基于CEEMD-LMD-SCN的集合型配电网故障选线方法

为解决线路发生单相接地故障时,过渡电阻较高导致故障特征不明显,以及噪声干扰情况下难以对故障线路进行准确识别的问题。提出一种基于互补集合经验模态分解（complementary ensemble empirical mode decomposition, CEEMD）、局部均值分解（local mean decomposition, LMD）和随机配置网络（stochastic configuration network,SCN）的故障选线方法。首先采用CEEMD与LMD对零序电流进行分解,分别计算其对应分量的能量熵;然后将求解出的能量熵值组合形成组合特征向量,利用Synthetic Minority Oversampling Technique,（SMOTE）算法扩充数据,获得训练及测试数据;采用泛化能力较强的SCN网络建立配电网故障选线模型。仿真结果表明：本文故障选线方法在不同故障距离、不同接地电阻和不同故障初始角度的情况下能有效实现故障线路的选择,在高阻以及噪声干扰情况下,该方法适应性依然良好。     

基于改进免疫遗传的配电网故障区段定位研究

针对目前智能算法在配电网故障定位中存在收敛速度慢、易陷入局部最优的问题,提出将基于免疫遗传算法(Immune Genetic Algorithm,IGA)应用于配电网故障定位中,同时引入精英保留思想对传统免疫遗传算法进行改进.改进后的算法拥有遗传算法搜索特性的同时保留了免疫算法多机制寻求多目标函数最优解的自适应特性,很...