摘要：提出了一种基于模糊优化多目标进化算法(Fuzzy Multi-objective Evolutionary Algorithm,FMOEA)的配电网故障定位新方法。FMOEA对基于排序选择的传统多目标进化算法进行改良，有效避免了其种群早熟的问题，在排序结果中引入模糊优选决策因子，得到本代个体的最终适应度值，之后再经过复制、交叉、变异、迭代等过程，直到满足终止条件得到最终的Pareto解集；最后对适用于故障定位的最优解集处理办法进行了探讨与分析，以便从最优解集中筛选出符合故障情况的唯一解。算例仿真测试针对不同的配电网系统结构，分别模拟系统单点、多点故障，以及信息完备与部分信息畸变的情况，结果表明该算法可以实现配电网故障的有效定位，通过对比遗传算法，验证了该方法寻找全局最优Pareto解集的有效性及良好的收敛性能。

国内配电网络规模的快速发展，其网络构架及其运行环境同时趋于复杂，线路发生故障的概率也随之增加。近些年来，配电网自动化的快速发展，馈线终端单元（FTU）等智能装置的大量应用，当配电网系统发生故障时，往往会产生海量的报警信息，从而给调度运行人员快速处理故障增加了难度。因此，研究对上传的数据信号进行快速分析处理并对配电网进行快速故障定位，对于隔离故障、恢复供电、提高供配电系统可靠性以及保证用户的供电质量等有着重要意义。

近些年来国内外学者提出了多种的配电网故障定位分析算法。文献[1-3]阐述了配电网故障定位的矩阵算法，方法是先形成网络描述矩阵和故障信息矩阵，然后生成判别矩阵，最后根据判别矩阵的元素来判定故障发生的区段，矩阵算法原理直观简单，计算判别速度快，但是当FTU(Feeder Terminal Unit)上传的信息因受干扰而发生畸变时，判别结果不准确，容易出现故障的漏判和误判，容错性不高；文献[4]立足于模式识别的角度，利用训练好的人工神经网络来进行故障区段的在线识别，该算法具有较高的容错性。遗传算法GA(Genetic Algorithm)因其良好的全局优化性能和鲁棒性广泛应用于电力系统优化中，文献[5]将遗传算法首次引入配电网的故障定位分析研究中，并且建立了相关的数学模型，该模型不仅能进行全局寻优求解，而且可以纠正采集得到实时信息中的畸变，对于网络拓扑的多变式也适用。文献[6]通过引入故障诊断理论中著名的“最小集”概念，构造了新的评价函数，建立了一种新的更适合于配电网的数学模型，仿真分析结果表明该算法不仅可以较好地避免误判，准确定位，而且具有较强的容错性。文献[7-9]在文献[6]中建立的评价函数的基础上，尝试利用其他的进化类算法结合具体算例进行仿真分析，结果表明这些算法各有优缺点。人工智能算法虽然具有较好的容错性，但是需要建立相对复杂的模型，并且定位分析的效率不是很高。由此可见，如何建立合理的配电网故障诊断数学模型以及选取与之协调的优化算法成为配网故障定位分析的关键。文献[5]建立的模型为单目标优化问题，该模型考虑因素不完善，在进行配电网故障定位时，即使定位信息不发生畸变或者不全，分析结果也可能出现误判的情况。文献[6-9]通过引入“最小集”的概念，将原有的单目标优化问题扩展为多目标优化问题，并将此多目标的优化问题通过加权方式转换为单目标优化问题，然后利用进化类算法进行求解，因此一次只能得到一种权值下的最优解，同时由于多目标优化问题的目标函数和约束可能是非线性、不可微或者不连续的，传统的进化类算法往往效率较低，并且对于权值的变化比较敏感。

多目标进化算法的出现和发展，为综合考虑相互冲突的子目标，实现总目标的最优化提供了一种有效的解决办法。基于Pareto最优意义的多目标进化算法的核心是协调各个目标函数之间的关系，最终得到使各目标函数比较大(或比较小)的最优解集。由于该方法可以在建立模型时不依赖权重值，在面对多决策问题时，具有能在众多决策备选方案中过滤出优先解方案或最优解方案的优点，因此在电力系统优化中获得了广泛的应用^[7-9]。

本文建立基于多目标配电网故障定位模型，然后采用模糊优化进化算法对模型进行优化分析计算，对配电网故障的区段进行精确快速定位。