一種基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種電力檢測(cè)，具體是一種基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障 診斷方法。
【背景技術(shù)】
[0002] 現(xiàn)代電網(wǎng)的規(guī)模、容量和覆蓋范圍越來越大，電力系統(tǒng)故障診斷系統(tǒng)為供電的可 靠性和連續(xù)性提供了有力的保障。電力系統(tǒng)故障診斷系統(tǒng)利用采集信息盡可能識(shí)別故障元 件和誤動(dòng)作的保護(hù)與斷路器，其中故障元件的識(shí)別是關(guān)鍵問題。因此，國內(nèi)外的研宄工作主 要集中在故障元件的識(shí)別方面。目前故障診斷的方法有邏輯處理方法、專家系統(tǒng)方法（基 于Petri網(wǎng)的專家系統(tǒng)方法）、人工神經(jīng)元網(wǎng)絡(luò)方法和基于優(yōu)化技術(shù)的方法等。其中基于 優(yōu)化技術(shù)的方法又包括遺傳算法、混沌算法、模擬退火算法等。這些方法中專家系統(tǒng)方法直 觀，解釋能力強(qiáng)，但是難以獲取完備的知識(shí)庫，無學(xué)習(xí)能力，容錯(cuò)能力較差。人工神經(jīng)元網(wǎng)絡(luò) 方法的故障診斷的性能取決于樣本集是否完備，對(duì)于大型的電力系統(tǒng)要形成完備的樣本集 極其困難，因而其診斷結(jié)果的正確性在原理上無法保證。此外，對(duì)于不同的故障元件引起相 同的保護(hù)和斷路器動(dòng)作的情況，這種方法只能給出其中的一個(gè)解，局限性較大。一般的模糊 系統(tǒng)采用了與專家系統(tǒng)類似的結(jié)構(gòu)，所以它也具有專家系統(tǒng)的一些固有的優(yōu)缺點(diǎn)，但增加 了容錯(cuò)能力。遺傳算法（GeneticAlgorithm，GA)從優(yōu)化的角度出發(fā)基本上可以解決故障 診斷問題，尤其是在復(fù)故障或存在保護(hù)、斷路器誤動(dòng)作的情況下，能夠給出全局最優(yōu)或局部 最優(yōu)的多個(gè)可能的診斷結(jié)果，但是穩(wěn)定性差、速度較慢。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種能夠正確診斷，而且具有很好的收斂速度和穩(wěn)定性的 改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，以解決上述【背景技術(shù)】中提出的問題。
[0004] 為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
[0005] 一種基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，所述粒子群優(yōu)化算法的 電力系統(tǒng)故障診斷步驟如下：
[0006] ①初始化粒子，粒子個(gè)數(shù)，pbest，gbest，迭代次數(shù)，w，Q，C2;
[0007] ②若未達(dá)到最大迭代次數(shù)，則根據(jù)（2)式計(jì)算每個(gè)粒子的f(S)適應(yīng)值，更新pbest 和gbest;若達(dá)到最大迭代次數(shù)，則跳轉(zhuǎn)到步驟7執(zhí)行；
[0008] xi+1=Xi+Vi+1 (2)
[0009] 其中，下標(biāo)i表示迭代次數(shù)，Xl表示第i次迭代時(shí)的粒子空間位置，Vi表示第i次 迭代時(shí)的粒子速度。
[0010] ③為防止陷入局部最優(yōu)，若某個(gè)粒子的位置等于最佳位置，則對(duì)該粒子重新初始 化賦值；
[0011] ④根據(jù)式（4)計(jì)算H，若H小于△時(shí)在速度更新方程中加入負(fù)擾動(dòng)項(xiàng)以改變粒子 運(yùn)動(dòng)方向，即用式（4)和（5)產(chǎn)生新的速度，并更新粒子群的位置；若H大于或等于A，則 用式（3)和（4)產(chǎn)生新的速度，并更新粒子群的位置；
[0012] H=f(t-l)/f(t) (3)
[0013] 式中：H為速度因子。
[0014]
【主權(quán)項(xiàng)】
1. 一種基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，其特征在于，所述粒子群 優(yōu)化算法的電力系統(tǒng)故障診斷步驟如下： ① 初始化粒子，粒子個(gè)數(shù)，pbest，gbest，迭代次數(shù)，w，C1, C2; ② 若未達(dá)到最大迭代次數(shù)，則根據(jù)（2)式計(jì)算每個(gè)粒子的f (S)適應(yīng)值，更新pbest和 gbest ;若達(dá)到最大迭代次數(shù)，則跳轉(zhuǎn)到步驟7執(zhí)行； xi+1= X i+Vi+1 (2) 其中，下標(biāo)i表示迭代次數(shù)，X1表示第i次迭代時(shí)的粒子空間位置，V i表示第i次迭代 時(shí)的粒子速度。 ③ 為防止陷入局部最優(yōu)，若某個(gè)粒子的位置等于最佳位置，則對(duì)該粒子重新初始化賦 值； ④ 根據(jù)式（4)計(jì)算H，若H小于△時(shí)在速度更新方程中加入負(fù)擾動(dòng)項(xiàng)以改變粒子運(yùn)動(dòng) 方向，即用式（4)和（5)產(chǎn)生新的速度，并更新粒子群的位置；若H大于或等于A，則用式 (3)和（4)產(chǎn)生新的速度，并更新粒子群的位置； H = f(t-l)/f(t) (3) 式中：H為速度因子。 Vi+1 = ff*V j+C^rand () * (pbest-Xj) +C2^rand () * (gbest-Xj) -Cd* (pbest+gbest) /2 (4) 式中cd為擾動(dòng)因子，可在0. 30~0. 65之間取值；(pbest+gbest)為群體和個(gè)體最優(yōu) 解的平均值；慣性權(quán)重w采取線性遞減策略。
