鄭 聰，周海峰，鄭東強(qiáng)，林忠華，張興杰

基于改進(jìn)多元宇宙算法的主動配電網(wǎng)故障定位方法研究

鄭 聰1,2，周海峰1,2，鄭東強(qiáng)3，林忠華3，張興杰4

(1.集美大學(xué)輪機(jī)工程學(xué)院，福建 廈門 361021；2.福建省船舶與海洋工程重點實驗室，福建 廈門 361021；3.集美大學(xué)海洋裝備與機(jī)械工程學(xué)院，福建 廈門 361021；4.集美大學(xué)航海學(xué)院，福建 廈門 361021)

針對現(xiàn)有智能優(yōu)化算法在求解主動配電網(wǎng)故障定位問題時存在的收斂速度慢、易陷入局部最優(yōu)解、容錯性差、種群質(zhì)量低等問題，提出一種改進(jìn)的多元宇宙優(yōu)化算法(improved multi-verses optimization, IMVO)。首先構(gòu)建具有容錯能力的主動配電網(wǎng)模型，根據(jù)故障定位問題的特點對多元宇宙的種群進(jìn)行離散化編碼。其次將自適應(yīng)精英策略融入改進(jìn)算法的多元宇宙種群的更迭中，以保證多元宇宙的種群質(zhì)量。設(shè)計基于非線性曲線變化的蟲洞存在概率(wormhole existence probability, WEP)與旅行距離率(travel distance rate, TDR)的更新機(jī)制，以提高算法前段搜尋相對最優(yōu)宇宙的能力與后段調(diào)整最優(yōu)探測距離的精度。最后通過自適應(yīng)突變操作增強(qiáng)改進(jìn)算法的局部搜索能力，進(jìn)而提高全局尋優(yōu)能力。仿真實驗結(jié)果表明，改進(jìn)多元宇宙優(yōu)化算法在單點、多點以及信息畸變故障定位中全局尋優(yōu)能力顯著，相較于其他優(yōu)化算法在解決配電網(wǎng)故障定位問題上具有更高的準(zhǔn)確率與收斂速率。

多元宇宙優(yōu)化算法；主動配電網(wǎng)；分布式電源；故障定位；容錯性能

0 引言

配電網(wǎng)的故障定位問題是保證供電穩(wěn)定性與供電恢復(fù)的前提所在，隨著配電網(wǎng)絡(luò)技術(shù)的日益發(fā)展與綠色發(fā)展理念的不斷加深，因為風(fēng)能、潮汐能、太陽能等一系列可再生能源具有結(jié)構(gòu)靈活、成本低等優(yōu)勢，被以分布式電源(distributed generation, DG)的形式大量接入配電網(wǎng)，從而導(dǎo)致配電網(wǎng)的結(jié)構(gòu)愈加復(fù)雜[1]。而主動配電網(wǎng)為多電源系統(tǒng)，分布式電源的發(fā)電特性具有隨機(jī)性、間歇性、易受環(huán)境影響和儲量小等特點[2]，對整個線路的電流、損耗、電壓分布和短路水平有著直接影響，饋線段上的分段開關(guān)、聯(lián)絡(luò)開關(guān)、斷路器等各點電壓會顯著升高，且隨著分布式電源的接入會引發(fā)潮流反向的問題，導(dǎo)致傳統(tǒng)的故障定位方法效果差強(qiáng)人意[3]。因此，主動配電網(wǎng)的故障定位問題是智能電網(wǎng)研究的熱點問題。

