CN108693771A - 一种基于多种群遗传算法的配电网故障区段定位算法 - Google Patents

Abstract

本发明公开了一种基于多种群遗传算法的配电网故障区段定位方法。包括以下步骤：1）通过二进制编码对含分布式电源的配电网络的故障电流进行编码；2）在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，建立相应的开关函数；3）根据故障电流编码和含分布式电源网络的开关函数，针对配电网故障区段定位问题，完成适应度函数的构建；4）对多种群遗传算法（MPGA）进行实现，完成种群初始化、控制参数的设定、移民算子和人工选择算子以及收敛条件的判定。本发明能准确定位配电网故障区段，适用于含分布式电源的复杂配电网络，具有一定的有效性和容错性。

Description

一种基于多种群遗传算法的配电网故障区段定位算法

技术领域

本发明属于模式识别领域，特别涉及一种基于多种群遗传算法的配电网故障区段定位方法。

背景技术

迅速地定位故障区段是配电网发生故障时及时隔离故障并恢复非故障区域供电的关键，这对缩短客户停电时间、减少停电面积和提高供电可靠性有着重要的意义。然而，传统的故障定位方法只适应于单电源的配电网络。随着能源危机的持续加剧，使得绿色环保的分布式发电技术得到快速的发展和广泛的应用。原来单电源辐射的配电网随着大量分布式电源的接入变为多电源辐射的复杂网络。这导致已有的故障区间定位方法产生误判，所设计一种适应多电源复杂网络的含分布式电源的配电网故障区段定位算法是十分必要的。

目前，基于FTU(Feeder Terminal Unit，FTU)采集的故障电流信息进行配电网故障定位方法已经有了许多相关的研究，主要的方法包括矩阵算法、蚁群算法、免疫算法、遗传算法等。矩阵算法要求故障信息的准确性很高，容错性较差，使其难以得到广泛应用。而其它智能算法，如蚁群算法、免疫算法、遗传算法虽有充分的研究，对故障信息的畸变有一定容错性，但面对多电源配电网络问题时，通过定义各馈线电流正方向来实现故障定位，这种方法只适用于简单配电网络，未考虑电源的投切的情况，不适用于含分布式电源的复杂配电网络。

发明内容

本发明的目的是提供一种基于多种群遗传算法的配电网故障区段定位方法，完成含分布式电源的复杂配电网故障区段准确定位。

为了解决上述技术问题，本发明的技术方案为：一种基于多种群遗传算法的配电网故障区段定位方法，包括以下步骤：

步骤1、通过二进制编码对含分布式电源的配电网络的故障电流进行编码；

步骤2、在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，建立相应的开关函数，即建立从开关故障电流越限情况到线路故障状态的转换关系函数；

步骤3、根据步骤1的故障电流编码和步骤2的含分布式电源网络的开关函数，针对配电网故障区段定位问题，构建适应度函数；

步骤4、对多种群遗传算法MPGA进行实现，完成种群初始化、控制参数的设定、移民算子和人工选择算子以及收敛条件的设定。

与现有技术相比，本发明的显著优点为：1)本发明提出的算法能够在含分布式电源的配电网运行过程中实时的进行快速的故障判断和故障定位，有利于分布式电源的配电网内故障的快速处理和故障隔离；2)本发明提出的故障定位算法能够在多种故障下，准确可靠的实现故障的区段定位，且不受各类非故障扰动的影响，配置灵活且具有通用性，有着良好的适应性；3)本发明构建新的开关函数，同时针对遗传算法稳定性好但存在早熟收敛的问题，提出了基于改进多种群遗传算法的含分布式电源配电网故障区段定位方法，算法参数设置简单，多种群协同及收敛条件的设置充分提高收敛效率，具有较好的容错性和稳定性；4)本发明构建新的开关函数，同时针对遗传算法稳定性好但存在早熟收敛的问题，提出了基于改进多种群遗传算法的含分布式电源配电网故障区段定位方法，算法参数设置简单，多种群协同及收敛条件的设置充分提高收敛效率，在故障定位时确定以系统电源指向用户的方向为馈线正方向，具有一定的实用性。

