【配电网故障定位】基于二进制粒子群算法的配电网故障定位 33节点配电系统故障定位【Matlab代码#78】

news/2024/9/24 7:44:54/

文章目录

- 【`获取资源`请见文章第6节：资源获取】
- 1. 配电网故障定位
- 2. 二进制粒子群算法
- 3. 算例展示
- 4. 部分代码展示
- 5. 仿真结果展示
- 6. 资源获取

【`获取资源`请见文章第6节：资源获取】

1. 配电网故障定位

配电系统故障定位，即在配电网络发生故障的时候，利用智能化的设备和系统，对故障点做出快
速、精准的位置锁定。我国早期使用的故障定位技术是利用分段器和重合器完成的，简单且容易实
现。现阶段，考虑到经济性因素，大多使用基于FTU和人工智能算法的定位技术。对配电网系统故障间接定位的方法主要有神经网络算法和人工智能算法。本文运用智能算法对配电系统的故障进行定位，其原理是把拟定的故障位置作为变量，用智能算法对构造的目标函数进行优化计算，最后得出的解即定位的故障位置。

本文采用的是33节点配电系统模型：
在这里插入图片描述

2. 二进制粒子群算法

粒子群算法（简称PSO）中心原理是利用群体里每个独立个体相互之间的协调合作及相互分享传递信息来达到寻找最优解的目的。粒子群算法相比于其他算法有以下优势：概念原理简单、结构不复杂容易实现、需要调整的参数少、方便操作。基于以上优势，粒子群算法常应用于非线性的整合规划、多目标函数优化等。

该算法的大致过程为：首先，对粒子速度和位置初始化，即设置种群的大小。速度是指粒子的移动快慢，位置是指粒子前进的方向。随后，每个粒子即目标函数的一个解，作为当前的个体极值在空间里独自寻找最优解。粒子之间相互传递信息，促使个体极值找到优于自己的个体极值，将其作为目前全局的最优解。每个粒子在传递信息作用下，相互比较，产生了全局的最优解，也促使其他粒子更新自己的位置和速度从而向最优粒子靠近。按上述过程，算法可收敛到一个近似结果，即目标函数的解。最后当迭代次数达到最大时，或是粒子间的差值小于某个区间时停止计算。

3. 算例展示

在这里插入图片描述

4. 部分代码展示

matlab">clc
clear
close allglobal y K
SearchAgents_no=1000; % 种群数量
Max_iteration=100; % 最大迭代次数
dim=33; % 维度(33节点配电网系统)
lb=0; % 表示非故障位置
ub=1; % 表示该位置故障% 多点故障
y=[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 1, 1, 1, 1, 1, 1, 1, -1, 1, 1, 1, 0];
%% 计算
K=[1 1 1];[TargetFitness,TargetPosition,Convergence_curve]=BPSO(SearchAgents_no, Max_iteration, dim); % 利用二进制粒子群算法进行优化求解
fprintf('\n')
display(['最优值为 : ', num2str(TargetFitness)]);
display(['最优解为 : ', num2str(TargetPosition)]);
[row, col] = find(TargetPosition == 1);
display(['故障位置为 : ', num2str(col)]);figure
plot(Convergence_curve(2:end),'r')
ylabel('适应度值');
xlabel('迭代次数');
title('BPSO优化曲线');