相間短路故障時故障特征明顯，可以利用饋線終端單元(feeder terminal unit, FTU)設(shè)備采集提取準(zhǔn)確的故障信息，通過快速且具有高容錯性的定位算法實現(xiàn)故障區(qū)段的定位，適用于負(fù)荷密集的地區(qū)[4]，是目前的主要研究手段。其主要流程是基于FTU檢測到的故障電流信息，上傳至主站監(jiān)控和數(shù)據(jù)采集 (supervisory control and data acquisition, SCADA)系統(tǒng)，通過智能算法進(jìn)行計算得出故障區(qū)段，主要方法有矩陣算法和人工智能算法等[5]。矩陣算法的原理是利用FTU監(jiān)測到的故障信息來編寫故障矩陣和構(gòu)造網(wǎng)絡(luò)描述矩陣，通過矩陣計算來對故障區(qū)域進(jìn)行定位。文獻(xiàn)[6]針對多電源支路的故障難以確定的問題，采用改進(jìn)矩陣算法形成網(wǎng)絡(luò)結(jié)構(gòu)矩陣和故障信息矩陣來對故障區(qū)域進(jìn)行初始判斷，最后通過二分法精確定位故障的位置。雖然矩陣算法具有精準(zhǔn)且快速的定位效果，但因其容錯性較差而不能有效處理故障信息缺失及畸變的問題，不適用于復(fù)雜且惡劣的環(huán)境。人工智能算法的原理是基于FTU檢測到的故障電流信息，由數(shù)據(jù)處理中心通過人工智能算法進(jìn)行計算得出故障區(qū)段。文獻(xiàn)[7]采用免疫算法解決配電網(wǎng)的故障定位問題，通過計算抗體單元的親和度和濃度來對種群個體進(jìn)行評價，融入記憶單元來避免算法“早熟”，但由于抗體與抗原編碼為二進(jìn)制編碼，濃度評價中的親密度計算部分要在每代種群的每個個體之間實現(xiàn)，其計算次數(shù)極大，嚴(yán)重影響了算法的收斂速度和性能。文獻(xiàn)[8]采用動態(tài)自適應(yīng)的旋轉(zhuǎn)角策略，代替標(biāo)準(zhǔn)量子遺傳算法的固定旋轉(zhuǎn)角策略，再將混沌優(yōu)化思想融入算法，提高局部搜索能力，但收斂性能提升不明顯，故障定位時間較長。文獻(xiàn)[9]提出了一種自適應(yīng)的交叉與變異概率，交叉與變異概率在適應(yīng)度值的最大值和平均值之間，按照Sigmoid函數(shù)進(jìn)行非線性調(diào)整，再引入分級處理思想加快大規(guī)模電網(wǎng)故障定位的速率，但參數(shù)設(shè)置復(fù)雜，并且未驗證所提算法的容錯性能。此外，應(yīng)用到配電網(wǎng)故障定位問題中的智能優(yōu)化算法還有改進(jìn)仿電磁學(xué)算法[10]、蟻群退火算法[11]、天牛群搜索算法[12]、鯨魚優(yōu)化算法[13]、螢火蟲算法[14]、粒子群算法[15]、仿電磁學(xué)算法[16]等。

針對以上定位方法的不足，提出一種改進(jìn)的多元宇宙優(yōu)化算法。多元宇宙優(yōu)化算法(multi-verses optimization, MVO)具有設(shè)定參數(shù)少、搜索性能穩(wěn)定、尋優(yōu)速率高等優(yōu)點，適用于多維度優(yōu)化問題，并在數(shù)值實驗中較其他算法表現(xiàn)出了更優(yōu)異的性能[17]。首先，由于標(biāo)準(zhǔn)MVO算法僅適用于連續(xù)域，無法解決配電網(wǎng)的離散域問題，所以本文針對主動配電網(wǎng)故障定位問題的特點對算法進(jìn)行離散化編碼；其次，將自適應(yīng)精英策略融入多元宇宙的種群尋優(yōu)過程中，提高種群質(zhì)量；設(shè)計算法參數(shù)的更新機(jī)制，提高算法搜索性能；最后，通過自適應(yīng)突變算子增強(qiáng)算法擺脫局部最優(yōu)解的能力。仿真實驗結(jié)果表明，所提算法在主動配電網(wǎng)故障定位問題上有較高的求解效率與顯著的性能優(yōu)勢。

1 改進(jìn)多元宇宙優(yōu)化算法

1.1 MVO算法

MVO算法由文獻(xiàn)[17]提出，其原理是宇宙中黑洞與白洞中的物質(zhì)以一定概率通過蟲洞進(jìn)行轉(zhuǎn)移，以形成最優(yōu)宇宙，其理論模擬多元宇宙起源于宇宙大爆炸，每個宇宙都被分配一個初始膨脹率，膨脹率高的宇宙被認(rèn)為形成白洞的可能性高，并傾向于使物質(zhì)通過白洞，膨脹率低的宇宙被認(rèn)為形成黑洞的可能性高，傾向于通過黑洞吸收物質(zhì)，而多元宇宙的創(chuàng)建過程總是根據(jù)高膨脹率宇宙向低膨脹率宇宙靠近的原則進(jìn)行，其間的萬有引力作用可以使物質(zhì)轉(zhuǎn)移。算法的迭代過程分為勘探和開發(fā)兩個過程，蟲洞以一定概率出現(xiàn)在每個宇宙中，并作為白洞與黑洞間物質(zhì)轉(zhuǎn)移的媒介，還會以旅行距離大小對局部的相對最優(yōu)宇宙進(jìn)行探索，使宇宙在搜索空間中趨于最優(yōu)位置[18]。算法描述如下。

