文章目录
-
- 【`获取资源`请见文章第5节：资源获取】
- [1. 配电网故障定位](#1. 配电网故障定位)
- [2. 二进制蝗虫优化算法](#2. 二进制蝗虫优化算法)
- [3. 部分代码展示](#3. 部分代码展示)
- [4. 仿真结果展示](#4. 仿真结果展示)
- [5. 资源获取](#5. 资源获取)
【获取资源请见文章第5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12节点配电系统模型：
2. 二进制蝗虫优化算法
受蝗虫种群行为启发，Saremi等于2017年提出了蝗虫优化算法（grasshopper optimization algorithm，GOA）。该算法原理简单易懂，易于实现，并且能够在小空间内搜索时保持搜索个体均匀分布，限制个体重合，因此相较于其他群智能算法，该算法具有较好的局部搜索性能，有利于优化特征选择算法的局部搜索能力。蝗虫优化算法具有可调参数少、鲁棒性能好的特点，适用于解决决配电系统故障定位的问题。蝗虫优化算法独特的进化方式与较好的局部开发能力，使其在优化问题中拥有较好的性能。原始GOA经过对种群初始化和更新策略的修改后可得到二进制蝗虫优化算法（binary grasshopper optimization algorithm，BGOA）。
3. 部分代码展示
matlab
clc
clear
close all
SearchAgents_no=30; % 种群数量
Max_iteration=200; % 最大迭代次数
dim=12; % 维度(12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
Ij = [1 -1 1 0 0 1 1 1 1 1 0 0]; % 故障信息矩阵
[TargetFitness,TargetPosition,Convergence_curve]=binaryGOA(SearchAgents_no, Max_iteration, lb, ub, dim, Ij); % 利用二进制蝗虫算法进行优化求解
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('binaryGOA优化曲线');4. 仿真结果展示
5. 资源获取
可以获取完整代码资源。👇👇👇👀名片