基于自適應(yīng)遺傳粒子群算法的配電網(wǎng)故障定位

張 蓮，宮 宇，楊洪杰，李 濤，趙夢(mèng)琪，張尚德，賈 浩

(1.重慶市能源互聯(lián)網(wǎng)工程技術(shù)研究中心， 重慶 400054; 2.重慶理工大學(xué) 電氣與電子工程學(xué)院， 重慶 400054)

當(dāng)配電網(wǎng)節(jié)點(diǎn)發(fā)生故障時(shí)，故障快速準(zhǔn)確定位是排除配電網(wǎng)故障以及恢復(fù)故障處供電的前提，也是保證整個(gè)配電網(wǎng)乃至整個(gè)電力系統(tǒng)穩(wěn)定運(yùn)行的重要環(huán)節(jié)[1]。隨著全球分布式發(fā)電技術(shù)的迅速發(fā)展，大量的分布式電源(distributed generator，DG)接入配電網(wǎng)，傳統(tǒng)配電網(wǎng)變?yōu)榻Y(jié)構(gòu)更復(fù)雜、潮流方向不單一的含分布式電源的有源配電網(wǎng)(active distribution network，AND)[2]。因此，尋求一種新的定位方法對(duì)有源配電網(wǎng)進(jìn)行故障定位成為亟需解決的問題[3]。

隨著饋線終端設(shè)備(feeder terminal unit，F(xiàn)TU)的大范圍使用，在開關(guān)節(jié)點(diǎn)處可實(shí)時(shí)獲取配電網(wǎng)電壓、過電流等運(yùn)行信息，利用運(yùn)行信息進(jìn)行配電網(wǎng)的故障區(qū)段定位成為當(dāng)前主流的方式[4]。目前，主流的方法包括遺傳算法、人工蟻群算法、粒子群算法、免疫算法、蝙蝠算法等智能算法。杜紅衛(wèi)等[5-7]利用遺傳算法解決配電網(wǎng)故障定位問題，取得全局最優(yōu)值，但準(zhǔn)確度不高；陳歆技等[8-9]分別利用人工蟻群算法和蝙蝠算法進(jìn)行配電網(wǎng)故障定位，但對(duì)畸變信息的容錯(cuò)率低；馬少飛等[10-11]利用免疫算法和粒子群算法進(jìn)行故障診斷，但當(dāng)存在故障信息缺失時(shí)，不能準(zhǔn)確判斷故障區(qū)段。以上算法均只適用于傳統(tǒng)配電網(wǎng)中，因?yàn)楫?dāng)含分布式電源接入配電網(wǎng)后，過電流信息就發(fā)生了改變。

針對(duì)以上不足，提出了一種基于自適應(yīng)遺傳粒子群算法(adaptive genetic algorithm-adaptive binary particle swarm optimization，AGA-ABPSO)的有源配電網(wǎng)故障定位方法。并對(duì)0～1整數(shù)規(guī)劃模型進(jìn)行了改進(jìn)，使之適用于含DG的有源配電網(wǎng)模型。利用Matlab進(jìn)行仿真測(cè)試，對(duì)所提方法的可行性進(jìn)行驗(yàn)證，并與其他算法進(jìn)行對(duì)比。結(jié)果表明，該算法能夠準(zhǔn)確定位故障區(qū)段，收斂速度快，且當(dāng)故障信息畸變或缺失時(shí)，具有很高的容錯(cuò)性。

為表述方便，本文中的混合算法均表示自適應(yīng)遺傳粒子群算法。

1 有源配電網(wǎng)故障整數(shù)規(guī)劃模型

饋線終端設(shè)備的大量應(yīng)用使電力人員能夠在開關(guān)節(jié)點(diǎn)處實(shí)時(shí)獲取配電網(wǎng)的運(yùn)行信息，利用這些信息快速便捷地進(jìn)行故障區(qū)段定位[12]。而智能算法具有高容錯(cuò)性，能夠?qū)﹄x散變量進(jìn)行快速地處理分析。饋線終端設(shè)備和智能算法結(jié)合能夠?qū)τ性磁潆娋W(wǎng)進(jìn)行相對(duì)于傳統(tǒng)方式更具優(yōu)勢(shì)的故障區(qū)段定位。

