CN115754578A - 基于自适应蚁群算法的有源配电网故障定位方法及系统 - Google Patents

Abstract

本发明公开了基于自适应蚁群算法的有源配电网故障定位方法及系统，包括：根据配电网拓扑结构，对分段开关上的故障过流信息进行编码，根据逻辑关系构造开关函数、目标函数；对参数进行初始化；对循环次数以及蚂蚁数进行累加；计算蚂蚁的转移概率，选择下一个转移节点并更新路径；直至蚁群中每只蚂蚁都转移完成，结束本次循环；计算并更新本次循环中所有路径上的信息素浓度；计算本次循环的目标函数值并进行比较；循环达到最大值时，输出全局最优解，即输出得到故障区段。本发明对基本蚁群算法进行了自适应性的改进，解决了传统蚁群算法搜索时间长和容易停滞的缺陷，具有较快的收敛速度和全局搜索能力，能够准确地对故障进行定位。

Description

基于自适应蚁群算法的有源配电网故障定位方法及系统

技术领域

本发明涉及有源配电网故障定位技术领域，更具体的，涉及一种基于自适应蚁群算法的有源配电网故障定位方法及系统。

背景技术

由于传统化石能源的紧缺和对环境破坏，以及新能源技术发展迅速，很多学者开始研究分布式电源发电。分布式电源发电不仅缓解我国资源紧缺的现状，而且供电方式灵活以及对环境友好，得到了大力的发展和广泛的运用。

但随着分布式电源大量的接入，对配网系统的结构和运行方式带来了冲击，从传统的单电源形式的辐射状网络变为多电源形式的复杂网络，导致线路变得越来越复杂，增加了有源配电网中故障发生的概率，同时也给有源配电网故障定位带来了麻烦。随着自动化技术的发展，基于人工智能算法的配电网故障定位获得越来越多的关注，使得配电网故障定位问题得到了解决，也取得了比较理想的效果，但自身具有一定的局限性，比如算法易陷入局部最优，收敛速度慢等问题，从而无法快速准确进行配电网故障定位。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于自适应蚁群算法的有源配电网故障定位方法，能够提高算法的全局搜索能力和收敛速度。

本发明采用如下的技术方案。

一种基于自适应蚁群算法的有源配电网故障定位方法，包括如下步骤：

步骤1，根据配电网拓扑结构，对分段开关节点上的故障过流信息进行状态编码，构建出馈线区段与开关状态之间逻辑关系的开关函数，并利用开关函数和状态编码建立合适的目标函数；

步骤2，初始化蚁群算法参数，设置蚁群算法的最大循环次数、蚂蚁总数、以及时刻为0时的蚂蚁数、循环次数和初始信息素浓度参数；

步骤3，对循环次数和蚂蚁数进行加1，并对时刻加1；

步骤4，，根据从节点到节点之间的路径上信息素浓度和两节点之间的距离计算每只蚂蚁的转移概率，节点a和节点b分别对应有源配电网的两个分段开关节点；

步骤5，蚂蚁根据转移概率选择下一个节点，更新转移后各路径上的信息素浓度，将蚂蚁数加1并返回步骤4，直至蚂蚁数达到蚂蚁总数，结束一次循环；

步骤6，当一次循环结束后，计算并更新此次循环中所有路径上的信息素浓度和信息素浓度增量；

步骤7，通过计算和比较各个循环中目标函数值，选出目前目标函数值最小的循环，保留该循环中的目标函数值以及所选各个节点的状态组合；

步骤8，判断循环次数是否达到最大循环次数，若不是则返回步骤3，若是则根据各循环的目标函数值输出全局最优解，并通过全局最优解，选出故障区段，对配电网故障进行精确定位。

优选地，所述步骤1中，对分段开关节点上的故障过流信息进行状态编码还包括：

将每个分段开关作为一个节点并对其进行编号，对分段开关j处FTU上传的故障过流信息进行分类，故障过流信息包括分段开关流过正向故障电流、分段开关流过负向故障电流和分段开关无故障电流三种类别；其中I_j＝1、I_j＝-1、 I_j＝0分别为分段开关j处流过正向故障电流、负向故障电流以及无故障电流；

