CN116298686A - 应用于配电网的故障定位方法、装置、设备及介质 - Google Patents
应用于配电网的故障定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116298686A CN116298686A CN202310256324.0A CN202310256324A CN116298686A CN 116298686 A CN116298686 A CN 116298686A CN 202310256324 A CN202310256324 A CN 202310256324A CN 116298686 A CN116298686 A CN 116298686A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- fault
- function
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011156 evaluation Methods 0.000 claims abstract description 107
- 239000013598 vector Substances 0.000 claims abstract description 89
- 230000006870 function Effects 0.000 claims description 225
- 238000004590 computer program Methods 0.000 claims description 17
- 230000009326 social learning Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 43
- 239000002245 particle Substances 0.000 description 94
- 238000005457 optimization Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000013016 learning Effects 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种应用于配电网的故障定位方法、装置、设备及介质，其中，该方法包括：获取目标区域内的配电网区段信息，并基于配电网区段信息构建配电网拓扑结构；基于配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据开关函数得到等效故障向量；根据等效故障向量和评价函数对目标函数进行迭代求解；在目标函数满足预设收敛条件时，输出评价函数的目标评价函数值，以基于目标评价函数值确定目标故障区段。基于上述技术方案，实现了快速定位配电网中的故障区段，解决现有的故障定位算法易陷入局部极值点、收敛速度较慢、故障定位准确率不高的问题。
Description
技术领域
本发明涉及电网维护领域，尤其涉及一种应用于配电网的故障定位方法、装置、设备及介质。
背景技术
伴随着电力技术的快速发展，为了避免由于配电网故障导致的停电等电力为题，进而需要快速定位配电网中的故障位置，从而可以保证配电网的正常运转。
但是，由于近年来分布式电源的大量接入，改变了原有传统配电网的结构，配电网从原有的潮流方向单一的单电源辐射状配网结构转变为潮流方向多样的环状配网结构，传统配电网的故障定位方法也会随着配网拓扑结构的改变而失效，因此需要对传统的故障定位方法进行改进。
发明内容
本发明提供一种应用于配电网的故障定位方法、装置、设备及介质，以解决现有的故障定位算法易陷入局部极值点、收敛速度较慢、故障定位准确率不高的问题。
第一方面，本发明实施例提供了一种应用于配电网的故障定位方法，包括：
获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构；
基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量；
根据所述等效故障向量和所述评价函数对目标函数进行迭代求解；
在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。
第二方面，本发明实施例还提供了一种应用于配电网的故障定位装置，该装置包括：
信息获取模块，用于获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构；
函数构建模块，用于基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量；
迭代求解模块，用于根据所述等效故障向量和所述评价函数对目标函数进行迭代求解；
故障确定模块，用于在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。
第三方面，本发明实施例还提供了一种电子设备，所述设备包括：
一个或多个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够实现如本发明实施例任一所述的应用于配电网的故障定位方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例任一所述的应用于配电网的故障定位方法。
本发明实施例的技术方案，通过获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构，并且基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量，进而根据所述等效故障向量和所述评价函数对目标函数进行迭代求解，最终在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。基于上述技术方案，实现了快速定位配电网中的故障区段，解决现有的故障定位算法易陷入局部极值点、收敛速度较慢、故障定位准确率不高的问题。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更加清楚地说明本发明实施例中的技术方案，下面对描述实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种应用于配电网的故障定位方法的流程示意图；
