基于改進粒子群算法的配電站低壓故障實時監測方法

閆振華，羅海榮，何鵬飛，田永興，張亞杰

（1.國網寧夏電力有限公司電力科學研究院，寧夏 銀川 750001；2.國網寧夏電力有限公司，寧夏 銀川 750001）

0 引 言

傳統的低壓絕緣配電站故障監測方法通過安裝傳感器與低壓檢測裝置，實現對配電站低壓故障的監測[1]。隨著分布式電源的并網接入，配電站的電網規模不斷擴大，電氣設備之間的線路連接方式也越來越復雜。傳統的配電站低壓故障監測方法已經無法滿足快速精準的故障監測需求，存在耗時較長、成本較高、監測步驟煩瑣、監測周期較長等弊端。同時由于傳統的故障監測方法通過設置回路抗阻值來判定是否發生故障，無法保證故障節點的定位精度，不利于配電站電力系統的日常運行與安全維護[2,3]。因此，為滿足配電站運行的維護需求，需提高低壓故障監測的定位精度，開發出一種快速準確的故障定位方法，實現對配電站的高效監測。粒子群算法由于其強大的捕捉性能，被廣泛應用在各種故障定位監測技術中。但是由于粒子群算法在對節點進行捕捉獲取的過程中容易出現局部收斂的情況，導致節點定位精度受到影響。因此需要對粒子群算法進行優化，旨在提高節點捕捉精度，并與配電站低壓故障監測技術進行結合，減小配電站因低壓故障帶來的經濟損失。

1 配電站低壓故障實時監測方法

1.1 配電站數據采集與預處理

為實現對配電站低壓故障的實時監測，首先需要對配電站的相關數據進行采集與預處理，為監測提供數據來源[4]。配電站系統中的數據種類繁多，容易產生較多的無效數據。對此需要選擇主要特征參數，包括相電壓、相電流、三相電壓不平衡度、三相電流不平衡度以及開關量狀態等。除無效數據外，配電站數據中還會存在由于各種主客觀因素導致的意外數據，例如由操作人員失誤拉閘導致斷電而生成的數據屬于意外數據，該部分數據對配電站監測的參考價值較低，應對其進行剔除，從而保證監測的精度與質量。具體處理手段為異常值平滑以及特征歸一化，處理步驟如下。

受到配電站較為復雜的配電環境影響，部分數據會出現異常波動導致噪聲值偏大，不利于對配電站低壓故障情況進行監測[5]。因此，需要對異常數據值進行處理，具體有2種手段。其中1種是直接進行剔除，但是剔除后數據集的連貫性會受到影響。因此利用與異常數據時間相近的正常數據作為權重值，對異常數據進行平滑化處理，具體處理公式為

式中：x(m,t)代表第m天t時刻內對應的配電站數據特征指標；p1x(m1,t)與p2x(m2,t)分別代表第m-1天與第m+1天對應的配電站數據特征指標。將異常值前后2天的正常數據作為權重值，可實現對異常值的平滑化處理，得到較為穩定的數據[6]。

由于配電站數據特征參數的取值范圍和單位等屬性存在一定程度的差異，屬性上的差異導致數據覆蓋，例如取值范圍較小的參數會被范圍較大的特征參數覆蓋掉，導致最終的監測結果受到影響。因此需要對特征參數進行歸一化處理，具體處理公式為

式中：yi代表特征參數M的實際值；Mmin與Mmax分別代表特征參數M的最小值與最大值；代表歸一化后的特征參數，其取值范圍為∈ [0,1]。

通過上述步驟即可實現對配電站數據的采集與預處理，得到較為穩定可靠的配電站特征參數，為后續的配電站低壓故障監測提供數據來源。

1.2 基于改進粒子群算法的配電站低壓故障定位

運用粒子群算法實現對配電站低壓故障定位原理在于，通過分析求解網絡內各節點的運行狀態，得到故障區段的節點位置。但是由于粒子群算法在解決該類問題時通常存在局部收斂的弊端，因此需要對其進行改進。通過在算法中加入進化因子，對局部收斂的狀態進行判斷，可有效規避局部收斂對算法效果的不利影響。對此，定義粒子群算法的進化因子為f，具體表達式為

式中：Fa代表粒子群算法在進行第a次運算時的最佳適應度值；b代表平滑系數，取值范圍為b∈(0,1)。通過式（3）可以看出，當粒子群算法中進化因子的值為0時，粒子群不再進化；當進化因子的值大于0或1時，粒子群處于正向進化或加速進化狀態；當進化因子的值在（0,1]時，粒子群處于正向進化狀態，但進化速度逐步遞減；當進化因子的值在[0,1]時，粒子群存在局部收斂的情況，此時粒子群需分離出部分粒子進行探索。

通過上述步驟即可實現對粒子群算法的優化，構造出配電站故障定位的評價函數，具體表達式為

式中：CB代表配電站各種設備的開關狀態，其值為0或1；Ii代表第i個設備開關處傳輸的低壓故障電流數據；N代表配電站中的饋線區段個數；I*代表配電站設備開關節點對應的期望狀態。

假設配電站饋線區段分別為J1、J2、J3，當配電站出現低壓故障時，線路上的所有開關均會檢測到故障電流。因此，可構建出各個開關對應的期望函數，具體表達式為

式中：I*(CB1)代表開關節點CB1對應的期望函數。

對此可構建出改進粒子群算法對配電站低壓故障的定位流程，具體流程如下。首先，對改進后的粒子群算法進行參數設定，假設規模為N，總體運算次數為T，則可根據式（4）和式（5）編寫出配電站中各個串聯開關的期望函數與評價函數，得出粒子i在捕食狀態下的初始極值為qi，對粒子運動速度進行迭代，迭代后的粒子群初始極值設為qd。假設粒子群的初始位置為Xk=(xk1,xk2,…xkd)，比較2個初始極值的大小，若迭代后的極值大于迭代前的極值，則更新粒子群的定位，對應的公式為

式中：t代表粒子群體的迭代次數；xkd(t+1)代表迭代次數為t+1時的粒子群體運動位置。當t值全部窮盡后，找到的粒子群體的運動位置即為當前低壓故障的定位節點。

通過將低壓故障定位節點進行實時統計，在檢測出故障節點時進行報警，即可實現對配電站低壓故障的監測。至此，基于改進粒子群算法的配電站低壓故障實時監測方法設計完成。

2 實驗環節

為了更好地說明提出的基于改進粒子群算法的配電站低壓故障實時監測方法在監測精度上優于傳統的低壓絕緣監測方法，在理論方面設計完成后，構建實驗環節，對該監測方法的實際監測效果進行分析。

2.1 實驗環境

本次實驗選取的對比對象為基于移動頁面加速（Accelerated Mobile Pages，AMP）測量法的低壓絕緣故障監測方法，通過對比故障定位精度上的差異，比較2種監測方法的實際監測效果。對此，選取了4種不同的低壓故障，分別為單相接地低壓故障、兩相接地低壓故障、兩相短路低壓故障以及三相短路低壓故障。選取配電站的某條線路L，對該線路進行故障布置，線路L的具體負荷曲線如圖1所示。

圖1 線路L負荷曲線

根據上述提出的方法對配電站的數據進行采集與預處理，針對故障線路L進行模擬檢測，比較2種監測方法得到的故障點定位值與實測值之間的誤差。

2.2 實驗結果

使用2種故障監測方法對線路L進行監測，得到故障節點具體位置，將節點具體位置與實測位置進行對比，得出故障定位誤差值，具體對比結果如表1所示。

表1 故障定位誤差對比

通過上述實驗結果可以看出，配電站低壓故障監測方法在針對不同的故障類型進行監測定位時，其定位精度也會有所不同。基于AMP測量法的低壓絕緣故障監測方法的定位誤差均值在5 cm左右，且隨著故障種類的不同，故障定位誤差波動較大。說明基于AMP測量法的低壓絕緣故障監測方法的故障定位穩定性較差，無法實現對多種低壓故障監測的精準定位，不利于配電站電力系統運行的維護工作。而本文提出的基于改進粒子群算法的配電站低壓故障監測方法在對模擬故障類型進行定位時，定位誤差保持在2 cm左右，定位精度明顯高于基于AMP測量法的故障監測方法。該故障定位誤差不會隨著故障類型的改變而出現較大的波動，說明本文提出的低壓故障監測方法的穩定性要優于基于AMP測量法的監測方法，在監測精度上更占優勢，可為操作人員對低壓故障的診斷爭取更多時間，對維護配電站正常運行提供技術保障。

3 結 論

本文所提出的配電站低壓故障監測方法與粒子群算法進行有效結合。通過對粒子群算法進行優化，規避局部收斂的弊端，減小定位誤差，從而實現對故障節點的精確定位，可有效滿足配電站低壓故障的監測需求。同時該方法在定位速度上也優于基于AMP測量法的監測方法，為配電站的調度提供及時有效的監測定位數據，有利于提高配電站的用電安全。