CN110554280A - 基于层级模型和改进灰狼优化算法的配电网故障定位方法 - Google Patents

Abstract

本发明涉及一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，本发明首先在确定编码规则前提下，构造了能够适应多分布式电源接入的开关函数。然后根据发生故障后开关函数值的特点，建立配电网的层级模型，并据此建立相应的评价函数。再针对灰狼优化算法收敛速度较慢的问题，结合故障定位模型，在基本二进制灰狼优化算法位置更新公式中引入了交叉和变异操作，提高了算法的收敛速度和寻优精度。最后将层级模型的建立和改进后的灰狼优化算法应用于含分布式电源的配电网故障区段定位中。本发明采用的层级模型和改进的灰狼算法能够快速、准确的实现配电网故障区段定位，并且具有一定的容错性，适用于复杂的含分布式电源的配电网故障定位。

Description

基于层级模型和改进灰狼优化算法的配电网故障定位方法

技术领域

本发明涉及含分布式电源的配电网技术领域，尤其是涉及一种基于层级模型和改进灰狼优化算法的配电网故障定位方法。

背景技术

配电网的供电可靠性随着智能电网的发展得到了不断地提高，应用于传统配电网的故障定位研究也已经比较成熟。但近年来随着太阳能、风能等新型分布式电源大量接入配电网，使传统单电源辐射网变成复杂的多电源网络，传统的故障区段定位方法已不再适用。

为了保证配电网的可靠性，尽可能减小线路故障对用户生产生活的影响，必须迅速准确地找出故障区段并采取措施及时排除故障。随着馈线终端单元在配电网中的应用，利用其上传的故障信息进行故障区段定位得到了广泛的研究。

发明内容

本发明的目的就是为了解决分布式电源广泛接入配电网后传统故障定位方法不再适用的问题，而提供一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，本发明层级模型的建立和改进灰狼算法的应用，能够快速、准确的实现配电网故障区段定位。

本发明的目的可以通过以下技术方案来实现：

一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，该方法包括以下步骤：

步骤1：针对含有分布式电源的配电网设定故障时对应的编码规则；

步骤2：根据编码规则建立适应分布式电源接入的开关函数；

步骤3：根据开关函数得到的等效依据建立配电网的层级模型及相应的评价函数；

步骤4：结合配电网的层级模型及相应的评价函数，并通过引入交叉操作和变异操作改进灰狼优化算法；

步骤5：利用经过改进后的灰狼优化算法针对含有分布式电源的配电网进行故障区段定位。

进一步地，所述的步骤1中的编码规则具体包括：规定以电网电源指向用户的方向为正方向，若FTU检测到开关j的故障电流方向与规定正方向一致，则开关状态I_j为1，若与正方向相反，则开关状态I_j为-1，当FTU未检测到故障电流时，则开关状态I_j为0，并以开关j为分界点，将所述配电网分为包含分布式电源，称为开关j的上半区和所述配电网剩余部分，称为开关j的下半区的两部分。

进一步地，所述步骤2中的开关函数，其描述公式为：

式中，Π表示逻辑或运算，和分别表示第j个开关上、下半区线路的开关函数，表示第j个开关的开关函数，N₁和N₂分别表示上、下半区馈线区段总数，M₁和M₂分别表示开关j的上、下半区电源总数，x_jd和x_ju分别表示开关j到下、上半区馈线区段状态值，K_u和K_d分别表示开关j上、下半区电源投切系数，若电源投入运行则取1，反之为0，和分别表示从第j号开关到上半区电源、下半区电源路径上所经过的馈线区段状态值。

进一步地，所述步骤3中的层级模型为通过将每个区域对外等效成一个二端口网络，并根据建立的等效端口将复杂配电网等效简化所形成的层级模型。

进一步地，所述步骤3中的评价函数为：

式中，Fit(x)表示评价函数，I_j表示FTU上传的第j个开关的故障电流信息，表示第j个开关的开关函数，J表示配电网中的开关总数，K表示配电网中的馈线区段总数，μ表示权重系数，x(k)表示第k段线路的故障状态，发生故障时取1，反之为0。

