陶維青, 肖松慶, 李 林, 曹 軍

(1.合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院,安徽 合肥 230009; 2.科大智能電氣技術(shù)有限公司,安徽 合肥 230088)

0 引 言

分布式電源(distributed generator, DG)并網(wǎng)[1]使得配電網(wǎng)故障特性發(fā)生改變，基于傳統(tǒng)故障信號(hào)的診斷方法[2]可靠性降低,而堅(jiān)強(qiáng)智能電網(wǎng)的發(fā)展使得配電自動(dòng)化[3-4]程度和覆蓋率大大提高，中高壓配網(wǎng)普遍安裝了故障指示設(shè)備(fault indicating device, FID),如饋線終端單元(feeder terminal unit, FTU)[5]、開閉所終端單元(distribution terminal unit, DTU)、故障指示器等，提高了故障定位、隔離和供電恢復(fù)可靠性。故障定位方法一般分為直接法和間接法。直接法如典型的矩陣法雖然計(jì)算量小、運(yùn)算速度快,但定位精度不高、容錯(cuò)性低。間接法包括各種智能優(yōu)化算法，文獻(xiàn)[6]基于遺傳算法將傳統(tǒng)行波測(cè)距方法中的預(yù)設(shè)波速替代為最優(yōu)波速?gòu)亩鴥?yōu)化定位結(jié)果，但實(shí)際波速與優(yōu)化波速相差較大時(shí)仍會(huì)降低定位精度;文獻(xiàn)[7]結(jié)合模糊推理與模擬退火算法改進(jìn)了傳統(tǒng)遺傳算法的評(píng)價(jià)函數(shù)和遺傳機(jī)制，提高了定位的準(zhǔn)確性;文獻(xiàn)[8]提出一種基于分層結(jié)構(gòu)模型和智能校驗(yàn)算法的定位方法，并對(duì)定位結(jié)果進(jìn)行反饋校驗(yàn)，具有較好的容錯(cuò)性和穩(wěn)定性;文獻(xiàn)[9]提出對(duì)配電線路上的故障指示器狀態(tài)采用二進(jìn)制編碼，通過(guò)人工魚群算法進(jìn)行故障診斷，但其仿真結(jié)果仍存在不少故障漏報(bào)的情況;文獻(xiàn)[10]針對(duì)含DG的配電網(wǎng)提出一種基于故障電流的免疫算法，通過(guò)計(jì)算抗體的匹配程度和濃度來(lái)評(píng)價(jià)個(gè)體適應(yīng)度，具有良好的收斂特性;文獻(xiàn)[11]基于樹狀圖搜索算法，利用FID信息、電話投訴信息建立網(wǎng)絡(luò)樹狀圖進(jìn)行故障搜索，通過(guò)D-S證據(jù)理論融合故障信息提高了定位的準(zhǔn)確性。

蟻群優(yōu)化算法(ant colony optimization, ACO)是一種源于螞蟻覓食行為的仿生智能算法，其基本模型最早由意大利學(xué)者Dorigo于1991年提出,并成功應(yīng)用于解決著名的旅行商問(wèn)題(travelling salesman problem, TSP)。精英螞蟻系統(tǒng)是對(duì)基本蟻群算法的優(yōu)化和改進(jìn)，并在TSP問(wèn)題中表現(xiàn)出更加優(yōu)越的性能。文獻(xiàn)[12]基于蟻群算法自適應(yīng)動(dòng)態(tài)修改信息素濃度，但尚未考慮DG接入配網(wǎng)的影響，只適用于單電源網(wǎng)絡(luò);文獻(xiàn)[13]利用蟻群算法進(jìn)行全局搜索，模擬退火算法進(jìn)行局部?jī)?yōu)化，提高了定位精度，但仿真結(jié)果顯示定位速度尚未得到明顯改善;文獻(xiàn)[14]基于FTU上傳信息對(duì)多電源配網(wǎng)系統(tǒng)進(jìn)行區(qū)段定位仿真,提高了定位精度,但沒(méi)有提出FTU上傳信息缺失和畸變情況的解決辦法。

