CN112557811A - 一种基于改进遗传算法的含分布式电源配电网故障定位 - Google Patents

Abstract

本发明涉及一种基于改进遗传算法的含分布式电源配电网故障定位方法，本发明的目的是采用改进遗传算法提高故障点的定位速度和定位准确度。其方法包括：建立配电网故障定位数学模型，建立线路的运行状态和配电开关状态之间的联系函数，建立评价函数来评估目标值的适应度，在传统的遗传算法产生初始种群中进行改进，分为N个(基于配电网络节点个数确定)不同的种群，用单点交叉取代传统的个体交叉，使得每个种群中的个体都分别代表不同的故障类型，通过算例仿真跟传统的算法进行对比。本发明通过改进遗传算法的初始种群，提出单体交叉，能够减少多余的种群搜索，更快的确定故障种群，提高故障点的搜索速度。

Description

一种基于改进遗传算法的含分布式电源配电网故障定位

技术领域

本发明属于配电网的故障定位领域，涉及一种基于改进遗传算法的分布式电源配电网故障定位技术。

背景技术

目前，随着人们对电能质量的要求不断提高，配电网的发展也越来越向稳定、节能、环保方向发展。各类分布式电源大量接入配电网，使得传统的辐射状网络变成含有中小型电源的多电源网络，这也给配电网的故障定位带来困难。

目前，针对电力系统故障诊断的方法较多，主要有：(1)矩阵算法，它是一种简单直观的方法，计算速度快，但在应对信息畸变的情况时容易出错，由于馈线终端单元(FeederTerminal Unit，FTU)多安装在自然环境比较恶劣的户外，上传的信息容易发生丢失和畸变，所以该算法的应用效果并不理想。(2)蚁群算法、粒子群算法、神经网络算法等虽然具有较好的容错性，但随着配电网的结构越来越复杂，在故障定位时过程繁琐，需要大量的信息处理和数据运算，不能快速的进行故障诊断定位。

跟上述几种方法相比较，基于改进的遗传算法，将传统的种群改进为每一种群代表一种故障类型，能够在搜索范围缩小的情况下，能够快速的对常发生的少重故障进行定位，使得算法效率更高。

发明内容

本发明的目的是对遗传算法中全局搜索范围太广，搜索速率慢进行改进，提出一种能够减少多余搜索步骤，更加快速，全面，准确地进行故障定位。

为解决上述技术问题，本发明采用的技术方案是：该基于改进遗传算法的分布式电源配电网故障定位技术，具体包括以下步骤，相关流程图参见图1：

(1)建立配电网故障定位数学函数模型，对配电网中线路的检测装置检测到的故障电流进行编码；

(2)对遗传算法中生成初始种群进行改进，依次生成不同的种群，使不同的种群分别代表不同的故障；

(3)建立一个能够把当前线路的运行状况和配电开关状态相互联系的函数，来反映开关故障电流越限信息与线路状态的关系，同时兼顾分布式并入的影响；

(4)将遗传算法中的个体交叉替换成单体交叉，能够确保每一种群所代表的不同故障不变的情况下，扩大个体的多样性，同时对同一种群中的个体进行选择和淘汰；

(5)建立一个能够反映所测故障点准确度的函数，即适应度函数，适应度越大说明所得到的故障点越准确。

本发明提出的基于改进遗传算法的含分布式电源配电网故障定位，其内容包括对遗传算法的种群进行改进，分为N个(基于配电网络节点个数确定)不同的种群，使得每个种群中的个体都分别代表不同的故障类型。对遗传算法中的个体交叉进行改进，把个体交叉替换成单体交叉以确保不同种群的不同故障类型不变，同时提高算法对配电网故障定位诊断的效率，提高准确度。

附图说明

下面结合附图和本发明的实施方式进一步详细说明：

图1为基于聚类和关联规则挖掘的电力通信网风险评估系统的流程示意图

图2为配电网结构图

图3为无畸变情况下实验仿真图

图4为有畸变情况下实验仿真图

具体实施方式

下面结合实施实例对本发明做进一步详细阐述：

一种基于改进遗传算法的含分布式电源配电网故障定位方法，包括以下步骤：

步骤1、建立配电网故障定位数学函数模型，对配电网中线路的检测装置检测到的故障电流进行编码。

所述步骤1的具体步骤包括：

配电网故障区间定位的问题实质上可以描述成一个离散约束条件下的最优化问题，在含分布式电源配电网中，传统的二元故障状态编码方式不再适用，配电网的分布式电源的接入导致系统与DG之间配电网结构图间的电流方向无法确定，故引入三元编码形式，用I_j表示第j个开关的状态：编码为1表示有故障电流流过且与正方形相同；编码为0表示无故障电流流过；编码为-1表示有故障电流流过且与正方向相反。其编码方式如下：

