基于改進(jìn)鯨魚(yú)算法的配電網(wǎng)故障區(qū)段定位

張 蓮，張尚德，賈 浩，趙夢(mèng)琪，趙 娜，李 多

（重慶理工大學(xué)電氣與電子工程學(xué)院，重慶 400054）

0 引言

DG（分布式電源）的大量接入使得配電網(wǎng)發(fā)生短路故障時(shí)故障電流方向、網(wǎng)絡(luò)結(jié)構(gòu)、節(jié)點(diǎn)規(guī)模都變得更加復(fù)雜。隨著我國(guó)配電網(wǎng)自動(dòng)化改造的推進(jìn)，以FTU（饋線終端單元）監(jiān)測(cè)的過(guò)流信息作為故障特征量進(jìn)行配電網(wǎng)故障區(qū)段定位的方法已受到眾多學(xué)者的關(guān)注。

目前針對(duì)提取FTU故障信息的故障定位方法主要分為矩陣算法［1-2］和人工智能算法［3-10］。矩陣算法通過(guò)生成故障辨識(shí)矩陣定位故障，具有建模直接、定位高效的優(yōu)勢(shì)，但在信息畸變時(shí)，會(huì)導(dǎo)致定位結(jié)果出現(xiàn)誤判或漏判；人工智能算法的故障區(qū)段定位思想主要運(yùn)用的是故障最小集理論和狀態(tài)逼近，具有容錯(cuò)性強(qiáng)、定位效率高的特點(diǎn)。

文獻(xiàn)［2］基于故障狀態(tài)信息畸變校正后的改進(jìn)矩陣算法，提升了矩陣算法的速度和容錯(cuò)性，但僅適用于相間短路。文獻(xiàn)［5］針對(duì)傳統(tǒng)遺傳算法求解的早熟收斂問(wèn)題，提出多種群協(xié)同搜索方案，提升了求解的準(zhǔn)確度和快速性。文獻(xiàn)［7］針對(duì)文獻(xiàn)［6］定位精度不夠、易陷入局部最優(yōu)的問(wèn)題，提出調(diào)節(jié)粒子的捕食和探索兩種不同狀態(tài)下協(xié)同求解的新型二進(jìn)制粒子群算法。文獻(xiàn)［8］構(gòu)建了含DG的雙向潮流開(kāi)關(guān)函數(shù)模型，定義功率流動(dòng)的單一方向，將含DG的網(wǎng)絡(luò)轉(zhuǎn)化為輻射型網(wǎng)絡(luò)求解。文獻(xiàn)［10］運(yùn)用代數(shù)關(guān)系和互補(bǔ)約束理論構(gòu)建了新的理論模型，提高了信息辨識(shí)度和尋優(yōu)效率。此外，還有利用混合算法［11］、零序電流突變量［12］、零序功率方向［13］、克拉克變換的電流相角差值［14］、暫態(tài)頻譜特征［15］等故障特征信息進(jìn)行故障區(qū)段定位，但這些故障特征信息需要對(duì)每個(gè)開(kāi)關(guān)進(jìn)行數(shù)據(jù)分析判別，不利于故障時(shí)的快速定位。

針對(duì)上述研究方案所存在的問(wèn)題，本文利用故障最小集理論，根據(jù)FTU故障狀態(tài)信息的邏輯關(guān)系將多源配電網(wǎng)的故障區(qū)段定位模型轉(zhuǎn)化為0-1整數(shù)優(yōu)化模型，提出基于多策略改進(jìn)鯨魚(yú)優(yōu)化算法的配電網(wǎng)故障區(qū)段定位方法，并論證了本算法對(duì)配電網(wǎng)絡(luò)故障區(qū)段定位具有優(yōu)勢(shì)。

1 含分布式電源的配電網(wǎng)故障區(qū)段定位模型

1.1 故障區(qū)段定位模型構(gòu)建

根據(jù)圖論知識(shí)將分段開(kāi)關(guān)，聯(lián)絡(luò)開(kāi)關(guān)簡(jiǎn)化為理想的節(jié)點(diǎn)，采用FTU收集的故障電流越限狀態(tài)信息作為測(cè)試變量，把動(dòng)態(tài)采集的故障狀態(tài)信息映射為0-1 編碼的離散變量，將因果關(guān)系的邏輯編碼與測(cè)試變量不斷逼近，采用參考文獻(xiàn)［9］的建模方式，并增加故障區(qū)段輔助項(xiàng)提高故障區(qū)段的辨識(shí)能力，用多策略改進(jìn)的鯨魚(yú)優(yōu)化算法對(duì)模型進(jìn)行求解。

1.2 故障信息編碼規(guī)則與開(kāi)關(guān)函數(shù)

含分布式電源的多源配電網(wǎng)如圖1所示，當(dāng)發(fā)生短路故障時(shí)，故障電流會(huì)由單向流動(dòng)變?yōu)槎嘞蛄鲃?dòng)。為防止故障電流信息的誤判，采用雙方向定義節(jié)點(diǎn)電流。規(guī)定流出主網(wǎng)電源G 的電流方向?yàn)檎较?，按正方向電流依次流過(guò)的開(kāi)關(guān)節(jié)點(diǎn)標(biāo)號(hào)為1，2，…，j；兩節(jié)點(diǎn)間的區(qū)段用Lj表示；檢測(cè)到第j個(gè)分段開(kāi)關(guān)節(jié)點(diǎn)用Ij表示，以開(kāi)關(guān)j為臨界點(diǎn)，以主網(wǎng)電源G方向流向開(kāi)關(guān)j的區(qū)域?yàn)榫W(wǎng)絡(luò)上游區(qū)域，流過(guò)上游區(qū)域節(jié)點(diǎn)的故障電流用Ij=1 表示，從后半部分分布式電源DG1和DG2流向j的區(qū)域稱為網(wǎng)絡(luò)下游區(qū)域，流過(guò)下游區(qū)域的故障電流用Ij=-1 表示，若節(jié)點(diǎn)未流過(guò)故障電流則表示為0。饋線區(qū)段狀態(tài)與上、下游區(qū)域的電源有關(guān)，考慮到配電網(wǎng)中分布式電源會(huì)有終止送電的情況，設(shè)立了分布式電源投切系數(shù)Ku和Kd，構(gòu)建了配電網(wǎng)饋線區(qū)段狀態(tài)與上、下游區(qū)域電源關(guān)系的開(kāi)關(guān)函數(shù)：

圖1 含DG的12節(jié)點(diǎn)配電網(wǎng)

式中：j表示第幾位開(kāi)關(guān)節(jié)點(diǎn)；u表示開(kāi)關(guān)節(jié)點(diǎn)j的上游區(qū)域；d表示開(kāi)關(guān)節(jié)點(diǎn)j的下游區(qū)域；N1和N2分別表示上游區(qū)域和下游區(qū)域饋線區(qū)段總數(shù)；M1和M2分別表示開(kāi)關(guān)節(jié)點(diǎn)j上、下游區(qū)域所有的電源數(shù)量；Lju和Ljd分別表示節(jié)點(diǎn)開(kāi)關(guān)j上、下游區(qū)域所有饋線區(qū)段的狀態(tài)值，若該饋線區(qū)段發(fā)生故障Lju和Ljd的值為1，反之為0；Ku和Kd為上游區(qū)域和下游區(qū)域的電源投切系數(shù)，Ku和Kd的值為1，則表示該區(qū)域的電源投入配電網(wǎng)，反之為0；Lj，Su和Lj，Sd表示開(kāi)關(guān)節(jié)點(diǎn)j到上、下游電源的路徑所經(jīng)過(guò)的饋線區(qū)段狀態(tài)值，其值的含義同Lju和Ljd；∨表示數(shù)理邏輯或的運(yùn)算；(s)和(s)表示節(jié)點(diǎn)開(kāi)關(guān)j上游區(qū)域和下游區(qū)域的開(kāi)關(guān)函數(shù)；(s)表示節(jié)點(diǎn)開(kāi)關(guān)j的開(kāi)關(guān)函數(shù)。

當(dāng)饋線區(qū)段7發(fā)生故障時(shí)，根據(jù)潮流分布的因果關(guān)系，故障網(wǎng)絡(luò)中各開(kāi)關(guān)節(jié)點(diǎn)的監(jiān)測(cè)電流信息如表1所示，其電流方向均由上、下游區(qū)域的電源指向短路故障點(diǎn)。

表1 饋線區(qū)段7故障信息

由式（1）—式（3）得到節(jié)點(diǎn)6的開(kāi)關(guān)函數(shù)值，如式（4）—式（6）所示：

同理，可以推得其余開(kāi)關(guān)節(jié)點(diǎn)的開(kāi)關(guān)函數(shù)值，經(jīng)推理驗(yàn)證，當(dāng)饋線區(qū)段7發(fā)生故障時(shí)，各開(kāi)關(guān)函數(shù)值同表1的故障電流信息編碼值。

1.3 評(píng)價(jià)函數(shù)

確定每個(gè)開(kāi)關(guān)節(jié)點(diǎn)的故障電流信息期望值后，需構(gòu)建評(píng)價(jià)函數(shù)來(lái)評(píng)判故障信息的準(zhǔn)確度，因此采用狀態(tài)逼近的思想，運(yùn)用故障最小集理論來(lái)判別實(shí)際采集的故障電流信息和期望值的擬合程度，其評(píng)價(jià)函數(shù)如下：

式中：Ij為測(cè)得的實(shí)際電流故障信息；(s)為故障電流信息期望值。

故障區(qū)段L的適應(yīng)度值Fit越小，則實(shí)際值與期望值的擬合程度越高，故障電流信息所得到的定位也更加接近真實(shí)故障區(qū)段，但在分布式電源加入后，故障電流信息更為復(fù)雜，因此在式（7）中加入了故障區(qū)段的輔助判據(jù)構(gòu)成新的評(píng)價(jià)函數(shù)式（8）：

式中：Lj為故障區(qū)段；α為考慮故障主次因素后制定的權(quán)重，采用參考文獻(xiàn)［9］的優(yōu)化結(jié)果，取α=0.5。輔助判據(jù)的加入是為了定位能映射出符合故障信息的故障最小集，根據(jù)評(píng)價(jià)函數(shù)的結(jié)果達(dá)到最小值從而得到故障區(qū)段位置的最優(yōu)解。

2 配電網(wǎng)故障區(qū)段定位模型求解算法

為了利用算法更便捷的求解配電網(wǎng)故障區(qū)段，本文采用sigmoid轉(zhuǎn)換函數(shù)將發(fā)生故障時(shí)的配電網(wǎng)區(qū)段狀態(tài)映射為0-1量，當(dāng)狀態(tài)量為0時(shí)表示該區(qū)段沒(méi)有發(fā)生故障，為1時(shí)表示區(qū)段發(fā)生故障，從而將故障區(qū)段信息轉(zhuǎn)化為二進(jìn)制量描述，其函數(shù)表達(dá)式如下所示：

式中：R是［0，1］內(nèi)的隨機(jī)數(shù)；X（t+1）是鯨魚(yú)個(gè)體更新后的位置；xi（t+1）是用sigmoid 轉(zhuǎn)換函數(shù)后鯨魚(yú)種群個(gè)體在第i維中經(jīng)過(guò)t次迭代更新的個(gè)體位置。

2.1 鯨魚(yú)優(yōu)化算法

WOA（鯨魚(yú)優(yōu)化算法）是由澳大利亞學(xué)者Seyedali Mirjalili 于2016 年提出，該算法通過(guò)鯨魚(yú)包圍捕食、螺旋更新和隨機(jī)搜索3個(gè)階段來(lái)得到目標(biāo)函數(shù)的最優(yōu)解［16］。WOA具有原理簡(jiǎn)單易懂、操作便捷、調(diào)控參數(shù)少、尋優(yōu)性能高效等優(yōu)點(diǎn)，得到了許多學(xué)者的廣泛應(yīng)用。

1）包圍捕食階段

搜索空間中鯨魚(yú)的位置構(gòu)成解向量，定義種群中離獵物最近的鯨魚(yú)個(gè)體為當(dāng)前全局最優(yōu)個(gè)體，其所處的位置為當(dāng)前最優(yōu)解，通過(guò)搜索空間中鯨魚(yú)個(gè)體的位置信息共享機(jī)制與最優(yōu)位置更新，鯨魚(yú)個(gè)體向最優(yōu)個(gè)體位置包圍靠近更新優(yōu)化自身位置來(lái)靠近獵物，其包圍捕食的行為可表示為：

式中：t表示當(dāng)前迭代次數(shù)；X*（t）表示第t次迭代搜索空間中最優(yōu)個(gè)體位置；X（t）表示第t次迭代尋優(yōu)個(gè)體在搜索空間中的位置；D表示最優(yōu)個(gè)體位置與當(dāng)前尋優(yōu)個(gè)體位置的差距；A和C為矩陣向量系數(shù)，A=2ar1-a，a=2-2t/Tmax，C=2r2，r1和r2為［0，1］之間的隨機(jī)系數(shù)，a為隨迭代次數(shù)增加而線性遞減的系數(shù)，其中Tmax表示最大迭代次數(shù)，通過(guò)a的遞減來(lái)改變A的大小，即A∈［-a，a］的隨機(jī)值。

2）螺旋更新階段

在包圍收縮時(shí)，種群中的最優(yōu)個(gè)體也會(huì)從當(dāng)前位置朝最優(yōu)進(jìn)行螺旋更新游動(dòng)，用式（13）來(lái)表示鯨魚(yú)的螺旋運(yùn)動(dòng)：

式中：D′為當(dāng)前鯨魚(yú)個(gè)體位置和最佳鯨魚(yú)個(gè)體位置的距離；b為螺旋形狀系數(shù)；l為［-1，1］區(qū)間的隨機(jī)數(shù)。

鯨魚(yú)捕食過(guò)程會(huì)在獵物周圍螺旋更新自身位置并不斷縮小包圍圈向其游動(dòng)，在捕食時(shí)使用泡泡網(wǎng)攻擊獵物，為了平衡包圍收縮和螺旋更新位置的行為機(jī)制，規(guī)定在|A|<1 時(shí)，使用0.5 的臨界值來(lái)決定是選擇包圍捕食還是螺旋更新位置的行為，構(gòu)建的數(shù)學(xué)模型如下：

式中：p為鯨魚(yú)改變行為的概率值。

3）隨機(jī)搜索階段

前兩個(gè)階段是鯨魚(yú)朝著目標(biāo)靠近的局部搜索，為提高算法的全局搜索能力，當(dāng)|A|≥1時(shí)，鯨魚(yú)離目標(biāo)較遠(yuǎn)，處于搜索圈外圍，從種群中隨機(jī)選取鯨魚(yú)位置進(jìn)行搜索以增強(qiáng)其全局搜索能力，構(gòu)建數(shù)學(xué)模型如下：

式中：X為當(dāng)前個(gè)體的位置；Xrand為選取種群中隨機(jī)個(gè)體的位置。

2.2 改進(jìn)鯨魚(yú)優(yōu)化算法

為了避免求解目標(biāo)函數(shù)時(shí)出現(xiàn)局部最優(yōu)、算法早熟收斂的情況，本文對(duì)傳統(tǒng)WOA進(jìn)行了多策略改進(jìn)，主要為以下三方面：一是使用Sobol序列初始化種群，避免種群的過(guò)渡集中而造成尋優(yōu)結(jié)果局部收斂；二是對(duì)WOA 加入自適應(yīng)權(quán)重系數(shù)，使算法能根據(jù)尋優(yōu)進(jìn)程而側(cè)重局部或全局尋優(yōu)；三是加入差分變異微擾因子使算法跳出局部最優(yōu)，提高尋找目標(biāo)函數(shù)最優(yōu)值的準(zhǔn)確度。

2.2.1 Sobol序列初始化種群

文獻(xiàn)［17-18］指出，在群體智能算法中初始位置在解空間向量分布狀況未知時(shí)將影響算法的收斂速度和尋優(yōu)效果，用均勻分布的初始種群迭代尋優(yōu)有利于提高算法的尋優(yōu)性能。因此本文提出一種Sobol 序列初始化種群，采用Sobol 序列可以產(chǎn)生不重復(fù)的均勻分布種群，可以增強(qiáng)鯨魚(yú)種群的多樣性，Sobol 序列生成初始種群的方式為x=xmin+μ（xmax-xmin），其中x為種群初始位置，xmax和xmin分別為初始種群位置的上、下限，μ為Sobol序列生成的［0，1］區(qū)間的隨機(jī)數(shù)，為了比較隨機(jī)生成的WOA初始種群和基于Sobol序列生成的初始種群位置空間分布狀況，在［0，1］范圍內(nèi)生成規(guī)模為500的粒子，如圖2和圖3所示，可知由Sobol序列生成的鯨魚(yú)種群初始位置分布的更加均勻。

圖2 隨機(jī)生成的鯨魚(yú)初始種群

圖3 Sobol序列生成的鯨魚(yú)初始種群

2.2.2 自適應(yīng)調(diào)整權(quán)重

傳統(tǒng)的WOA 在|A|≥1 時(shí)在解空間隨機(jī)搜索，算法擁有較強(qiáng)的全局搜索能力。當(dāng)|A|<1 時(shí)，WOA算法會(huì)根據(jù)靠近最優(yōu)解而減小搜索范圍，更側(cè)重于局部搜索以提高尋優(yōu)效率。算法不同階段的全局尋優(yōu)和局部尋優(yōu)能力受A值的大小調(diào)節(jié)，而A的大小是由線性遞減的系數(shù)a來(lái)決定的，但線性遞減的系數(shù)的調(diào)整策略對(duì)鯨魚(yú)群全局探索和局部探索的轉(zhuǎn)換不夠理想，因此本文引入隨迭代次數(shù)增加而自適應(yīng)變化的權(quán)重因子來(lái)調(diào)節(jié)a的大小以改變A值從而得到IWOA（改進(jìn)鯨魚(yú)優(yōu)化算法），自適應(yīng)調(diào)整權(quán)重ω定義為：

式中：k為調(diào)節(jié)系數(shù)，本文參考文獻(xiàn)［19］取k=2。

采用的自適應(yīng)權(quán)重因子是非線性減小的，在迭代初期，需要較大的權(quán)重增強(qiáng)算法的全局搜索能力提高解空間向量的遍歷性，隨著迭代的不斷進(jìn)行，鯨魚(yú)朝著迭代的最優(yōu)目標(biāo)聚攏，算法需要進(jìn)行局部搜索以提高收斂精度和尋優(yōu)精度，此時(shí)需要權(quán)重ω隨迭代次數(shù)的增加而減少，A值隨之減小。算法中D′和Dr表示螺旋更新和隨機(jī)搜索階段當(dāng)前個(gè)體位置與最優(yōu)個(gè)體位置的距離，引入自適應(yīng)權(quán)重因子后，螺旋更新位置和隨機(jī)搜索公式為：

2.2.3 差分變異微擾因子

當(dāng)?shù)螖?shù)尋優(yōu)不斷進(jìn)行時(shí)，鯨魚(yú)種群的多樣性會(huì)逐漸降低，導(dǎo)致尋優(yōu)結(jié)果容易出現(xiàn)早熟收斂，文獻(xiàn)［19］借鑒差分進(jìn)化算法調(diào)節(jié)變異算子的思想，提出在包圍捕食階段引入差分變異微擾因子，使鯨魚(yú)個(gè)體能跳出局部最優(yōu)，提高算法的尋優(yōu)精度和效率。差分變異微擾因子λ的定義如下：

式中：F為變異程度因子，參考文獻(xiàn)［19］，本文取F=0.6。

將λ引入包圍捕食階段，則式（11）變?yōu)椋?/p>

2.3 故障區(qū)段定位模型求解流程

本文算法中用配電網(wǎng)饋線區(qū)段的數(shù)量代表維數(shù)，以FTU 上傳的故障過(guò)流信息作為故障特征量，運(yùn)用改進(jìn)的鯨魚(yú)算法求解，用鯨魚(yú)的最優(yōu)位置表示故障區(qū)段位置，采用IWOA 求解配電網(wǎng)故障區(qū)段位置的流程如圖4所示。

圖4 配電網(wǎng)故障區(qū)段定位流程

3 算例仿真分析

3.1 算法有效性分析

為了驗(yàn)證本文提出的多策略IWOA 對(duì)配電網(wǎng)故障區(qū)段定位的有效性，建立圖5所示的含分布式電源的33節(jié)點(diǎn)配電網(wǎng)新模型，該模型有33個(gè)柱上節(jié)點(diǎn)監(jiān)測(cè)開(kāi)關(guān)和饋線區(qū)段，G 為主電源，DG1、DG2、DG3為分布式電源分別接入21、17、29 節(jié)點(diǎn)，K1、K2、K3為分布式電源的分?jǐn)嚅_(kāi)關(guān)。本次使用MATLAB 2019a 作為仿真平臺(tái)，設(shè)置將3 個(gè)DG全部接入配電網(wǎng)中。

圖5 含分布式電源的33節(jié)點(diǎn)配電網(wǎng)

假設(shè)區(qū)段8發(fā)生故障，根據(jù)上文制定的故障信息編碼可知圖5未發(fā)生信息畸變時(shí)的故障報(bào)警信息為［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 0 0 0 0］；若節(jié)點(diǎn)12 在區(qū)段8 故障時(shí)發(fā)生了信息畸變，故障報(bào)警信息由-1 變?yōu)?，同時(shí)節(jié)點(diǎn)26 的故障報(bào)警信息發(fā)生漏報(bào)，由-1 變?yōu)?，則此時(shí)的故障信息編碼為［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 0 -1 -1 -1 0 0 0 0］。在仿真實(shí)驗(yàn)中，區(qū)段8故障時(shí)無(wú)論是否存在畸變信息，由本文所提IWOA 都能進(jìn)行準(zhǔn)確定位，為了進(jìn)一步驗(yàn)證本算法的故障辨識(shí)準(zhǔn)確度及容錯(cuò)性，針對(duì)不同的DG投入時(shí)所產(chǎn)生的故障，將設(shè)置如表2的不同故障進(jìn)行測(cè)試。

由表2 的測(cè)試結(jié)果可知，本文所提的多策略IWOA在不同DG接入狀態(tài)下均能準(zhǔn)確定位，在單故障或多故障情況下本算法依然有效，且在FTU上傳故障狀態(tài)信息發(fā)生畸變的情況下，仍具有較強(qiáng)的容錯(cuò)性。

表2 不同故障和運(yùn)行工況下區(qū)段定位仿真結(jié)果

3.2 算法的性能比較

為驗(yàn)證本文所提IWOA 相較于傳統(tǒng)WOA 的優(yōu)勢(shì)，本文在圖5 搭建的配電網(wǎng)數(shù)學(xué)模型中驗(yàn)證IWOA對(duì)比WOA和LWOA（線性遞減鯨魚(yú)優(yōu)化算法）在配電網(wǎng)故障區(qū)段定位時(shí)的性能，LWOA 的線性遞減權(quán)重改進(jìn)方式參考文獻(xiàn)［20］的改進(jìn)方式。各算法故障定位準(zhǔn)確率比較如表3所示，其不同故障類型下的尋優(yōu)性能對(duì)比如圖6所示。

表3 鯨魚(yú)算法改進(jìn)前后的故障定位準(zhǔn)確率

預(yù)設(shè)DG1、DG2、DG3全部接入配電網(wǎng)中，算法迭代次數(shù)為100。從圖6可以看出，在單區(qū)段故障無(wú)信息畸變的情況下，IWOA在第6次迭代時(shí)便準(zhǔn)確找到了故障區(qū)段位置，而LWOA 和WOA 則分別在迭代第14和23次時(shí)定位到故障區(qū)段；但在單故障有信息畸變時(shí)，LWOA 和WOA 算法有著明顯的局部收斂，雖然最終尋找到了故障位置，卻降低了尋優(yōu)的快速性；在多故障時(shí)，WOA的收斂性明顯差于IWOA，IWOA 在多故障時(shí)一般在迭代第10 次左右準(zhǔn)確定位故障區(qū)段，而且在多區(qū)段故障有信息畸變時(shí)，LWOA 和WOA 有較明顯的局部最優(yōu)且收斂速度不足。在幾種不同的故障類型中，IWOA 無(wú)論是在收斂速度還是避免局部最優(yōu)的性能上都有明顯的優(yōu)勢(shì)，IWOA 明顯提高了配電網(wǎng)故障定位的準(zhǔn)確率。

圖6 不同故障類型下WOA、LWOA、IWOA算法的性能比較

為了證明改進(jìn)算法在尋優(yōu)快速性上的優(yōu)化，本文在相同實(shí)驗(yàn)環(huán)境下將每種算法運(yùn)行100次，每次準(zhǔn)確定位到故障區(qū)段所用時(shí)間如圖7所示。

圖7 不同類型故障定位所需時(shí)間

從圖7中可以看出，無(wú)論是在單區(qū)段故障還是多區(qū)段故障下，IWOA 相比LWOA 和WOA 能更快的定位出故障，IWOA 尋優(yōu)時(shí)間基本保持在1.95 s 左右，縮短了尋優(yōu)時(shí)間且尋優(yōu)穩(wěn)定性較強(qiáng)。上述實(shí)驗(yàn)結(jié)果證明本文所提出的多策略IWOA 改進(jìn)效果明顯，增強(qiáng)了傳統(tǒng)WOA算法在尋優(yōu)性能上的優(yōu)勢(shì)，改進(jìn)方案切實(shí)有效。

4 結(jié)語(yǔ)

本文針對(duì)大量分布式電源投入配電網(wǎng)使傳統(tǒng)WOA故障定位準(zhǔn)確度不足的問(wèn)題，提出一種多策略IWOA。通過(guò)實(shí)驗(yàn)仿真結(jié)果表明，對(duì)比傳統(tǒng)WOA，IWOA將配電網(wǎng)單故障有信息畸變的區(qū)段定位準(zhǔn)確率由98%提高到100%，定位時(shí)間節(jié)約了0.2 s 左右；多故障有信息畸變的區(qū)段定位準(zhǔn)確率由91%提高到99%，定位時(shí)間節(jié)約了0.18 s 左右。本文所提基于IWOA 故障區(qū)段定位方法能適應(yīng)FTU復(fù)雜惡劣工作環(huán)境，對(duì)提升配電網(wǎng)的故障區(qū)段定位準(zhǔn)確率和故障后快速恢復(fù)方面有較大的應(yīng)用前景。