1、第2 6 卷第4期2023年文章编号2095-0020(2023)04-0192-06上海电机学院学报JOURNAL OF SHANGHAI DIANJI UNIVERSITYVol.26 No.42023基于BAS-PSO算法的含 DG配电网故障区段定位朱振田，王爱元，唐鸣（上海电机学院电气学院，上海2 0 130 6)摘要分布式电源(DG)的大规模接入电网使得线路潮流方向变得复杂，当线路发生故障时，利用传统粒子群(PSO)算法定位故障区段的准确性不高。针对此问题，提出一种基于天牛须改进粒子群(BAS-PSO)算法的故障定位方法。首先，引入自适应的惯性权重加快算法收敛速度，并利用Tent混沌
2、映射将种群初始化，避免其陷入局部最优解；然后，建立了开关函数和适应度函数，以定位含DG配电网故障；最后，通过Matlab对IEEE33节点的含DG配电网故障模型进行仿真。结果表明：该算法在含DG配电网故障区段定位中搜索速度和精度更高，并且在信号发生畸变的情况下拥有良好的容错性。关键词分布式电源(DG)；天牛须改进粒子群(BAS-PSO)算法；故障定位中图分类号TM712文献标志码AFault section location of distribution network with DGbased on BAS-PSO algorithmZHU Zhentian,WANG Aiyuan,TAN
3、G Ming(School of Electrical Engineering,Shanghai Dianji University,Shanghai 201306,China)Abstract The large-scale connection of distributed generation(DG)to the power grid makesthe power flow direction of the line complicated.When the line fails,the accuracy of the faultsection location is not high
4、by using the traditional particle swarm optimization(PSO)algorithm.To solve this problem,a fault location method by the particle swarm optimization based on beetleantennae search(BAS-PSO)algorithm is proposed.Firstly,a self-adaptive inertia weight isintroduced to accelerate the convergence of the al
5、gorithm.The Tent chaotic mapping is used toinitialize the population to avoid falling into the local optimal solution.Then,a switching functionand a fitness function are established to locate faults in distribution networks with DG.Finally,thefault model of the distribution network with DG of the IE
6、EE 33 node is simulated by Matlab.Theresults show that the algorithm has higher searching speed and accuracy in fault location ofdistribution network with DG,and has good fault tolerance in the case of signal distortion.Key words distributed generation(DG);particle swarm optimization based on beetle
7、 antennaesearch(BAS-PSO)algorithm;fault location收稿日期：2 0 2 3-0 4-2 6作者简介：朱振田（1999），男，硕士生，主要研究方向为电力系统及其自动化，E-mail:指导教师：王爱元（196 8 一），男，教授，博士，主要研究方向为电动机节能控制、电机设计与运行分析，E-mail:DGIDG22023年第4期伴随着分布式电源（DistributedGeneration，DG)大量接入电网，配电网的结构越来越庞大，潮流方向越来越复杂，且现有故障定位方法存在耗时长、准确率低等问题，使其故障定位问题变得越发困难。因此,研究含有DG的配电网故
