配電網快速復電系統中的故障定位技術研究

沈科炬++宋鑫++嚴曉

摘 要：該文將分析和討論在配電網快速復電系統中故障監測裝置的數量和安裝位置最優配置方法，從而最大程度的提高供電經濟效益和供電可靠性。

關鍵詞：配電網 快速復電 故障監測 故障

中圖分類號：TM77 文獻標識碼：A 文章編號：1674-098X（2014）08（b）-0023-02

一直以來，人們對于輸電網的故障定位算法的研究要遠遠多于配電網，但由于網絡結構和特點的不同（配電網多采用架空線或以架空線為主的混合結構，一般為放射型供電方式）。絕大多數輸電線路故障定位算法卻并不適用于配電網。

這里先簡要介紹配電網故障定位的幾種方法。這些方法可以分為兩種：

基于阻抗檢測的方法；基于行波檢測的方法。

基于阻抗檢測的方法主要是通過檢測饋線前端的電壓和電流信號中的基波分量實現的，這類方法的實現雖然比較簡單，且成本也較低，但是這種方法的準確性較較差。行波法是根據行波傳輸理論實現輸電線路故障測距的，這種方法雖然比較精確，但是復雜度和成本非常高，所以不適合配電網的故障定位。

基于故障監測裝置的故障定位方法相對于上述的兩類方法更適合于配電網：一方面省略了故障測距的過程，加快了故障定位速度；另一方面它不是估算而是可以直接確定出故障區段，準確性和有效性也大大增強。

1 分析方法介紹

1.1 停電損失

1.2 運行成本和供電恢復成本

運行成本和供電恢復成本可以分成以下兩部分：

（1）供電恢復操作的員工的人工成本。

（2）供電恢復操作的設備成本。

2 多目標最優化

這里μi是第i個目標函數，g和h是不等式和等式約束條件，x是最優化或者決策變量向量。這個問題的解是一組收斂到最優的Pareto解。不同于唯一解問題，多目標問題的解是Pareto無限集。

2.1 解決方法

對多目標最優化問題求解的方法有很多，下面提出一些：

（1）構造聚合目標函數（Aggregate Objective Function）。

（2）進化算法（Evolutionary algo rithms）。

（3）采用進化算法的多目標最優化方法（Multi objective Optimization using Evolutionary Algorithms）。

（4）多目標遺傳算法（Multi Obje ctive Genetic）。

（5）其他算法。

而在這些方法中，我們選擇多目標遺傳算法進行最優化，多目標遺傳算法在下面將作詳細解釋。

2.2 多目標遺傳算法

2.2.1 初始種群

最初許多隨機生成的個體解可形成一個初始種群。初始種群大小決定于這些問題的屬性，包含了幾百或者幾千個可能解。一般情況下，隨機生成的種群涵蓋了所有的可能解。個別情況下，最優解也許就存在于這些可能解之中。

在這個階段中，可輸入網絡參數。現在將運用于適應度函數中的n個bit位的0和1數據可用來初始假定故障監測裝置的分布：（見圖1）

這些基因是隨機遺傳產生的，網絡計算可處理這些假定的基因。如果第i個bit位為1，這意味著第i個分段有故障監測裝置，否則就沒有不能納入網絡計算。

2.2.2 遺傳算子

遺傳算子是應用于由一個舊的種群生成一個新的種群的染色體的隨機轉變規則。一個遺傳算子通常由復制、交叉和變異算子組成。

（1）交叉。

交叉是指在一個字符串中選擇一個隨機位置，并與另一個字符串交換該位置左或右字符的過程。這個被隨機選取的位置被稱為交叉點。在該文中，所交換的均為交叉點右側的字符。父染色體被交叉的幾率定位0.7。

（2）變異。

變異是指一個字符串位由‘0變為‘1或者由‘1變為‘0的小概率隨機更改過程。它通過保證在問題空間內搜索任一區域的概率永遠不會為零，防止遺傳物質在經過復制和交叉后完全丟失。在本文中，變異的概率被假定在0.01和0.1之間。

