《智能配电网故障定位研究》由会员分享，可在线阅读，更多相关《智能配电网故障定位研究（11页珍藏版）》请在金锄头文库上搜索。
1、智能配电网故障定位研究智能配电网故障定位研究摘要：我国电力行业快速发展,智能配电网因其具有互动性、可靠性以及优质性等多种优势,成为现代电网发展的主要方向，需要与时俱进研究有效的智能配电网故障定位与故障恢复方法。我国配电网主要采用的是小电流接地系统，本文针对其发生率最高的单相接地故障进行研究，提出故障检测定位方法。关键词：智能配电网；故障定位；遗传算法前言如今，世界各国都在大力发展高效、环保的能源，分布式能源因此被大量接入到配电网中。另外，随着科技进步，用户的互动、需求侧管理等技术得到传播推广。智能配电网是智能电网重要部分，直接关系着智能电网的发展，在分布式能源大量接入和用户互动、需求侧管理技术
2、的冲击下，对配电网结构、技术的更新发展提出新的要求，更是影响着整个智能电网的技术发展。为了应对时代的挑战，推动我国电力技术革命性地发展以及实现绿色能源经济的建设，必须深入研究发展智能配电网技术。近年来，我国电力用户平均停电时间与发达国家相比仍有较大差距，例如在 2014 年我国高达 350分钟，而发达国家不到 100 分钟，而发生电力用户停电的主要原因是配电线路故障。由于配电网多存在与人口密集区域的原因，配电线路故障是严重的安全隐患，甚至导致死亡。为了保证社会生产和居民人身财产安全、避免损失，必须及时发现及处理配电线路故障。因此，思考研究配电网故障实现快速定位的技术，具有深远的、重要的意义。随
3、着科学技术的不断发展，智能电网中运用人工智能算法进行配电网故障定位，极大提高了定位效率。目前，应用较多有遗传算法、模糊理论、神经网络等等，每种算法都具有各自的优缺点。本文结合现有的智能算法经验，提出基于改进遗传算法的智能配电网故障定位算法，并通过仿真对其进行验证。一、遗传算法概述遗传算法是一种模拟生物进化过程搜索最优解的全局优化概率搜索计算模型，从代表问题参数的染色体开始，根据问题域中个体适应度来选择，最后借助遗传算子来组合交叉及变异，最终生成代表问题最优解的优化后染色体。遗传算法广泛应用在机器学习、模式识别等领域用。遗传算法具体的运算步骤如图 1 所示。图 1 遗传算法运算步骤随着广泛应用中
4、暴露的一些问题，以及对遗传算法研究的发展，发现遗传算法以早熟收敛为典型的不足之处。早熟收敛表现反应为种群中的个体彼此近似因而变异终止，发生早熟收敛问题的主要原因有四个方面：（1）因为以适应度的大小作为选择个体的唯一标准，所以当种群进化过程出现适应度远大于其他个体的特殊个体时，每次选择的结果都将是这个特殊个体。最终导致后代进化群体与此特殊个体趋同，选择失去意义。（2）交叉和变异的发生频率，影响算法整体和局部搜索之间的均衡，因此遗传算法中的交叉概率值及变异概率值对算法的搜索效率至关重要。然而交叉和变异概率的取值并没有权威的方法，主要依靠经验，难以保证概率值的科学性。（3）种群规模影响着遗传算法的优
5、化效率。在种群中个体数量适当的情况下，会使遗传算法的进化性保持良好。种群中个体数量过大或过小，都会降低遗传算法的优化效率：1、种群中个体数量过少就会缺乏多样性，致使个体间差异竞争小从而进化趋同，选择和交叉过程都失去作用和意义，而变异概率值不足以保证种群的更新，因此进化基本是在原地踏步。2、相反，在种群中个体数量过多的情况下，进化概率太高从而导致遗传算法的计算量太大，也会影响优化效率。（4）因为遗传算法的进化终止条件是达到预先设置的遗传迭代次数，所以当设置的遗传迭代次数过少时，会因进化不足而导致未成熟收敛。二、遗传算法的改进2.1 改进思路本文针对以上提到的几点发生早熟收敛问题的主要原因进行探讨
6、研究，得出一种遗传算法的改进思路：多种群并行化。（1)在交叉概率和变异概率中加入多种控制参数，以不同的控制参数来达到多样化的搜索目的，最终降低控制参数对遗传算法的局限影响。(2)通过多种群协同进化的方法来解决种群规模影响着遗传算法优化效率的问题，因为得出的最优解是综合了多种群的进化结果，种群规模的影响被分摊降低，以此提高算法的运算速度和优化效率。（3）遗传算法的进化终止条件是达到预先设置的遗传迭代次数,可以改进遗传算法的终止条件设置，以人工选择的种群进化代最优个体来作为遗传算法的进化终止依据，达到优化目的。2.2 基于改进遗传算法的故障定位当配电网发生线路故障时，线路的电流值过大，配电网线路各
