本发明涉及一种基于pgsa-ga混合算法的故障区段定位方法,属于计算机仿真技术领域。
背景技术:
在绿色节能意识的驱动下,智能电网发展方兴未艾,已成为当今世界各国竞相研究发展的一个重点领域。与普通配电网相比,智能配电网中接入大量分布式电源,导致配电网的结构发生改变,因此传统的定位方法不再适用。为提高含分布式电源的复杂配电网的运行可靠性,快速恢复故障区域的供电,研究复杂配电网故障定位是智能配电网建设的一项重要内容,对未来智能电网的运行管理有着重要的作用和意义。
技术实现要素:
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于pgsa-ga混合算法的故障区段定位方法,将ga和pgsa混合,缩小搜索范围,全面提高故障定位的效率和速度。
为解决上述技术问题,本发明所采用的技术方案如下:
一种基于pgsa-ga混合算法的故障区段定位方法,包括以下步骤:
1)编码配电网馈线终端设备上传的故障电流信息;
2)构造动态适应分布式电源投切的开关函数;
3)建立pgsa-ga混合算法的目标函数和适应度函数;
4)利用pgsa-ga混合算法进行故障区段定位的计算并得出计算结果。
前述的步骤1)中,故障电流信息采用以下方式表示:
节点j的故障电流信息ij表示如下:
前述的步骤2)中,开关函数表示如下:
其中,
前述的步骤3)中,目标函数为:
其中,f(i)为pgsa-ga混合算法的目标函数,g(i)为遗传算法的适应度函数,n为配电网中的节点数,m为馈线区段的总数,xi表示第i个馈线区段的状态值,i表示第i个馈线区段,w取0.5。
前述的步骤4)中,具体计算过程如下:
41)输入配电网馈线终端设备上传的节点故障电流信息ij;
42)确定初始基点x0=[0,0,……,0],根据式(3)计算基点的目标函数值f(0),并令初始基点作为最小状态值,初始基点的目标函数值作为最小目标函数值,即xmin=x0,fmin=f(0),其中,x0表示初始馈线区段的状态值,下标0表示初始馈线区段;
43)以基点为中心,step=1为步长,沿平行于坐标轴的方向寻找符合条件的s个生长点,并将其放在生长点集point中;所述符合条件是指,生长点在以基点为圆心,半径为1的球内,为符合条件;所述生长点指由所有馈线区段所组成的一个一维矩阵;
44)将point作为初始种群带入到遗传算法;
45)依据式(2)求出point中馈线区段中各节点的开关函数,利用式(4)计算出s个生长点的适应度函数值,根据适应度函数值的大小,选取进行交叉操作的个体;
46)进行交叉和变异操作;
47)将经过交叉和变异操作后生成的新的生长点放入到point中,求解该point中馈线区段中各节点的开关函数,根据式(3)计算各生长点的目标函数值,并与基点的目标函数值进行比较;
48)若第k个生长点的目标函数值f(k)大于基点的目标函数值,则将k从point中除去;若f(k)小于基点的目标函数值,则保留;求出各生长点目标函数的最小值minf,并与最小目标函数值fmin相比,若minf≠fmin,则更新minf为最小目标函数值,更新该目标函数最小值对应的馈线区段的状态值为最小状态值,即令xmin=xminf,fmin=minf;
49)判别是否满足收敛条件,若满足则输出xmin,结束搜索,若不满足进行下一步;
410)采用pgsa算法计算point中生长点的形态素浓度,得到形态素浓度状态空间;
411)在[0,1]区间生成一个随机数,若该随机数落入到某个生长点的形态素浓度状态空间内,则将该生长点作为下一次迭代的新基点x1,返回步骤43),直到满足收敛条件,结束程序。
前述的步骤45)中,随机选择个体,利用matlab遗传算法工具箱中的函数进行遗传操作。
前述的步骤49)中,收敛条件为fmin更新的次数等于count。
与现有技术相比,本发明的有益效果是:
本发明不仅可动态适应分布式电源投切,而且具有更高的搜索速度和计算效率,经实验验证,所提出的方法具有有效性和实用性。
