CN117388643A - 有源配电网故障区段的定位方法、系统、设备及存储介质 - Google Patents
有源配电网故障区段的定位方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117388643A CN117388643A CN202311689346.2A CN202311689346A CN117388643A CN 117388643 A CN117388643 A CN 117388643A CN 202311689346 A CN202311689346 A CN 202311689346A CN 117388643 A CN117388643 A CN 117388643A
- Authority
- CN
- China
- Prior art keywords
- switch
- distribution network
- power distribution
- active power
- evaluation function
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 235000005770 birds nest Nutrition 0.000 claims abstract description 70
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 70
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 69
- 238000004590 computer program Methods 0.000 claims description 21
- 238000011144 upstream manufacturing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 9
- 235000013601 eggs Nutrition 0.000 description 7
- 230000003071 parasitic effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005295 random walk Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000208422 Rhododendron Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种有源配电网故障区段的定位方法、系统、设备及存储介质，该方法先基于有源配电网的拓扑结构，构建反映开关实际状态和故障时开关的期望状态之间偏移程度的评价函数，然后基于构建的评价函数，采用改进的布谷鸟算法求解得到有源配电网的故障区段位置。本发明提出了基于新移动策略的布谷鸟算法，通过改进步长、提出新的方向参数和潜在搜索空间参数来更新鸟巢位置，提高了算法的全局搜索能力和求解精度，能够实现含分布式电源的配电网故障定位要求。
Description
技术领域
本发明属于有源配电网规划融合技术领域，具体涉及一种有源配电网故障区段的定位方法、系统、设备及存储介质。
背景技术
随着经济的快速发展，未来人们对用电量的需求也相应增加。现如今，化石能源日渐枯竭，环境保护、低碳节能等概念被广泛推广，以太阳能、风能、地热能、潮汐能等清洁能源作为分布式电源(Distributed Generation，DG)接入电网成为电网发展的方向。分布式电源的介入将会对传统配电网的故障定位装置和策略带来极大的挑战，因此，研究含DG的配电网故障定位具有很重要的实际意义。
目前，人工智能法可以应用于配电网的故障定位中，例如布谷鸟算法，该算法通过模拟布谷鸟借巢寄生的行为，利用Lévy（莱维）飞行产生随机步长，与遗传算法(GA)和粒子群算法(PSO)等传统寻优算法相比，跳出局部最优的能力更强，但也正是因为Lévy飞行产生的移动步长和移动方向都具有极强的随机性，会导致算法收敛速度较慢，且如果在迭代的末尾步长过大也会导致求解精度不高。
发明内容
本发明的目的是针对现有技术存在的上述问题，提供一种收敛更快、精度更高的有源配电网故障区段定位方法、系统、设备及存储介质。
为实现以上目的，本发明的技术方案如下：
第一方面，本发明提出一种有源配电网故障区段的定位方法，包括：
S1、基于有源配电网的拓扑结构，构建反映开关实际状态和故障时开关的期望状态之间偏移程度的评价函数；