8、障定位具有重要意义1-3。通过馈线终端单元（FeederTerminalUnit，FTU)检测到故障信息上传给数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA),并启动智能算法进行故障定位的方法是目前的研究热点4-6 。当FTU检测到故障电流时，它会将信息传递给 SCADA系统。系统会利用智能算法对接收到的信息进行计算分析，以便准确地定位故障电流的位置7-8 。近年来，国内外的许多学者对含DG的配电网故障定位做了大量研究。在智能算法中粒子群（Particle SwarmOptimization，PSO)算法是当前主流的配电网故
9、障定位方法，文献9 将差分进化PSO算法运用于含DG配电网进行分层定位，准确率显著提升，但定位时间较长；文献10 将遗传PSO融合算法用于含DG配电网故障定位，但该算法在故障信号发生畸变的情况下需要设置的参数复杂，定位的容错性较低;文献11 采用 PSO算法和穷举法结合的故障定位方法，该方法定位的准确性显著提升，但在出现多重故障的情况下易陷入局部最优。针对上述问题，本文采用天牛须改进粒子群(Particle Swarm Optimization based on BeetleAntennae Search，BA S-PSO)算法应用于含DG配电网的故障定位。该算法融合了PSO算法和天牛须搜索(
10、Beetle Antennae Search，BA S)算法的优势，并在算法中引人动态自适应的惯性权重，同时利用Tent混沌映射将种群初始化，以提高其全局搜索性能。将此算法应用到含有DG配电网的故障定位中,能达到快速准确定位故障区段的目的。1含DG配电网故障模型建立1.1故障信息编码及开关函数配电网发生故障后，FTU对上传的故障信息进行编码，计算开关函数和适应度函数，然后使用迭代算法逐步优化，以找到最优解。将第i个节点朱振田，等：基于BAS-PSO算法的含DG配电网故障区段定位S4S6SL6L1图1含DG配电网示意图开关函数是一种描述网络节点状态的函数，它能够使算法更加合理地运用和分析来自馈线
11、终端设备的信息，从而确定故障区间12 。本文采用文献13中的开关函数,用于含DG配电网的故障定位。第i个节点上游和下游区段的开关函数表达式为MI=(1IX,s.)j，uj,S.uN1-IIX,;s)Id=Lj.dI,=Iju-Ija式中：M、N分别为上、下游电源的数量;P、Q 分别为上、下游电源馈线区段数量；u、d 分别为节点上、下游区域；Su、Sd 分别为上游主电源及下游DG;Xju、Xja 分别为第i个节点上游和下游的馈线区段状态值；X,s.、X,s.分别为从第i个节点至上游主电源及下游DG各个馈线区段状态值；I为第i个节点的实际开关函数值。1.2适应度函数在配电网故障定位的模型中，更好的
12、适应度意味着个体更接近实际故障区域。随着越来越多的DG并人，传统的适应度函数不再适用，且容易使193作为临界点，电源从主网流向第；个节点的区域被称为上游区域，当故障的功率流经过上游区域的节点时用数字1表示;DG输送到节点i的区域被称为下游区域，检测到下游过流信息则用一1表示。如果节点未流过故障功率则表示为0。因此，开关节点状态值表达式为(1，检测到正向故障功率流1,=0,未检测到故障功率流一1，检测到反向故障功率流含DG的配电网示意图如图1所示。图中，SiS：为开关节点;LL为馈线区段;G为一个主电源;DG1、D G 为两个分布式电源。S1S2(1)S3S5S8立Xidj,dPj.Sdj，u(
13、2)194结果发生误判。因此，根据文献14 中的方法改进后的适应度函数为f(a)=II,-I,I+IX,I(3)j=1式中：X，为第i个节点的运行状态值；为惯性权重。2BAS-PSO算法的配电网故障区段定位2.1 BAS-PSO算法原理BAS算法是2 0 17 年提出的一种智能优化算法，启发来源于天牛比较左右两条触须气味来觅食的过程。其全局搜索能力强、运算量少，且不需要梯度信息就能实现优化的目的15。将BAS算法与PSO算法相结合，每个天牛会通过比较左右须适应度函数的值和速度权重来更新自身位置，从而避免了由于忽略个体间交流导致陷入局部极值的问题，提高了算法的快速性和稳定性。假设在D维空间中有N
14、个天牛，;（i 1,2，N)为第i只天牛在D维空间的位置。根据目标函数，可以计算出每个天牛个体的适应度值，通过比较每个粒子在当前位置的适应度，得到当前的个体最优解P，和全局最优解Pg。因此,第i个天牛个体的速度和位置的更新规则为Vi,k+1=wik+ciri(P;一ai.k)+)C2r2(Pgai.k)Ci,k+1=i.k+入Ui,k+(1-入)s式中：Ui.kvUi,+1分别为第k次和第k十1次迭代1.00.80.60.40.20上海电机学院学报时第i只天牛的速度；ikvi.k+1分别为第k次和第k十1次迭代时第i只天牛的位置；c1vC为学习因子；r1、r 为区间o,1上的随机数；入为正常数
