【摘 要】
：
现有配电自动化系统远程实时监测数据较少,以至于故障发生后的快速定位、及时处理故障的方法有限。而结合先进传感技术与通信技术的故障定位方法能够进一步完善当前配电自动化系统的功能。因此,研究无线传感网络（Wireless Sensor Network,WSN）在配电网故障定位中的应用,对于减少配电网的电能损耗、提高系统的供电可靠性等具有重要的意义和价值。本文围绕WSN定位算法在配电网故障节点定位中的应用
论文部分内容阅读
现有配电自动化系统远程实时监测数据较少,以至于故障发生后的快速定位、及时处理故障的方法有限。而结合先进传感技术与通信技术的故障定位方法能够进一步完善当前配电自动化系统的功能。因此,研究无线传感网络（Wireless Sensor Network,WSN）在配电网故障定位中的应用,对于减少配电网的电能损耗、提高系统的供电可靠性等具有重要的意义和价值。本文围绕WSN定位算法在配电网故障节点定位中的应用展开了研究。通过文献调查对多种定位算法进行比较分析,其中DV-Hop（Distance Vector-Hop）算法具有硬件要求低,应用范围广等优点。但该算法存在定位误差较大的缺点,因此本文对DV-Hop算法进行了研究与改进,进而减少该算法的定位误差。主要工作如下:（1）针对DV-Hop算法应用到配电网中存在定位精度低的问题,提出了一种基于动态并行哈里斯鹰（Dynamic Parallel Harris Hawks Optimization,DPHHO）的DV-Hop定位算法,即DPHHO-DV-Hop。该算法首先采用一种加权平均跳距策略来修正未知节点的平均跳距。其次,通过引入逃逸能量的动态控制策略和并行通信策略来改进哈里斯鹰优化算法,从而提出了DPHHO算法,并通过基准测试函数验证了DPHHO算法的优化性能。再次,采用DPHHO算法来求解未知节点的坐标,将原始未知节点坐标求解问题转化为求解目标函数最优值问题。仿真结果表明,所提的DPHHO-DV-Hop定位算法在定位精度方面明显优于DV-Hop等定位算法。最后,针对配电线路故障位置节点定位,使用MATLAB仿真软件建立了配电线路WSN节点拓扑模型,并通过仿真测试验证了DPHHO-DV-Hop定位算法相较于DV-Hop算法在配电线路故障位置节点定位方面更具有可用性。（2）为了进一步提高DV-Hop算法对配电线路故障位置节点的定位精度,在DPHHO-DV-Hop定位算法的基础上,提出了一种基于自适应多组黏菌（Adaptive Multigroup Slime Mould Algorithm,AMSMA）的DV-Hop定位算法,即AMSMA-DV-Hop。该算法首先通过引入自适应组间通信策略来对黏菌算法进行改进,从而提出了自适应多组黏菌算法,并通过基准测试函数验证了AMSMA的优化性能。其次,利用AMSMA对未知节点的位置进行优化求解,并通过仿真实验表明AMSMA-DV-Hop定位算法在定位精度方面优于DPHHO-DV-Hop等定位算法。最后,采用AMSMA-DV-Hop定位算法进行故障位置节点定位,仿真测试结果表明,AMSMA-DV-Hop定位算法进一步提高了DV-Hop算法对配电线路故障位置节点的定位精度。
其他文献
受中巴经济走廊（CPEC）的影响,巴基斯坦经济社会的快速发展,农村公路建设的快速发展,公路养护任务的比重越来越大,管理者对公路养护任务的重视程度越来越高。养护成本控制是在确定较好合理养护成本的前提下保证公路使用性能的最重要方面之一。本文主要以中国农村公路养护项目为例,研究如何实施中国模式来指导巴基斯坦农村公路日常养护成本管控措施。首先,巴基斯坦农村公路养护现状进行了调研分析;其次,研究了影响农村公
随着科学技术的发展,为了实现在输电线路带电的情况下完成检修工作,使用机械臂来完成相关的任务已屡见不鲜。机械臂系统是一类高度非线性、强耦合且具有明显时变性的典型动力学系统。关于机械臂系统的动力学精确建模非常困难,因此设计一种具有相当适应性且在机械臂轨迹跟踪问题上容易使用的控制算法,对于机械臂能否实现对期望轨迹的实时跟踪,具有非常重要的研究意义和实用价值。迭代学习控制在数学意义上,是一种可以严格定义的
