CN104123439A - 基于遗传算法的电网***连锁故障在线模拟方法及装置 - Google Patents
基于遗传算法的电网***连锁故障在线模拟方法及装置 Download PDFInfo
- Publication number
- CN104123439A CN104123439A CN201410321437.5A CN201410321437A CN104123439A CN 104123439 A CN104123439 A CN 104123439A CN 201410321437 A CN201410321437 A CN 201410321437A CN 104123439 A CN104123439 A CN 104123439A
- Authority
- CN
- China
- Prior art keywords
- population
- system state
- adaptive value
- individuality
- parent
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于遗传算法的电网***连锁故障在线模拟方法及装置,其中的方法包括:根据读取的***状态信息生成电网拓扑,并获取当前***状态的潮流数据;根据当前***状态的潮流数据,计算生成的***状态集合中每个***状态的适应值;根据***状态集合,生成初始种群;根据初始种群中每个个体的适应值的大小,选择生成新的种群;新的种群作为父代种群根据遗传算法的杂交和变异,生成新的子代种群;生成的子代种群不断更新达到预设的截止条件,输出电网的连锁故障结果。本发明通过模拟基于自然选择的生物进行过程,对电网进行在线连锁故障评估,快速发现***在当前状态下可能的连锁故障路径,发出故障预警,为调度人员提供辅助决策。
Description
技术领域
本发明涉及电力***连锁故障风险分析领域,更为具体地,涉及电力***中一种基于遗传算法的电网***连锁故障在线模拟方法及装置。
背景技术
随着电网互联规模的不断扩大,电力资源得到进一步优化配置,但电网的可靠运行却迎来了新的挑战。继1996年美国西部电网的两次大停电后,世界范围内又发生了多起大面积停电事故。
电力***连锁故障发生机理为:电网正常运行时每个元件都带有一定的初始负荷,当某一个或某几个元件因过负荷而导致故障发生时,会改变潮流的平衡,并引起负荷在其他节点上的重新分配,将多余的负荷转移到其他元件上。如果这些原来正常工作的元件不能处理多余的负荷,就会引起新一次的负荷重新分配,从而引发连锁的过负荷故障,并最终导致网络的大面积瘫痪和大规模停电事故的发生。连锁故障虽然发生频率较低,然而,一旦发生,造成的社会、经济影响将是重大的,对于连锁故障的研究极为必要。
目前,国内外对电力***连锁故障的研究大体上可分为三类:基于复杂网络理论的方法、基于复杂***的自组织临界理论方法和模式搜索方法。以往对电力***连锁故障的研究当中,复杂理论主要从宏观角度分析连锁故障规模与发生概率的幂律关系,通过统计数据分析***薄弱环节及电网的连锁故障风险;基于模式搜索理论的方法从连锁故障微观机理出发,分析连锁故障发生、发展中的潮流转移、安全自动装置、继电保护装置动作情况,旨在研究连锁故障具体的演化过程,但随着***规模增加,计算量将呈指数增长,耗时大大增加。与此同时,这些方法重点从电网规划角度,重点分析电网的静态特性,对电网进行连锁故障评估,因此,不能有效应用于电网的运行指导。
因此,需要提供一种新的方法,在电力***运行中及时发现电网薄弱环节,发出连锁故障预警,并解决故障问题。
发明内容
鉴于上述问题,本发明的目的是提供一种基于遗传算法的电网***连锁故障在线模拟方法及装置,对电网进行在线连锁故障评估,快速发现***在当前状态下可能的连锁故障路径,发出故障预警,为调度人员提供辅助决策。
一方面,本发明提供一种基于遗传算法的电网***连锁故障在线模拟方法,包括:
读取电网***状态信息,根据读取的电网的***状态信息生成电网拓扑,根据所述电网拓扑计算***状态的***潮流,获取***状态的潮流数据;
根据所述***状态的潮流数据,转移生成***状态集合,并计算生成的***状态集合中每个***状态的适应值;其中,所述适应值反映***当前的***状态的连锁故障的情况;
根据转移后生成的所述***状态集合,生成初始种群,同时并计算所述初始种群中每个个体的适应值;其中,每个种群中每一个个体代表一种***状态;
根据所述初始种群中每个个体的适应值,选择生成新种群,并计算所述新种群中每个个体的适应值;
