基于遺傳粒子群法的配電網故障定位研究

張波　唐亮　梁曉偉　李明　張靖　唐軼軒

摘 要：針對分布式電源接入后配電網故障定位困難的現狀，構造了適應多分布式電源接入的故障電流編碼方式、開關函數和評價函數。提出了基于改進遺傳粒子群法的配電網故障定位方法，該方法有效融合了遺傳算法在全局搜索方面和粒子群法在局部搜索方面的優勢。建立配電網故障定位仿真實例，通過配電網系統單重故障和多重故障及FTU上傳故障信息出現畸變情況的仿真對比分析，結果表明本方法具有更高的定位準確率和較快的收斂速度，且本方法抗干擾性更強。本研究成果可為配電網故障定位提供有效的參考和技術指導。

關鍵詞：配電網;故障定位;分布式電源;遺傳算法;粒子群算法

中圖分類號：TM773???? 文獻標識碼：A

Research on Fault Location of Distribution Network Based

on Genetic Particle Swarm Optimization

ZHANG Bo1， TANG Liang1， LIANG Xiao-wei2， LI Ming3， ZHANG Jing3， TANG Yi-xuan3

（1.State Grid Anhui Electric Power Co. Ltd.， Hefei， Anhui 230022，China;

2. State Grid Anhui Electric Power Research Institute， Hefei， Anhui 230601， China;

3. Information & Telecommunication Branch，State Grid Anhui Electric Power Co.Ltd.， Hefei， Anhui 230061， China）

Abstract：In view of the difficulty in locating distribution network fault after the access of distributed power supply， fault current coding mode， switching function and evaluation function are constructed to adapt to multi-distributed power supply access， and a fault location method based on improved genetic particle swarm optimization is proposed， the method effectively combines the advantages of genetic algorithm in global search and particle swarm optimization in local search. A simulation example of distribution network fault location is presented， the simulation of single fault and multiple fault of distribution network system and the distortion of fault information uploaded by FTU were compared and analyzed， the results show that the proposed method has higher accuracy and faster convergence rate， and the method has stronger anti-interference. The research results? can provide effective reference and technical guidance for fault location of distribution network.

Key words：distribution network; fault location; distributed power supply; genetic algorithm; particle swarm optimization

分布式電源因具有清潔高效等優良特性而獲得廣泛應用，分布式電源在配電網的接入規模越來越大[1]，但分布式電源的接入會使得傳統配電網的結構和潮流均出現變化，給配電網的故障定位帶來更多的困難，而故障定位對故障隔離、排除、恢復供電起著關鍵性的作用，可有效提高配電網整體的可靠性水平和用戶供電質量[2]。同時，配電網故障信息在傳輸時也會發生畸變的情況，導致傳統配電網故障定位方法無法有效地識別配電網故障所在位置。因此，需對分布式電源接入后的配電網故障定位進行深入研究。

配電網故障定位的方法主要包括矩陣算法和人工智能算法[3]，矩陣方法雖然計算速度快，但其適應性和抗干擾性較差。文獻[4]將遺傳算法應用于配電網故障定位，但遺傳算法易陷入局部最小值。文獻[5]在配電網故障定位時采用的是粒子群方法，雖然該方法局部搜索能力較強，但其全局性較差，收斂速度較慢。文獻[6]在配電網故障定位模型求解時提出了改進的退火遺傳法，該方法雖然求解精度有了較大的提高，但其求解過程過于復雜，優化所需時間太長。以上文獻在進行配電網研究時均未考慮分布式電源接入后發生多重故障及信息畸變的情況，且采用的智能方法存在效果不理想的問題。

建立了適應于多分布式電源接入的配電網故障定位模型，并提出了改進的遺傳粒子群融合求解方法，通過不同情況下的配電網故障定位仿真實例計算對比分析對本定位模型及求解方法的可行性和優越性進行了證明。

1 配電網故障定位原理分析

配電網發生故障后，安裝在線路上的饋線終端FTU等自動化終端設備將獲取的故障過流信息上傳至自動化主站系統，根據上傳的故障信息及開關函數確定的故障信息，故障定位算法通過適應度函數對解的優劣程度進行評價，優化后獲得到最優解，從而實現配電網故障定位[7]。

1.1 故障電流編碼

對于單電源的輻射型配電網故障電流編碼，其以監測到過電流且過流方向與設定的正方向相同時，故障狀態編碼取‘1，而未監測到過電流時，故障狀態編碼則取‘0。分布式電源接入配電網后，配電網會出現多個可以提供故障電流的電源，傳統故障電流編碼方式已不再適用，因此需重新定義故障電流編碼方式。定義離開關最近的電源為該開關的上游電源，其他電源則定義為下游電源，并定義開關的正方向為由上游電源到下游電源。如圖1所示的含分布式電源的配電網，電網電源grid作為上游電源的開關有S1、S2和S3，對于其余開關則為下游電源;分布式電源DG1作為上游電源的開關有S4、S5和S6，對于其余開關則為下游電源;分布式電源DG2作為上游電源的開關有S7、S8和S9，對于其余開關則為下游電源。

當FTU監測到的過電流方向與定義的正方向兩者一致時，故障電流編碼取1，兩者不一致時則取-1，若未監測到故障過電流的情況，則取0，表達式如下所示：

Ij=1，表示開關流過故障電流為正向-1，表示開關流過故障電流為反向0，表示開關無故障電流（1）

1.2 開關函數的構造

獲取到開關故障過電流情況后，由故障定位算法的分析來確定配電網發生故障的位置時，需通過一個函數來表明配電網各段線路與開關的關聯關系，此函數便稱為開關函數[8]。傳統的開關函數是針對單電源輻射型配電網建立的，對于含分布式電源的多電源配電網絡則不適用，因此本文采用的是適用多電源情況的改進開關函數，其表達式如下：

Ijs=∏Ni=1KDGi×0-∏M1u=1sju+

∏M2d=1sjd（2）

式中：∏表示邏輯或運算符號，KDGi為分布式電源i的狀態，KDGi=1表示接入配電網運行，KDGi=0表示未接入配電網運行，sju表示開關j上游線路u的故障狀態，sju=1表示故障，sju=0表示無故障。

當分布式電源全部未接入配電網運行時，∏Ni=1KDGi=0，此時式（2）的開關函數便變為傳統的單電源輻射型配電網的開關函數。因此改進的開關函數也適用于單電源的配電網，具有很好的適用性。

1.3 評價函數的構造

故障定位算法通過評價函數來對解的適應度進行評價，并由適應度值的排序評價解的優劣，從而確定最優解[9]，因此評價函數的構造非常重要，本文故障定位評價函數如下所示：

fSB=∑Nj=1Ij-IjSB+ω∑Mi=1SBi（3）

式中：Ij表示獲取的配電網故障信息，IjSB表示開關函數處理后獲得的期望故障信息，∑Mi=1SBi表示解向量SB對應的故障線路區段總數，ω表示權重系數，其值位于（0， 1）區間內，N、M分別表示配電網開關總數和解向量的維度大小。

評價函數等式右邊的第一項為由開關函數處理后獲得的期望故障電流信息與饋線終端FTU 上傳信息的偏差值，它反映的是開關期望信息與其實際信息的接近程度，評價函數等式右邊的第二項為診斷結果選擇的故障線路區段數目最小的解，其目的是避免故障定位時漏判和誤判的出現。

2 遺傳粒子群融合算法原理

2.1 遺傳算法和粒子群算法基本原理

遺傳算法是根據生物遺傳學和自然選擇機理，對生物進化過程進行的數學仿真的一類搜索算法。種群中的每個個體均對應問題的解，個體的優劣度由其適應度來表征，然后通過選擇、交叉和變異生成下一代種群，從而實現優勝劣汰及種群的進化[10]。

粒子群算法是一種模擬鳥群覓食過程的進化算法[11]，算法首先在可行域內隨機初始化粒子種群，每個粒子均代表問題的一個解，粒子均有各自的屬性：適應度、位置和速度，粒子主要通過跟蹤個體最優值Pi和群體最優值Pg來進行更新，其速度和位置的更新表達式為：

vk+1i=wvk+1i+c1r1（Pbest-xki）+c2r2（gbest-xki）xk+1i=xki+vk+1i （4）

式中：w為慣性權重系數，k為算法迭代的次數，c1和c2為算法的學習因子，r1和r2表示（0，1）區間內的隨機數。

2.2 遺傳粒子群融合算法原理

遺傳算法雖然全局性好的優點，但易陷入局部極值點，存在易早熟的缺點，而粒子群算法則剛好算法，其擁有較強的局部搜索能力，卻在全局性方面較弱，可見遺傳算法和粒子群算法在優化搜索方面具有很好的互補性，結合含分布式電源接入的配電網故障定位相關要求，將兩種智能方法進行融合，從而獲得更優良的搜索結果。同時，為進一步提高遺傳算法和粒子群算法的優化能力，本文分別對其進行相應的改進。

遺傳算法中的交叉和變異是形成新種群的重要環節，傳統遺傳算法的交叉和變異概率均為固定值，文獻[12]發現根據適應度的結果來賦予相應的概率值能有效提高算法的優化能力，因此采用改進的自適應遺傳算法，對交叉概率和變異概率做動態調整，表達式為：

Pc=Pc1-（Pc1-Pc2）f'-favgfmax -favg，f'≥favgPc11+γc，f'

Pm=Pm1-（Pm1-Pm2）fmax -ffmax -favg，f≥favgPm11+γc，f

式中：fmax、favg為適應度的最大值和平均值，f為交叉操作個體中更優的適應度值，f為要變異的個體適應度值。

傳統粒子群法的參數均為固定值，導致在優化求解時無法兼顧全局性和局部性[13]，因此采用自適應調整參數的形式，表達式為：

ωt=ωmax -ωmax -ωmin sin π/2t/tmax C1=C1i+C1e-C1it2max t2C2=C2i+C2e-C2it2max t2（7）

式中：ωmin、ωmax為慣性權重的最小和最大取值，C1i、C1e、C2i、C2e為自學習因子和社會學習因子的初始參數、結束參數。

融合遺傳和粒子群算法的主要思路為：首先利用粒子群算法較強的局部搜索能力來求取局部最優解，然后將其作為遺傳算法的初始解，再利用遺傳算法較強的全局搜索能力來獲得最終的全局最優解。遺傳粒子群法的基本流程如圖2所示。

3 遺傳粒子群算法在配電網故障定位的

應用

以IEEE33節點系統為例進行配電網故障定位分析[14]，圖3為進行相應改進后系統結構圖，根節點0為主變變低連接點，分布式電源DG1～DG4分別接入10、19、28、15節點處，配電網線路共32段，編號分別為L1～L32。

配電網線路在運行過程中可能發生單重故障和多重故障，且安裝在配電網線路上的饋線終端FTU等自動化終端設備一般均運行在戶外環境，容易受到外界各種因素干擾，導致裝置通信傳輸錯誤，從而造成上傳至自動化主站系統的信息發生畸變[15]。為驗證改進后的遺傳粒子群法在配電網不同故障情況下故障定位中的有效性和優越性，分別對配電網系統發生單重故障和多重故障及故障信息是否畸變下進行相應的100次仿真分析，并與遺傳算法、粒子群算法和退火遺傳法進行對比分析，多重故障考慮的是發生概率較高的兩條線路故障，單重故障定位和多重故障定位結果分別如表1、表2所示，圖4為單重故障下某次優化過程收斂曲線圖。

根據表1和表2及圖4的結果可知，配電網發生單重故障下，若FTU未發生信息畸變，四種定位方法的準確率均較高（大于80%），其中以改進后的遺傳粒子群法最高（93%），而信息發生畸變時，故障定位的準確率均有明顯的下降，其中本方法定位準確率的下降程度（5%）要低于其它三種定位方法（10%左右），表明本方法的抗干擾性更強。相比于單重故障的情況，配電網發生多重故障的定位準確率明顯降低，其中本方法定位準確率的降低幅度（10%）要低于其它三種定位方法（15%左右），表明本方法對于配電網多重故障的情況具有更好適應性。從故障定位平均優化時間分析發現，本定位方法對于各種故障的優化時間較短，收斂特性優良，而遺傳算法雖然優化時間最短，卻陷入了局部最優的情況，優化結果較差。本文改進后的遺傳粒子群法在含分布式電源的配電網故障定位中是可行的，且具有很好的優越性。

4 結 論

建立了適應多分布式電源接入的配電網故障定位模型，并提出了基于改進遺傳粒子群法的求解方法，該方法有效融合了遺傳算法全局性強和粒子群法局部性強的優點，通過配電網故障定位仿真實例的對比分析，結果表明配電網發生單重故障及FTU信息未畸變時，改進后的遺傳粒子群法的故障定位準確率是最高的，為93%，而對于配電網多重故障和FTU信息畸變的情況，四種方法的故障定位準確率均出現明顯的降低，但本方法降低的程度是最小的，本方法配電網故障定位中具有更優良的抗干擾性，且優化時間較短，收斂特性優良。改進后的遺傳粒子群法在含分布式電源接入的配電網故障定位中具有很好的可行性和優越性。

參考文獻

[1] HATANO N， TANIGUCHI Y， KOUCHI K. A control method for inverter used for distributed power supply under voltage sag condition[J]. Electrical Engineering in Japan， 2010， 169（1）：28-40.

[2] 馬士聰， 高厚磊， 徐丙垠， 等. 配電網故障定位技術綜述[J]. 電力系統保護與控制， 2009， 37（11）：119-124.

[3] 楊炎龍. 配電網故障定位研究[D]. 廣州： 華南理工大學， 2013.

[4] 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， 29（12）：13-17.

[5] FENG Gang， ZHOU Jun， LIU Dan-li， et al. The analysis of particle swarm optimization used for distribution network fault location[J]. Applied Mechanics & Materials， 2013， 325（1）：604-609.

[6] 徐密. 含分布式電源的配電網保護方案研究[D]. 濟南：山東大學， 2016.

[7] JAVAD S， EHSAN B， RASOUL K. A new fault location algorithm for radial distribution systems using modal analysis[J]. International Journal of Electrical Power & Energy Systems， 2013， 45（1）：271-278.

[8] 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.

[9] 孫景釕， 陳榮柱， 蔡軾， 等.含分布式電源配電網的故障定位新方案[J]. 電網技術， 2013， 37（6）：1645-1650.

[10]HAKLI H， HARUN U. A novel approach for automated land partitioning using genetic algorithm[J]. Expert Systems with Applications， 2017， 82（2）：10-18.

[11]王愛霞， 王思華， 王明. 基于粒子群算法的變電站接地網優化研究[J]. 電瓷避雷器， 2013， 12（3）：100-104.

[12]張京釗， 江濤. 改進的自適應遺傳算法[J]. 計算機工程與應用，2010， 46（11）：53-56.

[13]徐俊俊， 黃永紅， 王琪，等. 基于自然選擇粒子群算法的含DG接入的配電網無功優化[J]. 電測與儀表， 2014， 51（10）：33-38.

[14]張立梅， 唐巍， 趙云軍， 等. 分布式發電接入配電網后對系統電壓及損耗的影響分析[J]. 電力系統保護與控制， 2011， 39（5）：91-96.

[15]BRAHMA S M. Fault location in power distribution system With penetration of? distributed? generation[J]. IEEE Transactions on Power Delivery， 2011， 26（3）：1545-1553.