进一步地，所述步骤4中的灰狼优化算法的位置更新公式为：

式中，sigmoid表示转换函数，x_d(t+1)表示灰狼在d维中经过t次迭代后更新的位置，rand表示[0,1]内均匀分布的随机数，X₁、X₂和X₃表示灰狼优化算法中三种狼各自的位置向量。

进一步地，所述步骤4中的交叉操作，其描述公式为：

C_l＝0.3×F_i,best

式中，表示第i只灰狼的第d维的位置，表示第l只灰狼的第d维的位置，l为[1,2,..,G]中的随机数，表示第i只灰狼的第d维的[0,1]内均匀分布的随机数，C_l表示交叉概率，F_i表示第i只灰狼的适应度值，F_worst和F_best分别表示当前迭代的最差适应度和最优适应度值。

进一步地，所述步骤4中的变异操作，其描述公式为：

η＝0.06×F_i,best

式中，表示经过交叉操作后的第i只灰狼的第d维的位置，x_gbest,d表示到当前为止的整个迭代过程中d维的最优个体，q₁和q₂为[1,2,..,G]中的随机数，r₃为[0,1]之间的随机数，η表示变异概率。

进一步地，所述步骤5具体包括以下分步骤：

步骤51：根据配电网馈线区段的数量，设置种群规模和最大迭代次数并在搜索空间中随机生成摆动因子和收敛因子；

步骤52：在搜索空间中产生初始化种群；

步骤53：利用评价函数计算群体中每个灰狼个体的适应度值，将所有适应度值进行排序，选择并更新个体最优值，将适应度值排列前3位的灰狼个体位置粉笔记为α、β、δ；

步骤54：更新灰狼个体位置并同时进行交叉和变异操作；

步骤55：判断算法是否达到最大迭代次数，若未达到，返回步骤53，若已达迭代最大值，则输出最优解，算法结束；

步骤56：根据输出的最优解对应的故障区域定位结果，运用穷举法在该故障区域内进行搜索，得到故障区段的定位结果，若故障区段的定位结果与故障区域分定位结果不符，则返回故障区域定位，重新进行故障区域定位流程。

与现有技术相比，本发明具有以下优点：

(1)本发明首先在确定编码规则前提下，构造了能够适应多分布式电源接入的开关函数。然后根据发生故障后开关函数值的特点，建立配电网的层级模型，有效降低了问题的维度，据此建立相应的评价函数。对于含有分布式电源的配电网，线路某处发生短路故障时，电网中会出现多个方向的故障过电流，传统的编码方式不再适用。规定以电网电源指向用户的方向为正方向。根据前面的编码规则，确定每个开关的故障电流信息后，再建立一个函数表达式，反映线与开关之间的关联关系，实现开关故障电流越限信息与线路故障状态之间的转换。本发明提出的开关函数能够适应复杂的配电网模型，解决了传统的开关函数不能适用的问题。

(2)由编码规则和开关函数的构造可以得到，当一个区域发生单点或双重故障时，对其他区域的开关函数值影响不变。据此，可以将每个区域对外等效成一个二端口。本发明提出的层级模型能够有效简化复杂配电网，降低了问题求解的维度，能够快速的找到故障位置。

(3)针对灰狼优化算法收敛速度较慢的问题，结合故障定位模型，在基本二进制灰狼优化算法位置更新公式中引入了交叉和变异操作，提高了算法的收敛速度和寻优精度。本发明提出的改进二进制灰狼优化算法，能够有效地避免局部最优和加快收敛速度，能够更快更准确的定位出故障位置。

(4)本发明将层级模型的建立和改进后的灰狼优化算法应用于含分布式电源的配电网故障区段定位中，通过整合层级模型和改进二进制灰狼算法，实现含分布式电源配电网的故障定位，能够快速、准确的实现配电网故障区段定位，并且具有一定的容错性，适用于复杂的含分布式电源的配电网故障定位。

