基于改进蚁群算法的配电网故障定位研究

李霆 方志坚 罗义旺 林海玉 林翰 黄丽榕

摘 要： 精准的配电网故障定位，对于快速隔离故障，提高居民用电质量具有重要意义。为了提高配电网故障定位精度，提出了基于改进蚁群算法的配电网故障定位方法。传统的ACO算法信息素挥发系数、启发因子，信息素浓度等参数需人工设定，采用IA算法优化选取ACO算法的随机初始因子，以优化ACO的网络模型。实验仿真表明，IA-ACO算法比传统的ACO算法具有更快的收敛速度和更高的寻优能力;同时IA-ACO算法在进行配电网故障定位仿真时，与实际结果一致，验证了IA-ACO算法在配电网故障定位的准确性与可靠性。

关键词： 配电网; 故障定位; 蚁群算法; 免疫算法

中图分类号： TM 711      文献标志码： A

Abstract： Accurate fault location of distribution network is of great significance to quickly isolate faults and improve the quality of residential electricity. In order to improve fault location accuracy of distribution network， a fault location method based on improved ant colony algorithm is proposed. Due to the lack of theoretical guidance， the traditional ACO algorithm requires manual setting of pheromone volatilization coefficient， heuristic factor and pheromone concentration. Simulation results show that IA-ACO algorithm has faster convergence rate and higher optimization capability than traditional ACO algorithm. At the same time， IA-ACO algorithm is consistent with the actual results in the simulation of distribution network fault location， verifying the accuracy and reliability of IA-ACO algorithm in distribution network fault location.

Key words： distribution network; fault location; ant colony algorithm; immune algorithms

0 引言

配電网作为连接用户和供电部门之间的纽带，在整个电力系统中起着至关重要的作用，研究发现，电力用户的停电事故95%都是由于中低压配电网故障造成[1]。对配电网进行精准快速的故障定位，对于隔离故障，恢复供电，提高供电质量具有重要意义[2-3]。

配电网故障定位方法吸引了越来越多学者的关注。文献[4]采用代数运算的方法建立配电网故障定位的模型，该模型克服了以往只能采用群智能算法才能建立故障定位模型的缺点 [4]。文献[5]对传统的免疫算法进行了改进，采用改进的免疫算法进行配电网故障定位，该方法具有较快的故障定位速度，并且比传统的遗传算法故障精度更高[5]。文献[6]采用该重合闸和分布式电源脱网的配合方法，对含有分布式电源的配电网进行了故障定位[6]。文献[7]根据配电网故障其后clark电流相角差的变化量，对低压配电网进行故障定位，该方法仅需要对电流量的采集，提高了故障定位速度，且能够准确的进行故障定位[7]。

为了提高配电网定位精度，本文提出了一种改进蚁群算法对配电网故障进行定位研究。

1 改进蚁群算法

1.1 蚁群算法（ant colony algorithm， ACO）

ACO的数学数学模型如下。

Step1：参数初始化。初始化含M个蚂蚁的种群Y（0），最大迭代次数max gen，n个节点[8]。第i只蚂蚁适应度值用fiti表示[9]。ηij，τij分别是路径ij的启发信息和信息素量。Δτkij第k只蚂蚁在路径（i，j）上的信息素。ρ信息素蒸发系数。Pkij（t）指的是第k只蚂蚁从i到j的概率。

基于IA-ACO的配电网故障定位过程如下。

（1） 配电网划分区域。根据配电网属于单电源网络或环网，对网络中的各分支进行保留或删除。

（2） 设置算法参数，形成初始种群。

（3） 求取每个抗体适应度值。若未达到迭代次数，则对个体进行选择，交叉，变异操作。然后将个体存入记忆库。若达到迭代次数，则转下一步。

（4） 将求取的最优抗体，传递给ACO的对应参数。

（5） 找到故障路径，生成初始解。求取评价函数，记录最优解。

（6） 执行免疫操作，生成新的种群。更新信息素。

（7） 判断是否达到设定条件，未达到t=t+1，转向步骤5;若达到，停止迭代输出结果。

3 算例仿真

3.1 算法验证

为验证本文所提方法的有效性和可靠性，建立了ACO和IA-ACO的仿真实验。测试函数表如表1所示。ACO算法的参数为：α=1.5， m=30， β=2， ρ=0.9， 迭代次数为 500。仿真对比结果如图2和图3所示。采用Oliver30分别进行ACO和IA-ACO算法验证。实验对比图如图4，图5所示。路径寻优的最优值，如表2所示。