本文利用配電網(wǎng)各個(gè)節(jié)點(diǎn)FID的故障指示信息，將故障定位問(wèn)題轉(zhuǎn)化為TSP問(wèn)題，采用蟻群優(yōu)化算法中的雙精英螞蟻策略動(dòng)態(tài)更新信息素濃度，建立適于含DG網(wǎng)絡(luò)的開關(guān)函數(shù)和目標(biāo)函數(shù)迭代尋優(yōu)選出故障路徑。對(duì)于多分支的配網(wǎng)可以劃分為多個(gè)子區(qū)域進(jìn)行分段故障診斷從而提高搜索速度。對(duì)FID上傳信息缺失或畸變的情況提出了信息修復(fù)處理方法，最后仿真驗(yàn)證了定位的準(zhǔn)確性、快速性和高容錯(cuò)性。

1 精英蟻群算法基本原理

1.1 蟻群算法

螞蟻在覓食過(guò)程中會(huì)在路徑上釋放特殊的信息素來(lái)尋找路徑,路徑越短，信息素濃度越大。當(dāng)螞蟻碰到未走過(guò)的路口時(shí)會(huì)隨機(jī)選擇一條路徑，而當(dāng)碰到有螞蟻?zhàn)哌^(guò)的路口時(shí)，會(huì)選擇信息素濃度大的路徑，從而使最短路徑上的信息素濃度越來(lái)越大，而其他路徑上的信息素濃度會(huì)隨著時(shí)間的流逝越來(lái)越低，最終找到最優(yōu)覓食路徑。

蟻群算法最初用于解決TSP問(wèn)題。假定t時(shí)刻路徑(i,j)上的信息素為τij，螞蟻總量為m，各條路徑上的信息素量決定了螞蟻運(yùn)動(dòng)方向，定義pijk(t)為t時(shí)刻螞蟻k從節(jié)點(diǎn)(i,j)轉(zhuǎn)移到節(jié)點(diǎn)j的概率，由各條路徑上的信息素和啟發(fā)信息決定,計(jì)算公式如下：

(1)

其中，Ck為第k只螞蟻即將選取的城市集合;Rk為第k只螞蟻在當(dāng)次循環(huán)中所走的路徑區(qū)段集合;s為城市節(jié)點(diǎn)；ηij(t)=1/dij為螞蟻從城市i轉(zhuǎn)移到城市j的期望函數(shù)，dij為2個(gè)相鄰城市之間的距離;α為信息啟發(fā)式因子，表示螞蟻覓食過(guò)程中積累的信息素對(duì)路徑選取的影響程度；β為期望啟發(fā)式因子，表示期望函數(shù)在路徑轉(zhuǎn)移中的作用程度。t+n時(shí)刻(i,j)路徑上的信息素更新規(guī)則如下：

(2)

其中,ρ為信息素?fù)]發(fā)系數(shù);Δτij(t)為蟻群在路徑(i,j)上留下的總的信息素增量。第k只螞蟻經(jīng)過(guò)路徑(i,j)留下的信息素增量采用如下蟻周模型：

(3)

其中,Q為信息素強(qiáng)度;Lk為路徑Rk的總長(zhǎng)度。

1.2 精英螞蟻策略

精英螞蟻指的是蟻群算法迭代到當(dāng)前次數(shù)為止，k只螞蟻中所選路徑最優(yōu)的那一只螞蟻。精英螞蟻策略指的是對(duì)精英螞蟻搜索到的路徑上的信息素進(jìn)行額外增強(qiáng)，利用當(dāng)前最優(yōu)路徑代替每只螞蟻各自所走的路徑，從而達(dá)到優(yōu)化算法收斂速度的目的。對(duì)(3)式進(jìn)行改進(jìn)得到(4)式，形成精英蟻群優(yōu)化算法。

(4)

其中,Rbest為到當(dāng)前循環(huán)次數(shù)為止k只螞蟻中精英螞蟻所走過(guò)的最優(yōu)路徑區(qū)段集合;Lbest為最優(yōu)路徑長(zhǎng)度。