15、；j1为天牛位置增量因子。2.2自适应惯性权重惯性权重影响算法搜索故障区间的性能，惯性权重较大时有利于全局范围的搜索，较小的惯性权重有利于加快算法的收敛速度。本文在迭代过程中通过对种群最大和最小适应度值的变换动态调整惯性权重的值,改进后的惯性权重表达式为Wminfang一fminWmax，式中：f为当前的适应度值；fminvfag分别为最小和平均适应度值;maxvWmin分别为最大和最小惯性权重。2.3种群混沌初始化混沌序列表现出内在随机性、全面性和规律性等特征，使用混沌序列得到的初始群体，可以有效提高算法的搜索效率。本文采用Tent混沌映射初始化，以提升收敛速度的同时避免陷入局部极值。Ten
16、t混沌映射方程为yi,n+i=yin，yin+1=(1-yin+1)，0.5y i,1/式中：i为混沌变量；n为种群个体序号；为混沌(4)形态控制参数；yi.nvyi,n+1分别为经过n和n十1次映射的种群分布混沌值。Tent映射50 0 次的种群分布如图2 所示。60：，：+：100200种群总规模(a)种群分布2023年第4期(5)ffag0yi,0.5)(6)504030*2010300400图2 Tent混沌初始化种群分布50000.20.4混沌值(b)混沌值0.60.81.02023年第4期2.4BAS-PSO算法故障区段定位流程含DG配电网故障定位流程如图3所示。开始编码和参数设定
17、Tent序列初始化种群计算适应度函数，获取粒子个体最优值和群体最优值比较左右须适应度值，更新天牛的位置与速度得到天牛个体最优值和群体最优值是否满足代要求Y更新粒子的位置和速度，计算个体最优解和全局最优是否满足送代要求Y输出区段定位结果结束图3故障定位流程3仿真分析以含DG的IEEE33节点配电网模型进行仿真实验，如图4所示。其中，G为主电源；DG1、K21-20S2S3S朱振田，等：基于BAS-PSO算法的含DG配电网故障区段定位NNS19S20S21S22L21S4S5图4含DG的IEEE33节点配电网模型195DG、D G：分别为3个DG;SiS33为配电网的33个开关节点；L1L33为配
18、电网的33个馈线区段；K1、K、K：分别为3个DG的投切系数,K=1时表示接人电网，K=0时表示未接人电网。3.1快速性对比分析以上述IEEE33节点的含DG配电网模型进行Matlab仿真。假设DGi、D G 2、D G：3个DG均接入网络，分别设置以下4种故障类型进行仿真分析。适应度函数值变化曲线如图5所示。（1）单点故障无畸变。当区段Lio发生故障，根据上文编码方式所得故障信息为1111111111-1-1-1-1-1-1-1-1-1-1-1-1000-1-1-1-11-1-1-1。（2）多点故障无畸变。当区段L：和L21发生故障,对应的FTU故障信息为11111111-1-1-1-1-1
19、-1-1-1-1-1111-10 00-1-1-1-1-1-1-1-1。（3）单点故障有畸变。在区段L1o故障的基础上，当终端节点S16处信息发生畸变，此时各终端信息编码为111111111111-1-1-11-1-1-1-1-1-10001-1-1-1-1-1-1-1。（4）多点故障有畸变。在区段L。和L21故障的基础上，当终端节点S26处信号畸变，此时各终端信息编码为11111111-1-1111-1-1-1-1-1111-10001-1-1-1-1-1-1-1。通过仿真对比可见，BAS-PSO算法得到全局最优解的迭代次数更少，收敛速度上有明显优势，在故障定位中表现出更好的快速性。S6S7
20、S8 SgS1oSu1 S12S13S14S15 S16S17S18KDG1L%L9S28SL27L2829L30L31L32L33S25L23L24L25L10L11L12S30S31L13L1416DG3L17-18196上海电机学院学报2525-BAS-PSO算法-PSO算法202023年第4期BAS-PSO算法-PSO算法201051050302520151051020选代次数(a)单点故障无畸变-BAS-PSO算法-PSO算法3040500252051020选代次数(b)多点故障无畸变-BAS-PSO算法-PSO算法30405003.2准确率对比分析以上是经过单次仿真所得出的结果，针
21、对算法可能会陷人局部最优从而无法定位到故障区段的情况，本文分别进行了40 次仿真测试，统计结果如表1所示。表1准确率对比结果PSO算法BAS-PSO算法故障类型准确准确准确准确次数率/%次数率/%单点故障无畸变37多点故障无畸变34单点故障有畸变33多点故障有畸变31由表1可知，随着仿真测试的次数增加，算法可能无法正确定位到配电网的故障区段。且故障区段和畸变信号增加，故障定位准确率有所降低。10(c)单点故障有畸变图5不同故障类型下适应度值变化曲线通过对比分析,BAS-PSO算法在各种故障类型下定位的准确率上有较大的提升。3.3容错性对比分析考虑DG投切系数K1、K、K：的不同投切情况，对不同
22、区段故障进行测试，并设置不同的信号畸变位置。仿真得出单点故障容错性分析和多点故障容错性分析仿真结果如表2 和表3所示。表2 单点故障容错性分析仿真结果92.540853882.53877.53720选代次数3040100959592.5500K;K,K30 0 01 0 011 011 1111St,S20,S2310畸变实际故障PSO算法 BAS-PSO算位置区段定位结果法定位结果无L4无LIOSI4L18Si7、Ss 2L25L2820送代次数(d)多点故障有畸变3040L4LIOL18L25L2850L4LIoL8L25L282023年第4期表3多点故障容错性分析仿真结果畸变实际故障PS