⑤ 由于粒子的位置只有〇、1兩種狀態(tài)，因此對(duì)函數(shù)值以0. 5為分界點(diǎn)進(jìn)行離散化， X (t)〈0. 5取值為0,否則取為1 ; ⑥ 迭代次數(shù)加1，返回步驟2 ; ⑦ 輸出結(jié)果。
2. 根據(jù)權(quán)利要求1所述的基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，其特征 在于，所述電力系統(tǒng)故障診斷就是利用保護(hù)和斷路器的動(dòng)作信息來推斷可能的故障位置， 可以表示為使下述目標(biāo)函數(shù)最小化的問題
3. 根據(jù)權(quán)利要求2所述的基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，其特征 在于，保護(hù)期望狀態(tài)R#(S)的確定如下： 主保護(hù)=元件狀態(tài) 后備保護(hù)=元件狀態(tài)X (1 -主保護(hù)）。
4. 根據(jù)權(quán)利要求2所述的基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，其特征 在于，斷路器期望狀態(tài)C/(S，R)的確定如下： C/(S，R) = MX〈關(guān)聯(lián)保護(hù)期望狀態(tài)X實(shí)際狀態(tài)〉。
5. 根據(jù)權(quán)利要求1所述的基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，其特征 在于，在每一次迭代中，粒子通過跟蹤兩個(gè)"極值"來更新自己；第一個(gè)極值就是粒子本身所 找到的最優(yōu)解，這個(gè)極值稱為個(gè)體極值Pbest ;另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解， 這個(gè)極值是全局極值gbest ;每個(gè)粒子根據(jù)如下的公式來更新自己的速度和在解空間的位 置 Vi+1 = ff*V j+C^rand () * (pbest-Xj) (I) +C2^rand () * (gbest-Xj)xi+1= x i+Vi+1 (2)。
6. 根據(jù)權(quán)利要求2所述的基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，其特征 在于，在迭代過程引入進(jìn)化速度因子H，尋求極小值時(shí)，令H為上一次迭代的全局最優(yōu)值/當(dāng) 前迭代的全局最優(yōu)值，即 H = f (t-l)/f (t) (3) 〇
7. 根據(jù)權(quán)利要求6所述的基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，其特征 在于，在每次迭代過程中計(jì)算粒子的進(jìn)化速度，當(dāng)H低于△時(shí)，在速度更新方程中加入負(fù)擾 動(dòng)項(xiàng)以改變粒子運(yùn)動(dòng)方向，此時(shí)式（1)將變?yōu)?Vi+1 = ff*V j+C^rand () * (pbest-Xj) +C2^rand () * (gbest-Xj) -Cd* (pbest+gbest) /2 (4) 〇
【專利摘要】本發(fā)明公開了一種基于改進(jìn)粒子群優(yōu)化算法的電力系統(tǒng)故障診斷方法，所述粒子群優(yōu)化算法初始化為一群隨機(jī)粒子，然后通過迭代找到最優(yōu)解，在每一次迭代中，粒子通過跟蹤兩個(gè)“極值”來更新自己：第一個(gè)極值就是粒子本身所找到的最優(yōu)解，這個(gè)極值稱為個(gè)體極值pbest；另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解，這個(gè)極值是全局極值gbest。改進(jìn)的粒子群優(yōu)化算法在迭代過程引入進(jìn)化速度因子H，尋求極小值時(shí)，令H為上一次迭代的全局最優(yōu)值/當(dāng)前迭代的全局最優(yōu)值，計(jì)算粒子的進(jìn)化速度，當(dāng)H低于Δ時(shí)，在速度更新方程中加入負(fù)擾動(dòng)項(xiàng)以改變粒子運(yùn)動(dòng)方向。與遺傳算法方法相比，粒子群優(yōu)化算法具有穩(wěn)定性高、收斂特性好、運(yùn)行速度快的突出優(yōu)點(diǎn)。
【IPC分類】G01R31-00
【公開號(hào)】CN104820142
【申請(qǐng)?zhí)枴緾N201510126409
【發(fā)明人】薛飛, 王珂, 石立志
【申請(qǐng)人】國家電網(wǎng)公司, 國網(wǎng)河北省電力公司, 國網(wǎng)河北省電力公司鹿泉市供電分公司
【公開日】2015年8月5日
【申請(qǐng)日】2015年3月20日