當(dāng)發(fā)生故障時(shí)，根據(jù)FTU上傳的開關(guān)節(jié)點(diǎn)處的過電流信息，可利用有源配電網(wǎng)故障整數(shù)規(guī)劃模型將復(fù)雜的配電網(wǎng)故障信息轉(zhuǎn)化為由整數(shù)表述的故障向量。

1.1 傳統(tǒng)配電網(wǎng)故障整數(shù)規(guī)劃模型

在不含分布式電源的傳統(tǒng)配電網(wǎng)中，通常使用0～1整數(shù)規(guī)劃模型進(jìn)行計(jì)算。簡(jiǎn)單配電網(wǎng)網(wǎng)絡(luò)如圖1所示。圖1中，G為系統(tǒng)電源，S1～S6為開關(guān)節(jié)點(diǎn)，L1～L6為相對(duì)應(yīng)的饋線區(qū)段。

圖1 單電源配電網(wǎng)絡(luò)示意圖

以圖1為例，由于配電網(wǎng)中只有1個(gè)電源接入，其中的過電流一直由系統(tǒng)電源流向負(fù)載處，當(dāng)區(qū)段發(fā)生故障時(shí)，區(qū)段所在的開關(guān)節(jié)點(diǎn)有故障過電流流過，此時(shí)開關(guān)節(jié)點(diǎn)的狀態(tài)值為“1”，而沒有故障過電流流過的開關(guān)節(jié)點(diǎn)的狀態(tài)值為“0”。即對(duì)單個(gè)開關(guān)節(jié)點(diǎn)來說，只需要考慮下游區(qū)段是否發(fā)生故障[13]。即開關(guān)的狀態(tài)值可由式(1)表達(dá)。

(1)

1.2 配電網(wǎng)故障整數(shù)規(guī)劃模型的改進(jìn)

由于分布式發(fā)電技術(shù)的迅速發(fā)展，分布式電源也大量接入配電網(wǎng)中，導(dǎo)致故障后有源配電網(wǎng)的潮流方向發(fā)生了改變，饋線之間的上下游關(guān)系受到 DG 接入的影響[14]?；诖?，對(duì)傳統(tǒng)配電網(wǎng)故障整數(shù)規(guī)劃模型進(jìn)行改進(jìn)，構(gòu)建了適用于有源配電網(wǎng)的故障整數(shù)規(guī)劃模型。

改進(jìn)的故障整數(shù)規(guī)劃模型包括“0”“1”“-1” 3種參量。本文中規(guī)定系統(tǒng)電源流向負(fù)載處的過電流方向?yàn)檎较颍员苊獠煌恢梅植际诫娫唇尤霂淼挠绊?。?dāng)饋線終端設(shè)備上傳的故障電流方向與正方向一致時(shí)，取Ij=1；若檢測(cè)到的故障電流方向與正方向相反時(shí)，取Ij=-1；若未檢測(cè)到故障電流，則取Ij=0。即開關(guān)的狀態(tài)值可由式(2)表達(dá)。

(2)

以圖2所示有源配電網(wǎng)中的開關(guān)節(jié)點(diǎn)為例，當(dāng)區(qū)段L7處發(fā)生故障時(shí)，流過開關(guān)節(jié)點(diǎn)S7的故障電流方向?yàn)橄到y(tǒng)電源G流向負(fù)載，與正方向相同，則S7的狀態(tài)值為“1”；當(dāng)區(qū)段L6發(fā)生故障時(shí)，流過開關(guān)節(jié)點(diǎn)S7的故障電流方向?yàn)镈G1流向負(fù)載，與正方向相反，則S7的狀態(tài)值為“-1”。

