配网自动化故障定位-遗传算法

1、0引言随着电网的不断扩展，用户对供电质量和供电可靠性的要求也越来越高，传统的技术和管理手段无法适应新的形势。实施配电自动化是进一步改善配电网供电质量,提高配电网供电可靠性的关键手段；是提高电力设备利用率,优化资源配置,进一步开发和利用清洁能源的必要措施；是加强和完善配电网管理,提高企业管理效率的重要途径。我国的市场经济的快速发展和电力市场改革的逐步深入促进了直接与用户打交道的配电公司越来越重视自身的生产、经营、管理和服务水平,与此同时电力用户对供电企业特别是配电的要求也是越来越高。在这样一种背景下来进行配电网络故障定位问题的研究有着十分重要的意义，高效的故障定位方法使得配电公司在网络发生故障时

2、能够快速准确地找到发生故障的区间或设备,隔离故障设备,及时派出故障抢修工作人员进行现场处理,尽快恢复供电,缩短停电时间。1配电网自动化简介1.1 配电网结构及接线方式电力系统中，变电、送电、配电设备以及不同电压等级的电力线路组成电网。电网又分成配电网和输电网，一般把配电网中经过降压后低压侧直接给用户供电的网络，称之为配电网络。配电网络大致可以分成环状、树状以及辐射状，如图 1.1 所示，将电能分配到各个用户终端是配电网的主要作用。就我国而言，配电网所指的是 110kV 以下的电压等级电网，一般高压配电网为110kV和 35kV，中压配电网为 10kV，低压配电网为0.4kV。（c）环状(b)树

3、状（a）辐射状 图1.1 配电网结构图配电网具有的特点：（1）与用户终端关系密切，施工或者是系统事故造成停电将给社会造成很大的影响；（2）设备量大，品类众多，遍及范围也非常的广，如街道和生活的各个场所；（3）经常要对系统内的设备进行更新，改造以及变更。电力系统接线方式有多种，我们常用的接地方式一般分为四种：中性点直接接地方式、中性点经电阻接地方式、中性点不接地方式和中性点经消弧线圈接地方式。其中，中性点直接接地方式也称为大电流接地方式，其余三种称为小电流接地方式。在配电网中，一般都是采用小电流接地方式。1.2配电网自动化的概念配电自动化(DA)是指以一次网架和设备为基础,以配电自动化系统为核心

4、,综合利用多种通信方式,实现对配电系统的监测与控制,并通过与相关应用系统的信息集成,实现对配电系统的科学管理。而实现这一目标依靠的就是配电自动化系统(DAS)。配电自动化系统整合了现代电子技术、通信技术、计算机技术以及网络技术,并与电力一次设备相结合,具备配电SCADA、馈线自动化、故障处 电主站、配电终端、配电子站(不一定有)和通信通道等部分组成。图1.2为配电自动化的构成图：图1.2 配电自动化构成图配网自动化发展至今，其内容可大致分为四个方面：一是馈线自动化（配电线路自动化）；二是用户自动化（用户需求侧管理自动化）；三是配电网管理自动化（网络分析）；四是变电站的综合自动化（输电和配电的接

5、合部）。用户的供电与故障定位及故障隔离和网络重构成为了配电网自动化系统的一项主要功能，它可以显著地提高供电可靠性。1.3配电网自动化的意义目前，我国配电网的网架普遍较为薄弱，整体规划也比较缺乏，大部分都是树状网。配电网的主干线界面也比较小，并且多为架空线路，供电的半径较大，损耗严重，且电能质量较差，配电系统设备陈旧老化，基本上都是手动操作的，较少采用监控设备，采集的信号量不多，自动化故障处理水平较低，故障处理与恢复的速度慢。在配电网中，单电源供电方式是最为常见的，并且线路分段少，当发生故障时会造成大面积的停电，故障定位需要较长的时间，恢复供电时间较。因此，配电自动化的主要意义在于：当配电网发生

