基于改进北方苍鹰搜索算法的主动配电网故障定位方法

本发明属于主动配电网故障定位领域，具体地说，涉及一种基于改进北方苍鹰搜索算法的主动配电网故障定位方法，使用北方苍鹰优化算法(ingo)和北方苍鹰算法(ngo)、灰狼优化算法(gwo)和鲸鱼优化算法(woa)的进行定位并进行比较实验。

背景技术：

1、配电网络位于电力系统的末端，直接与用户相连。确保配电网的运行稳定性尤为重要。在双碳背景的影响下，越来越多的分布式发电(dg)系统接入配电网，在这种情况下，系统电力流的方向不再唯一。传统配电网转变为多向复杂有源配电网(adn)，配电网结构将更加复杂，导致故障定位难度增加，给有源配电网的稳定运行带来了巨大挑战。因此，研究适合adn的故障定位方法具有重要的研究意义。

2、由于dg的接入，当发生故障时，adn的故障特性与传统配电网的故障特性有很大不同，主要可归纳为以下几点：(1)接入点的位置和风电机组的接入能力会影响系统功率流的方向和故障电流的幅值。(2)每个dg的输出都是不确定的，导致故障暂态过程的不确定性。(3)低压配电网分支较多，线路参数分布不均，增加了故障分析的复杂性。在配网设备自动化升级的背景下，基于馈线终端单元(ftu)上传的电流信息的故障定位方法研究成为热点。

3、目前已提出多种配电网络故障定位方法，根据定位结果可分为故障路由、故障测距和故障段定位：故障路由、故障测距和故障段定位。而研究方法的实现主要基于矩阵算法和智能算法。矩阵算法将配电网络拓扑结构与ftu上传的当前信息相结合，生成故障判别矩阵，通过矩阵运算定位故障段；智能算法基于最小故障诊断集理论，将故障段定位问题转化为数学优化问题，利用智能算法进行求解。

4、在现有文献中，已有多种基于智能算法的故障定位方法被提出并验证。例如，文献[1]的作者利用多元宇宙算法对配电网中的故障进行定位，通过引入自适应精英策略和自适应突变操作对算法进行了改进。虽然该方法的定位能力较强，但其计算资源需求较大，在处理一些特殊故障时存在一定的局限性。文献[2]提出了一种基于秃鹫搜索算法的定位方法，通过引入交叉算子、非均匀变异算子和筋斗觅食策略，提高了算法的优化能力。然而，该方法的高计算成本限制了其在实际应用中的普及。

5、文献[3]采用矩阵算法和混沌二元粒子群算法相结合的方法求解配电网络故障定位问题。通过根据配电网络的实际结构建立区域和节点的因果关联矩阵和判据，能够较为有效地进行故障定位。然而，该算法的收敛性和稳定性仍需进一步考虑，因为这些因素决定了该方法能否在实际应用中取得良好的效果。文献[4]的作者将基于量子蚁群算法的改进算法应用于配电网故障定位问题，该方法在一定程度上提高了故障定位的精度和效率。

6、此外，文献[5]验证了将改进的正余弦算法引入到故障定位算法的局部发展阶段，增加了迭代后期的种群多样性，有效防止了算法陷入局部最优，提高了求解精度和收敛速度。文献[6]的作者提出了一种改进的自适应微分进化算法，该算法结合了高斯-柯西变异和参数自适应策略，显著提升了算法的性能。然而，上述四种算法在参数选择和调整方面对结果影响较大，需要针对具体问题进行充分的参数优化和测试，以确保其在不同应用场景中的有效性。

7、参考文献如下：

8、[1].li,l.l.,ji,b.x.,lim,m.k.,&tseng,m.l.(2024).activedistrib utionnetworkoperationaloptimizationproblem:amulti-objectivetunas warmoptimizationmodel.appliedsoftcomputing,150,111087.

9、[2].guohua,y.,j,feng.,&xuan,l.(2022)zonalfaultlocalizationin distributionnetworkswithdistributedpowersourcesbasedonimprovedvu lturesearchalgorithm.powersystemprotectionandcontrol,50(18):1-9.

10、[3].hu,j.(2024).tracematrixoptimizationforfaultlocalization.journalofsystemsandsoftware,208,111900.

