所述精英库并重复上述操作。
遍历第二融合种群，找出适应度最高的个体并记录其适应度值，将第二融合种群中适应度值最高的个体的适应度值与所述初始最优个体的适应度值进行比较，若第二融合种群中适应度值最高的个体的适应度值大于初始最优个体的适应度值，则将第二融合种群替换为新的精英库，即第二精英库；
根据预设的终止条件判断是否结束操作，通常为达到最大迭代次数，或达到一定的适应度阈值；
若满足终止条件则结束操作，将第二精英库作为最终结果输出，若不满足终止条件，则将第二精英库作为新的精英库，继续执行进化算法的下一轮迭代操作。
本实施例的控制参数调整模型选择两个精英个体,这两个精英个体按照不同的选择策略来完成各自进化子种群中个体成员的选择,两个子种群有不同的进化目标：其中一个子种群的进化主要是加快算法的收敛速度,通过引入水平集概念自动地对种群进行分割，进而通过协作交叉操作避免相似个体间的无效交叉;另一个的主要进化目标是提高种群的多样性,并加入随机种群,通过分阶段调节随机种群的比例参数，更好地平衡算法的勘探和开采操作,避免算法早熟收敛或收敛速度慢等问题的产生，两个子种群协同进化，最终协同完成整个种群的进化操作。
本步骤在进化过程中不断优化个体，通过竞争、替换、更新精英库等方式，提高了搜素空间的探索效率，以找到更佳的解决方案。同时，由于设定终止条件，算法具有自动停止的机制，以便在达到一定条件时结束搜索，能够有效地解决寻找方案最优解的问题。
在一种可选的实施方式中，
所述适应度值的计算公式为：
；
其中，M为所述初始种群内的前M个个体，β 1，β 2，β 3为权重系数，表示所述负荷监视器监测到的信息期望值，I v表示所述负荷监视器监测到的实际信息值，△S表示供电成本和电能损失，△D表示负荷监视器监测到的期望值与实际值的偏差量。
适应度函数能够设计和维护精英库，算法能够更快地收敛到优质解，同时使终止条件的判断能够避免不必要的计算，提高算法的效率，能够有效地应用于负荷监视器的电气参数获取和优化问题，以寻找最佳的解决方案。
综上，本步骤使用故障定位模型能够更快地确定故障位置，通过目标求解算法，考虑多种影响因素，如电压、电流和功率等，使损失函数最小，提高了诊断的准确定，有助于优化故障诊断的过程，减少人工干预。
S3.根据所述故障位置，结合故障位置的电气信息，确定故障位置对应的故障工况，根据所述故障工况结合预设的故障恢复重构方案，对所述目标配电网进行故障恢复重构。
通常来说，配电网中故障发生的位置和故障个数均有较强的随机性，且不同的故障工况对配电网拓扑结构的影响也有所不同，因此需要对各类不同工况下的故障进行分类和归纳并提出相应的恢复重构方案。
在一种可选的实施方式中，
所述第一重构方案适用于故障区段切除后，系统不存在孤岛区域的情况，所述第二重构方案适用于故障区段切除后系统存在孤岛区域且所述孤岛区域中存在变电站的情况，所述第三重构方案适用于故障区段切除后，系统存在孤岛区域但所述孤岛区域不存在变电站的情况；
所述第一重构方案，第二重构方案和第三重构方案具体包括：
所述第一重构方案具体为，按照配电网故障恢复重构目标函数和约束条件对全网进行恢复重构求解；
所述第二重构方案具体为，对孤岛区域按照所述配电网故障恢复重构目标函数和约束条件进行求解，对非孤岛区域无需进行恢复重构；
所述第三重构方案具体为，对孤岛区域，等待故障段修复完成后，实现并网通行，对于非孤岛区域无需进行恢复重构。
在一种可选的实施方式中，
所述配电网故障恢复重构目标函数，表达式为：
；
其中，w 1表示开关状态权重系数，w 2表示配电网稳定度权重系数，L表示开关总数，K a和分别表示重构前和重构后的开关状态，闭合时取1，断开时取0，R k为支路k的电阻值，P k和Q k分别为支路k的有功功率和无功功率，U k为支路k的末端电压，γ k表示支路k的开关状态，S表示系统支路总数；
所述约束条件为节点功率约束，具体表示为：
；
；
其中，P i和Q i分别为节点i处系统注入的有功功率和无功功率，P DGi和Q DGi分别为DG接入节点i处注入的有功功率和无功功率，P Li和Q Li为节点i负荷的有功功率和无功功率，U i和U j为节点i和节点j的电压有效值，G ij为节点导纳实部，B ij为节点导纳虚部，θ ij为节点i和节点j的电压相差角。
设置约束条件可以确保电网在恢复和重构过程中仍然保持稳定，包括确保支路电流、电压和功率等在可接受的范围内，防止电网出现失稳，同时约束条件可以通过设置设备和节点的约束功率，防止在重构过程中超载和损坏关键设备。
综上，本步骤涉及到在故障发生后如何有效地恢复和重新构建配电网，针对特定的故障工况设计不同的故障恢复重构方案，从而在故障发生时能够更快地采取措施，提高了系统的故障响应速度，有助于防止故障扩大并最小化配电网故障对用户的影响，通过更好地规划和管理故障恢复和重构，可以改善电力系统的可用性和可靠性。