图2是本发明实施例提供的一种应用于配电网的故障定位方法的流程图；
图3是本发明实施例提供的一种应用于配电网的故障定位装置的结构框图；
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例提供的一种应用于配电网的故障定位方法的流程示意图，本实施例可适用于配电网的区段信息构建对应的拓扑结构，并构建对应的函数，通过对函数进行求解得到对应的目标函数值，基于该目标函数值确定配电网故障区段的情况，该方法可以由应用于配电网的故障定位装置来执行，该应用于配电网的故障定位装置可以采用硬件/或软件的形式实现，该装置可配置于电子设备中，该电子设备可以是PC端或服务端等。
如图1所示，该方法包括：
S110、获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构。
其中，目标区域可以是需要确定配电网故障位置的区域，可以由用户进行选择。配电网区段信息可以理解为在目标区域内的配电网的区段信息，例如两个电网节点之间的电路可以视为一个区段。配电网拓扑结构可以是基于配电网的区段信息构建的几何形状，用于反应配电网中各个节点之间的连接关系。
具体的，获取目标区域内的配电网区段信息，进而基于目标区域内的配电网区段信息建立与目标区域对应的配电网拓扑结构。例如，可以是基于用户的选择确定需要处理的目标区域，并获取与目标区域相对应的配电网区段信息，还可以是在接收到故障信息后，基于故障信息确定需要处理的目标区域，并获取目标区域内的配电网区段信息，进而基于配电网区段信息构建与故障区域相对应的配电网拓扑结构。
S120、基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量。
其中，配电网参数可以是预先完成设定的配电网参数信息，例如根据当前目标区域内的配电网区段信息确定配电网的区段总数、基于配电网区段信息确定粒子群规模和最大迭代次数等。开关函数可以理解为用于表示配电网中电子元件状态的函数。评价函数可以是用于反映配电网实际状态与期望状态之间关系的函数。等效故障向量可以是开关函数基于配电网的实际状态得到的等效向量。
具体的，根据配电网拓扑结构和预先设定的配电网参数，构建出与目标区域相对应的开关函数和评价函数，并且根据开关函数得到与配电网实际状态相对应的等效故障向量。需要说明的是，对于传统的单电源辐射状配电网，故障发生时故障过电流仅由***电源流出，因此对于开关节点来说，只需要判断其对应的下游区段是否发生故障，故障区段对应的开关节点可以检测到过电流，该节点的状态值为1，反之未检测到过电流的节点的状态值为0。因此传统配电网的故障定位可以转化为0-1整数优化问题。但由于近年来，大量分布式电源接入配电网，配电网的拓扑结构和故障时的潮流分布都发生了较大的变化，故障电流不再是只从***电源流出，各个分布式电源都能提供故障过电流，传统配电网故障电流的编码方式也随之失效。
在上述技术方案的基础上，所述基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量，包括：获取配电开关监控终端上传的故障电流向量；基于所述故障电流向量和所述开关函数得到所述等效故障向量。
其中，配电开关监控终端可以是安装在配电室或馈线上的智能终端设备，具有遥控、遥测、遥信，故障检测功能，并与配电自动化主站通信，提供配电***运行情况和各种参数及监测控制所需信息，包括开关状态、电能参数、相间故障、接地故障以及故障时的参数等信息。故障电流向量可以是由配电开关监控终端在检测到配电网故障时，根据编码规则对电流进行编码得到的。
具体的，先完成对故障电流的编码，进而在配电网中的配电开关监控终端检测到配电网出现故障时，基于故障电流编码规则对故障电流进行编码，得到故障电流向量，例如首先对故障电流进行编码，当配电网接入的FTU检测到故障时，利用故障电流编码方式上传故障电流向量，再利用开关函数得到等效故障向量作为算法的输入。需要说明的是，为了保证可以正确的获取到的配电网的实际工作状态，需要对电流的方向进行编码，但是由于大量分布式电源接入配电网，配电网的拓扑结构和故障时的潮流分布都发生了较大的变化，故障电流不再是只从***电源流出，各个分布式电源都能提供故障过电流，传统配电网故障电流的编码方式也随之失效，因此，本发明提供的技术方案通过将***电源流向负载的过电流设定为为正方向，进而开关节点的状态值编码方式如下式。因此接入分布式电源的配电网故障定位转化为-1、0、1整数优化问题。与矩阵算法不同，本文提供的算法只需要假定一次电源正方向，定位速度有了较大提升，其中，Ij为配电开关监控终端(FTU)检测故障电流信息的编码，表示节点j处故障电流的方向状态。
S130、根据所述等效故障向量和所述评价函数对目标函数进行迭代求解；
其中，目标函数可以理解为粒子群算法迭代公式。
具体的，将等效故障向量作为目标函数的输入，输入至目标函数中，并基于评价函数得到的结果对目标函数进行迭代求解，以得到满足需求的最优解，进而基于最优解确定故障位置。需要说明的是，粒子群算法(Particle Swarm Optimization,PSO)是指利用粒子群算法寻优时，搜索空间中的每一个粒子都对应优化问题的一个解。在一个D维的搜索空间中，可以用D维的位置向量和速度向量来表征粒子的基本信息。在迭代的过程中，粒子不断更新自身的速度和位置，从而搜寻全局最优解。
在上述技术方案的基础上，在所述根据所述等效故障向量和所述评价函数对目标函数进行迭代求解之前，包括：对所述目标函数中的速度向量和位置向量进行初始化，得到初始位置向量和初始速度向量；基于所述初始位置向量、所述初始速度向量和所述评价函数确定初始评价值。