对馈线区段是否发生故障分类，得到分段开关j下游第i个馈线区段的故障分类结果l_i；其中，馈线区段是有分段开关分成的区段，故障分类结果l_i的取值为0或1，l_i＝1表示该馈线区段有故障，l_i＝0表示该馈线区段无故障。

优选地，所述步骤1中，构建出第j个分段开关的开关函数式为：

式中：

为故障时分段开关j的期望状态向量；∪为或运算符；M₁和 M₂分别为分段开关j上游和下游馈线区段数，M₃为有源配电网中的分布式电源数数；K_s表示分段开关j下游的分布式电源情况，K_s的值为1或0，其中K_s＝1表示分段开关j下游含有分布式电源，K_s＝0表示分段开关j下游不含分布式电源。

优选地，所述步骤1中，利用开关函数和状态编码建立的目标函数F(l_i)为：

式中：l_i为馈线区段状态向量，N₁为线路开关数，I_j为分段开关j的实际状态向量，

为故障时分段开关j的期望状态向量；

为判断项，其中 N₂为馈线区段总数，ω为判断系数，其取值范围为[0-1]，ω通常取为0.5。

优选地，所述步骤4中，节点a和节点b分别对应有源配电网的两个分段开关节点，蚂蚁k从节点a到节点b的概率

为：

式中，tabu_k(k＝1,2,……,m)为蚁群算法走过的禁忌表，记录蚂蚁k走过的节点，在后续的转移过程中，蚁群不能选择禁忌表中被走过的节点；

τ_ab(t)为t时刻在路径(a,b)上的信息素浓度；

η_ab的值两节点之间的距离有关，大小为距离的倒数；

α、β分别表示信息、期望启发式因子。

优选地，所述步骤4中，t时刻的信息启发式因子α和期望启发式因子β的计算式为：

α(t)＝min{μ₁*α(t-1),α_max}

β(t)＝min{μ₂*β(t-1),β_max}

式中：μ₁和μ₂均为大于1的常数，μ₁和μ₂分别取1.05和1.1。

优选地，所述步骤4中，对t时刻在路径(a,b)上的信息素浓度τ_ab(t)进行限定，保证信息素浓度值介于此范围内，限定后的τ_ab(t)满足：

τ_min≤τ_ab(t)≤τ_max

式中：τ_min为信息素浓度的最小值，τ_max为信息素浓度的最大值。

优选地，所述步骤6中，假设经过n个时刻，蚁群完成一次循环，则此时需要对各路径上的信息素浓度和信息素浓度增量进行更新和调整，其更新后的公式如下：

τ_ab(t+n)＝(1-ρ)*τ_ab(t)+Δτ_ab(t,t+n)

式中：τ_ab(t+n)为t+n时刻蚁群在路径(a,b)上所留的信息素浓度；

为本次循环蚂蚁k在路径(a,b)上所留的信息素浓度增量；

Δτ_ab(t,t+n)为本次循环蚁群在路径(a,b)上所留的信息素浓度增量；

ρ为信息素挥发因子，其中0＜ρ＜1；

Q为信息素浓度总量，其值为150；

L_k为蚂蚁k在本次循环所走过的路径长度。

优选地，所述步骤5中，对ρ进行自适应调整，其调整后的公式如下：

ρ(t)＝min{σ*ρ(t-1),ρ_max}

式中：σ为大于1的常数，σ取1.05。

优选地，所述步骤8还包括：

目标函数值的最小值即对应全局最优解，根据最小目标函数值对应的循环，保留其各个分段开关节点的状态以及各个馈线区段的状态，即得到有源配电网的故障区段，从而实现有源配电网的故障定位。

