CN111244906B - 一种基于遗传算法的微电网故障判别方法 - Google Patents

Abstract

本发明涉及一种基于遗传算法的微电网故障判别方法，包括步骤：1)检测微电网故障情况下各节点电压和各支路电流；2)初始化遗传算法。本发明的有益效果是：充分考虑了微电网故障的高随机性，提出采用遗传算法对微电网故障位置和故障类型进行迭代计算判别。对于任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连续的都可处理，能够得到有效的全局搜索结果；进行微电网的故障判别能够同时判别故障点位置和故障类型，具有更广泛的应用背景，通过对故障类型进行编号使故障类型判别数字化，具有充分的创新性；提出的微电网故障判别的计算方法不仅适用于微电网发生故障，也适用于复杂电网的故障判别，本发明具有一定的泛用性。

Description

一种基于遗传算法的微电网故障判别方法

技术领域

本发明涉及微电网故障分析技术领域，尤其包括一种基于遗传算法的微电网故障判别方法。

背景技术

采用集中发电、远距离输电和大电网互联的供电方式，存在灵活性差、局部事故易扩散等弊端。结合电网与分布式发电(Distributed Generation，DG)的智能电网能够吸引资本、降低能耗、提高电力系统的灵活性和可靠性。在过去的十几年内，以可再生能源(太阳能、风能等)和清洁燃料(天然气、氢能等)为基础的分布式发电技术获得了长足的发展。作为智能电网中关键技术之一的分布式发电具有高效、经济、灵活、环保等优点，而太阳能、风能等可再生能源具有高随机性这一主要缺点。大规模的可再生能源通过分布式发电并网运行可能会导致电网频率偏移、电压波动等电能质量问题，严重影响电网的可靠运行。

微电网是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。微电网旨在实现分布式电源的灵活、高效应用，解决数量庞大、形式多样的分布式电源并网问题。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式。目前，微电网的故障定位和隔离的方法有两类：直接算法和间接算法。直接算法包括两种：矩阵算法和过热弧搜寻法，这两种方法都是依据图论理论知识，考虑故障过流或失压分析，利用电网的拓扑结构实现故障定位。间接算法主要包括：人工神经网络，遗传算法，专家系统，模糊理论等，这些方法都是基于人工智能技术来实现故障定位。

现有的微电网故障分析方法都需要已知微电网中故障的类型和拓扑结构来推算微电网中的故障位置。对于微电网的故障分析问题，微电网的拓扑结构往往比较容易获得，而具体的故障类型则需要采用其他方法进行判别，一般通过先判别微电网故障类型、再将故障类型作为输入得到微电网的故障位置。这类方法一方面会使误差累计降低结果的准确性，另一方面则是降低了微电网故障判别的效率、影响后续的故障切除。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于遗传算法的微电网故障判别方法。

这种基于遗传算法的微电网故障判别方法，包括以下步骤：

1)检测微电网故障情况下各节点电压和各支路电流：在微电网故障发生后，利用各节点的电压传感器和各支路的电流传感器得到各节点的节点电压与各支路的支路电流；

2)初始化遗传算法，生成初始故障类型和故障位置，得到故障位置和故障类型的初始种群；

3)计算各故障位置和故障类型下的微电网电压电流：根据发电机节点电压与故障后线路阻抗，进行潮流计算得到节点电压与支路电流；

4)比较计算的电压电流与检测结果的差值：将计算的节点电压与电压传感器检测得到的节点电压作差得到各个节点电压的偏差；将计算的支路电流与电流传感器检测得到的支路电流作差得到各个支路电流的偏差；

5)根据计算的电压电流与检测结果的差值，选择最优个体：采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加后，选择最小总差值的故障类型和故障位置作为最优个体；

