基于自适应加权平均算法的配电网故障定位方法及装置制造方法及图纸

本申请适用于配电网故障定位技术领域，本申请实施例提供的基于自适应加权平均算法的配电网故障定位方法，首先获取待检测配电网的线路运行状态信息；根据线路运行状态信息确定每个区段的适应度；然后基于自适应加权平均算法初始化种群；根据适应度选择当前种群中符合预设规则的个体；根据选择的个体确定种群更新规则并进行种群更新；最后，当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。本申请实施例通过计算每个区段的适应度，优化了故障定位算法，提高复杂配电网故障定位的准确性与容错性。此外，本申请实施例还提供了相关装置。提供了相关装置。提供了相关装置。

【技术实现步骤摘要】
基于自适应加权平均算法的配电网故障定位方法及装置


[0001]本申请属于配电网故障定位
，尤其涉及一种基于自适应加权平均算法的配电网故障定位方法及装置。

技术介绍

[0002]随着经济发展方式的转变和能源结构的优化升级，大规模的分布式电源接入配电网，使得配电系统结构和潮流更加复杂，传统针对于单辐射型配电网的故障定位方法已经难以适用于复杂新型配电网的发展需求。
[0003]针对含多种分布式电源的复杂配电网故障定位问题，目前已经形成基于矩阵理论的直接定位算法和基于人工智能技术的间接定位方法。矩阵算法是基于FTU上传的告警信息构建故障信息矩阵，并结合开关与线路区段间的关联矩阵建立逻辑判别关系，进而实现故障定位，这种方法虽然有着原理简单、故障定位速度快的优点，但是算法容错性较差且通用性不高；基于人工智能技术的故障定位方法是一种采用优化理论进行故障建模，融合状态逼近思想和最小故障诊断集原理实现故障定位的新方法，该方法具有容错性高、通用性强以及定位精度高等优点。其中，群体智能算法在故障定位过程中对离散变量具有突出的处理效果，理论上可以获得全局最优决策，成为该领域的研究热点。因此，粒子群算法、和声算法、蚁群算法、仿电磁学算法等多种智能群体优化算法逐渐被应用在配电网故障定位中，并且均在不同程度上提高了故障定位的精度和效率。
[0004]但是，对于复杂度较高的配电网，智能优化算法存在“维数灾难”问题，并且容易陷入局部最优解，严重影响故障定位的速度与准确性。

