含分布式电源配电网故障检测与定位研究综述

分布式电源（Distributed Generation,DG）并入配电网已成为新型电力系统重要特征,配电网结构由辐射状转变为多源多端网络架构,由此引起的短路故障特性将发生根本变化,对配电网故障快速保护尤其故障快速检测与定位提出更高的技术要求。本文在综述研究现状基础上,从时空角度分别分析含分布式电源配电网故障新特性,阐述传统配电网保护技术局限性,给出含分布式电源配电网保护检测与定位研究展望,指出故障快速检测与定位配合具有快速操动机构的断路器,能够实现故障区域的快速有效隔离,以保障含分布式电源配电网的安全运行。     

基于量子退火算法的配电网故障定位

由于分布式电源在配电网的高渗透给有源配电网的保护技术和策略带来了挑战,致使传统方法在故障诊断中稍显逊色。针对此现状本文提出基于量子隧穿效应的量子退火算法实现故障诊断,并通过对量子退火算法进行优化以改善其在复杂配电网故障诊断中有小概率陷入局部极小值的问题。首先拓展传统故障定位适应度函数为量子退火算法的评价函数;其次,提出混沌优化产生初始磁场强度和初始温度提高搜索效率,利用自适应公式计算扰动次数,并设计陷入局部最优时的扰动方法跳出当前最优可行解;接着构造具备升温特点的温度衰减函数,选择合适形式的磁场衰减函数;最后将改进的量子退火算法进行三种经典函数的测试,并分别应用于33节点单电源和33节点含分布式电源配电网两个故障场景中。模拟仿真表明,改进量子退火算法在故障定位问题中具备可行性,能够适应联络开关的开闭变化和多个含分布式电源的投切,表现出良好的定位准确率,容错性和全局寻优能力等。     

含分布式电源的配电网故障定位改进矩阵算法

由于传统矩阵算法在含分布式发电的配电网故障定位中的适用性变差,提出了一种改进矩阵算法实现对含分布式发电配电网的故障定位。该方法根据变电站母线处分支节点以及与分布式电源相连节点的故障信息,首先确定发生故障的区域,然后在该区域内利用改进的矩阵算法定位故障区段。考虑到故障信息的畸变,该方法针对定位结果的不同采用不同的纠错方法,提高了定位的准确性。该方法降低了矩阵的维度,排除了T接线处的误判。算例验证了所提出方法的可行性及容错性。     

基于多分支配电网的新型矩阵故障定位算法

针对现有矩阵算法较差的容错性及对分支末梢区域故障及多分支、多电源配电网络的多重故障无法同时处理的情况提出了一组新的判决,据此形成适应现代配电网的新型矩阵故障定位算法。考虑将耦合点纳入网络描述矩阵,并将故障信息丢失节点进行区分分别判断以解决上述问题。通过典型算例对新型矩阵故障定位算法进行了验证,结果表明了该方法的正确性和有效性。新型矩阵算法程序设计简单,计算量小,进一步满足了故障定位的实时性要求。     

基于改进免疫遗传的配电网故障区段定位研究

针对目前智能算法在配电网故障定位中存在收敛速度慢、易陷入局部最优的问题,提出将基于免疫遗传算法(Immune Genetic Algorithm,IGA)应用于配电网故障定位中,同时引入精英保留思想对传统免疫遗传算法进行改进.改进后的算法拥有遗传算法搜索特性的同时保留了免疫算法多机制寻求多目标函数最优解的自适应特性,很...     

基于蚁群算法的配电网重构

配电网络重构是一个非线性组合优化问题。本文提出了一种新颖的基于蚁群算法来求解正常运行条件下的配电网络重构问题,以达到线损最小。蚁群算法ACA（Ant colony Algorithm）是一种新型通用内启发式算法,研究表明该算法具有并行性、鲁棒性等优良性质。结合配电网的特点,本文应用蚁群系统算法来解决配电网重构问题,建立了相应的数学模型,并给出求解过程。最后通过一个IEEE33节点算例验证了本文所提出的算法的可行性和有效性。     

基于改进二进制蛇优化算法的配电网故障定位

分布式电源(Distributed Generations,DGs)大规模接入给配电系统带来更多不确定性、随机性,系统运行方式更复杂,传统故障定位方法难以适应新型电力系统构建。本文提出一种基于改进二进制蛇优化算法（Improved Binary Snake Optimization,IBSO）的新型故障区段定位方法。利用SPM混沌映射生成高质量的随机数序列,以提高算法种群中个体的随机性,并引入了遗传算法的动态变异策略,根据不同的搜索状态和进化阶段来调整变异率和变异方式,提高算法的灵活性和准确性。通过仿真证明,该方法适用于在含有分布式电源的配电网中定位单一和多重故障区段,相比蛇优化算法、传统二进制粒子群算法以及遗传算法在收敛性、快速性和准确性方面更优。     

一种配电网故障区段定位的改进矩阵算法

分析了现有配电网故障定位矩阵算法存在的问题,提出一种配电网故障区段定位改进矩阵算法。该方法以网络关联矩阵描述馈线区段和测控点的拓扑联接关系,根据故障发生时与故障馈线区段相连测控点的故障过电流特征,形成一种适用于各类型馈线区段故障判定的统一判据。该算法判据形式统一、计算量小,省去了规格化处理与多次设定正方向的过程,能够解决环网故障、馈线末端故障、多电源网络多重故障定位等问题。     

