基于云粒子群算法的含DG配电网故障定位

发布时间：2017-08-12 13:31

  本文关键词：基于云粒子群算法的含DG配电网故障定位

  更多相关文章： 配电网 故障诊断 分布式发电 粒子群算法 云理论

【摘要】：城市的飞速发展使得配电网规模越来越大,如何保障配电网安全稳定的运行是一个目前急需解决的问题,并且对配电网馈线区段的监测和线路故障的诊断定位也是一个比较热门的研究领域。而目前分布式发电(Distributed Generation,DG)技术的快速发展与应用,使得DG接入配电网越来越频繁,这也为配电网的故障区段定位带来了新的困难与挑战。因此,有必要开展对含DG的配电网的故障定位技术的研究,从而制定出故障分离方案和对DG故障的控制策略。本文在综述了目前国内外对配电网故障区段定位研究现状的基础上,以粒子群算法(Particle Swarm Optimization,PSO)和云理论为基础,对配电网故障区段的定位方法、故障信息的编码、配电网开关函数和评价函数的建立、故障区段定位算法的融合等方面进行了深入的研究。本文首先对几种常见的DG进行了简要的介绍,并且对其并网原则进行了简单的探讨,然后分析了DG并网对于配电网故障区段定位的影响。再此基础上本文将进一步研究含DG配电网的故障区段定位技术。在研究含DG的配电网故障区段定位之前,本文首先分析了基本粒子群算法对不含DG的配电网故障定位。分析了不含DG的辐射型配电网故障信息特征,根据配电网的拓扑结构和FTU上传故障信息建立开关函数和评价函数,并引入PSO算法进行故障定位。通过对单点故障、多点故障以及含信息畸变的故障仿真表明PSO算法能够进行故障定位,但具有一些明显的缺点。为改进基本粒子群算法的缺点和能够使之应用于含DG的配电网故障诊断中,本文将粒子群算法与云理论相结合,形成云粒子群算法,并重构了含DG配电网的开关函数。基于此,然后利用MATLAB2012a对算法在故障诊断中的有效性和收敛性进行仿真分析。仿真结果表明云粒子群能够准确的对含DG配电网的故障区段进行准确的定位,并通过收敛性仿真找到了云粒子群算法的最佳参数。最后经过与差分算法、基本粒子群算法的对比仿真,表明了云粒子群算法的优势。本文围绕配电网故障区段定位技术展开研究,研究基于粒子群算法与云理论相结合的融合算法对含DG的配电网故障区段定位。经过仿真分析验证了该算法的有效性,具有重要的理论意义,对后续的含DG配电网的故障诊断具有一定参考价值。
【关键词】：配电网 故障诊断 分布式发电 粒子群算法 云理论
【学位授予单位】：湖北工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM711
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-16
• 1.1 选题背景与意义9-10
• 1.2 配电网故障区段定位的分类与研究现状10-15
• 1.2.1 直接算法10-11
• 1.2.2 间接算法11-15
• 1.3 本文主要研究工作15-16
• 第2章 分布式电源接入对配电网的影响16-24
• 2.1 分布式电源的分类17-21
• 2.1.1 太阳能17-19
• 2.1.2 风能19-20
• 2.1.3 微型内燃机20-21
• 2.2 分布式电源的接入准则21-22
• 2.3 分布式电源对配电网故障定位的影响22-23
• 2.4 本章小结23-24
• 第3章 标准粒子群在配电网故障定位中的研究24-41
• 3.1 粒子群算法的基本原理24-26
• 3.2 粒子群算法在配电网故障定位中的实现26-35
• 3.2.1 编码问题27
• 3.2.2 开关函数的构造27-32
• 3.2.3 适应度函数的构造32-33
• 3.2.4 故障区段定位分析33-35
• 3.3 算例仿真分析35-39
• 3.3.1 PSO对辐射型配电网进行故障定位35-38
• 3.3.2 PSO对含DG的配电网进行故障定位38-39
• 3.4 粒子群算法的缺点39-40
• 3.5 本章小结40-41
• 第4章 云粒子群算法在含DG配电网故障区段定位41-61
• 4.1 云粒子群算法的实现42-47
• 4.1.1 基本云理论42-44
• 4.1.2 云粒子群算法故障定位的基本步骤44-45
• 4.1.3 基于CPSO的配电网故障定位流程45-47
• 4.2 有效性仿真分析47-54
• 4.2.1 单点故障仿真分析47-51
• 4.2.2 多重故障仿真分析51-53
• 4.2.3 容错性分析53-54
• 4.3 收敛性仿真分析54-60
• 4.3.1 种群规模的影响55-57
• 4.3.2 最大速度限定的影响57-59
• 4.3.3 与其他算法的性能比较59-60
• 4.4 本章小结60-61
• 第5章 总结与展望61-63
• 参考文献63-67
• 致谢67-68
• 附录68

【相似文献】

中国期刊全文数据库 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：661861