， ，，

(1.景德鎮(zhèn)供電公司，江西 景德鎮(zhèn) 333000;2.南京南瑞繼保電氣有限公司，江蘇 南京 211102;3.四川大學(xué)電氣信息學(xué)院，四川 成都 610065)

現(xiàn)代電網(wǎng)逐漸形成為大規(guī)模多環(huán)復(fù)雜網(wǎng)絡(luò)，這給電力系統(tǒng)的安全穩(wěn)定運行提出了嚴(yán)峻的考驗和挑戰(zhàn)。研究表明，很多大面積停電事故與繼電保護(hù)的不正確動作密切相關(guān)[1-2]。保護(hù)誤動引發(fā)系統(tǒng)連鎖故障繼而導(dǎo)致大停電事故，這會嚴(yán)重影響系統(tǒng)運行的安全與穩(wěn)定。不同保護(hù)裝置誤動造成的影響程度與波及范圍有差異，處于關(guān)鍵位置的保護(hù)誤動后果更嚴(yán)重，影響更大。斷點(break point，BP)保護(hù)通常不與其他保護(hù)配合整定，使得系統(tǒng)故障時斷點保護(hù)動作的選擇性無法得到保證，可能會出現(xiàn)越級誤動，使斷點成為整個電網(wǎng)的一個脆弱環(huán)節(jié)。斷點的脆弱性易引起保護(hù)越級誤動，導(dǎo)致斷點保護(hù)所在的線路斷開，造成潮流轉(zhuǎn)移和重新分布，可能會引起過載跳閘事故，給電網(wǎng)埋下了重大的安全隱患[3]。處于關(guān)鍵位置的斷點保護(hù)裝置發(fā)生越級誤動會給電力系統(tǒng)、國民經(jīng)濟(jì)、人民生活水平帶來更為負(fù)面的影響，造成更嚴(yán)重的后果。為了降低斷點保護(hù)誤動的影響程度及提高系統(tǒng)運行的可靠性、安全性、經(jīng)濟(jì)性，在保護(hù)配置方式及整定計算、系統(tǒng)運行方式及網(wǎng)絡(luò)結(jié)構(gòu)變化較大時應(yīng)優(yōu)先考慮和監(jiān)護(hù)最脆弱的斷點保護(hù)。有鑒于此，需要提出一種行之有效的斷點保護(hù)脆弱性的評估方法。

在大型復(fù)雜環(huán)網(wǎng)中，滿足微機保護(hù)裝置的“四性”要求較為不易。為使保護(hù)裝置定值更合理、更準(zhǔn)確，需要對整定計算方法進(jìn)行更加深入的研究。整定計算過程包含4個重要步驟，即尋找網(wǎng)絡(luò)中所有有向基本回路、尋找相關(guān)順序矩陣、求解主/后備保護(hù)對和計算最小斷點集(minimum break point set，MBPS)，其中MBPS求取至關(guān)重要。如果選擇了不恰當(dāng)?shù)恼ㄓ嬎闫瘘c，可能會延長整個電網(wǎng)整定配合的收斂速度，甚至不收斂，也可能對系統(tǒng)的安全性和穩(wěn)定性造成嚴(yán)重的破壞。目前相關(guān)文獻(xiàn)和有關(guān)整定計算程序一般能求解出多組MBPS[4-6]，優(yōu)解和劣解均混于其中，如何從中選取最優(yōu)MBPS或在MBPS算法中直接求出最優(yōu)MBPS用于整定計算的問題亟待解決。基于此，提出了一種基于線路電氣介數(shù)的斷點脆弱性的分析方法，并基于斷點脆弱性和改進(jìn)的人工魚群算法(artificial fish swarm algorithm，AFSA)[7]選取最優(yōu)MBPS，以全新的視角研究多組同基MBPS最優(yōu)選取問題。

1 斷點脆弱性

由于斷點保護(hù)自身的整定特點，使其成為電網(wǎng)中的一個脆弱元件，為減小斷點脆弱性對系統(tǒng)的負(fù)面影響，需對斷點脆弱性的形成原因和脆弱程度進(jìn)行深入的分析和研究。