2 雙精英蟻群算法用于故障區(qū)段定位

2.1 蟻群算法定位模型

將蟻群算法應(yīng)用于配電網(wǎng)的故障定位,就是要將網(wǎng)絡(luò)節(jié)點(diǎn)之間各個(gè)區(qū)段狀態(tài)的選擇轉(zhuǎn)換為TSP問(wèn)題的最優(yōu)路徑選取，每一個(gè)安裝了FID的節(jié)點(diǎn)相當(dāng)于TSP問(wèn)題中的不同城市，相鄰區(qū)段之間有故障和非故障2個(gè)狀態(tài)，相當(dāng)于有2條路徑約定故障狀態(tài)為1，非故障為0,如圖1所示，1～7為各個(gè)FID編號(hào)，a、b、c、d、e為各個(gè)區(qū)段編號(hào)。

圖1 蟻群算法定位模型

蟻群會(huì)根據(jù)0、1路徑上不同信息素濃度大小選擇相應(yīng)的路徑，經(jīng)過(guò)信息素濃度不斷更新，最終會(huì)形成一條各個(gè)區(qū)段不同狀態(tài)的集合，這個(gè)集合就是最優(yōu)解，集合中為1的元素對(duì)應(yīng)的區(qū)段號(hào)就是故障區(qū)段。

在TSP問(wèn)題中蟻群算法的結(jié)果就是搜索到最短路徑，目標(biāo)函數(shù)即為所走各段路徑長(zhǎng)度的標(biāo)量和，總長(zhǎng)度最小時(shí)目標(biāo)函數(shù)達(dá)到最優(yōu)。在配電網(wǎng)故障定位問(wèn)題中，區(qū)段的0和1狀態(tài)沒(méi)有大小關(guān)系區(qū)別，并不對(duì)應(yīng)于傳統(tǒng)蟻群算法解決TSP問(wèn)題中相鄰城市間的距離大小。因此需要對(duì)算法進(jìn)行改進(jìn)，建立適于配電網(wǎng)絡(luò)故障診斷的目標(biāo)函數(shù)和開關(guān)函數(shù)模型。

2.2 雙精英螞蟻策略

精英螞蟻優(yōu)化算法加快了收斂速度，但是每次迭代的最優(yōu)解存在較大偶然性，極可能陷入局部最優(yōu)，導(dǎo)致得出偽故障點(diǎn)。因此本文采用雙精英螞蟻優(yōu)化算法，即在精英螞蟻之外再增加一只螞蟻，其所選取的路徑長(zhǎng)度次優(yōu),2條路徑上的信息素濃度同步更新，相互制約，從而擴(kuò)大了搜索范圍，避免了過(guò)早陷入局部最優(yōu)。

信息素濃度更新規(guī)則即在(4)式的基礎(chǔ)上乘以約束系數(shù)ε,得到信息素增量如下：

(5)

其中，ε=1+2(Lb2-Lb1)/(Lb1+Lb2)；Rb1、Rb2分別為2只精英螞蟻所選路徑區(qū)段集合；Rb1為最優(yōu)路徑集合，Rb2為次優(yōu)路徑集合；Lb1、Lb2分別為2條路徑的長(zhǎng)度,且Lb1

2.3 參數(shù)選取

蟻群算法的相關(guān)參數(shù)選取范圍見表1所列。

表1 蟻群算法相關(guān)參數(shù)

因?yàn)槲浵佭x擇路徑0和路徑1的期望程度是未知的,所以約定2條路徑被選擇的期望程度一致，取均值為1，即β為1，同時(shí)α取1具有較好的收斂特性，也減小了(1)式的計(jì)算量，提高了算法的計(jì)算速度。參數(shù)Q取值如下:

(6)

