一种配电网用户故障自动优化判别方法与流程

文档序号:14686079发布日期:2018-06-14 23:04
本发明涉及一种配电网用户故障自动优化判别方法。
背景技术
:随着配电网不断发展,网络日趋庞大且复杂,传统配电网保护已很难保证选择性和快速性。在负荷密集区10kV变电站供电距离一般只有4—6Km,由分段断路器分成2-4段。在这样短的线路上,采用传统的过流、过压、距离等阶段式保护,整定配合越来越困难。线路上任何一点故障,变电站出口断路器都可能无选择性跳闸,造成全线路停电。由于变电站出口断路器无选择性跳闸,经常扩大停电范围,导致配电网运行可靠性降低。此外,在当前低碳经济时代,随着太阳能、风能、小水电等新能源接入配电网,颠覆了传统配电网单向潮流的特征,传统配电网继电保护更加难以确定故障区段。目前部分供电公司已经安装部分SOG分界开关,但由于成本大,无法全区推广使用。因此,根据智能配电网实施的具体要求,有必要研究更先进的配电自动化设备。研究新的故障定位和隔离方式,以解决影响当前配电网运行可靠性的问题。技术实现要素:本发明的目的在于提供一种配电网用户故障自动优化判别方法,能够有效解决当前配电网运行可靠性的问题。为了解决上述技术问题,本发明是通过以下技术方案实现的:一种配电网用户故障自动优化判别方法,依次包括以下步骤:A、读取原始数据及参数,用灵敏度法确定候选故障点位置;B、计算各个位置上故障的概率,优化变量编码,初始化粒子及粒子速度;C1、跟新粒子速度及粒子位置,随机搜索故障位置和类型,计算网络潮流,计算切除时间,判断pBest是否等于Present,如果等于进入步骤D,如果不等于重新开始本步骤;C2、与C1步骤同时进行,跟新粒子速度及粒子位置,随机搜索故障位置和类型,计算网络潮流,计算切除时间,判断gBest是否等于Present,如果等于进入步骤D,如果不等于重新开始本步骤;D、等待pBest等于Present并且gBest等于Present,判断n是否大于N,如果是,则选择两种群最优群,判断是否收敛,如果收敛得出最优解,如果不收敛返回步骤B;E、如果步骤D中n小于等于N,则判断是否满足信息素交换条件,如果否则返回步骤C1和C2,如果是进行信息素交换后返回步骤C1和C2。与现有技术相比,本发明的优点是:可准确定位故障区段和故障类型,自动完成故障区段的隔离,实现故障的选择性切除,将故障隔离在最小范围内,停电范围最小,极大的提高了供电可靠性。大大降低故障巡线工作量和难度,缩短故障排除时间,降低劳动强度,提高工作效率。提供完备的监测手段,解决配电网盲调状态;采取标准化接口,既可与标准的配网自动化系统无缝集成,也可逐步集成其他配网应用系统,最终扩展为完整的配网自动化系统。该项目从迫切的问题入手,因地制宜采取不同模式,构建不同类型、不同规模的故障处理系统,获得最佳投资效益,有效提高供电量,减少用户停电投诉,提高社会效益。附图说明图1为一种配电网用户故障自动优化判别方法的流程图。具体实施方式参阅图1,一种配电网用户故障自动优化判别方法,依次包括以下步骤:A、读取原始数据及参数,用灵敏度法确定候选故障点位置;B、计算各个位置上故障的概率,优化变量编码,初始化粒子及粒子速度;C1、跟新粒子速度及粒子位置,随机搜索故障位置和类型,计算网络潮流,计算切除时间,判断pBest是否等于Present,如果等于进入步骤D,如果不等于重新开始本步骤;C2、与C1步骤同时进行,跟新粒子速度及粒子位置,随机搜索故障位置和类型,计算网络潮流,计算切除时间,判断gBest是否等于Present,如果等于进入步骤D,如果不等于重新开始本步骤;D、等待pBest等于Present并且gBest等于Present,判断n是否大于N,如果是,则选择两种群最优群,判断是否收敛,如果收敛得出最优解,如果不收敛返回步骤B;E、如果步骤D中n小于等于N,则判断是否满足信息素交换条件,如果否则返回步骤C1和C2,如果是进行信息素交换后返回步骤C1和C2。本发明基于随机微粒群优化算法(PSO)为基础,通过定期评估与动态评估相结合的方式,采用人工智能等技术,从故障隔离、故障识别、故障定位等方面分别对配网的运行管理水平进行分析评估,通过专家规则,自动隔离用户故障。