★ 梁文兴（广西农投悦生活产业服务有限公司，广西 南宁 530022）

关键词：配电网；单相接地故障；改进蚁群算法；小波变换；故障定位

1   引言

我国10～35kV中压配电网多采用中性点非有效接地方式，包括中性点不接地和经消弧线圈接地系统^[1]。在这类系统中，单相接地故障占总故障的70%以上。此类故障初期不会立即引起供电中断，但若不能及时准确地选出故障线路并定位故障点，可能发展成为相间短路等严重故障，威胁系统安全运行。传统的故障选线方法主要包括稳态分量法、暂态分量法和注入信号法等^[2]。稳态分量法在中性点经消弧线圈接地系统中选线准确率较低；注入信号法需要额外的信号源设备，增加了系统复杂度；暂态分量法利用故障瞬间产生的暂态信号分析，信号中包含丰富的故障信息，但特征提取和处理算法的优劣直接影响选线效果。近年来，智能优化算法在电力系统故障诊断中得到广泛应用。蚁群算法作为一种仿生优化算法，具有正反馈机制和并行计算能力，在组合优化问题中表现出色^[3]。本文针对传统蚁群算法收敛速度慢、易陷入局部最优的缺点，提出了一种改进策略，并将其应用于配电网单相接地故障的选线定位，以提高故障诊断的准确性和效率。

2   故障特征提取与分析

2.1   零序电流暂态特征

当配电网发生单相接地故障时，系统会产生零序电压和零序电流。故障线路与健全线路的零序电流在幅值和相位上存在明显差异。设系统有n条出线，第i条线路的零序电流可表示为式（1）：

式中，第一项为工频稳态分量，第二项为暂态分量的叠加。故障线路的零序电流幅值最大，相位与健全线路相反，这是进行故障选线的理论基础。

2.2   小波变换特征提取

采用db4小波对零序电流信号进行5层分解，提取各尺度下的能量特征。其中第j尺度下的小波能量定义为式（2）：

式 中，d_j,k 为第j层的小波系数。构建特征向量F =  [E₁, E₂, E₃, E₄, E₅, P, φ]， 其中P为零序电流有效值，为初相角。

3   改进蚁群算法设计

3.1   传统蚁群算法原理

蚁群算法通过模拟蚂蚁觅食行为求解优化问题。蚂蚁在寻找食物过程中会释放信息素，后续蚂蚁倾向于选择信息素浓度较高的路径，形成正反馈机制。蚂蚁k从节点i转移到节点j的概率为式（3）^[4]：

式中，τ_ij(t)为t时刻路径(i, j)上的信息素浓度， η_ij为启发函数，a和β分别为信息素和启发函数的权重系数。传统蚁群算法存在收敛速度慢、易陷入局部最优等缺陷，限制了其在实时故障诊断中的应用。

3.2   算法改进策略

3.2.1    自适应信息素更新

传统算法采用固定的信息素挥发系数ρ,无法适应搜索过程的动态变化。本文引入自适应调整策略，根据迭代进程动态调整挥发系数，如式（4）所示：

式中， P_min = 0 . 1， P_max = 0 .9，T为最大迭代次数。初期较大的挥发系数有利于全局搜索，避免了算法过早收敛；后期较小的挥发系数有利于局部精细搜索，提高了解的精度。同时，对信息素浓度设置上下限[τ_min，τ_max]，防止某条路径信息素过度积累或完全消失，如式（5）所示：

3.2.2   精英蚂蚁策略

本文引入精英蚂蚁机制强化优良解的引导作用。每次迭代后，根据路径质量对蚂蚁进行排序，只允许找到最优解的前m只精英蚂蚁释放信息素，其信息素增量为式（6）：

式中，Q为信息素强度常数，  L^best为当前最优路径长度， W为精英蚂蚁的基础权重系数， rank为蚂蚁排名。这种指数衰减的权重分配方式既保证了最优解的主导地位，又维持了解的多样性。

3.2.3   启发函数优化

针对故障选线问题的特点，本文设计了专门的启发函数，将各线路的故障可信度作为启发信息，如式（7）所示：

式中，ΔE_ij为线路i和之间的暂态能量差，ij为相位差，R_ij为线路等效阻抗。该启发函数综合考虑了能量分布、相位关系和线路参数，能够有效引导蚂蚁向故障线路搜索。

3.3   故障选线定位流程

完整故障诊断流程如图1所示，整体流程分为信号采集、特征提取、智能寻优、故障判定、定位计算五大环节。故障发生瞬间，装置同步采集各馈线零序电流原始信号，依托db4小波完成多层分解并提取暂态能量、相位等特征参量，构建标准化故障特征向量；将特征矩阵输入改进蚁群算法模型，通过自适应信息素更新、精英蚂蚁引导完成全局寻优求解，输出故障对应线路；确定故障馈线后结合行波测距算法完成故障点位计算，最终同步输出故障线路编号、故障距离、故障过渡电阻等完整诊断结果。