S2、基于构建的评价函数，采用改进的布谷鸟算法求解得到有源配电网的故障区段位置；
所述改进的布谷鸟算法基于如下新移动模型对鸟巢位置进行更新：
；
；
；
；
上式中，为第i只布谷鸟在第t+1代的鸟巢位置；/>为步长参数大小；/>为第t次迭代中的最优鸟巢位置；/>为方向参数；/>为改进步长；/>和/>为随机正态分布产生的两个向量；/>为影响步长的参数；/>为潜在搜索空间；/>为群体中的层次结构；/>为第i只布谷鸟的鸟巢位置；/>为第i只布谷鸟在D方向的鸟巢位置；/>为鸟巢的数量；t为当前迭代次数；/>为最大迭代次数。
所述采用以下公式计算得到：
；
上式中，为/>的参数方程；
所述采用以下公式计算得到：
；
；
上式中，为方向维度，/>为第i个方向的步长。
所述S2包括：
S21、初始化设置参数，并基于评价函数确定最优鸟巢位置和最优解；
S22、采用新移动模型更新鸟巢位置；
S23、基于评价函数评估对比更新后的位置是否优于当前位置，若是，则更新鸟巢位置，否则保持当前位置不变；
S24、判断是否达到迭代结束条件，若是，则输出最优解，否则返回S22进行下一次迭代。
所述S1中评价函数采用以下公式构建得到：
；
；
；
上式中，m为线路中开关总数；为第i个馈线区段的评价函数；/>为第i个馈线区段的状态值；/>为开关j的实际状态；/>为开关j的开关函数，即故障时开关j的期望状态；/>为判断系数；n为馈线区段数；/>为或运算；/>为开关j下游区段个数；/>为开关j下游第/>个馈线区段的状态值；/>为线路中分布式电源总数；/>为开关j下游分布式电源的接入变量；/>为开关j上游区段个数；/>为开关j上游第b个馈线区段的状态值。
第二方面，本发明提出一种有源配电网故障区段的定位系统，包括评价函数构建模块、故障区段定位模块；
所述评价函数构建模块用于基于有源配电网的拓扑结构，构建反映开关实际状态和故障时开关的期望状态之间偏移程度的评价函数；
所述故障区段定位模块用于基于构建的评价函数，采用改进的布谷鸟算法求解得到有源配电网的故障区段位置；其中，所述改进的布谷鸟算法基于如下新移动模型对鸟巢位置进行更新：
；
；
；
；
上式中，为第i只布谷鸟在第t+1代的鸟巢位置；/>为步长参数大小；/>为第t次迭代中的最优鸟巢位置；/>为方向参数；/>为改进步长；/>和/>为随机正态分布产生的两个向量；/>为影响步长的参数；/>为潜在搜索空间；/>为群体中的层次结构；/>为第i只布谷鸟的鸟巢位置；/>为第i只布谷鸟在D方向的鸟巢位置；/>为鸟巢的数量；t为当前迭代次数；/>为最大迭代次数。
所述采用以下公式计算得到：
；
上式中，为/>的参数方程；
所述采用以下公式计算得到：
；
；
上式中，为方向维度，/>为第i个方向的步长。
所述故障区段定位模块包括初始化单元、鸟巢位置更新单元、比较迭代单元；
所述初始化单元用于初始化设置参数，并基于评价函数确定最优鸟巢位置和最优解；
所述鸟巢位置更新单元用于采用新移动模型更新鸟巢位置；
所述比较迭代单元用于基于评价函数评估对比更新后的位置是否优于当前位置，若是，则更新鸟巢位置，否则保持当前位置不变；判断是否达到迭代结束条件，若是，则输出最优解，否则将相关信息传递给鸟巢位置更新单元进行下一次迭代。
所述评价函数构造模块用于构建如下评价函数：
；
；
；
上式中，m为线路中开关总数；为第i个馈线区段的评价函数；/>为第i个馈线区段的状态值；/>为开关j的实际状态；/>为开关j的开关函数，即故障时开关j的期望状态；/>为判断系数；n为馈线区段数；/>为或运算；/>为开关j下游区段个数；/>为开关j下游第/>个馈线区段的状态值；/>为线路中分布式电源总数；/>为开关j下游分布式电源的接入变量；/>为开关j上游区段个数；/>为开关j上游第b个馈线区段的状态值。
第三方面，本发明提出一种有源配电网故障区段的定位设备，包括处理器以及存储器；
所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；
所述处理器用于根据所述计算机程序代码中的指令执行上述的有源配电网故障区段的定位方法。
第四方面，本发明提出一种有源配电网故障区段的定位存储介质，包括其上存储的计算机程序；所述计算机程序被处理器执行时实现上述的一种有源配电网故障区段的定位方法的步骤。
与现有技术相比，本发明的有益效果为：