配电网联络结构图如图2所示，假设配电网线路4，8，12故障，DG1，DG3,DG4为1，DG2为0。遗传算法的基因长度为12，则根据编码规则，FTU上传的信息为[1111-11110-111]

步骤2、对遗传算法中生成初始种群进行改进，依次生成不同的种群，使不同的种群分别代表不同的故障。

所述步骤2的具体步骤包括：

遗传算法中初始种群的生成是随机生成的，其中包含着所有故障种群，当配电网发生单重故障时，算法对初始种群进行筛选，会消耗大量的时间处理单重故障以外的种群个体，本发明对遗传算法中初始种群的改进在于以故障类型来生成不同的种群，如单重故障对应的初始种群为[a₁a₂a₃a₄...a_i](其中i为配电网联络结构图中区段的个数)单重故障时，生成的初始种群中a₁a₂a₃a₄...a_i中有且只有一位a_k(k∈[1,i])为1，其余全为0。双重故障对应的初始种群为[a₁a₂a₃a₄...a_i](其中i为配电网联络结构图中区段的个数)，生成的初始种群中a₁a₂a₃a₄...a_i中有且只有两位a_k、a_j(k∈[1,i]、j∈[1,i]其中k≠j)为1，其余全为0。最多只能生成i个种群，在算法运行时根据故障个数生成相应的种群。

步骤3、建立一个能够把当前线路的运行状况和配电开关状态相互联系的函数，来反映开关故障电流越限信息与线路状态的关系，同时兼顾分布式并入的影响。

所述步骤3的具体步骤包括：

在含DG配电网运行中如果发生故障时，这一时刻的开关电流信号由FTU返回到SCADA系统中，并且由系统做出分析。但此时得到的是开关电流的信息而不是故障线路的信息。故需要建立一个由故障线路信息到开关电流信息的转换，在含有DG的配电网中，开关的过流不止与一个电源有关。在含有DG的配电网开关函数如下式所示：

I_j ^*(s)＝I_ju(s)-I_jd(s)

式中，I_j ^*(s)表示节点j的开关函数；I_ju(s)、I_jd(s)分别表示节点j的上游开关函数和下游开关函数；s_j,su、s_j,sd分别表示节点j到上游电源s_u、节点j到下游电源s_d之间区段的状态，s_u和s_d包括主电源S、分布式电源DG、感性负荷L三种类型。M′、N′分别为上游电源的个数和下游电源个数；s_j,d、s_j,u分别表示节点j所有下游区段的状态、节点j所有上游区段的状态；M、N分别为上游所有区段的个数和下游所有区段的个数；Π表示逻辑或；Ku、Kd分别为上游和下游的电源系数，电源接入时为1，电源不接时为0。

步骤4、将遗传算法中的个体交叉替换成单体交叉，能够确保每一种群所代表的不同故障不变的情况下，扩大个体的多样性，同时对同一种群中的个体进行选择和淘汰。

所述步骤4的具体步骤包括：

对个体交叉进行改进，使用单体交叉在确保各种群所代表的各重故障不变的情况下增加种群中个体的多样性。在进行适应度函数的评估下，在选择最优解时能够更小的进行种群中个体基因的变动，从而更快地获得最优解。以图2配电网结构为例，生成三重故障种群时，其中某一个体为001010100000时，如果进行个体交叉，与另一个体001100100000进行交叉时，生成新的个体为001110100000，此个体不再是三重故障的个体。当使用单体交叉时，生成三重故障种群时，其中某一个体也为001010100000时，进行单体交叉时，随机选择其中某一位进行交叉，如第三位和第四位进行交叉，交叉后的个体为000110100000，仍为三重故障种群的个体，其种类不变。

步骤5、建立一个能够反映所测故障点准确度的函数，即适应度函数，适应度越大说明所得到的故障点越准确。

所述步骤5的具体步骤包括：

适应度函数对遗传算法得到最优解起到关键作用，在配电网故障定位中不同的适应度函数会有不同的结果，同时在容错能力上也有不同。即在一种故障状态下，当取得最优解时，那这一组线路状态所对应的适应度值最大。适应度函数为：