附图说明

图1是本发明基于多种群遗传算法的配电网故障区段定位算法流程图。

图2是本发明MPGA流程图。

图3是本发明接入三个分布式电源的配电网接线图。

图4是多种群遗传算法运行4次进化过程图。

图5是本发明标准遗传算法运行4次进化过程图。

图中：1为故障电流编码，2为建立新的开关函数，3为构建适应度函数，4为实现多种群遗传算法。

具体实施方式

本发明的一种基于多种群遗传算法的配电网故障区段定位方法，包括以下步骤：

步骤1、通过二进制编码对含分布式电源的配电网络的故障电流进行编码；具体为：以系统电源指向用户的方向为馈线正方向，当故障电流方向与正方向一致时，故障电流I_j为1；反之为-1；若没有故障电流，I_j为0。

步骤2、在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，建立相应的开关函数，即建立从开关故障电流越限情况到线路故障状态的转换关系函数；

对于单电源供电的网络，开关函数为开关函数的值只有0和1两种情况；

对于含分布式电源的网络，建立分布式电源开关函数K_DG来表示电源投切。

步骤3、根据步骤1的故障电流编码和步骤2的含分布式电源网络的开关函数，针对配电网故障区段定位问题，构建适应度函数；

所述的适应度函数为：

式中：是第j个分段开关的开关函数，正常为0，有故障电流为1；配电网中开关至系统电源方向为上游，与该方向相反的方向为下游，x_d为开关j下游第d个馈线区段的状态值，正常为0，故障为1；M₂为开关j下游馈线区段总数；“∏”代表逻辑或运算。

步骤4、对多种群遗传算法MPGA进行实现，完成种群初始化、控制参数的设定、移民算子和人工选择算子以及收敛条件的设定；从而完成定位。对多种群遗传算法MPGA进行实现，具体为：

步骤4-1、设置种群数目、初始种群个体数目、个体长度，从而完成对种群的初始化；

步骤4-2、确定交叉概率P_c和变异概率P_m这两个主要控制参数；

式中：P_co，P_mo分别为初始交叉概率和变异概率；G为种群数目；c，m为交叉、变异操作的区间长度；f_rand为产生随机数的函数；

步骤4-3、对移民算子和人工选择算子进行设置，即以源种群中的最优个体代替目标种群中的最差个体；算法终止判据是精华种群中最优个体的最少保持代数，若满足收敛条件，则结束，完成故障定位；若不满足收敛条件，则重新进行选择。

下面结合附图对本发明作进一步详细描述。

1)本发明提出了一种基于多种群遗传算法的配电网故障区段定位算法，其设计流程图如图1所示，包含了以下步骤：

步骤一、考虑方向问题，并通过二进制编码对含分布式电源的配电网络的故障电流进行编码。假定以系统电源指向用户的方向为馈线正方向，当故障电流方向与正方向一致时，故障电流I_j为1；反之为-1。若没有故障电流，I_j为0；

步骤二、在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，建立相应的开关函数，即从开关故障电流越限情况到线路故障状态的转换关系；

步骤三、根据步骤一的故障电流编码和步骤二的含分布式电源网络的开关函数，针对配电网故障区段定位问题，完成适应度函数的构建；

步骤四、对多种群遗传算法(MPGA)进行实现，首先设置种群数目、初始种群个体数目、个体长度对种群进行初始化，接着确定交叉概率P_c和变异概率P_m这两个主要控制参数，最后对移民算子和人工选择算子进行设置，算法终止判据是精华种群中最优个体的最少保持代数。

2)步骤一中，在配电网发生故障后，安装于线路上分段的各FTU可检测到故障过流，超过预先整定的故障电流定值则会将故障报警信息上传至SCADA主站系统。遗传算法通过二进制编码来表示问题和问题的解。考虑到接入分布式电源的配电网与单电源辐射状的馈线结构不同，在分布式电源接入支路上的开关流过的故障电流可能会与接入前的方向相反，故需考虑故障电流的方向问题，针对含分布式电源的配电网络的故障电流编码方法，假定以系统电源指向用户的方向为馈线正方向，则故障电流I_j为：