所述新种群作为父代种群通过遗传算法的杂交和变异,生成子代种群;其中,所述父代种群中的个体作为父代个体,所述子代种群中的个体作为子代个体,通过比较所述父代个体的适应值与所述父代个体杂交、变异后的适应值,获取所述子代个体;
当所述生成的子代种群的更新达到预设的截止条件时,输出电网的连锁故障结果。
此外,优选的方案是,在***状态生成***状态集合的过程中,
依据所述***状态的潮流数据,分析***可能的转移状态,每一转移状态均可作为***状态的后续发展状态;结合***状态的潮流数据,计算转移后生成***状态集合中每个***状态的条件概率、以及由于故障造成的切负荷量和适应值。
此外,优选的方案是,一个***状态用一条染色体来代表,每个***状态均有其对应的***状态的条件概率Pi、失负荷量Capi及适应值Fitnessi,并条件概率Pi、失负荷量Capi和适应值Fitnessi信息存储在***状态矩阵中,每条染色体对应一条矩阵信息。
此外,优选的方案是,在生成种群的过程中,适应值大小的计算公式如下式所示:
其中,Si表示种群中的个体i;
Ci为***在此状态下的失负荷量大小;
Pi为***条件概率;
P∑为种群中所有个体条件概率之和。
此外,优选的方案是,在新种群作为父代种群通过遗传算法的杂交和变异,生成新的子代种群的过程中;
新种群中的父代个体进行杂交,随机选择两个父代个体,在所有可能的杂交后代中,比较父代个体每一种杂交后后代的适应值的大小,选择较大的适应值的***状态作为杂交后的个体,所述新种群中的父代个体每进行一次杂交,则对父代个体相对应的状态矩阵信息进行更新;
对更新的新种群中的个体进行变异,比较更新的新种群中的父代个体的适应值与所述父代个体变异后的适应值的大小,选择较大的适应值的***状态作为变异后的子代个体。
此外,优选的方案是,在读取***状态信息之前,还包括,设置遗传参数,遗传参数包括遗传代数nGeneration,种群规模Pop_size,杂交概率Pc,变异概率Pm。
另一方面,本发明还提供一种基于遗传算法的电网***连锁故障在线模拟装置,包括:潮流数据获取单元,用于读取***状态信息,根据读取的电网的***状态信息生成电网拓扑,根据所述电网拓扑计算***状态的***潮流,获取***状态的潮流数据;
***状态集合生成单元,用于根据所述***状态的潮流数据,转移生成***状态集合,并计算生成的***状态集合中每个***状态的适应值;其中,所述适应值反映***当前的***状态的连锁故障的情况;
初始种群生成单元,用于根据所述***状态集合,生成初始种群,同时并计算所述初始种群中每个个体的适应值;其中,在所述初始种群中每一个体代表一种***状态;
新种群生成单元,用于根据所述初始种群中每个个体的适应值,选择生成新种群;
子代种群生成单元,用于所述新种群作为父代种群通过遗传算法的杂交和变异,生成子代种群;其中,所述父代种群中的个体作为父代个体,所述子代种群中的个体作为子代个体,通过比较所述父代个体的适应值与所述父代个体杂交、变异后的适应值,获取所述子代个体;
连锁故障输出单元,用于当所述生成的子代种群的更新达到预设的截止条件时,输出电网的连锁故障结果。
从上面的技术方案可知,本发明的基于遗传算法的电网***连锁故障在线模拟方法及装置,从电网运行需要角度出发,结合遗传算法,提出一种新型的电力***连锁故障模拟算法,该算法可以基于***当前运行状态,考虑***运行条件影响,通过模拟基于自然选择的生物进行过程,对电网进行在线连锁故障评估,快速发现***在当前状态下可能的连锁故障路径,发出故障预警,并针对薄弱环节进行阻断,为调度人员提供辅助决策。在连锁故障演化过程中,***状态及其对应的状态信息被存储在***状态矩阵中,根据***状态信息设置连锁故障风险指标,并通过选择、杂交、变异操作,使***向连锁故障风险增加的方向发展。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明及权利要求书的内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的基于遗传算法的电网***连锁故障在线模拟方法流程示意图;
图2为根据本发明实施例的杂交流程示意图;
图3为根据本发明实施例的变异流程示意图;
图4为根据本发明实施例的基于遗传算法的电网***连锁故障在线模拟方法第二流程示意图;
图5为根据本发明实施例的基于遗传算法的电网***连锁故障在线模拟装置逻辑结构框图;