3.2 配电网故障定位仿真

33节点配电网络进行仿真分析，如图6所示。

该网络包含33节点，33条支路。A表示主电源，BC表示断路器，S表示开关，/是支路。IA-ACO参数为m=20，交叉概率Pc=0.8，变异概率Pm=0.04，初始信息素a=0.5，pmin=0.3，IA迭代次数Ni=15，ACO迭代次数Nc=35。l1-l12为主干区域，其余为分支区域。

假设1：支路l21发生故障，故障信息表示为[S13 S18 S23 S26]=[0 1 0 0]。CB1、S1-S2、S18-S22若有故障则为1，否则为0。假设2：l14和l30发生故障，故障信息表示为[S13 S18 S23 S26]=[1 0 0 1]。此时区域1和区域4存在故障。CB1、S1-S10、S13-S14、S26-S30若有故障则为1，否则为0。两种假设的仿真结果如表3所示。状态值数据由FTU实时上传。

3.3 实验分析

从图2和图3可以看出，在处理相同算法的寻优问题时，IA-ACO算法比ACO算法能够更快的收敛到全局最优值。从图4和图5的对比结果中可以看出IA-ACO算法比传统的ACO算法具有更快的收敛速度，而且寻优效果更好。从图7和图8的配电网故障定位中可以看出，IA-ACO算法求解的故障定位点与实际情况相一致。当故障情况1发生时，算法的输出结果为支路l21;故障情况2发生时，算法的输出结果为支路l14和l30，与预设的故障支路一致。验证了IA-ACO方法应用在配电网故障定位上的可靠性。

4 总结

采用IA算法优化选取ACO算法的随机初始因子，从而建立IA-ACO模型。对比实验验证了IA-ACO比传统的ACO算法具有更快的收敛速度和更好的寻优能力。采用IA-ACO的配电网故障定位，求解的故障点与实际设定的故障点一致，验证了本文所提方法的可靠性。

参考文献

[1] 郭壮志，徐其兴，洪俊杰，等.配电网故障区段定位的互补约束新模型与算法[J].中国电机工程学报，2016，36（14）：3742-3751.

[2] 郭壮志，陈涛，黄全振，等.配电网故障定位的层级模型及其预测校正算法[J].电力自动化设备，2018，38（7）：51-60.

[3] 高孟友，徐丙垠，張新慧.基于故障电流幅值比较的有源配电网故障定位方法[J].电力自动化设备，2015，35（7）：21-25.

[4] 郭壮志，徐其兴，洪俊杰，等.配电网快速高容错性故障定位的线性整数规划方法[J].中国电机工程学报，2017，37（3）：786-795.

[5] 郑涛，潘玉美，郭昆亚，等.基于免疫算法的配电网故障定位方法研究[J].电力系统保护与控制，2014，42（1）：77-83.

[6] 刘健，张小庆，同向前，等.含分布式电源配电网的故障定位[J].电力系统自动化，2013，37（2）：36-42.

[7] 牛耕，周龙，裴玮，等.基于克拉克电流相角差值的低压有源配电网故障定位方法[J].中国电机工程学报，2015，35（S1）：15-24.

[8] 张楠楠，姜文刚，窦刚.改进蚁群算法在AUV三维路径规划中的研究[J].计算机工程与应用，2019，55（11）：265-270.

[9] 李擎，张超，陈鹏，等.一种基于粒子群参数优化的改进蚁群算法[J].控制与决策，2013，28（06）：873-878.

[10] 刘勇，刘念，刘孙俊.一种基于免疫蚁群混合算法的TSP求解模型[J].四川大学学报（工程科学版），2010，42（3）：121-126.

（收稿日期： 2019.07.19）