图2为一种配电网故障诊断优化系统的结构示意图，如图2所示，所述系统具体包括：
第一单元，用于构建目标配电网对应的电网拓扑图，确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重；
第二单元，用于基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，其中，所述故障定位模型基于深度搜索算法构建，所述目标求解算法基于改进的遗传算法构建；
第三单元，用于根据所述故障位置，结合故障位置的电气信息，确定故障位置对应的故障工况，根据所述故障工况结合预设的故障恢复重构方案，对所述目标配电网进行故障恢复重构。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (7)
1.一种配电网故障诊断优化方法，其特征在于，包括：
构建目标配电网对应的电网拓扑图，确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重；
基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，其中，所述故障定位模型基于深度搜索算法构建，所述目标求解算法基于改进的遗传算法构建；
根据所述故障位置，结合故障位置的电气信息，确定故障位置对应的故障工况，根据所述故障工况结合预设的故障恢复重构方案，对所述目标配电网进行故障恢复重构；
所述确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重包括：
并行访问配电网图模型中的所有首端负荷顶点，
以所述首端负荷顶点为起点访问所述首端负荷顶点的下游负荷顶点，并将所述首端负荷顶点的下游负荷顶点作为第二负荷顶点；
基于所述第二负荷顶点在配电网拓扑图中的位置，基于预设的权重分配模型确定所述第二负荷顶点的第二故障权重，若所述第二故障权重为正数，则将所述第二负荷顶点作为新的首端负荷顶点，并重复执行访问新的首端负荷顶点对应的下游负荷顶点的操作；若所述故障权重为负数，则停止继续访问；
若所述首端负荷顶点配置了负荷监视器，则故障区段为所述首端负荷顶点与所述第二负荷顶点间的线路，否则判断所述首端负荷顶点是否为末端负荷顶点；
若所述首端负荷顶点是末端负荷顶点，则故障区段为首端负荷顶点和第三负荷顶点间的线路；
若所述首端负荷顶点不是末端负荷顶点，则以所述首端负荷顶点为起点访问所述首端负荷顶点的上游负荷顶点，将所述首端负荷顶点的上游负荷顶点作为第三负荷顶点；
基于所述第三负荷顶点在配电网拓扑图中的位置，通过自注意力机制确定所述第三负荷顶点的第三故障权重，根据所述第三负荷顶点的故障权重确定虚警系数，结合预设的虚警阈值确定故障区段位置；
所述基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，包括：
根据所述负荷监视器获取的电气参数构建初始化种群，确定所述初始化种群的初始适应度，根据所述初始适应度大小对种群内个体进行降序排列；
选择适应度高的前M个个体组成精英库，并选择所述精英库中的最优个体记为初始最优个体，根据预设的种群分割策略将所述精英库分割，得到第一子种群和第二子种群，并分别选出交配个体，所述交配个体与所述初始最优个体完成进化操作，组成综合种群；
基于比例选择法选择与所述初始最优个体相异的第二最优个体，并通过种群个体评价函数在所述初始化种群中随机选择多个个体，得到第三子种群；
将所述综合种群和所述第三子种群合并得到融合种群，并确定所述融合种群的适应度；
将所述融合种群中的个体与所述精英库中的个体进行竞争，若融合种群中不存在此精英个体，则使用此精英个体替换所述融合种群中适应度最低的个体，若存在则不进行操作，得到第二融合种群，并将所述第二融合种群中的个体按适应度降序排列；
若所述第二融合种群中适应度值最高的个体的适应度值大于所述初始最优个体的适应度值，则使用所述第二融合种群替换所述精英库，记为第二精英库；
根据所述第二精英库，判断是否满足终止条件，若满足则结束操作并输出所述第二精英库，若不满足则将所述第二精英库作为所述精英库并重复上述操作；
所述适应度值的计算公式为：
；
其中，M为所述初始种群内的前M个个体，β 1，β 2，β 3为权重系数，表示所述负荷监视器监测到的信息期望值，I v表示所述负荷监视器监测到的实际信息值，△S表示供电成本和电能损失，△D表示负荷监视器监测到的期望值与实际值的偏差量。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括迭代训练所述权重分配模型的损失函数，如下公式所示：
；
其中，loss all表示所有支路的损失率之和，m表示支路的总数量，loss q表示第q条支路的损失率，loss g表示敏感支路的损失率，loss m-g表示不敏感支路的损失率，λ表示敏感支路的权重系数。