6)判断最优个体的电压电流与检测结果的差值是否小于预设精度ε：若最优个体的电压电流与检测结果的差值小于预设精度ε，则输出最优个体的故障位置和故障类型并结束计算；若最优个体的电压电流与检测结果的差值大于或等于预设精度ε，则以最优个体为目标输入遗传算法，生成下一代的故障类型和故障位置的初始种群，并返回执行步骤3)至步骤6)，直到最优个体的电压电流与检测结果的差值小于预设精度ε，输出最优个体的故障位置和故障类型并结束计算。

作为优选，步骤2)所述得到故障位置和故障类型的初始种群的具体方式为：

对微电网中的所有支路进行编号，编号时保证临近的线路的数值相近；将所有故障类型进行排序编号，编号时保证同类型的故障的数值相近；随机生成初始种群

其中α为故障位置，β为故障类型，上标为初始种群的代数，下标为初始种群中的个体编号，n为初始种群中的个体编号的总数。

作为优选，步骤3)所述计算各故障位置和故障类型下的微电网电压电流的具体方式为：

根据

的故障位置和故障类型得到线路的节点导纳矩阵；j为遗传算法的代数，k为一代种群中的个体编号；根据发电机节点电压、各节点的功率和节点导纳矩阵进行潮流计算，得到各个节点的节点电压和各条支路的支路电流。

作为优选，步骤5)所述采用加权系数法根据计算的电压电流与检测结果的差值，选择最优个体的具体方式为：

记微电网的节点数量为n，支路数量为m，则节点电压差值与支路电流差值的权重比应为m:n，采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加：

上式中，j为遗传算法的代数，k为一代种群中的个体编号，

为总差值，u为微电网的节点电压，N为微电网的节点编号，i为微电网的支路电流，M为微电网的支路编号，上标*代表电压或电流的检测值；

选择最小总差值

最小的

作为第j代种群中的最优个体。

作为优选，步骤6)所述以最优个体为目标生成下一代的故障类型和故障位置的初始种群的具体方式为：以最优个体为目标输入遗传算法，进行新的一轮迭代得到新的种群

上式中j为迭代前的代数，j+1为第j+1代种群，下标为种群中个体的编号，n为种群中的个体编号的总数。

本发明的有益效果是：

(1)本发明充分考虑了微电网故障的高随机性，提出采用遗传算法对微电网故障位置和故障类型进行迭代计算判别。由于遗传算法在搜索过程中不需要问题的内在性质，对于任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连续的都可处理，能够得到有效的全局搜索结果。

(2)本发明进行微电网的故障判别能够同时判别故障点位置和故障类型，具有更广泛的应用背景，通过对故障类型进行编号使故障类型判别数字化，具有充分的创新性。

(3)本发明提出的微电网故障判别的计算方法不仅适用于微电网发生故障，也适用于复杂电网的故障判别，本发明具有一定的泛用性。

附图说明

图1为本发明的计算方法流程图；

图2为一种常见微电网的拓扑示意图；

图3为微电网的故障点编号的简化方案；

图4为微电网的故障点编号的深化方案。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

本发明检测微电网故障下各节点电压和支路电流、遗传算法得到故障位置和故障类型、计算各故障位置和故障类型下的微电网电压电流、比较计算的电压电流与检测结果的差值、根据差值选择最优个体。该方法可有效解决微电网发生故障时的故障判别问题，不仅能够判别故障的类型，还可以精确定位故障发生的具体位置，从而快速排出微电网的故障。

得到故障位置和故障类型的初始种群的具体方式为：

对微电网中的所有支路进行编号，编号时保证临近的线路的数值相近；将所有故障类型进行排序编号，编号时保证同类型的故障的数值相近；随机生成初始种群

其中α为故障位置，β为故障类型，上标为初始种群的代数，下标为初始种群中的个体编号，n为初始种群中的个体编号的总数。

计算各故障位置和故障类型下的微电网电压电流的具体方式为：

根据

的故障位置和故障类型得到线路的节点导纳矩阵；j为遗传算法的代数，k为一代种群中的个体编号；根据发电机节点电压、各节点的功率和节点导纳矩阵进行潮流计算，得到各个节点的节点电压和各条支路的支路电流。