图6为根据本发明实施例的新的个体的产生示意图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。
针对前述提出的目前国内外对电力***连锁故障的研究,不能有效地应用于电网的运行指导。本发明提出了基于遗传算法的电网***连锁故障在线模拟方法及装置,采用遗传演化算法的连锁故障模拟旨在通过适当的选择压力设置,针对不同***初始状态,模拟***演化过程,搜索***可能的连锁故障状态,并发现***薄弱环节。
在本发明中充分考虑电力***运行情况,通过有效的选择***状态,大大减小连锁故障风险评估计算量,从而提高计算速度,使连锁故障风险在线评估成为可能。可以在不同初始状态下发现连锁故障路径,并发出故障预警,发现薄弱环节,为调度人员提供辅助决策,提高电力***安全可靠运行水平。
为了说明本发明提供的基于遗传算法的电网***连锁故障在线模拟方法,图1示出了根据本发明实施例的基于遗传算法的电网***连锁故障在线模拟方法流程。
如图1所示,本发明提供的基于遗传算法的电网***连锁故障在线模拟方法包括:
S110:读取电网***状态信息,根据读取的电网的***状态信息生成电网拓扑,根据电网拓扑计算***状态的***潮流,获取***状态的潮流数据。
其中,需要说明的是,在线读取电力***状态信息,然后生成电网拓扑,拓扑结构形成设备元件间的连接关系,它是网络分析各种应用软件的基础,电网拓扑是在线分析遗传算法的电力连锁故障的基础。
S120:根据***状态的潮流数据,转移生成***状态集合,并计算生成的***状态集合中每个***状态的适应值;其中,适应值反映***当前的***状态的连锁故障的情况。
具体地,根据当前***状态的潮流数据,分析***可能的状态转移过程,生成转移后***状态集合,并计算转移后每个***状态的条件概率、失负荷量及适应值。
电力***连锁故障是一小概率事件,且从电网运行角度考虑,连锁故障演化过程是一随机过程,发展过程中的每一后续状态仅于***当前状态有关,而与***的历史状态无关。
在基于遗传算法的电网***连锁故障在线模拟过程中,依据当前个体所处环境,即当前***状态的潮流数据,分析***可能的转移状态,每一转移状态均可作为该状态的后续发展状态;结合当前***运行的数据,计算转移状态的条件概率,以及由于故障造成的切负荷量,并记录在相应的状态矩阵中;计算个体的适应值,模拟自然选择压力,个体适应值反映了***当前状态的连锁故障风险情况。
也就是说,每个***状态的适应值,模拟自然选择压力,反映***当前状态的连锁故障风险情况。
每条染色体代表一个***状态,每个状态均有其对应的***状态的条件概率Pi、***失负荷量Capi及适应值Fitnessi,这些信息存储在***状态矩阵中,每条染色体对应一条矩阵信息。如表1所示的***状态信息。
表1***状态信息
元件号 | 条件概率 | 失负荷量 | 适应值 |
i | Pi | Capi | Fitnessi |
S130:根据转移后生成的***状态集合,生成初始种群,同时并计算初始种群中每个个体的适应值;其中,每个种群中每一个个体代表一种***状态。
初始种群的生成是为了电网***生成新种群做准备。需要说明的是,在生成的种群中每个个体代表一个状态***,不单单指初始种群,也可以生成其他的种群,可以理解为生成的每一个种群中的个体代表一个状态***。并且在生成初始种群的过程中,同时也获得了初始种群中个体的适应值。
S140:根据初始种群中每个个体的适应值,选择生成新种群,并计算新种群中每个个体的适应值。
具体地,有上述的***状态矩阵中可以得知,***状态矩阵中包含转移后***状态的条件概率、失负荷量及适应值大小。
其中,条件概率为转移后***状态在当前状态下的故障概率,在具体计算时,需要结合当前***状态,分析元件条件相依故障概率。元件条件相依故障概率即考虑元件自身健康状况、运行条件、运行环境影响,元件在短期内的故障概率。
适应值的计算决定遗传演化进行方向,在本发明中,为了找到***在不同初始状态下的可能连锁故障状态,***故障状态条件概率较大,以及故障状态失负荷量较大的状态需要得到保留及适当发展。
也就是说,选择生成新种群,是指比较初始种群中每个个体的适应值的大小,选择适应值大的个体,将这些适应值大的个体集合起来,生成一个新种群。
下面以种群规模大小为Pop_size的种群为例,解释如何由初始种群生成新种群。初始种群中每个体具有一定的适应值,记为Fitness(Si),种群中所有个体的适应之和为,那么每个个体在初始种群中适应值所占的比例可求为:。在生成新种群时,依次产生Pop_size个随机数,每一个随机数确定一个新的个体。具体而言,产生一个新的随机数rand,比较rand与Pi大小,如果,则Pk+1被选出。
