基于子域多策略自适应融合优化算法的含分布式电源新型配电网故障定位方法

《International Journal of Electrical Power & Energy Systems》：Fault location in DG-integrated new distribution networks with the Subdomain Multi-Strategy Adaptive Fusion optimization algorithm

　　

在“双碳”目标的驱动下，配电网正演变为融合源、网、荷、储的新型主动配电网，其拓扑结构、运行模式及潮流方向与传统配电网存在显著差异。由于大规模并网分布式电源的高间歇性、波动性与随机性，同一配电网支路上的故障电流方向已由单向转变为双向，这不仅导致馈线终端单元采集的故障电流信息出现漏报与误报，也使得传统故障定位方法难以保证准确性。为解决这一问题，本研究提出一种基于子域多策略自适应融合优化算法的配电网故障定位方法。首先，设计了基于子域划分与Tent混沌映射的种群初始化方法，以提升初始种群多样性，为全局寻优奠定基础；其次，构建了子域内多策略融合的个体更新机制，利用小波函数、欧氏距离及曼哈顿距离构造加权均值更新策略，并结合参数自适应加速因子实现个体的高效移动；再次，提出了基于收益比较的全局最优策略选择机制，以平均适应度作为子域效益指标，实现子域搜索与全局搜索的并行更新；最后，建立了考虑配电网开关状态与FTU信息畸变的改进开关函数模型，并结合分级差异定位思路，实现配电网单点及多点复杂故障的高精度定位。基于CEC2020基准函数及IEEE 33节点配电网系统的仿真结果表明，SMAF算法在收敛精度、搜索稳定性与计算效率上均优于多种对比算法，其定位距离在含分布式电源、多点故障和FTU信息畸变等复杂场景下均保持较高数值。

**论文解读：基于子域多策略自适应融合优化算法的含DG新型配电网故障定位研究**

**研究背景和现存问题：**

在“双碳”目标背景下，配电网正加速向融合“源-网-荷-储”（相关术语为源-储的协同）的新型主动配电网演进，其拓扑结构、运行模式与潮流方向的变革，对传统故障定位方法提出了根本性挑战。高比例、大容量分布式发电（分布式电源，DG）的并网，使配电网故障电流由单向变为双向，传统辐射状网络的0-1故障编码方式已不再适用。同时，馈线终端单元（馈线终端单元，FTU）上传信息在实际运行中易受间歇性DG输出的影响而产生漏报与误报等数据畸变现象，直接导致依赖开关函数值匹配的既有定位方法精度不足。当前，基于矩阵分析和人工智能的定位方法虽取得一定进展，但在应对信息畸变与多点同时故障等复杂工况时，逻辑矩阵法和单一智能优化算法均暴露其局限性——例如矩阵法需重构矩阵且计算量大，深层网络算法需异构感知评估并重新训练，而许多启发式智能算法则对初值选择与函数凹凸性极为敏感，极易陷入局部最优或早期收敛。因此，如何在配电网拓扑和故障特征高度离散、畸变复杂的环境下，开发兼具高精度、鲁棒性及计算成本控制能力的故障定位方法，成为该领域亟待解决的关键问题。

**研究方法与核心技术创新：**

本研究所提出的故障定位框架，以智能优化深度求解为核心。研究人员首先构建了考虑DG开关状态和FTU信息畸变的开关函数模型，将节点信息与多类型故障状态信息（包括漏报与误报）智能耦合。在此基础上，提出了一种基于最小化实际信息与期望开关函数偏差的分层解析故障定位模型：第一层通过顺序遍历识别无畸变条件下的简单单点故障，若无法满足最优值1，则进入第二层，采用本文核心创新所提出的子域多策略自适应融合优化算法（SMAF）进行复合决策。SMAF算法的关键特征包含：基于子域求解目的和帐篷混沌映射的多样化质量初始种群生成；包含局部加权均值规则与自适应加速机制的差异化参数多策略搜索更新；基于收益比较的全局最优策略选择来实现子域搜索与全局搜索的并行化。算法的核心为全局最优策略选择机制协同作用，调控单一子域内子搜索与全局搜索的动态融合，实现维度复杂度提升对搜索无限局部最优的限制。

**主要结果：**

研究人员在CEC2020基准测试集及IEEE 33节点（图表明，SMAF（在大部分函数上均取得了‘Best’、‘Mean’以及更低‘SD’的标准差，尤其是在单元函数F1与F4上收敛并稳定达到理论最优，显示全局探索与局部挖掘的良好平衡。虽然在少数组合函数F3、F8（F10）中标准差值略逊色于对比算法，但自适应以及多策略的机制有效规避了早期收敛，其平均时间和统计Dave同时表明了算法稳定性和难以性。在IEEE 33节点系统的多种运行模拟下，该定位方法的优势体现在：（首次准确率）分析中，于含稳定DG集成场景（DG接于21、29节点，场景1无DG）中，SMAF在单点故障和无畸变条件下的定位正确率均为100%；在多点故障的情况下（部分含信息畸变）的准确率仍保持在96%以上，显著优于其他对比算法，在信息畸变容差测试（对比多个畸变节点情形）中也获取了最高值98%或100%的结果，验证了框架对故障判别的“容差钳制”能力。效率对比结果揭示，分层快速识别模块显著提升单点故障的定位速度（平均27 ? ~ 13.206 s vs 对比算法3.5 s以上）；仅在多点故障场景中定位轨迹与分布所需时间有所增长（36.259 s vs 37.141 s），但还略优于对比算法趋势，位置时间增加其原因是多点优化组合空间扩大所致。此外，在将DG渗透率拓展为基本网络丢失3台、4台和5台DG规模的微电网分析中，所提议方法均维持在96%以上的正确率，并保持高位寻优速率，验证了其在高渗透率现代直流配电网架构中的适应性。

**讨论与结论：**

本论文总结的推理结论部分大致为：该研究针对FTU信息畸变与多点故障同现的极端工况下 DG 融入配网的精准与抗干扰问题，提出了基于SMAF优化的分布式自相似型故障模型，并较好地将所提方法在IEEE 33系统的不同配置和环境下与以下5种算法进行了对照。工作人员在进行了包含CEC2020与故障仿真在内的系统测试后，未发现在对比实验指标上该模型能同时保持高定位精度、高计算效率与强容错性的优势。假设性的性能提升主要归因于初始种群搭配的目的性生成高质量解集，以及更丰富的赋权均值更新搜索体系和针对局部并发区域的子CS_——全局最优解决方案交互促协同进化机制，从而有效地抑制了算法早熟和快速中关键词的技术难点，由CEC2020测试集保障了算法内部结构的准确性。这一方案深入剖析了数据质量与搜索稳定性间的矛盾，原料和开发提供了结构性解决思路，为DGs配电与步量化技术的鲁棒性问题，特别是解决传统潮流新测试之下畸形样本样本最优的遗漏系统定位已属可靠、高效、大略的工程化做工对扩维资源的工业价值及应用潜力班级示例中的提取做法。未来将引进图神经网络等深度学习方法进一步提升大规模拓扑网络下的信息交互建模能力。