本发明还提供了一种基于自适应蚁群算法的有源配电网故障定位系统，包括，编码模块、参数设置模块、计算模块和故障定位模块；

其中，编码模块能够根据配电网拓扑结构，对分段开关节点上的故障过流信息进行编码；

参数设置模块用于对蚁群算法的参数进行初始化设置；

计算模块能够根据蚁群算法进行各参数和函数的计算和循环；

故障定位模块用于根据计算模块的结果获取全局最优解，并选出故障区段，对配电网故障进行精确定位。

本发明的有益效果在于，与现有技术相比，本发明提出的基于自适应蚁群算法的有源配电网故障定位方法，通过对参数进行自适应性调整改进，改进过后的算法全局搜索能力和收敛速度得到了改善，能够快速准确实现配电网故障区段定位。

附图说明

图1是本发明基于自适应蚁群算法的有源配电网故障定位方法的应用过程示意图；

图2是本发明基于自适应蚁群算法的有源配电网故障定位方法的整体流程示意图；

图3是本发明中有源配电网网络拓扑结构示意图；

图4是本发明基于自适应蚁群算法的有源配电网故障定位系统的整体结构示意图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1所示，本发明提供了一种基于自适应蚁群算法的有源配电网故障定位方法，该方法具体包括以下步骤：

步骤1，根据配电网拓扑结构，对分段开关节点上的故障过流信息进行状态编码，构建出馈线区段与开关状态之间逻辑关系的开关函数，并利用开关函数和状态编码建立合适的目标函数；

有源配电网即分布式电源配电网，且有源配电网的每个分段开关都装有FTU(Feeder Terminal Unit，馈线终端装置)，具体的，对有源配电网的分段开关节点上的故障过流信息进行编码还包括：

首先将每个分段开关作为一个节点并对其进行编号，如图2所示，由于分布式电源的接入，对分段开关j处FTU上传的故障过流信息进行分类，故障过流信息包括分段开关流过正向故障电流、分段开关流过负向故障电流和分段开关无故障电流三种类别。其中I_j＝1、I_j＝-1、I_j＝0分别为分段开关j处流过正向故障电流、负向故障电流以及无故障电流；

对馈线区段是否发生故障分类，得到分段开关j下游第i个馈线区段的故障分类结果l_i；其中，馈线区段是有分段开关分成的区段，故障分类结果l_i的取值为0或1，l_i＝1表示该馈线区段有故障，l_i＝0表示该馈线区段无故障。

进一步的，根据分段开关和馈线区段之间的逻辑关系，构建出第j个分段开关的开关函数式为：

式中：

为故障时分段开关j的期望状态向量；∪为或运算符；M₁和 M₂分别为分段开关j上游和下游馈线区段数，M₃为有源配电网中的分布式电源数数；K_s表示分段开关j下游的分布式电源情况，K_s的值为1或0，其中 K_s＝1表示分段开关j下游含有分布式电源，K_s＝0表示分段开关j下游不含分布式电源。

利用开关函数和状态编码建立合适的目标函数F(l_i)，其定义为：

式中：l_i为馈线区段状态向量，N₁为线路开关数，I_j为分段开关j的实际状态向量，

为故障时分段开关j的期望状态向量；

为判断项，其中 N₂为馈线区段总数，ω为判断系数，ω的取值范围为[0-1]，本发明中ω取0.5。

如图3所示，图3为有源配电网的一种拓扑结构示意图，图3中SG、DG1 和DG2分别为系统主电源和两个分布式电源，K₁-K₇为线路上的分段开关 (每个分段开关都装有FTU)，L₁-L₅为馈线区段，若l_i为1说明该区段发生故障，若l_i为0说明该区段没有发生故障。