而后确定从初始种群中选择出来的新的个体;为了说明新的个体的产生,图6示出了根据本发明实施例的新的个体的产生。
如图6所示,以种群规模6为例:p1、p2…p6代表初始种群中1至6个体适应值所占的比例。产生一个随机数rand,如果p1+p2<rand<p1+p2+p3,则p3被选出。
其中,适应值大小的计算公式如下式所示:
在上述的计算公式中,Si表示种群中的个体i,Ci为***在此状态下的失负荷量大小,Pi为***条件概率,P∑为种群中所有个体条件概率之和。
其中,需要说明的是,适应值可以反应电力***连锁故障风险情况,可作为连锁故障风险指标。
S150:新种群作为父代种群通过遗传算法的杂交和变异,生成子代种群;其中,父代种群中的个体作为父代个体,子代种群中的个体作为子代个体,通过比较父代个体的适应值与父代个体杂交、变异后的适应值,获取子代个体。
具体地,在新种群作为父代种群通过遗传算法的杂交和变异,生成新的子代种群的过程中;新种群中的父代个体进行杂交,随机选择两个父代个体,在所有可能的杂交后代中,比较父代个体每一种杂交后后代的适应值的大小,选择较大的适应值的***状态作为杂交后的个体,新种群中的父代个体每进行一次杂交,则对父代个体相对应的状态矩阵信息进行更新。对更新的新种群中的个体进行变异,比较更新的新种群中的父代个体的适应值与所述父代个体变异后的适应值的大小,选择较大的适应值的***状态作为变异后的子代个体。
需要说明的是,由于两个父代进行杂交时,可能会产生不同的杂交后代,这由杂交位置不同决定的。而每一种杂交后代均有相应的适应值。在进行杂交时,只选择杂交后代具有最大适应值的为父代杂交后的结果。
在本发明中,电网模拟生物进化过程,为了增加种群的多样性,产生新的个体,即新的***状态,进行杂交和变异的操作。并且,为了加速进化速度,只保留优秀的后代进入新的遗传进程中。
在电网***模拟杂交时,随机生成一个随机数rc,若rc<Pc,其中,Pc为一个预先设定的杂交概率(固定值),进行杂交操作;否则,保留个体不变。
进行杂交时,尽量使杂交过程可以产生新的个体,并希望***可以向更坏的情况发展,具体而言,杂交个体在待杂交个体中寻找自身不存在的故障状态,并选择在本个体条件下,具有最大适应值的故障状态为杂交后的个体状态。因此杂交后的个体将比杂交前个体具有更多的故障元件。每进行一次杂交操作,均需要更新与个体相对应的状态矩阵信息。
为了详细说明新种群中的个体杂交的流程,图2示出了根据本发明实施例的杂交流程。
如图2所示,新种群中的个体杂交的具体流程包括:步骤S201:现在两个个体a和b;具体地,在选择生成新种群中选择任两个个体。
步骤S202:rc<Pc;具体地,随机生成一个随机数rc,若rc<Pc,进入步骤S203;否则,保留个体不变,进入步骤S211,杂交结束;其中,Pc为个体的条件概率;
步骤S203:对a、b进行杂交;
步骤S204:b中存在a中没有的故障类型?若b中存在a中没有的故障类型,进入步骤S205;若b中不存在a中没有的故障类型,进入步骤S210;
步骤S205:状态潮流计算,生成状态矩阵。
步骤S206:状态a是否有失符荷?若有失负荷,进入步骤S208;
步骤S207:修正母线信息;具体地,修正选择生成新种群的信息;进入步骤S208;
步骤S208:计算潮流,获取a状态矩阵;具体,计算状态潮流,获取个体a的状态矩阵;
步骤S209:选择在状态a下,b中故障类型适应值最大的为杂交后代;
步骤S210:全部状态?具体地,检查新种群中的个体是否满足杂交后的个体将比杂交前个体具有更多的故障元件,不满足这个条件,进入上述步骤S204;满足的条件,进入步骤S211;
步骤S211:杂交结束。
在电网***模拟变异及保存最优时,随机生成一个随机数rm,若rm<Pm,进行变异操作;否则,保留个体不变。此后,比较杂交、变异后个体的适应值与父代适应值大小,若变异后个体适应值大于父代个体适应值,则取代父代个体,成为新的子代个体;否则,父代个体成为新的子代个体。
为了详细说明个体变异及保存最优的流程,图3示出了根据本发明实施例的变异及保存最优流程。
如图3所示:体变异及保存最优的具体流程包括:步骤S301:选择一个个体a;
步骤S302:rm<Pm;具体地,随机生成一个随机数rm,若rm<Pm,进行变异操作,进入步骤S303;否则,保留个体不变。
步骤S303:a进行变异。
步骤S304:a有失负荷?
