基于混沌优化蝙蝠算法的含分布式电源配电网故障区段定位

柳岩妮，公茂法，王来河，公　政

(1. 山东科技大学，山东青岛266590； 2. 国网山东潍坊市供电公司，山东潍坊261000)



基于混沌优化蝙蝠算法的含分布式电源配电网故障区段定位

柳岩妮1，公茂法1，王来河1，公政2

(1. 山东科技大学，山东青岛266590； 2. 国网山东潍坊市供电公司，山东潍坊261000)

针对含分布式电源配电网故障区段定位问题，改进了已有的开关函数，并提出了一种基于混沌优化蝙蝠算法的诊断方法。利用蝙蝠算法全局寻优能力对配电网故障区段进行定位搜索，并针对蝙蝠算法易陷入局部最优的缺点，使用混沌策略对部分最优个体进行优化，使其收敛速度加快，定位准确度提高。通过建立算例配电网模型，对其多种故障定位结果分析表明，算法对于含分布式电源配电网故障区段定位具有一定的实用性。

分布式电源；配电网；故障区段定位；蝙蝠算法；混沌优化

0　引言

随着电力行业的不断发展与完善，分布式电源开始被应用到配电网中，配电网由之前的单电源形式开始转变为多电源辐射结构，由此为配电网故障诊断带来了一定的问题。常见的用于配电网故障诊断的人工智能算法有遗传算法[1]、Petri网[2]、神经网络[3]等，这些智能算法在故障诊断方面的准确率较高且具有一定的容错性，但是在实际的应用中建模复杂，往往需要大量的数据，且效率不高。另外的一种方法就是图论算法，主要以矩阵算法[4-5]为主，该算法计算效率较高，但是当馈线终端单元上传的信息发生错误或者丢失的情况时，往往准确率较低。针对上述不足之处，该研究提出了一种基于混沌优化蝙蝠算法的方法对含分布式电源配电网故障进行诊断。

蝙蝠算法是一种新型仿生智能算法，主要模拟了蝙蝠搜索猎物的过程，与已提出的仿生算法相比，蝙蝠算法具有所需参数少、收敛速度快等优点，但其也存在易陷入局部最优且寻优精度不高的问题。本文使用了混沌算法对部分精英个体进行混沌优化，从而使算法避免无效迭代，达到更好的寻优精度。将该算法用于含分布式电源配电网的故障区间定位，并进行实例分析，结果表明该算法具有全局收敛能力较强、寻优精度高等优点，对需利用复杂函数优化的工程问题有着一定的适用性和实用性。

1　蝙蝠算法基本原理

1.1蝙蝠算法

蝙蝠算法[6-7]是模拟微型蝙蝠的回声定位原理形成的一种新的智能算法。其主要原理是随机分布的蝙蝠通过不同的脉冲速率来搜寻猎物，其初始的脉冲速率较小，脉冲音强较大，当搜寻到猎物后会增大脉冲速率并适当减小脉冲音强。然后将现在的位置状态与最优的位置比较，如果仍然处于劣势位置则移动位置，再继续搜索，直到所有的蝙蝠个体都处在靠近猎物的位置，即最优位置。

蝙蝠在搜寻猎物的过程中脉冲频率、速度和位置的更新公式如式(1)所示。

(1)

式中：d表示蝙蝠群体的搜索空间维数；α为[0,1]均匀分布的随机变量；fmin，fmax分别表示脉冲频率的最小值和最大值；fi表示第i只蝙蝠搜索猎物时所发出的脉冲速率；X*为当前蝙蝠群体的最优位置；Vi(t+1)，Vi(t)，Xi(t+1)，Xi(t)分别表示第i只蝙蝠在t+1和t时刻的速度和位置状态值。

蝙蝠群体在搜索过程中，如果锁定了猎物就需要将脉冲音强减小，脉冲速率增加，从而更容易定位猎物所在位置，其发射脉冲速率和音强更新公式如式(2)所示。

(2)

式中：β和γ分别为脉冲音强衰减系数和脉冲速率增加系数；Ai(t+1)，Ai(t)分别为t+1和t时刻的脉冲音强；ri(t+1)表示蝙蝠在t+1时刻的脉冲速率；ri0为最大脉冲速率。

1.2基于混沌优化的蝙蝠算法

由于蝙蝠算法迭代后期容易陷入局部最优，且种群多样性减少，本文采用混沌算法对前n%个精英个体的位置和速度进行混沌优化，并将其映射到原解空间范围内，使其种群个体多样性增加，跳出局部最优继续迭代搜索。