当故障发生在区段L₂时，各分段开关的故为障过流情况为 I_i＝[-1 -1 1 0 0 -1-1]，各区段状态为l_i＝[0 1 0 0]。各开关的期望值为：

从上式可以看出故障时各开关预期状态向量

与分段开关j的实际状态向量I_j相同，因此该开关函数能够准确表达开关过流信息与馈线故障区段之间的逻辑关系，且能够满足分布式电源接入对配电网拓扑结构改变的影响。

步骤2，初始化蚁群算法参数，设置蚁群算法的最大循环次数、蚂蚁总数、以及时刻为0时的蚂蚁数、循环次数和初始信息素浓度参数；

其中，初始化蚁群算法参数包括设置蚁群最大循环次数G_max、蚂蚁总数m、蚂蚁数k、循环次数G以及初始化信息素浓度τ_ab(0)＝c，且c为一个常数。

本实施例中，优选设置最大循环次数G_max＝500、蚂蚁总数m＝15、初始化信息素浓度c＝0.1。

当时刻t＝0时，设置蚂蚁数k＝1，循环次数G＝0，τ_ab(0)＝0.1，初始化信息素浓度为t＝0时各条路径上的信息素浓度，且各条路径上的信息素浓度相同，还包含初始时刻的信息启发式因子α₀＝0.5、期望启发式因子β₀＝1以及信息素挥发因子ρ₀＝0.1。

步骤3，对循环次数G和蚂蚁数k进行加1，并对时刻t加1；

步骤4，根据从节点a到节点b之间的路径上信息素浓度和两节点之间的距离计算每只蚂蚁的转移概率，节点a和节点b分别对应有源配电网的两个分段开关节点；

具体的，蚂蚁k从节点a到节点b的转移概率

为：

式中，tabu_k(k＝1,2,……,m)为蚁群算法走过的禁忌表，记录蚂蚁k走过的节点，在后续的转移过程中，蚁群不能选择禁忌表中被走过的节点；

τ_ab(t)为t时刻在路径(a,b)上的信息素浓度；

η_ab的值两节点之间的距离有关，大小为距离的倒数；

α、β分别表示信息、期望启发式因子。

其中，本发明对信息启发式因子α和期望启发式因子β进行了调整改进，在蚁群算法搜索的初始时刻，让α、β的值尽量小一些，其目的是扩大蚁群的全局搜索范围；而在蚁群算法搜索的后期阶段，为了提高算法的收敛速度，减少解的空间，可以增大参数α、β的值，使蚁群趋向于当前搜索到的最优路径。因此通过自适应地调整α、β的值的方法来改进基本的蚁群算法的寻优性能。

改进后t时刻的信息启发式因子α和期望启发式因子β的计算式为：

α(t)＝min{μ₁*α(t-1),α_max}

β(t)＝min{μ₂*β(t-1),β_max}

式中：μ₁和μ₂均为大于1的常数，本发明中的μ₁和μ₂分别取1.05和1.1、信息启发式因子最大值α_max和期望启发式因子最大值β_max分别取2和5。

进一步的，为了改进蚁群在搜索过程中容易出现停滞现象的问题，本发明对t时刻在路径(a,b)上的信息素浓度τ_ab(t)进行限定，保证信息素浓度值介于此范围内，限定后的τ_ab(t)满足：

τ_min≤τ_ab(t)≤τ_max

式中：τ_min为信息素浓度的最小值，τ_max为信息素浓度的最大值。若τ_ab(t)≥τ_max时，则令τ_ab(t)＝τ_max；若τ_ab(t)≤τ_min时，则令τ_ab(t)＝τ_min，其中设置信息素浓度的最大值为τ_max＝10、信息素浓度最小值为τ_min＝0.1；

限制信息素浓度上限的原因是防止路径上信息素浓度过大，防止出现停滞早熟的现象，即防止陷入局部最优；在算法搜索的末期，有的路径上信息素过低而没有被蚁群搜索，而限制信息素浓度下限的原因是防止此现象的发生，以此来提高蚁群算法的全局搜索能力。