6、故障时，迅速查出故障区段，快速隔离故障区段，及时恢复非故障区域客户的供电，因此缩短了对客户的停电时间，减少了停电面积，提高了供电可靠性。在正常运行情况下，通过监控配网运行工况，优化配网运行方式，使配电网的潜力得以最大限度的利用；根据配电网电压合理控制无功负荷和电压水平，改善供电质量，降低线路损耗，达到经济运行目的；合理控制用电负荷，从而提高设备利用率；自动抄表计费，保证了抄表计费的及时和准确，提高企业的经济效益和工作效率，降低劳动强度，达到减人增效的目的；提高管理现代化水平和服务质量，并可为客户提供用电信息服务等。配电自动化系统的主要目的之一在于减少停电面积和缩短停电时间，为此必须能够采集配电

7、网上的实时数据，并对其进行分析，从而使调度员能够随时监视网上运行情况和作出明确的决策。此外，还要求能够通过遥控和遥调在控制中心就能对配电网进行必要的操作，从而缩短故障处理时间和降低劳动强度。1.4总结从以上所介绍的内容可以看出，配网故障的定位、隔离及失电区域的供电恢复重构是配电自动化的一项核心内容，意义深远。在配电自动化中拥有一套性能优良的配网故障诊断及恢复算法计算软件，将对配电自动化水平起着决定性的作用，本文就是在遗传算法的基础上实现配网自动化的故障定位。2 配电网故障定位目前配电网故障定位可以分为主动式及被动式两种检测方式。2.1主动式检测主动式故障检测方法是指配电网出现线路故障并在没有停

8、电的状况下，通过将特定信号注入到系统中实现线路故障定位的方法。2.1.1 S注入法S注入法是利用故障时暂时闲置的电压互感器注入交流信号电流,通过检测故障线路中注入信号的路径和特征来实现故障测距和定位。线路发生接地故障后,经三相电压互感器的中性点向故障线路注入特定频率的电流信号,注入的信号将沿着故障线路经接地点注入大地,然后用信号寻迹原理进行故障选线,并确定故障点。考虑到配电网中最多的故障是单相接地，因此，为保证电网安全运行,在出现单相接地时选出接地线路后应立即停电,在停电状况下进行接地点定位。考虑到线路停电后绝缘可能恢复,可采用“直流开路,交流寻踪”的离线故障定位新方法。该方法首先通过外加直流

9、高压使接地点处于保持击穿状态,然后注入交流检测信号,再通过寻迹原理寻踪注入的交流信号找出故障的准确位置。信号注入法适合于线路上只安装两相电流互感器的系统。但是，当接地电阻较大时线路上的分布电容会对注入的信号分流,给选线和定点造成干扰。并且如果接地点存在间歇性电弧现象,则注入的信号在线路中将不连续,给检测带来困难。该方法寻找故障点时间较长,在此期间有可能引发系统的第二点接地,造成线路自动跳闸。2.1.2加信传递函数法加信传递函数法是在故障出线处加方波激励信号,根据故障后电路拓扑结构的变化,用频域分析的方法进行定位。该方法是基于频谱分析的原理和线路的分布参数模型,在线路首端施加方波激励信号源,在首

10、端测量时域的零序电压和电流数据,计算得到频域传递函数,然后根据各分支端口传递函数频谱的频率、相位及波形特征以实现接地故障的定位。2.1.3 端口故障诊断法端口故障诊断法是将模拟电路故障诊断理论应用于分布参数传输网络故障诊断的方法。从端口方程出发,利用单相接地后的故障电压和电流的特点进行测距和定位,通过施加正弦信号,比较传输网可测端口故障前后测试信号的变化量,实现故障分支定位。端口故障诊断法的优点是故障诊断的工作量小,适用于大型网络的故障诊断,缺点是分支上的故障点位置只能归结为主支与分支的联接点,而无法确定具体的故障距离,并且需要采集线路两侧的信息,实用性不强。2.2被动式检测被动式故障检测就是

11、在配电线路的主要节点加装故障探测器(故障指示器或FTU), 利用故障发生时所采集的故障信息以及故障前后线路参数的变化以实现故障点的定位。2.2.1小电流接地故障检测我国配电系统中性点多釆用小电流接地方式。当系统发生单相接地故障时,相间电压保持不变,因此,可以继续维持一段时间的正常供电。根据规定,发生单相接地故障后系统可继续运行2小时,但由于单相接地故障可能会发展成为两点或多点的接地故障,进而引起线路跳闸故障。并且小电流接地系统发生单相接地时故障电流很小,接地电弧往往能够自行媳灭,使故障消失。因此,小电流接地故障检测主要是解决单相接地故障的定位。目前,国内建设的配电自动化系统,一般仅能实现短路故