混沌算法是一种具有遍历性、初值敏感性和随机性的算法，其主要思想是将种群进行混沌优化，再将优化序列值映射到混沌模型原解所在的空间范围内。本文采用一维非线性映射模型Logistic映射[8]对蝙蝠种群进行混沌优化，其公式如式(3)所示。

(3)

式中：μ是控制变量，本文取μ=4。

将得到的混沌序列通过式(4)映射到原解空间内。

(4)

基于混沌优化蝙蝠算法具体的实现步骤如下[9]：

(1)参数初始化。空间维数为d，声波频率范围为[fmin，fmax]，最大声波发射速率为r0，最小声波强度为A0，声波强度衰减系数为β，声波发射速率增加系数为γ，适应度最小值连续出现次数K，最大迭代次数为g。

(2)初始化种群。计算种群个体的适应度值找到种群当前最佳位置X*。

(3)初始化搜索脉冲频率fi，并根据式(1)更新蝙蝠个体的空间位置和速度。

(4)产生随机的rand1,若rand1>ri，则对处于最优位置的蝙蝠进行随机扰动，用扰动后的位置代替当前位置。

(5)产生随机的rand2，若rand2>Ai，且蝙蝠所处位置得到了优化，个体则移动到更新后的位置。

(6)如果步骤(5)条件得到满足，则根据式(2)更新脉冲速率r和脉冲音强A，否则，跳转到步骤(7)。

(7)计算当前群体的适应度值，并对前n%最优个体按照式(3)进行位置和速度的混沌优化，然后将得到的混沌序列映射到原解空间，判断如果迭代次数达到最大值或者适应度值出现次数大于设定值，则跳转到步骤(8)，否则转到步骤(2)继续搜索寻优。

(8)输出最优个体的值和全局极值点，算法结束。

2　含分布式电源配电网故障区段定位模型

配电网发生故障后，每个区段上的FTU检测到故障电流后，如果超过整定值后则会上传到SCADA主站系统，故障定位算法会根据接收的信息计算并定位故障区段。基于混沌优化蝙蝠算法的故障定位方法主要是通过适应度函数和开关函数进行分析的，具体构建方案如下。

2.1开关函数的建立

对配电网进行故障区间定位需要将FTU上传的分段开关的电流信息转化为线路的故障状态值，将故障电流与故障状态之间的关系定义为开关函数。含分布式电源的配电网在进行故障区间定位时，传统的算法往往需要多次设定电流方向，且不考虑分布式电源投切问题，使得故障定位的准确率受到一定影响。本文对已有的开关函数[10-11]进行了改进，定义了一种新的开关函数如式(5)所示。

(5)

将以i个开关为中心靠近系统电源的区域定义为配电网系统的上半区，靠近分布式电源的部分定义为下半区。其中，“∏”表示逻辑或，Ksi，Kj分别为上半区和下半区的电源开关系数，表示对应的区域电源是否接入，如果接入则对应的开关系数取值为1，否则为0；xs1，xs2分别表示第i个开关的上下半区包含的馈线区段状态值，发生故障时取1，否则为0；S1，S2分别为第i个开关上下半区包含的馈线区段总数目。

2.2适应度函数的建立

适应度函数是用来评价所用算法取得最优解的情况，其结果反映了期望故障情况与实际情况的偏离程度，主要是根据FTU上传到主站的状态值以及假设故障情况求得各个区段的期望状态值。针对含分布式电源配电网故障区间定位问题，构建了如式(6)所示的适应度函数。

(6)

3　算例分析

本文对图1所示的含分布式电源的配电网进行故障区段定位分析。其中，S为系统电源，1～17为分段开关，L1～L17为馈线区段，K1～K3为分布式电源DG1～DG3接入配电网的开关，若分布式电源接入配电网则对应的开关Kj(j=1,2,3)取值为1，否则为0。

图1　含分布式电源的算例配电网结构

利用Matlab对算法进行编程，其中的相关参数设定：种群搜索空间维数为17，声波频率最小值取0，最大值取2，蝙蝠脉冲速率和脉冲音强初始值均取作0.25，适应度值最小值连续出现次数K=20，最大迭代次数设定为300。

利用本文所提出的故障定位算法对算例配电网进行了多种不同情况下的故障区段定位仿真，以验证该算法的可靠性和容错性。下面对FTU上传信息未发生畸变和发生畸变两种情况进行分析，并又将上述两种情况分为接入分布式电源和未接入分布式电源两种形式进行故障定位，具体的故障定位仿真结果如表1、表2所示。