7、分段上安装的 FTU 或故障指示装置会检测到。当线路中的电流超出了预先设定好的值时会向 SCADA 主站系统上传故障报警信息。主站系统以遗传算法对 FTU 或故障指示装置传回的信息进行计算，并定位故障所在位置。这种以多种群遗传算法来进行配电网故障定位的方法，需要重点注意故障电流编码、开关函数和适应度函数的构造问题。2.2.1 故障电流编码由于遗传算法中编码较复杂，因此常用二进制编码进行简化，以此表示问题及解。单电源配电网其馈线结构呈辐射状，而分布式电源接入后变为多电源辐射，在分布式电源接入前后，故障电流的方向是相反的，因此必须要在遗传算法中考虑故障电流的方向问题。针对故障电流方向问题，分布式电
8、源的配电网中，从电源向用户的方向假定为馈线正方向，故障电流定义为：jI 101 j I1 1 为故障电流方向与正方向一致；为故障电流方向与正方向一致；0 0 为没有电流故障；为没有电流故障；-1-1 为故障电流方向与正方相反为故障电流方向与正方相反2.2.2 开关函数构造应当改进开关函数使其适应接入分布式电源后的配电网。由于分布式电源的配电网结构较复杂，具有多段馈线的电流方向改变问题。在对开关函数进行改进时应当重视电流方向问题，避免因此导致的故障定位失效。针对如何改进开关函数来适应复杂的多电源配电网的问题，可以加入分布式电源开关系数來表示电源投切，改进后开关函数定义为: 12121u1d 1i
9、1u1i1d* j.).1 (.MuMdWDGiMuWDGiMdxxKxKxI式中：是配电网中第 j 号分段开关的开关函数，正常时电流* jI值为 0，有故障发生并且电流方向与设定的正方向一致时为 1，有故障发生并且电流方向与设定的正方向相反时为-1；为开关 j 上游第 u 个馈线区段的状态值，若该区段线路正常ux运行，则值为 0，若有故障则值为 1；为开关 j 上游馈线区段总数；1M为开关 j 下游馈线区段总数；2M为开关 j 下游第 d 个馈线区段的状态值，若正常则值为 0，dx若有故障则值为 1；代表分布式电源开关系数，用来表示第 j 号开关下半区的DGiK第 i 个分布式电源是否接入配
10、电网，若对应的分布式电源接入配电网，则该系数的值取 1，未接入则取 0；W 未分布式电源总数；“”代表逻辑或运算。2.2.3 适应度函数构造适应度的大小作为选择个体的唯一标准，起着遗传算法最终结果的决定性作用，因此必须构建合理的适应度函数。基于之前定义的故障电流编码和开关函数，本文提出的适应度函数为：|)|.|(10)(1i* jj 1jiNM xIIsF 2.3 具体执行步骤通过对以上问题的分析，本文设计的智能配电网故障定位改进后的算法流程如图 2 所示。图 2 改进后的遗传算法图 2 中的初始种群，可以根据以下公式进行计算概率：) 1 ,9.01. 0-05. 001. 019).7 .
11、09 . 0(7 . 0mcGfPGfPrandrand），三、算法验证以图 3 所示的配电网故障定位为例验证改进后算法的可行性：图 3 配网接入线路图图 3 中，S 为系统电源；在此配电网中接入 DG1、DG2、DG3 三个分布式电源；黑色圆 点为分段开关，由编号 17 表示；两圆点之间的线段为馈线区段，由编号(1)(19)表示。算法参数设置：种群数目为 6，种群个体数目为 10，个体长度为 19，交叉概率在0.7,0.9区间内随机产生，变异概率在0.001，0.005区间内随机产生，收敛条件最优个体最少保持代数设为 20，权重系数为 0.5。根据分析得到的对比结果如图 4 和图 5。图 4
12、 改进算法运行过程图图 5 改进遗传算法运行过程图从图 4 和图 5 发现，多种群遗传算法在运行的第四次得到相同的最终优化结果，适应度函数达到最大值，迭代次数平均 13 次，没有因局部最优的原因停滞进化，说明算法稳定性好、收敛速度快，适合复杂配电网的故障定位问题。综合图 3-图 5 的分析可以得出：迭代次数高达 300 次，但标准遗传算法运行次仍无法得到相同的最终优化结果，且算法多次处于局部最优的状况，说明算法稳定性较差，存在早熟收敛的情况，不适合用于复杂的含分布式电源配电网的多重故障定位。四、结束语智能电网中运用人工智能算法进行配电网故障定位，极大提高了定位效率。本文结合现有的智能算法经验，提出基于改进遗传算法的智能配电网故障定位算法，并通过仿真对其进行验证，确认了其可行性。