3 多對象遺傳算法的應用

這里以寧波慈溪供電局在2013年建設的配電網快速復電系統中的一條10 kV線路（游源線）上故障指示器的實際安裝情況為例，說明采用多對象遺傳算法計算故障監測裝置的配置和分布的方法。

下面我們先為這次算法研究列出所需要的一些參數：

種群大小=20；遺傳代的最大數量=100；變異概率=0.05；交叉概率=0.7

該線路單線圖如圖3所示，線路總長度為21.2 km，其中主干線長3.585 km，帶有12個主要負載。

這條線路其他數據如表1所示。5210，2480

根據圖2和表1，通過計算得到裝置最優配置數量為13，其最優分布如圖2所示。

4 結論

本文根據配電網中的故障區段估算的問題和故障監測裝置的應用，提出了一種新的對象函數。采用這種多目標遺傳算法，解決了故障監測裝置的最佳數量和分布的問題，通過優化故障監測裝置的數量和分布可以提升快速復電系統的綜合運行效果。

參考文獻

[1] 康忠健，李丹丹，劉曉林.配電網故障測距方法研究現狀[J].電氣應用，2010（22）.

[2] 郝建強.S注入法的配電網故障定位的研究[J].電力學報，2011（2）.

[3] 王昭楊，戚宇林.配電網單相接地故障定位S信號法的研究[J].電力科學與工程，2010（3）.endprint

摘 要：該文將分析和討論在配電網快速復電系統中故障監測裝置的數量和安裝位置最優配置方法，從而最大程度的提高供電經濟效益和供電可靠性。

關鍵詞：配電網 快速復電 故障監測 故障

中圖分類號：TM77 文獻標識碼：A 文章編號：1674-098X（2014）08（b）-0023-02

一直以來，人們對于輸電網的故障定位算法的研究要遠遠多于配電網，但由于網絡結構和特點的不同（配電網多采用架空線或以架空線為主的混合結構，一般為放射型供電方式）。絕大多數輸電線路故障定位算法卻并不適用于配電網。

這里先簡要介紹配電網故障定位的幾種方法。這些方法可以分為兩種：

基于阻抗檢測的方法；基于行波檢測的方法。

基于阻抗檢測的方法主要是通過檢測饋線前端的電壓和電流信號中的基波分量實現的，這類方法的實現雖然比較簡單，且成本也較低，但是這種方法的準確性較較差。行波法是根據行波傳輸理論實現輸電線路故障測距的，這種方法雖然比較精確，但是復雜度和成本非常高，所以不適合配電網的故障定位。

基于故障監測裝置的故障定位方法相對于上述的兩類方法更適合于配電網：一方面省略了故障測距的過程，加快了故障定位速度；另一方面它不是估算而是可以直接確定出故障區段，準確性和有效性也大大增強。

1 分析方法介紹

1.1 停電損失

1.2 運行成本和供電恢復成本

運行成本和供電恢復成本可以分成以下兩部分：

（1）供電恢復操作的員工的人工成本。

（2）供電恢復操作的設備成本。

2 多目標最優化

這里μi是第i個目標函數，g和h是不等式和等式約束條件，x是最優化或者決策變量向量。這個問題的解是一組收斂到最優的Pareto解。不同于唯一解問題，多目標問題的解是Pareto無限集。

2.1 解決方法

對多目標最優化問題求解的方法有很多，下面提出一些：

（1）構造聚合目標函數（Aggregate Objective Function）。

（2）進化算法（Evolutionary algo rithms）。

（3）采用進化算法的多目標最優化方法（Multi objective Optimization using Evolutionary Algorithms）。

（4）多目標遺傳算法（Multi Obje ctive Genetic）。

（5）其他算法。

而在這些方法中，我們選擇多目標遺傳算法進行最優化，多目標遺傳算法在下面將作詳細解釋。

2.2 多目標遺傳算法

2.2.1 初始種群

最初許多隨機生成的個體解可形成一個初始種群。初始種群大小決定于這些問題的屬性，包含了幾百或者幾千個可能解。一般情況下，隨機生成的種群涵蓋了所有的可能解。個別情況下，最優解也許就存在于這些可能解之中。

