CN116257973A - 基于粒子群算法的低压电网线路阻抗、损耗计算方法及*** - Google Patents
基于粒子群算法的低压电网线路阻抗、损耗计算方法及*** Download PDFInfo
- Publication number
- CN116257973A CN116257973A CN202211520122.4A CN202211520122A CN116257973A CN 116257973 A CN116257973 A CN 116257973A CN 202211520122 A CN202211520122 A CN 202211520122A CN 116257973 A CN116257973 A CN 116257973A
- Authority
- CN
- China
- Prior art keywords
- voltage
- node
- impedance
- particle swarm
- branch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 71
- 238000004364 calculation method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000021615 conjugation Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于粒子群算法的低压电网线路阻抗、线损计算方法及***,获取变压器二次侧的电参量数据以及各用户端的电参量数据;其中,电参量数据包括电压、电流、有功功率和无功功率;根据获取的电参量数据以及粒子群优化模型,得到低压电网线路的各用户支路的阻抗;其中,粒子群优化模型以均方误差的误差最小为目标函数;所述均方误差的获取,包括:利用各用户端电参量数据得到变压器二次侧电压计算值,各计算值与变压器二次侧电压测量值分别求差,将各差值的平方加和后求均值,得到均方误差;根据阻抗进行线损计算;本发明能够快速精确地计算电网配电线路的各支路阻抗值,提高了计算速度和准确性。
Description
技术领域
本发明涉及电力工程技术领域,特别涉及一种基于粒子群算法的低压电网线路阻抗、损耗计算方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
随着配电网智能化程度地提高,大量智能电表的安装使用和智能配变终端引入配电网。使得电网端可以获取配电台区的线路阻抗参数,以及电网的拓扑结构。传统的线路潮流计算方法效率低下,计算过程复杂且准确性不高,基于这些,研究基于粒子群算法的低压电网线路阻抗和线损计算方法,将粒子群算法跟传统的线路潮流计算相结合,提出了一种新的线路阻抗计算方法。
配电网的线路阻抗参数,是计算配网线路潮流关系的前提条件之一;潮流计算是电力***分析中最常见也是最基本的计算之一,包括计算线路上的电压、功率损耗、功率分布等。但是实现这些潮流计算的前提是要已知网络中的线路阻抗参数,有了线路阻抗参数才能够计算出线路的功率损耗和电压降落,进而通过前推回代法等潮流计算方法得到配网的潮流分布;窃电现象是现实生活中经常存在的一种问题,窃电现象会引起台区的线损增大,以往的计算方法中只能根据供电量和耗电量计算整个台区的线损,无法精确到某个表箱甚至某个支路上,造成了排查问题的困难。
发明内容
为了解决现有技术的不足,本发明提供了一种基于粒子群算法的低压电网线路阻抗、损耗计算方法及***,结合粒子群算法和电网线路的潮流计算方法,能够快速精确地计算电网配电线路的各支路阻抗值,具有计算速度快,准确性高的优势。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种基于粒子群算法的低压电网线路阻抗计算方法。
一种基于粒子群算法的低压电网线路阻抗计算方法,包括以下过程:
获取变压器二次侧的电参量数据以及各用户端的电参量数据;其中,电参量数据包括电压、电流、有功功率和无功功率;
根据获取的电参量数据以及粒子群优化模型,得到低压电网线路的各用户支路的阻抗;
其中,粒子群优化模型以均方误差的误差最小为目标函数;