1.本发明一种有源配电网故障区段的定位方法构建的新移动模型布谷鸟算法的移动过程可分为两个部分，第一部分为在的基础上移动/>，缩小了当前解和最优解之间的距离，对提高收敛速度有着重要的作用；第二部分为/>，在最优解和/>两向量之间建立了一个平衡，通过将步长转换为绝对向量，使得和向量只在一个方向上移动，实现算法的快速收敛。
2.本发明一种有源配电网故障区段的定位方法提出了一个步长随机函数来控制方向参数的值，使得算法前几次迭代中有足够长的移动，避免局部最优；同时，在最后几次迭代中有足够短的移动，提高算法的定位精确度。
附图说明
图1为实施例1用到的有源配电网结构图。
图2为实施例1所述方法的流程图。
图3为实施例2所述系统的框架图。
图4为实施例3所述设备的结构图。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
本发明提出了一种有源配电网故障区段的定位方法、系统、设备及存储介质，该方法针对如图1所示的配电网结构，考虑大容量DG接入配电网的情况下，引入新的状态编码，初始化设置参数，建立了适应DG投切和反应实际故障与期望故障之间偏移程度的开关函数和评价函数，据此评价函数确定最优鸟巢位置和最优解；改进步长、提出新的方向参数和潜在搜索空间参数最终提出新移动模型的布谷鸟算法更新鸟巢位置，评估对比更新后的位置与当前位置，迭代结束输出最优解；最后对配电网经过典型的算例进行仿真分析。该方法提高了算法的全局搜索能力和求解精度，能够实现含分布式电源的配电网故障定位要求，并且有着收敛速度快，定位准确的优点。
布谷鸟算法是一种启发式搜索算法，其原理主要根据布谷鸟的寄生育雏的特点以及Lévy（莱维）飞行所具有的整体寻优能力来解决最优化问题。莱维飞行是低频长距离和高频短距离飞行的组合，且各段飞行路径与前一段路径相差微小角度。整个过程可描述为：布谷鸟在n个鸟巢中选择最佳鸟巢产蛋，宿主鸟以概率发现外来鸟蛋，将布谷鸟蛋丢弃或重建新巢。将该流程按照一定方式转变为以下三条规则：
(1)一只布谷鸟每次只生一个蛋并通过随机游走的方法选取一个寄生鸟巢进行孵化；
(2)在选取的寄生鸟巢中，只将最好的巢保留到下一代；
(3)寄生鸟巢数是不变的，若巢穴主人发现不是自己蛋的概率是，若发现，则会选择抛弃或重新筑巢。
更新鸟巢位置路径如下：
上式中，为第i只布谷鸟在第t+1代的鸟巢位置；/>为第i只布谷鸟在第t代的鸟巢位置；/>为步长参数大小，一般取/>；/>为点对点乘法；/> 为 Lévy 飞行路径。
Lévy 飞行路径所表达的公式如下：
基于发现概率和偏好随机游动的位置更新公式：
上式中，、/>均是[0,1]内均匀分部的随机数；/>、/>是其任意的两个鸟窝；
是跳跃函数，如下式：
鸟窝的位置更新后，将随机数与发现概率/>比较，当/>时丢弃部分鸟巢，并采用偏好随机游走重新生成相同数量的新鸟巢；/>时，保留最优的鸟巢位置，并进行下次迭代。
基于上述算法，本发明提出的一种新移动策略的布谷鸟算法，提高了算法的全局搜索能力和求解精度。
一方面，改进步长提出新的方向参数，通过改变莱维飞行中的步长，能够实现初期步长较大，后期步长较小的功能。本发明提出了四个计算步长参数/>的方程，函数/>是一个非线性凸函数，该函数的特点是函数值会显著增加，从而提高对可行域空间的搜索能力，然而该函数是有局限性的，当在可行域中的飞行距离过远时，会导致无法得到期望中的全局最优解；函数/>作为一个线性函数，可以在收敛速度和收敛精度之间取得平衡；函数/>是凹函数，其收敛速度较慢，且需要更多的迭代次数才能达到预期的精度。为了克服局限性，函数/>为三个函数的随机突变，/>值由1增加至2，其所控制的步长减小，可以在前几个迭代中有更长的移动距离，在最后几个迭代中实现足够短的移动。根据/>函数控制新的矢量步长/>随机值分布的优点，提出了新的方向参数/>，/>是步长矢量/>的和，它是一个标量数，此函数有两个可行的特征，首先/>在每次迭代中可以是正或负的值；其次，/>的值可以确定一个适当的范围供布谷鸟的运动，以此来避免远离全局的最优位置。
另一方面，最初的CS依靠完全随机的移动来寻找宿主的巢穴，这导致需要进行多次迭代才能达到全局最优，为了克服CS算法的这一缺点，本发明提出潜在搜索空间参数，该参数建立在布谷鸟群信息共享的基础上，布谷鸟在寄主巢中产卵后，会将布谷鸟蛋孵化较早的巢穴记录为可行的巢穴，根据此信息提出了一个新的区域，命名为，该区域被定义为布谷鸟下一步行动产卵的高可靠性区域。在数学模拟中，/>由记录了最佳适应度值的第一个/>解组成，/>被称为群体中的层次结构，这个值将在每次迭代后以下降的趋势被细化，同时新的参数/>也将在每次迭代后不断更新。/>扮演着一个新的领导者的角色，在每次迭代中指导着布谷鸟的移动，避免了完全随机方向的搜索，的更新过程是不断进行的，以确保新的方向总是适合于杜鹃鸟群中的运动趋势，提高算法的全局搜索能力、求解精度和收敛速度。