采用加权系数法根据计算的电压电流与检测结果的差值，选择最优个体的具体方式为：

记微电网的节点数量为n，支路数量为m，则节点电压差值与支路电流差值的权重比应为m:n，采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加：

上式中，j为遗传算法的代数，k为一代种群中的个体编号，

为总差值，u为微电网的节点电压，N为微电网的节点编号，i为微电网的支路电流，M为微电网的支路编号，上标*代表电压或电流的检测值；

选择最小总差值

最小的

作为第j代种群中的最优个体。

以最优个体为目标生成下一代的故障类型和故障位置的初始种群的具体方式为：以最优个体为目标输入遗传算法，进行新的一轮迭代得到新的种群

上式中j为迭代前的代数，j+1为第j+1代种群，下标为种群中个体的编号，n为种群中的个体编号的总数。

这种基于遗传算法的微电网故障判别方法，流程图如图1所示，具体包括如下步骤：

1)在微电网的故障发生时运用电压传感器检测微电网各节点的节点电压，用电流传感器检测各支路的支路电流；

2)初始化遗传算法，得到故障位置和故障类型的初始种群；

3)结合发电机节点的电压和各节点的功率采用潮流计算计算出种群中每个个体(故障位置和故障类型)的节点电压和支路电流；

4)将计算得到的每个个体的节点电压和检测得到的节点电压值作差，得到节点电压差值；将每个个体的支路电流和检测得到的支路电流值作差，得到支路电流差值；

5)采用加权系数法根据每个个体的节点电压差值和支路电流差值计算每个个体的目标函数

取最

小的个体为j代的最优个体；

6)判断目标函数

是否小于预设的精度ε，若满足

则将j代的最优个体输出，得到故障位置和故障类型并结束计算；若有

则将j代的最优个体作为j+1代的进化目标输入到遗传算法，得到j+1代的种群并回到步骤3)。

一种常见微电网的拓扑示意图如图2所示，根据拓扑可知该微电网有8个节点，其中3个为发电机节点(其中的微电网变流器可以等效为一个交流发电机节点)、3个为负荷节点，有12条支路，即n＝8，m＝12。在初始化遗传算法时需要对故障位置α与故障类型β进行编号，故障类型

的编号方案如下：三相接地短路故障为1，三相短路经高阻抗接地短路故障为2，相间接地短路故障为3，相间经高阻抗接地为4，相间短路故障为5，单相接地短路故障为6，单相经高阻抗接地故障为7，三相断路为10，两相断路为11，单相断路为12。

微电网的故障位置

编号的简化方案如图3所示，采用该方案进行编号时可以有更快的运算速度，但是应该给予更大的计算误差值ε。

微电网的故障点编号的深化方案如图4所示，图4为微电网的故障位置

编号的深化方案，在简化方案的基础上将每条支路的故障点更细的分为近送电端、中间点、远送电端，采用该方案进行编号时可以有更高的计算精度，可以选择更小的计算误差值ε，但是需要更长的运算时间。若追求更高的故障位置的计算精度，可将微电网线路上每条支路每间隔20米作一次编号，这样将得到更多的可能故障位置点。

以图4的故障点编号的深化方案为例进行分析，故障点的数量为30个，故障类型共有10种，设计每次遗传算法产生的种群个体数量为10个，因此得到的初始种群为

分别进行10次潮流计算得到每个个体的节点电压u₁、u₂、u₃、……、u₈和支路电流i₁、i₂、i₃、……、i₁₂，与检测的节点并计算每个个体的目标函数：

取

中的最小值得个体作为最优个体(举例假设

最小)，判断

和ε的大小，若

则

即为微电网的故障位置和故障类型，而若

则将

作为1代的进化目标输入到遗传算法中，通过交叉变异得到下一代

如此迭代直至得到

并输出

或者迭代次数不小于30次(即j≥30)。若j≥30仍未得到期望的结果，有以下两种可能：一是计算误差值ε取得太小，难以实现如此高的精度；二是微电网故障为复杂的故障(如两相相间短路而另一相接地短路)，在故障类型的分类中没有进行对应的编号。