11、[4].bi,z.,yu,x.,wang,b.,zhang,w.,liu,z.,&zhang,d.(2023).faul tlocationofdistributionnetworkbasedonthequantumantcolonyalgorith m.

12、[5].abualigah,l.,&diabat,a.(2021).advancesinsinecosinealgori thm:acomprehensivesurvey.artificialintelligencereview,54(4),2567-2608.

13、[6].chen,x.,&shen,a.(2022).self-adaptivedifferentialevolutionwithgaussian-cauchymutationforlarge-scalechpeconomicdispatchpro blem.neuralcomputingandapplications,34(14),11769-11787。

14、有鉴于此特提出本发明。

技术实现思路

1、本发明要解决的技术问题在于克服现有技术的不足，提供一种基于改进北方苍鹰搜索算法的主动配电网故障定位方法，解决了上述背景技术中提出的问题。

2、为解决上述技术问题，本发明采用技术方案的基本构思是：

3、一种基于改进北方苍鹰搜索算法的主动配电网故障定位方法，包括：以下步骤：

4、步骤s1：读取馈线终端单元检测到的分段开关、联络开关、断路器元件的故障电流状态信息，上传到主站的scada系统，根据获取得到的数据按照节点数量生成开关节点的实际故障电流阵列；

5、步骤s2：初始化北方苍鹰优化算法的种群数、种群维度、变量范围值和最大迭代代数；

6、步骤s3：初始化二进制北方苍鹰种群，且北方苍鹰种群中每个个体代表一组馈线段的故障运行状态；

7、步骤s4：计算适应度值并更新北方苍鹰个体的位置，通过猎物识别与攻击阶段和追逐及逃生阶段对个体位置进行更新；

8、步骤s5：引入自适应高斯-柯西混合扰动变异策略和正余弦策略，通过高斯变异和柯西变异的混合扰动对个体位置进行更新，确定是否达到最大迭代次数或满足收敛条件，若未达到则返回重新计算适应度值并更新个体位置；

9、步骤s6：基于多层次分区定位模型确定故障区域，通过多层次分区策略将配电网络划分为多个子区域，逐层细化，最终确定故障发生的具体位置。生成初始化个体，并计算其适应度值；

10、步骤s7：确定故障区域后检查识别故障区域和实际故障区域是否匹配，若匹配则确定故障区域，流程结束，否则返回生成初始化个体重新计算适应度值。

11、可选的，步骤s3对北方苍鹰算法的二进制优化的步骤为北方苍鹰的位置进行更新时，其表达式为：

12、

13、

14、其中，α＝2.3；pi,d表示个体i在d维空间中经过1次迭代后更新的位置。

15、可选的，步骤s4在进行猎物识别阶段和追逐及逃生阶段对个体位置进行更新的过程中需要完成以下步骤：

16、通过sinusoidal映射使北方苍鹰群体均匀分布于搜索空间中，再通过交叉和非均匀变异增强算法的全局探测能力；

17、其中，交叉运算将北方苍鹰的位置互换并重新计算适应度值，当新的北方苍鹰位置的适应度值优于原北方苍鹰时则替代原北方苍鹰个体，非均匀变异算子对北方苍鹰的位置进行扰动；

18、非均匀变异策略对北方苍鹰位置进行扰动时，依次针对每个北方苍鹰个体随机选择k个维度进行扰动，每次扰动产生的新北方苍鹰个体优于原北方苍鹰个体时则替换原北方苍鹰个体，其表达式为：

19、

20、其中，pt表示第t次迭代时北方苍鹰所在的位置；t表示最大迭代次数，取值为100；b为决定非均匀度的系统参数，取值为2。

21、可选的，步骤s4在猎物识别阶段的过程汇总会随机选择一个猎物并进行快速攻击，并通过数学模型模拟北方苍鹰的捕猎行为，更新个体位置，在此阶段中北方苍鹰的行为的数学表达式如下：

22、pi＝xk,i＝1,2,...,n,k＝1,2,...,i-1,i+1,...,n

23、

24、

25、其中，pi是第i只北方苍鹰选择的猎物的位置；fpi是目标函数值，即适应度值，k属于[1，n]中的随机自然数，是第i只北方苍鹰的新状态，是与之对应的适应值，r是属于[0,1]的随机数，此外，i的数值为1或者2，r和i是用于在搜索和更新中生成随机北方苍鹰算法行为的随机数。