含分布式电源的配电网故障定位与隔离方法综述

随着新技术的应用与新能源的开发,分布式电源（Distributed Generation）越来越多的接入电网。DG对于提高电网的安全可靠性、经济性及灵活性等方面有积极的作用,然而DG的引入使得配电网从原有的放射状网络变成含有中小型电源的多电源网络,这给配电网的继电保护以及故障定位带来了很大影响。     

配电网故障定位算法研究

针对配电网故障快速准确定位问题,研究了故障定位的矩阵算法,分析了不对称矩阵算法的基本原理,针对该算法存在判别盲区的缺陷,提出了在辐射网和树状网末端增加零节点编号的改进方法,消除了判别盲区;该方法具有简单、实时性强的特点,在配电自动化系统中有很强的实用性。论文最后用算例验证了该算法的有效性。     

基于行波特征分类的有源配电网故障定位

随着分布式电源(distributed generator, DG)的接入,配电网的潮流方向和结构发生改变,许多传统配电网的故障定位方法已不再适用。单相接地故障是配电网常见故障且可能带来二次故障乃至断电等危害,从线模行波小波特征值与含DG的配电线路故障区段之间的关系入手,通过线性判别分析(linear discriminant analysis, LDA)降维挑选出最优故障特征,再利用机器学习中与该模型契合最好的基于核分布的贝叶斯构造分类模型,实现单相接地故障定位新方法。构建含DG的IEEE 33节点模型对有源配电网不同区段的故障进行实验,得出最优三维特征样本的定位准确率为97.9%,结果表明该方法能实现故障的准确定位。     

基于特征迁移和深度学习的配电网故障定位

故障诊断对电力系统的稳定运行至关重要。当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高。针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。首先,采集配电网不同线路的零序电流构造故障特征集;其次,引入加权半监督迁移成分分析(semi-supervised transfer component analysis, SSTCA)方法,利用混合核函数将不同拓扑结构下的特征样本映射到同一特征空间中,缩小数据间的分布差异性;最后,将映射后的源域样本输入卷积神经网络中进行分类训练,并测试映射后的目标域样本。通过Simulink仿真表明,在改变配电网拓扑结构的新场景下,所提的特征迁移方法与其他方法相比,对目标域故障定位精度最高,达到98%以上。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于遗传算法的配电网中分布式电源选型与选址

在考虑自然条件的前提下,文章建立了分布式电源选型和选址的成本最小、网络损耗最小和电压偏移量最小的目标函数模型;在采用前推回代法计算配电网潮流基础上,应用遗传算法对目标函数进行了寻优计算;利用算例系统对模型和算法的正确性进行了验证。研究表明,通过对分布式电源进行合理的选型和选址,可以提高供电的可靠性和电能质量。     

基于多区域相位突变量信息的主动配电网接地故障定位方案

针对主动配电网在分布式电源接入后零序电流保护存在的误动或者拒动的问题,提出一种基于多区域相位突变量信息的主动配电网接地故障定位方案.根据母线侧各线路的零序电流相位信息,实现故障线路的识别.根据故障线路段两端的零序电流与负荷电流相位突变量间的关系,实现故障区域线路段的准确定位.PSCAD平台仿真结果表明:该方案受分布式电源接入位置、容量的影响较小,能有效解决零序电流保护存在的拒动或误动的问题,提高了主动配电网的安全可靠性.     

基于文化算法的蜂窝网定位技术研究

利用TDOA测量参数的蜂窝网无线定位技术一直是人们研究的热点,其中存在的非线性优化问题一直是研究的难点.而文化算法作为一种新型的智能算法在解决非线性优化问题方面有其独特的优势.为此,提出一种将Chan算法与文化算法相结合的算法.当接收端在空间随机分布时,利用该算法解决TDOA定位估计中遇到的非线性最优化问题.仿真结果表明,该算法性能稳定;与传统算法以及其他智能算法相比,定位精度较高,收敛速度较快.     

WLAN indoor location method based on artificial neural network

WLAN indoor location method based on artificial neural network (ANN) is analyzed.A three layer feed-forward ANN model offers the benefits of reducing time cost of the layout of an indoor location system, saving storage cost of the radio map establishment and enhancing real-time capacity in the on-line phase.According to the analysis of SNR distributions of recorded beacon signal samples and discussion about the multi-mode phenomenon, the one map method is proposed for the purpose of simplifying ANN input values and increasing location performances.Based on the simulations and comparison analysis with other two typical indoor location methods, K-nearest neighbor (KNN) and probability, the feasibility and effectiveness of ANN-based indoor location method are verified with average location error of 2.37m and location accuracy of 78.6% in 3m.     

基于网络选址的设施系统可靠性

将设施系统的结构用网络表示,其中顶点代表服务设施或客户,边代表物品或信息的传输途径。设施系统的可靠性在很大程度上会受网络边失效的影响。为了度量此种情形下的设施系统可靠性,提出可行可靠度概念。基于集合覆盖问题、 p-中值问题和无容量限制固定费用选址问题建立一个综合选址模型,设计邻域搜索算法并求解一个实例。结果表明,在成本增加不多的情况下,考虑边失效情形可以明显提高设施系统的可靠性。     

一种基于神经网络的车牌定位方法

针对过去车牌定位难的问题,提出了一种基于神经网络的车牌定位方法,算法通过神经网络训练、图像预处理以及用训练好的网络进行车牌的定位,依照上述算法对编制的软件检验,从测试的 600 幅 320×240(像素×像素)汽车图像,正确率达到了 95.1%,每幅图像的运行时间小于 2s,基本上达到了实时处理的要求。