基于大数据的复杂系统异常检测是电气工程领域的重点研究课题。目前,我国高速公路是全球最为繁忙的交通系统之一,2019年底完成全国大规模部署和联网的电子不停车收费（Electronic Toll Collection,ETC）系统是全球最大规模的物联网系统。海量的ETC交易数据记录了高速公路上几乎全部车辆的通行状态,通过ETC交易数据的挖掘分析实现高速公路拥堵检测,不仅对提高高速公路的管理水平和通行效
随着智能电网的不断升级,我国对配电网供电质量和供电可靠性提出了更高的要求,即:在配电网发生故障时,能够及时、准确地定位故障位置,从而减少经济损失。可见,高效可靠的故障定位技术在配电网安全运行中占有极为重要的地位。目前,基于FTU的配电网故障定位技术主要有直接法和间接法,其中采用智能优化算法的间接法以其通用、高容错、鲁棒性强等优点成为近年来解决该类问题的研究热点。然而由于这类方法中所采用的智能算法本
粒子群优化算法（Particle Swarm Optimization,PSO）是受鸟群觅食行为的启发,提出的一种群体优化算法。自粒子群算法提出以来,因其易于实现和计算效率高等优势,广泛应用于实际问题中。近年来,强化学习研究取得了进展,将强化学习融合到粒子群算法,成为一种新的思想方法,然而目前策略还是比较单一,其参数选择偏主观性。Q学习是强化学习的重要方法之一,本文研究一种融合Q学习的粒子群算法,
基于深度学习的情感分类方法首先是对文本进行特征提取,再利用深度学习模型分类。深度学习领域现有许多关键性模型,迁移学习模型是其中之一。现有迁移学习模型的训练方法为无监督学习,需依赖后续任务补全推理和决策环节来做判断,但其缺乏目标领域知识用于推理和决策。同时,目前深度学习模型鲁棒性不足,在文本被恶意添加扰动或修改等攻击手段时,会致使模型给出错误的判断,基于深度学习模型的对抗训练优化方法可以使模型抵御对
不同智能交通系统的数据具有多源、高度异构的特征,导致系统间的交互与共享受阻。而交通领域本体作为语义技术的核心,其提供了一种知识表示的方法,它通过形式化定义交通领域中的相关概念以及这些概念之间的关系来描述领域知识,为智能交通系统间的协作提供有效的数据和知识的表示、管理和共享技术手段。然而,不同交通领域本体也存在高度异质的问题,为了促进智能交通系统应用间的交互与协作,需要进行交通领域本体匹配过程来确定
近年来,电力行业发展迅速,电网规模越来越大,结构越来越复杂,进而导致系统中无功功率不足且分布不合理,引起有功网络损耗增大、电能质量下降等问题。因此,为保证电力系统的电压水平,降低线路及设备中的有功损耗,满足用户侧与输电侧的需求,对电力系统进行无功优化是重要的解决途径之一。然而,由于传统优化方法对数学模型依赖性较高,无法满足优化问题的需求,因此本研究使用群智能优化算法来解决无功优化问题,以保证电力系
动力电池作为新能源汽车的核心部件,长期在新能源汽车研究领域占据主导地位,对其有效监管和应用是该领域发展的关键技术问题。动力电池的荷电状态（State of Charge,SOC）与健康状态（State of Health,SOH）则是对其实施有效监管的重要依据。其中,SOC反映电池的剩余电量,SOH反映电池的老化程度,准确估计两者在保障动力电池的安全、稳定、经济运行等方面具有重要意义。本文从一般意
伴随全球能源转型的持续推进,绿色能源逐渐成为了人们重点关注的领域。电力作为能源行业的重要组成部分,对其实现绿色生产是现代电力追求的目标之一。在此背景下,大量分布式电源（Distributed Generation,DG）被接入配电网中,从而导致配电网的运行状态发生改变。因此,对于接入大量DG且规模不断变大的现代配电网,如何对其运行状态进行优化显得至关重要。配电网重构作为配电系统优化和控制的重要手段