宇 衛(wèi)，馬 俊

（1.湖北工業(yè)大學(xué) 太陽能高效利用及儲能運行控制湖北省重點實驗室，武漢 430068；2.國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司，武漢 430068）

引言

近年來，隨著綠色發(fā)展理念的不斷深化，諸如風(fēng)電、光伏等形式的分布式電源大量接入配電網(wǎng)，更多的簡單配電網(wǎng)絡(luò)變得復(fù)雜化，多電源和多方向潮流的輸入可能會增大原有的故障定位方法的誤差，嚴重時甚至?xí)苯邮?。在配電網(wǎng)接入更多分布式電源的復(fù)雜情況下，為保證供電可靠性和安全性，亟待研究一種高效且適用于含DG配網(wǎng)的故障定位方法?，F(xiàn)階段，就配電網(wǎng)而言，故障定位主要有故障區(qū)段和故障測距兩種定位模式[1-3]。

本研究通過改進容錯能力較強的QGA算法，對含DG配電網(wǎng)進行故障區(qū)段定位，并利用算例驗證該算法的有效性。

1 DG對配電網(wǎng)故障區(qū)段定位的影響

1.1 分布式電源及其特點

分布式電源以其綠色環(huán)保、可持續(xù)發(fā)展、投資成本低、可就地消納以及對電網(wǎng)沖擊性小等優(yōu)勢，近年來已經(jīng)得到政策上的大力扶持。DG一般指的是小型發(fā)電機組，這類小型發(fā)電機組一般都小于30 MW，比如小型光伏發(fā)電、小型風(fēng)電等。

1.2 DG對配電網(wǎng)故障區(qū)段定位方法的影響

圖1是簡單配電網(wǎng)的簡化模型，圖1中開關(guān)使用符號S1、S2、…、S6標明，而饋線段使用符號L1、L2、…、L6逐一標明。一般，配網(wǎng)在實際的運行過程中，F(xiàn)TU裝置可有效監(jiān)測每一個開關(guān)處的電流指標。一旦有故障發(fā)生，與故障位置對應(yīng)的FTU立即檢測到異常信號，并及時傳至下級系統(tǒng)，再由下級系統(tǒng)判定和分析確定故障位置。

圖1 簡單配電網(wǎng)

當(dāng)DG并網(wǎng)后線路發(fā)生故障，此時，流向故障點的短路電流將主要由兩部分組成，其一是電源提供的電流，其二是包括DG的提供。另外，DG的接入位置不同，測得短路電流的差值也會隨之變化[4-6]。

2 基于QGA的改進算法

2.1 QGA算法及其不足

標準的QGA算法，是采用量子位和量子疊加態(tài)這兩種狀態(tài)的編碼方式充當(dāng)種群個體，通過量子比特相位的旋轉(zhuǎn)進而實現(xiàn)種群的進化。

現(xiàn)成的QGA算法尚不滿足配網(wǎng)故障區(qū)段定位的快速性要求，另外在計算過程中，容易陷入局部最優(yōu)。因此，需要對算法進行相應(yīng)改進，使旋轉(zhuǎn)角的大小和方向在算法的迭代過程中自適應(yīng)變化，并加入判據(jù)，判斷是否陷入局部最優(yōu)。

2.2 QGA的改進方法

為了一定程度上提高算法的收斂速度，采用動態(tài)自適應(yīng)模式旋轉(zhuǎn)角調(diào)整策略代替?zhèn)鹘y(tǒng)QGA算法的固定旋轉(zhuǎn)角策略[7,8]。量子旋轉(zhuǎn)門的方向規(guī)定如下：

令α0、β0是為隨機一個量子位在此時的全局最優(yōu)解的概率幅，令α1、β1為當(dāng)前解中相對應(yīng)的量子位的概率幅，記作：

旋轉(zhuǎn)角δ方向的選取方式如下：當(dāng)δ≠0時，方向為-sgn(δ)；當(dāng)δ=0時，方向可正可負。

對于量子旋轉(zhuǎn)門大小，連續(xù)優(yōu)化旋轉(zhuǎn)角可以通過梯度下降法予以實現(xiàn)，其中旋轉(zhuǎn)角步長與目標函數(shù)的變化率呈負相關(guān)。

為了有效地對局部最優(yōu)情況進行判斷，引入離散度分析法分別從集中趨勢的角度和分散程度的角度兩個方面共同反映數(shù)據(jù)的變化以及走向。Vs為一開始初始種群全部個體適應(yīng)度的離散系數(shù)，且Vs∈(0，Vsmax]。Vs的具體表達式如下：

式中，Vs為離散系數(shù)，S為第j代種群，個體目標值的均方差，為第j代種群，全部個體目標值的均值，fij為第j代種群，第i個個體的目標值，N為種群中的個體數(shù)。

種群中，可依靠混沌優(yōu)化思想的序列搜索實現(xiàn)多樣性，以至于有效跳出局部最優(yōu)[9-11]。改進后的QGA算法稱為IGQA算法[12]，IGQA算法的具體流程如圖2所示。

3 IGQA算法在含DG配電網(wǎng)故障區(qū)段定位中的應(yīng)用

利用含DG的IEEE69節(jié)點配電網(wǎng)模型[12]，分別對發(fā)生單重故障和多重故障時的區(qū)段進行定位仿真。該仿真計算中的進化代數(shù)最大值為100，種群大小為80，并且采用相應(yīng)改進措施，離散系統(tǒng)的區(qū)域閾值系數(shù)μ=0.03。

3.1 單重故障的仿真分析

以L9饋線單重故障為例，算法達到最優(yōu)的迭代次數(shù)最少為58，最大值為71，平均迭代次數(shù)為67.81，目標值為0.5。圖3是L9饋線單重事故仿真結(jié)果。

圖3 L9饋線單重故障仿真結(jié)果

3.2 多重故障的仿真分析

以L20和L42饋線發(fā)生多重故障為例，算法達到最優(yōu)的迭代次數(shù)最小值為64，最大值為74，平均迭代次數(shù)為68.52，目標值為2.0圖4是L20和L42饋線多重故障仿真結(jié)果。

圖4 L20和L42饋線多重故障仿真結(jié)果

4 各算法的性能對比

將改進后的IQGA算法與標準QGA算法進行仿真對比，以檢驗改進后量子遺傳算法的優(yōu)越性能，進化過程如圖5所示。從圖5中可以發(fā)現(xiàn)，在同樣的故障情況下，IQGA算法的收斂速度明顯比QGA算法的收斂速度快，IGQA算法在進化至45代左右時，達到最優(yōu)解，且進化曲線波動幅度不大，比較穩(wěn)定；而QGA算法在78代左右才尋到最優(yōu)解，且算法波動幅度大，相對不太穩(wěn)定。由此證明，改進的QGA算法比傳統(tǒng)的QGA算法在解決配電網(wǎng)故障區(qū)段定位問題的方面效果更好。

圖5 IQGA算法與標準QGA算法比較

5 結(jié)論

（1）IQGA算法改善了傳統(tǒng)QGA算法收斂速度慢的問題，并彌補了原算法容易陷入局部最優(yōu)的缺陷；

（2）將IQGA算法應(yīng)用到含DG配電網(wǎng)的故障區(qū)段定位中，能夠高效、可靠、準確、快速地尋找配網(wǎng)中的故障區(qū)段。