图1 改进蚁群算法故障诊断流程图

算法具体步骤如下：

（1）初始化参数：设置蚂蚁数量M = 30，最大迭代次数T = 10，信息素初值To = 1；

（2）构建解空间：将"条线路作为"个节点，每只蚂蚁随机选择起始节点；

（3）路径构建：根据转移概率公式，每只蚂蚁依次访问所有节点，形成完整路径；

（4）适应度评价：计算路径对应的故障判别函数值，适应度函数定义为式（8）^[5]：

式中，W_i为特征权重，F_i为实际特征值， F_i *为故障特征模板；

（5）信息素更新：按照改进的更新策略调整信息素浓度；

（6）判断终止条件：若达到最大迭代次数或找到满意解，输出故障线路；否则返回步骤（3）。

4   仿真分析

4.1   仿真模型

在MATLAB/Simulink中搭建10kV配电网仿真模型，系统包含1条母线和6条出线，线路参数如表1所示。

表1 配电网线路参数

4.2   算法性能对比

设置不同的故障条件进行测试：故障线路为L3，故障距离母线8km，过渡电阻分别为10Ω、100Ω、500Ω和1000Ω。将本文方法与传统蚁群算法、粒子群算法和BP神经网络方法进行对比，结果如表2所示。

表2 不同方法的选线准确率对比

4.3   收敛性分析

适应度值：以迭代次数为横轴、适应度值为纵轴绘制收敛对比曲线，如图2所示。曲线包含四组数据，系列1为本文改进蚁群算法，系列2为传统蚁群算法，系列3、4分别对应粒子群算法、BP神经网络算法，适应度数值越低代表故障判别结果越精准。

图2 算法收敛曲线对比

迭代次数：迭代初期四类算法适应度均快速下降，但传统蚁群、粒子群与BP神经网络下降速度逐步放缓，极易陷入局部最优。本文改进蚁群算法依靠自适应信息素挥发与精英蚂蚁机制， 前期全局搜索能力突出， 适应度下降幅度更大。迭代至35次时改进算法曲线趋于平稳，完成收敛；传统蚁群需迭代60次才能达到同等精度，粒子群、BP神经网络全程收敛缓慢，整体适应度始终偏高。对比结果表明，文中改进策略有效加快算法收敛速度，缩短故障计算耗时，能够满足配电网故障在线实时诊断的时效要求。

从图2可以看出，改进蚁群算法在第35次迭代时基本收敛，而传统蚁群算法需要约60次迭代才能收敛，表明改进算法具有更快的收敛速度。

4.4   定位精度分析

在确定故障线路后，利用行波测距原理计算故障点位置。对L3线路不同位置的故障进行定位测试，结果如表3所示^[6]。

表3 故障定位结果

由表2可知，改进算法定位平均误差为296米，满足工程应用要求。

5   结论

本文提出的基于改进蚁群算法的配电网单相接地故障选线定位方法，通过引入自适应信息素更新策略和精英蚂蚁机制，有效提高了算法的收敛速度和全局搜索能力，主要研究结论如下：

（1）改进蚁群算法的平均选线准确率达到98.1%，比传统方法提高10个百分点以上，在高阻接地故障情况下仍保持96%以上的准确率；

（2）算法收敛速度快，平均35次迭代即可收敛，计算时间满足在线应用要求；

（3）故障定位平均误差296 ，相对误差4.01%，定位精度较高；

（4）该方法对过渡电阻变化具有良好的适应性，鲁棒性强，具有较高的工程应用价值。

未来研究可将深度学习与改进蚁群算法相结合，进一步提升复杂配电网故障诊断的智能化水平。同时，可研究该方法在含分布式电源的主动配电网中的应用，拓展其应用范围。

作者简介：

梁文兴（1984-），男，广西都安人，本科，现就职于广西农投悦生活产业服务有限公司，研究方向为电力工程技术。

参考文献：

[1] 薛永端, 徐丙垠, 李天友, 等. 配电网小电流接地故障暂态分析与选线技术[J]. 电力系统自动化, 2023, 47 (8) : 156 - 165.

[2] 王宾, 董新洲, 薄志谦. 配电网故障选线方法综述[J]. 电网技术, 2022, 46 (5) : 1842 - 1851.

[3] 张明锐, 韦钢, 林济铿. 基于改进蚁群算法的配电网故障定位研究[J]. 中国电机工程学报, 2023, 43 (12) : 4521 - 4530.

[4] 刘健, 张志华, 赵江河. 智能配电网故障诊断与自愈控制技术[J]. 电力系统保护与控制, 2022, 50 (15) : 1 - 12.

[5] 肖先勇, 张文海, 汪颖. 基于零序电流小波能量的配电网故障选线新方法[J]. 电力自动化设备, 2023, 43 (6) : 89 - 96.

[6] 束洪春, 田鑫萃, 董俊. 谐振接地系统单相接地故障精确定位技术研究[J]. 电工技术学报, 2022, 37 (20) : 5178 - 5189.

摘自《自动化博览》2026年7月刊