附图说明

图1为本发明中含分布式电源的复杂配电网模型结构示意图；

图2为本发明中对于含分布式电源的复杂配电网模型简化后的配电网层级模型结构示意图；

图3为本发明故障定位的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

对于含有分布式电源的配电网，线路某处发生短路故障时，电网中会出现多个方向的故障过电流，传统的编码方式不再适用。规定以电网电源指向用户的方向为正方向。规定以电网电源指向用户的方向为正方向，若FTU检测到开关j的故障电流方向与规定正方向一致，则开关状态I_j为1，若与正方向相反，则开关状态I_j为-1，当FTU未检测到故障电流时，则开关状态I_j为0，并以开关j为分界点，将所述配电网分为包含分布式电源，称为开关j的上半区和所述配电网剩余部分，称为开关j的下半区的两部分。

根据前面的编码规则，确定每个开关的故障电流信息后，再建立一个函数表达式，反映线与开关之间的关联关系，实现开关故障电流越限信息与线路故障状态之间的转换。考虑了分布式电源接入后网络拓扑结构的变化，采用适应多个电源投切的开关函数：

式中，Π表示逻辑或运算，和分别表示第j个开关上、下半区线路的开关函数，表示第j个开关的开关函数，N₁和N₂分别表示上、下半区馈线区段总数，M₁和M₂分别表示开关j的上、下半区电源总数，x_jd和x_ju分别表示开关j到下、上半区馈线区段状态值，K_u和K_d分别表示开关j上、下半区电源投切系数，若电源投入运行则取1，反之为0，和分别表示从第j号开关到上半区电源、下半区电源路径上所经过的馈线区段状态值，j为自然数。

开关函数可以看出，当一个区域发生单点或双重故障时，对其他区域的开关函数值影响不变。据此，可以将每个区域对外等效成一个二端口。根据建立的等效端口，将复杂配电网(如图1)等效为一个简化的层级模型(如图2)。

在确定开关函数之后，还需建立合适的评价函数实现故障区段定位。利用灰狼优化算法完成故障区段定位的过程就是实现故障电流信号与开关函数的最佳逼近过程。构造的评价函数为：

式中，Fit(x)表示评价函数，I_j表示FTU上传的第j个开关的故障电流信息，表示第j个开关的开关函数，J表示配电网中的开关总数，K表示配电网中的馈线区段总数，μ表示权重系数，根据故障诊断理论中“最小集”概念设置，取值为0.5，x(k)表示第k段线路的故障状态，发生故障时取1，反之为0，k为自然数。

灰狼优化算法模拟了灰狼在自然中的捕食行为和种群等级制度，用α代表种群中的头狼，β代表副首领狼，δ代表普通狼，ω代表底层狼。灰狼的种群等级在实现群体高效捕杀猎物的过程中发挥着至关重要的作用，捕食过程由α带领完成。首先，狼群以团队模式搜索、跟踪、靠近猎物；然后，从各个方位包围猎物，当包围圈足够小且完善时，狼群在α的指挥下由猎物最近的β、δ展开进攻，当猎物逃跑时，其余个体进行补给，实现群狼包围圈的跟随变换移动，从而对猎物不断实施各个方向的攻击；最终捕获猎物。

灰狼优化算法模拟了灰狼在自然中的捕食行为和种群等级制度，用α代表种群中的头狼，β代表副首领狼，δ代表普通狼，ω代表底层狼。求解优化问题时，设灰狼种群中的灰狼数目为G，第i只灰狼在d维搜索空间中的位置可表示为X_i＝(X_i1,X_i2,…,X_id)。将种群中历史最优个体记为α，次优个体记为β，第三优个体记为δ，其余个体记为ω，d为自然数。

灰狼群体按照下式进行捕猎：

式中，X_p(t)示第t次迭代时猎物的位置；X(t)表示第t次迭代时灰狼个体的位置；常数C为摆动因子；r₁和r₂为[0,1]之间的随机数；A为收敛因子；a随着迭代次数增加从2线性递减到0，n为自然数。