設(shè)有搜索空間存在宇宙的矩陣為

1.2 參數(shù)改進(jìn)

蟲洞以一定概率存在于每個宇宙中，蟲洞作為白洞與黑洞間相互作用的媒介在宇宙空間中隨機(jī)地轉(zhuǎn)移物質(zhì)，以保證多元宇宙的多樣性，確保相對最優(yōu)宇宙在局部范圍內(nèi)的搜索能力。這種機(jī)制提出兩個主要參數(shù)：蟲洞存在概率(wormhole existence probability, WEP)和旅行距離率(travelling distance rate, TDR)[20]。

1.2.1 WEP改進(jìn)

式中：表示當(dāng)前種群的迭代代數(shù)；表示最大迭代代數(shù)。函數(shù)曲線對比圖如圖1所示，圖中WEP表示參數(shù)更新前的變化曲線，WEP*表示參數(shù)更新后的變化曲線。

1.2.2 TDR改進(jìn)

p值更新曲線如圖2所示，函數(shù)曲線對比圖如圖3所示，圖中TDR表示參數(shù)更新前的變化曲線，TDR*表示參數(shù)更新后的變化曲線。

圖3TDR更新曲線

Fig. 3 Update curve of TDR-value

1.3 迭代過程

1.4 自適應(yīng)精英及突變策略

2 基于IMVO的主動配電網(wǎng)故障定位算法

2.1 算法概述

將主動配電網(wǎng)中的分段開關(guān)、聯(lián)絡(luò)開關(guān)、斷路器等元件作為節(jié)點，由多個節(jié)點把配電網(wǎng)絡(luò)分割成若干饋線段，各個饋線段的故障運行狀態(tài)即IMVO算法中宇宙種群的個體性狀，根據(jù)宇宙種群個體性狀來生成各個節(jié)點的期望故障電流陣列；當(dāng)主動配電網(wǎng)某一饋線段出現(xiàn)故障，由FTU設(shè)備檢測到各個節(jié)點的實際故障電流狀態(tài)，上報生成實際故障電流陣列。以宇宙種群個體對應(yīng)節(jié)點的期望故障電流陣列與終端設(shè)備上報的實際故障電流陣列之間的相似程度作為評價函數(shù)(膨脹率函數(shù))，作為IMVO算法的迭代依據(jù)，經(jīng)過宇宙間物質(zhì)轉(zhuǎn)移、精英選擇、自適應(yīng)突變等種群更新操作后，若滿足迭代條件，則輸出全局最優(yōu)宇宙種群個體，該全局最優(yōu)宇宙種群個體的性狀則為當(dāng)前主動配電網(wǎng)饋線段的運行狀態(tài)，從而對故障饋線段進(jìn)行定位。

2.2 離散化編碼

當(dāng)分布式電源接入配電網(wǎng)后，會使整個配電網(wǎng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、潮流分布及潮流方向發(fā)生改變[22]。規(guī)定FTU設(shè)備檢測的節(jié)點故障電流的正方向為：當(dāng)饋線段內(nèi)沒有分布式電源時，由系統(tǒng)電源到用電負(fù)載方向為正方向；當(dāng)饋線段內(nèi)存在分布式電源時，由系統(tǒng)電源到分布式電源方向為正方向，則各個節(jié)點故障電流編碼的3種情況，如表1所示。

表1 故障電流編碼方案

開關(guān)節(jié)點期望故障狀態(tài)與其上下游區(qū)段的各個饋線段的故障狀態(tài)，和下游區(qū)段的分布式電源開關(guān)狀態(tài)有著密切聯(lián)系。本文提出一種新的開關(guān)期望函數(shù)，對于饋線區(qū)段中的某一開關(guān)，規(guī)定系統(tǒng)電源至該開關(guān)之間的饋線段為上游區(qū)段，該開關(guān)至分布式電源或負(fù)載之間的饋線段為下游區(qū)段，則各個開關(guān)節(jié)點的期望故障電流狀態(tài)函數(shù)()*可表示為

2.3 評價函數(shù)(膨脹率函數(shù))

當(dāng)含DG的配電網(wǎng)中某饋線段發(fā)生故障時，其適應(yīng)度由FTU設(shè)備檢測到的實際故障電流陣列與開關(guān)期望函數(shù)陣列之間的差值表示，只有當(dāng)實際故障電流信息與期望函數(shù)值相似程度最高時，才能使兩者差值最小以得到最優(yōu)解，膨脹率函數(shù)可表示為