步骤S305:修正母线信息;具体地,修正选择生成的种群的信息。
步骤S306:选择变异位置;具体地,选择个体a变异的位置。
步骤S307:计算变异后状态矩阵;具体地,计算a变异后的状态矩阵,其中包括变异后的适应值;
步骤S308:优于父代?具体地,比较变异后个体的适应值与父代适应值大小,若变异后个体适应值大于父代个体适应值,则取代父代个体,成为新的子代个体,进入步骤S310;否则,父代个体成为新的子代个体,进入步骤S309。
步骤S309:保留父代为新的子代,直接进入步骤S311,变异结束。
步骤S310:新的子代;具体地,变异后的子代个体代替父代个体,成为新的子代个体。
步骤S311:结束。
由图2和图3中可以得知,新种群根据杂交、变异后的子代个体适应值与父代个体适应值的大小,生成新的子代种群。也就是说,通过比较杂交、变异后的子代个体与父代个体的适应值大小,若变异后个体适应值大于父代个体适应值,则取代父代个体,成为新的子代个体;否则,父代个体成为新的子代个体,新种群通过此种方法生成新的子代种群。
S160:当生成的子代种群的更新达到预设的截止条件时,输出电网的连锁故障结果。
具体地,反复步骤S140~步骤S150,直至子代种群满足预设的截止条件。设置两个截止条件用于路上连锁故障的遗传演化,其一,当遗传演化达到预先设定的遗传代数nGeneration;其二,新的子代种群失负荷量较父代种群失负荷量不再增加。
当满足上述的截止条件,将输出电网的连锁故障结果,电网的在线模拟连锁故障的遗传演化结束。
需要说明的是,在基于遗传算法的电网***连锁故障在线模拟方法中,在读取电网***数据之前,要设置遗传参数。遗传参数包括:遗传代数nGeneration,种群规模Pop_size,杂交概率Pc,变异概率Pm。
根据电力***运行情况,由于基于遗传算法的电力***连锁故障在线模拟,对电力***首先要设置遗传参数,分别为:遗传代数nGeneration,种群规模Pop_size,杂交概率Pc,变异概率Pm,设置的这些遗传参数在电力***序的模拟方法中皆用到。
其中,遗传代数确定遗传进行的代数,即总共生成多少次新的种群,每一代都是经过选择、杂交、变异、保存最优的操作。种群规模决定种群中的个体数量。这两个参数在最初执行时确定,此后保持数量不变。
需要说明的是,在遗传进行过程中,反复进行选择、杂交、变异、最优保存的操作,直至子代种群达到截止条件。如果子代种群达到截止条件,也可以提前退出遗传过程,即在未达到指定遗传代数前,停止遗传演化。为了进一步说明基于遗传算法的电网***连锁故障在线模拟方法,图4示出了根据本发明实施例的基于遗传算法的电网***连锁故障在线模拟方法第二流程。
如图4所示,本发明提供的基于遗传算法的电网***连锁故障在线模拟方法第二流程具体包括:步骤S401:初始状态;具体是指电力***的初始状态;
步骤S402:参数设置;具体地,对电力***首先要设置遗传参数,分别为:遗传代数nGeneration,种群规模Pop_size,杂交概率Pc,变异概率Pm。
步骤S403:状态集合;具体地,读取电力***状态信息,生成电网拓扑,计算***潮流,根据电力当前***状态,分析***可能的状态转移过程,生成转移后***状态集合,并计算转移后每个***状态的条件概率、失负荷量及适应值。
步骤S404:初始种群;具体地,根据***状态集合生成初始种群。
步骤S405:选择;具体地,通过初始种群的适应值大小,选择生成新种群。
步骤S406:杂交变异;具体地,新种群作为父代种群中的个体进行杂交和变异;
步骤S407:新的子代种群;具体地,根据杂交和变异的结果,比较变异后的子代个体适应值与父代个体适应值的大小,生成新的子代种群;
步骤S408:截止?具体地,生成的子代种群不断更新,若达到预设的截止条件,进入步骤S409,输出电网的连锁故障结果,演化结束;若达不到预设的截止条件,进入步骤S405,重复步骤S405至步骤S407;
步骤S409:演化结束。
通过上述方法可以得出:通过模拟基于自然选择的生物进行过程,对电网进行在线连锁故障评估,快速发现***在当前状态下可能的连锁故障路径,发出故障预警,并针对薄弱环节进行阻断,为调度人员提供辅助决策。
与上述方法相对应,本发明还提供一种基于遗传算法的电网***连锁故障在线模拟装置,图5示出了根据本发明实施例的基于遗传算法的电网***连锁故障在线模拟装置逻辑结构。
如图5所示,本发明提供的基于遗传算法的电网***连锁故障在线模拟装置500包括:潮流数据获取单元510、***状态集合生成单元520、初始种群生成单元530、新种群生成单元540、子代种群生成单元550、连锁故障输出单元560。
潮流数据获取单元510用于读取***状态信息,根据读取的电网的***状态信息生成电网拓扑,根据电网拓扑计算***状态的***潮流,获取***状态的潮流数据。
***状态集合生成单元520用于根据***状态的潮流数据,转移生成***状态集合,并计算生成的***状态集合中每个***状态的适应值;其中,适应值反映***当前的***状态的连锁故障的情况。
初始种群生成单元530用于根据所述***状态集合,生成初始种群,同时并计算初始种群中每个个体的适应值;其中,在初始种群中每一个体代表一种***状态。
新种群生成单元540用于根据初始种群中每个个体的适应值,选择生成新种群,并计算新种群中每个个体的适应值。
子代种群生成单元550用于新种群作为父代种群通过遗传算法的杂交和变异,生成子代种群;其中,父代种群中的个体作为父代个体,子代种群中的个体作为子代个体,通过比较父代个体的适应值与父代个体杂交、变异后的适应值,获取子代个体。
连锁故障输出单元560,用于当生成的子代种群的更新达到预设的截止条件时,输出电网***的连锁故障结果。
在本发明基于遗传算法的电网***连锁故障在线模拟装置中,还包括遗传参数设置单元(图中未标出)。遗传参数设置单元用于设置遗传参数,遗传参数包括遗传代数nGeneration,种群规模Pop_size,杂交概率Pc,变异概率Pm。
其中,***状态集合生成单元520在***状态生成***状态集合的过程中,依据***状态的潮流数据,分析***可能的转移状态,每一转移状态均可作为***状态的后续发展状态;结合***状态的潮流数据,计算转移后生成***状态集合中每个***状态的条件概率、以及由于故障造成的切负荷量和适应值。