在狼群中，第i只灰狼通常利用α、β、δ三者的位置来判断猎物所在方位，并进行位置更新。其数学描述如下：

在解决故障区段定位问题中，故障区段状态值仅存在两种状态0或者1，因此需要将实际灰狼位置更新映射为二进制值表示。在二进制灰狼优化算法中，通过下式进行位置更新：

式中，sigmoid表示转换函数，x_d(t+1)表示灰狼在d维中经过t次迭代后更新的位置，rand表示[0,1]内均匀分布的随机数，X₁、X₂和X₃表示灰狼优化算法中三种狼各自的位置向量。

为了增加迭代过后种群个体的多样性，对它们进行二项式交叉操作。第i只灰狼的第d维的交叉操作如下式所示。

C_l＝0.3×F_i,best

式中，表示第i只灰狼的第d维的位置，表示第l只灰狼的第d维的位置，l为[1,2,..,G]中的随机数，表示第i只灰狼的第d维的[0,1]内均匀分布的随机数，C_l表示交叉概率，是动态变化的，F_i表示第i只灰狼的适应度值，F_worst和F_best分别表示当前迭代的最差适应度和最优适应度值。

通过交叉操作的相关公式，保证了当前的最优个体不会发生改变，交叉概率与相对适应度值成正比。

为了进一步提高种群的多样性，防止算法陷入局部最优，再交叉过后对灰狼个体进行变异操作，定义为：

η＝0.06×F_i,best

式中，表示经过交叉操作后的第i只灰狼的第d维的位置，x_gbest,d表示到当前为止的整个迭代过程中d维的最优个体，q₁和q₂为[1,2,..,G]中的随机数，r₃为[0,1]之间的随机数，η表示变异概率。

若当前个体比当前全局最优个体适应度值更小，则将取代当前全局最优个体。根据变异操作的相关公式，当前全局最优个体的变异概率为0，最差个体的变异概率为0.06。

本发明的整个定位流程如图3所示，具体的工作过程如下：

基本原理描述：

在对配电网进行区域划分后，可以通过FTU上传的故障信息，运用改进的灰狼算法，首先确定故障区域。在确定故障区域之后，因为区域内包含的区段数量较少，使用智能算法求解的效率较低，因此在故障区段的定位中采用穷举法。

根据划分的层级模型和FTU上传的故障电流信息，首先运用改进灰狼算法定位出故障区域，在运用穷举法在故障区域内找出故障区段。为了提高定位的准确性，将输出定位区段与区域定位结果进行比较，若一致则输出定位结果，若不一致则返回区域定位，重新完成故障定位。

具体过程：在对配电网进行区域划分后，可以通过FTU(配电开关监控终端)上传的故障信息，运用改进的灰狼算法，首先确定故障区域。然后在继续用穷举法在区域内进行故障区段定位，具体步骤如下：

(1)根据配电网馈线区段的数量，设置种群规模N，最大迭代次数Max，在搜索空间中随机生成参数A、C。

(2)在搜索空间中产生初始化种群，即随机生成N个d维个体[X₁,X₂,…,X_N]，每个个体均由0或者1组成。

(3)按评价函数公式计算群体中每个灰狼个体的适应度值，将所有适应度值进行排序，选择并更新个体最优值，适应度值排列前3位的灰狼个体位置分别记为α、β、δ。

(4)按灰狼优化算法中的数学描述公式以及位置更新公式更新灰狼个体位置，再根据交叉操作和变异操作各自对应的描述公式进行交叉和变异操作。

(5)判断算法是否达到最大迭代次数。若未达到，返回步骤(3)若已达迭代最大值,则输出最优解，算法结束。

(6)根据输出的故障区域定位结果，运用穷举法在区域内进行搜索，得到故障区段的定位结果。若区段定位结果与区域定位结果不符，则再返回区域定位，重新进行故障定位流程。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，该方法包括以下步骤：