2.4 算法定位流程

基于IMVO的含DG配電網(wǎng)故障定位流程如下。

Step2：初始化IMVO參數(shù)，如宇宙種群數(shù)量、宇宙種群維度(即節(jié)點總數(shù))、變量范圍值、最大迭代代數(shù)等。

Step3：初始化二進(jìn)制多元宇宙種群，每個種群個體代表一組饋線段的故障運行狀態(tài)。

Step4：迭代開始，根據(jù)當(dāng)前迭代代數(shù)與最大迭代代數(shù)，更新WEP與TDR。

Step7：根據(jù)膨脹率大小對當(dāng)前宇宙?zhèn)€體進(jìn)行排序，儲存精英算子種群；并歸一化膨脹率。

Step10：對新多元宇宙種群根據(jù)膨脹率大小排序，儲存精英算子種群，和種群進(jìn)行自適應(yīng)更新操作。

Step11：若滿足迭代條件，則輸出全局最佳宇宙?zhèn)€體即定位故障區(qū)段，算法迭代結(jié)束，否則返回Step4。

3 實驗與對比分析

3.1 算例實驗

本次仿真實驗基于Matlab平臺，搭建含DG的IEEE33節(jié)點主動配電網(wǎng)結(jié)構(gòu)數(shù)學(xué)模型，以驗證本文方法的有效性，其系統(tǒng)結(jié)構(gòu)如圖4所示。其中L1—L33為33個饋線段，S1—S33為33個開關(guān)節(jié)點，K1—K3為各分布式電源的接入開關(guān)。由于分布式電源的接入，配電網(wǎng)的拓?fù)浣Y(jié)構(gòu)與故障定位的復(fù)雜程度提高，本文在仿真實驗中以隨機(jī)的形式接入不同位置、數(shù)量的分布式電源，以驗證本文方法的有效性。

3.1.1單點故障

針對多分布式電源配電網(wǎng)模型，為模擬在不同數(shù)量、不同位置的分布式電源接入配電網(wǎng)的情況，對單點故障定位仿真作4種分類，如表2所示。例如[K1, K2, K3] = [0, 0, 0]，即分布式電源均不接入配電網(wǎng)，若區(qū)段L11發(fā)生故障，F(xiàn)TU設(shè)備上報信息為[1, 1, 1, 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]，輸出定位結(jié)果為[0, 0, 0, 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]，算法迭代對比曲線見圖5(a)；算例[K1, K2, K3] = [0,1,0]、[K1, K2, K3] = [1,1,0]、[K1, K2, K3] = [1, 1, 1]迭代對比曲線見圖5(b)—圖5(d)。單點故障定位仿真實驗中，根據(jù)評估指標(biāo)對多次仿真實驗結(jié)果取平均值，如表3所示。

圖4 含DG的IEEE33節(jié)點主動配電網(wǎng)網(wǎng)絡(luò)

表2 單點故障定位仿真實驗算例

圖5 不同數(shù)量DG接入配電網(wǎng)的單點故障定位的算法對比圖

表3 單點故障定位算法迭代結(jié)果對比

3.1.2多點故障

對多點故障定位仿真作4種分類，如表4所示。例如[K1, K2, K3] = [1, 1, 1]，即分布式電源均接入配電網(wǎng)，若區(qū)段L10、L28、L32發(fā)生故障，F(xiàn)TU設(shè)備上報信息為[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 1, 1, 1, 1, 1, 1, 1, -1, 1, 1, 1, 0]，輸出定位結(jié)果為[0, 0, 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, 1, 0, 0, 0, 1, 0]，算法迭代對比曲線見圖6(d)；算例[K1, K2, K3] = [0, 0, 0]、[K1, K2, K3] = [0, 1, 0]、[K1, K2, K3] = [1, 0, 1]迭代對比曲線見圖6(a)—圖6(c)。多點故障定位仿真實驗中，根據(jù)評估指標(biāo)對多次仿真實驗結(jié)果取平均值，如表5所示。

表4 多點故障定位仿真實驗算例

圖6 不同數(shù)量DG接入配電網(wǎng)的多點故障定位的算法對比圖

3.2 容錯分析

由于配電網(wǎng)在實際工作時的環(huán)境復(fù)雜且不可控，所以FTU設(shè)備節(jié)點時常暴露在惡劣環(huán)境中，可能會導(dǎo)致檢測設(shè)備節(jié)點在傳輸故障電流信息時，發(fā)生數(shù)據(jù)丟失和數(shù)據(jù)畸變的現(xiàn)象。在實際的主動配電網(wǎng)發(fā)生故障時，節(jié)點處的FTU設(shè)備可能因為故障而無法向主站SCADA系統(tǒng)傳輸故障信息，此時主站SCADA系統(tǒng)有如下4種處理原則。