3)步骤二中，实现故障区段定位，即根据配电网络线路上FTU上传的各个分段开关的故障电流信息来确定具体的故障线路，这就必须建立一个从开关故障电流越限情况到线路故障状态的转换，即开关函数，反映了各个分段开关与线路区段之间的关联关系。

针对单电源供电的网络的开关函数对于单电源供电的网络，开关函数由式(2)定义，此时开关函数的值只有0和1两种情况。

式中：是第j个分段开关的开关函数，正常为0，有故障电流为1；配电网中开关至系统电源方向为上游，与该方向相反的方向为下游，x_d为开关j下游第d个馈线区段的状态值，正常为0，故障为1；M₂为开关j下游馈线区段总数；“∏”代表逻辑或运算。对于含分布式电源的网络，需对以上开关函数改进以适应多电源网络。改进开关函数时应该考虑分布式电源投切在复杂配电网中会引起多段馈线的电流方向改变，从而导致故障定位失效。针对此问题，在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，定义新的开关函数为：

式中：是第j号分段开关的开关函数，正常为0，有故障电流且故障电流方向与正方向一致时为1，有故障电流且故障电流方向与正方向相反时为-1；x_u为开关j上游第u个馈线区段的状态值，正常为0，故障为1；M₁为开关j上游馈线区段总数；x_d为开关j下游第d个馈线区段的状态值，正常为0，故障为1；M₂为开关j下游馈线区段总数；K_DGi为分布式电源开关系数，分别用来表示第j号开关下半区的第i个分布式电源是否接入配电网，若某分布式电源接入配网则对应的分布式电源系数取1，否则取0；W为分布式电源总数；

①当配电网中不含分布式电源时，即为单电源供电的网络，则K_DG＝0，式(3)则与式(2)相等，符合此时配电网故障定位应用；

②当所有分布式电源投入配电网运行时.则K_DG＝1,式(3)变为

适应含分布式电源的配电网络；

③当配电网中有部分分布式电源切断退出运行时，则对应K_DGi变为0，式(3)第三项有效，此时开关函数仍能有效判断此时故障电流情况，可适应投切情况的发生。

4)步骤三中，适应度函数对遗传算法能否得到最优解起着决定性作用。针对配电网故障区段定位问题，利用式(1)和式(3)的定义完成适应度函数的构建，适应度函数为：

式中：I_j可以由式(1)得出；可以由式(2)得出；x_i为馈线区段的状态值；ω为权系数。

当ω在[0,1]范围内取值时，该适应度函数符合故障诊断理论中的“最小集”概念，即在可能的故障诊断结果中选取故障线路数目最小的解，可避免漏判和误判。当故障诊断结果选取故障线路数目最小的解时，该适应度函数取得最大值。

5)步骤四中，如图2所示，对多种群遗传算法MPGA进行实现，借鉴生物界的进化规律(适者生存，优胜劣汰的遗传机制)，遗传算法作为一种全局优化概率搜索算法产生并发展起来，被广泛应用于机器学习、模式识别等领域。然而，随着遗传算法的广泛应用及深入研究，其问题和不足也逐渐暴露出来，最典型的则是早熟收敛问题^[8]。针对标准遗传算法(standard genetic algorithm，SGA)所存在的早熟收敛，即群体中的所有个体都趋于同一状态而停止变化的问题，多种群遗传算法(multiple population genetic algorithm，MPGA)被提出^[9]。MPGA在SGA的基础上，采用了多种群并行进化的思想，具体革新思路如下：