一个***状态用一条染色体来代表,每个***状态均有其对应的***状态的条件概率Pi、失负荷量Capi及适应值Fitnessi,并所述条件概率Pi、所述失负荷量Capi和所述适应值Fitnessi信息存储在***状态矩阵中,每条染色体对应一条矩阵信息。
其中,新种群生成单元540,在生成新种群的过程中,适应值大小的计算公式如下式所示:
其中,Si表示种群中的个体i;
Ci为***在此状态下的失负荷量大小;
Pi为***条件概率;
P∑为种群中所有个体条件概率之和。
其中,子代种群生成单元550在生成子代种群的过程中,子代种群生成单元包括杂交单元和变异单元。
杂交单元用于新种群中的父代个体进行杂交,随机选择两个父代个体,在所有可能的杂交后代中,比较所述父代个体每一种杂交后后代的适应值的大小,选择较大的适应值的***状态作为杂交后的个体,新种群中的父代个体每进行一次杂交,则对父代个体相对应的状态矩阵信息进行更新。
变异单元用于对更新的新种群中的个体进行变异,比较更新的新种群中的父代个体的适应值与所述父代个体变异后的适应值的大小,选择较大的适应值的***状态作为变异后的子代个体。
通过上述实施方式可以看出,本发明提供的基于遗传算法的电网***连锁故障在线模拟方法及装置,发明从电网运行需要角度出发,结合遗传算法,提出一种新型的电网***连锁故障模拟算法,该算法可以基于***当前运行状态,考虑***运行条件影响,通过模拟基于自然选择的生物进行过程,对电网进行在线连锁故障评估,快速发现***在当前状态下可能的连锁故障路径,发出故障预警,并针对薄弱环节进行阻断,为调度人员提供辅助决策。在连锁故障演化过程中,***状态及其对应的状态信息被存储在***状态矩阵中,根据***状态信息设置连锁故障风险指标,并通过选择、杂交、变异操作,使***向连锁故障风险增加的方向发展。
如上参照附图以示例的方式描述了根据本发明提出的基于遗传算法的电网***连锁故障在线模拟方法及装置。但是,本领域技术人员应当理解,对于上述本发明所提出的基于遗传算法的电网***连锁故障在线模拟方法及装置,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (12)
1.一种基于遗传算法的电网***连锁故障在线模拟方法,包括:
读取电网***状态信息,根据读取的电网的***状态信息生成电网拓扑,根据所述电网拓扑计算***状态的***潮流,获取***状态的潮流数据;
根据所述***状态的潮流数据,转移生成***状态集合,并计算生成的***状态集合中每个***状态的适应值;其中,所述适应值反映***当前的***状态的连锁故障的情况;
根据转移后生成的所述***状态集合,生成初始种群,同时并计算所述初始种群中每个个体的适应值;其中,每个种群中每一个个体代表一种***状态;
根据所述初始种群中每个个体的适应值,选择生成新种群,并计算所述新种群中每个个体的适应值;
所述新种群作为父代种群通过遗传算法的杂交和变异,生成子代种群;其中,所述父代种群中的个体作为父代个体,所述子代种群中的个体作为子代个体,通过比较所述父代个体的适应值与所述父代个体杂交、变异后的适应值,获取所述子代个体;
当所述生成的子代种群的更新达到预设的截止条件时,输出电网的连锁故障结果。
2.根据权利要求1所述的基于遗传算法的电网***连锁故障在线模拟方法,其中,
在***状态生成***状态集合的过程中,
依据所述***状态的潮流数据,分析***可能的转移状态,每一转移状态均可作为***状态的后续发展状态;结合***状态的潮流数据,计算转移后生成***状态集合中每个***状态的条件概率、以及由于故障造成的切负荷量和适应值。
3.根据权利要求2所述的基于遗传算法的电网***连锁故障在线模拟方法,其中,
一个***状态用一条染色体来代表,每个***状态均有其对应的***状态的条件概率Pi、失负荷量Capi及适应值Fitnessi,并所述条件概率Pi、所述失负荷量Capi和所述适应值Fitnessi信息存储在***状态矩阵中,每条染色体对应一条矩阵信息。
4.根据权利要求3所述的基于遗传算法的电网***连锁故障在线模拟方法,其中,
在生成种群的过程中,适应值大小的计算公式如下式所示:
其中,Si表示种群中的个体i;
Ci为***在此状态下的失负荷量大小;
Pi为***条件概率;
P∑为种群中所有个体条件概率之和。
5.根据权利要求4所述的基于遗传算法的电网***连锁故障在线模拟方法,其中,
在所述新种群作为父代种群通过遗传算法的杂交和变异,生成新的子代种群的过程中;
所述新种群中的父代个体进行杂交,随机选择两个父代个体,在所有可能的杂交后代中,比较所述父代个体每一种杂交后后代的适应值的大小,选择较大的适应值的***状态作为杂交后的个体,所述新种群中的父代个体每进行一次杂交,则对父代个体相对应的状态矩阵信息进行更新;
对更新的新种群中的个体进行变异,比较更新的新种群中的父代个体的适应值与所述父代个体变异后的适应值的大小,选择较大的适应值的***状态作为变异后的子代个体。
6.根据权利要求1所述的基于遗传算法的电网***连锁故障在线模拟方法,在读取所述***状态信息之前,还包括,
设置遗传参数,遗传参数包括遗传代数nGeneration,种群规模Pop_size,杂交概率Pc,变异概率Pm。
7.一种基于遗传算法的电网***连锁故障在线模拟装置,包括:
潮流数据获取单元,用于读取***状态信息,根据读取的电网的***状态信息生成电网拓扑,根据所述电网拓扑计算***状态的***潮流,获取***状态的潮流数据;
***状态集合生成单元,用于根据所述***状态的潮流数据,转移生成***状态集合,并计算生成的***状态集合中每个***状态的适应值;其中,所述适应值反映***当前的***状态的连锁故障的情况;
初始种群生成单元,用于根据所述***状态集合,生成初始种群,同时并计算所述初始种群中每个个体的适应值;其中,在所述初始种群中每一个体代表一种***状态;
新种群生成单元,用于根据所述初始种群中每个个体的适应值,选择生成新种群,并计算所述新种群中每个个体的适应值;
子代种群生成单元,用于所述新种群作为父代种群通过遗传算法的杂交和变异,生成子代种群;其中,所述父代种群中的个体作为父代个体,所述子代种群中的个体作为子代个体,通过比较所述父代个体的适应值与所述父代个体杂交、变异后的适应值,获取所述子代个体;
连锁故障输出单元,用于当所述生成的子代种群的更新达到预设的截止条件时,输出电网的连锁故障结果。