步骤5，蚂蚁k根据转移概率选择下一个节点，更新转移后各路径上的信息素浓度，将蚂蚁数k加1并返回步骤4，直至蚂蚁数k达到蚂蚁总数m，结束一次循环；

蚂蚁k依据从节点a到节点b的路径上残留的信息素浓度以及两节点之间的距离的倒数来确定转移概率的，并按照此转移概率选择下一个节点，更新转移后每条路径上的信息素浓度；

具体的，更新转移后每条路径上的信息素浓度，其包含k只蚂蚁在各条路径上所留信息浓度以及k只蚂蚁在各条路径上信息素浓度增量；其各条路径上信息素浓度增量为每只蚂蚁在各条路径所留信息浓度的累加，各条路径上所留信息素浓度为对应各条路径挥发之后所剩余信息素浓度加上对应各条路径所留信息浓度的增量。

判断蚂蚁数k是否达到蚂蚁总数m，即是否满足k＝m，若不满足则将蚂蚁数k加1并返回步骤4，若满足则表示蚁群中每只蚂蚁均完成转移，此时一次循环结束；

步骤6，当一次循环结束后，计算并更新此次循环中所有路径上的信息素浓度和信息素浓度增量；

假设经过n个时刻，蚁群完成一次循环，则此时需要对各路径上的信息素浓度和信息素浓度增量进行更新和调整，其更新后的公式如下：

τ_ab(t+n)＝(1-ρ)*τ_ab(t)+Δτ_ab(t,t+n)

式中：τ_ab(t+n)为t+n时刻蚁群在路径(a,b)上所留的信息素浓度；

为本次循环蚂蚁k在路径(a,b)上所留的信息素浓度增量；

Δτ_ab(t,t+n)为本次循环蚁群在路径(a,b)上所留的信息素浓度增量；

ρ为信息素挥发因子，其中0＜ρ＜1；

Q为信息素总量，其值为150；

L_k为蚂蚁k在本次循环所走过的路径长度。

进一步的，为了改善蚁群算法的全局搜索能力和收敛速度，本发明中对信息素挥发因子ρ随着时间t进行自适应调整，调整后的信息素挥发因子ρ计算公式如下：

ρ(t)＝min{σ*ρ(t-1),ρ_max}

式中：σ为大于1的常数，本发明取1.05，信息素挥发因子最大值ρ_max取为0.7。

通过随时间变化而自适应调整ρ，从而改善蚁群算法的全局搜索能力和收敛速度。

步骤7，通过计算和比较各个循环中目标函数值，选出当前目标函数值最小的循环，保留该循环中的目标函数值以及所选各个节点的状态组合；

具体的，计算和比较各循环中的目标函数值，在步骤5中，当一次循环结束后，根据每只蚂蚁所选路径的状态组合以及所选节点实际状态组合，通过开关函数计算各节点的期望的状态，再通过目标函数计算其值，其目标函数值的大小代表着解的优化程度，目标函数值越小说明解越优，因此选择目标函数值最小的循环，保留该循环的目标函数值以及所选各个节点的状态组合。

步骤8，判断循环次数是否达到最大循环次数，若不是则返回步骤3，若是则根据各循环的目标函数值输出全局最优解，并通过全局最优解，选出故障区段，对配电网故障进行精确定位。

具体的，所有循环中目标函数值的最小值即对应全局最优解，根据最小目标函数值对应的各个节点的状态判断配电网故障情况。

进一步的，节点状态包括分段开关处流过正向故障电流、负向故障电流以及无故障电流，依据FTU上传的故障过流信息对分段开关进行状态编码，再把各个分段开关的状态的组合作为目标函数值中的实际状态向量；其次根据各个馈线区段的故障情况，对各个馈线区段进行编码，通过开关函数计算得到每个分段开关的状态，这些分段开关状态的组合作为目标函数中的期望状态向量；

将故障定位过程转化为蚁群算法，算法中的路径对应故障区段，即蚂蚁根据路径(故障区段)上信息素的强弱，对每个路径(故障区段)的状态进行选择，蚁群所选所有路径(故障区段)状态的组合作为一个可行解，再根据开关函数计算每个节点状态(分段开关状态)，这些节点状态(分段开关状态)的组合作为预设解，蚂蚁再根据转移概率进行选择各节点状态(分段开关状态)，所选这些节点状态(分段开关状态)的组合作为实际解；