1)引入不同控制参数的多个种群同时进行优化搜索，实现不同的搜索目的。

2)通过移民算子对各个种群之间进行联系，实现多种群的协同进化。

3)各种群进化代的最优个体由人工选择算子进行保存，并将其作为判断算法收敛的依据。

MPGA兼顾了算法的全局搜索和局部搜索，计算结果对遗传控制参数的敏感性大大降低，收敛速度快，对克服未成熟收敛有显著的效果，适合复杂问题的优化。

MPGA实现过程的各步骤功能及参数设定方法如下：

①种群初始化。设置种群数目、初始种群个体数目、个体长度，初始种群P(t)便根据设置随机产生，同时根据信息交换模型，展开划分为各个种群：

P(t)＝{P₁(t),P₁(t),......,P₁(t)} (6)

然后根据式(3)开关函数计算各种群P_i(t)(i＝1，2，……，n)中个体的开关电流。根据FTU上传故障电流信息及适应度函数计算各个体的适应度。

②控制参数的确定。取不同的控制参数来保证各种群的差异进化，主要控制参数为交叉概率P_c和变异概率P_m，其值决定了算法全局搜索和局部搜索能力的均衡，可按下式计算：

式中：P_co，P_mo分别为初始交叉概率和变异概率；G为种群数目；c，m为交叉、变异操作的区间长度；f_rand为产生随机数的函数。经过充分研究得出P_c一般在[0.7，0.9]区间内随机产生。P_m一般在[0.001,0.05]区间内随机产生。因此式(7)可具体由下式计算：

③移民算子和人工选择算子。设置移民算子，即以源种群中的最优个体代替目标种群中的最差个体，达到多种群协同进化的目的。人工选择算子的功能是选出各种群中的最优个体，并将其放入精华种群加以保存，保证各种群产生的最优个体不被破坏和丢失。

④收敛条件。MPGA依据精华种群来决定算法终止。本文算法终止的判据是精华种群中最优个体的最少保持代数，即当最优个体保持代数超过所设置的值时，判断算法收敛。这种判据充分利用了遗传算法在进化过程中的知识积累，可适应复杂程度不同的配电网，比最大遗传代数判据更为合理，提高收敛效率。若满足收敛条件，则结束，完成故障定位；若不满足收敛条件，则重新进行选择。

通过对以上算法进行实现和仿真，可以在含分布式电源的配电网运行过程中准确地实现快速的故障判断和故障定位，有助于分布式电源的配电网内故障的快速处理和故障隔离。

下面结合实施例进行更详细的描述。

实施例

一种基于多种群遗传算法的配电网故障区段定位方法，包括以下步骤：

步骤一、考虑方向问题，并通过二进制编码对含分布式电源的配电网络的故障电流进行编码。本发明以图3所示的配电网为例进行仿真分析。图中，S为系统电源；在此配电网中接入三个分布式电源，分别是DG1(Distributed Generation,DG)、DG2、DG3；K1、K2、K3为对应DG的接入开关；黑色圆点为分段开关，由编号1～23表示；两圆点之间的线段为馈线区段，由编号(1)～(19)表示。假定以系统电源指向用户的方向为馈线正方向，当故障电流方向与正方向一致时，故障电流I_j为1；反之为-1。若没有故障电流，I_j为0；

步骤二、在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，建立相应的开关函数，即从开关故障电流越限情况到线路故障状态的转换关系，此配电网有三个分布式电源，所以开关函数式(3)中的i＝1,2,3，三个分布式电源对应的分布式电源开关系数分别为K_DG1，K_DG2，K_DG3。

步骤三、根据步骤一的故障电流编码和步骤二的含分布式电源网络的开关函数，针对配电网故障区段定位问题，完成适应度函数的构建。

式中：x_i为馈线区段的状态值；ω为是权系数，这里ω取0.5。

步骤四、对多种群遗传算法(MPGA)进行实现，完成种群初始化、控制参数的设定、移民算子和人工选择算子以及收敛条件的设定等步骤。

相关算法参数设置如下：种群数目为6，种群个体数目为10，根据配电网算例设置个体长度为19，交叉概率在[0.7，0.9]区间内随机产生，变异概率在[0.001,0.05]区间内随机产生，最优个体最少保持代数为20。