圖2 有源配電網(wǎng)絡(luò)示意圖

1.3 開關(guān)函數(shù)的構(gòu)造

開關(guān)函數(shù)是根據(jù)開關(guān)節(jié)點(diǎn)處監(jiān)測(cè)到的故障過電流信息和線路區(qū)段本身的狀態(tài)之間的關(guān)系而構(gòu)造的函數(shù)[15]。開關(guān)函數(shù)能使自適應(yīng)遺傳粒子群算法更好地利用和分析開關(guān)節(jié)點(diǎn)處的過電流信息，進(jìn)而判斷出故障點(diǎn)的位置。

在傳統(tǒng)配電網(wǎng)中，開關(guān)函數(shù)較為簡(jiǎn)單，表述為該開關(guān)節(jié)點(diǎn)下游所有饋線區(qū)段狀態(tài)的邏輯或運(yùn)算，即：

(3)

式中：Ij(s)為開關(guān)函數(shù)值；si為開關(guān)節(jié)點(diǎn)j下游第i個(gè)饋線區(qū)段的狀態(tài)值；∏表示邏輯或運(yùn)算。若開關(guān)節(jié)點(diǎn)j下游任意一個(gè)饋線區(qū)段發(fā)生故障，則開關(guān)函數(shù)值為1，無(wú)故障發(fā)生則開關(guān)函數(shù)值為0。

在有源配電網(wǎng)中，要考慮不同位置的分布式電源的接入與否。對(duì)于一個(gè)開關(guān)節(jié)點(diǎn)來說，不僅需要考慮下游的饋線區(qū)段，由于同時(shí)存在著上游饋線區(qū)段帶來的影響，因此上述的開關(guān)函數(shù)不能繼續(xù)使用，需要構(gòu)造一個(gè)新的開關(guān)函數(shù)，如式(4)～(6)所示。

Ij(s)=Iju(s)-Ijd(s)

(4)

(5)

(6)

其中，以開關(guān)節(jié)點(diǎn)j為分界線，將有源配電網(wǎng)分為上游和下游兩部分：上游和下游分別為含有系統(tǒng)電源和分布式電源的部分。開關(guān)函數(shù)值為上游函數(shù)值Iju(s)與下游函數(shù)值Ijd(s)的差值。Sj，Gu、Sj，Gd分別表示開關(guān)節(jié)點(diǎn)j到上游系統(tǒng)電源Gu和下游分布式電源Gd之間的饋線區(qū)段的狀態(tài)值；Sj，u、Sj，d分別表示上游部分和下游部分所有饋線區(qū)段的狀態(tài)值；M1、N1分別為上游部分與下游部分電源的數(shù)量；M2、N2分別表示上游部分與下游部分所有饋線區(qū)段的總數(shù)；∏表示邏輯或運(yùn)算；Ku、Kd則表示上游與下游部分電源的接入系數(shù)，當(dāng)有電源接入配電網(wǎng)中時(shí)，其值為“1”，無(wú)電源時(shí)，取值為“0”。

2 AGA-ABPSO算法的原理

2.1 自適應(yīng)遺傳算法的原理

遺傳算法(genetic algorithm，GA)是由霍蘭德[16]以基因的自然選擇和遺傳變異為理論依據(jù)，在20世紀(jì)70年代提出的全局性概率型搜索優(yōu)化模型。傳統(tǒng)的遺傳算法里，交叉概率、變異概率為固定值，使取值較為困難。取值太大在算法后期會(huì)破壞優(yōu)秀個(gè)體，太小則使算法前期搜索能力較差[17]。針對(duì)此問題，利用文獻(xiàn)[18]中所提出的方法對(duì)交叉概率和變異概率進(jìn)行相應(yīng)改進(jìn)，使其能夠基于每個(gè)個(gè)體相對(duì)應(yīng)的適應(yīng)度函數(shù)值自適應(yīng)地調(diào)整交叉概率、變異概率，提升其尋優(yōu)的快速性。改進(jìn)后的交叉概率、變異概率為：