12、障定位与隔离功能,还不能处理小电流接地故障,因此，这一领域有很大的发展空间。2.2.2被动式故障定位的算法对于实现了配电自动化的配电网络,一般利用线路FTU实现线路故障信息的检测,并将检测结果通过通信网络发送至SCADA系统,SCADA系统根据一定的故障定位算法就可以自动定位出故障所在区段。以下为常用的算法：（1）故障定位矩阵算法故障定位矩阵算法是根据配网的结构构造一个网络描述矩阵,然后依据线路的最大负荷,对配网中各台FTU进行整定。当馈线发生故障时,有故障电流流过的分段开关上的FTU将检测到高于其整定值的过电流,此时该FTU就将这个故障电流的最大值及其出现的时刻记录下来并上报给配网控制中心的

13、SCADA系统, SCADA系统对这些信息进行处理获得一个故障判断矩阵,根据故障判定矩阵就可准确地判断和隔离故障区段。由于基于信息矩阵的算法完全依赖于FTU上报的信息进行故障定位,所以当信息误传或保护拒动时,将会影响定位的结果,容错性差。（2）专家系统专家系统(Expert System)是一类包含着知识和推理的智能计算机程序,其内部含有大量的某个领域专家水平的知识和经验,能够利用人类专家的知识和解决问题的方法来处理该领域的问题,特别擅长于解决难以建立数学模型,较多的依赖专家的经验知识的问题。这种方式下，根据专家提供的运行经验,建立模糊诊断的知识库及相应的推理机制,当故障发生后,SCADA系统

14、发出的保护和开关动作信号激活系统,依据网络拓扑结构形成故障信号链,启动推理机制,进行信号识别及故障定位。（3）模糊理论模糊理论(Fuzzy Theory)是将经典的集合理论模糊化,并引入语言变量和近似推理的模糊逻辑,具有完整的模糊体系的一种智能技术,可以较好的处理不确定性问题。由于保护或断路器的误动、拒动、信道的传输干扰、保护的时限偏差等的存在,使得电力系统故障诊断问题存在许多不确定因素,而模糊理论正擅长模拟人类思维中的近似推理,使得它被广泛应用于电力系统的故障诊断。（4）人工网络人工神经网络(ANN)是一种连接机制模型,它是由大量人工神经元广泛互联而成的网络,是以工程技术的手段来模拟人脑神经

15、元网络结构和特征的系统。应用神经网络进行电力系统报警处理和故障定位能在保护装置误动、数据丢失以及出现其它未考虑的报警类型时也能给出较精确的定位结果。（5）遗传算法遗传算法(GA)是一种基于达尔文进化论思想和遗传学的新的优化算法,通过模拟自然生物进化的过程中优胜劣汰的机制来解决科研工作中出现的各种问题。遗传算法是根据人类遗传机理,通过模拟生物进化过程中的繁殖、杂交和突变等现象,提出的一种全局优化算法。它具有较强的全局寻优能力,擅长于优化问题,并具备高容错性能,在配电网故障定位应用中得到重视。这也是本文的重点，在下一章具体阐述。3遗传算法近年来，以遗传算法和专家系统为代表的人工智能发展迅速，并在电

16、力系统中得到了广泛的应用，尤其以遗传算法的应用最广。遗传算法是一种基于自然选择和群体遗传机理的搜索算法，它模拟自然选择和自然遗传过程中发生的繁殖、杂交和突变现象，因此，遗传操作的三个基本遗传算子为：选择、交叉和变异。选择和交叉基本完成了遗传算法的大部分搜索功能，变异增加了遗传算法找到接近最优解的能力。3.1编码在遗传算法中，不直接与参数打交道，而是根据元件故障与保护动作和断路器跳闸之间的关系,将电力系统的故障诊断问题转化为一个0、1整数规划问题, 通过故障诊断的评价函数,实现精确的故障诊断。一般来说，“1”表示设备存在故障，“0”表示设备工作正常。3.2 评价函数3.2.1 单电源供电在遗传操