Claims (5)

1.一种基于遗传算法的微电网故障判别方法，其特征在于，包括以下步骤：

1)检测微电网故障情况下各节点电压和各支路电流：在微电网故障发生后，利用各节点的电压传感器和各支路的电流传感器得到各节点的节点电压与各支路的支路电流；

2)初始化遗传算法，生成初始故障类型和故障位置，得到故障位置和故障类型的初始种群；

3)计算各故障位置和故障类型下的微电网电压电流：根据发电机节点电压与故障后线路阻抗，进行潮流计算得到节点电压与支路电流；

4)比较计算的电压电流与检测结果的差值：将计算的节点电压与电压传感器检测得到的节点电压作差得到各个节点电压的偏差；将计算的支路电流与电流传感器检测得到的支路电流作差得到各个支路电流的偏差；

5)根据计算的电压电流与检测结果的差值，选择最优个体：采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加后，选择最小总差值的故障类型和故障位置作为最优个体；

6)判断最优个体的电压电流与检测结果的差值是否小于预设精度ε：若最优个体的电压电流与检测结果的差值小于预设精度ε，则输出最优个体的故障位置和故障类型并结束计算；若最优个体的电压电流与检测结果的差值大于或等于预设精度ε，则以最优个体为目标输入遗传算法，生成下一代的故障类型和故障位置的初始种群，并返回执行步骤3)至步骤6)，直到最优个体的电压电流与检测结果的差值小于预设精度ε，输出最优个体的故障位置和故障类型并结束计算。

2.根据权利要求1所述的基于遗传算法的微电网故障判别方法，其特征在于，步骤2)所述得到故障位置和故障类型的初始种群的具体方式为：

对微电网中的所有支路进行编号，编号时保证临近的线路的数值相近；将所有故障类型进行排序编号，编号时保证同类型的故障的数值相近；随机生成初始种群

其中α为故障位置，β为故障类型，上标为初始种群的代数，下标为初始种群中的个体编号，n为初始种群中的个体编号的总数。

3.根据权利要求2所述的基于遗传算法的微电网故障判别方法，其特征在于，步骤3)所述计算各故障位置和故障类型下的微电网电压电流的具体方式为：

根据

的故障位置和故障类型得到线路的节点导纳矩阵；j为遗传算法的代数，k为一代种群中的个体编号；根据发电机节点电压、各节点的功率和节点导纳矩阵进行潮流计算，得到各个节点的节点电压和各条支路的支路电流。

4.根据权利要求3所述的基于遗传算法的微电网故障判别方法，其特征在于，步骤5)根据计算的电压电流与检测结果的差值，选择最优个体的具体方式为：

记微电网的节点数量为n，支路数量为m，则节点电压差值与支路电流差值的权重比应为m:n，采用加权计算的方案将节点电压差值的绝对值与支路电流差值的绝对值加权相加：

上式中，j为遗传算法的代数，k为一代种群中的个体编号，

为总差值，u为微电网的节点电压，N为微电网的节点编号，i为微电网的支路电流，M为微电网的支路编号，上标*代表电压或电流的检测值；

选择最小总差值

最小的

作为第j代种群中的最优个体。

5.根据权利要求4所述的基于遗传算法的微电网故障判别方法，其特征在于：步骤6)所述以最优个体为目标生成下一代的故障类型和故障位置的初始种群的具体方式为：以最优个体为目标输入遗传算法，进行新的一轮迭代得到新的种群

上式中j为迭代前的代数，j+1为第j+1代种群，下标为种群中个体的编号，n为种群中的个体编号的总数。

Images