26、可选的，步骤s4在追逐及逃生阶段的过程中北方苍鹰追逐猎物，模拟猎物逃跑的情景，并通过数学模型更新个体位置，其表达式为：

27、

28、

29、

30、其中，t是当前的迭代次数，t是最大迭代次数，是追击阶段第i只北方苍鹰的新状态，是追击阶段第i只北方苍鹰在第j维度的新状态，finew,p2是在新状态下的适应值。

31、可选的，步骤s5中利用正余弦模型震荡变化特性对位置进行作用，根据正余弦模型的振荡变化对整体和局部寻优，获取整体最优值，非线性递减搜索因子，在前期权重较大，递减速度慢，利于提高全局寻优能力，在权重因子较小时，增强算法在局部开发的优势，加快获取最优解的速度，其表达式为：其中，η为调节系数η≥1；a＝1。

32、可选的，步骤s5中使用自适应高斯-柯西混合扰动变异扰动策略对最优个体进行变异扰动，然后比较其变异前后的位置，选择较好的位置进入下一次迭代，其表达式为：

33、hb(t)＝xb(t)*(1+μ1*gauss(σ)+μ2*cauchy(σ))

34、其中，xb(t)为个体x在第t次迭代中的最优位置，hb(t)为第t次迭代中的最优位xb(t)在高斯-柯西混合扰动后的位置，gauss(σ)为高斯变异算子，cauchy(σ)为柯西变异算子，μ2＝t/tmax，μ2＝1-t/tmax，变异算子的权重系数μ1,μ2以一种一维线性的方式逐步变动，为的是保证每一次的迭代扰动均衡平滑。

35、可选的，基于多层次分区定位模型确定故障区域，通过多层次分区策略将配电网络划分为多个子区域，逐层细化，最终确定故障发生的具体位置。生成初始化个体，并计算其适应度值的步骤为：

36、步骤s6.1，根据配电网的拓扑结构，将整个配电网划分为多个子区域。

37、步骤s6.2，对每个子区域内的节点进行初步故障检测，确定故障可能发生的子区域。其表达式为：fi＝{nodej||iupload，j-iactual，j|＞∈}，其中，fi表示可能发生故障的节点集合，iupload，j为第j个节点的上传电流值，iactual，j为第j个节点的实际电流值，∈为故障判定阈值；

38、步骤s6.3，对于初步确定的故障子区域，进一步细化故障定位范围，将该子区域再次划分为更小的子区域，重复故障检测过程，逐层缩小故障定位范围；

39、步骤s6.4，通过逐层细化，最终确定故障发生的具体位置，生成初始化个体，并计算其适应度值，其表达式为其中，pi表示第i个初始化个体，n为节点总数。

40、可选的，步骤s7确定故障区域后检查识别故障区域和实际故障区域是否匹配的步骤为：

41、将各节点电流上传值与实际值的差值之和最小化，差值之和越小，说明已解决的故障情况与实际故障情况的相似度越高，其表达式为：

42、

43、其中，θ是防止误判的因子，θ|xj|]是防止节点xj误判的因子，θ|xj|]的值为0.5。

44、采用上述技术方案后，本发明与现有技术相比具有以下有益效果，当然，实施本发明的任一产品并不一定需要同时达到以下所述的所有优点：

45、通过使用混沌初始化策略，提高了样本的群体质量。混沌初始化策略利用混沌序列的遍历性和随机性，使得初始种群能够更加均匀地分布在搜索空间内，从而避免了种群早期陷入局部最优的情况。同时，将正余弦策略和自适应高斯-柯西混合变分扰动策略引入到北方苍鹰搜索算法中，这两种策略分别利用正弦余弦函数的周期性和高斯-柯西分布的随机性，对个体进行适应性扰动。具体而言，正余弦策略通过周期性波动对个体位置进行大范围搜索，增强了算法的全局搜索能力；而自适应高斯-柯西混合变分扰动策略则通过对最优个体进行局部扰动，提高了种群的多样性，有助于跳出局部最优，增强局部逃逸能力。这样不仅能够保持种群的多样性，还能够有效提升算法的收敛速度和定位精度。

46、下面结合附图对本发明的具体实施方式做进一步详细的描述。