式中：N是一个远大于开关个数的正整数，将适应度值转化成最大值问题，P是开关函数的个数，Q是配电网线路的数目，

为防止误判漏判附加项，为了防止以恶搞最优解对应多个解的情况。一般ω在[0,1]范围中取值，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。

为了验证此基于改进遗传算法的含分布式电源配电网故障定位的合理性和有效性，以图2所示的配电网结构作为算例，下面假设馈线区段在4,(4,7),(4,8,12)处分别发生了短路故障，利用FTU上传的信息输入目标函数，算法参数设置如下：DG1，DG3,DG4为1，DG2为0。设置种群数量为60，基因长度为12，最大迭代次数为50。利用此算法进行运算，图3为无畸变情况下实验仿真结果，图4为有畸变情况下实验仿真结果。分别进行20次仿真实验，结果如下：

由实验结果可知，基于改进遗传算法的含分布式电源配电网故障定位方法对于配电网发生单重故障、多重故障以及FTU信号畸变时都能够快速的进行故障定位，由实验仿真结果可知，特别是对于少重故障的配电网故障定位，本方法能够极大的提高算法的准确率和容错性。

Claims (6)

1.一种基于改进遗传算法的含分布式电源配电网故障定位，其特征在于，具体包括以下步骤：

(1)在配电网中对馈线终端单元监测点进行编码；

(2)对遗传算法中生成初始种群进行改进，使不同的种群分别代表不同的故障；

(3)建立一个由故障线路信息到开关电流信息的转换的函数，即开关函数；

(4)将遗传算法中的个体交叉替换成单体交叉，能够确保每一种群所代表的不同故障不变的情况下，同一种群中的个体进行选择和淘汰；

(5)建立一个能够反映所测故障点准确度的函数，即适应度函数，适应度越大说明所得到的故障点越准确。

2.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位，其特征在于，所述步骤(1)中配电网的分布式电源的接入导致系统与DG之间配电网结构图间的电流方向无法确定，用I_j表示第j个开关的状态：编码为1表示有故障电流流过且与正方形相同；编码为0表示无故障电流流过；编码为-1表示有故障电流流过且与正方向相反。其编码方式如下：

。

3.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位，其特征在于，所述步骤(2)中对遗传算法生成初始种群进行改进，使之前包括所有故障可能的种群改变成若干个(个数取决于基因长度)种群，使每一个种群代表着不同重数的故障，诊断时能够排除不必要的种群，快速的诊断出故障区段。

4.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位，其特征在于，所述步骤(3)中开关函数的构建能够将故障线路信息和开关电流信息进行转换，反映开关故障电流越限信息与线路状态的关系，同时能够引入分布式电源的接入。开关函数为：

I_j ^*(s)＝I_ju(s)-I_jd(s)

式中，I_j ^*(s)表示节点j的开关函数；I_ju(s)、I_jd(s)分别表示节点j的上游开关函数和下游开关函数；s_j,su、s_j,sd分别表示节点j到上游电源s_u、节点j到下游电源s_d之间区段的状态，s_u和s_d包括主电源S、分布式电源DG、感性负荷L三种类型。M′、N′分别为上游电源的个数和下游电源个数；s_j,d、s_j,u分别表示节点j所有下游区段的状态、节点j所有上游区段的状态；M、N分别为上游所有区段的个数和下游所有区段的个数；Π表示逻辑或；Ku、Kd分别为上游和下游的电源系数，电源接入时为1，电源不接时为0。

5.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位，其特征在于，所述步骤(4)中对个体交叉进行改进，使用单体交叉在确保各种群所代表的各重故障不变的情况下增加种群中个体的多样性。在进行适应度函数的评估下，在选择最优解时能够更小的进行种群中个体基因的变动，从而更快地获得最优解。

6.根据权利要求1所述的基于改进遗传算法的含分布式电源配电网故障定位，其特征在于，所述步骤(5)中适应度函数对遗传算法得到最优解起到关键作用，在配电网故障定位中不同的适应度函数会有不同的结果，同时在容错能力上也有不同。即在一种故障状态下，当取得最优解时，那这一组线路状态所对应的适应度值最大。适应度函数为：

式中：N是一个远大于开关个数的正整数，将适应度值转化成最大值问题，P是开关函数的个数，Q是配电网线路的数目，

为防止误判漏判附加项，为了防止以恶搞最优解对应多个解的情况。一般ω在[0,1]范围中取值，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。

Images