3.根据权利要求1所述的方法，其特征在于，所述预设的故障恢复重构方案包括：
根据不同工况下的故障，将设置第一重构方案，第二重构方案和第三重构方案；
其中，所述第一重构方案适用于故障区段切除后，系统不存在孤岛区域的情况，所述第二重构方案适用于故障区段切除后系统存在孤岛区域且所述孤岛区域中存在变电站的情况，所述第三重构方案适用于故障区段切除后，系统存在孤岛区域但所述孤岛区域不存在变电站的情况。
4.根据权利要求3所述的方法，其特征在于，所述第一重构方案，第二重构方案和第三重构方案具体包括：
所述第一重构方案具体为，按照配电网故障恢复重构目标函数和约束条件对全网进行恢复重构求解；
所述第二重构方案具体为，对孤岛区域按照所述配电网故障恢复重构目标函数和约束条件进行求解，对非孤岛区域无需进行恢复重构；
所述第三重构方案具体为，对孤岛区域，等待故障段修复完成后，实现并网通行，对于非孤岛区域无需进行恢复重构。
5.一种配电网故障诊断优化系统，所述配电网故障诊断优化系统适用于如权利要求1所述的配电网故障诊断优化方法，其特征在于，包括：
第一单元，用于构建目标配电网对应的电网拓扑图，确定所述电网拓扑图中各个节点的电气信息，结合各个节点在所述电网拓扑图中的位置，通过权重分配算法确定各个节点对应的节点权重；
第二单元，用于基于预先构建的故障定位模型，遍历所述电网拓扑图，搜索所述电网拓扑图的故障区段，并根据预设的目标求解算法确定所述电网拓扑图中故障位置，其中，所述故障定位模型基于深度搜索算法构建，所述目标求解算法基于改进的遗传算法构建；
第三单元，用于根据所述故障位置，结合故障位置的电气信息，确定故障位置对应的故障工况，根据所述故障工况结合预设的故障恢复重构方案，对所述目标配电网进行故障恢复重构。
6.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226460.1A CN116973694B (zh) | 2023-09-22 | 2023-09-22 | 配电网故障诊断优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226460.1A CN116973694B (zh) | 2023-09-22 | 2023-09-22 | 配电网故障诊断优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116973694A CN116973694A (zh) | 2023-10-31 |
| CN116973694B true CN116973694B (zh) | 2023-12-12 |
Family
ID=88479948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311226460.1A Active CN116973694B (zh) | 2023-09-22 | 2023-09-22 | 配电网故障诊断优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116973694B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454315B (zh) * | 2023-12-21 | 2024-05-28 | 国网浙江省电力有限公司宁波供电公司 | 人机终端画面数据交互方法及系统 |
| CN117978621B (zh) * | 2024-04-01 | 2024-06-04 | 辽宁客如云网络科技有限公司 | 一种网络线路故障定位方法、系统及存储介质 |
Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107017622A (zh) * | 2017-04-12 | 2017-08-04 | 长沙理工大学 | 含dg配网多故障多目标联合优化抢修恢复策略求取 |
| CN107091972A (zh) * | 2017-07-05 | 2017-08-25 | 东南大学 | 一种基于改进粒子群的有源配电网故障定位方法 |
| CN109617046A (zh) * | 2018-11-22 | 2019-04-12 | 中国电力科学研究院有限公司 | 一种电力系统中配电网稳定性分析方法 |
| CN110086153A (zh) * | 2019-04-15 | 2019-08-02 | 东南大学 | 一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法 |