(7)

(8)

其中：fmax代表種群中最大適應(yīng)度函數(shù)值；favg代表每代種群的平均適應(yīng)度函數(shù)值；f代表進(jìn)行交叉操作的2個(gè)個(gè)體中較大的適應(yīng)度函數(shù)值；f′代表進(jìn)行變異操作的個(gè)體的適應(yīng)度函數(shù)值。另外，k1=0.9，k2=0.6，k3=0.1，k4=0.01。

2.2 自適應(yīng)粒子群算法的原理

粒子群優(yōu)化算法(particle swarm optimization，PSO)[19]作為近年來發(fā)展較好的智能算法之一，最早在1995年由Kennedy和Eberhart提出。它是一種根據(jù)對(duì)鳥類捕食行為的研究而提出的智能算法。粒子群算法通過不斷更新速度和位置來尋找全局最優(yōu)值[20]。其速度和位置更新表示為：

(9)

(10)

(11)

通常，為了防止sigmiod函數(shù)的飽和，將粒子的速度限定在區(qū)間[-4，4]。sigmiog函數(shù)為

(12)

為了更好地平衡粒子的搜索行為，克服粒子群算法容易過早收斂、陷入局部極值的缺點(diǎn)，利用文獻(xiàn)[22]中提出的基于適應(yīng)度值的自適應(yīng)慣性權(quán)重的方法。方法如下：

(13)

其中：wmax和wmin分別為慣性權(quán)重的最大值和最小值，通常取wmax=0.9，wmin=0.4；f″、fmin、favg分別為粒子的當(dāng)前適應(yīng)度、最小適應(yīng)度和平均適應(yīng)度；t和Tmax分別表示當(dāng)前迭代次數(shù)和最大迭代次數(shù)。

另外，根據(jù)粒子群算法在搜尋迭代初期更需要全局搜索、搜索迭代后期更需要快速收斂的特征，在保證粒子群種群多樣性和快速收斂性的情況下，采用動(dòng)態(tài)調(diào)整加速因子，提出一種自適應(yīng)加速因子的改進(jìn)方法[22]：

(14)

其中：c1max、c1min、c2max、c2min分別為加速因子c1和c2的最大值、最小值；t表示當(dāng)前迭代次數(shù)；Tmax代表最大迭代次數(shù)。對(duì)于加速因子最值，選取c1max=1.3、c1min=1.1、c2max=2.0、c2min=1.2。

3 自適應(yīng)遺傳粒子群算法的故障定位模型及算法流程

3.1 自適應(yīng)遺傳粒子群算法故障定位的原理

當(dāng)配電網(wǎng)發(fā)生故障時(shí)，網(wǎng)絡(luò)中的饋線終端設(shè)備可以檢測(cè)到故障過流信息。首先，利用改進(jìn)后的配電網(wǎng)整數(shù)規(guī)劃模型將故障過電流信息轉(zhuǎn)化為整數(shù)表達(dá)的故障向量，即當(dāng)FTU檢測(cè)到有正向的故障電流流過開關(guān)時(shí)，取向量值為1；若檢測(cè)到反方向的故障電流，取向量值為-1；若未檢測(cè)到故障電流，則取向量值為0。然后，利用重新構(gòu)建的適用于有源配電網(wǎng)的開關(guān)函數(shù)，得到故障區(qū)段的等效故障向量，并以此為算法的輸入，以配電網(wǎng)饋線區(qū)段總數(shù)為粒子群算法的種群維度和遺傳算法的編碼長(zhǎng)度，以評(píng)價(jià)函數(shù)作為算法的目標(biāo)函數(shù)，以算法的粒子群最優(yōu)粒子的位置作為算法的輸出，進(jìn)行仿真測(cè)試，最終做出對(duì)故障區(qū)段的判斷。

