[发明专利]一种基于动态虚拟故障的行波网络定位方法

权利要求书

1.一种基于动态虚拟故障的行波网络定位方法，其特征在于，基于当前的线路构造，行波网络定位包括以下步骤：

步骤1：输电线路发生故障后，故障初始行波沿最短路径到达各变电站，由行波检测装置记录初始行波到达时间，将所有测量点的初始行波到达时间两两作差，得到真实故障的时间特征矩阵；

步骤2：在输电线路中随机选取一点作为虚拟故障点，在该点模拟故障初始行波信号按最短路径向各测量点传播；依据虚拟故障行波波速与传播路径长度计算虚拟故障点的初始行波到达各测量点的时间，进而两两作差得到虚拟故障的时间特征矩阵；

步骤3：利用真实故障的时间特征矩阵与虚拟故障的时间特征矩阵求取时间信息差异度e_t；

步骤4：利用PSO算法不断更新虚拟故障点位置，重复步骤2～3，逐步逼近真实故障点；

当达到迭代次数后，或者时间信息差异度e_t的值小于预设值，结束迭代；将当前虚拟故障点位置作为故障点位置，实现故障定位。

2.根据权利要求1所述的基于动态虚拟故障的行波网络定位方法，其特征在于，步骤1中，输电线路发生故障后，各测量点记录的故障初始行波到达时间为

T＝(t₁,···,t_i,···,t_m)；

式中，m为输电网中测量点的个数；

将故障初始行波到达时间两两做差，得到真实故障的时间特征矩阵ΔT；

式中，

Δt_ij＝t_i-t_j。

3.根据权利要求2所述的基于动态虚拟故障的行波网络定位方法，其特征在于，步骤2中，虚拟故障的时间特征矩阵ΔT'

其中，Δt′_ij＝t_i′-t_j′，d_in表示节点i至虚拟故障节点的最短路径长度，v为虚拟故障行波计算波速。

4.根据权利要求2所述的基于动态虚拟故障的行波网络定位方法，其特征在于，步骤3中，根据真实故障的时间特征矩阵ΔT与虚拟故障的时间特征矩阵ΔT'可求得两者时间信息差异度为

式中，E为差异度矩阵；表示矩阵的m₁范数。

5.根据权利要求2所述的基于动态虚拟故障的行波网络定位方法，其特征在于，PSO算法的步骤如下：

在可行域内由N个粒子组成粒子群落，每个粒子的位置表示一种可行解，则第i个粒子在第j次迭代后的位置为

式中，j表示当前迭代次数；表示虚拟故障点的位置，其中，表示虚拟故障点所在线路连接的节点编号,d_i表示虚拟故障点距节点的距离，j为0时表示粒子的初始位置，此时对赋予随机值；

定义粒子适应度函数为

式中，F为粒子的适应度，是关于虚拟故障点位置的函数；

每个粒子迭代搜索过程中，使其适应度最大的位置作为该粒子的个体极值

取所有粒子个体极值中适应度最大者设定为粒子群的群体极值

可行解的更新通过粒子的移动来完成，控制粒子移动的运动向量由三方面因素决定：粒子个体原本移动方向、个体极值位置以及群体极值位置；

粒子的移动分三步进行：

1)自身认知向量作用

在自身认知向量的作用下，粒子从当前位置按最短路径向个体极值位置移动，v_p为自身认知向量的大小，表示粒子移动的距离长度；

v_p＝c_p·r_p·d_p；

式中，c_p为自身认知因子；r_p为区间[0,1]上的随机数；d_p为粒子位置至个体极值的最短路径长度；

2)社会认知向量作用

在社会认知向量的作用下，粒子从当前位置按最短路径向群体极值位置移动，v_g为社会认知向量的大小，表示粒子移动的距离长度：

v_g＝c_g·r_g·d_g；

式中，c_g为社会认知因子；r_g为区间[0,1]上的随机数；d_g为粒子位置至群体极值的最短路径长度；

3)惯性向量作用

惯性向量用来保障可行解更新的随机性；粒子在惯性向量作用下随机移动，为惯性向量的大小，表示粒子在惯性向量作用下的移动长度：

式中，j表示迭代次数，j取0时，表示惯性向量的初值，为随机数；ω为惯性权重，取值随迭代次数自适应降低：

式中，ω_max为最大惯性权重；ω_min为最小惯性权重；j_max表示最大迭代次数。