其中，速度向量可以是用于表示粒子群各粒子的速度的向量，相应的，位置向量可以是用于表示粒子群各粒子的位置的向量。初始位置向量可以理解为从搜索空间中随机选取的位置向量。初始速度向量可以是理解为从速度区间内随机选择的速度向量。
具体的，根据等效故障向量和评价函数对目标函数进行迭代求解之前，需要先对粒子的位置和速度进行初始化，例如可以从预先设置的搜索空间和速度区间内，随机选择粒子的初始位置和初始速度，并基于初始位置向量和初始速度向量确定评价函数的初始评价值。例如，可以是在初始化粒子群的速度向量和位置向量后，根据初始化之后的位置向量和速度向量计算粒子的评价函数值，初始化Pareto最优解集和Pbest。
在上述技术方案的基础上，所述根据所述等效故障向量和所述评价函数对目标函数进行迭代求解，包括：基于当前迭代次数和预先设置的迭代参数计算公式，确定与所述当前迭代次数相对应的迭代参数；将所述迭代参数重新代入到所述目标函数中，对所述目标函数的迭代求解。
其中，迭代次数可以理解为对目标函数的迭代求解次数。迭代参数计算公式可以是用于获取迭代过程中带入的参数的算法公式。
具体的，粒子群算法的迭代公式如下：
其中，t表示迭代次数，Xid(t)、Vid(t)分别表示在t次迭代时粒子i在第d维空间的位置和速度；ω是惯性权重，r1、r2是分布在[0,1]的随机数，c1、c2分别是自我学习因子和社会学习因子，通常在[0,2]的范围内选择；Pid(t)表示在t次迭代时粒子i在第d维空间的个体最优位置，记作Pbest；Pgd(t)表示在t次迭代时第d维空间的群体最优位置，记作Gbest。
需要说明的是，为了提高粒子群的全局搜索能力，减少陷入局部极值情况的出现，同时也为了提高算法的收敛速度，在迭代时更新惯性权重和学习因子，采用一种自适应的惯性权重和学习因子的改进算法，所述迭代参数计算公式为：
其中，所述t为迭代次数，所述Tmax为最大迭代次数；所述ωmax为惯性权重ω的最大值、所述ωmin为惯性权重ω的最小值，所述c1为自我学习因子；所述c2为社会学习因子；所述c1max为自我学习因子的最大值；所述c1min为自我学习因子的最小值；所述c2max为社会学习因子的最大值；所述c2min为社会学习因子的最小值。
具体的，对于接入分布式电源的配电网的故障定位问题，故障电流信息只有-1、0、1三种编码方式，属于离散型变量优化问题，因此使用二进制粒子群算法(Binary ParticleSwarm Optimization,BPSO)进行寻优。二进制粒子群算法中粒子速度迭代公式与传统粒子群算法相同，但其粒子位置的取值为0或1，通过对粒子的速度应用Sigmoid函数得到决定粒子位置取值的概率，二进制粒子群算法中粒子位置迭代公式如下：
其中，rid(t+1)是第t+1迭代时生成的分布在[0,1]的随机数，一般来说，为了防止S型函数sigmoid过于饱和，设定粒子速度限定范围[-4,4]。
S140、在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。
其中，预设收敛条件可以是预先设定的判断目标函数是否收敛的条件。目标评价函数值可以理解为基于目标函数满足预设收敛条件时的参数，得到的评价函数值。目标故障区段可以是基于目标评价函数值确定的配电网区段。
具体的，当确定目标函数满足收敛条件时，基于满足实收敛条件下的参数信息获取到评价函数的目标评价函数值，并对目标函数评价值进行分析得到目标评价函数值指向的配电网区段，并将其作为目标故障区段。例如可以是在单目标粒子群算法的基础上，根据基于Pareto解集的多目标粒子群算法原理，在每次迭代过程中更新Pbest，形成此次迭代的最优解集，再根据动态密集距离更新最优解集，选取全局极值Gbest。
在上述技术方案的基础上，在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，包括：如果当前迭代次数等于所述最大迭代次数，则确定所述目标函数满足预设收敛条件；或，获取与当前迭代次数对应的当前最优位置解集，并获取与上一迭代次数对应的历史全局最优解；根据动态密集距离和所述当前最优位置解集中确定当前全局最优解，基于所述当前全局最优解和所述历史全局最优解确定所述目标函数是否满足预设收敛条件。
其中，最大迭代次数可以是基于当前目标区域内的配电网结构设置的。当前最优解集位置可以是理解为当前迭代求解的过程中得到的目标函数的解集。历史全局最优解可以是上一次迭代求解后得到的目标函数的解集。动态密集距离算法可以理解为用于计算粒子间密集程度的算法。当前全局最优解可以是当前迭代次数对应的全局最优解。
具体的，如果当前迭代次数等于最大迭代次数，则确定目标函数满足预设收敛条件，或者是获取与当前迭代次数对应的当前最优位置解集，并获取与上一迭代次数对应的历史全局最优解，并且根据动态密集距离和所述当前最优位置解集中确定当前全局最优解，基于所述当前全局最优解和所述历史全局最优解确定所述目标函数是否满足预设收敛条件。需要说明的是，与单目标粒子群函数不同，多目标寻优的粒子群函数的全局最优值不再唯一，且其多个全局最优值不受彼此支配。因此如何选择个体极值和全局极值是单目标粒子群算法转化为多目标粒子群算法的关键。为了解决这个问题，引入多目标中Pareto支配的理论，判断并储存最优解。基于Pareto支配理论，提出个体极值Pbest、全局极值Gbest的选择方法和Pareto最优解集的具体方法可以是对于多目标寻优问题的两个全局极值XA、XB，如果满足下式条件，则认为XA支配XB，也称XA为Pareto占优，记作XA＞XB。
其中，m为目标函数个数。Pbest的初始值为每个粒子的初始位置，在每次迭代完成后，如果粒子的最新位置支配Pbest，则Pbest更新为粒子的最新位置；如果Pbest支配粒子的最新位置，则Pbest更新为粒子的最新位置；如果粒子最新位置与Pbest互不支配，则计算两者在群体中支配粒子的数量，选择支配粒子数量较多的粒子位置作为Pbest。