3.2 評(píng)價(jià)函數(shù)的構(gòu)造

合理的評(píng)價(jià)函數(shù)能使優(yōu)化算法實(shí)現(xiàn)更準(zhǔn)確的故障區(qū)間定位。本文中的評(píng)價(jià)函數(shù)即為混合算法的適應(yīng)度函數(shù)。傳統(tǒng)的有源配電網(wǎng)的評(píng)價(jià)函數(shù)為：

(15)

但是，在實(shí)際計(jì)算過程中，由于過電流信息畸變或缺失等情況，導(dǎo)致評(píng)價(jià)函數(shù)不能取極小值，造成對(duì)故障區(qū)段的誤判，因此對(duì)含DG的有源配電網(wǎng)進(jìn)行改進(jìn)，引入“最小集”的概念[23]，如式(16)所示。

(16)

式中：M為饋線區(qū)段總數(shù)，一般而言，M=N；θ表示修正系數(shù)，取值范圍為0～1，此處取值θ=0.5；SB(j)表示各個(gè)饋線區(qū)段的狀態(tài)值。

3.3 算法流程

算法具體流程如圖3所示。Pc、Pm分別表示遺傳算法的交叉概率和變異概率。

圖3 基于自適應(yīng)遺傳粒子群算法的有源配電網(wǎng) 故障定位流程框圖

混合算法以粒子群算法為主體，通過引入自適應(yīng)遺傳算法的選擇、交叉與變異操作，將交叉算子與變異算子嵌入到自適應(yīng)粒子群算法中。為使良好個(gè)體盡可能多地遺傳到下一代，確保算法的全局收斂，采用最優(yōu)解保存策略實(shí)現(xiàn)優(yōu)勝劣汰，降低交叉、變異操作帶來的隨機(jī)性影響[24]。

4 算例仿真

以圖4所示的IEEE 33節(jié)點(diǎn)的有源配電網(wǎng)為例進(jìn)行仿真。其中，G為系統(tǒng)電源，DG1、DG2、DG3為3個(gè)分布式電源，K1、K2、K3為分布式電源的接入開關(guān)，當(dāng)分布式電源接入時(shí)，取值為“1”，否則取“0”；S1～S33表示開關(guān)節(jié)點(diǎn)，L1～L33表示饋線區(qū)段。

圖4 33節(jié)點(diǎn)有源配電網(wǎng)示意圖

4.1 算例仿真分析

實(shí)驗(yàn)所用的故障定位程序由Matlab2019a編制。本次仿真AGA-ABPSO的參數(shù)設(shè)置：種群數(shù)m=50，遺傳算法最大迭代次數(shù)n1=50，粒子群最大迭代次數(shù)n2=50，遺傳算法的二進(jìn)制編碼長(zhǎng)度以及粒子群維數(shù)與配電網(wǎng)饋線區(qū)段總數(shù)相同，即粒子群種群維數(shù)D=33，編碼長(zhǎng)度L=33，慣性權(quán)重最大值wmax=0.9，慣性權(quán)重最小值wmin=0.4。

4.1.1DG未接入的情況

當(dāng)配電網(wǎng)中未接入DG時(shí)，即開關(guān)狀態(tài)[K1 K2 K3]=[0 0 0]，為傳統(tǒng)配電網(wǎng)的模型，開關(guān)只有“0”和“1”狀態(tài)。仿真結(jié)果如表1所示。不難看出，當(dāng)單一饋線區(qū)段和多個(gè)饋線區(qū)段發(fā)生故障時(shí)，均能準(zhǔn)確定位故障區(qū)段。

表1 DG未接入時(shí)故障定位仿真結(jié)果

4.1.2DG接入并計(jì)及信息畸變

當(dāng)DG接入配電網(wǎng)中，不同故障類型的定位結(jié)果如表2所示。

表2 DG接入時(shí)不同類型故障定位結(jié)果

由表2可知，在不同位置的DG接入后，算法均能準(zhǔn)確判斷故障區(qū)段。當(dāng)單一饋線區(qū)段和多個(gè)饋線區(qū)段發(fā)生故障時(shí)，均能進(jìn)行準(zhǔn)確的故障區(qū)段定位。在部分FTU上傳的故障過電流信息缺失和畸變的情況下，混合算法同樣能夠準(zhǔn)確定位故障位置。由仿真結(jié)果可知，混合算法具有可行性，能動(dòng)態(tài)適應(yīng)DG的接入與否，同時(shí)對(duì)缺失和畸變的故障信息具有高容錯(cuò)性。

4.2 算法對(duì)比分析

為了突出混合算法在故障定位中的優(yōu)勢(shì)，將混合算法與標(biāo)準(zhǔn)粒子群算法(BPSO)以及帶壓縮因子和線性遞減慣性權(quán)重的改進(jìn)粒子群算法(IBPSO)進(jìn)行不同故障類型的對(duì)比。

BPSO以及IBPSO參數(shù)設(shè)置：種群數(shù)m=50，最大迭代次數(shù)n=100，種群維數(shù)D=33，wmax=0.9，wmin=0.4，C1=C2=2.05。線性遞減慣性權(quán)重和壓縮因子如式(17)(18)所示。

(17)

(18)

式中：t為當(dāng)前迭代次數(shù)；Tmax為最大迭代次數(shù)；φ為壓縮因子，φ=C1+C2。

4.2.1容錯(cuò)性、快速性對(duì)比分析

針對(duì)不同的故障類型，即無(wú)故障信息畸變時(shí)單一區(qū)段發(fā)生故障、多個(gè)區(qū)段發(fā)生故障以及存在故障信息漏報(bào)和畸變的單一區(qū)段發(fā)生故障、多個(gè)區(qū)段發(fā)生故障，來進(jìn)行算法準(zhǔn)確性、快速性、容錯(cuò)性的對(duì)比分析。BPSO、IBPSO、AGA-ABPSO 3種算法的迭代曲線如圖5所示。

圖5 不同故障類型的BPSO、IBPSO、AGA-ABPSO算法迭代曲線

1) 預(yù)設(shè)DG1、DG2、DG3這3個(gè)分布式電源均接入電網(wǎng)，饋線區(qū)段L27發(fā)生故障，F(xiàn)TU上傳的故障信息無(wú)畸變。通過圖5(a)的結(jié)果對(duì)比可知，3種算法均能在最大迭代次數(shù)內(nèi)取極小值，準(zhǔn)確定位故障區(qū)段。AGA-ABPSO算法能最快取得全局最優(yōu)值，IBPSO次之，BPSO最慢，平均迭代次數(shù)超過35次。

2) 預(yù)設(shè)DG1、DG2、DG3這3個(gè)分布式電源均接入電網(wǎng)，饋線區(qū)段L27發(fā)生故障，F(xiàn)TU上傳的開關(guān)S7、S9、S12、S14故障信息發(fā)生畸變。由圖5(b)對(duì)比分析可知，當(dāng)故障信息發(fā)生畸變時(shí)，BPSO算法長(zhǎng)時(shí)間陷入局部最優(yōu)值中，即便最終取得了全局最優(yōu)值，但迭代次數(shù)明顯多于其余兩種算法。對(duì)比之下，AGA-ABPSO算法對(duì)于存在畸變的故障信息仍能準(zhǔn)確快速地確定故障位置。