实施例1：
本实施例以图1所示的配电网为研究对象，在Matlab2021b环境下进行有源配电网故障区段的定位，依次按照以下步骤进行（参见图2）：
1、考虑大容量分布式电源DG接入配电网的情况下，引入新的状态编码，建立适应DG投切和反应实际故障和期望故障之间偏移程度的开关函数和评价函数，包括：
1.1、在含分布式电源的配电网中，当大容量DG并网时，DG提供的最大反向短路电流将大于主电源提供的最小正向短路电流， 因此传统的二元故障状态编码不再适用，为解决此问题，设主电源流出方向为正方向，反之为负方向，则新的FTU状态编码为：
。
1.2、为了适应分布式电源的投切，建立一个如下反映各个开关过流状态和线路区段故障状态之间逻辑关系的开关函数：
上式中，为开关j的开关函数，即故障时开关j的期望状态，为1时表示有故障电流流过，为0时则表示正常；/>为或运算；/>为开关j下游区段个数；/>为开关j下游第/>个馈线区段的状态值；/>为线路中分布式电源总数；/>为开关j下游分布式电源的接入变量，若有分布式电源接入则为1，无分布式电源接入则为0；/>为开关j上游区段个数；/>为开关j上游第b个馈线区段的状态值；下游是指开关到馈线末端或分布式电源处，上游是指开关到主电源。
1.3、在上述的编码状态和开关函数的基础上，构建如下反映开关实际状态和故障时开关的期望状态之间偏移程度的评价函数：
上式中，m为线路中开关总数；为第i个馈线区段的评价函数，/>为第i个馈线区段的状态值，为1时表示该区段故障，为0时表示该区段正常；/>为开关j的实际状态；为判断系数；n为馈线区段数。
对求最小值，对应的最优解向量即为故障定位的结果。当/>=/>时，=0，此时/>对应的为最优解；为了防止误判，添加了判断项/>，通常/>在[0，1]范围内取值，此处取0.5。
2、初始化布谷鸟算法的参数，其中，鸟巢数设置为26，鸟蛋被发现的概率=0.25，最大迭代次数/>=80。
3、基于如下新移动模型更新鸟巢位置：
上式中，为第i只布谷鸟在第t+1代的鸟巢位置；/>为步长参数大小；/>为第t次迭代中的最优鸟巢位置；/>为方向参数；/>为步长； />和/>为随机正态分布产生的两个向量；/>为影响步长的参数；/>为/>的参数方程；/>为潜在搜索空间；t为当前迭代次数；/>为最大迭代次数；/>为方向维度，/>为第i个方向的步长；/>为群体中的层次结构；/>为第i只布谷鸟的鸟巢位置；/>为第i只布谷鸟在D方向的鸟巢位置；/>为鸟巢的数量。
4、将随机数与发现概率/>比较，当/>时丢弃部分鸟巢，并采用偏好随机游走重新生成相同数量的新鸟巢；/>时，保留最优的鸟巢位置，并进行下一次迭代。
本实施例的仿真结果如表1所示：
表1 配电网故障区段定位仿真结果
配电网很少出现多处同时故障的情况，因此这里只考虑单故障、双故障和三故障的情况，并且结合DG的投切时的情况进行测试。根据仿真结果可知，本实施例所述算法对故障定位结果准确，且能够适应DG的投切，并且在加入FTU信息丢失或畸变后依然能够正确判定故障区段具有良好的容错性。
实施例2：
如图3所示，一种有源配电网故障区段的定位系统，包括评价函数构建模块、故障区段定位模块，所述故障区段定位模块包括初始化单元、鸟巢位置更新单元、比较迭代模块。
所述评价函数构建模块用于基于有源配电网的拓扑结构，构建如下反映开关实际状态和故障时开关的期望状态之间偏移程度的评价函数：
上式中，m为线路中开关总数；为第i个馈线区段的评价函数；/>为第i个馈线区段的状态值；/>为开关j的实际状态；/>为开关j的开关函数，即故障时开关j的期望状态；/>为判断系数；n为馈线区段数；/>为或运算；/>为开关j下游区段个数；/>为开关j下游第/>个馈线区段的状态值；/>为线路中分布式电源总数；/>为开关j下游分布式电源的接入变量；/>为开关j上游区段个数；/>为开关j上游第b个馈线区段的状态值。
所述初始化单元用于初始化设置参数，并基于评价函数确定最优鸟巢位置和最优解。
所述鸟巢位置更新单元用于采用如下新移动模型更新鸟巢位置：
上式中，为第i只布谷鸟在第t+1代的鸟窝位置；/>为第i只布谷鸟在第t代的鸟窝位置；/>为步长参数大小；/>为第t次迭代中的最优解；/>为方向参数；/>为步长；和/>为随机正态分布产生的两个向量；/>为影响步长的参数；/>为/>的参数方程；/>为潜在搜索空间；t为当前迭代次数；/>为最大迭代次数；/>为方向维度，为第i个方向的步长；/>为群体中的层次结构；/>为第i只布谷鸟的鸟巢位置；/>为第i只布谷鸟在D方向的鸟巢位置；/>为鸟巢的数量。