表5 多點故障定位算法迭代結(jié)果對比

1) 當(dāng)丟失信息的開關(guān)位于系統(tǒng)電源側(cè)，無論故障發(fā)生在哪一饋線段，均對該丟失點信息上報為1；

2) 當(dāng)丟失信息的開關(guān)位于分布式電源側(cè)，無論故障發(fā)生在哪一饋線段，均對該丟失點信息上報為-1；

3) 當(dāng)丟失信息的開關(guān)位于配電網(wǎng)中間部位，并且該開關(guān)上下游兩個相鄰位置的開關(guān)FTU設(shè)備上報信息一致時，主站SCADA系統(tǒng)會以相鄰位置的信息填補(bǔ)缺失位置信息；

4) 當(dāng)丟失信息的開關(guān)位于配電網(wǎng)中間部位，并且該開關(guān)上下游兩個相鄰位置的開關(guān)FTU設(shè)備上報信息不一致時，系統(tǒng)會將該丟失點信息上報為0，按信息誤報(數(shù)據(jù)畸變)情況處理。

仿真實驗中，在配電網(wǎng)發(fā)生單點、多點故障的前提下，設(shè)置FTU上報故障電流信息畸變點，對含分布式電源的配電網(wǎng)進(jìn)行故障容錯分析，對信息畸變故障定位仿真作6種分類，如表6所示。例如[K1, K2, K3] = [0, 0, 0]，若區(qū)段L11發(fā)生故障，F(xiàn)TU設(shè)備上報信息為[1, 1, 1, 1, 1, 1, 1, 0, 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]，單點畸變位置為S8，輸出定位結(jié)果為[0, 0, 0, 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]，算法迭代對比曲線見圖7(a)；[K1, K2, K3]=[1, 1, 0]，若區(qū)段L9發(fā)生故障，F(xiàn)TU設(shè)備上報信息為[1, 1, 1, 1, 1, 0, 1, 1, 1, -1, -1, 0, -1, -1, -1, -1, -1, -1, -1, -1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]，多點畸變位置為S6、S12，輸出定位結(jié)果為[0, 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]，算法迭代對比曲線見圖7(b)；多點故障算例下的單點、多點畸變算法迭代對比曲線見圖7(c)—圖7(f)。信息畸變定位仿真實驗中，根據(jù)評估指標(biāo)對多次仿真實驗結(jié)果取平均值，如表7所示。

表6 信息畸變故障定位仿真實驗算例

表7 信息畸變時故障定位算法迭代結(jié)果對比

3.3 實驗分析

根據(jù)上述算例，針對IMVO、IQGA、IA和IGA的種群質(zhì)量情況，進(jìn)行種群質(zhì)量的曲線擬合，如圖8所示。

根據(jù)上述仿真實驗：在單點、多點及信息畸變的故障算例中，IMVO算法均能在10代左右迭代到最優(yōu)，在自適應(yīng)精英及突變策略的加持下，擁有極高的種群質(zhì)量和局部探索能力，并且更新后的WEP與TDR值保證了算法前段與后段的迭代穩(wěn)定性，迭代時間僅有1.4 s左右；IQGA在單點故障算例中，25代左右迭代至最優(yōu)值，在多點故障算例中，收斂明顯變慢，35代左右收斂至最優(yōu)，擁有良好的迭代性能，種群質(zhì)量較好；IA由于抗體與抗原編碼為二進(jìn)制編碼，濃度評價中的親密度計算要在每代種群的每個個體的每個量子位之間實現(xiàn)，其計算次數(shù)極大，嚴(yán)重影響了算法的收斂速度和性能，在仿真實驗中發(fā)現(xiàn)，IA在解決配電網(wǎng)問題時算法收斂慢、迭代時間長、定位準(zhǔn)確率低下，并且種群質(zhì)量不穩(wěn)定；IGA在仿真實驗中迭代曲線呈現(xiàn)隨機(jī)性，迭代過程極其不穩(wěn)定，同樣種群質(zhì)量不夠穩(wěn)定，無法正常收斂至最優(yōu)值，準(zhǔn)確率低下。