进而，若搜索空间中不存在支配XA的解，则认为XA是Pareto最优解，也称为Pareto非劣解。搜索空间中所有Pareto最优解构成的集合称为Pareto最优解集，也叫做Pareto非劣解集。利用外部存档技术保存已经找到的Pareto最优解，从Pareto最优解集中随机选取密集距离在15％范围内解更新为全局最优值Gbest。
需要说明的是，利用外部存档技术存储的Pareto最优解集不能无限扩张，因此每次迭代完成后需要采用适当的方法对Pareto最优解集进行更新，为了使Pareto最优解集和初始时的规模保持大致相同，也为了使解均匀分布在解集中，不能随机更新Pareto最优解集，要择优选取。外部存档技术是是指将得到的Pareto最优解集存储在存储器中，并且因为密集距离可以描述粒子之间的密集程度，采取基于密集距离的Pareto最优解集更新方法能保证解能均匀分布在解集中，密集距离的计算公式如下：
其中，I(xi)表示第i个粒子的密集距离，k表示评价函数个数，xa、xb为离xi最近的两个粒子，fj(xa)、fj(xb)分别表示粒子xa、xb的第j个评价函数值，fjmax表示第j个评价函数的最大值，k表示评价函数的个数。得到Pareto最优解集中解的密集距离后，对其从大到小进行排序，选取前N个解更新为最新的Pareto最优解集。
在上述技术方案的基础上，所述基于所述当前全局最优解和所述历史全局最优解确定所述目标函数是否满足预设收敛条件，包括：基于所述当前全局最优解和所述历史全局最优解，确定当前差值信息；根据预设差值信息和所述当前差值信息确定所述目标函数是否满足预设收敛条件。
其中，差值信息可以是基于当前全局最优解和历史全局最优解得到的差值。预设差值信息可以理解为预先设置的用于判断目标函数是否满足收敛条件的阈值。
具体的，根据当前全局最优解和历史全局最优解得到差值信息，并将差值信息和预设差值信息进行比较，如果差值信息在预设差值信息的范围内，则说明目标函数满足了收敛条件，如果当前差值信息不在预设差值信息的范围内，则说明目标函数不满足收敛条件，需要继续进行迭代求解。
本发明实施例的技术方案，通过获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构，并且基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量，进而根据所述等效故障向量和所述评价函数对目标函数进行迭代求解，最终在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。基于上述技术方案，实现了快速定位配电网中的故障区段，解决现有的故障定位算法易陷入局部极值点、收敛速度较慢、故障定位准确率不高的问题。
实施例二
图2是本发明实施例提供的一种应用于配电网的故障定位方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述应用于配电网的故障定位方法。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
需要说明的是，随着全球的飞速进步，社会工业化程度逐渐加深，给以石油、煤炭、天然气为代表的化石能源为主的世界能源的结构带来巨大的问题，环境污染和资源污染问题日益严重。与此同时，近年来由于传统的集中式电网的单点故障问题,在全球范围内发生了多次大规模的停电事件,让人们充分认识到了传统电网的局限性。因此近年来利用清洁可再生能源发电的分布式电源(Distributed Generation,DG)被大量接入电网。而这些新能源设备的大量接入，改变了原有传统配电网的拓扑结构，配电网从原有的潮流方向单一的单电源辐射状配网结构转变为潮流方向多样的环状配网结构，传统配电网的故障定位方法也会随着配网拓扑结构的改变而失效。
在目前的研究中，配电网故障定位方法主要可以分成两类：其一是基于重合器和分段器的配合的故障定位。该方法定位速度快，但对开关设备的性能要求较高，且多次重合闸会对配网造成较大的冲击，主要应用于传统配电网。其二是基于安装在开关处馈线终端单元(FTU)的故障定位，定位原理为：配电***发生故障时，FTU采集并上传***开关处流过的故障电气信息量到配电主站，由主站的SCADA***对故障信息进行处理分析，确定故障发生的区段。该方法定位精准快速，且容错率较高，但对于电气信息特征微弱的故障(小电流单相接地故障)，该方法不能进行准确定位。因此需要对传统的方法改进以快速定位配电网的故障位置。
本发明实施例的具体方法如图2所示：
设定算法参数：具体的，获取目标区域内的配电网区段信息，并建立考虑分布式电源的配电网拓扑结构，根据配电网拓扑结构设定粒子群算法参数，粒子群的种群维度为配电网的区段总数，并给出算法的开关函数和评价函数。
构造开关函数与评价函数：具体的，开关函数如下：
其中，
为开关函数值，表示开关节点j的工作状态。同样以节点j为分界，将***母线至节点j的区段称为上游区段，节点j至母线末端的区段称为下游区段。式中Nj.up、Nj.down分别表示上游、下游区段包含的电源总数量；Mj.up、Mj.down分别表示上游、下游区段总量；/>
分别表示上游区段第iup个、下游区段第idown个电源的接入系数，当电源接入配电网时取1，反之电源未接入配电网时取0；/>
分别表示节点j到上游区段电源iup、下游区段电源idown的状态值；xj,up、xj,down分别表示上游、下游所有区段的状态值。
最后构建配电网故障定位模型的评价函数。评价函数的构造是配电网故障定位问题的关键，其反应了开关节点FTU上传的故障信息与节点的期望状态值之间的关系，决定了算法是否能够正确定位故障位置。传统的有源配电网的评价函数为：
其中，f1(x)表示节点的开关函数值与FTU上传的故障信息值的差值，Ij表示开关节点j处FTU实时上传的状态值；/>
表示开关节点j的期望状态值，即其开关函数值；N为开关节点总数。在实际应用中，为了减少故障信息缺失和畸变的影响，提高故障定位的准确度，引入故障诊断的“最小集”的概念，建立评价函数如下：/>