在這個階段中，可輸入網絡參數。現在將運用于適應度函數中的n個bit位的0和1數據可用來初始假定故障監測裝置的分布：（見圖1）

這些基因是隨機遺傳產生的，網絡計算可處理這些假定的基因。如果第i個bit位為1，這意味著第i個分段有故障監測裝置，否則就沒有不能納入網絡計算。

2.2.2 遺傳算子

遺傳算子是應用于由一個舊的種群生成一個新的種群的染色體的隨機轉變規則。一個遺傳算子通常由復制、交叉和變異算子組成。

（1）交叉。

交叉是指在一個字符串中選擇一個隨機位置，并與另一個字符串交換該位置左或右字符的過程。這個被隨機選取的位置被稱為交叉點。在該文中，所交換的均為交叉點右側的字符。父染色體被交叉的幾率定位0.7。

（2）變異。

變異是指一個字符串位由‘0變為‘1或者由‘1變為‘0的小概率隨機更改過程。它通過保證在問題空間內搜索任一區域的概率永遠不會為零，防止遺傳物質在經過復制和交叉后完全丟失。在本文中，變異的概率被假定在0.01和0.1之間。

3 多對象遺傳算法的應用

這里以寧波慈溪供電局在2013年建設的配電網快速復電系統中的一條10 kV線路（游源線）上故障指示器的實際安裝情況為例，說明采用多對象遺傳算法計算故障監測裝置的配置和分布的方法。

下面我們先為這次算法研究列出所需要的一些參數：

種群大小=20；遺傳代的最大數量=100；變異概率=0.05；交叉概率=0.7

該線路單線圖如圖3所示，線路總長度為21.2 km，其中主干線長3.585 km，帶有12個主要負載。

這條線路其他數據如表1所示。5210，2480

根據圖2和表1，通過計算得到裝置最優配置數量為13，其最優分布如圖2所示。

4 結論

本文根據配電網中的故障區段估算的問題和故障監測裝置的應用，提出了一種新的對象函數。采用這種多目標遺傳算法，解決了故障監測裝置的最佳數量和分布的問題，通過優化故障監測裝置的數量和分布可以提升快速復電系統的綜合運行效果。

參考文獻

[1] 康忠健，李丹丹，劉曉林.配電網故障測距方法研究現狀[J].電氣應用，2010（22）.

[2] 郝建強.S注入法的配電網故障定位的研究[J].電力學報，2011（2）.

[3] 王昭楊，戚宇林.配電網單相接地故障定位S信號法的研究[J].電力科學與工程，2010（3）.endprint

摘 要：該文將分析和討論在配電網快速復電系統中故障監測裝置的數量和安裝位置最優配置方法，從而最大程度的提高供電經濟效益和供電可靠性。

關鍵詞：配電網 快速復電 故障監測 故障

中圖分類號：TM77 文獻標識碼：A 文章編號：1674-098X（2014）08（b）-0023-02

一直以來，人們對于輸電網的故障定位算法的研究要遠遠多于配電網，但由于網絡結構和特點的不同（配電網多采用架空線或以架空線為主的混合結構，一般為放射型供電方式）。絕大多數輸電線路故障定位算法卻并不適用于配電網。

這里先簡要介紹配電網故障定位的幾種方法。這些方法可以分為兩種：

基于阻抗檢測的方法；基于行波檢測的方法。

基于阻抗檢測的方法主要是通過檢測饋線前端的電壓和電流信號中的基波分量實現的，這類方法的實現雖然比較簡單，且成本也較低，但是這種方法的準確性較較差。行波法是根據行波傳輸理論實現輸電線路故障測距的，這種方法雖然比較精確，但是復雜度和成本非常高，所以不適合配電網的故障定位。

基于故障監測裝置的故障定位方法相對于上述的兩類方法更適合于配電網：一方面省略了故障測距的過程，加快了故障定位速度；另一方面它不是估算而是可以直接確定出故障區段，準確性和有效性也大大增強。