其中,Nc為迭代次數(shù)。Q隨著Nc的增大而增大從而提高優(yōu)化速度，一般計(jì)算迭代不超過(guò)15次就出現(xiàn)全局最優(yōu)解，故設(shè)定Nc大于15時(shí)系數(shù)Q不再變化。同理參數(shù)ρ的取值如下：

(7)

本文取最大迭代次數(shù)Ncmax為30次，即當(dāng)Nc=30時(shí)停止迭代，蟻群數(shù)目m=4。

2.4 開關(guān)函數(shù)和目標(biāo)函數(shù)

含DG的配電網(wǎng)絡(luò)發(fā)生短路故障時(shí)， DG相對(duì)于主電源可能提供反向短路電流，從而造成FID狀態(tài)具有方向性，因此對(duì)FID節(jié)點(diǎn)上開關(guān)s的狀態(tài)上傳值Is進(jìn)行如下編碼，即

(8)

(9)

其中,ku、kd分別為開關(guān)s上游接入主電源和下游接入DG的狀態(tài)，接入為1，未接入為0；Sd、Su分別為開關(guān)s至上游主電源各區(qū)段及下游DG各區(qū)段的狀態(tài)，故障為1，非故障為0；P、Q分別為從開關(guān)s至上游主電源及下游DG的區(qū)段個(gè)數(shù)。(9)式求和運(yùn)算取0-1編碼的求和運(yùn)算,即 “或”運(yùn)算。

發(fā)生多重故障時(shí)，可能存在同一個(gè)節(jié)點(diǎn)既有流過(guò)主電源提供的故障電流，又有DG提供的反向故障電流，由于DG容量遠(yuǎn)小于主電源容量,因此約定此時(shí)電流方向由主電源決定。對(duì)于圖1所示網(wǎng)絡(luò)，當(dāng)故障發(fā)生在f1處時(shí)，節(jié)點(diǎn)1、2流入正向故障電流，節(jié)點(diǎn)3、6、7流入反向故障電流，節(jié)點(diǎn)4、5無(wú)故障電流，此時(shí)FID信息上傳值為[1 1 -1 0 0 -1 -1],當(dāng)故障發(fā)生在f2時(shí), FID信息上傳值為[1 1 1 1 0 -1 -1]。當(dāng)f1、f2同時(shí)發(fā)生故障時(shí)，節(jié)點(diǎn)3既流過(guò)正向故障電流又流過(guò)DG提供的反向故障電流,取其狀態(tài)為1， FID信息上傳值為[1 1 1 1 0 -1 -1]。

可見故障一般出現(xiàn)在支路末端節(jié)點(diǎn)狀態(tài)為1的區(qū)段。而當(dāng)發(fā)生有故障路徑重復(fù)時(shí)的多重故障時(shí)，只能檢測(cè)到最末端的故障，與文獻(xiàn)[15]利用鄰接表和關(guān)系表得到的定位結(jié)果一致，此時(shí)需要將故障切除后再次診斷。

建立合適的目標(biāo)函數(shù)是改進(jìn)蟻群算法的核心。配電網(wǎng)故障區(qū)間診斷的原則是使得各饋線段FID狀態(tài)信息的實(shí)際值和上傳值最小，本文根據(jù)實(shí)際配電網(wǎng)在一條故障路徑上多以單點(diǎn)故障為主，得到目標(biāo)函數(shù)如下：

(10)

其中,σ為故障權(quán)重因子;Sb為目標(biāo)函數(shù)解集,由(9)式知(Sd,Su)為Sb的子集;N為蟻群所走路徑的區(qū)段數(shù)。

當(dāng)某個(gè)FID開關(guān)狀態(tài)上傳值與期望值不相等時(shí),(10)式求和運(yùn)算內(nèi)第1項(xiàng)值為1，此時(shí)若權(quán)重因子σ取1則易發(fā)生混淆，本文取σ為0.7。