其中，f2(x)表示算法诊断的故障区段总数，xi表示第i个区段的状态值，M表示区段总数，通常有M＝N。由于传统的单目标粒子群算法往往通过将评价函数f2(x)乘以一个加权值再与评价函数f1(x)相加，构造一个新的评价函数来得到最优解，但选择的权值会对定位效果产生直接影响，往往存在“早熟收敛”、定位速度较慢等问题。因此本发明实例提供的评价函数为：/>
初始化粒子的速度向量和位置向量：具体的，首先初始化粒子群的速度向量和位置向量，并计算粒子的评价函数值，初始化Pareto最优解集和Pbest。其次根据自适应二进制粒子群算法的原理，在迭代过程中更新粒子的速度向量和位置向量，并更新算法的学习因子和惯性权重，在每次迭代完成后计算新的粒子的评价函数值。传统粒子群算法的迭代公式如下：
其中，t表示迭代次数，Xid(t)、Vid(t)分别表示在t次迭代时粒子i在第d维空间的位置和速度；ω是惯性权重，r1、r2是分布在[0,1]的随机数，c1、c2分别是自我学习因子和社会学习因子，通常在[0,2]的范围内选择；Pid(t)表示在t次迭代时粒子i在第d维空间的个体最优位置，记作Pbest；Pgd(t)表示在t次迭代时第d维空间的群体最优位置，记作Gbest。并且，为了提高粒子群的全局搜索能力，减少陷入局部极值情况的出现，同时也为了提高算法的收敛速度，在迭代时更新惯性权重和学习因子，采用一种自适应的惯性权重和学习因子的改进方法：
其中，中t表示迭代次数，Tmax表示最大迭代次数；ωmax、ωmin分别表示惯性权重ω的最大值和最小值，通常选取ωmax＝0.9、ωmin＝0.4；c1max、c1min、c2max、c2min分别表示自我学习因子c1和社会学习因子c2的最大值和最小值，通常选取C1max＝1.3、C1min＝1.1、C2max＝2.0、C2min＝1.2。
对于接入分布式电源的配电网的故障定位问题，故障电流信息只有-1、0、1三种编码方式，属于离散型变量优化问题，因此使用二进制粒子群算法(Binary Particle SwarmOptimization,BPSO)进行寻优。二进制粒子群算法中粒子速度迭代公式与传统粒子群算法相同，但其粒子位置的取值为0或1，通过对粒子的速度应用Sigmoid函数得到决定粒子位置取值的概率，二进制粒子群算法中粒子位置迭代公式如下：
其中，rid(t+1)是第t+1迭代时生成的分布在[0,1]的随机数，一般来说，为了防止S型函数sigmoid过于饱和，设定粒子速度限定范围[-4,4]。
对目标函数进行迭代求解：具体的，第三步：在单目标粒子群算法的基础上，根据基于Pareto解集的多目标粒子群算法原理，在每次迭代过程中更新Pbest，形成此次迭代的最优解集，再根据动态密集距离更新最优解集，选取全局极值Gbest。需要说明的是，与单目标粒子群函数不同，多目标寻优的粒子群函数的全局最优值不再唯一，且其多个全局最优值不受彼此支配。因此如何选择个体极值和全局极值是单目标粒子群算法转化为多目标粒子群算法的关键。为了解决这个问题，引入多目标中Pareto支配的理论，判断并储存最优解。基于Pareto支配理论，提出个体极值Pbest、全局极值Gbest的选择方法和Pareto最优解集的更新方法如下：个体最优值Pbest的选择：首先给出Pareto支配定义：对于多目标寻优问题的两个全局极值XA、XB，如果满足下式条件，则认为XA支配XB，也称XA为Pareto占优，记作XA＞XB。
判断目标函数是否收敛：具体的，判断是否达到最大迭代次数或收敛精度，若未达到则继续进行下一次迭代；若达到则输出种群全局最优位置Gbest即评价函数最优解，从而判断出故障区段。
本发明实施例的技术方案，通过获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构，并且基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量，进而根据所述等效故障向量和所述评价函数对目标函数进行迭代求解，最终在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。基于上述技术方案，实现了快速定位配电网中的故障区段，解决现有的故障定位算法易陷入局部极值点、收敛速度较慢、故障定位准确率不高的问题。
实施例三
图3是本发明实施例提供的一种应用于配电网的故障定位装置的结构框图。该装置包括：信息获取模块310、函数构建模块320、迭代求解模块330以及故障确定模块340。
信息获取模块310，用于获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构；
函数构建模块320，用于基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量；
迭代求解模块330，用于根据所述等效故障向量和所述评价函数对目标函数进行迭代求解；
故障确定模块340，用于在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。
在上述技术方案的基础上，所述信息获取模块，用于获取配电开关监控终端上传的故障电流向量；其中，所述故障电流向量由所述配电开关监控终端在检测到配电网故障时，根据编码规则对电流进行编码得到的；基于所述故障电流向量和所述开关函数得到所述等效故障向量。
在上述技术方案的基础上，所述函数构建模块用于，在所述根据所述等效故障向量和所述评价函数对目标函数进行迭代求解之前，对所述目标函数中的速度向量和位置向量进行初始化，得到初始位置向量和初始速度向量；基于所述初始位置向量、所述初始速度向量和所述评价函数确定初始评价值。
在上述技术方案的基础上，所述迭代求解模块用于，基于当前迭代次数和预先设置的迭代参数计算公式，确定与所述当前迭代次数相对应的迭代参数；将所述迭代参数重新代入到所述目标函数中，对所述目标函数的迭代求解。
在上述技术方案的基础上，所述迭代参数计算公式为：