1.1 斷點脆弱性分析

斷點保護(hù)的整定原則具有特殊性，不與相鄰其他線路保護(hù)進(jìn)行配合整定，可能因保護(hù)定值按靈敏性進(jìn)行整定而無法滿足動作選擇性的要求，繼而發(fā)生越級誤動現(xiàn)象，擴大了停電范圍；也可能因保護(hù)定值按動作選擇性進(jìn)行整定而無法符合保護(hù)定值靈敏度的要求，繼而發(fā)生拒動，造成設(shè)備的損壞或系統(tǒng)穩(wěn)定的破壞。保護(hù)越級誤動和拒動均會給電力系統(tǒng)帶來巨大的影響和損失?？梢?，斷點脆弱性的表現(xiàn)形式體現(xiàn)為無法滿足動作選擇性而越級誤動和不符合保護(hù)定值靈敏性而拒動。下面以距離保護(hù)為例對斷點脆弱性的兩個表現(xiàn)形式予以說明。

(1)按保護(hù)靈敏性整定

保護(hù)裝置的靈敏性是指在其保護(hù)范圍內(nèi)出現(xiàn)故障或不正常狀態(tài)時的反應(yīng)能力[8]。

圖1 簡單網(wǎng)絡(luò)

圖2 第1種定值配合

在圖1所示的簡單網(wǎng)絡(luò)中，分析斷點保護(hù)按保護(hù)靈敏性進(jìn)行整定而無法滿足動作選擇性之后發(fā)生越級誤動的過程。以R1的距離Ⅱ段保護(hù)定值按與R3的距離Ⅱ段保護(hù)定值配合為例。保護(hù)R1不為斷點和為斷點的定值配合如圖2所示。

在保護(hù)R1不為斷點的情況下，R1與R3的定值配合關(guān)系如圖2(a)所示。R1的距離Ⅱ段保護(hù)動作值與動作時限均按照與R3的距離Ⅱ段保護(hù)動作值與動作時限配合整定，如式(1)所示。

(1)

(2)按保護(hù)選擇性整定

保護(hù)動作選擇性是指其發(fā)生動作時，只把故障部分從電力系統(tǒng)中切除，盡可能縮小停電面積，用于確保系統(tǒng)中非故障元件仍可以安全穩(wěn)定運行[8]。

圖3 第2種定值配合

在圖1中分析斷點按保護(hù)選擇性進(jìn)行整定而無法滿足保護(hù)的靈敏性要求之后發(fā)生拒動的過程。以R1的距離Ⅱ段保護(hù)定值按與R3的距離Ⅰ段保護(hù)定值配合為例。R1不為斷點和為斷點的定值配合如圖3所示。

在R1不為斷點的情況下，R1與R3的定值配合關(guān)系如圖3(a)所示。R1的距離Ⅱ段保護(hù)動作值與動作時限均按照與R3的距離Ⅰ段保護(hù)動作值與動作時限配合整定，如式(2)所示。

(2)

在實際的整定計算中，斷點保護(hù)定值通常按照保護(hù)靈敏性進(jìn)行整定，如此，其動作選擇性無法得到保證。當(dāng)系統(tǒng)發(fā)生故障時，極有可能發(fā)生越級誤動現(xiàn)象，斷開斷點所在線路，可能會引起線路相繼過載，形成連鎖過載跳閘事故，甚至造成大規(guī)模停電事故，其脆弱性給系統(tǒng)埋下了重大的安全隱患。斷點的脆弱性與斷點保護(hù)越級誤動切除所在線路造成的后果密切相關(guān)，故可將斷點脆弱性評估轉(zhuǎn)化為斷點所在線路的脆弱性評估。

1.2 斷點脆弱性評估

潮流是衡量電網(wǎng)安全穩(wěn)定運行水平的重要指標(biāo)之一，其本質(zhì)上是一種電氣介數(shù)。在電網(wǎng)中，通常是按照歐姆定律和基爾霍夫定律在線路上傳輸功率。在復(fù)雜網(wǎng)絡(luò)理論的有權(quán)電網(wǎng)模型上，沒有假設(shè)潮流是沿著最短路徑傳播，如此，物理意義明確，更符合電力系統(tǒng)的實際情況。

目前，有較多文獻(xiàn)以線路介數(shù)作為判據(jù)用于評估線路在系統(tǒng)中的重要程度，但是該判據(jù)仍然存在某些問題，如以其評估線路重要性時短線路容易具有更大的介數(shù)，但是在實際電網(wǎng)中，并非短線路具有更重要的地位，相反在多數(shù)情況下其重要性更低[9]。