所述比较迭代单元用于基于评价函数评估对比更新后的位置是否优于当前位置，若是，则更新鸟巢位置，否则保持当前位置不变；判断是否达到迭代结束条件，若是，则输出最优解，否则将相关信息传递给鸟巢位置更新模块进行下一次迭代。
实施例3：
如图4所示，一种有源配电网故障区段的定位设备，包括处理器以及存储器，所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；所述处理器用于根据所述计算机程序代码中的指令执行实施例1所述的一种有源配电网故障区段的定位方法。
实施例4：
一种有源配电网故障区段的定位存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的一种有源配电网故障区段的定位方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种有源配电网故障区段的定位方法，其特征在于，
所述方法包括:
S1、基于有源配电网的拓扑结构，构建反映开关实际状态和故障时开关的期望状态之间偏移程度的评价函数；
S2、基于构建的评价函数，采用改进的布谷鸟算法求解得到有源配电网的故障区段位置；
所述改进的布谷鸟算法基于如下新移动模型对鸟巢位置进行更新：
；
；
；
；
上式中，为第i只布谷鸟在第t+1代的鸟巢位置；/>为步长参数大小；/>为第t次迭代中的最优鸟巢位置；/>为方向参数；/>为改进步长；/>和/>为随机正态分布产生的两个向量；/>为影响步长的参数；/>为潜在搜索空间；/>为群体中的层次结构；/>为第i只布谷鸟的鸟巢位置；/>为第i只布谷鸟在D方向的鸟巢位置；/>为鸟巢的数量；t为当前迭代次数；/>为最大迭代次数。
2.根据权利要求1所述的一种有源配电网故障区段的定位方法，其特征在于，
所述采用以下公式计算得到：
；
上式中，为/>的参数方程；
所述采用以下公式计算得到：
；
；
上式中，为方向维度，/>为第i个方向的步长。
3.根据权利要求1所述的一种有源配电网故障区段的定位方法，其特征在于，
所述S2包括：
S21、初始化设置参数，并基于评价函数确定最优鸟巢位置和最优解；
S22、采用新移动模型更新鸟巢位置；
S23、基于评价函数评估对比更新后的位置是否优于当前位置，若是，则更新鸟巢位置，否则保持当前位置不变；
S24、判断是否达到迭代结束条件，若是，则输出最优解，否则返回S22进行下一次迭代。
4.根据权利要求3所述的一种有源配电网故障区段的定位方法，其特征在于，
所述S1中评价函数采用以下公式构建得到：
；
；
；
上式中，m为线路中开关总数；为第i个馈线区段的评价函数；/>为第i个馈线区段的状态值；/>为开关j的实际状态；/>为开关j的开关函数，即故障时开关j的期望状态；/>为判断系数；n为馈线区段数；/>为或运算；/>为开关j下游区段个数；/>为开关j下游第/>个馈线区段的状态值；/>为线路中分布式电源总数；/>为开关j下游分布式电源的接入变量；/>为开关j上游区段个数；/>为开关j上游第b个馈线区段的状态值。
5.一种有源配电网故障区段的定位系统，其特征在于，
所述系统包括评价函数构建模块、故障区段定位模块；
所述评价函数构建模块用于基于有源配电网的拓扑结构，构建反映开关实际状态和故障时开关的期望状态之间偏移程度的评价函数；
所述故障区段定位模块用于基于构建的评价函数，采用改进的布谷鸟算法求解得到有源配电网的故障区段位置；其中，所述改进的布谷鸟算法基于如下新移动模型对鸟巢位置进行更新：
；
；
；
；
上式中，为第i只布谷鸟在第t+1代的鸟巢位置；/>为步长参数大小；/>为第t次迭代中的最优鸟巢位置；/>为方向参数；/>为改进步长；/>和/>为随机正态分布产生的两个向量；/>为影响步长的参数；/>为潜在搜索空间；/>为群体中的层次结构；/>为第i只布谷鸟的鸟巢位置；/>为第i只布谷鸟在D方向的鸟巢位置；/>为鸟巢的数量；t为当前迭代次数；/>为最大迭代次数。
6.根据权利要求5所述的一种有源配电网故障区段的定位系统，其特征在于，
所述采用以下公式计算得到：
；
上式中，为/>的参数方程；
所述采用以下公式计算得到：
；
；
上式中，为方向维度，/>为第i个方向的步长。
7.根据权利要求5所述的一种有源配电网故障区段的定位系统，其特征在于，
所述故障区段定位模块包括初始化单元、鸟巢位置更新单元、比较迭代单元；
所述初始化单元用于初始化设置参数，并基于评价函数确定最优鸟巢位置和最优解；