其中，所述t为迭代次数，所述Tmax为最大迭代次数；所述ωmax为惯性权重ω的最大值、所述ωmin为惯性权重ω的最小值，所述c1为自我学习因子；所述c2为社会学习因子；所述c1max为自我学习因子的最大值；所述c1min为自我学习因子的最小值；所述c2max为社会学习因子的最大值；所述c2min为社会学习因子的最小值。
在上述技术方案的基础上，所述故障确定模块用于，如果当前迭代次数等于所述最大迭代次数，则确定所述目标函数满足预设收敛条件；或，获取与当前迭代次数对应的当前最优位置解集，并获取与上一迭代次数对应的历史全局最优解；根据动态密集距离和所述当前最优位置解集中确定当前全局最优解，基于所述当前全局最优解和所述历史全局最优解确定所述目标函数是否满足预设收敛条件。
在上述技术方案的基础上，所述故障确定模块用于，基于所述当前全局最优解和所述历史全局最优解，确定当前差值信息；根据预设差值信息和所述当前差值信息确定所述目标函数是否满足预设收敛条件。
本发明实施例的技术方案，通过获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构，并且基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量，进而根据所述等效故障向量和所述评价函数对目标函数进行迭代求解，最终在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。基于上述技术方案，实现了快速定位配电网中的故障区段，解决现有的故障定位算法易陷入局部极值点、收敛速度较慢、故障定位准确率不高的问题。
本发明实施例所提供的应用于配电网的故障定位装置可执行本公开任一实施例所提供的应用于配电网的故障定位方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如应用于配电网的故障定位方法。
在一些实施例中，应用于配电网的故障定位方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的应用于配电网的故障定位方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行应用于配电网的故障定位方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种应用于配电网的故障定位方法，其特征在于，包括：
获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构；
基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量；
根据所述等效故障向量和所述评价函数对目标函数进行迭代求解；
在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。
2.根据权利要求1所述的方法，其特征在于，所述基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量，包括：
获取配电开关监控终端上传的故障电流向量；其中，所述故障电流向量由所述配电开关监控终端在检测到配电网故障时，根据编码规则对电流进行编码得到的；
基于所述故障电流向量和所述开关函数得到所述等效故障向量。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述等效故障向量和所述评价函数对目标函数进行迭代求解之前，包括：
对所述目标函数中的速度向量和位置向量进行初始化，得到初始位置向量和初始速度向量；
基于所述初始位置向量、所述初始速度向量和所述评价函数确定初始评价值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述等效故障向量和所述评价函数对目标函数进行迭代求解，包括：
基于当前迭代次数和预先设置的迭代参数计算公式，确定与所述当前迭代次数相对应的迭代参数；
将所述迭代参数重新代入到所述目标函数中，对所述目标函数的迭代求解。
5.根据权利要求4所述的方法，其特征在于，所述迭代参数计算公式为：
其中，所述t为迭代次数，所述Tmax为最大迭代次数；所述ωmax为惯性权重ω的最大值、所述ωmin为惯性权重ω的最小值，所述c1为自我学习因子；所述c2为社会学习因子；所述c1max为自我学习因子的最大值；所述c1min为自我学习因子的最小值；所述c2max为社会学习因子的最大值；所述c2min为社会学习因子的最小值。
6.根据权利要求1所述的方法，其特征在于，在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，包括：
如果当前迭代次数等于所述最大迭代次数，则确定所述目标函数满足预设收敛条件；或，
获取与当前迭代次数对应的当前最优位置解集，并获取与上一迭代次数对应的历史全局最优解；
根据动态密集距离和所述当前最优位置解集中确定当前全局最优解，基于所述当前全局最优解和所述历史全局最优解确定所述目标函数是否满足预设收敛条件。
7.根据权利要求6所述的方法，其特征在于，所述基于所述当前全局最优解和所述历史全局最优解确定所述目标函数是否满足预设收敛条件，包括：
基于所述当前全局最优解和所述历史全局最优解，确定当前差值信息；
根据预设差值信息和所述当前差值信息确定所述目标函数是否满足预设收敛条件。
8.一种应用于配电网的故障定位装置，其特征在于，包括：
信息获取模块，用于获取目标区域内的配电网区段信息，并基于所述配电网区段信息构建配电网拓扑结构；
函数构建模块，用于基于所述配电网拓扑结构和预先设定的配电网参数构建开关函数和评价函数，并根据所述开关函数得到等效故障向量；
迭代求解模块，用于根据所述等效故障向量和所述评价函数对目标函数进行迭代求解；
