改进灰狼算法在智能建筑配电网故障定位中的应用

摘要：随着科技的不断进步，人工智能已经广泛应用于建筑行业，并催生了智能建筑领域。本文阐述了智能化建筑，介绍了群智能算法在智能建筑中配电网故障定位方面的应用。通过采用灰狼优化算法，针对灰狼算法的不足，加入了Tent混沌映射及改良后的收敛因子a，最后加入惯性权重来提升算法性能。同时，与二进制粒子群算法和哈利斯鹰算法进行比较，结果证明改进后的灰狼算法具有更优越的特点。最后，在IEEE33节点模型上进行单点故障和多点故障的仿真实验，验证了改进灰狼算法在智能建筑配电网故障定位中的有效性。

关键词：智能建筑；灰狼算法；Tent混沌映射；IEEE33节点

中图分类号：TM711" "文献标识码：A" "文章编号：２０９６-2118（2024）04-0083-04

Improve the Application of Gray Wolf Algorithm in Fault Location of Intelligent Building Power Supply and Distribution System

YAN Bingxu，ZHANG Yi

（School of Electrical and Computer Science，Jilin Jianzhu University，Changchun Jilin 130118，China）

Abstract：With the continuous progress of science and technology，artificial intelligence has been widely used in the construction industry，and gave birth to the field of intelligent buildings.This paper describes the intelligent building and introduces the application of swarm intelligence algorithm in fault location of distribution network in intelligent building.In view of the shortcomings of grey Wolf algorithm，Tent chaos mapping and improved convergence factor a are added，and inertia weight is added to improve the performance of the algorithm.Meanwhile，compared with binary particle swarm optimization algorithm and Harris Eagle algorithm，the results show that the improved Grey Wolf algorithm has more superior characteristics.Finally，simulation experiments of single point fault and multi-point fault on IEEE33 node model are carried out to verify the effectiveness of improved grey Wolf algorithm in fault location of intelligent building distribution network.

Keywords：intelligent building；gray wolf algorithm；Tent chaos mapping；IEEE33 node

0 引言

随着计算机网络技术的行业不断发展与应用，给社会带来了很大的方便。建筑行业也随之改变。随着信息化和智能化的影响，建筑行业朝着信息化、智能化、数字化方面发展。智能建筑的智能化发展程度是其自动化水平的体现，智能化建筑可以为人们提供安全、可靠、方便、节能的环境。随着第一栋智能建筑的诞生，智能建筑的探索便蓬勃发展起来[1]。由于智能建筑对电力的需求较大，所以保证电力正常运行至关重要，一旦出现问题，应迅速进行故障定位和诊断[2]。

1 智能化建筑

1.1 建筑智能化

建筑智能化系统（BAS）是将通信自动化，楼宇自动化，办公自动化，消防自动化和保安自动化等与建筑物的结构和功能相融合的一个整体。智能建筑起源于20世纪80年代初的美国，建筑智能化是将智能计算机技术应用到建筑自动化系统中，包括消防报警系统、闭路监控系统、楼宇自控系统、无线转发系统及无线对讲系统等[3]。但是由于我国智能建筑发展较晚，对智能建筑不够重视，出现了轻视智能化系统检测的问题，这个问题导致未来智能建筑的维修成本增加，并可能在前期检查不严格的情况下引发设备甚至整个配电系统的问题[4]。

1.2 基于群智能算法的智能建筑配电网故障定位

配电网故障定位，就是配电网络发生故障的时候，利用智能化的设备和系统，对故障点做出快速、精准的位置锁定。

随着配电网日趋完善，目前广泛采用馈线终端单元（FTU）来收集故障信息进行定位[5]，尤其是应用人工智能算法基于FTU采集信息对配电网故障进行准确定位。目前已提出了多种利用智能算法进行配电网故障定位的方法。由于粒子群算法容易陷入局部最优，引入Logistic映射的混沌系统，对种群初始化的位置进行改善[6]。应用哈里斯鹰算法对配电网故障进行定位，由于哈里斯鹰算法收敛速度慢，容易陷入最优，引入了Tent混沌映射和黄金正弦算法[7]。在配电网故障定位中应用鸽群算法，改变地图因子R值使鸽群算法快速收敛，当R越小时e-Rt越大收敛速度越快[8]。由于布谷鸟算法的步长对搜索结果影响很大，所以，在初始化阶段设置了加大的步长，增加了迭代速度，随着迭代次数增多，步长变小，提高了搜索精度[9]。综上所述，本文引进了灰狼算法。