| CN110147961A (zh) * | 2019-05-23 | 2019-08-20 | 华南理工大学 | 配电自动化条件下考虑用户差异的配电网可靠性分析方法 |
| CN111289845A (zh) * | 2020-01-13 | 2020-06-16 | 山东大学 | 一种有源配电网故障定位方法及系统 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
| CN112671029A (zh) * | 2020-11-30 | 2021-04-16 | 国网浙江宁波市鄞州区供电有限公司 | 一种含分布式电源的配网多阶段故障恢复方法 |
| CN114167216A (zh) * | 2021-12-06 | 2022-03-11 | 福建工程学院 | 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 |
| CN114465216A (zh) * | 2022-01-17 | 2022-05-10 | 沈阳工程学院 | 一种基于mo-cgabc的主动配电网故障恢复方法 |
| CN114636890A (zh) * | 2022-01-29 | 2022-06-17 | 国网河北省电力有限公司邯郸供电分公司 | 案例推理的故障定位方法以及系统、存储介质、电子设备 |
| CN114665479A (zh) * | 2022-05-24 | 2022-06-24 | 武汉大学 | 一种考虑网络重构的配电网供电恢复方法及系统 |
| CN114896745A (zh) * | 2022-05-07 | 2022-08-12 | 河北工业大学 | 考虑单线故障多阶段大规模多目标pmu优化配置方法 |
| WO2022179302A1 (zh) * | 2021-02-25 | 2022-09-01 | 国网河北省电力有限公司经济技术研究院 | 配电网自愈重构规划方法、装置及终端 |
| CN115219838A (zh) * | 2021-04-16 | 2022-10-21 | 国网经济技术研究院有限公司 | 一种基于多源信息融合的配电网故障研判方法 |
| CN115236457A (zh) * | 2022-08-11 | 2022-10-25 | 中国石油大学(华东) | 油田配网短路故障区段定位方法、系统、设备及存储介质 |
| CN115313374A (zh) * | 2022-08-25 | 2022-11-08 | 国网上海市电力公司 | 一种融合多代理架构的主动配电网故障恢复方法 |
| CN115395557A (zh) * | 2022-08-09 | 2022-11-25 | 武汉大学 | 一种基于有向图遍历的有源配电网故障快速恢复方法 |
| WO2022256908A1 (en) * | 2021-06-11 | 2022-12-15 | The University Of Western Ontario | Electrical grid fault localization |
| WO2023029388A1 (zh) * | 2021-09-06 | 2023-03-09 | 广东电网有限责任公司湛江供电局 | 一种基于cim模型的配电网辅助规划方法及系统 |
| CN115865696A (zh) * | 2022-11-24 | 2023-03-28 | 国网浙江省电力有限公司宁波供电公司 | 一种基于光分配网的业务管理系统 |
| CN116154855A (zh) * | 2023-02-28 | 2023-05-23 | 广东电网有限责任公司广州供电局 | 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 |
| CN116223973A (zh) * | 2023-02-28 | 2023-06-06 | 广东电网有限责任公司广州供电局 | 基于改进灰狼优化算法的分布式配电网故障定位方法 |
| CN116245136A (zh) * | 2023-03-01 | 2023-06-09 | 山东大学 | 基于改进鲸鱼优化算法的低压电网故障诊断方法及系统 |
| CN116298686A (zh) * | 2023-03-16 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 应用于配电网的故障定位方法、装置、设备及介质 |
| WO2023115842A1 (zh) * | 2021-12-24 | 2023-06-29 | 中国电力科学研究院有限公司 | 一种数据驱动的离线在线一体化配电网仿真系统及方法 |
-
2023
- 2023-09-22 CN CN202311226460.1A patent/CN116973694B/zh active Active
