用于电力线路快速故障定位的混合元启发式与模糊阻抗方法

为何更快地定位电力线路故障很重要

当高压输电线路因风暴、设备故障或人为错误发生故障时，数千个家庭和工厂可能瞬间失去电力。今天的电网依赖现场检修人员和控制室软件在开始修复之前找到故障的确切位置，这一过程往往缓慢、不确定且成本高昂。本文提出了一种新的方法，能够仅使用线路一端的智能测量以及一种受狩猎鸟类启发的智能搜索策略，快速且高精度地定位长距离输电线路上的故障点。

电力线路通常如何暴露故障

当输电线路出现问题时，线路的电气“感觉”会发生变化。工程师用阻抗来描述这一点，阻抗与线路对电流的阻碍程度有关。传统故障定位工具通过比较线路两端测量到的电压和电流，并基于详细的硬件模型求解方程来估计故障位置。这些方法可以很好地工作，但它们要求准确的线路参数知识、远端站之间精确的时间同步，并且在处理微妙或高电阻故障时有时会遇到困难。随着电网变得更加复杂并引入可再生能源，测量中的噪声和不确定性使得快速、准确的故障定位更加困难。

从一端读取电网信息

作者提出了一种不同的策略，只依赖安装在线路一端的相量测量单元（PMU）。该设备以高频率采样电压和电流，并将其转换为相量——对电网电气状态的紧凑表示。当发生故障时，各相的电流和电压会突然变化，与之相关的从PMU看见的表观阻抗也会改变。通过仅观察本端随时间变化的这些量，系统可以首先判断是否发生故障以及属于何种类型（单相、两相或三相，是否接地），然后利用这些信息推断故障在线路上的距离。

一种受鸟类启发的故障搜索

将这些原始变化转换为准确的距离并不简单，因为阻抗与位置之间的关系高度非线性且随故障类型而变。为了解决这个问题，研究人员构建了两个互补模型，从沿220 kV、200 km线路的模拟故障样本中学习这种关系。一个模型用灵活的五阶多项式曲线拟合数据；另一个使用模糊逻辑系统，将许多简单规则混合起来，每条规则描述某些阻抗范围如何对应线路上的距离。两个模型都使用火鹰优化器（Fire Hawk Optimizer）进行训练，这是一种基于鸟类通过燃起小火来驱赶猎物然后逼近最佳猎捕点的行为而设计的元启发式算法。在此，"猎物"是使预测位置与真实位置误差最小化的模型参数组合。

在真实条件下的速度、精度与鲁棒性

训练完成后，该混合方法能够以很低的误差定位不同类型和不同位置的故障——模糊模型的平均误差约为线路长度的0.16%，多项式模型低于1%。用实际语言描述，在200 km的线路上这意味着仅几百米的误差。该方法对常见的电网复杂因素也表现出韧性。测试表明，即使在加入测量噪声、线路电气属性发生改变、网络负载变化以及故障本身具有高电阻削弱常规诊断线索的情况下，方法仍能保持精度。同样重要的是，整个计算在标准硬件上耗时不到约0.16秒，足够用于实时保护系统。

这对未来电网意味着什么

对非专业读者而言，关键结论是：作者开发出一种方法，使得位于高压线路一端的单个智能传感器能够像专家一样定位故障——不仅能判断问题是否存在，还能几乎瞬间并在几乎不需要线路先验知识的情况下精确指出故障位置。通过结合具有物理意义的信号（阻抗）、灵活的基于规则模型（模糊逻辑）和受自然启发的高效搜索策略（火鹰优化器），该方法有望加快修复、减少和缩短停电并降低公用事业成本。随着电力网络变得更加复杂和关键，这类智能、快速的故障定位工具可能成为维持供电的核心组成部分。

引用: Najafzadeh, M., Pouladi, J., Daghigh, A. et al. Hybrid meta heuristic and fuzzy impedance method for fast fault location in power system lines. Sci Rep 16, 8019 (2026). https://doi.org/10.1038/s41598-025-33182-5

关键词: 输电故障, 相量测量单元, 模糊逻辑, 元启发式优化, 电网可靠性