改進灰狼算法在智能建筑配電網故障定位中的應用

摘要：隨著科技的不斷進步，人工智能已經廣泛應用于建筑行業，并催生了智能建筑領域。本文闡述了智能化建筑，介紹了群智能算法在智能建筑中配電網故障定位方面的應用。通過采用灰狼優化算法，針對灰狼算法的不足，加入了Tent混沌映射及改良后的收斂因子a，最后加入慣性權重來提升算法性能。同時，與二進制粒子群算法和哈利斯鷹算法進行比較，結果證明改進后的灰狼算法具有更優越的特點。最后，在IEEE33節點模型上進行單點故障和多點故障的仿真實驗，驗證了改進灰狼算法在智能建筑配電網故障定位中的有效性。

關鍵詞：智能建筑；灰狼算法；Tent混沌映射；IEEE33節點

中圖分類號：TM711" "文獻標識碼：A" "文章編號：２０９６-2118（2024）04-0083-04

Improve the Application of Gray Wolf Algorithm in Fault Location of Intelligent Building Power Supply and Distribution System

YAN Bingxu，ZHANG Yi

（School of Electrical and Computer Science，Jilin Jianzhu University，Changchun Jilin 130118，China）

Abstract：With the continuous progress of science and technology，artificial intelligence has been widely used in the construction industry，and gave birth to the field of intelligent buildings.This paper describes the intelligent building and introduces the application of swarm intelligence algorithm in fault location of distribution network in intelligent building.In view of the shortcomings of grey Wolf algorithm，Tent chaos mapping and improved convergence factor a are added，and inertia weight is added to improve the performance of the algorithm.Meanwhile，compared with binary particle swarm optimization algorithm and Harris Eagle algorithm，the results show that the improved Grey Wolf algorithm has more superior characteristics.Finally，simulation experiments of single point fault and multi-point fault on IEEE33 node model are carried out to verify the effectiveness of improved grey Wolf algorithm in fault location of intelligent building distribution network.

Keywords：intelligent building；gray wolf algorithm；Tent chaos mapping；IEEE33 node

0 引言

隨著計算機網絡技術的行業不斷發展與應用，給社會帶來了很大的方便。建筑行業也隨之改變。隨著信息化和智能化的影響，建筑行業朝著信息化、智能化、數字化方面發展。智能建筑的智能化發展程度是其自動化水平的體現，智能化建筑可以為人們提供安全、可靠、方便、節能的環境。隨著第一棟智能建筑的誕生，智能建筑的探索便蓬勃發展起來[1]。由于智能建筑對電力的需求較大，所以保證電力正常運行至關重要，一旦出現問題，應迅速進行故障定位和診斷[2]。

1 智能化建筑

1.1 建筑智能化

建筑智能化系統（BAS）是將通信自動化，樓宇自動化，辦公自動化，消防自動化和保安自動化等與建筑物的結構和功能相融合的一個整體。智能建筑起源于20世紀80年代初的美國，建筑智能化是將智能計算機技術應用到建筑自動化系統中，包括消防報警系統、閉路監控系統、樓宇自控系統、無線轉發系統及無線對講系統等[3]。但是由于我國智能建筑發展較晚，對智能建筑不夠重視，出現了輕視智能化系統檢測的問題，這個問題導致未來智能建筑的維修成本增加，并可能在前期檢查不嚴格的情況下引發設備甚至整個配電系統的問題[4]。

1.2 基于群智能算法的智能建筑配電網故障定位

配電網故障定位，就是配電網絡發生故障的時候，利用智能化的設備和系統，對故障點做出快速、精準的位置鎖定。

隨著配電網日趨完善，目前廣泛采用饋線終端單元（FTU）來收集故障信息進行定位[5]，尤其是應用人工智能算法基于FTU采集信息對配電網故障進行準確定位。目前已提出了多種利用智能算法進行配電網故障定位的方法。由于粒子群算法容易陷入局部最優，引入Logistic映射的混沌系統，對種群初始化的位置進行改善[6]。應用哈里斯鷹算法對配電網故障進行定位，由于哈里斯鷹算法收斂速度慢，容易陷入最優，引入了Tent混沌映射和黃金正弦算法[7]。在配電網故障定位中應用鴿群算法，改變地圖因子R值使鴿群算法快速收斂，當R越小時e-Rt越大收斂速度越快[8]。由于布谷鳥算法的步長對搜索結果影響很大，所以，在初始化階段設置了加大的步長，增加了迭代速度，隨著迭代次數增多，步長變小，提高了搜索精度[9]。綜上所述，本文引進了灰狼算法。

2 灰狼優化算法

2.1 灰狼算法

灰狼算法是由Mirjalili等人在2014年提出來的一種群智能優化算法[10]。灰狼本身是一種群居的生物，他們的生活具有嚴格的金字塔等級制度。在金字塔的頂端為α狼，統領整個部落，其次是β狼，它只聽命于α狼，傳達α狼的命令，然后是δ狼，它聽命于α狼和β狼，負責對獵物偵察和騷擾，最底層是ω狼，它負責直接攻擊獵物[11]。

在灰狼算法中，種群初始化階段，種群個體是隨機分布的，這樣會使種群的多樣性丟失，不能保證均勻地分布。因此，對種群初始化進行改進，引入Tent混沌映射[12]。Tent混沌映射在其取值范圍內，具有均勻的分布函數，遍歷性、隨機性和相關性。在灰狼算法中，A的值決定局部搜索還是全局搜索。然而A的取值受收斂因子a的影響。在算法中，a的取值是呈線性遞減的，隨著迭代次數增加，從2減小到0，可見a的重要性。本文把收斂因子變成線性化[13]。

由于每個灰狼位置是通過計算α，β，δ三只領頭狼聚力向量和的1/3得到的。這種計算方法很簡單，故提出了一種慣性權重方法[14]。

S=0W■=■W■=■W■=■（1）

X■=■（2）

式（1）～（2）中：W1，W2，W3為慣性權重，X1，X2，X3為α狼，β狼，δ狼個體位置，X（i+1）為最新灰狼個體位置。

2.2 算法流程

步驟1：設置種群的各種參數。

步驟2：初始化種群。

步驟3：計算灰狼種群的個體所有的適應度的值，選出3個最小的值。

步驟4：計算出收斂因子a值，然后根據a計算出A的值。

步驟5：利用式（2）計算更新后灰狼個體位置。

步驟6：判斷算法是否滿足終止條件，若滿足，算法迭代結束，輸出最優的灰狼個體，若不滿足，則進入步驟3～步驟5，進行循環，直到輸出最優解，算法結束。

2.3 仿真實驗

為驗證TEGWO算法的性能，選取F1（x），F2（x），F3（x），F4（x）4個標準測試函數，與HHO，PSO算法進行對比（見表1～表2）。

TEGWO算法在F1，F3取得了理論最優值0，在F2，F4中比較其他算法也取得了較好的標準值。這說明了TEGWO算法對單峰函數和多峰函數都有很高的收斂速度和精確度。優化后的灰狼算法（TEGWO）與粒子群算法（PSO）和哈里斯鷹算法（HHO）比較，無論標準差，平均值還是最優值，TEGWO算法都優于其他算法，具有明顯的優勢。

3 改進灰狼算法（TEGWO）在配電網故障定位應用

3.1 故障編碼

在配電網中，饋線終端單元具有重要的作用。當配電網正常運行時，FTU不會有故障信息；而當配電網發生故障后，FTU將接收并反饋故障信息。由于配電網問題只會表現為存在或不存在故障信息，所以對節點開關進行編碼時，如果沒有故障電流，FTU反饋信息為0，有故障電流則反饋為1[15]。 對于開關函數和適應度的函數構造很重要。本文的開關函數和適應度函數為：

Y■（x）=■x（i）（3）

F（x）=■I■-I■（x）+η■x（j）（4）

3.2 算例仿真

為了驗證改進灰狼算法（TEGWO）在配電網故障定位中的準確性，本文采用了IEEE33節點的配電網模型進行實驗（見圖1）。將改進的灰狼算法與二進制粒子群算法（BPSO）和哈里斯鷹算法（HHO）進行對比。為了驗證改進的灰狼算法對配電網故障定位的準確性和包容性，對單點故障和多點故障進行仿真實驗。

當圖1饋線區段L8發生故障時，FTU輸入的信息是[1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，則輸出的信息為[0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，其定位點是8。單點故障定位迭代見圖2。

當圖1饋線區段L12和L18共同出現故障時，FTU輸入的故障信息為[1 1 1 1 1 1 1 0 0 1 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]則輸出的信息[0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，定位點在12和18位置。多點故障定位迭代見圖3。

圖2中，經過單點故障的檢驗，改進的灰狼算法的適應度值是0.5，二進制粒子群算法的適應度值是23，哈里斯鷹算法的適應度值是8，所以TEGWO算法要比二進制粒子群算法和哈里斯鷹算法定位準確，而且適應度值更低，迭代的速度更快。圖3中，通過多點故障的檢驗，TEGWO算法的適應度值為1，BPSO算法的適應度為20，HHO算法的適應度為8，可見改進的灰狼算法優于二進制粒子群算法和哈里斯鷹算法。同時從圖2～圖3可以看出，無論是單點故障還是多點故障，改進的灰狼算法在準確度和收斂速度上均優于二進制粒子群算法和哈里斯鷹算法，因此改進的灰狼算法更具優勢。

將TEGWO算法應用于智能建筑中的配電網故障定位，可實現快速而準確的故障位置定位。

4 結語

本文提出了一種新型的灰狼優化算法用于智能建筑配電網故障定位。引進了慣性權重，改進收斂因子a和Tent混沌映射全面的優化灰狼算法的性能。為了驗證改進的灰狼算法對配電網故障定位的優越性，應用于IEEE33節點的配電網模型，通過算法的仿真對比并與傳統的粒子群算法和較新的哈里斯鷹算法進行比較，結果表明改進的灰狼算法優于粒子群算法和哈里斯鷹算法。因此，在智能建筑配電網故障定位中，改進的灰狼算法具有良好的應用前景。

參 考 文 獻

[1]王峰.智能化技術在智能建筑中的應用研究[J].自動化與儀器儀表，2021（11）：79-82.

[2]陳俐.智能建筑供配電故障診斷與定位研究[D].南昌：華東交通大學，2018.

[3]劉善良.人工智能新技術在智能建筑中的應用研究[J].佛山陶瓷，2023，33（5）：74-76.

[4]王俊.電氣工程及其自動化技術在智能建筑中的應用[J].模具制造，2023，23（9）：202-204.

[5]陳婷.基于FTU檢測方法在含DG配電網故障區段定位的應用綜述[J].電氣應用，2020，39（4）：30-37.

[6]江楠，戚欣.改進粒子群算法在智能建筑供配電系統故障定位中的應用[J].北方建筑，2023，8（2）：27-31.

[7]麥章渠，曾穎，張祿亮，等.基于改進哈里斯鷹優化算法的有源配電網故障定位[J].系統保護與恢復，2022，50（11）：104-111.

[8]任志玲，劉衛東，楊柳，等.基于改進鴿群算法的含分布式電源配電網故障定位[J].電源學報，2022，20（4）：171-178.

[9]謝振宇.基于改進布谷鳥算法的配電網故障定位研究[D].成都：西華大學，2021.

[10]張曉鳳，王秀英.灰狼優化算法研究綜述[J].計算機科學，2019，46（3）：30-38.

[11]甄永琦，蔣偉.改進灰狼算法在配電網故障定位中的應用[J].計算機應用與軟件，2020，37（11）：200-205.

[12]FAN J，LI Y，WANG T.An improved African vultures optimization algorithm based on tent chaotic mapping and time-varying mechanism[J].Plos One，2021，16（11）：e0260725.

[13]OU Y，ZHOU K，YIN P，et al.Improved grey wolf optimizer algorithm based on dual convergence factor strategy[J].Journal of Computer Applications，2023，43（9）：2679.

[14]SHUKLA A K，SINGH P，VARDHAN M.An adaptive inertia weight teaching-learning-based optimization algorithm and its applications[J].Applied Mathematical Modelling，2020，77：309-326.

[15]孫霞.基于智能優化算法的配電網故障定位研究[D].長春：吉林建筑大學，2023.

編輯：劉 巖