用户分界开关内置先进的零序电流互感器,高精度、宽测量范围的测量线路容性电流,采用微机型高速OCG检测控制技术精确分析处理测量数据,运用用户分界点内外故障时零序电流的差异,实现配电网用户分支线故障监控的功能,同时可满足多种接地方式供电系统的要求。1)目标函数本发明建立的配电网PSO模型以多负荷状态下电流值与故障位置之和最小为目标函数,如式1-1所示:minC=minΣt-1N(KpΣk-1StikPLik(Qki,Tki)+Σj∈H(N-i+1)MjIji)+min(Σi=1nΣj∈HIjiFji+Σi=1nΣj∈HIji(1+r)N-i+1-1(1+r)m-1(1+r)m-N+i-1KiQji)---(1-1)]]>式中:N为规划年数;Kp为电价(万元/kwh);S为负荷状态数;tik为第i年第k种负荷状态的持续时间(h);PLik第i年第k种负荷状态下系统电能损耗(kw);Qik、分别为第i年第k种负荷状态下无功电源容量、可调变压器变比。H为系统节点集;Mj为节点j上故障点距离;表示第i年节点j是否有故障的0-1决策变量;为第i年在节点j上故障点距离;r为故障率;m为故障时效;Ki为第i年无功电源的成本单价(元/kVar):表示第i年节点j上安装的无功电源的容量。约束方程:Umin<Ui<Umax(1-2节点电压约束)0<Qi<Qmax(1-3无功电源容量约束)Tmin<Ti<Tmax(1-4变压器变比约束)(1-5等式约束方程)式(1-5)中Pi、Qi表示节点i的注入有功、无功;Ui、Uj为节点i,j的电压;Gij、Bij为节点i、j之间的电导、电纳;θij为节点i、j之间的电压相角差;j∈N表示所有与节点i相连的节点。2)PSO算法粒子群优化算法(ParticleSwarmoptimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能(Swarmintelligence,SI)的一种。它可以被纳入多主体优化系统(MultiagentOptimizationSystem,MAOS).是由Eberhart博士和kennedy博士发明。PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物,在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中,每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue),每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解),然后通过叠代找到最优解,在每一次叠代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值pBest,另一个极值是整个种群目前找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居,那么在所有邻居中的极值就是局部极值。PSO初始化为一群随机粒子(随机解)。然后通过叠代找到最优解。在每一次叠代中,粒子通过跟踪两个\"极值\"来更新自己。第一个就是粒子本身所找到的最优解。这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解。这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最为粒子的邻居,那么在所有邻居中的极值就是局部极值。在找到这两个最优值时,粒子根据如下的公式来更新自己的速度和新的位置V=w*V+c1*rand()*(pBest-Present)+c2*rand()*(gBest-Present)Present=Present+V其中V是粒子的速度,Present是当前粒子的位置,pBest和gBest如前定义,rand()是介于(0,1)之间的随机数。c1,c2是学习因子。通常c1=c2=2,w是加权系数取值在0.1至0.9之间。以上所述仅为本发明的具体实施例,但本发明的技术特征并不局限于此,任何本领域的技术人员在本发明的领域内,所作的变化或修饰皆涵盖在本发明的专利范围之中。当前第1页1 2 3 
再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1