附图说明
图1为本发明方法的流程图;
图2为pgsa-ga混合算法的计算流程图;
图3为改造后的ieee69节点配电网系统。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的基于pgsa-ga(模拟植物生长算法-遗传算法)混合算法的复杂配电网故障区段定位方法,包括以下步骤:
1)编码配电网ftu(馈线终端设备)上传的故障电流信息;
定义节点j的故障电流信息如下:
由此可将故障电流序列编码为i=[i1,i2,……,in],其中,下标n表示配电网中的节点数。
2)构造动态适应分布式电源投切的开关函数;
式中,
3)建立pgsa-ga混合算法的目标函数和适应度函数;
式中,f(i)为混合算法的目标函数,g(i)为遗传算法的适应度函数,ij和
4)利用pgsa-ga混合算法进行故障区段定位的计算并得出计算结果,具体计算如下:
步骤41:输入ftu上传的节点故障电流信息ij。
步骤42:确定初始值即初始基点x0=[0,0,……,0],根据式(3)计算基点的目标函数值f(0),并令初始基点作为最小状态值,初始基点的目标函数值作为最小目标函数值,即xmin=x0,fmin=f(0)。
步骤43:以基点为中心,step=1为步长,沿平行于坐标轴的方向寻找符合条件的s个生长点,并将其放在生长点集point中;符合条件是指,生长点在以基点为圆心,半径为1的球内,才算符合条件;本发明中生长点指由所有馈线区段所组成的一个一维矩阵。
步骤44:将point作为初始种群带入到遗传算法。
步骤45:依据式(2)求出point中馈线区段中各节点的开关函数,使用式(4)计算出s个生长点的适应度函数值,根据适应度函数值的大小,选取进行交叉操作的个体;本发明中随机选择个体进行遗传操作,利用matlab遗传算法工具箱中的函数进行。
步骤46:进行交叉和变异操作。
步骤47:将经过交叉和变异操作后生成的新的生长点放入到point中,此时point中为步骤43中生成的生长点与新的生长点的组合。利用式(2)求出该point中馈线区段中各节点的开关函数,根据式(3)计算各生长点的目标函数值,并与基点的目标函数值进行比较。
步骤48:若第k个生长点的目标函数值f(k)大于基点的目标函数值,则将k从point中除去;若f(k)小于基点的目标函数值,则保留。求出各生长点目标函数的最小值minf,并与最小目标函数值fmin相比,若minf≠fmin,则更新minf为最小目标函数值,更新该目标函数最小值对应的馈线区段的状态值为最小状态值,即令xmin=xminf,fmin=minf。
步骤49:判别是否满足收敛条件,若满足则输出xmin,结束搜索,若不满足进行下一步。本发明将fmin更新的次数等于count设置为收敛条件,即当最小值fmin更新count次时,表示已找到最优解xmin,输出故障区段,程序运行完毕。
步骤410:采用pgsa算法计算point中生长点的形态素浓度,得到形态素浓度状态空间。
步骤411:在[0,1]区间生成一个随机数,若该随机数落入到某个生长点的形态素浓度状态空间内,则将该生长点作为下一次迭代的新基点x1,返回步骤43,直到满足收敛条件,结束程序。
采用本发明方法对改造后的含分布式电源的ieee69节点系统见图3所示,图中,1~69表示69个节点,(1)~(61)表示的是区段,s表示系统电源,k1,k2,k3表示的是dg(分布式电源)投切的开关,dg1,dg2,dg3表示的是三个分布式电源。进行仿真实践,实验结果如表1所示,然后与未改进的pgsa作比较,比较结果如表2和表3所示。
表1ieee69节点配电网故障测试结果
表2pgsa与pgsa-ga迭代次数对比
表3pgsa与pgsa-ga对比总结
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。