所述鸟巢位置更新单元用于采用新移动模型更新鸟巢位置；
所述比较迭代单元用于基于评价函数评估对比更新后的位置是否优于当前位置，若是，则更新鸟巢位置，否则保持当前位置不变；判断是否达到迭代结束条件，若是，则输出最优解，否则将相关信息传递给鸟巢位置更新单元进行下一次迭代。
8.根据权利要求7所述的一种有源配电网故障区段的定位系统，其特征在于，
所述评价函数构造模块用于构建如下评价函数：
；
；
；
上式中，m为线路中开关总数；为第i个馈线区段的评价函数；/>为第i个馈线区段的状态值；/>为开关j的实际状态；/>为开关j的开关函数，即故障时开关j的期望状态；/>为判断系数；n为馈线区段数；/>为或运算；/>为开关j下游区段个数；/>为开关j下游第/>个馈线区段的状态值；/>为线路中分布式电源总数；/>为开关j下游分布式电源的接入变量；/>为开关j上游区段个数；/>为开关j上游第b个馈线区段的状态值。
9.一种有源配电网故障区段的定位设备，其特征在于，
包括处理器以及存储器；
所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；
所述处理器用于根据所述计算机程序代码中的指令执行权利要求1-4任一项所述的有源配电网故障区段的定位方法。
10.一种有源配电网故障区段的定位存储介质，其上存储有计算机程序，其特征在于：
所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的一种有源配电网故障区段的定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311689346.2A CN117388643B (zh) | 2023-12-11 | 2023-12-11 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311689346.2A CN117388643B (zh) | 2023-12-11 | 2023-12-11 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117388643A true CN117388643A (zh) | 2024-01-12 |
| CN117388643B CN117388643B (zh) | 2024-03-08 |
Family
ID=89468693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311689346.2A Active CN117388643B (zh) | 2023-12-11 | 2023-12-11 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117388643B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106093713A (zh) * | 2016-08-24 | 2016-11-09 | 广东工业大学 | 一种含分布式电源的配电网区段故障定位方法及系统 |
| CN106384122A (zh) * | 2016-09-05 | 2017-02-08 | 江苏科技大学 | 一种基于改进cs‑lssvm的设备故障模式识别方法 |
| CN107679648A (zh) * | 2017-09-08 | 2018-02-09 | 上海电力学院 | 布谷鸟搜索优化二次移动平均法的月度用电量预测方法 |
| US20180121652A1 (en) * | 2016-10-12 | 2018-05-03 | Sichuan University | Kind of malicious software clustering method expressed based on tlsh feature |
| CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
| CN108896330A (zh) * | 2018-04-26 | 2018-11-27 | 红河学院 | 一种水电机组的故障诊断方法 |
| CN110261735A (zh) * | 2019-06-18 | 2019-09-20 | 西华大学 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