8.根据权利要求7所述的基于遗传算法的电网***连锁故障在线模拟装置,其中,
所述***状态集合生成单元在***状态生成***状态集合的过程中,
依据所述***状态的潮流数据,分析***可能的转移状态,每一转移状态均可作为***状态的后续发展状态;结合***状态的潮流数据,计算转移后生成***状态集合中每个***状态的条件概率、以及由于故障造成的切负荷量和适应值。
9.根据权利要求8所述的基于遗传算法的电网***连锁故障在线模拟装置,其中,
一个***状态用一条染色体来代表,每个***状态均有其对应的***状态的条件概率Pi、失负荷量Capi及适应值Fitnessi,并所述条件概率Pi、所述失负荷量Capi和所述适应值Fitnessi信息存储在***状态矩阵中,每条染色体对应一条矩阵信息。
10.根据权利要求7所述的基于遗传算法的电网***连锁故障在线模拟装置,其中,
所述新种群生成单元,在生成所述新种群的过程中,适应值大小的计算公式如下式所示:
其中,Si表示种群中的个体i;
Ci为***在此状态下的失负荷量大小;
Pi为***条件概率;
P∑为种群中所有个体条件概率之和。
11.根据权利要求10所述的基于遗传算法的电网***连锁故障在线模拟装置,其中,
所述子代种群生成单元包括杂交单元和变异单元,
所述杂交单元,用于所述新种群中的父代个体进行杂交,随机选择两个父代个体,在所有可能的杂交后代中,比较所述父代个体每一种杂交后后代的适应值的大小,选择较大的适应值的***状态作为杂交后的个体,所述新种群中的父代个体每进行一次杂交,则对父代个体相对应的状态矩阵信息进行更新;
所述变异单元,用于对更新的新种群中的个体进行变异,比较更新的新种群中的父代个体的适应值与所述父代个体变异后的适应值的大小,选择较大的适应值的***状态作为变异后的子代个体。
12.根据权利要求7所述的基于遗传算法的电网***连锁故障在线模拟装置,还包括,
遗传参数设置单元,用于设置遗传参数,遗传参数包括遗传代数nGeneration,种群规模Pop_size,杂交概率Pc,变异概率Pm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321437.5A CN104123439B (zh) | 2014-07-07 | 2014-07-07 | 基于遗传算法的电网***连锁故障在线模拟方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321437.5A CN104123439B (zh) | 2014-07-07 | 2014-07-07 | 基于遗传算法的电网***连锁故障在线模拟方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123439A true CN104123439A (zh) | 2014-10-29 |
CN104123439B CN104123439B (zh) | 2016-12-14 |
Family
ID=51768848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410321437.5A Active CN104123439B (zh) | 2014-07-07 | 2014-07-07 | 基于遗传算法的电网***连锁故障在线模拟方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123439B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150237A (zh) * | 2018-08-15 | 2019-01-04 | 桂林电子科技大学 | 一种鲁棒多用户检测器设计方法 |
CN113987852A (zh) * | 2021-12-29 | 2022-01-28 | 长沙理工大学 | 一种电力信息物理***的高风险线路组合分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179196A (zh) * | 2007-11-15 | 2008-05-14 | 上海交通大学 | 基于确定性二层规划模型的输电网规划方法 |
CN101295875A (zh) * | 2008-06-03 | 2008-10-29 | 山东电力研究院 | 建立不确定性环境下输电网规划模型的方法 |
-
2014
- 2014-07-07 CN CN201410321437.5A patent/CN104123439B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179196A (zh) * | 2007-11-15 | 2008-05-14 | 上海交通大学 | 基于确定性二层规划模型的输电网规划方法 |
CN101295875A (zh) * | 2008-06-03 | 2008-10-29 | 山东电力研究院 | 建立不确定性环境下输电网规划模型的方法 |
Non-Patent Citations (5)
Title |
---|
RAN CAO 等: "《Brittleness Analysis of Complex Systems Subject to Cascading Failure》", 《PROCEEDINGS OF 2013 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 * |
刘国栋: "《含有微网的配电网络故障恢复重构研究》", 《中国优秀硕士学位论文全文数据库 工程技术Ⅱ辑》 * |
周韩: "《电力***安全保障技术中的预警指标及决策研究》", 《中国优秀硕士学位论文全文数据库 工程技术Ⅱ辑》 * |
汪旸 等: "《基于遗传信息融合技术的广域继电保护》", 《电工技术学报》 * |
汪旸: "《高压电网有限广域智能保护研究》", 《中国博士学位论文全文数据库 工程技术Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150237A (zh) * | 2018-08-15 | 2019-01-04 | 桂林电子科技大学 | 一种鲁棒多用户检测器设计方法 |