再计算其目标函数值，根据目标函数值的大小，选出目标函数值最小的循环，保留其各个分段开关节点的状态以及各个馈线区段的状态，即得到有源配电网的故障区段，从而实现有源配电网的故障定位。

如图4所示，本发明还提供了一种基于自适应蚁群算法的有源配电网故障定位系统，上述基于自适应蚁群算法的有源配电网故障定位方法能够通过该系统实现，具体的，该系统包括编码模块、参数设置模块、计算模块和故障定位模块；

其中，编码模块能够根据配电网拓扑结构，对分段开关节点上的故障过流信息进行编码；

参数设置模块用于对蚁群算法的参数进行初始化设置；

计算模块能够根据蚁群算法进行各参数和函数的计算和循环；

故障定位模块用于根据计算模块的结果获取全局最优解，并选出故障区段，对配电网故障进行精确定位。

本发明的有益效果在于，与现有技术相比，本发明提出的基于自适应蚁群算法的有源配电网故障定位方法，通过对参数进行自适应性调整改进，改进过后的算法全局搜索能力和收敛速度得到了改善，能够快速准确实现配电网故障区段定位。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (11)

1.基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，包括如下步骤：

步骤1，根据配电网拓扑结构，对分段开关节点上的故障过流信息进行状态编码，构建出馈线区段与分段开关状态之间逻辑关系的开关函数，并利用开关函数和状态编码建立目标函数；

步骤2，初始化蚁群算法参数，设置蚁群算法的最大循环次数、蚂蚁总数、以及时刻为0时的蚂蚁数、循环次数和初始信息素浓度参数；

步骤3，对循环次数和蚂蚁数进行加1，并对时刻加1；

步骤4，根据从节点a到节点b之间的路径上信息素浓度和两节点之间的距离计算每只蚂蚁的转移概率，节点a和节点b分别对应有源配电网的两个分段开关节点；

步骤5，蚂蚁根据转移概率选择下一个节点，更新转移后各路径上的信息素浓度，将蚂蚁数加1并返回步骤4，直至蚂蚁数达到蚂蚁总数，结束一次循环；

步骤6，当一次循环结束后，计算并更新此次循环中所有路径上的信息素浓度和信息素浓度增量；

步骤7，通过计算和比较各个循环中目标函数值，选出目前目标函数值最小的循环，保留该循环中的目标函数值以及所选各个节点的状态组合；

步骤8，判断循环次数是否达到最大循环次数，若不是则返回步骤3，若是则根据各循环的目标函数值输出全局最优解，并通过全局最优解，选出故障区段，对配电网故障进行精确定位。

2.根据权利要求1所述的基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，

所述步骤1中，对分段开关节点上的故障过流信息进行状态编码还包括：

将每个分段开关作为一个节点并对其进行编号，对分段开关j处FTU上传的故障过流信息进行分类，故障过流信息包括分段开关流过正向故障电流、分段开关流过负向故障电流和分段开关无故障电流三种类别；其中I_j＝1、I_j＝-1、I_j＝0分别为分段开关j处流过正向故障电流、负向故障电流以及无故障电流；

对馈线区段是否发生故障分类，得到分段开关j下游第i个馈线区段的故障分类结果l_i；其中，馈线区段是由分段开关分成的区段，故障分类结果l_i的取值为0或1，l_i＝1表示该馈线区段有故障，l_i＝0表示该馈线区段无故障。

3.根据权利要求2所述的基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，

所述步骤1中，构建出第j个分段开关的开关函数式为：

式中：

为故障时分段开关j的期望状态向量；∪为或运算符；M₁和M₂分别为分段开关j上游和下游馈线区段数，M₃为有源配电网中的分布式电源数数；K_s表示分段开关j下游的分布式电源情况，K_s的值为1或0，其中K_s＝1表示分段开关j下游含有分布式电源，K_s＝0表示分段开关j下游不含分布式电源。