圖8 IMVO、IQGA、IA、IGA在故障定位時的種群質(zhì)量擬合曲線

綜上所述，IMVO算法能夠高效定位配電網(wǎng)故障問題中的單點和多點故障，并在容錯性能分析中，有效解決了單點和多點信息畸變故障，且較對比算法優(yōu)勢明顯，具有收斂速度快、迭代次數(shù)少、種群質(zhì)量高以及定位準(zhǔn)確率高等優(yōu)點，可以更好地適應(yīng)配電網(wǎng)的故障定位問題。

4 結(jié)論

為了更為高效地解決配電網(wǎng)相間短路的故障定位問題，針對傳統(tǒng)智能優(yōu)化算法在求解主動配電網(wǎng)故障定位問題時存在收斂速度慢、易陷入局部最優(yōu)解、容錯性差等問題，本文提出一種改進(jìn)的多元宇宙優(yōu)化算法。根據(jù)故障定位問題特點對標(biāo)準(zhǔn)多元宇宙算法進(jìn)行離散化編碼，再將自適應(yīng)精英及突變策略融入算法的多元宇宙種群更迭中，并設(shè)計基于非線性曲線變化的WEP與TDR更新機(jī)制，有效解決含分布式電源的配電網(wǎng)故障定位問題。通過IEEE33節(jié)點配電網(wǎng)結(jié)構(gòu)的單點、多點以及信息畸變故障案例，結(jié)合多種算法的對比仿真實驗表明了改進(jìn)多元宇宙算法在配電網(wǎng)故障定位問題中的優(yōu)越性，大大縮短了檢查與維修恢復(fù)時間[23]。然而為了滿足全球節(jié)能減排的要求，在保證快速且精確定位配電網(wǎng)故障部位的同時，如何通過人工智能技術(shù)生成最優(yōu)的新能源配電網(wǎng)的能量管理策略，是以后的重要研究方向[24]。

[1] 文勁宇, 周博, 魏利屾. 中國未來電力系統(tǒng)儲電網(wǎng)初探[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(7): 1-10.

WEN Jinyu, ZHOU Bo, WEI Lishen. Preliminary study on an energy storage grid for future power system in China[J]. Power System Protection and Control, 2022, 50(7): 1-10.

[2] 陳思源, 景巍巍, 史明明, 等. 新能源接入背景下的諧波源建模方法綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(7): 162-175.

CHEN Siyuan, JING Weiwei, SHI Mingming, et al. Review of harmonic source modeling methods with the background of renewable energy access[J]. Power System Protection and Control, 2022, 50(7): 162-175.

[3] 李練兵, 孫騰達(dá), 曾四鳴, 等. 基于多端行波時差的配電網(wǎng)故障定位方法[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(3): 140-147.

LI Lianbing, SUN Tengda, ZENG Siming, et al. Fault location method for distribution networks based on traveling wave time difference[J]. Power System Protection and Control, 2022, 50(3): 140-147.

[4] 陳婷. 基于FTU檢測方法在含DG配電網(wǎng)故障區(qū)段定位的應(yīng)用綜述[J]. 電氣應(yīng)用, 2020, 39(4): 30-37.

CHEN Ting. Application summary of FTU detection method in fault location of distribution network with DG[J]. Electrotechnical Application, 2020, 39(4): 30-37.

[5] 趙喬, 王增平, 董文娜, 等. 基于免疫二進(jìn)制粒子群優(yōu)化算法的配電網(wǎng)故障定位方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(20): 83-89.

ZHAO Qiao, WANG Zengping, DONG Wenna, et al. Research on fault location in a distribution network based on an immune binary particle swarm algorithm[J]. Power System Protection and Control, 2020, 48(20): 83-89.

[6] YAN Hanyu, WU Xueying, LIN Chunlan, et al. A modified matrix algorithm dichotomy for distribution network fault location[C] //2020 International Conference of Recent Trends in Environmental Sustainability and Green Technologies, October 16-18, 2020, Shanghai, China.

[7] 陳奎, 張云, 王洪寅, 等. 基于免疫算法的含分布式電源配電網(wǎng)的故障定位[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(24): 57-62.

CHEN Kui, ZHANG Yun, WANG Hongyin, et al. Fault-section location of distribution network containing distributed generation based on immune algorithm[J]. Power System Protection and Control, 2017, 45(24): 57-62.

[8] 宇衛(wèi), 馬俊. 改進(jìn)QGA算法在含分布式電源的配電網(wǎng)中故障定位應(yīng)用與研究[J]. 電工材料, 2021(2): 33-35.