2 灰狼优化算法

2.1 灰狼算法

灰狼算法是由Mirjalili等人在2014年提出来的一种群智能优化算法[10]。灰狼本身是一种群居的生物，他们的生活具有严格的金字塔等级制度。在金字塔的顶端为α狼，统领整个部落，其次是β狼，它只听命于α狼，传达α狼的命令，然后是δ狼，它听命于α狼和β狼，负责对猎物侦察和骚扰，最底层是ω狼，它负责直接攻击猎物[11]。

在灰狼算法中，种群初始化阶段，种群个体是随机分布的，这样会使种群的多样性丢失，不能保证均匀地分布。因此，对种群初始化进行改进，引入Tent混沌映射[12]。Tent混沌映射在其取值范围内，具有均匀的分布函数，遍历性、随机性和相关性。在灰狼算法中，A的值决定局部搜索还是全局搜索。然而A的取值受收敛因子a的影响。在算法中，a的取值是呈线性递减的，随着迭代次数增加，从2减小到0，可见a的重要性。本文把收敛因子变成线性化[13]。

由于每个灰狼位置是通过计算α，β，δ三只领头狼聚力向量和的1/3得到的。这种计算方法很简单，故提出了一种惯性权重方法[14]。

S=0W■=■W■=■W■=■（1）

X■=■（2）

式（1）～（2）中：W1，W2，W3为惯性权重，X1，X2，X3为α狼，β狼，δ狼个体位置，X（i+1）为最新灰狼个体位置。

2.2 算法流程

步骤1：设置种群的各种参数。

步骤2：初始化种群。

步骤3：计算灰狼种群的个体所有的适应度的值，选出3个最小的值。

步骤4：计算出收敛因子a值，然后根据a计算出A的值。

步骤5：利用式（2）计算更新后灰狼个体位置。

步骤6：判断算法是否满足终止条件，若满足，算法迭代结束，输出最优的灰狼个体，若不满足，则进入步骤3～步骤5，进行循环，直到输出最优解，算法结束。

2.3 仿真实验

为验证TEGWO算法的性能，选取F1（x），F2（x），F3（x），F4（x）4个标准测试函数，与HHO，PSO算法进行对比（见表1～表2）。

TEGWO算法在F1，F3取得了理论最优值0，在F2，F4中比较其他算法也取得了较好的标准值。这说明了TEGWO算法对单峰函数和多峰函数都有很高的收敛速度和精确度。优化后的灰狼算法（TEGWO）与粒子群算法（PSO）和哈里斯鹰算法（HHO）比较，无论标准差，平均值还是最优值，TEGWO算法都优于其他算法，具有明显的优势。

3 改进灰狼算法（TEGWO）在配电网故障定位应用

3.1 故障编码

在配电网中，馈线终端单元具有重要的作用。当配电网正常运行时，FTU不会有故障信息；而当配电网发生故障后，FTU将接收并反馈故障信息。由于配电网问题只会表现为存在或不存在故障信息，所以对节点开关进行编码时，如果没有故障电流，FTU反馈信息为0，有故障电流则反馈为1[15]。 对于开关函数和适应度的函数构造很重要。本文的开关函数和适应度函数为：

Y■（x）=■x（i）（3）

F（x）=■I■-I■（x）+η■x（j）（4）

3.2 算例仿真

为了验证改进灰狼算法（TEGWO）在配电网故障定位中的准确性，本文采用了IEEE33节点的配电网模型进行实验（见图1）。将改进的灰狼算法与二进制粒子群算法（BPSO）和哈里斯鹰算法（HHO）进行对比。为了验证改进的灰狼算法对配电网故障定位的准确性和包容性，对单点故障和多点故障进行仿真实验。