CN113987852A (zh) * | 2021-12-29 | 2022-01-28 | 长沙理工大学 | 一种电力信息物理***的高风险线路组合分析方法 |
CN113987852B (zh) * | 2021-12-29 | 2022-06-14 | 长沙理工大学 | 一种电力信息物理***的高风险线路组合分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104123439B (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Otto et al. | Global views on modular design research: linking alternative methods to support modular product family concept development | |
Basu | Dynamic economic emission dispatch using nondominated sorting genetic algorithm-II | |
Hu et al. | Binary-representation-based genetic algorithm for aircraft arrival sequencing and scheduling | |
Um et al. | The simulation design and analysis of a flexible manufacturing system with automated guided vehicle system | |
Li et al. | Multi-objective and multi-stage reliability growth planning in early product-development stage | |
CN103198366B (zh) | 一种考虑目标节点时效性的多目标路径规划方法 | |
Zeng et al. | Antithetic method‐based particle swarm optimization for a queuing network problem with fuzzy data in concrete transportation systems | |
Mejía et al. | A new Hybrid Filtered Beam Search algorithm for deadlock-free scheduling of flexible manufacturing systems using Petri Nets | |
CN102801552A (zh) | 基于网络建模的用于错误隔离和错误减轻的***和方法 | |
Levitin et al. | Optimal mission aborting in multistate systems with storage | |
Masuda et al. | Rule‐based searching for collision test cases of autonomous vehicles simulation | |
Mejía et al. | Petri nets and genetic algorithms for complex manufacturing systems scheduling | |
De Freitas et al. | Solution to economic–emission load dispatch by cultural algorithm combined with local search: Case study | |
CN106327033A (zh) | 一种基于马尔可夫过程的电力***连锁故障解析方法 | |
Alfieri et al. | The time buffer approximated Buffer Allocation Problem: A row–column generation approach | |
Mandelli et al. | Dynamic PRA: an overview of new algorithms to generate, analyze and visualize data | |
Azadeh et al. | Artificial immune simulation for improved forecasting of electricity consumption with random variations | |
Fazlollahtabar et al. | Reliability models of complex systems for robots and automation | |
CN104123439A (zh) | 基于遗传算法的电网***连锁故障在线模拟方法及装置 | |
Haworth et al. | Using synthetic crowds to inform building pillar placements | |
Mohammadi et al. | MCLP and SQM models for the emergency vehicle districting and location problem | |
Bartz-Beielstein | Stacked generalization of surrogate models-a practical approach | |
Matsuoka | Overview of system reliability analyses for PSA | |
Ni et al. | Models and algorithm for the orienteering problem in a fuzzy environment | |
Hanea et al. | Using dynamic Bayesian networks to implement feedback in a management risk model for the oil industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |