一种基于PGSA-GA混合算法的故障区段定位方法与流程

本发明涉及一种基于pgsa-ga混合算法的故障区段定位方法，属于计算机仿真技术领域。

背景技术：

在绿色节能意识的驱动下，智能电网发展方兴未艾，已成为当今世界各国竞相研究发展的一个重点领域。与普通配电网相比，智能配电网中接入大量分布式电源，导致配电网的结构发生改变，因此传统的定位方法不再适用。为提高含分布式电源的复杂配电网的运行可靠性，快速恢复故障区域的供电，研究复杂配电网故障定位是智能配电网建设的一项重要内容，对未来智能电网的运行管理有着重要的作用和意义。

技术实现要素：

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于pgsa-ga混合算法的故障区段定位方法，将ga和pgsa混合，缩小搜索范围，全面提高故障定位的效率和速度。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于pgsa-ga混合算法的故障区段定位方法，包括以下步骤：

1)编码配电网馈线终端设备上传的故障电流信息；

2)构造动态适应分布式电源投切的开关函数；

3)建立pgsa-ga混合算法的目标函数和适应度函数；

4)利用pgsa-ga混合算法进行故障区段定位的计算并得出计算结果。

前述的步骤1)中，故障电流信息采用以下方式表示：

节点j的故障电流信息ij表示如下：

前述的步骤2)中，开关函数表示如下：

其中，表示开关函数，∏符号表示逻辑或运算，以节点j将配电网分为两部分，含系统电源的一侧为上游，另一侧为下游，xj(m)表示节点j上游所有馈线区段状态值，xj(n)表示节点j下游所有馈线区段状态值，xj,s表示节点j上游与系统侧电源s直接相连的所有馈线区段的状态值，xj,dg表示节点j下游与分布式电源直接相连的所有馈线区段的状态值，kdg表示节点j下游的分布式电源系数，即当有分布式电源接入时，kdg为1，反之为0。

前述的步骤3)中，目标函数为：

其中，f(i)为pgsa-ga混合算法的目标函数，g(i)为遗传算法的适应度函数，n为配电网中的节点数，m为馈线区段的总数，xi表示第i个馈线区段的状态值，i表示第i个馈线区段，w取0.5。

前述的步骤4)中，具体计算过程如下：

41)输入配电网馈线终端设备上传的节点故障电流信息ij；

42)确定初始基点x0＝[0,0,……,0]，根据式(3)计算基点的目标函数值f(0)，并令初始基点作为最小状态值，初始基点的目标函数值作为最小目标函数值，即xmin＝x0，fmin＝f(0)，其中，x0表示初始馈线区段的状态值，下标0表示初始馈线区段；

43)以基点为中心，step＝1为步长，沿平行于坐标轴的方向寻找符合条件的s个生长点，并将其放在生长点集point中；所述符合条件是指，生长点在以基点为圆心，半径为1的球内，为符合条件；所述生长点指由所有馈线区段所组成的一个一维矩阵；

44)将point作为初始种群带入到遗传算法；

45)依据式(2)求出point中馈线区段中各节点的开关函数，利用式(4)计算出s个生长点的适应度函数值，根据适应度函数值的大小，选取进行交叉操作的个体；

46)进行交叉和变异操作；

47)将经过交叉和变异操作后生成的新的生长点放入到point中，求解该point中馈线区段中各节点的开关函数，根据式(3)计算各生长点的目标函数值，并与基点的目标函数值进行比较；

48)若第k个生长点的目标函数值f(k)大于基点的目标函数值，则将k从point中除去；若f(k)小于基点的目标函数值，则保留；求出各生长点目标函数的最小值minf，并与最小目标函数值fmin相比，若minf≠fmin，则更新minf为最小目标函数值，更新该目标函数最小值对应的馈线区段的状态值为最小状态值，即令xmin＝xminf，fmin＝minf；

49)判别是否满足收敛条件，若满足则输出xmin，结束搜索，若不满足进行下一步；

410)采用pgsa算法计算point中生长点的形态素浓度，得到形态素浓度状态空间；

411)在[0,1]区间生成一个随机数，若该随机数落入到某个生长点的形态素浓度状态空间内，则将该生长点作为下一次迭代的新基点x1，返回步骤43)，直到满足收敛条件，结束程序。

前述的步骤45)中，随机选择个体，利用matlab遗传算法工具箱中的函数进行遗传操作。

前述的步骤49)中，收敛条件为fmin更新的次数等于count。

与现有技术相比，本发明的有益效果是：

本发明不仅可动态适应分布式电源投切，而且具有更高的搜索速度和计算效率，经实验验证，所提出的方法具有有效性和实用性。

附图说明

图1为本发明方法的流程图；

图2为pgsa-ga混合算法的计算流程图；

图3为改造后的ieee69节点配电网系统。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的基于pgsa-ga(模拟植物生长算法-遗传算法)混合算法的复杂配电网故障区段定位方法，包括以下步骤：

1)编码配电网ftu(馈线终端设备)上传的故障电流信息；

定义节点j的故障电流信息如下：

由此可将故障电流序列编码为i＝[i1,i2,……,in]，其中，下标n表示配电网中的节点数。

2)构造动态适应分布式电源投切的开关函数；

式中，表示开关函数，∏符号表示逻辑或运算，以节点j将配电网分为两部分，含系统电源的一侧为上游，另一侧为下游，xj(m)表示节点j上游所有馈线区段状态值，xj(n)表示节点j下游所有馈线区段状态值，xj,s表示节点j上游与系统侧电源s直接相连的所有馈线区段的状态值，xj,dg表示节点j下游与分布式电源直接相连的所有馈线区段的状态值，kdg表示节点j下游的分布式电源系数，即当有分布式电源接入时，kdg为1，反之为0。

3)建立pgsa-ga混合算法的目标函数和适应度函数；

式中，f(i)为混合算法的目标函数，g(i)为遗传算法的适应度函数，ij和分别由式(1)和(2)求得，n为配电网中的节点数，m为馈线区段的总数，xi表示第i个馈线区段的状态值，i表示第i个馈线区段，w取0.5。

4)利用pgsa-ga混合算法进行故障区段定位的计算并得出计算结果，具体计算如下：

步骤41：输入ftu上传的节点故障电流信息ij。

步骤42：确定初始值即初始基点x0＝[0,0,……,0]，根据式(3)计算基点的目标函数值f(0)，并令初始基点作为最小状态值，初始基点的目标函数值作为最小目标函数值，即xmin＝x0，fmin＝f(0)。

步骤43：以基点为中心，step＝1为步长，沿平行于坐标轴的方向寻找符合条件的s个生长点，并将其放在生长点集point中；符合条件是指，生长点在以基点为圆心，半径为1的球内，才算符合条件；本发明中生长点指由所有馈线区段所组成的一个一维矩阵。

步骤44：将point作为初始种群带入到遗传算法。

步骤45：依据式(2)求出point中馈线区段中各节点的开关函数，使用式(4)计算出s个生长点的适应度函数值，根据适应度函数值的大小，选取进行交叉操作的个体；本发明中随机选择个体进行遗传操作，利用matlab遗传算法工具箱中的函数进行。

步骤46：进行交叉和变异操作。

步骤47：将经过交叉和变异操作后生成的新的生长点放入到point中，此时point中为步骤43中生成的生长点与新的生长点的组合。利用式(2)求出该point中馈线区段中各节点的开关函数，根据式(3)计算各生长点的目标函数值，并与基点的目标函数值进行比较。

步骤48：若第k个生长点的目标函数值f(k)大于基点的目标函数值，则将k从point中除去；若f(k)小于基点的目标函数值，则保留。求出各生长点目标函数的最小值minf，并与最小目标函数值fmin相比，若minf≠fmin，则更新minf为最小目标函数值，更新该目标函数最小值对应的馈线区段的状态值为最小状态值，即令xmin＝xminf，fmin＝minf。

步骤49：判别是否满足收敛条件，若满足则输出xmin，结束搜索，若不满足进行下一步。本发明将fmin更新的次数等于count设置为收敛条件，即当最小值fmin更新count次时，表示已找到最优解xmin，输出故障区段，程序运行完毕。

步骤410：采用pgsa算法计算point中生长点的形态素浓度，得到形态素浓度状态空间。

步骤411：在[0,1]区间生成一个随机数，若该随机数落入到某个生长点的形态素浓度状态空间内，则将该生长点作为下一次迭代的新基点x1，返回步骤43，直到满足收敛条件，结束程序。

采用本发明方法对改造后的含分布式电源的ieee69节点系统见图3所示，图中，1～69表示69个节点，(1)～(61)表示的是区段，s表示系统电源，k1，k2，k3表示的是dg(分布式电源)投切的开关，dg1,dg2,dg3表示的是三个分布式电源。进行仿真实践，实验结果如表1所示，然后与未改进的pgsa作比较，比较结果如表2和表3所示。

表1ieee69节点配电网故障测试结果

表2pgsa与pgsa-ga迭代次数对比

表3pgsa与pgsa-ga对比总结

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。