| US20200403406A1 (en) * | 2019-06-19 | 2020-12-24 | King Fahd University Of Petroleum And Minerals | Distribution grid fault analysis under load and renewable energy uncertainties |
| CN113901623A (zh) * | 2021-10-18 | 2022-01-07 | 南京工程学院 | 一种基于布谷鸟搜索算法的svm的配电网拓扑辨识方法 |
| CN116520084A (zh) * | 2023-05-05 | 2023-08-01 | 南京工程学院 | 一种含源配电网故障定位方法、装置及存储介质 |
| CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
| CN117013607A (zh) * | 2023-08-31 | 2023-11-07 | 国网吉林省电力有限公司四平供电公司 | 带分布式电源配电网的状态估计方法及系统 |
-
2023
- 2023-12-11 CN CN202311689346.2A patent/CN117388643B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106093713A (zh) * | 2016-08-24 | 2016-11-09 | 广东工业大学 | 一种含分布式电源的配电网区段故障定位方法及系统 |
| CN106384122A (zh) * | 2016-09-05 | 2017-02-08 | 江苏科技大学 | 一种基于改进cs‑lssvm的设备故障模式识别方法 |
| US20180121652A1 (en) * | 2016-10-12 | 2018-05-03 | Sichuan University | Kind of malicious software clustering method expressed based on tlsh feature |
| CN107679648A (zh) * | 2017-09-08 | 2018-02-09 | 上海电力学院 | 布谷鸟搜索优化二次移动平均法的月度用电量预测方法 |
| CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
| CN108896330A (zh) * | 2018-04-26 | 2018-11-27 | 红河学院 | 一种水电机组的故障诊断方法 |
| CN110261735A (zh) * | 2019-06-18 | 2019-09-20 | 西华大学 | 基于改进量子布谷鸟算法的配电网故障定位方法 |
| US20200403406A1 (en) * | 2019-06-19 | 2020-12-24 | King Fahd University Of Petroleum And Minerals | Distribution grid fault analysis under load and renewable energy uncertainties |
| CN113901623A (zh) * | 2021-10-18 | 2022-01-07 | 南京工程学院 | 一种基于布谷鸟搜索算法的svm的配电网拓扑辨识方法 |
| CN116520084A (zh) * | 2023-05-05 | 2023-08-01 | 南京工程学院 | 一种含源配电网故障定位方法、装置及存储介质 |
| CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
| CN117013607A (zh) * | 2023-08-31 | 2023-11-07 | 国网吉林省电力有限公司四平供电公司 | 带分布式电源配电网的状态估计方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| QIANGDA YANG等: "A collaborative cuckoo search algorithm with modified operation mode", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》, 28 February 2023 (2023-02-28) * |