当图1馈线区段L8发生故障时，FTU输入的信息是[1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，则输出的信息为[0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，其定位点是8。单点故障定位迭代见图2。

当图1馈线区段L12和L18共同出现故障时，FTU输入的故障信息为[1 1 1 1 1 1 1 0 0 1 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]则输出的信息[0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，定位点在12和18位置。多点故障定位迭代见图3。

图2中，经过单点故障的检验，改进的灰狼算法的适应度值是0.5，二进制粒子群算法的适应度值是23，哈里斯鹰算法的适应度值是8，所以TEGWO算法要比二进制粒子群算法和哈里斯鹰算法定位准确，而且适应度值更低，迭代的速度更快。图3中，通过多点故障的检验，TEGWO算法的适应度值为1，BPSO算法的适应度为20，HHO算法的适应度为8，可见改进的灰狼算法优于二进制粒子群算法和哈里斯鹰算法。同时从图2～图3可以看出，无论是单点故障还是多点故障，改进的灰狼算法在准确度和收敛速度上均优于二进制粒子群算法和哈里斯鹰算法，因此改进的灰狼算法更具优势。

将TEGWO算法应用于智能建筑中的配电网故障定位，可实现快速而准确的故障位置定位。

4 结语

本文提出了一种新型的灰狼优化算法用于智能建筑配电网故障定位。引进了惯性权重，改进收敛因子a和Tent混沌映射全面的优化灰狼算法的性能。为了验证改进的灰狼算法对配电网故障定位的优越性，应用于IEEE33节点的配电网模型，通过算法的仿真对比并与传统的粒子群算法和较新的哈里斯鹰算法进行比较，结果表明改进的灰狼算法优于粒子群算法和哈里斯鹰算法。因此，在智能建筑配电网故障定位中，改进的灰狼算法具有良好的应用前景。

参 考 文 献

[1]王峰.智能化技术在智能建筑中的应用研究[J].自动化与仪器仪表，2021（11）：79-82.

[2]陈俐.智能建筑供配电故障诊断与定位研究[D].南昌：华东交通大学，2018.

[3]刘善良.人工智能新技术在智能建筑中的应用研究[J].佛山陶瓷，2023，33（5）：74-76.

[4]王俊.电气工程及其自动化技术在智能建筑中的应用[J].模具制造，2023，23（9）：202-204.

[5]陈婷.基于FTU检测方法在含DG配电网故障区段定位的应用综述[J].电气应用，2020，39（4）：30-37.

[6]江楠，戚欣.改进粒子群算法在智能建筑供配电系统故障定位中的应用[J].北方建筑，2023，8（2）：27-31.

[7]麦章渠，曾颖，张禄亮，等.基于改进哈里斯鹰优化算法的有源配电网故障定位[J].系统保护与恢复，2022，50（11）：104-111.

[8]任志玲，刘卫东，杨柳，等.基于改进鸽群算法的含分布式电源配电网故障定位[J].电源学报，2022，20（4）：171-178.

[9]谢振宇.基于改进布谷鸟算法的配电网故障定位研究[D].成都：西华大学，2021.

[10]张晓凤，王秀英.灰狼优化算法研究综述[J].计算机科学，2019，46（3）：30-38.

[11]甄永琦，蒋伟.改进灰狼算法在配电网故障定位中的应用[J].计算机应用与软件，2020，37（11）：200-205.

[12]FAN J，LI Y，WANG T.An improved African vultures optimization algorithm based on tent chaotic mapping and time-varying mechanism[J].Plos One，2021，16（11）：e0260725.

[13]OU Y，ZHOU K，YIN P，et al.Improved grey wolf optimizer algorithm based on dual convergence factor strategy[J].Journal of Computer Applications，2023，43（9）：2679.

[14]SHUKLA A K，SINGH P，VARDHAN M.An adaptive inertia weight teaching-learning-based optimization algorithm and its applications[J].Applied Mathematical Modelling，2020，77：309-326.

[15]孙霞.基于智能优化算法的配电网故障定位研究[D].长春：吉林建筑大学，2023.

编辑：刘 岩