所述均方误差的获取,包括:利用各用户端电参量数据得到变压器二次侧电压计算值,各计算值与变压器二次侧电压测量值分别求差,将各差值的平方加和后求均值,得到均方误差。
作为本发明第一方面可选的一种实现方式,均方误差的误差δ为:
其中,T为用于潮流计算的时间序列长度,(Uat)MSE为均方误差,t为当前时刻。
作为本发明第一方面可选的一种实现方式,均方误差,包括:
其中,a为台区变压器节点,i为第i个用户端节点,n为用户端节点的总数量,Uait为t时刻根据第i个用户端节点计算得到的台区变压器。
作为本发明第一方面可选的一种实现方式,对任意两个相邻的上下游节点,上游节点的电压U上为:
其中,U下为表示下游节点的电压,I下为由上游节点到下游节点的电流,P下下游节点的有功功率,Q下为下游节点的无功功率。
本发明第二方面提供了一种基于粒子群算法的低压电网线路阻抗计算***。
一种基于粒子群算法的低压电网线路阻抗计算***,包括:
数据获取模块,被配置为:获取变压器二次侧的电参量数据以及各用户端的电参量数据;其中,电参量数据包括电压、电流、有功功率和无功功率;
阻抗计算模块,被配置为:根据获取的电参量数据以及粒子群优化模型,得到低压电网线路的各用户支路的阻抗;
其中,粒子群优化模型以均方误差的误差最小为目标函数;
所述均方误差的获取,包括:利用各用户端电参量数据得到变压器二次侧电压计算值,各计算值与变压器二次侧电压测量值分别求差,将各差值的平方加和后求均值,得到均方误差。
本发明第三方面提供了一种基于粒子群算法的低压电网线路损耗计算方法。
一种基于粒子群算法的低压电网线路损耗计算方法,根据本发明第一方面所述的基于粒子群算法的低压电网线路阻抗计算方法得到各支路的阻抗;
根据前推回代方式计算各支路的电流和各节点的电压;
根据各节点的电压构建收敛条件判据,根据各支路的阻抗和各支路的电流,得到支路损耗。
作为本发明第三方面的一种实现方式,ij支路损耗Ploss为:
作为本发明第三方面的一种实现方式,前推回代方式,包括:
给节点电压假设初始值,然后从下游节点开始向前求各支路的电流,从上游节点开始计算节点电压,判断是否满足终止迭代条件,若不满足则返回进行前推回代的计算,直至满足判断条件;
所述终止迭代条件,包括:
根据前推回代方式计算节点j的电压共轭值,包括:
本发明第四方面提供的一种基于粒子群算法的低压电网线路损耗计算***。
一种基于粒子群算法的低压电网线路损耗计算***,包括:
阻抗计算模块,被配置为:根据本发明第一方面所述的基于粒子群算法的低压电网线路阻抗计算方法得到各支路的阻抗;
前推回代模块,被配置为:根据前推回代方式计算各支路的电流和各节点的电压;
损耗计算模块,被配置为:根据各节点的电压构建收敛条件判据,根据各支路的阻抗和各支路的电流,得到支路损耗。
与现有技术相比,本发明的有益效果是:
1、本发明结合粒子群算法和电网线路的潮流计算方法,能够快速精确地计算电网配电线路的各支路阻抗值,提高了计算速度和准确性。
2、本发明在计算得到配电线路的各支路阻抗值后,运用前推回代法计算各支路的功率损耗,可以得到电网各支路的功率损耗值,能够实时监控电网各支路的阻抗和线损的变化,及时发现和精准排查故障问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于粒子群算法的低压电网线路阻抗和线损计算方法流程图;
图2为本发明实施例1提供的空值异常数据预处理效果;
图3为本发明实施例1提供的常见的电网提供的拓扑结构;
图4为本发明实施例1提供的配电网线路的阻抗模型;
图5为本发明实施例1提供的配电网线路阻抗精确模型中任意两点间线路阻抗模型;
图7为本发明实施例1提供的粒子群算法的流程图;
图8为本发明实施例1提供的台区所有支路阻抗变化趋势图;
图9为本发明实施例1提供的所有表箱干路阻抗变化趋势图;
图10为本发明实施例3提供的前推回代法的流程图;
图11为本发明实施例3提供的台区各支路的功率损耗趋势图;
图12为本发明实施例3提供的各表箱干路的功率损耗趋势图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本发明实施例1提供了一种基于粒子群算法的低压电网线路阻抗计算方法,包括以下过程:
S1:采集电网用户数据,进行数据预处理