YU Wei, MA Jun. Application and research of improved QGA algorithm for fault location in distribution network with distributed power[J]. Electrical Engineering Materials, 2021(2): 33-35.

[9] 謝濤, 蒯圣宇, 朱曉虎, 等. 基于改進(jìn)遺傳算法的配電網(wǎng)故障定位方法[J]. 沈陽工業(yè)大學(xué)學(xué)報, 2019, 41(2): 126-131.

XIE Tao, KUAI Shengyu, ZHU Xiaohu, et al. Fault location method for distribution network based on improved genetic algorithm[J]. Journal of Shenyang University of Technology, 2019, 41(2): 126-131.

[10] 吉興全, 張朔, 張玉敏, 等. 基于IELM算法的配電網(wǎng)故障區(qū)段定位[J]. 電力系統(tǒng)自動化, 2021, 45(22): 157-166.

JI Xingquan, ZHANG Shuo, ZHANG Yumin, et al. Fault section location for distribution network based on improved electromagnetism-like mechanism algorithm[J]. Automation of Electric Power Systems, 2021, 45(22): 157-166.

[11] 張穎, 許欣. 基于蟻群退火算法的配電網(wǎng)故障定位研究[J]. 電器與能效管理技術(shù), 2021(9): 85-90, 99.

ZHANG Ying, XU Xin. Research on fault location of distribution network based on ant colony annealing algorithm[J]. Electrical & Energy Management Technology, 2021(9): 85-90, 99.

[12] 何晉, 周石金, 李開燦, 等. 基于天牛群搜索算法的配電網(wǎng)故障定位研究[J]. 電力電容器與無功補(bǔ)償, 2021, 42(3): 92-97.

HE Jin, ZHOU Shijin, LI Kaican, et al. Study on fault location of distribution network based on beetle colony antennae search algorithm[J]. Power Capacitor & Reactive Power Compensation, 2021, 42(3): 92-97.

[13] 張榮升, 劉麗桑, 宋天文, 等. 基于鯨魚優(yōu)化算法的配電網(wǎng)故障區(qū)段定位[J]. 福建工程學(xué)院學(xué)報, 2021, 19(4): 378-384.

ZHANG Rongsheng, LIU Lisang, SONG Tianwen, et al. Fault localization of distribution network based on whale optimization algorithm[J]. Journal of Fujian University of Technology, 2021, 19(4): 378-384.

[14] 楊莉, 周年榮, 李川, 等. 含DG配電網(wǎng)故障定位的免疫二進(jìn)制螢火蟲算法[J]. 化工自動化及儀表, 2021, 48(3): 253-258.

YANG Li, ZHOU Nianrong, LI Chuan, et al. IBFA for fault location of DG-included power distribution network[J]. Control and Instruments in Chemical Industry, 2021, 48(3): 253-258.

[15] 劉煜, 王俊江, 焦青, 等. 基于量子行為粒子群算法的含分布式電源的配電網(wǎng)故障定位[J]. 智慧電力, 2020, 48(8): 51-55.

LIU Yu, WANG Junjiang, JIAO Qing, et al. Fault location of distribution network with distributed power supply based on quantum behavior particle swarm optimization algorithm[J]. Smart Power, 2020, 48(8): 51-55.

[16] 王豐華, 穆卡, 張君, 等. 基于參數(shù)修正的輸電線路雙端不同步測距方法[J]. 電力自動化設(shè)備, 2018, 38(8): 95-101.

WANG Fenghua, MU Ka, ZHANG Jun, et al. Asynchronous two-terminal fault location method of transmission line based on parameter modification[J]. Electric Power Automation Equipment, 2018, 38(8): 95-101.

[17] MIRJALILI S, MIRJALILI S M, HATAMLOU A. Multi-verse optimizer: a nature-inspired algorithm for global optimization[J]. Neural Computing & Applications, 2016, 27(2): 495-513.

[18] 張強(qiáng), 姜慧清, 王穎, 等. 基于離散多元宇宙算法求解車輛路徑問題[J]. 電子科技大學(xué)學(xué)報, 2021, 50(6): 890-898.

ZHANG Qiang, JIANG Huiqing, WANG Ying, et al. Solving vehicle routing problem with fuzzy time window based on discrete multiverse algorithm[J]. Journal of University of Electronic Science and Technology of China, 2021, 50(6): 890-898.

[19] 任麗莉, 王志軍, 閆冬梅. 結(jié)合黏菌覓食行為的改進(jìn)多元宇宙算法[J].吉林大學(xué)學(xué)報(工學(xué)版), 2021, 51(6): 2190-2197.