17、作中,评价函数是评价解的性能的依据,性能好的解的优良性能遗传给下一代。评价函数构造为 （1）式中 ， 为第i个设备的状况（正常为0，故障为1）；为第i个分段开关的电流越限信号（有故障电流时为1，否则为0）； 为第j个分段开关的函数（有故障电流时为1，否则为0）；为可由上传给主站SCADA系统的实时故障电流信息通过下式得到。 （2）式中为第j个分段开关的电流越限信号（有故障电流时为1，否则为0）； 为采集到的第j个分段开关的故障电流； 为第j个分段开关的故障电流定值。由上述的分析可见, 仅与采集到的实时故障电流有关,与设备状态无关。式(1)右端的项数及均由实时的网络拓扑分析结果确定。3.2.2

18、多电源供电第 3.2.1 节分析了单一电源情况下基于遗传算法的故障定位方法。在多电源情况下，评价函数的构造将不同于单一电源的情况。因为此时某一设备故障后，故障点和每个电源点（此时电源点不止一个）之间的测控点都会有故障电流流过，若按单一电源情况下的是否经历故障电流的求解方法将不能正确地判定故障区间。因此对于多电源的情况，需确定故障电流的方向性。先给各馈线来确定一个正方向：假定该网络只由其中某一个电源供电（该电源可以任意选取），馈线的正方向就是由该假定电源向全网供电的功率流出方向。对于一个假定了正方向的配电网，就可以利用单一电源情况下的遗传算法来进行故障定位了。考虑了配电网方向性之后，某个测控点的

19、状态值为：表达式的求解与单一电源情况类似。某个测控点的期望状态值等于某几个馈线段状态值的或运算，参与或运算的馈线段的集合就是若其中任一馈线发生故障，则均有故障电流以正方向流过这一测控点的那些相关馈线段。其它变量的定义及评价函数表达式与单一电源情况下的完全相同。由此可见，在考虑了正方向之后，多电源配电网的故障定位问题实际上已转化为了单一电源情况下的故障定位问题。3.3形成初始解群在主站接收到故障信息时,根据进线断路器的保护信息(速断、限时速断、过流)的不同形成不同的初始解群。若保护信息为速断,则初始解群中进线断路器出口处设备状态为1(设备故障)的解多一些;若为限时速断,则配网中间设备状态为1的初

20、始解多一些;若为过流,则位于配网末端状态为1的初始解多一些。这样可以大大地降低遗传算法的搜索次数。初始解群随机选取，但群体大小N得控制得当。当N取值较小时，可提高遗传算法的运算速度，但却降低了群体的多样性；而当N 取值较大时，又会使得遗传算法的运行效率降低。计算每个初始解的适应值时,从中选出适应值较大的解,组成匹配集。3.4遗传操作遗传操作包括选择、交叉和变异操作过程。3.4.1选择选择是指从群体中选择优良个体并淘汰劣质个体的操作。 将父代群体中的每一个染色体进行适应度评估，适应度越大，表示品种越优良，被选中的几率也越大。目前在遗传算法中最基本也是最常用的选择方法是轮盘赌方法，又称适应度比例法

21、。 设群体的大小为 N，个体的适应度为，则个体 i 被选择的概率为: （3）被选中的个体被放入配对库中随机进行配对，以进行下面的交叉操作。3.4.2 交叉交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作，交叉的目的是为了能够在下一代产生新的个体。 通过交叉操作，遗传算法的搜索能力得以飞跃性的提高。交叉是 GA 获取新优良个体的最重要手段。 最简单的交叉方法是一点交叉， 又称为简单交叉。具体操作是：在个体串中随机选定一个交叉点，两个个体在该点前或后进行部分互换，以产生新的个体。 举例如下：交叉交叉点X:0000111 X:0000001Y:1111001 Y:1111111交叉操作