技术实现思路

[0005]本申请实施例提供了一种基于自适应加权平均算法的配电网故障定位方法及装置，可以解决传统配电网故障定位速度慢、准确性低的技术问题。
[0006]第一方面，本申请实施例提供了一种基于自适应加权平均算法的配电网故障定位方法，包括：
[0007]获取待检测配电网的线路运行状态信息；
[0008]根据线路运行状态信息确定每个区段的适应度；
[0009]基于自适应加权平均算法初始化种群；
[0010]根据适应度选择当前种群中符合预设规则的个体；
[0011]根据选择的个体确定种群更新规则并进行种群更新；
[0012]当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。
[0013]结合第一方面，在本申请实施例提供的一种实现方式中，获取待检测配电网的线路运行状态信息，包括：
[0014]获取馈线终端装置FTU上传的节点电流信息；
[0015]根据第一公式确定节点j的状态S
j
；
[0016]根据第二公式确定区段B的状态S
B
；
[0017]根据第三公式确定馈线运行状态与节点过流信息；
[0018]其中，第一公式为：
[0019][0020]第二公式为：
[0021][0022]第三公式为：
[0023][0024]其中，S
j
(X)表示节点j的开关函数，X表示馈线运行状态量，N
d
表示节点j下游节点的数量，x
j
(n
d
)表示节点j下游区段运行状态。
[0025]结合第一方面，在本申请实施例提供的一种实现方式中，根据线路运行状态信息确定每个区段的适应度，包括：
[0026]根据线路运行状态信息通过第四公式确定每个区段的适应度；
[0027]第四公式为：
[0028][0029]其中，F
it
(S
B
)为区段i在第t次迭代的适应度。其中，S
B
为区段运行状态，S
j
为节点上传的开关函数，为各区段发生故障期望运行函数，为异或运算，ω为权重系数，ω＝0.5，A为[0,1]之间的随机数，S
B
[j,i]为分支下游区段i与上游节点j的一致性因子。
[0030]结合第一方面，在本申请实施例提供的一种实现方式中，根据选择的个体确定种群更新规则，包括：
[0031]根据选择的个体，通过第五公式确定种群更新规则；
[0032]第五公式为：
[0033][0034][0035][0036]其中，r为0到0.5之间的随机数，H
P
为自适应加速因子，ε为强化学习因子，x
n
为向量位置的平均值，λ为膨胀常数，x
a
，x
b
，x
c
为在解空间中随机选取三个解向量，x
bs
，x
ws
，x
bt
分别为当前种群通过适应度确定的最优，最差，较好的个体，ξ为常数，rand为随机数。
[0037]结合第一方面，在本申请实施例提供的一种实现方式中，强化学习因子通过以下公式计算得到：
[0038][0039]其中，r
i
为向量权重的排序结果，x
n
为向量位置的平均值，λ为膨胀常数。
[0040]结合第一方面，在本申请实施例提供的一种实现方式中，自适应加速因子通过以下公式计算得到：
[0041]f(x)＝f(x
ws
→
x
bs
)
[0042]其中，x
bs
，x
ws
分别为当前种群通过适应度确定的最优，最差的个体。
[0043]结合第一方面，在本申请实施例提供的一种实现方式中，进行种群更新具体为：
[0044]X
g+1
＝X
g
+MeanRule+ξrand
[0045]其中，X
g+1
为更新后的种群个体，X
g
为更新前的种群个体，MeanRule为更新规则，ξ为常数，rand为随机数。
[0046]第二方面，本申请实施例提供一种基于自适应加权平均算法的配电网故障定位装置，包括：
[0047]获取模块，用于获取待检测配电网的线路运行状态信息；
[0048]处理模块，用于根据线路运行状态信息确定每个区段的适应度；
[0049]处理模块，还用于基于自适应加权平均算法初始化种群；
[0050]处理模块，还用于根据适应度选择当前种群中符合预设规则的个体；
[0051]处理模块，还用于根据选择的个体确定种群更新规则并进行种群更新；
[0052]处理模块，还用于当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。
[0053]第三方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如第一方面的方法。
[0054]第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面的方法。
[0055]第五方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应加权平均算法的配电网故障定位方法，其特征在于，包括：获取待检测配电网的线路运行状态信息；根据所述线路运行状态信息确定每个区段的适应度；基于自适应加权平均算法初始化种群；根据所述适应度选择当前种群中符合预设规则的个体；根据选择的所述个体确定种群更新规则并进行种群更新；当种群更新到最大迭代次数时，根据种群最优解确定配电网故障点位置。2.如权利要求1所述的方法，其特征在于，所述获取待检测配电网的线路运行状态信息，包括：获取馈线终端装置FTU上传的节点电流信息；根据第一公式确定节点j的状态S
j
；根据第二公式确定区段B的状态S
B
；根据第三公式确定馈线运行状态与节点过流信息；其中，所述第一公式为：所述第二公式为：所述第三公式为：其中，S
j
(X)表示节点j的开关函数，X表示馈线运行状态量，N
d
表示节点j下游节点的数量，x
j
(n
d
)表示节点j下游区段运行状态。3.如权利要求1所述的方法，其特征在于，所述根据所述线路运行状态信息确定每个区段的适应度，包括：根据所述线路运行状态信息通过第四公式确定每个区段的适应度；所述第四公式为：其中，F
it
(S
B
)为区段i在第t次迭代的适应度。其中，S
B
为区段运行状态，S
j
为节点上传的开关函数，为各区段发生故障期望运行函数，为异或运算，ω为权重系数，ω＝0.5，A
为[0,1]之间的随机数，S
B
[j,i]为分支下游区段i与上游节点j的一致性因子。4.如权利要求1所述的方法，其特征在于，所述根据选择的所述个体确定种群更新规则，包括：根据选择的所述个体，通过第五公式确定种群更新规则；所述第五公式为：所述第五公式为：所述第五公式为：其中，r为0到0.5之间的随机数，H
P
为自适应加速因子，ε为强化学习因子，x
n
为向量位置的平均值，λ为膨胀常数，x
a
，x
b...

【专利技术属性】
技术研发人员：李鹏，王永雪，王昊宇，陆孝锋，仝瑞宁，张瀚文，佘应森，王瀚铖，张昱豪，
申请(专利权)人：云南大学，
类型：发明
国别省市：