故障确定模块，用于在所述目标函数满足预设收敛条件时，输出所述评价函数的目标评价函数值，以基于所述目标评价函数值确定目标故障区段。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的应用于配电网的故障定位方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的应用于配电网的故障定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310256324.0A CN116298686A (zh) | 2023-03-16 | 2023-03-16 | 应用于配电网的故障定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310256324.0A CN116298686A (zh) | 2023-03-16 | 2023-03-16 | 应用于配电网的故障定位方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116298686A true CN116298686A (zh) | 2023-06-23 |
Family
ID=86830127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310256324.0A Pending CN116298686A (zh) | 2023-03-16 | 2023-03-16 | 应用于配电网的故障定位方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298686A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625120A (zh) * | 2021-08-17 | 2021-11-09 | 南方电网科学研究院有限责任公司 | 一种配电网故障测距方法、装置、终端及存储介质 |
| CN116973694B (zh) * | 2023-09-22 | 2023-12-12 | 国网浙江宁波市鄞州区供电有限公司 | 配电网故障诊断优化方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
| CN106711966A (zh) * | 2016-12-12 | 2017-05-24 | 云南电网有限责任公司玉溪供电局 | 配电网保护定值整定方法及*** |
| CN108917583A (zh) * | 2018-05-18 | 2018-11-30 | 长安大学 | 一种顾及对流层延迟影响的超高层建筑形变监测新方法 |
| CN108957246A (zh) * | 2018-09-27 | 2018-12-07 | 广东电网有限责任公司 | 一种基于粒子群的配电网故障定位方法 |
| 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 |
| CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
| CN113132125A (zh) * | 2019-12-30 | 2021-07-16 | ***通信集团四川有限公司 | 故障原因定位方法、装置、电子设备及存储介质 |
| CN114611362A (zh) * | 2022-03-22 | 2022-06-10 | 中国工程物理研究院流体物理研究所 | 一种大型器械工作面的安装调试方法、电子装置及介质 |
-
2023
- 2023-03-16 CN CN202310256324.0A patent/CN116298686A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
| CN106711966A (zh) * | 2016-12-12 | 2017-05-24 | 云南电网有限责任公司玉溪供电局 | 配电网保护定值整定方法及*** |
| CN108917583A (zh) * | 2018-05-18 | 2018-11-30 | 长安大学 | 一种顾及对流层延迟影响的超高层建筑形变监测新方法 |
| CN108957246A (zh) * | 2018-09-27 | 2018-12-07 | 广东电网有限责任公司 | 一种基于粒子群的配电网故障定位方法 |
| 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 |
| CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
| CN113132125A (zh) * | 2019-12-30 | 2021-07-16 | ***通信集团四川有限公司 | 故障原因定位方法、装置、电子设备及存储介质 |
| CN114611362A (zh) * | 2022-03-22 | 2022-06-10 | 中国工程物理研究院流体物理研究所 | 一种大型器械工作面的安装调试方法、电子装置及介质 |
Non-Patent Citations (4)
| Title |
|---|
| 刘亿鑫: "双重不确定条件下危险品运输的多目标优化", 《计算机集成制造***》, vol. 26, no. 4, 30 April 2020 (2020-04-30), pages 1134 * |
| 宫宇: "基于粒子群算法的配电网故障区段定位与恢复重构研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2023, pages 042 - 2304 * |
| 戴隆州: "多目标粒子群算法在混装线再平衡中的应用", 《计算机应用研究》, vol. 35, no. 1, 31 January 2018 (2018-01-31), pages 147 * |