22、是按照一定的交叉概率 Pc （也称交叉率）在配对库中随机选取两个个体进行的， Pc 的值一般比较大，在 0.6 0.9 之间。3.4.3 变异变异是随机地改变群体中个体的某些基因的值，举例如下：变异变异点X:0010111 X:0010101变异与选择、交叉结合在一起，就能避免因选择和交叉算子引起某些信息永久性丢失，保证遗传算法的有效性。 变异率 Pm 通常取很小的值，如 0.001，若 Pm 过大，遗传算法就退化为随机搜索，将失去它的某些重要特性。总之，遗传算法的通用流程框图见图 3.1 所示。图3.1 遗传算法的通用流程框图4 编程与实现在了解了基本原理之后，给出了基于遗传算法的MATLA

23、B故障定位程序和运行结果。4.1 MATLAB程序根据第三章阐述的遗传算法，编写的程序如下：4.1.1 将二进制编码转化为十进制%Name: decodechrom.mfunction pop2=decodechrom(pop,spoint,length)pop1=pop(:,spoint:spoint+length-1); %是否为pop1=pop(:,spoint, spoint+length-1) pop2=decodebinary(pop1);4.1.2 计算行向量并求和%Name: decodebinary.mfunction pop2=decodebinary(pop)px,py=

24、size(pop); %求pop的行和列数for i=1:py pop1(:,i)=2.(py-1).*pop(:,i); py=py-1;endpop2=sum(pop1,2);%求pop1的每行之和，B=sum(A,dim),只对A中第dim维的元素进行计算，dim=1，计算A中各列元素之和；dim=2，计算A中各行元素之和4.1.3 解群初始化%Name: initpop.mfunction pop=initpop(popsize,chromlength)pop=round(rand(popsize,chromlength); %rand随机产生单元为（0,1），行数为popsize,列

25、数为chromlength的矩阵%round对矩阵的每个单元进行四舍五入的化整，由此形成初始解群4.1.4 实现目标函数的计算%Name: calobjvalue.mfunction objvalue=calobjvalue(pop)temp1=decodechrom(pop,1,10); %将pop每行转化为十进制数x=temp1*10/1023; %转化成变量域中的数objvalue=10*sin(5*x)+7*cos(4*x); %计算目标函数值4.1.5计算个体的适应值%Name:calfitvalue.mfunction fitvalue=calfitvalue(objvalue)g

26、lobal Cmin; %定义Cmin为全局变量Cmin=0;px,py=size(objvalue);for i=1:px if objvalue(i)+Cmin>0 temp=Cmin+objvalue(i); else temp=0.0; end fitvalue(i)=temp;endfitvalue=fitvalue'4.1.6 选择%Name: selection.mfunction newpop=selection(pop,fitvalue)totalfit=sum(fitvalue);%求适应值之和fitvalue=fitvalue/totalfit;%单个个体被

27、选择的概率 fitvalue=cumsum(fitvalue); %累积概率 px,py=size(pop);ms=sort(rand(px,1); %将rand（px,1）产生的一列随机数变成轮盘赌的表示方式，从小到大排列fitin=1; newin=1; while newin<=px if(ms(newin)<fitvalue(fitin) %ms（newin）表示的是第ms列向量中第newin位数值，fitvalue(fitin)同理 newpop(newin)=pop(fitin); %赋值，将旧种群中第（fitin）个个体保留到下一代（newpop）newin=newi

28、n+1; else fitin=fitin+1; endend4.1.7 交叉%Name: crossover.mfunction newpop=crossover(pop,pc)px,py=size(pop);newpop=ones(size(pop); %定义一个px*py维矩阵or i=1:2:px-1 if(rand<pc) %rand随机产生一个单元（0,1），交叉概率为0.6cpoint=round(rand*py); %以 cpoint为交叉点，交叉后产生新的子个体newpop(i,:)=pop(i,1:cpoint),pop(i+1,cpoint+1:py);newpop

29、(i+1,:)=pop(i+1,1:cpoint),pop(i,cpoint+1:py);elsenewpop(i,:)=pop(i);newpop(i+1,:)=pop(i+1);endend4.1.8 变异%Name: mutation.mfunction newpop=mutation(pop,pm)px,py=size(pop);newpop=ones(size(pop);for i=1:pxif(rand<pm) %rand随机产生一个单元（0,1），变异的概率pm为0.001 mpoint=round(rand*py); if mpoint<=0 %子循环，使mpoin