表1　无畸变信息的故障定位仿真结果

表2　发生畸变的故障定位仿真结果

由表1可以看出，在FTU上传的电流状态信息未发生畸变的情况下，能准确地定位接入分布式电源或者未接入分布式电源的配电网单重和多重故障区段。从表2 可以看出，当电流信息状态值发生畸变时，也可以很准确地对多种情况的故障区段进行定位。故障定位结果分析表明，本文方法具有一定的容错性和可靠性，能够实现对配电网多种故障形式进行准确定位。

为验证CBA算法的有效性，本文还采用了BA，PSO，GA算法对上述模型进行了仿真测试，并使用平均迭代次数和平均陷入局部最优的次数作为检验的标准进行对比，对比结果如表3所示。结果表明，基于混沌优化的蝙蝠算法，由于引入了混沌优化策略，其性能明显得到提高，比BA，PSO，GA算法收敛速度更快，且不易陷入局部极值，可以得到较好的故障定位效果。

表3　算法仿真结果比较

4　结论

本文提出了一种基于混沌优化蝙蝠算法的含分布式电源配电网故障区段定位方法。算法采用了混沌策略对部分最优个体进行了混沌优化，使搜索后期种群多样性增加，并跳出局部最优的限制。同时，对含分布式电源的配电网开关函数进行了改进，使其更加适应分布式电源接入配电网的故障区段定位。定位结果和对比结果表明，基于混沌优化蝙蝠算法的配电网故障区段定位方法具有很好定位效果，并具有一定的容错性。

[1]王进强,陈少华.基于改进遗传算法的含分布式电源的配电网故障定位[J].电力科学与工程, 2013, 29(12): 13 -17.

[2]吕航.Petri网和冗余纠错技术结合的配电网故障区段定位新方法[J].中国电机工程学报,2004,24(10):61-67.

[3]刘文轩,严凤,田霖,等.基于LVQ神经网络的配电网故障定位方法[J].电力系统保护与控制, 2012, 40 (5): 90-95.

[4]黄佳乐,杨冠鲁.配电网故障区间定位的改进矩阵算法[J].电力系统保护与控制,2014,42(11):41-45.

[5]王进强,陈少华,尹雁和,等.含分布式电源的配电网故障区间定位算法[J].电力科学与工程,2011,27(2):25-29.

[6]刘长平,叶春明.具有混沌搜索策略的蝙蝠优化算法及性能仿真[J].系统仿真学报, 2013, 25 (6): 1183-1188.

[7]付家才,陆青松.基于蝙蝠算法的配电网故障区间定位[J].电力系统保护与控制, 2015, 43 (16):100-105.

[8]朱红求, 阳春华，桂卫华，等. 一种带混沌变异的粒子群优化算法[J].计算机科学, 2010, 37(3): 215- 217.

[9]马迎东,王文栋,温强.基于混沌搜索策略蝙蝠算法的输电网规划[J].电力系统保护与控制,2015,43(15):17-21.

[10]周湶,郑柏林,廖瑞金,等.基于粒子群和差分进化算法的含分布式电源配电网故障区段定位[J].电力系统保护与控制,2013,41(4):33-37.

[11]刘鹏程,李新利.基于多种群遗传算法的含分布式电源的配电网故障区段定位算法[J].电力系统保护与控制,2016,44(2):36-41.

Fault Location of Distribution Network with Distributed Generation Based on Chaos Optimization Algorithm

LIU Yanni1, GONG Maofa1, WANG Laihe1, GONG Zheng2

(1. Shandong University of Science and Technology, Qingdao 266590, China;2. State Grid Shandong Weifang Electric Power Company, Weifang 261000, China)

Aiming at the fault section location problem for the distribution network with distributed generation, this paper improves the existing switching function, and furthermore, puts forward a new method based on chaos optimization. The global searching ability of the bat algorithm is applied to the distribution network for searching and positioning of the fault section, in the light of the weak point of bat algorithm, which is easy to fall into local optimum, chaos strategy on the part of the best individual optimization is used. So the convergence speed accelerates with its positioning accuracy improved as well. By setting up a distribution network model of an instance, some analysis is launched, and the results show that the algorithm can be applied to the fault section location of distribution network with distributed generation and is relatively practical.

distributed generation; distribution network; fault section location; bat algorithm; chaos optimization

2016-05-31。

山东省自然科学基金(ZR2012EEM021)。

柳岩妮(1991-)，女，硕士研究生，主要从事电力系统自动化的研究，E-mail：yanniliu99@163.com。

TM711

A

10.3969/j.issn.1672-0792.2016.08.003