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107017622A (zh) * | 2017-04-12 | 2017-08-04 | 长沙理工大学 | 含dg配网多故障多目标联合优化抢修恢复策略求取 |
| CN107091972A (zh) * | 2017-07-05 | 2017-08-25 | 东南大学 | 一种基于改进粒子群的有源配电网故障定位方法 |
| CN109617046A (zh) * | 2018-11-22 | 2019-04-12 | 中国电力科学研究院有限公司 | 一种电力系统中配电网稳定性分析方法 |
| CN110086153A (zh) * | 2019-04-15 | 2019-08-02 | 东南大学 | 一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法 |
| CN110147961A (zh) * | 2019-05-23 | 2019-08-20 | 华南理工大学 | 配电自动化条件下考虑用户差异的配电网可靠性分析方法 |
| CN111289845A (zh) * | 2020-01-13 | 2020-06-16 | 山东大学 | 一种有源配电网故障定位方法及系统 |
| CN112671029A (zh) * | 2020-11-30 | 2021-04-16 | 国网浙江宁波市鄞州区供电有限公司 | 一种含分布式电源的配网多阶段故障恢复方法 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
| WO2022179302A1 (zh) * | 2021-02-25 | 2022-09-01 | 国网河北省电力有限公司经济技术研究院 | 配电网自愈重构规划方法、装置及终端 |
| CN115219838A (zh) * | 2021-04-16 | 2022-10-21 | 国网经济技术研究院有限公司 | 一种基于多源信息融合的配电网故障研判方法 |
| WO2022256908A1 (en) * | 2021-06-11 | 2022-12-15 | The University Of Western Ontario | Electrical grid fault localization |
| WO2023029388A1 (zh) * | 2021-09-06 | 2023-03-09 | 广东电网有限责任公司湛江供电局 | 一种基于cim模型的配电网辅助规划方法及系统 |
| CN114167216A (zh) * | 2021-12-06 | 2022-03-11 | 福建工程学院 | 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法 |
| WO2023115842A1 (zh) * | 2021-12-24 | 2023-06-29 | 中国电力科学研究院有限公司 | 一种数据驱动的离线在线一体化配电网仿真系统及方法 |
| CN114465216A (zh) * | 2022-01-17 | 2022-05-10 | 沈阳工程学院 | 一种基于mo-cgabc的主动配电网故障恢复方法 |
| CN114636890A (zh) * | 2022-01-29 | 2022-06-17 | 国网河北省电力有限公司邯郸供电分公司 | 案例推理的故障定位方法以及系统、存储介质、电子设备 |
| CN114896745A (zh) * | 2022-05-07 | 2022-08-12 | 河北工业大学 | 考虑单线故障多阶段大规模多目标pmu优化配置方法 |
| CN114665479A (zh) * | 2022-05-24 | 2022-06-24 | 武汉大学 | 一种考虑网络重构的配电网供电恢复方法及系统 |
| CN115395557A (zh) * | 2022-08-09 | 2022-11-25 | 武汉大学 | 一种基于有向图遍历的有源配电网故障快速恢复方法 |
| CN115236457A (zh) * | 2022-08-11 | 2022-10-25 | 中国石油大学(华东) | 油田配网短路故障区段定位方法、系统、设备及存储介质 |
| CN115313374A (zh) * | 2022-08-25 | 2022-11-08 | 国网上海市电力公司 | 一种融合多代理架构的主动配电网故障恢复方法 |
| CN115865696A (zh) * | 2022-11-24 | 2023-03-28 | 国网浙江省电力有限公司宁波供电公司 | 一种基于光分配网的业务管理系统 |
