分布式發電配電網故障區段定位新方法

郭 玉 雯

(遼寧工程技術大學電氣與控制工程學院 遼寧 葫蘆島 125105)

分布式發電配電網故障區段定位新方法

郭 玉 雯

(遼寧工程技術大學電氣與控制工程學院 遼寧 葫蘆島 125105)

針對分布式電源引入配電網中會造成傳統的故障區段定位方法不再適用的情況，構建動態適應多個分布式電源投切的開關函數，且利用該開關函數的特點可以簡化運算，提高定位效率。同時，針對蟻群算法容易出現早熟收斂的問題，引入混合優化算法，提出基于混合優化算法的分布式發電配電網故障定位方法。該算法利用粒子群算法優化蟻群算法中的相應參數，采用全局異步與精英策略相結合的信息素更新方式和降低粒子維度的方法降低出現局部最優解的概率，提高了收斂速度和定位結果的正確率。通過典型算例對含分布式電源的配電網進行仿真，實驗結果表明該算法能夠對單一故障和多重故障準確定位，且耗時少、容錯能力強。

分布式電源 配電網 混合優化算法 開關函數

0 引 言

在配電網中，快速準確地對故障區段進行定位是隔離與恢復非故障區域正常供電狀態的前提。目前，利用FTU(Feeder Terminal Unit)搜集的信息進行故障定位的人工智能算法主要包括蟻群算法[1-2]，遺傳算法[3-5]以及和聲算法[6-7]等。其中，利用蟻群算法進行配電網故障定位的核心就是旅行商問題，針對該問題的研究已經獲得了大量成果。由于蟻群算法運行初期信息素匱乏及參數選擇不當，其收斂速度慢，導致“早熟收斂”發生。針對該問題，文獻[8-9]提出的基于粒子群優化的蟻群算法提高了收斂速度,但需要進一步提高收斂速度才能使算法達到最優狀態,有待進一步研究。

目前，分布式發電正逐漸廣泛應用于配電網中，而分布式電源的投切會造成配電網由單電源輻射式變為多電源輻射式[10-12]，同時線路潮流也會發生變化，對配電網故障定位結果的正確率產生影響。因此，為了適應這些變化需要對定位數學模型進行改進。文獻[1]對開關函數和評價函數的構造進行了改進，能夠對多電源網絡復雜故障進行定位，但未考慮分布式電源投切的影響，并且正方向不一致，需要多次設定方向。文獻[13]考慮了分布式電源投切對配電網結構產生的影響，但只適用于結構簡單的配電網，使用范圍受限。

針對上述情況，對配電網故障區段定位模型中的開關函數和正方向的規定方法在適應分布式電源的投切，提高計算效率方面做了修整。并且，為了使收斂速度更快，算法陷入局部收斂的可能性更小，提出了一種基于蟻群粒子群混合優化算法的配電網故障區段定位方法。該方法利用改進的數學模型進行定位，在降低粒子群算法中粒子維度的同時實現系統參數的優化，進一步縮短定位時間，有效抑制“早熟收斂”現象的發生。

1 混合優化算法原理

1.1 蟻群算法

蟻群算法擅長離散優化問題的解決，已經成功運用到了TSP問題中，蟻群算法利用旅行商問題與螞蟻搜集食物過程的相似性，即通過個體相互協作與信息交互所尋求的蟻穴至食物源的最優路徑進行配電網故障區段定位。

(1)

其中，螞蟻j下一步可以到達的城市為allowekj，allowekj={1,2,…,n}-tabuj；螞蟻j走過的城市用集合tabuj表示，其將會隨著螞蟻的搜索進程的不斷變化作出調整。ηab即由地點a轉移到地點b的期望程度，根據某些啟發式算法或問題的具體情況進行確定。α、β分別表示螞蟻在運動過程中累積的信息量以及期望信息在螞蟻所經路徑的作用，α及β與蟻群算法性能密切相關。之前留下的信息素的濃度會隨時間逐漸降低，用1-ρ表示信息素濃度的衰減情況，n個時刻為一個周期，信息素濃度調整公式如下：

τab(t+n)=ρτab(t)+Δτab

(2)

(3)

(4)

其中，一次循環中，Q為螞蟻在所能釋放出的總信息量且為常數，螞蟻j所經過的路徑長度為Lj。

由式(3)和式(4)可知，信息素的分布情況與保證蟻群算法的求解質量息息相關，所以，選擇恰當的信息素更新方式尤為重要。同時，蟻群算法參數的選擇依賴于實驗者的個人經驗，若出現參數選取不當的情況，會出現“早熟收斂”問題，制約了蟻群算法的最佳性能。需要對其參數優化過程進行改進。

1.2 粒子群算法

粒子群算法以多次迭代的方法搜索最優解，初始化為隨機粒子，以后每次迭代中通過跟蹤個體極值(當前單個粒子所尋找到的最優解)和全局最優解(當前所有粒子整體所尋找到的最優解)來不斷更新自身搜索到的解，個體極值用g表示，全局最優解用q表示。第i個粒子的速度更新方程和位置更新方程如公式所示：

(5)

(6)

粒子群算法綜合利用種群信息和個體經驗更新粒子的速度和位置，擅長連續優化問題的解決，依賴經驗參數少，能快速逼近最優解。但其進行全局優化時容易出現早熟收斂，局部尋優能力差等，主要原因為種群搜索空間中多樣性的減少。為此，結合1.1節中的結論可以得出利用粒子群算法依賴經驗參數少，能快速逼近最優解的優點與對蟻群算法相結合，吸收這兩種算法的優點達到快速準確對故障定位的目的。

1.3 混合優化算法

蟻群粒子群混合優化算法使用蟻群算法進行搜索，用粒子群算法對蟻群算法中的參數進行優化，降低純蟻群算法陷入局部最優解的概率。為了保證蟻群算法求解質量，選擇全局異步結合精英策略的信息素更新方式。為了隨時更新參數，粒子的位置每變化一次，便要反饋到蟻群算法中，將粒子當前的位置信息賦值給α-β及ρ。粒子迭代數次，直至不再出現更優解，則當前最優粒子的位置坐標為全局最優解，將其反饋到蟻群算法中后優化完畢，評價函數的最小的值即為最優解。迭代終止條件選為粒子群目前搜索到的q滿足最小預定適應閾值。 混合優化算法的步驟如下：

1) 粒子速度和位置參數的初始化。初始化一定數量的二維粒子群粒子，粒子初始速度的每一維均對應一個矢量速度，且均隨機產生:

vi={vα-β,vρ}

(7)

粒子的位置由蟻群算法中的兩個參數，分別為“混合啟發因子”α-β、信息素揮發度ρ表示，兩個參數的意義與式(1)中的相同：

xi={α-β,ρ}

(8)

2) 參數值反饋。調用蟻群算法，將當前粒子群的參數反饋給它，并進行迭代循環以得到最優解。在其被調用的過程中采用全局異步結合精英策略的信息素的更新方式改善求解質量。根據配電網故障定位的特點，將蟻群算法的迭代代數(蟻群算法的一次迭代指所有螞蟻便利所有地點并釋放信息素的過程)限制在5以內，提高算法的搜索速度。通過最優解評價粒子所處的位置，根據評價結果更新粒子的位置及速度，位置和速度更新公式如式(9)和式(10)，信息素更新方式如式(11)和式(12)所示：

(9)

(10)

(11)

(12)

2 配電網故障區段定位模型

2.1 開關函數

開關函數用來表示各個分段開關與線路區段的關聯關系，當根據配電線路上FTU上傳的各個分段開關的故障電流信息來確定具體故障線路區段時，所利用的便是這種關聯關系。進行區段定位時，每個測控點對應TSP中的一個地點，應用開關函數求解各測控點狀態值的過程中從末測控點(包括分布式電源)向系統電源搜索，在這個過程中依次確定各測控點的運行狀態值。對于含分布式電源的配電網故障定位時的正方向規定如下：

1) 分布式電源未投切時，系統電源指向用戶端的方向為正方向；

2) 存在分布式電源投切時，規定正方向為系統電源指向投切部位。

此兩種情況在原理上不相矛盾，對任何故障進行定位時此方向均應不變，保證定位效率。

需要對開關函數進行改進以適應分布式電源投切的影響，所以對文獻[5]中的開關函數進行改進如下所示：

(13)

利用改進開關函數的特點，在編程時先對參數k1，k2進行運算，則式(13)化簡為式(14)，如公式所示,利用函數本身的特性即可在很大程度上減少計算量，提高定位的效率：

(14)

2.2 評價函數

評價函數決定著蟻群粒子群混合算法能否取得最優解和能否將故障區斷定位正確。針對故障區段定位的特點，采用文獻[1]中的評價函數如下：

(15)

其中，W為開關總數量，B為饋線區段的總數量，xi為區段i的狀態值。Ij為開關j處FTU上傳的測控點的實際狀態信息如式(16)所示：

(16)

將式(13)和式(16)代入式(15)，便完成了對評價函數的構建。

應用評價函數，依據各測控點實際狀態值和假設故障情況下的狀態值對所有路徑進行評價，螞蟻選擇評價值最小的路徑。由此，便將含分布式電源配電網的區段定位問題轉化為求評價函數最小值的問題，根據文獻[16]可知，為了減小不可判斷故障對定位結果的影響，將次優解作為參考值以提高定位結果的正確率。

3 實驗仿真

以圖1為例進行仿真分析。如圖所示，DG1、DG2、DG3位于分別表示三個分布式電源，其是否投切由K1、K2、K3這三個分布式電源接入網絡的開關的狀態值表示，數值為1表示對應分布式電源接入配電網，數值為0時情況相反，S為系統電源。用黑色實心圓點表示斷路器和分段開關(不進行區分)，編號為1～30。兩實心圓點之間的線段表示饋線區段，編號為(1)～(30)。

圖1 仿真實驗配電網圖

為了檢測基于蟻群粒子群混合優化算法在分布式發電配電網故障定位方面的性能，使用Matlab軟件對改進算法仿真。算法的初始參數如下: 蟻群數量m=6,群迭代次數為35次；粒子群最大迭代次數為100,規模為40，加速因子c1=c2=2，慣性權重ω=0.5。

由表1得知，蟻群粒子群混合優化算法進行配電網故障定位輸出的結果與實際情況一致，表明該算法對單點故障和復雜故障均能準確定位。當上傳的信息出現畸變時，定位結果依然正確并且能夠得到對應的畸變位置，這表明其定位準確、容錯能力強，可以對導致出現畸變信息的FTU進行定位，以便于對FTU進行修理或替換，從源頭上消除引發畸變的原因。

表1 仿真實驗結果

為了驗證所提出蟻群粒子群混合算法的優越性，選取表1中的2、4、6三種故障情況，針對同一種故障情況分別利用三種蟻群粒子群優化算法與文中改進算法的作對比。算法1為文獻[9]中的算法，算法2為文獻[14]中的一種方法(蟻群被調用一次進迭代X步，固定ρ，采用粒子群算法優化α、β,調用一次蟻群算法對粒子所處位置的優劣判斷一次，調用結束后，信息素重新初始化)。算法3為文獻[15]中的一種算法(采用粒子群算法優化α、β、ρ，調用一次蟻群算法對粒子所處位置的優劣判斷一次，調用結束后，信息素重新初始化)。為了減小改進算法求解的隨機性，重復試驗60次，算法比較結果如表2所示。

表2 不同算法實驗結果比較

分析表2可見，改進算法陷入局部最優的次數遠低于前三種方法，且運行時間約在前三種方法的30%～80%之間。由此得出，改進算法在成功降低了人工智能算法容易陷入“早熟收斂”概率的前提下，可以實現對含有分布式電源的配電網的快速準確故障定位。

4 結 語

目前，將蟻群算法應用于分布式發電配電網故障定位時，分布式電源的投切和算法自身缺點使其變得不再適用，為此，提出了一種新方法：

1) 針對分布式電源投切引發的問題對故障定位模型進行了一定改進，利用改進的開關函數能夠減少運算量，提高效率。利用改進評價函數進行對含分布式電源的配電網進行定位時，仿真結果顯示定位結果準確，可以動態適應分布式電源的投切，且只需要設定一次正方向。

2) 針對蟻群算法收斂效率較低和容易陷入局部最優的缺點，采用混合啟發因子“α-β”降低了粒子群算法參數的維數，減少工作量。選擇全局異步與精英策略相結合的信息素更新方式與其匹配，保障蟻群算法最終搜尋出最優參數，經驗證，兩者配合效果良好。

[1] 張穎,周韌,鐘凱.改進蟻群算法在復雜配電網故障區段定位中的應用[J].電網技術,2011,35(1):224-228.

[2] 秦立軍,楊萬濤.蟻群算法在配電網故障定位中的應用及其優化[J].電氣應用,2015,34(22):73-76.

[3] 王進強,陳少華.基于改進遺傳算法的含分布式電源的配電網故障定位[J].電力科學與工程,2013,2(12):13-17.

[4] 嚴太山,崔杜武,陶永芹.基于改進遺傳算法的配電網故障定位[J].高電壓技術,2009,35(2):255-259.

[5] 楊繼革.基于遺傳算法的配電網故障定位的研究[D].杭州:浙江大學,2004.

[6] 劉蓓,汪沨,陳春,等.和聲算法在含DG配電網故障定位中的應用[J].電工技術學報,2013,28(5):280-286.

[7] 高云龍,周羽生,彭湃,等.優化和聲算法在含DG配電網故障定位中的應用[J].電力系統保護與控制,2014,42(19):26-31.

[8] 張超,李擎,陳鵬,等.一種基于粒子群參數優化的改進蟻群算法及其應用[J].北京科技大學學報,2013,35(7):955-960.

[9] 李擎,張超,陳鵬,等.一種基于粒子群參數優化的改進蟻群算法[J].控制與決策,2013,28(6):873-878.

[10] 劉健,張小慶,同向前,等.含分布式電源配電網故障定位[J].電力系統自動化,2013,37(2):36-34.

[11] 袁超,曾祥君,鄧豐,等.應用邊界保護原理提高分布式發電系統并網協調性的方法[J].電網技術,2009,33(5):62-68.

[12] 康龍云,郭紅霞,吳捷,等.分布式電源及其接入電力系統時若干研究課題綜述[J].電網技術,2010,34(11):43-47.

[13] 王進強.含分布式電源的配電網故障定位的應用研究[D].廣州:廣東工業大學,2011.

[14] 閔克學,葛宏偉,張毅,等.基于蟻群和粒子群優化的混合算法求解TSP問題[J].吉林大學學報(信息科學版),2006,24(4):402-405.

[15] 夏輝,王華,陳熙.一種基于微粒群思想的蟻群參數自適應優化算法[J].山東大學學報(工學版),2010,40(3):26-30.

[16] 易禮宏.基于蟻群算法的配電網故障定位研究[D].南寧:廣西大學,2008.

NEWAPPROACHOFFAULTSECTIONLOCATIONINPOWERDISTRIBUTIONNETWORKWITHDISTRIBUTEDGENERATION

Guo Yuwen

(FacultyofElectricalandControlEngineering,LiaoningTechnicalUniversity,Huludao125105,Liaoning,China)

Aiming at the problem that the traditional fault section locating method is no longer applicable to the distributed generation, a new switch function is proposed to dynamically adapt the switching of multiple distributed powers. The characteristics of the switching function can be simplified and improve its positioning efficiency. Meanwhile, a hybrid optimization algorithm was introduced to solve the problem about premature convergence of ant colony algorithm. In addition, a fault location method based on hybrid optimization algorithm was put forward for fault-section location of the power distribution network containing distributed power. The particle swarm optimization algorithm was used to optimize the parameters of the ant colony algorithm. Also, the method of pheromone update with the combination of global asynchronous and elitist strategy and the method of reducing particle dimension were adopted to reduce the probability of local optima. Consequently, the convergence speed and the accuracy of localization results were improved. A typical example was used to simulate the power distribution network with distributed generation. The results show that the algorithm is capable of accurate positioning not only a single fault but also multiple faults with less time consuming as well as higher fault tolerance.

Distributed power Power distribution network Hybrid optimization algorithm Switching function

TP29

A

10.3969/j.issn.1000-386x.2017.09.004

2017-01-23。遼寧省重點實驗室項目(LJZS003)。郭玉雯，碩士生，主研領域：電氣工程。