基于改進蟻群算法的配電網故障定位研究

李霆 方志堅 羅義旺 林海玉 林翰 黃麗榕

摘 要： 精準的配電網故障定位，對于快速隔離故障，提高居民用電質量具有重要意義。為了提高配電網故障定位精度，提出了基于改進蟻群算法的配電網故障定位方法。傳統的ACO算法信息素揮發系數、啟發因子，信息素濃度等參數需人工設定，采用IA算法優化選取ACO算法的隨機初始因子，以優化ACO的網絡模型。實驗仿真表明，IA-ACO算法比傳統的ACO算法具有更快的收斂速度和更高的尋優能力;同時IA-ACO算法在進行配電網故障定位仿真時，與實際結果一致，驗證了IA-ACO算法在配電網故障定位的準確性與可靠性。

關鍵詞： 配電網; 故障定位; 蟻群算法; 免疫算法

中圖分類號： TM 711 ? ? ?文獻標志碼： A

Abstract： Accurate fault location of distribution network is of great significance to quickly isolate faults and improve the quality of residential electricity. In order to improve fault location accuracy of distribution network， a fault location method based on improved ant colony algorithm is proposed. Due to the lack of theoretical guidance， the traditional ACO algorithm requires manual setting of pheromone volatilization coefficient， heuristic factor and pheromone concentration. Simulation results show that IA-ACO algorithm has faster convergence rate and higher optimization capability than traditional ACO algorithm. At the same time， IA-ACO algorithm is consistent with the actual results in the simulation of distribution network fault location， verifying the accuracy and reliability of IA-ACO algorithm in distribution network fault location.

Key words： distribution network; fault location; ant colony algorithm; immune algorithms

0 引言

配電網作為連接用戶和供電部門之間的紐帶，在整個電力系統中起著至關重要的作用，研究發現，電力用戶的停電事故95%都是由于中低壓配電網故障造成[1]。對配電網進行精準快速的故障定位，對于隔離故障，恢復供電，提高供電質量具有重要意義[2-3]。

配電網故障定位方法吸引了越來越多學者的關注。文獻[4]采用代數運算的方法建立配電網故障定位的模型，該模型克服了以往只能采用群智能算法才能建立故障定位模型的缺點 [4]。文獻[5]對傳統的免疫算法進行了改進，采用改進的免疫算法進行配電網故障定位，該方法具有較快的故障定位速度，并且比傳統的遺傳算法故障精度更高[5]。文獻[6]采用該重合閘和分布式電源脫網的配合方法，對含有分布式電源的配電網進行了故障定位[6]。文獻[7]根據配電網故障其后clark電流相角差的變化量，對低壓配電網進行故障定位，該方法僅需要對電流量的采集，提高了故障定位速度，且能夠準確的進行故障定位[7]。

為了提高配電網定位精度，本文提出了一種改進蟻群算法對配電網故障進行定位研究。

1 改進蟻群算法

1.1 蟻群算法（ant colony algorithm， ACO）

ACO的數學數學模型如下。

Step1：參數初始化。初始化含M個螞蟻的種群Y（0），最大迭代次數max gen，n個節點[8]。第i只螞蟻適應度值用fiti表示[9]。ηij，τij分別是路徑ij的啟發信息和信息素量。Δτkij第k只螞蟻在路徑（i，j）上的信息素。ρ信息素蒸發系數。Pkij（t）指的是第k只螞蟻從i到j的概率。

基于IA-ACO的配電網故障定位過程如下。

（1） 配電網劃分區域。根據配電網屬于單電源網絡或環網，對網絡中的各分支進行保留或刪除。

（2） 設置算法參數，形成初始種群。

（3） 求取每個抗體適應度值。若未達到迭代次數，則對個體進行選擇，交叉，變異操作。然后將個體存入記憶庫。若達到迭代次數，則轉下一步。

（4） 將求取的最優抗體，傳遞給ACO的對應參數。

（5） 找到故障路徑，生成初始解。求取評價函數，記錄最優解。

（6） 執行免疫操作，生成新的種群。更新信息素。

（7） 判斷是否達到設定條件，未達到t=t+1，轉向步驟5;若達到，停止迭代輸出結果。

3 算例仿真

3.1 算法驗證

為驗證本文所提方法的有效性和可靠性，建立了ACO和IA-ACO的仿真實驗。測試函數表如表1所示。ACO算法的參數為：α=1.5， m=30， β=2， ρ=0.9， 迭代次數為 500。仿真對比結果如圖2和圖3所示。采用Oliver30分別進行ACO和IA-ACO算法驗證。實驗對比圖如圖4，圖5所示。路徑尋優的最優值，如表2所示。

3.2 配電網故障定位仿真

33節點配電網絡進行仿真分析，如圖6所示。

該網絡包含33節點，33條支路。A表示主電源，BC表示斷路器，S表示開關，/是支路。IA-ACO參數為m=20，交叉概率Pc=0.8，變異概率Pm=0.04，初始信息素a=0.5，pmin=0.3，IA迭代次數Ni=15，ACO迭代次數Nc=35。l1-l12為主干區域，其余為分支區域。

假設1：支路l21發生故障，故障信息表示為[S13 S18 S23 S26]=[0 1 0 0]。CB1、S1-S2、S18-S22若有故障則為1，否則為0。假設2：l14和l30發生故障，故障信息表示為[S13 S18 S23 S26]=[1 0 0 1]。此時區域1和區域4存在故障。CB1、S1-S10、S13-S14、S26-S30若有故障則為1，否則為0。兩種假設的仿真結果如表3所示。狀態值數據由FTU實時上傳。

3.3 實驗分析

從圖2和圖3可以看出，在處理相同算法的尋優問題時，IA-ACO算法比ACO算法能夠更快的收斂到全局最優值。從圖4和圖5的對比結果中可以看出IA-ACO算法比傳統的ACO算法具有更快的收斂速度，而且尋優效果更好。從圖7和圖8的配電網故障定位中可以看出，IA-ACO算法求解的故障定位點與實際情況相一致。當故障情況1發生時，算法的輸出結果為支路l21;故障情況2發生時，算法的輸出結果為支路l14和l30，與預設的故障支路一致。驗證了IA-ACO方法應用在配電網故障定位上的可靠性。

4 總結

采用IA算法優化選取ACO算法的隨機初始因子，從而建立IA-ACO模型。對比實驗驗證了IA-ACO比傳統的ACO算法具有更快的收斂速度和更好的尋優能力。采用IA-ACO的配電網故障定位，求解的故障點與實際設定的故障點一致，驗證了本文所提方法的可靠性。

參考文獻

[1] 郭壯志，徐其興，洪俊杰，等.配電網故障區段定位的互補約束新模型與算法[J].中國電機工程學報，2016，36（14）：3742-3751.

[2] 郭壯志，陳濤，黃全振，等.配電網故障定位的層級模型及其預測校正算法[J].電力自動化設備，2018，38（7）：51-60.

[3] 高孟友，徐丙垠，張新慧.基于故障電流幅值比較的有源配電網故障定位方法[J].電力自動化設備，2015，35（7）：21-25.

[4] 郭壯志，徐其興，洪俊杰，等.配電網快速高容錯性故障定位的線性整數規劃方法[J].中國電機工程學報，2017，37（3）：786-795.

[5] 鄭濤，潘玉美，郭昆亞，等.基于免疫算法的配電網故障定位方法研究[J].電力系統保護與控制，2014，42（1）：77-83.

[6] 劉健，張小慶，同向前，等.含分布式電源配電網的故障定位[J].電力系統自動化，2013，37（2）：36-42.

[7] 牛耕，周龍，裴瑋，等.基于克拉克電流相角差值的低壓有源配電網故障定位方法[J].中國電機工程學報，2015，35（S1）：15-24.

[8] 張楠楠，姜文剛，竇剛.改進蟻群算法在AUV三維路徑規劃中的研究[J].計算機工程與應用，2019，55（11）：265-270.

[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（06）：873-878.

[10] 劉勇，劉念，劉孫俊.一種基于免疫蟻群混合算法的TSP求解模型[J].四川大學學報（工程科學版），2010，42（3）：121-126.

（收稿日期： 2019.07.19）