結(jié)合上述兩點，采用新的線路脆弱性指標(biāo)，定義線路(m,n)的電氣介數(shù)計算公式為

(3)

式中，Iij(m,n)是在發(fā)電-負(fù)荷節(jié)點對(i,j)之間加上單位注入電流源后，在線路(m,n)上引起的分布電流；G和L分別為發(fā)電機節(jié)點集合和負(fù)荷節(jié)點集合。

線路電氣介數(shù)B(m,n)反映了發(fā)電-負(fù)荷節(jié)點對之間注入單位電流源后分布電流對線路的利用情況和量化了線路對分布電流傳播的貢獻(xiàn)。若B(m,n)越大，表明線路(m,n)的作用越大，重要程度和脆弱性也越大。越重要越脆弱的線路斷開將引起潮流大范圍轉(zhuǎn)移，可能因其他線路相繼過載跳閘造成大停電事故，說明在此線路上的斷點保護(hù)就越脆弱。斷點脆弱性可作為多組同基MBPS的最優(yōu)選取問題的判據(jù)之一。

2 基于人工魚群算法的MBPS最優(yōu)選取方法

將斷點脆弱性指標(biāo)引入人工魚群算法，改進(jìn)該算法，利用人工魚群算法優(yōu)良的全局尋優(yōu)能力[10]求解MBPS計算的數(shù)學(xué)模型[11-15]，獲取最優(yōu)MBPS，在此過程中，構(gòu)造了魚群4種尋優(yōu)行為的0-1狀態(tài)計算公式。為了能獲取最優(yōu)MBPS，需在計算過程中基于一種選優(yōu)指標(biāo)進(jìn)行選取，這里以斷點脆弱性作為選優(yōu)指標(biāo)，以人工魚群算法求解MBPS數(shù)學(xué)模型，為了將斷點脆弱性合理地融入魚群算法中，將斷點脆弱性定義為魚群對食物的喜愛程度，選優(yōu)的優(yōu)先級次于食物濃度。基于上述兩點，以改進(jìn)的人工魚群算法求取最優(yōu)MBPS。下面對魚群算法中各尋優(yōu)行為的0-1狀態(tài)公式、食物濃度、食物喜愛度、禁忌表分別予以說明。

2.1 食物濃度和食物喜愛度

魚當(dāng)前狀態(tài)的食物濃度及自身在感知域內(nèi)搜尋到其他位置的食物濃度是引領(lǐng)和指導(dǎo)其作出決策判斷的依據(jù)。只有食物濃度高的地方才會吸引更多魚前來撲食。在基礎(chǔ)的人工魚群算法中，定義目標(biāo)函數(shù)Y=f(X)為食物濃度，而本章的目標(biāo)函數(shù)是求極小值，為了能與魚撲食依據(jù)相一致，即尋找食物濃度最高的位置，在此定義食物濃度Y為本章目標(biāo)函數(shù)的倒數(shù)，如式(4)所示。

(4)

本章約定食物濃度為魚尋優(yōu)依據(jù)的第一指標(biāo)，即優(yōu)先級最高。

魚對不同食物的喜愛程度有差異，若魚群在尋優(yōu)過程中，在公告板上記錄最高的食物濃度時對應(yīng)了多組最優(yōu)狀態(tài)，各組狀態(tài)的食物通常對魚的吸引力是有區(qū)別的，為了在上述情況下區(qū)分這種差異，找出魚最愿意最可能去的位置，本章定義了魚的食物喜愛度Ylove，基于該指標(biāo)進(jìn)行最優(yōu)解的選擇，其計算如式(5)所示。

(5)

式中，Vul(ri)表示保護(hù)ri的斷點脆弱性。

本章約定食物喜愛度為魚尋找優(yōu)解依據(jù)的第二指標(biāo)，即優(yōu)先級別次于食物濃度。

目標(biāo)函數(shù)的約束條件不變，如文獻(xiàn)[11-15]所示。

2.2 覓食行為的0-1狀態(tài)公式

假定人工魚i的當(dāng)前狀態(tài)向量為Xi={Xi1,Xi2，…，XiN}，如果在其感知域內(nèi)隨機選擇一個狀態(tài)向量Xj={Xj1,Xj2,…,XjN}，若此時食物濃度大于當(dāng)前位置的食物濃度，魚i向Xj方向移動一步，其新狀態(tài)向量Xi+1={X(i+1)1,X(i+1)2,…,X(i+1)N}中各元素的計算公式如式(6)所示；相反，人工魚i再重新隨機選擇其他魚的狀態(tài)，判斷是否滿足行進(jìn)條件，反復(fù)試探Try_number次后，若仍然不滿足行進(jìn)條件，則魚i隨機移動一步，即是魚的隨機行為，其新狀態(tài)向量的計算公式亦如式(6)所示。