3 網(wǎng)絡(luò)分區(qū)處理

實(shí)際配電網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)復(fù)雜,具有多個(gè)分支,實(shí)際開環(huán)運(yùn)行的配電網(wǎng)絡(luò)為含雙DG的25節(jié)點(diǎn)系統(tǒng),1～25為各個(gè)FID編號(hào),(1)～(17)為各個(gè)區(qū)段編號(hào),如圖2所示。蟻群算法的復(fù)雜度隨著節(jié)點(diǎn)個(gè)數(shù)的增多而增大，使得算法的效率降低,從而需要進(jìn)行網(wǎng)絡(luò)分區(qū)以簡(jiǎn)化計(jì)算。

圖2 含雙DG配電網(wǎng)絡(luò)

選取圖2中不含DG且節(jié)點(diǎn)較多的支路為主支路,即由FID 1～8組成的支路。將含DG的支路分別劃分為區(qū)域①和區(qū)域②。其次由于節(jié)點(diǎn)9、10和節(jié)點(diǎn)11～15位于同一主支路連接點(diǎn)且不含DG,故劃分為同一區(qū)域③,同時(shí)由于區(qū)域③的節(jié)點(diǎn)距離DG較遠(yuǎn),實(shí)際情況下考慮到DG的弱饋?zhàn)饔?DG對(duì)區(qū)域③節(jié)點(diǎn)狀態(tài)的影響較小可以忽略不計(jì)。

此外由于節(jié)點(diǎn)5～8均位于主電源和分布式電源的下游,發(fā)生短路時(shí)電流方向均為正向,節(jié)點(diǎn)狀態(tài)不受DG影響,故劃分為區(qū)域④。簡(jiǎn)化后的網(wǎng)絡(luò)如圖3所示。

圖3 簡(jiǎn)化網(wǎng)絡(luò)

各個(gè)區(qū)域之間的節(jié)點(diǎn)狀態(tài)互不影響,但各個(gè)區(qū)域內(nèi)部發(fā)生故障與否會(huì)對(duì)主支路節(jié)點(diǎn)狀態(tài)產(chǎn)生影響。為了提高計(jì)算效率,實(shí)際配網(wǎng)中每個(gè)區(qū)域?qū)?yīng)于一臺(tái)獨(dú)立計(jì)算機(jī),各計(jì)算機(jī)同時(shí)對(duì)各區(qū)域節(jié)點(diǎn)FID上傳的故障信息進(jìn)行故障搜索,完成局部區(qū)段定位,此時(shí)每個(gè)分區(qū)可以等效為單個(gè)節(jié)點(diǎn),再連同主支路4個(gè)節(jié)點(diǎn)的故障信息在同一主站計(jì)算機(jī)進(jìn)行故障搜索,完成全局區(qū)段定位。

網(wǎng)絡(luò)分區(qū)處理將25節(jié)點(diǎn)系統(tǒng)轉(zhuǎn)化為8節(jié)點(diǎn)系統(tǒng),使得可行解個(gè)數(shù)大大降低,從而提高了算法的運(yùn)算速度與定位速度。

4 信息缺失和畸變處理

信息缺失相當(dāng)于FID狀態(tài)信息數(shù)量減少，使系統(tǒng)維數(shù)減少，定位結(jié)果準(zhǔn)確率降低。信息畸變使得FID狀態(tài)信息失效，可能導(dǎo)致定位失誤，產(chǎn)生偽故障點(diǎn)。

4.1 信息缺失修正

為了盡量提高算法的容錯(cuò)性，總結(jié)文獻(xiàn)[13]對(duì)信息缺失時(shí)的處理辦法，本文對(duì)某一開關(guān)s的缺失狀態(tài)信息Is作如下修正:

(11)

其中，Isu、Isd分別為與開關(guān)s相鄰的上下游FID信息上傳值。若與開關(guān)s下游只有一個(gè)FID，則Isd的取值即為此下游FID信息值；若開關(guān)s下游有多個(gè)相鄰FID，則Isd取值如下：

(12)

即有1取1,無(wú)1時(shí)有-1取-1,全0取0。當(dāng)s上下游FID開關(guān)狀態(tài)不一致時(shí)可能導(dǎo)致修正失誤，此時(shí)會(huì)將信息缺失轉(zhuǎn)化為信息畸變。