步骤1：针对含有分布式电源的配电网设定故障时对应的编码规则；

步骤2：根据编码规则建立适应分布式电源接入的开关函数；

步骤3：根据开关函数得到的等效依据建立配电网的层级模型及相应的评价函数；

步骤4：结合配电网的层级模型及相应的评价函数，并通过引入交叉操作和变异操作改进灰狼优化算法；

步骤5：利用经过改进后的灰狼优化算法针对含有分布式电源的配电网进行故障区段定位。

2.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述的步骤1中的编码规则具体包括：规定以电网电源指向用户的方向为正方向，若FTU检测到开关j的故障电流方向与规定正方向一致，则开关状态I_j为1，若与正方向相反，则开关状态I_j为-1，当FTU未检测到故障电流时，则开关状态I_j为0，并以开关j为分界点，将所述配电网分为包含分布式电源，称为开关j的上半区和所述配电网剩余部分，称为开关j的下半区的两部分。

3.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述步骤2中的开关函数，其描述公式为：

式中，Π表示逻辑或运算，和分别表示第j个开关上、下半区线路的开关函数，表示第j个开关的开关函数，N₁和N₂分别表示上、下半区馈线区段总数，M₁和M₂分别表示开关j的上、下半区电源总数，x_jd和x_ju分别表示开关j到下、上半区馈线区段状态值，K_u和K_d分别表示开关j上、下半区电源投切系数，若电源投入运行则取1，反之为0，和分别表示从第j号开关到上半区电源、下半区电源路径上所经过的馈线区段状态值。

4.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述步骤3中的层级模型为通过将每个区域对外等效成一个二端口网络，并根据建立的等效端口将复杂配电网等效简化所形成的层级模型。

5.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述步骤3中的评价函数为：

式中，Fit(x)表示评价函数，I_j表示FTU上传的第j个开关的故障电流信息，表示第j个开关的开关函数，J表示配电网中的开关总数，K表示配电网中的馈线区段总数，μ表示权重系数，x(k)表示第k段线路的故障状态，发生故障时取1，反之为0。

6.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述步骤4中的灰狼优化算法的位置更新公式为：

式中，sigmoid表示转换函数，x_d(t+1)表示灰狼在d维中经过t次迭代后更新的位置，rand表示[0,1]内均匀分布的随机数，X₁、X₂和X₃表示灰狼优化算法中三种狼各自的位置向量。

7.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述步骤4中的交叉操作，其描述公式为：

C_l＝0.3×F_i,best

式中，表示第i只灰狼的第d维的位置，表示第l只灰狼的第d维的位置，l为[1,2,..,G]中的随机数，表示第i只灰狼的第d维的[0,1]内均匀分布的随机数，C_l表示交叉概率，F_i表示第i只灰狼的适应度值，F_worst和F_best分别表示当前迭代的最差适应度和最优适应度值。

8.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述步骤4中的变异操作，其描述公式为：

η＝0.06×F_i,best

式中，表示经过交叉操作后的第i只灰狼的第d维的位置，x_gbest,d表示到当前为止的整个迭代过程中d维的最优个体，q₁和q₂为[1,2,..,G]中的随机数，r₃为[0,1]之间的随机数，η表示变异概率。

9.根据权利要求1所述的一种基于层级模型和改进灰狼优化算法的配电网故障定位方法，其特征在于，所述步骤5具体包括以下分步骤：

步骤51：根据配电网馈线区段的数量，设置种群规模和最大迭代次数并在搜索空间中随机生成摆动因子和收敛因子；

步骤52：在搜索空间中产生初始化种群；

步骤53：利用评价函数计算群体中每个灰狼个体的适应度值，将所有适应度值进行排序，选择并更新个体最优值，将适应度值排列前3位的灰狼个体位置粉笔记为α、β、δ；

步骤54：更新灰狼个体位置并同时进行交叉和变异操作；

步骤55：判断算法是否达到最大迭代次数，若未达到，返回步骤53，若已达迭代最大值，则输出最优解，算法结束；

步骤56：根据输出的最优解对应的故障区域定位结果，运用穷举法在该故障区域内进行搜索，得到故障区段的定位结果，若故障区段的定位结果与故障区域分定位结果不符，则返回故障区域定位，重新进行故障区域定位流程。