| 李建林: "配网及光储微网储能***配置优化策略", 《高电压技术》, vol. 48, no. 5, 31 May 2022 (2022-05-31), pages 1895 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625120A (zh) * | 2021-08-17 | 2021-11-09 | 南方电网科学研究院有限责任公司 | 一种配电网故障测距方法、装置、终端及存储介质 |
| CN113625120B (zh) * | 2021-08-17 | 2024-04-12 | 南方电网科学研究院有限责任公司 | 一种配电网故障测距方法、装置、终端及存储介质 |
| CN116973694B (zh) * | 2023-09-22 | 2023-12-12 | 国网浙江宁波市鄞州区供电有限公司 | 配电网故障诊断优化方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116298686A (zh) | 应用于配电网的故障定位方法、装置、设备及介质 | |
| CN116505665B (zh) | 一种电网配电线路的故障监测方法及*** | |
| Kamruzzaman et al. | A convolutional neural network-based approach to composite power system reliability evaluation | |
| EP2562901B1 (en) | Unit commitment for wind power generation | |
| CN110380903B (zh) | 一种电力通信网故障探测方法、装置及设备 | |
| Maurya et al. | Time-series clustering for data analysis in smart grid | |
| CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
| KR102507185B1 (ko) | 전력 계통 클러스터링 방법 및 장치 | |
| CN113612191A (zh) | 一种配电网的快速恢复供电方法及装置 | |
| Dou et al. | Research on multi-level Cooperative detection of power grid Dispatching fault based on Artificial intelligence technology [J] | |
| Nakayama et al. | Complete automation of future grid for optimal real-time distribution of renewables | |
| CN107818414B (zh) | 一种大规模交直流混联电网n-2预想事故集的生成方法 | |
| Bâra et al. | Intelligent systems for predicting and analyzing data in power grid companies | |
| CN111597701A (zh) | 一种含dg的配电网故障定位方法和*** | |
| Jun | Study of Distribution Transmission Line Lightning Stroke Risk Forecasting Based on Nonlinear Time Series Analysis | |
| Wei et al. | Resilience Assessment Using Simulation System of Distribution Network under Extreme Weather | |
| Bourne | High Tension Lines: Predicting robustness of high-voltage power-grids to cascading failure using network embedding | |
| Liu et al. | Available power estimation of wind farms based on deep spatio-temporal neural networks | |
| CN117094537B (zh) | 电网规划方法、装置、电子设备和存储介质 | |
| CN116542000B (zh) | 基于源网数据分析的电网精细化管理*** | |
| Massaoudi et al. | Bidirectional Gated Recurrent Unit Based-Grey Wolf Optimizer for Interval Prediction of Voltage Margin Stability Index in Power Systems | |
| Xiao et al. | Combined modeling for electrical load forecasting with particle swarm optimization | |
| Chen et al. | Research on energy big data cleaning based on multi-source data analysis | |
| Sun et al. | Resource Provision Method of Cloud Platform for Power Distribution System via Workload Prediction | |
| Jyoti et al. | Topological Attributes of Cascading Failures in Power Grids |
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 |