[发明专利]一种基于互补松弛约束模型的配电网故障区段定位方法

说明书

本发明提出了一种基于互补松弛约束模型的配电网故障区段定位方法，其步骤如下：构建配电网中馈线所属独立区域集和因果区域集，确定独立区域集的电流越限报警集；建立开关函数与独立区域集的电流越限报警集间逼近关系模型；依据故障诊断最小集理论和馈线状态取值约束条件，建立连续域内的配电网故障定位互补约束规划模型；在互补约束的数学模型中引入松弛因子，建立配电网故障区段定位的互补松弛约束模型；将松弛因子看作常量，采用比例缩减方法逐步减小松弛因子的值，通过交互式优化算法定位出馈线故障区段。本发明可实现配电网馈线区段单一和多重故障的准确高容错性辨识，且具有数值稳定性好、优化效率高的优点，适合于大规模配电网的故障定位。

技术领域

本发明涉及配电网故障定位的技术领域，尤其涉及一种基于互补松弛约束模型的配电网故障区段定位方法。

背景技术

配电网故障定位作为智能配电网建设的重要技术分支，对于提升配电网运行的安全可靠性和自动化水平具有重要作用。学术界长期致力于以电气量时变特征为基础的配电网故障定位原理的研究，但因配电网结构及运行特征的复杂性，导致故障测距效果不理想。实践表明，首先利用馈线故障区段辨识技术确定故障发生区段，以便缩减故障测距范围，能够显著提高故障测距精度。目前，基于故障电流信息的馈线故障区段辨识技术因原理简单和实现便捷而成为该领域的研究热点。

研究快速高容错性馈线故障区段辨识技术对于提升配电网运行安全可靠性具有重要作用。至今，基于故障电流信息的馈线故障区段辨识方法主要包括直接辨识的矩阵方法、人工智能辨识方法和间接辨识的最优化方法。其中，直接辨识的矩阵方法具有建模方法直观、故障区段定位效率高等优势，但存在容错性较低和通用性不强的显著缺陷；人工智能辨识方法主要有粗糙集理论、人工神经网络、专家系统、数据挖掘方法等，该类方法故障区段辨识时对新的故障类型适应能力弱。间接辨识的最优化技术主要依据报警信息与故障状态的最佳逼近，基于故障诊断最小集理论，进行故障辨识模型最优化建模，与直接辨识矩阵技术和人工智能辨识技术相比，因其在通用性和容错性方法有显著优势，一直是该领域的研究热点。

从2000年起，研究人员聚焦于基于逻辑建模的故障区段定位群体智能优化技术的研究，利用群体智能优化算法实现配电网故障的定位和隔离。该类方法虽然具有故障辨识过程无需梯度信息、故障模型通用性和容错性强、对多区域多重故障有强适应性等显著优势，但其面临以下难题：(1)基于逻辑建模描述故障区段与设备间的耦合特性，将导致故障定位模型建模过程复杂，难于契合大规模复杂配电网的故障区段定位；(2)模型受限于逻辑关系运算，需采用群体智能算法决策求解，因算法具有随机性，导致故障定位效率低，故障辨识结果不稳定，会导致故障误判现象发生。