一种基于量子蚁群算法的配电网故障定位方法技术

本发明专利技术涉及一种基于量子蚁群算法的配电网故障定位方法，包括以下步骤：步骤1)建立配电网开关函数的数学模型；步骤2)建立量子蚁群算法与配电网故障定位模型的有效映射；步骤3)基于开关函数确定配电网目标函数，并基于量子蚁群算法，根据目标函数迭代搜索最优解，实现配电网的故障定位。与现有技术相比，本发明专利技术具有计算收敛速度快、不易陷入局部最优等优点。不易陷入局部最优等优点。不易陷入局部最优等优点。

【技术实现步骤摘要】
一种基于量子蚁群算法的配电网故障定位方法


[0001]本专利技术涉及配电网故障定位领域，尤其是涉及一种基于量子蚁群算法的配电网故障定位方法。

技术介绍

[0002]配电网是指从输电网或地区发电厂接受电能，通过配电设施就地分配或按电压逐级分配给各类用户的电力网，直接与用户相连，在电力网中起重要分配电能作用的网络。国民经济日益增长的大趋势下，人们对电能的需求日趋上升，随着能源危机越发严重，人们开始注重新能源的发展，越来越多的分布式电源(distributed generation,DG)接入配电网，使得配电网由单一电源变成了复杂多电源的配电网，因此当含分布式电源的配电网发生故障时，能够对故障位置进行准确、迅速的定位，对保证用户安全用电，保证良好的电能质量以及配电网的安全运行起着十分重要的作用。
[0003]目前我国配电网的区域大致可划分为可测控区和不可测控区，针对不可测控区，主要是通过故障电话投诉以及人工巡线实现故障定位。针对拥有馈线终端单元(Feeder Terminal Unit，FTU)与监督控制和数据采集(Supervisory Control and Data Acquisition，SCADA)的可测控区，可以通过FTU和SCADA系统共同判断故障区域。目前，基于FTU的故障定位方法大致分为两种：直接算法和间接算法。直接算法最典型的代表是矩阵算法，虽然该算法有着计算量小、运算速度快等优点，但是故障定位的准确率不高，容错率低。间接算法就是使用智能算法进行定位，如模拟退火算法、免疫算法、遗传算法、粒子群算法等算法应用在配电网故障区段定位问题中都取得了不错的效果，但当配电网遇到复杂故障情况时，易陷入局部最优、定位效率不高等问题。

技术实现思路

[0004]本专利技术的目的就是为了提供一种基于量子蚁群算法的配电网故障定位方法，避免寻优时易陷入局部最优的缺陷，提高故障定位效率。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于量子蚁群算法的配电网故障定位方法，包括以下步骤：
[0007]步骤1)建立配电网开关函数的数学模型；
[0008]步骤2)建立量子蚁群算法与配电网故障定位模型的有效映射；
[0009]步骤3)基于开关函数确定配电网目标函数，并基于量子蚁群算法，根据目标函数迭代搜索最优解，实现配电网的故障定位。
[0010]所述建立量子蚁群算法与配电网故障定位模型的有效映射具体为：将配电网区段状态的选择转换为TSP问题的最优路径选取，量子蚁群算法使用量子比特编码信息素，根据信息素浓度大小进行路径选择实现最优解搜索。
[0011]所述配电网故障定位模型包括多个节点，相邻节点间包含两条路径，分别为1路径和0路径，1路径代表区段故障，0路径代表区段非故障。
[0012]所述量子蚁群算法使用量子比特编码信息素的方法为：
[0013]P＝(p1,p2,
…
,p
n
)
[0014]其中，P为量子信息素编码矩阵，n为种群大小，
[0015][0016]m为量子位数，代表配电网节点数，α、β分别与0路径、1路径对应，分别代表0路径的概率幅和1路径的概率辐。
[0017]所述信息素浓度即蚂蚁选择0路径或1路径的概率，以|α|2和|β|2分别表示，其中，|α|2表示蚂蚁选择0路径的信息素浓度，|β|2表示蚂蚁选择0路径的信息素浓度。
[0018]不同路径的信息素浓度满足归一化条件：|α|2+|β|2＝1。
[0019]所述步骤3)包括以下步骤：
[0020]步骤3
‑
1)初始化量子种群；
[0021]步骤3
‑
2)将所有蚂蚁随机放置在配电网故障定位模型的节点上，开始遍历；
[0022]步骤3
‑
3)为每只蚂蚁构造一个解，蚂蚁根据信息素浓度进行路径选择，形成一组二进制解，构造得到节点状态集合；
[0023]步骤3
‑
4)判断是否所有蚂蚁都访问完所有节点，若是，则转步骤3
‑
5)，否则，转步骤3
‑
2)继续遍历；
[0024]步骤3
‑
5)基于节点状态集合和开关函数确定配电网目标函数，并计算每只蚂蚁生成解的配电网目标函数值，记录当代产生的最优解以及最优解对应的蚂蚁个体和目标函数值，作为下一代进化的依据；
[0025]步骤3
‑
6)判断每代最优解是否连续三代稳定在某一个值，若是，则引入扰动规则更新路径，否则，转步骤3
‑
7)；
[0026]步骤3
‑
7)全局信息素浓度更新：根据历史全局最优解和当代最优解查表确定旋转角，用量子旋转门更新每个蚂蚁个体的信息素浓度；
[0027]步骤3
‑
8)判断是否达到收敛要求，若是则输出最优解，反之，则转步骤3
‑
2)重新放置蚂蚁。
[0028]所述节点状态集合表示为：
[0029][0030]其中，R(t)表示n只蚂蚁独立得到的n组二进制解，是一个长度为m的二进制串，m为量子位数，即配电网节点数；R(t)中的每个元素表示各个节点的状态0或1，由和预配置的权重系数w决定，如果则为0，反之为1，w∈[0,1]。
[0031]所述配电网目标函数为：
[0032][0033]其中，S
B
为配电网中各馈线区段的状态；I
j
为各测控点的实际状态，是各测控点的期望状态，w为权重系数，M为配电网区段数，C
ik
为个体i的第k个区段的状态值；由节点状态集合中存储的一组二进制解代入开关函数计算得到。
[0034]所述扰动规则为：在最优路径上选为故障线路的区段中随机选择一个区段，用0来取代该区段的状态，随机选择其他非故障区段，用1来取代该区段的状态以产生新路径，若该新路径比原最优路径的目标函数值更小，则将其更新为最优路径。
[0035]与现有技术相比，本专利技术具有以下有益效果：
[0036]本专利技术将量子蚁群算法引入配电网故障定位，能有效定位配电网单点或多点故障，具备较高的定位准确率，具有收敛速度快，寻优精度高等优势，且不易陷入局部最优解，为配电网故障区段定位问题的解决提供了新的思路。
附图说明
[0037]图1为本专利技术的方法流程图；
[0038]图2为基于量子蚁群算法的配电网故障定位模型示意图；
[0039]图3为本专利技术实施例中含33节点的配电网拓扑图；
[0040]图4为量子蚁群算法寻优迭代图。
具体实施方式
[0041]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0042]本实施例提供一种基于量子蚁群算法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子蚁群算法的配电网故障定位方法，其特征在于，包括以下步骤：步骤1)建立配电网开关函数的数学模型；步骤2)建立量子蚁群算法与配电网故障定位模型的有效映射；步骤3)基于开关函数确定配电网目标函数，并基于量子蚁群算法，根据目标函数迭代搜索最优解，实现配电网的故障定位。2.根据权利要求1所述的一种基于量子蚁群算法的配电网故障定位方法，其特征在于，所述建立量子蚁群算法与配电网故障定位模型的有效映射具体为：将配电网区段状态的选择转换为TSP问题的最优路径选取，量子蚁群算法使用量子比特编码信息素，根据信息素浓度大小进行路径选择实现最优解搜索。3.根据权利要求2所述的一种基于量子蚁群算法的配电网故障定位方法，其特征在于，所述配电网故障定位模型包括多个节点，相邻节点间包含两条路径，分别为1路径和0路径，1路径代表区段故障，0路径代表区段非故障。4.根据权利要求3所述的一种基于量子蚁群算法的配电网故障定位方法，其特征在于，所述量子蚁群算法使用量子比特编码信息素的方法为：P＝(p1,p2,
…
,p
n
)其中，P为量子信息素编码矩阵，n为种群大小，m为量子位数，代表配电网节点数，α、β分别与0路径、1路径对应，分别代表0路径的概率幅和1路径的概率辐。5.根据权利要求4所述的一种基于量子蚁群算法的配电网故障定位方法，其特征在于，所述信息素浓度即蚂蚁选择0路径或1路径的概率，以|α|2和|β|2分别表示，其中，|α|2表示蚂蚁选择0路径的信息素浓度，|β|2表示蚂蚁选择0路径的信息素浓度。6.根据权利要求5所述的一种基于量子蚁群算法的配电网故障定位方法，其特征在于，不同路径的信息素浓度满足归一化条件：|α|2+|β|2＝1。7.根据权利要求2所述的一种基于量子蚁群算法的配电网故障定位方法，其特征在于，所述步骤3)包括以下步骤：步骤3
‑
1)初始化量子种群；步骤3
‑
2)将所有蚂蚁随机放置在配电网故障定位模型的节点上，开始遍历；步骤3
‑
3)为每只蚂蚁构造一个解，蚂蚁根据信息素浓度进行路径选择，形成一组二进制解，构造得到节点状态集合；...

【专利技术属性】
技术研发人员：王宝楠，余晓婉，杨小婷，王辉，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：