4.2 信息畸變修正

當(dāng)某支路發(fā)生短路故障且有節(jié)點(diǎn)信息畸變時(shí),根據(jù)含DG復(fù)雜配網(wǎng)的拓?fù)浣Y(jié)構(gòu)有:當(dāng)支路包含2個(gè)電源且其中一個(gè)為主電源時(shí),則該支路節(jié)點(diǎn)FID上傳值不為0;當(dāng)支路只包含主電源或支路節(jié)點(diǎn)位于主電源和分布式電源下游時(shí),這些節(jié)點(diǎn)的FID上傳值不為-1;當(dāng)支路上某個(gè)上游節(jié)點(diǎn)所屬的子節(jié)點(diǎn)上傳的信息都為1時(shí),則該上游節(jié)點(diǎn)FID上傳值不為-1。

不符合上述規(guī)則的畸變節(jié)點(diǎn)保持其畸變狀態(tài)不變。

5 仿真驗(yàn)證

雙精英ACO算法流程如圖4所示，取Ncmax=30,m=4,在CPU型號(hào)為酷睿i5、主頻2.85 GHz的個(gè)人計(jì)算機(jī)Matlab環(huán)境下,分別對(duì)FID信息上傳值不同狀態(tài)下的情況進(jìn)行仿真。

圖4 算法流程

5.1 上傳信息無(wú)缺失和畸變

FID上傳值無(wú)信息缺失和畸變情況如下:

(1) 設(shè)置區(qū)段(12)發(fā)生單點(diǎn)故障。

(2) 設(shè)置區(qū)段(12)、(15)發(fā)生雙重故障。

對(duì)上述2種情況分別進(jìn)行仿真,結(jié)果見表2所列。算法運(yùn)行時(shí)各代全局目標(biāo)函數(shù)值曲線和CPU時(shí)耗曲線如圖5所示。

表2 上傳信息正常時(shí)仿真結(jié)果

表2中未標(biāo)出的區(qū)域FID上傳值均為0。由表2可知,當(dāng)某一分區(qū)內(nèi)出現(xiàn)單點(diǎn)故障時(shí),最優(yōu)目標(biāo)函數(shù)值為0.7。圖5a顯示目標(biāo)函數(shù)首次出現(xiàn)最優(yōu)值時(shí),發(fā)生單點(diǎn)故障和雙重故障的迭代次數(shù)分別為4、5次,目標(biāo)函數(shù)值分別為0.7、1.4,均達(dá)到全局最優(yōu)。圖5b顯示達(dá)到最優(yōu)時(shí)CPU時(shí)耗分別為3.5、5.6 ms，時(shí)耗隨著迭代次數(shù)增多而增大，雙重故障時(shí)耗略大于單重故障時(shí)耗。

(a) 目標(biāo)函數(shù)值

在設(shè)置同一雙重故障條件下采用傳統(tǒng)ACO算法和雙精英ACO算法分別進(jìn)行200次仿真，每次仿真均進(jìn)行60次迭代運(yùn)算，得到各算法運(yùn)行時(shí)CPU平均時(shí)耗以及目標(biāo)函數(shù)值首次達(dá)到最優(yōu)時(shí)的迭代次數(shù)，見表3所列。

表3 不同ACO算法結(jié)果對(duì)比

由表3可知，在同一故障條件下雙精英蟻群算法有著更優(yōu)越的定位速度和收斂特性，能夠在較少的算法迭代次數(shù)下進(jìn)行快速定位。

將其與文獻(xiàn)[16]中的遺傳算法(genetic algorithm,GA)和人類進(jìn)化算法(human evolutionary algorithm,HEA)分別比較，結(jié)果見表4所列，依舊顯示出優(yōu)越的收斂性能和定位速度。

表4 算法比較結(jié)果

5.2 信息缺失和畸變

(1) 設(shè)置區(qū)段(14)、(16) 發(fā)生雙重故障FID4和FID17信息缺失，上傳值分別記為x和y時(shí)，根據(jù)上文的信息缺失處理方法將信息補(bǔ)全后有x=0,y=1。