| 徐小琴等: "基于布谷鸟搜索和模拟退火算法的两电压等级配网重构方法", 《电力系统保护与控制》, vol. 48, no. 11, 1 June 2020 (2020-06-01) * |
| 李梦媛等: "基于改进布谷鸟算法的配网故障定位研究", 《机械设计与制造工程》, vol. 51, no. 6, 15 June 2022 (2022-06-15) * |
| 赵敏等: "基于二进制布谷鸟搜索算法的含ＤＧ配电网故障定位", 《中国电工网》, 10 April 2020 (2020-04-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117388643B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109983481B (zh) | 用于从采样服务器中采样的系统、方法和装置 | |
| CN109325580A (zh) | 一种用于服务组合全局优化的自适应布谷鸟搜索方法 | |
| CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| US20230266721A1 (en) | Method for configuring a control agent for a technical system, and control device | |
| CN113281620A (zh) | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 | |
| Wang et al. | Context-aware deep model compression for edge cloud computing | |
| CN108205706B (zh) | 人工神经网络反向训练装置和方法 | |
| CN117388643B (zh) | 有源配电网故障区段的定位方法、系统、设备及存储介质 | |
| KR102694148B1 (ko) | 까마귀 탐색 알고리즘에 기반한 인공 신경망 구조의 자동 설계 방법 및 장치 | |
| CN111525577B (zh) | 一种基于神经网络的远景220kV电网组网方法及其系统 | |
| CN108537369A (zh) | 基于局部搜索的改进粒子群配电网重构算法 | |
| CN114564039B (zh) | 一种基于深度q网络和快速搜索随机树算法的航迹规划方法 | |
| Li et al. | Research on path planning of cloud robot in dynamic environment based on improved ddpg algorithm | |
| CN115764859A (zh) | 一种多能耦合配电网故障恢复方法、系统、设备及介质 | |
| CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
| CN112234599B (zh) | 一种多元复杂城市电网超前动态自适应分区方法及其系统 | |
| CN113991752A (zh) | 一种电网准实时智能控制方法及系统 | |
| CN107196328A (zh) | 一种配电网光储联合系统接入点薄弱性指数预测方法 | |
| Bi et al. | Research on Robot Path Planning Based on Improved Genetic Algorithm | |
| Zhao et al. | Fault section location for distribution network containing DG based on IBQPSO | |
| CN117387631B (zh) | 一种机器人的路径规划方法、设备及介质 | |
| CN117970931B (zh) | 一种机器人动态路径规划方法、设备及介质 | |
| Sun et al. | Wireless sensor network path optimization based on hybrid algorithm | |
| CN116506352B (zh) | 一种基于集中式强化学习的网络数据接续转发选择方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |