基于改進(jìn)蟻群算法的配電網(wǎng)故障定位研究

李霆 方志堅(jiān) 羅義旺 林海玉 林翰 黃麗榕

摘 要： 精準(zhǔn)的配電網(wǎng)故障定位，對(duì)于快速隔離故障，提高居民用電質(zhì)量具有重要意義。為了提高配電網(wǎng)故障定位精度，提出了基于改進(jìn)蟻群算法的配電網(wǎng)故障定位方法。傳統(tǒng)的ACO算法信息素?fù)]發(fā)系數(shù)、啟發(fā)因子，信息素濃度等參數(shù)需人工設(shè)定，采用IA算法優(yōu)化選取ACO算法的隨機(jī)初始因子，以優(yōu)化ACO的網(wǎng)絡(luò)模型。實(shí)驗(yàn)仿真表明，IA-ACO算法比傳統(tǒng)的ACO算法具有更快的收斂速度和更高的尋優(yōu)能力;同時(shí)IA-ACO算法在進(jìn)行配電網(wǎng)故障定位仿真時(shí)，與實(shí)際結(jié)果一致，驗(yàn)證了IA-ACO算法在配電網(wǎng)故障定位的準(zhǔn)確性與可靠性。

關(guān)鍵詞： 配電網(wǎng); 故障定位; 蟻群算法; 免疫算法

中圖分類號(hào)： TM 711 ? ? ?文獻(xiàn)標(biāo)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(wǎng)作為連接用戶和供電部門之間的紐帶，在整個(gè)電力系統(tǒng)中起著至關(guān)重要的作用，研究發(fā)現(xiàn)，電力用戶的停電事故95%都是由于中低壓配電網(wǎng)故障造成[1]。對(duì)配電網(wǎng)進(jìn)行精準(zhǔn)快速的故障定位，對(duì)于隔離故障，恢復(fù)供電，提高供電質(zhì)量具有重要意義[2-3]。

配電網(wǎng)故障定位方法吸引了越來越多學(xué)者的關(guān)注。文獻(xiàn)[4]采用代數(shù)運(yùn)算的方法建立配電網(wǎng)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(diǎn) [4]。文獻(xiàn)[5]對(duì)傳統(tǒng)的免疫算法進(jìn)行了改進(jìn)，采用改進(jìn)的免疫算法進(jìn)行配電網(wǎng)故障定位，該方法具有較快的故障定位速度，并且比傳統(tǒng)的遺傳算法故障精度更高[5]。文獻(xiàn)[6]采用該重合閘和分布式電源脫網(wǎng)的配合方法，對(duì)含有分布式電源的配電網(wǎng)進(jìn)行了故障定位[6]。文獻(xiàn)[7]根據(jù)配電網(wǎng)故障其后clark電流相角差的變化量，對(duì)低壓配電網(wǎng)進(jìn)行故障定位，該方法僅需要對(duì)電流量的采集，提高了故障定位速度，且能夠準(zhǔn)確的進(jìn)行故障定位[7]。

為了提高配電網(wǎng)定位精度，本文提出了一種改進(jìn)蟻群算法對(duì)配電網(wǎng)故障進(jìn)行定位研究。

1 改進(jìn)蟻群算法

1.1 蟻群算法（ant colony algorithm， ACO）

ACO的數(shù)學(xué)數(shù)學(xué)模型如下。

Step1：參數(shù)初始化。初始化含M個(gè)螞蟻的種群Y（0），最大迭代次數(shù)max gen，n個(gè)節(jié)點(diǎn)[8]。第i只螞蟻適應(yīng)度值用fiti表示[9]。ηij，τij分別是路徑ij的啟發(fā)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(fā)系數(shù)。Pkij（t）指的是第k只螞蟻從i到j(luò)的概率。

基于IA-ACO的配電網(wǎng)故障定位過程如下。

（1） 配電網(wǎng)劃分區(qū)域。根據(jù)配電網(wǎng)屬于單電源網(wǎng)絡(luò)或環(huán)網(wǎng)，對(duì)網(wǎng)絡(luò)中的各分支進(jìn)行保留或刪除。

（2） 設(shè)置算法參數(shù)，形成初始種群。

（3） 求取每個(gè)抗體適應(yīng)度值。若未達(dá)到迭代次數(shù)，則對(duì)個(gè)體進(jìn)行選擇，交叉，變異操作。然后將個(gè)體存入記憶庫(kù)。若達(dá)到迭代次數(shù)，則轉(zhuǎn)下一步。