(6)

2.3 聚群行為的0-1狀態(tài)公式

設(shè)人工魚當(dāng)前狀態(tài)向量為Xi={Xi1,Xi2,…,XiN}，搜尋到其感知域內(nèi)的伙伴個數(shù)為nf及中心位置狀態(tài)Xc={Xc1,Xc2,…,XcN}，其中的元素計算公式如式(7)所示。若人工魚所在位置的食物濃度Yi與中心位置的食物濃度Yc滿足公式(8)所示關(guān)系，表明中心位置的食物豐富且不太擁擠，可向中心位置方向行進(jìn)一步，其新狀態(tài)向量中各元素的計算公式如(9)所示；若兩者不滿足公式(8)所示關(guān)系,則進(jìn)行覓食行為。

(7)

(8)

(9)

2.4 追尾行為的0-1狀態(tài)公式

設(shè)當(dāng)前人工魚i的狀態(tài)向量為Xi={Xi1,Xi2,…,XiN}，搜索到其感知域內(nèi)食物濃度最高為Yj，對應(yīng)的人工魚為j，其狀態(tài)向量為Xj={Xj1,Xj2,…,XjN}。若兩者所在位置食物濃度滿足公式(10)所示關(guān)系，表明人工魚j所在位置的食物豐富且不太擁擠，可向Xj方向行進(jìn)一步，人工魚i的新狀態(tài)向量中各元素的計算公式如式(11)所示；若兩者不滿足公式(10)所示關(guān)系，則進(jìn)行覓食行為。

(10)

(11)

2.5 禁忌表的引入

MBPS計算是帶有約束條件的0-1整數(shù)規(guī)劃問題，為此，在人工魚搜索到較優(yōu)狀態(tài)時，其新狀態(tài)不一定能滿足求解模型中的約束條件，需重新搜索以至于其自身新狀態(tài)符合約束條件為止。在該情況下，為能有效地避免重復(fù)搜索不符合條件的狀態(tài)，降低搜索時間的復(fù)雜度，可引入禁忌表Tabu()。在人工魚一次迭代結(jié)束后，禁忌表Tabu()中的各狀態(tài)被清空，為下次迭代的禁忌搜索做準(zhǔn)備。在MBPS算法程序的覓食函數(shù)gmjprey()中，覓食行為和隨機行為用到了禁忌表Tabu()。人工魚的覓食行為隨機選擇其他魚的狀態(tài)，然后判斷是否滿足行進(jìn)條件，反復(fù)試探Try_number次直至滿足條件為止，在此過程中，把不滿足約束條件的新狀態(tài)對應(yīng)的行進(jìn)方向的指引狀態(tài)放入禁忌表Tabu()中。若覓食行為沒找到合適狀態(tài)，則跳出覓食循環(huán)后執(zhí)行隨機行為，在此過程中，如同覓食行為，將不符合約束條件的狀態(tài)對應(yīng)的行進(jìn)方向的指引狀態(tài)放入禁忌表Tabu()中，直至找出合適的新狀態(tài)。若隨機行為也找不到合適的新狀態(tài)，只能通過函數(shù)InitOneProperState()隨機產(chǎn)生一個合格的狀態(tài)。

2.6 利用人工魚群算法對模型求解

人工魚群算法的核心是：通過對魚群各尋優(yōu)行為的評價，選擇當(dāng)前最優(yōu)行為予以執(zhí)行，最終到達(dá)食物濃度最豐富的地方。將其應(yīng)用于MBPS計算問題，可描述為：通過對覓食行為、聚群行為、追尾行為的評估選擇執(zhí)行，經(jīng)過多次迭代后，找到最大Y值對應(yīng)的狀態(tài)，將該狀態(tài)下元素“1”對應(yīng)的保護(hù)選為斷點。

設(shè)人工魚i的當(dāng)前狀態(tài)為Xi={Xi1,Xi2,…,XiN}，搜尋到其感知域內(nèi)的伙伴個數(shù)為nf及中心位置狀態(tài)Xc={Xc1,Xc2,…,XcN}，通過聚群行為尋優(yōu)，以公式(9)計算其新狀態(tài)向量Xi，next1=Xi1,next1,Xi2,next1,…,XiN,next1}，而該狀態(tài)下的食物濃度以式(4)計算，記為Yi,next1。人工魚i搜索到其感知域內(nèi)食物濃度最高為Yj，對應(yīng)的人工魚為j，狀態(tài)向量為Xj={Xj1,Xj2,…,XjN}，通過追尾行為尋優(yōu)，以公式(11)計算其新狀態(tài)向量Xi,next2={Xi1,next2,Xi2,next2,…，XiN,next2}，而該狀態(tài)下的食物濃度以式(4)計算，記為Yi,next2。此時，若Yi,next1>Yi,next2，表明人工魚i通過聚群行為尋優(yōu)效果優(yōu)于追尾行為尋優(yōu)效果，其新狀態(tài)向量Xi,next=Xi,next1，所在位置的食物濃度Yi,next=Yi,next1；若Yi,next1≤Yi,next2，表明人工魚i通過聚群行為尋優(yōu)效果更好，其新狀態(tài)向量Xi,next=Xi,next2,所在位置的食物濃度Yi,next=Yi,next2。人工魚i一次尋優(yōu)完成后，將其新狀態(tài)所在位置的食物濃度Yi,next與公告板上的食物濃度Ymax相比較，若Yi,next>Ymax，則將公告板上的食物濃度和狀態(tài)更新為Yi,next和Xi,next；若Yi,nextY(max)love，則將公告板上的食物濃度和狀態(tài)更新為Yi,next和Xi,next；若Y(i,next)love

(12)

3 算法步驟

人工魚群算法的主要步驟如下所示。

步驟1：設(shè)置人工魚群個體數(shù)N，一次移動的最大試探次數(shù)Try_number，迭代次數(shù)為number，感知距離為Visual，擁擠度因子為δ；

步驟2：隨機生成N個符合約束條件的人工魚個體狀態(tài)，形成初始魚群，即N組{Xik}(其中i=1,2,…,N;j=1,2,…,n)；

步驟3：算出初始各人工魚當(dāng)前狀態(tài)所在位置的食物濃度，將濃度最大值和此時的狀態(tài)賦予公告板；

步驟4：所有人工魚分別模擬聚群行為和追尾行為，比較兩種情況下魚新狀態(tài)所在位置的濃度，選擇食物濃度值最大的尋優(yōu)行為予以執(zhí)行，兩者的缺省行為是覓食行為；

步驟5：每條人工魚一次迭代結(jié)束后，計算自身狀態(tài)的食物濃度和食物喜愛度，并按照公式(12)決定是否更新公告板；

步驟6：當(dāng)?shù)螖?shù)不大于最大迭代次數(shù)時，算法流程轉(zhuǎn)向步驟4；否則，終止迭代，算法結(jié)束，輸出計算結(jié)果。

4 算例分析

在圖4中，包含5個節(jié)點、7條線路和14個保護(hù)，給出了線路電抗標(biāo)幺值，選節(jié)點5為參考節(jié)點，以線路電氣介數(shù)計算各保護(hù)可能被選為斷點的潛在脆弱性，結(jié)果如表1所示，建立起有向基本回路矩陣L。

設(shè)置人工魚群算法基本參數(shù)，人工魚群總數(shù)N=50，Try_number=50，number=10，Visual=6，δ=0.618。

圖4 電力系統(tǒng)接線圖

表1 斷點脆弱性

若不考慮食物喜愛度選優(yōu)判據(jù)，50只魚經(jīng)過5次迭代后，公告板上存在5組最優(yōu)狀態(tài)，即：{{2, 5, 8, 10}，{2, 5, 8, 11}，{2, 5, 8, 14}，{1, 4, 9, 12}，{1, 7, 9, 12}}，而迭代6次后，公告板上存在6組最優(yōu)狀態(tài)，即：{{2, 5, 8, 10}，{2, 5, 8, 11}，{2, 5, 8, 14}，{1, 4, 9, 12}，{1, 7, 9, 12}，{1, 3, 9, 12}}，之后不管迭代幾次，均不會增加最優(yōu)狀態(tài)的個數(shù)，即只存在6組最優(yōu)解，與文獻(xiàn)[11]所求解相同。各組解的食物喜愛度大小如表2所示。若將食物喜愛度考慮進(jìn)去，經(jīng)過6次迭代后，公告板上存在2組最優(yōu)狀態(tài)，即：{{2, 5, 8, 11}，{1, 4, 9, 12}}，整定工作者可任選一組作為整定計算的起點。通過斷點脆弱性分析，此組MBPS給電力系統(tǒng)安全穩(wěn)定運行帶來的潛在危害相對較小。