30、t大于等于1 mpoint=1; end newpop(i)=pop(i); if any(newpop(i,mpoint)=0 %子循环，将i行mpoint列元素变异 newpop(i,mpoint)=1; else newpop(i,mpoint)=0; end else newpop(i)=pop(i); %其余不变异 endend4.1.9求出群体中适应值最大的值%Name: best.mfunction bestindividual,bestfit=best(pop,fitvalue)px,py=size(pop);bestindividual=pop(1,:);bestfit=fi

31、tvalue(1);for i=2:px if fitvalue(i)>bestfit bestindividual=pop(i,:); bestfit=fitvalue(i); endend4.1.10 主函数%Name:genmain05.mclearclfpopsize=20; %群体大小chromlength=10; %字符串长度（个体大小）pc=0.6; %交叉概率pm=0.001; %变异概率pop=initpop(popsize,chromlength); %随机产生初始解群 for i=1:20 %迭代次数20objvalue=calobjvalue(pop); %计算目

32、标函数fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度 newpop=selection(pop,fitvalue); %选择newpop=crossover(pop,pc); %交叉newpop=mutation(pop,pm); %变异 bestindividual,bestfit=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值 y(i)=max(bestfit);n(i)=i;pop5=bestindividual;x(i)=decodechrom(pop5,1,chromlength)*10/1023; pop

33、=newpop;endfplot('10*sin(5*x)+7*cos(4*x)',0 10)hold onplot(x,y,'r*')hold offz index=max(y); %计算最大值及其位置x5=x(index) %计算最大值的x值y=z其中，主函数中的很多参数根据具体的网络结构和参数进行修改，这里给出的是一种可能的值。4.2运行结果在配电网中，有单电源供电方式和多电源供应方式。其中多电源供电可以看做是多个单电源供电的合成，体现在遗传算法中就是故障电流为正时函数值为1，而不留过故障电流或故障电流为负时函数值为0，这里的正负相对于单电源供电方式而言。

34、4.2.1单电源供电方式的故障定位图4.1 单电源供电的馈线图图4.1是单电源供电的馈线,算例采用随机抽取元件作为故障设备,假设S3处发生故障，从配电自动化系统FTU得到的故障电流信息为:k1=1,k2=1,k3=1,k4=0,k5=0,k6=O,Ll=0。利用本文提出的遗传算法来进行故障定位,设种群大小和评价函数中的N的大小为开关数的两倍,即N=14。在此例子中,评价函数最大值为14,个体基因个数即为元件的个数，这里为6，第一代种群通过随机产生如下:表4.1 单电源供电方式下第一代随机种群序号个体适应度值01010011111001101021100101030011110840000011

35、35111110086111101087100000128101111079000101111001101109110000111112011000131301001011当种群通过遗传操作到第4代时,出现了最大适应度值14的个体7,满足约束条件，结束计算,个体7中的基因值为1所对应的元件S3即为故障元件。表4.2 操作4次后的结果序号个体适应度值00000011311111100821000001230110001341100001251001101060111110770010001481001101091111010810101111071110100111120111110713100

36、01011以上经算法计算所得到的结果与假设的一致。4.2.2多电源供电方式的故障定位由于在实际运行中,国内的配电网都是以树形结构运行的，因此在进行多电源供电方式算例分析时,选用了联络开关闭合后形成的馈线图作为算例的模拟网络拓扑,如图4.2所示。首先,设图中的S3处发生故障,根据文中故障电流方向的定义,可从配电自动化系统中的SCADA监控中心得到各开关的故障电流信息为Kl=l;K2=1;K3=l;K4= 1;Ll=1; K5=O;K6=0;K7=l;K8=l;K9=0;K10=O。此时算法中的种群大小为22,评价函数中的N为22,个体的基因数为10。图4.2 多电源供电的馈线图第一代种群通过随机

37、产生如下:表4.3 多电源供电方式下第一代随机种群序号个体适应度值01110010110111001101010113200110010101531100010110124111001110108510011110110761010101001107100011100012810110001001591010000010171011011010001211001101010016120101100010151300110011011314101001000017151001100011121611110100001417111101101107181000100011131900010010101520