| CN116154855A (zh) * | 2023-02-28 | 2023-05-23 | 广东电网有限责任公司广州供电局 | 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 |
| CN116223973A (zh) * | 2023-02-28 | 2023-06-06 | 广东电网有限责任公司广州供电局 | 基于改进灰狼优化算法的分布式配电网故障定位方法 |
| CN116245136A (zh) * | 2023-03-01 | 2023-06-09 | 山东大学 | 基于改进鲸鱼优化算法的低压电网故障诊断方法及系统 |
| CN116298686A (zh) * | 2023-03-16 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 应用于配电网的故障定位方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 含DGs的配网多阶段故障恢复;汪沨;丁阳;陈春;宾峰;吕建红;;湖南大学学报(自然科学版)(04);全文 * |
| 基于遗传算法的配电网故障恢复研究;项胤兴;吴文宣;林韩;蔡金锭;;电气应用(19);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116973694A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116973694B (zh) | 配电网故障诊断优化方法及系统 | |
| CN110311376B (zh) | 一种电力系统动态安全评估综合模型及时空可视化方法 | |
| Bai et al. | A novel parameter identification approach via hybrid learning for aggregate load modeling | |
| CN106569030B (zh) | 一种电能计量异常诊断中的告警阈值寻优方法及装置 | |
| CN111443259A (zh) | 基于局部异常因子检测的有源配电网故障诊断方法及系统 | |
| CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
| CN115469259B (zh) | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 | |
| CN111064180B (zh) | 基于ami潮流匹配的中压配电网拓扑检测与辨识方法 | |
| CN111159922B (zh) | 一种电力系统连锁故障的关键线路辨识方法和装置 | |
| CN109657913B (zh) | 一种考虑分布式电源的输配电网联合风险评估方法 | |
| CN112287556A (zh) | 电缆绝缘状态的确定方法及装置 | |
| CN109378835A (zh) | 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统 | |
| CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
| CN114006413A (zh) | 一种基于图神经网络的电力系统暂态稳定控制方法及系统 | |
| CN112561303A (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
| CN109587145B (zh) | 一种电力网络中的虚假数据入侵检测方法、装置及设备 | |
| CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
| CN112350318B (zh) | 基于广度优先搜索算法的交流配电网拓扑辨识方法 | |
| CN113139295A (zh) | 电力系统综合状态估计方法及系统 | |
| CN112103950A (zh) | 一种基于改进gn分裂算法的电网分区方法 | |
| CN111814394B (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
| CN113872197A (zh) | 一种电能质量干扰源接纳能力的预测方法及装置 | |
| CN117559449B (zh) | 一种电网输电稳定控制方法、系统及存储介质 | |
| CN112565180A (zh) | 基于移动目标防御的电网防御方法、系统、设备及介质 |
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 |