由于FTU在户外，受到天气、环境的影响，加之通信有可能出错，上传的故障信息容易发生畸变和缺失^[15]。因此，根据以上设置，分别对分布式电源是否接入配电网、不同数目故障及信息畸变等情况做故障定位仿真，来验证算法的有效性，准确性和容错性，具体结果如表1所示。

由表1得知，在不同情况下，故障定位程序输出的故障区段都与预先设定的故障情况一致。由仿真得知，算法可动态适应分布式电源投切，有效性较好。同时，算法对单重故障和多重故障都能准确判断，而且当FTU上传信息发生畸变时，程序依然能够得出正确的定位结果，表明算法的准确性和有较好的容错性。

表1故障定位仿真结果

为了验证多种群遗传算法较标准遗传算法的优越性，本文针对表1的第6种故障情况，分别对两种算法做仿真对比。MPGA运行4次的具体进化过程如图4所示，SGA运行4次的具体进化过程如图5所示。

由图4得知，多种群遗传算法运行4次的结果完全一致，且迭代次数较小，平均在13次，基本没有陷入局部最优，说明MPGA算法稳定性好，且收敛速度快，适合用于含分布式电源配电网的多重故障定位。而从图5可以看出，尽管迭代次数在300次时，标准遗传算法运行4次得到的优化结果仍不完全相同，说明最优解还有上升的可能，且算法多次陷入局部最优，说明SGA算法稳定性较差，存在早熟收敛的情况，难以适应含分布式电源配电网的多重故障定位。

Claims (5)

1.一种基于多种群遗传算法的配电网故障区段定位方法，其特征在于，包括以下步骤：

步骤1、通过二进制编码对含分布式电源的配电网络的故障电流进行编码；

步骤2、在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，建立相应的开关函数，即建立从开关故障电流越限情况到线路故障状态的转换关系函数；

步骤3、根据步骤1的故障电流编码和步骤2的含分布式电源网络的开关函数，针对配电网故障区段定位问题，构建适应度函数；

步骤4、对多种群遗传算法MPGA进行实现，完成种群初始化、控制参数的设定、移民算子和人工选择算子以及收敛条件的设定；从而完成定位。

2.如权利要求1所述基于多种群遗传算法的配电网故障区段定位方法，其特征在于，步骤1中通过二进制编码对含分布式电源的配电网络的故障电流进行编码具体为：以系统电源指向用户的方向为馈线正方向，当故障电流方向与正方向一致时，故障电流I_j为1；反之为-1；若没有故障电流，I_j为0。

3.如权利要求1所述基于多种群遗传算法的配电网故障区段定位方法，其特征在于，步骤2中，对于单电源供电的网络，开关函数为开关函数的值只有0和1两种情况；

对于含分布式电源的网络，建立分布式电源开关函数K_DG来表示电源投切。

4.如权利要求1所述基于多种群遗传算法的配电网故障区段定位方法，其特征在于，步骤3中所述的适应度函数为：

式中：是第j个分段开关的开关函数，正常为0，有故障电流为1；配电网中开关至系统电源方向为上游，与该方向相反的方向为下游，x_d为开关j下游第d个馈线区段的状态值，正常为0，故障为1；M₂为开关j下游馈线区段总数；“∏”代表逻辑或运算。

5.如权利要求1所述基于多种群遗传算法的配电网故障区段定位方法，其特征在于，步骤4中对多种群遗传算法MPGA进行实现，具体为：

步骤4-1、设置种群数目、初始种群个体数目、个体长度，从而完成对种群的初始化；

步骤4-2、确定交叉概率P_c和变异概率P_m这两个主要控制参数；

式中：P_co，P_mo分别为初始交叉概率和变异概率；G为种群数目；c，m为交叉、变异操作的区间长度；f_rand为产生随机数的函数；

步骤4-3、对移民算子和人工选择算子进行设置，即以源种群中的最优个体代替目标种群中的最差个体；算法终止判据是精华种群中最优个体的最少保持代数，若满足收敛条件，则结束，完成故障定位；若不满足收敛条件，则重新进行选择。