从电网端采集数据,包括变压器二次侧的电压、电流、有功功率和无功功率,用户端的电压、电流、有功功率和无功功率;
采集***采集的电量、电压、电流、功率等多元数据,由于采集环境、设备等的问题,采集数据中普遍存在数据缺失的问题;
对于该问题,采用基于GAN网络的数据插补算法进行填充操作,在模拟数据缺失实验中,插补数据与原始数据的MSE(均方误差)仅为0.09,空值异常数据预处理效果如图2所示。
S2:获取电网的拓朴结构,建立配电网线路的阻抗模型
通过电网提供的拓扑结构,一般电网的拓扑结构示意图如图3所示,或者根据采集的数据来得到供电网络的拓扑结构,建立配电网线路的阻抗模型,如图4所示,图中a表示台区变压器,b表示线路节点,Za-1,…,Za-b表示拓朴结构中各支路的阻抗,末端1,2,3……表示用户编号。
S3:基于粒子群算法的阻抗计算方法计算配电网各支路阻抗
对于电网线路的阻抗模型中任意两点间的线路,可以用图5所示模型表示。对于两节点之间的线路阻抗Za-1,本实施例采用复数形式的表达方式如下:
Za-1=R1+jX1 (1)
其中,R1、X1分别表示该条线路的电阻与电抗。
在任意的t时刻,线路阻抗Za-1线路上的欧姆定律表达式如下:
电压降落的纵分量与横分量的表达式如下:
在图4的模型中,用户节点1的功率表达式如下:
其中,U1表示用户电压、I1表示用户电流、P1为有功功率和Q1为无功功率。
根据图6的向量关系,可以得到如下公式:
联立公式(1)至(7)可得:
其中,Ua表示上游节点电压,U1、I1、P1、Q1表示下游节点(即1号客户端节点)的各已知参量。
根据式(8)可知,在任意t时刻上游节点a的Ua的值可表示成关于该线路阻抗的方程,即关于该线路阻抗分量R1和X1的二次方程如式(9)所示:
Ua=f(Z1)=f(R1,X1) (9)
对于图4模型中节点a与节点b之间的线路也可以表示为节点a的电压Ua关于节点a与节点b之间的电阻、电抗的方程,其中节点b的Ub和Pb、Qb可以通过b节点下游的所有用户的数据计算得到,Ub可以利用式(8)得到,Pb和Qb等于b点下游的所有的用户功率与损耗功率之和,具体计算方式如下:
其中,m表示b点下游的用户支路总数,Pj、Qj表示下游用户的有功、无功功率,ΔPj、ΔPj表示各下游用户支路对应的损耗功率。
在任意t时刻下,从每个下游用户节点出发,应用式(8)、(10)和(11)进行自下而上的线路潮流计算,每一个用户均可自下而上推导出一个变压器二次侧电压的计算值Uai,所有用户端推导得到的Uai用一个电压矩阵表示[Ua1,Ua2,…Uan]T,其中i=1,2,…,n-1,n表示下游用户数,n为用户的总数;
电网采集的用户端数据是每隔15分钟采集一次,在不同的时间t下本实施例同样进行以上线路潮流计算,可以得到不同时间下由不同用户端得到的变压器二次侧电压Uait所有时刻下由不同用户端进行潮流计算可以得到电压矩阵如下:
其中,n表示t时刻下的用户总数,T表示第i个用户支路的用于潮流计算的时间序列长度。
在任意t时刻下,从任意用户端开始自下而上的线路潮流计算,可以得到式(12)所示的电压矩阵,为了衡量每个计算值Uait与实际测量值的误差,本实施例采用均方误差(Mean Squared Error,MSE)来表示计算误差,在电压矩阵中同一时刻t下,所有用户计算值的MSE如下所示:
其中,i表示第几个用户端,n表示用户总数,(Uat)measured表示该时刻下变压器二次侧电压的真实测量值。
在整个时间序列下,计算MSE的误差δ如下所示:
其中,T表示时间序列长度,(Uat)MSE表示任意t时刻下所有用户计算值的MSE。
δ的值的大小反映了阻抗计算结果的准确性,δ值越趋近于0表示阻抗计算结果越准确。所以,本实施例利用如下公式作为粒子群算法的目标函数(δ值最小):
其中,(Uat)measured表示Uat的测量值,(Uat)MSE表示求均方误差的值,δ表示在所有时间维度下的均方误差值。
设X=[R1,R2,…,Rn,Z1,Z2,…,Zn]为自变量,粒子群中粒子具有两个属性:速度V和位置X,速度代表移动的快慢,位置代表移动的方向;每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值Pbest,并将个体极值与整个粒子群里的其他粒子共享,找到最优的那个个体极值作为整个粒子群的当前全局最优解Gbest,粒子群中的所有粒子根据自己找到的当前个体极值Pbest和整个粒子群共享的当前全局最优解Gbest来调整自己的速度和位置。更新速度公式如下所示:
V(i+1)d=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (16)
其中,ω称为惯性因子,C1和C2称为加速常数,一般取C1=C2∈[0,4]。random(0,1)表示区间[0,1]上的随机数,Pid表示第d维的第i个变量的个体极值,Pgd表示第d维的全局最优解。
更新位置公式如下所示:
X(i+1)d=V(i+1)d+Xid (17)
其中,Xid表示第d维的第i个变量的位置。
在每次迭代运算时更新极值和最优解的方法如下:
Pgd=min Pid,i=1,2,3… (19)
其中,F(Xid)表示第d维的第i个变量的目标函数值。
迭代的终止条件如式(20)所示:
K>Gmax或F(X(i+1)d)-F(Xid)<E (20)
其中,Gmax表示最大迭代次数,E表示相邻两代之间的偏差的最小值,当满足两个终止条件其一时,迭代终止。
基于粒子群算法的阻抗计算方法计算配电网各支路阻抗的算法流程图如图7所示,基于粒子群算法的阻抗计算方法的步骤如下:
(1)初始化粒子群各参数,惯性因子ω,加速常数C1和C2;
(2)评价粒子,计算目标函数的值F(Xid);
(3)寻找个体极值Pid;
(4)寻找全局最优解Pgd;
(5)更新粒子的速度V和位置X;
判断是否达到终止条件如式(20),若没有则返回第(2)步直至达到终止条件。
在一个实施例中,分析了1160#中某7#小区变2#主变台区的2022年5月10日至2022年5月29日的电压、电流、有功功率和无功功率数据,其中1557427427用户在5月20日左右发现有窃电现象。
计算的台区所有支路阻抗变化趋势图如图8所示,为了方便分析单独绘制了台区所有表箱干路的阻抗变化如图9所示,图9中最底层曲线为窃电用户所在表箱的干路阻抗曲线,因为用户窃电期间,该用户的电表读数很小所以计算出的理论阻抗异常于正常支路,正常支路的阻抗会在一定范围内波动,而窃电用户的线路阻抗计算值很小且几乎无波动,这种异常情况可以被明显区分出来达到诊断异常的目的。
实施例2:
本发明实施例2提供了一种基于粒子群算法的低压电网线路阻抗计算***,包括:
数据获取模块,被配置为:获取变压器二次侧的电参量数据以及各用户端的电参量数据;其中,电参量数据包括电压、电流、有功功率和无功功率;
阻抗计算模块,被配置为:根据获取的电参量数据以及粒子群优化模型,得到低压电网线路的各用户支路的阻抗;
其中,粒子群优化模型以均方误差的误差最小为目标函数;
所述均方误差的获取,包括:利用各用户端电参量数据得到变压器二次侧电压计算值,各计算值与变压器二次侧电压测量值分别求差,将各差值的平方加和后求均值,得到均方误差。
所述***的工作方法与实施例1提供的基于粒子群算法的低压电网线路阻抗计算方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种基于粒子群算法的低压电网线路损耗计算方法,根据电网采集的数据,在知道用户端的用电功率以及变压器二次侧的电压的情况下通过前推和回代过程来计算各支路的损耗功率,具体的步骤如下:
进行前推计算,包括:
其中,是节点i和节点j之间的支路的电流;/>是节点j的负荷电流;PLj-jQLj是节点j的负荷功率共轭;/>指的是节点的电压共轭;/>指的是首节点是j的直流电流,而当网络的末梢节点是节点j时,N=0,/>其中N表示节点j下游的节点数量。
进行电压回代计算如下所示:
收敛条件的判断如下所示:
利用式(24)来计算线路功率损耗:
前推回代法的流程图如图10所示,首先给节点电压假设初始值,然后从下游开始向前求各支路的电流,从上游开始计算节点电压,判断是否满足终止迭代条件,若不满足则返回进行前推回代的计算,直至满足判断条件。
在图11和图12中,窃电用户支路以及窃电用户所在表箱干路的功率损耗很明显在20号左右异常突出,在月底解决窃电问题后,月底各线路的功率损耗又趋于正常。
实施例4:
本发明实施例4提供的一种基于粒子群算法的低压电网线路损耗计算***,包括:
阻抗计算模块,被配置为:根据本发明第一方面所述的基于粒子群算法的低压电网线路阻抗计算方法得到各支路的阻抗;
前推回代模块,被配置为:根据前推回代方式计算各支路的电流和各节点的电压;
损耗计算模块,被配置为:根据各节点的电压构建收敛条件判据,根据各支路的阻抗和各支路的电流,得到支路损耗。
所述***的工作方法与实施例3提供的基于粒子群算法的低压电网线路损耗计算方法相同,这里不再赘述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于粒子群算法的低压电网线路阻抗计算方法,其特征在于,包括以下过程:
获取变压器二次侧的电参量数据以及各用户端的电参量数据;其中,电参量数据包括电压、电流、有功功率和无功功率;
根据获取的电参量数据以及粒子群优化模型,得到低压电网线路的各用户支路的阻抗;
其中,粒子群优化模型以均方误差的误差最小为目标函数;
所述均方误差的获取,包括:利用各用户端电参量数据得到变压器二次侧电压计算值,各计算值与变压器二次侧电压测量值分别求差,将各差值的平方加和后求均值,得到均方误差。
5.一种基于粒子群算法的低压电网线路阻抗计算***,其特征在于,包括:
数据获取模块,被配置为:获取变压器二次侧的电参量数据以及各用户端的电参量数据;其中,电参量数据包括电压、电流、有功功率和无功功率;
阻抗计算模块,被配置为:根据获取的电参量数据以及粒子群优化模型,得到低压电网线路的各用户支路的阻抗;
其中,粒子群优化模型以均方误差的误差最小为目标函数;
所述均方误差的获取,包括:利用各用户端电参量数据得到变压器二次侧电压计算值,各计算值与变压器二次侧电压测量值分别求差,将各差值的平方加和后求均值,得到均方误差。
6.一种基于粒子群算法的低压电网线路损耗计算方法,其特征在于,
根据权利要求1-4任一项所述的基于粒子群算法的低压电网线路阻抗计算方法得到各支路的阻抗;
根据前推回代方式计算各支路的电流和各节点的电压;
根据各节点的电压构建收敛条件判据,根据各支路的阻抗和各支路的电流,得到支路损耗。
10.一种基于粒子群算法的低压电网线路损耗计算***,其特征在于,包括:
阻抗计算模块,被配置为:根据权利要求1-4任一项所述的基于粒子群算法的低压电网线路阻抗计算方法得到各支路的阻抗;
前推回代模块,被配置为:根据前推回代方式计算各支路的电流和各节点的电压;
损耗计算模块,被配置为:根据各节点的电压构建收敛条件判据,根据各支路的阻抗和各支路的电流,得到支路损耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211520122.4A CN116257973A (zh) | 2022-11-30 | 2022-11-30 | 基于粒子群算法的低压电网线路阻抗、损耗计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211520122.4A CN116257973A (zh) | 2022-11-30 | 2022-11-30 | 基于粒子群算法的低压电网线路阻抗、损耗计算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116257973A true CN116257973A (zh) | 2023-06-13 |
Family
ID=86685157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211520122.4A Pending CN116257973A (zh) | 2022-11-30 | 2022-11-30 | 基于粒子群算法的低压电网线路阻抗、损耗计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257973A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930659A (zh) * | 2023-07-25 | 2023-10-24 | 深圳粤能能源技术有限公司 | 一种基于物联网的电力测量装置及方法 |
-