3) 預(yù)設(shè)DG1、DG2、DG3這3個(gè)分布式電源均接入電網(wǎng)，饋線區(qū)段L9、L23發(fā)生故障，F(xiàn)TU上傳的故障信息無(wú)畸變。根據(jù)圖5(c)的結(jié)果可知，利用AGA-ABPSO算法時(shí)，平均迭代次數(shù)少，能夠快速準(zhǔn)確地對(duì)故障區(qū)段進(jìn)行定位。IBPSO算法平均迭代次數(shù)較多，在前期過早收斂而陷入局部極值，但最終能夠在50次左右取得全局最優(yōu)值。BPSO算法在即將達(dá)到最大迭代次數(shù)前取得全局極值，但在尋優(yōu)過程中多次陷入局部最優(yōu)值，幾乎不能準(zhǔn)確地進(jìn)行故障定位。

4) 預(yù)設(shè)DG1、DG2、DG3這3個(gè)分布式電源均接入電網(wǎng)，饋線區(qū)段L9、L23發(fā)生故障，F(xiàn)TU上傳的開關(guān)S12、S14、S16、S20故障信息發(fā)生畸變。由圖5(d)不難發(fā)現(xiàn)，AGA-ABPSO算法在故障信息畸變的影響下，雖然迭代次數(shù)有所增加，但仍然能夠準(zhǔn)確地確定故障區(qū)段。存在大量畸變信息的情況下，IBPSO算法不能在最大迭代次數(shù)內(nèi)取得全局極值，且過早收斂陷入局部最優(yōu)值。BPSO算法達(dá)到最大迭代次數(shù)時(shí)，仍未計(jì)算出全局最優(yōu)值，早熟問題嚴(yán)重。

綜上所述，BPSO算法容易過早收斂而陷入局部最優(yōu)值，且迭代次數(shù)較多；IBPSO對(duì)于畸變故障信息容錯(cuò)性差，迭代次數(shù)較多，以上兩種算法均不適用于存在畸變故障信息的有源配電網(wǎng)。本文中提出的AGA-ABPSO算法能在存在大量畸變信息的情況下快速取得全局極值，準(zhǔn)確地定位故障區(qū)段，具有較好的穩(wěn)定性，可快速收斂，容錯(cuò)能力強(qiáng)，適用于多支路的有源配電網(wǎng)。

4.2.2準(zhǔn)確性對(duì)比分析

在3個(gè)分布式電源均接入的情況下，預(yù)設(shè)不同類型的故障，分別對(duì)3種算法進(jìn)行30次仿真測(cè)試，并進(jìn)一步進(jìn)行準(zhǔn)確性對(duì)比。3種算法準(zhǔn)確率如表3所示。

表3 3種算法準(zhǔn)確率

通過表3的準(zhǔn)確率對(duì)比可以看出，BPSO算法對(duì)于多個(gè)區(qū)段發(fā)生故障且存在大量故障畸變的情況，幾乎不能進(jìn)行故障診斷，對(duì)于單一區(qū)段發(fā)生的故障定位準(zhǔn)確率也不高，應(yīng)用于大型配電網(wǎng)的意義不大；IBPSO算法相對(duì)于BPSO算法準(zhǔn)確率有所提高，但對(duì)畸變故障信息容錯(cuò)性較差；AGA-ABPSO算法在多個(gè)區(qū)段發(fā)生故障時(shí)，有較高的定位準(zhǔn)確率，且對(duì)于畸變的故障信息具有較高的容錯(cuò)性。

5 結(jié)論

利用自適應(yīng)遺傳粒子群混合算法對(duì)有源配電網(wǎng)進(jìn)行故障定位，驗(yàn)證了混合算法具有較高的準(zhǔn)確性。通過混合算法與標(biāo)準(zhǔn)粒子群算法、改進(jìn)粒子群算法的對(duì)比研究表明，混合算法應(yīng)用于有源配電網(wǎng)時(shí)計(jì)算效率更高，同時(shí)對(duì)畸變的故障信息容錯(cuò)性更好，凸顯了混合算法在故障定位中的優(yōu)越性。