REN Lili, WANG Zhijun, YAN Dongmei. Improved multi- verse algorithm with combined slime mould foraging behavior[J].Journal of Jilin University (Engineering and Technology Edition), 2021, 51(6): 2190-2197.

[20] 劉小龍. 改進(jìn)多元宇宙算法求解大規(guī)模實值優(yōu)化問題[J]. 電子與信息學(xué)報, 2019, 41(7): 1666-1673.

LIU Xiaolong. Application of improved multiverse algorithm to large scale optimization problems[J]. Journal of Electronics & Information Technology, 2019, 41(7): 1666-1673.

[21] 劉世宇, 王孜航, 楊德友. 多元宇宙算法及其在電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度的應(yīng)用[J]. 東北電力大學(xué)學(xué)報, 2018, 38(4): 19-26.

LIU Shiyu, WANG Zihang, YANG Deyou. Optimal scheduling of energy saving and emission reduction in power system based on multi-verse optimizer algorithm[J]. Journal of Northeast Dianli University (Natural Science Edition), 2018, 38(4): 19-26.

[22] 高鋒陽, 李昭君, 袁成, 等. 量子計算和免疫優(yōu)化算法相結(jié)合的有源配電網(wǎng)故障定位[J]. 高電壓技術(shù), 2021, 47(2): 396-405.

GAO Fengyang, LI Zhaojun, YUAN Cheng, et al. Fault location for active distribution network based on quantum computing and immune optimization algorithm[J]. High Voltage Engineering, 2021, 47(2): 396-405.

[23] JAMALI S, BAHMANYAR A, RANJBAR S, et al. Hybrid classifier for fault location in active distribution networks[J]. Protection and Control of Modern Power Systems, 2020, 5(2): 174-182.

[24] WANNENG Y, PEILIN Z, HAIBIN W. Evaluation on the energy efficiency and emissions reduction of a short-route hybrid sightseeing ship[J]. Ocean Engineering, 2018, 162: 34-42.

An active distribution network fault location method based on improved multi-universe algorithm

ZHENG Cong1, 2, ZHOU Haifeng1, 2, ZHENG Dongqiang3, LIN Zhonghua3, ZHANG Xingjie4

(1. School of Marine Engineering, Jimei University, Xiamen 361021, China; 2. Fujian Province Key Laboratory of Naval Architecture and Marine Engineering, Xiamen 361021, China; 3. School of Marine Equipment and Mechanical Engineering,Jimei University, Xiamen 361021, China; 4. School of Navigation, Jimei University, Xiamen 361021, China)

There are problems of slow convergence, ease of falling into local optima, poor fault tolerance and low population quality of existing intelligent optimization algorithms in solving active distribution network fault location problems. Thus this paper proposes an improved multi-verses optimization (IMVO) algorithm. First, an active distribution network model with fault tolerance is constructed, and the populations of the multiverse are discretized and coded according to the characteristics of the fault location problem. Second, an adaptive elite strategy is incorporated into the update of the multiverse population of the improved algorithm to ensure the population quality of the multiverse; the update mechanism of wormhole existence probability (WEP) and travel distance rate (TDR) based on nonlinear curve change is designed to improve the ability of searching the relative optimal universe in the front part of the algorithm and the accuracy of adjusting the optimal detection distance in the back part. Finally, the local search capability of the improved algorithm is enhanced by an adaptive mutation operation, thus improving the global search capability. The simulation results show that the improved multiverse optimization algorithm has significant global search capability in single-point, multi-point and information distortion fault location, and has a higher accuracy and convergence rate than other optimization algorithms in solving the distribution network fault location problem.

multi-verses optimization; active distribution network; distributed power supply; fault location; fault tolerance performance

10.19783/j.cnki.pspc.220601

國家自然科學(xué)基金項目資助(51179074)；福建省自然科學(xué)基金項目資助(2021J01839，2018J01495)；產(chǎn)學(xué)研項目(S20127)；福建省教育廳項目資助(JAT200242，JAT170318)

This work is supported by the National Natural Science Foundation of China (No. 51179074).

2022-04-26；

2022-07-13

鄭 聰(1998—)，男，碩士，研究方向為船舶電力系統(tǒng)故障診斷；E-mail: 928317073@qq.com

周海峰(1970—)，男，通信作者，博士，教授，研究方向為智能信息處理、光機(jī)電一體化、仿生機(jī)理以及節(jié)能等。E-mail: zhfeng216@163.com

(編輯 周金梅)