2022
- 2022-11-30 CN CN202211520122.4A patent/CN116257973A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930659A (zh) * | 2023-07-25 | 2023-10-24 | 深圳粤能能源技术有限公司 | 一种基于物联网的电力测量装置及方法 |
CN116930659B (zh) * | 2023-07-25 | 2024-02-23 | 深圳粤能能源技术有限公司 | 一种基于物联网的电力测量装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schenato et al. | Bayesian linear state estimation using smart meters and pmus measurements in distribution grids | |
CN107843810B (zh) | 一种基于状态估计的有源配电网故障区段在线定位方法 | |
CN101599643B (zh) | 一种基于指数型目标函数的电力***抗差状态估计方法 | |
CN110880760A (zh) | 一种低压配电网线损与无功补偿协同优化方法 | |
CN110850236A (zh) | 一种基于参数估计的配电网故障定位方法 | |
CN101964525B (zh) | 一种支持大规模电流量测的配电网状态估计方法 | |
CN104778367B (zh) | 基于单一状态断面的广域戴维南等值参数在线计算方法 | |
CN107453484B (zh) | 一种基于wams信息的scada数据校准方法 | |
CN110299762A (zh) | 基于pmu准实时数据的主动配电网抗差估计方法 | |
CN113176458B (zh) | 一种针对数据不完整的低压台区相户关系识别方法 | |
Khalili et al. | PMU-based decoupled state estimation for unsymmetrical power systems | |
CN116257973A (zh) | 基于粒子群算法的低压电网线路阻抗、损耗计算方法及*** | |
CN110333394A (zh) | 一种低压配电网线路阻抗估计方法 | |
CN115000947A (zh) | 基于智能电表量测的配电网拓扑结构与线路参数辨识方法 | |
CN114204560A (zh) | 一种中压配电网线路参数识别方法 | |
CN107104430A (zh) | 一种配电网双解耦状态估计方法 | |
CN110707693A (zh) | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 | |
CN109858061A (zh) | 面向电压功率灵敏度估计的配电网络等值与化简方法 | |
CN103838962A (zh) | 一种计及pmu量测的分步线性状态估计方法 | |
CN116488234A (zh) | 考虑电网结构参数的电力***节点惯量计算方法及*** | |
Thomas et al. | Deterministic load flow algorithm for balanced radial AC distribution systems | |
CN110768285A (zh) | 一种交直流混联直流多馈入受端电网强度获得方法 | |
CN115656839A (zh) | 基于bp-dekf算法的电池状态参量协同估算方法 | |
Tong et al. | A fault location method for active distribution network with renewable sources based on bp neural network | |
CN109342817B (zh) | 一种基于pmu量测的非完全换相三相传输线参数估计方法 |
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 |