4.根据权利要求3所述的基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，

所述步骤1中，利用开关函数和状态编码建立的目标函数F(l_i)为：

式中：l_i为馈线区段状态向量，N₁为线路开关数，I_j为分段开关j的实际状态向量，

为故障时分段开关j的期望状态向量；

为判断项，其中N₂为馈线区段总数，ω为判断系数，其取值范围为[0-1]，ω的通常取为0.5。

5.根据权利要求1所述的基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，

所述步骤4中，节点a和节点b分别对应有源配电网的两个分段开关节点，蚂蚁k从节点a到节点b的概率

为：

式中，tabu_k(k＝1,2,……,m)为蚁群算法走过的禁忌表，记录蚂蚁k走过的节点，在后续的转移过程中，蚁群不能选择禁忌表中被走过的节点；

τ_ab(t)为t时刻在路径(a,b)上的信息素浓度；

η_ab的值两节点之间的距离有关，大小为距离的倒数；

α、β分别表示信息、期望启发式因子。

6.根据权利要求5所述的基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，

所述步骤4中，t时刻的信息启发式因子α和期望启发式因子β的计算式为：

α(t)＝min{μ₁*α(t-1),α_max}

β(t)＝min{μ₂*β(t-1),β_max}

式中：μ₁和μ₂均为大于1的常数，μ₁和μ₂分别取1.05和1.1。

7.根据权利要求5所述的基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，

所述步骤4中，对t时刻在路径(a,b)上的信息素浓度τ_ab(t)进行限定，保证信息素浓度值介于此范围内，限定后的τ_ab(t)满足：

τ_min≤τ_ab(t)≤τ_max

式中：τ_min为信息素浓度的最小值，τ_max为信息素浓度的最大值。

8.根据权利要求1所述的基于自适应蚁群算法的有源配电网故障定位方法，其特征在于，

所述步骤6中，假设经过n个时刻，蚁群完成一次循环，则此时需要对各路径上的信息素浓度和信息素浓度增量进行更新和调整，其更新后的公式如下：

τ_ab(t+n)＝(1-ρ)*τ_ab(t)+Δτ_ab(t,t+n)

式中：τ_ab(t+n)为t+n时刻蚁群在路径(a,b)上所留的信息素浓度；

为本次循环蚂蚁k在路径(a,b)上所留的信息素浓度增量；

Δτ_ab(t,t+n)为本次循环蚁群在路径(a,b)上所留的信息素浓度增量；

ρ为信息素挥发因子，其中0＜ρ＜1；

Q为信息素浓度总量，其值为150；

L_k为蚂蚁k在本次循环所走过的路径长度。

9.根据权利要求8所述的基于自适应蚁群算法的有源配电网故障定位系统，其特征在于，

所述步骤6中，对ρ进行自适应调整，其调整后的公式如下：

ρ(t)＝min{σ*ρ(t-1),ρ_max}

式中：σ为大于1的常数，σ取1.05。

10.根据权利要求1所述的基于自适应蚁群算法的有源配电网故障定位系统，其特征在于，

所述步骤8还包括：

目标函数值的最小值即对应全局最优解，根据最小目标函数值对应的循环，保留其各个分段开关节点的状态以及各个馈线区段的状态，即得到有源配电网的故障区段，从而实现有源配电网的故障定位。

11.一种实现权利要求1～10任意一项所述基于自适应蚁群算法的有源配电网故障定位方法的基于自适应蚁群算法的有源配电网故障定位系统，其特征在于，包括，编码模块、参数设置模块、计算模块和故障定位模块；

其中，编码模块能够根据配电网拓扑结构，对分段开关节点上的故障过流信息进行编码；

参数设置模块用于对蚁群算法的参数进行初始化设置；

计算模块能够根据蚁群算法进行各参数和函数的计算和循环；

故障定位模块用于根据计算模块的结果获取全局最优解，并选出故障区段，对配电网故障进行精确定位。

Images