(2) 設(shè)置區(qū)段(11)、(12)、(17)發(fā)生三重故障, 正常情況下FID3、 FID19和FID21上傳值分別為1、0、1，假定他們分別畸變?yōu)?、1、0，畸變信號(hào)用下劃線標(biāo)出。根據(jù)信息畸變修正方法將FID3和FID21的狀態(tài)均修正為1，而FID19不符合上文的信息畸變修正規(guī)則,其狀態(tài)保持不變。

定位結(jié)果見表5所列，表5中未標(biāo)出的區(qū)域FID上傳值為0。算法運(yùn)行時(shí)各代全局目標(biāo)函數(shù)值曲線和CPU時(shí)耗曲線如圖6所示。

由表5可知,算法對(duì)于信息缺失和畸變的情況均定位準(zhǔn)確。當(dāng)發(fā)生信息缺失時(shí),根據(jù)信息補(bǔ)全方法得到的主支路FID4信息補(bǔ)全值與期望值相反,同時(shí)主支路區(qū)域內(nèi)無(wú)故障區(qū)域最優(yōu)目標(biāo)函數(shù)值為1,全局最優(yōu)目標(biāo)函數(shù)值為2.4,從而將信息缺失轉(zhuǎn)變?yōu)樾畔⒒儭．?dāng)發(fā)生信息畸變時(shí),由于區(qū)域② 內(nèi)的FID19仍處于畸變狀態(tài),同時(shí)區(qū)域有單點(diǎn)故障,因此區(qū)域最優(yōu)目標(biāo)函數(shù)值為1.7,全局最優(yōu)目標(biāo)函數(shù)值為3.1。

表5 信息缺失和畸變時(shí)仿真結(jié)果

(a) 目標(biāo)函數(shù)值

圖6b顯示在多重故障下,發(fā)生信息缺失和信息畸變時(shí),目標(biāo)函數(shù)首次達(dá)到全局最優(yōu)時(shí)的迭代次數(shù)分別為5、6次。達(dá)到最優(yōu)時(shí)CPU時(shí)耗分別為5.7、7.5 ms,時(shí)耗隨著迭代次數(shù)增多而增大,三重故障時(shí)耗略大于雙重故障時(shí)耗,2種情況下均能快速準(zhǔn)確定位,同時(shí)顯示算法良好的容錯(cuò)性。

6 結(jié) 論

本文利用雙精英ACO算法對(duì)含DG復(fù)雜配網(wǎng)進(jìn)行故障區(qū)段定位,通過(guò)動(dòng)態(tài)調(diào)整信息素濃度及其他參數(shù)建立適于DG接入配網(wǎng)系統(tǒng)的開關(guān)函數(shù)和目標(biāo)函數(shù),將故障區(qū)段的定位問(wèn)題轉(zhuǎn)化為最優(yōu)路徑的求取問(wèn)題。其次對(duì)復(fù)雜配網(wǎng)進(jìn)行區(qū)域劃分,先進(jìn)行局部故障搜索,再轉(zhuǎn)化為全局定位結(jié)果,降低了配網(wǎng)的復(fù)雜度,通過(guò)仿真與傳統(tǒng)ACO及其他智能算法進(jìn)行對(duì)比,優(yōu)化了算法的收斂特性,同時(shí)提高了定位速度。

對(duì)于FID上傳信息缺失和畸變情況,通過(guò)對(duì)含DG配網(wǎng)的拓?fù)浞治隹偨Y(jié)了信息缺失修正方法,將部分信息缺失轉(zhuǎn)化為信息畸變;其次針對(duì)配網(wǎng)結(jié)構(gòu)提出了信息畸變的修正規(guī)則,并通過(guò)仿真分析了雙精英ACO算法在不同故障情況下的速度特性和收斂特性,結(jié)果顯示該算法具有優(yōu)越的定位準(zhǔn)確性、快速性以及良好的容錯(cuò)性。