1 分析方法介紹

1.1 停電損失

1.2 運行成本和供電恢復成本

運行成本和供電恢復成本可以分成以下兩部分：

（1）供電恢復操作的員工的人工成本。

（2）供電恢復操作的設備成本。

2 多目標最優化

這里μi是第i個目標函數，g和h是不等式和等式約束條件，x是最優化或者決策變量向量。這個問題的解是一組收斂到最優的Pareto解。不同于唯一解問題，多目標問題的解是Pareto無限集。

2.1 解決方法

對多目標最優化問題求解的方法有很多，下面提出一些：

（1）構造聚合目標函數（Aggregate Objective Function）。

（2）進化算法（Evolutionary algo rithms）。

（3）采用進化算法的多目標最優化方法（Multi objective Optimization using Evolutionary Algorithms）。

（4）多目標遺傳算法（Multi Obje ctive Genetic）。

（5）其他算法。

而在這些方法中，我們選擇多目標遺傳算法進行最優化，多目標遺傳算法在下面將作詳細解釋。

2.2 多目標遺傳算法

2.2.1 初始種群

最初許多隨機生成的個體解可形成一個初始種群。初始種群大小決定于這些問題的屬性，包含了幾百或者幾千個可能解。一般情況下，隨機生成的種群涵蓋了所有的可能解。個別情況下，最優解也許就存在于這些可能解之中。

在這個階段中，可輸入網絡參數。現在將運用于適應度函數中的n個bit位的0和1數據可用來初始假定故障監測裝置的分布：（見圖1）

這些基因是隨機遺傳產生的，網絡計算可處理這些假定的基因。如果第i個bit位為1，這意味著第i個分段有故障監測裝置，否則就沒有不能納入網絡計算。

2.2.2 遺傳算子

遺傳算子是應用于由一個舊的種群生成一個新的種群的染色體的隨機轉變規則。一個遺傳算子通常由復制、交叉和變異算子組成。

（1）交叉。

交叉是指在一個字符串中選擇一個隨機位置，并與另一個字符串交換該位置左或右字符的過程。這個被隨機選取的位置被稱為交叉點。在該文中，所交換的均為交叉點右側的字符。父染色體被交叉的幾率定位0.7。

（2）變異。

變異是指一個字符串位由‘0變為‘1或者由‘1變為‘0的小概率隨機更改過程。它通過保證在問題空間內搜索任一區域的概率永遠不會為零，防止遺傳物質在經過復制和交叉后完全丟失。在本文中，變異的概率被假定在0.01和0.1之間。

3 多對象遺傳算法的應用

這里以寧波慈溪供電局在2013年建設的配電網快速復電系統中的一條10 kV線路（游源線）上故障指示器的實際安裝情況為例，說明采用多對象遺傳算法計算故障監測裝置的配置和分布的方法。

下面我們先為這次算法研究列出所需要的一些參數：

種群大小=20；遺傳代的最大數量=100；變異概率=0.05；交叉概率=0.7

該線路單線圖如圖3所示，線路總長度為21.2 km，其中主干線長3.585 km，帶有12個主要負載。

這條線路其他數據如表1所示。5210，2480

根據圖2和表1，通過計算得到裝置最優配置數量為13，其最優分布如圖2所示。

4 結論

本文根據配電網中的故障區段估算的問題和故障監測裝置的應用，提出了一種新的對象函數。采用這種多目標遺傳算法，解決了故障監測裝置的最佳數量和分布的問題，通過優化故障監測裝置的數量和分布可以提升快速復電系統的綜合運行效果。

參考文獻

[1] 康忠健，李丹丹，劉曉林.配電網故障測距方法研究現狀[J].電氣應用，2010（22）.

[2] 郝建強.S注入法的配電網故障定位的研究[J].電力學報，2011（2）.

[3] 王昭楊，戚宇林.配電網單相接地故障定位S信號法的研究[J].電力科學與工程，2010（3）.endprint