表2 6組解的食物喜愛度

5 結(jié) 論

針對斷點脆弱性會給電力系統(tǒng)帶來潛在的安全隱患，提出了一種基于線路電氣介數(shù)的斷點脆弱性的分析方法，并基于斷點脆弱性和0-1狀態(tài)的改進(jìn)人工魚群算法選取最優(yōu)MBPS，可獲得一組或多組最優(yōu)解，有效地降低了MBPS對電力系統(tǒng)安全穩(wěn)定性的潛在危害，避免了整定工作者在劣解和優(yōu)解中盲目選取MBPS，對預(yù)防保護(hù)誤動導(dǎo)致的大規(guī)模停電事故具有指導(dǎo)意義。

[1] Thorp J S, Phadke A G, Horowitz S H, et al. Anatomy of Power System Disturbances Importance Sampling[J]. Journal of Electric Power and Energy Systems,1998,20(2): 147- 152.

[2] S.H.Horowitz, A.G.Phadke. Third Zone Revisted[J].IEEE Trans. Power Delivery, 2006, 21(21):23-29.

[3] 王立永，張保會，王克球，等.考慮安全約束的輸電斷面經(jīng)濟(jì)傳輸容量及其計算[J].西安交通大學(xué)學(xué)報,2006,40(10):1125-1128.

[4] 劉丹,呂飛鵬.基于網(wǎng)絡(luò)化簡和配合關(guān)系的最小斷點集計算方法[J].電力系統(tǒng)自動化,2008,32(16):24-27.

[5] 劉丹,呂飛鵬.基于蟻群算法的環(huán)網(wǎng)方向保護(hù)配合最小斷點集計算[J].電力系統(tǒng)自動化,2008,32(21):27-31.

[6] 呂飛鵬.基于配合關(guān)系計算復(fù)雜環(huán)網(wǎng)保護(hù)最優(yōu)配合順序的新方法[J].電力系統(tǒng)自動化,2005,29(24):65-69.

[7] 李春梅,馬良.非線性0-1規(guī)劃問題的人工魚群算法[J].計算機應(yīng)用研究,2011,28(7): 2449-2450.

[8] 賀家李，宋從矩.電力系統(tǒng)繼電保護(hù)原理(增訂版)[M].北京：中國電力出版社，2004.

[9] 張向亮，呂飛鵬，李運坤，等.基于保護(hù)重要度的多組同基最小斷點集選取方法[J].電力系統(tǒng)自動化，2012,36(10):90-93.

[10] 江銘炎，袁東風(fēng).人工魚群算法及其應(yīng)用[M].科學(xué)出版社,2012.

[11] 陳績，呂飛鵬，黃妹雅.確定復(fù)雜環(huán)網(wǎng)方向保護(hù)最小斷點集的改進(jìn)離散粒子群優(yōu)化算法[J].電網(wǎng)技術(shù),2008,32(12):90-94.

[12] 呂飛鵬，米麟書，姜可薰.環(huán)網(wǎng)方向保護(hù)配合最小斷點集的神經(jīng)計算方法[J].中國電機工程學(xué)報,1997,17(3):184-189.

[13] 樂全明，顧永朋，呂飛鵬.基于GA的環(huán)網(wǎng)方向保護(hù)配合最小斷點集的計算[J].繼電器，2002,8(30):23-26.

[14] 周文越，呂飛鵬，廖小君.基于人工蜂群算法的環(huán)網(wǎng)方向保護(hù)配合最小斷點集計算[J].電力系統(tǒng)保護(hù)與控制,2013,41(6):77-81.

[15] 盧志剛，謝曉偉，李學(xué)平，等.一種求解復(fù)雜環(huán)網(wǎng)保護(hù)配合最優(yōu)斷點集的新方法[J].電力系統(tǒng)自動化,2012,36(7):86-91．