23、O算法 BAS-PSO算K;K,K;位置0 0 0无L,、L2 31 0 0无L4、Li o、Li 91 1 0S2311 1Si7,SaoLi1、L2 0 L2 411 1S4,S20S2828 L12 L27 L12、L2 7 L2 8 L12 La 7由表2、表3可知，无论DG投切情况如何，当含DG配电网单个区段线路发生故障且有少量畸变信号时，两种算法均能正确地定位到故障区间。而当多个区段线路发生故障时，随着故障区段和畸变信号增加,PSO算法出现了漏报或误报的现象，反观本文BAS-PSO算法仍然可以找到配电网的故障区段且定位结果正确，表明了该方法具有良好容错性。4结语考虑将DG接入配电网
24、，构造了适用于DG投切的开关函数和适应度函数，提出一种BAS-PSO算法应用于含DG配电网的故障定位。结果表明：在考虑不同的DG投切情况和不同的信号畸变发生位置时，无论对单一故障还是多重故障，该算法都能够快速收敛到全局最优解并定位出故障区段，且通过对比传统PSO算法，本文方法用于含DG的配电网故障定位具有更好的快速性、准确性和容错性。参考文献1谢民，王同文，徐靖东，等.分布式电源对配网继电保护影响及综合改进保护方案J.电力系统保护与控制,2 0 19,47(19):7 8-8 4.2 J JIA K,YANG B,BI T S,et al.An improved sparse-measurem
25、ent-based fault location technology fordistribution networksJ.IEEE Transactions on In-dustrial Informatics,2021,17(3):1712-1720.3 HOU K,SHAO G,WANG H,et al.Research on朱振田，等：基于BAS-PSO算法的含DG配电网故障区段定位区段定位结果法定位结果L,、L2 3L、L2 3LLi9L4、Li o、Li gL4、LoL4LsoLI1、L2 4L11、L2 0、L2 4197practical power system stabil
26、ity analysis algorithmbased on modified SVMJ.Protection and Controlof Modern Power Systems,2018,3(1):1-7.何瑞江，胡志坚，李燕，等.含分布式电源配电网故障区段定位的线性整数规划方法J.电网技术，2 0 18，42(11):3684-3692.L4/L305于毅，尹丽菊，申晋，等.改进整数规划的含分布式电源配电网故障定位J.智慧电力，2 0 2 0，48（3）：10 4-108.邱彬，罗添元，宁博，等.基于BAS-IGA的含分布式电源配电网故障定位J.电力系统及其自动化学报,2 0 2 1,3
27、3(2):8-14.7SSHEN S F,LIN D,WANG H F,et al.An adaptiveprotection scheme for distribution systems with DGsbased on optimized Thevenin equivalent parametersestimationJ.IEEE Transactions on Power Deliver-y,2017,32(1):411-419.8 郑涛，马龙，李博文.基于馈线终端装置信息畸变校正的有源配电网故障区段定位J.电网技术，2 0 2 1，45(10):3926-3935.9 月周源，郑柏林
28、，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.电力系统保护与控制，2 0 13，41（4）：33-37.10张波，唐亮，梁晓伟，等.基于遗传粒子群法的配电网故障定位研究J.计算技术与自动化，2 0 2 140（1)：33-37.11舒凡娣，谢嘉晟，廖晓娇，等.结合粒子群算法和穷举法的配电网故障诊断方法.智慧电力，2 0 19，47(1):94-99.12杨鑫，张家洪，李英娜，等.配电网故障定位的免疫二进制萤火虫算法J.西北大学学报（自然科学版），2020,50(2):304-310.13杨国华，冯骥，柳萱，等.基于改进秃鹰搜索算法的含分布式电源配电网分区故障定位.电力系统保护与控制,2 0 2 2,50(18):1-9.14王秋杰，金涛，谭洪.基于分层模型和智能校验算法的配电网故障定位技术J.电工技术学报，2 0 18，33(22):5327-5337.15 JIANG X Y,LI S.BAS:beetle antennae search algo-rithm for optimization problems J.InternationalJournal of Robotics and Control,2018,1(1):1-5.