（4） 將求取的最優(yōu)抗體，傳遞給ACO的對(duì)應(yīng)參數(shù)。

（5） 找到故障路徑，生成初始解。求取評(píng)價(jià)函數(shù)，記錄最優(yōu)解。

（6） 執(zhí)行免疫操作，生成新的種群。更新信息素。

（7） 判斷是否達(dá)到設(shè)定條件，未達(dá)到t=t+1，轉(zhuǎn)向步驟5;若達(dá)到，停止迭代輸出結(jié)果。

3 算例仿真

3.1 算法驗(yàn)證

為驗(yàn)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(shí)驗(yàn)。測(cè)試函數(shù)表如表1所示。ACO算法的參數(shù)為：α=1.5， m=30， β=2， ρ=0.9， 迭代次數(shù)為 500。仿真對(duì)比結(jié)果如圖2和圖3所示。采用Oliver30分別進(jìn)行ACO和IA-ACO算法驗(yàn)證。實(shí)驗(yàn)對(duì)比圖如圖4，圖5所示。路徑尋優(yōu)的最優(yōu)值，如表2所示。

3.2 配電網(wǎng)故障定位仿真

33節(jié)點(diǎn)配電網(wǎng)絡(luò)進(jìn)行仿真分析，如圖6所示。

該網(wǎng)絡(luò)包含33節(jié)點(diǎn)，33條支路。A表示主電源，BC表示斷路器，S表示開關(guān)，/是支路。IA-ACO參數(shù)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(shù)Ni=15，ACO迭代次數(shù)Nc=35。l1-l12為主干區(qū)域，其余為分支區(qū)域。

假設(shè)1：支路l21發(fā)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(shè)2：l14和l30發(fā)生故障，故障信息表示為[S13 S18 S23 S26]=[1 0 0 1]。此時(shí)區(qū)域1和區(qū)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(shè)的仿真結(jié)果如表3所示。狀態(tài)值數(shù)據(jù)由FTU實(shí)時(shí)上傳。

3.3 實(shí)驗(yàn)分析

從圖2和圖3可以看出，在處理相同算法的尋優(yōu)問題時(shí)，IA-ACO算法比ACO算法能夠更快的收斂到全局最優(yōu)值。從圖4和圖5的對(duì)比結(jié)果中可以看出IA-ACO算法比傳統(tǒng)的ACO算法具有更快的收斂速度，而且尋優(yōu)效果更好。從圖7和圖8的配電網(wǎng)故障定位中可以看出，IA-ACO算法求解的故障定位點(diǎn)與實(shí)際情況相一致。當(dāng)故障情況1發(fā)生時(shí)，算法的輸出結(jié)果為支路l21;故障情況2發(fā)生時(shí)，算法的輸出結(jié)果為支路l14和l30，與預(yù)設(shè)的故障支路一致。驗(yàn)證了IA-ACO方法應(yīng)用在配電網(wǎng)故障定位上的可靠性。

4 總結(jié)

采用IA算法優(yōu)化選取ACO算法的隨機(jī)初始因子，從而建立IA-ACO模型。對(duì)比實(shí)驗(yàn)驗(yàn)證了IA-ACO比傳統(tǒng)的ACO算法具有更快的收斂速度和更好的尋優(yōu)能力。采用IA-ACO的配電網(wǎng)故障定位，求解的故障點(diǎn)與實(shí)際設(shè)定的故障點(diǎn)一致，驗(yàn)證了本文所提方法的可靠性。

參考文獻(xiàn)

[1] 郭壯志，徐其興，洪俊杰，等.配電網(wǎng)故障區(qū)段定位的互補(bǔ)約束新模型與算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2016，36（14）：3742-3751.

[2] 郭壯志，陳濤，黃全振，等.配電網(wǎng)故障定位的層級(jí)模型及其預(yù)測(cè)校正算法[J].電力自動(dòng)化設(shè)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(wǎng)故障定位方法[J].電力自動(dòng)化設(shè)備，2015，35（7）：21-25.

[4] 郭壯志，徐其興，洪俊杰，等.配電網(wǎng)快速高容錯(cuò)性故障定位的線性整數(shù)規(guī)劃方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(wǎng)故障定位方法研究[J].電力系統(tǒng)保護(hù)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(wǎng)的故障定位[J].電力系統(tǒng)自動(dòng)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(wǎng)故障定位方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2015，35（S1）：15-24.

[8] 張楠楠，姜文剛，竇剛.改進(jìn)蟻群算法在AUV三維路徑規(guī)劃中的研究[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（11）：265-270.

[9] 李擎，張超，陳鵬，等.一種基于粒子群參數(shù)優(yōu)化的改進(jìn)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(xué)學(xué)報(bào)（工程科學(xué)版），2010，42（3）：121-126.

（收稿日期： 2019.07.19）