CN102254242A - 规划网络数据系统及其快速智能生成方法 - Google Patents
规划网络数据系统及其快速智能生成方法 Download PDFInfo
- Publication number
- CN102254242A CN102254242A CN2011101554947A CN201110155494A CN102254242A CN 102254242 A CN102254242 A CN 102254242A CN 2011101554947 A CN2011101554947 A CN 2011101554947A CN 201110155494 A CN201110155494 A CN 201110155494A CN 102254242 A CN102254242 A CN 102254242A
- Authority
- CN
- China
- Prior art keywords
- transformer station
- planning
- module
- model
- newly
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了电气工业应用技术领域中的一种规划网络数据系统及其快速智能生成方法。本发明通过现状网数据模块、变电站智能优化规划模块、变电站自动建模功能模块和网架优化规划模块实现了网络数据模型的生成;模拟了电网规划专家的工作思路,建立了相应的数学模型并辅以多种先进智能算法,以保证所形成数据模型的科学性和准确性。本发明可以在极少的人工干预下,快速智能生成规划网络数据,并自动建立相应网络模型,最大程度地减少电网规划工作量,简化其流程。
Description
技术领域
本发明属于电气工业应用技术领域,尤其涉及一种规划网络数据系统及其快速智能生成方法。
背景技术
电力系统电网规划是使电网适应负荷增长需求,保证电网安全稳定运行的重要基础。然而,电网规划工作是一项复杂的系统工程,规划过程中涉及到社会、经济、环境等方方面面的问题,其复杂性首先表现在大量的异类数据,如历史负荷的数据、国民经济发展和人口数据、道路交通及地理分布数据、电力营销数据、电力运行数据、网架设备数据等。其次,表现在模型与算法方面,在规划过程中需要涉及到电力系统分析、运筹学、人工智能等多学科的理论与方法,如电网计算理论包括潮流计算、短路计算、线损计算、可靠性分析、经济性分析等;对于不同的规划问题,需要运用运筹学方法对问题进行数学建模,并求解以经济成本或可靠性为目标的优化问题。
为解决上述问题,许多相关科研人员尝试设计一套规划软件,减轻规划人员工作量,从一定程度上简化其工作流程。然而,目前的规划软件针对规划网络数据、模型的形成部分尚没有完全实现全智能化,还需要较多的人工干预,或是建立的模型比较粗糙,不够精确。本发明设计了一套规划网络数据、模型的快速智能生成方法,极大程度地减少了数据形成过程中人工参与成分,建立的模型细化到变电站内模型,以提高结果的可信度。
发明内容
针对上述背景技术中提到的现有规划软件智能化程度较低,需要较多人工干预和建模精度不够等不足,本发明提出了一种规划网络数据系统及其快速智能生成方法。
本发明的技术方案是,规划网络数据系统,其特征是该系统包括现状网数据模块、变电站智能优化规划模块、变电站自动建模功能模块和网架优化规划模块;
所述现状网数据模块和变电站智能优化规划模块连接;变电站智能优化规划模块和变电站自动建模功能模块连接;变电站自动建模功能模块和网架优化规划模块连接;
所述现状网数据模块用于复制现状网网架模型和数据;
所述变电站智能优化规划模块是在现状网网架模型和数据的基础上,实现新建变电站的选址定量;
所述自动建模功能模块是在新建变电站的选址定量的基础上,实现规划网变电站模型的自动建立;
所述网架优化规划模块是在规划网变电站模型完成的基础上,实现电网新建线路的自动优化。
规划网络数据系统的快速智能生成方法,其特征是该方法包括以下步骤:
步骤1:利用现状网数据模块复制现状网网架模型和数据;
步骤2:在步骤1的现状网网架模型和数据基础上,利用变电站智能优化规划模块实现新建变电站的选址定量;
步骤3:采用自动建模功能模块对步骤2的新建变电站的选址定量实现规划网变电站模型的自动建立;
步骤4:在步骤3的规划网变电站模型、数据确定的基础上,利用网架优化规划模块实现电网新建线路的自动优化。
所述步骤1的具体过程为:
步骤1.1:在数据库中添加方案的信息,创建方案对应的文件夹,生成文本文件,并记录信息;
步骤1.2:新建一张规划图来复制现状网网架图,在数据库中查询满足条件的网架相关数据,生成现状网网架模型和数据。
所述步骤2采用微分进化算法来完成,具体过程为:
步骤2.1:初始化参数,根据规划区域变电站可选容量及总的负荷量和容载比,确定变电站数量的变化区间;
步骤2.2:随机初始化微分进化算法群体中个体的位置;
步骤2.3:根据地理信息判断变电站落点的可行性,并且把落点在不可行区域内的个体按照就近原则重新给定位置;
步骤2.4:对种群中的所有个体进行变异操作;
步骤2.5:对种群中的所有个体进行交叉操作;
步骤2.6:根据个体的位置判断变电站落点的可行性,并且把落点在不可行区域内的个体按照就近原则重新给定位置;
步骤2.7:由就近原则把负荷分配到各个变电站,再由变电站所带负荷的大小来确定其容量;根据变电站的容量、位置和地理信息,计算个体的适应度值,并找出全局极值点;
步骤2.8:判断算法是否收敛,如果收敛,执行步骤2.9,否则返回步骤2.4;
步骤2.9:输出全局极值点及对应的变电站的容量及所带负荷情况,搜索结束。
所述步骤3的具体过程为:
当新建变电站站内模型与已有变电站模型的结构相似时,使用按模板插入变电站站内图功能来实现新建变电站站内模型的自动建立;
当新建变电站站内模型与已有变电站模型的结构不相似时,使用手动插入功能来实现新建变电站站内模型的自动建立。
所述步骤2的变电站智能优化规划模块的目标函数为:
J1UJ2U…UJN=J
式中:
C为造价;
CSZU为折算到每年的新建变电站投资及年运行费用;
CLZ为折算到每年的变电站低压侧线路投资费用;
CLU为估算的变电站低压侧线路年网损费用;
Wj为第j点的负荷;
Si为第i个变电站的容量;
e(Si)为第i个变电站的负载率;
φ为变电站的功率因素角;
N为已有和待建变电站个数之和;
lij为变电站i与负荷点j之间的线路长度;
YWj为供电半径的限制;
Ji为第i个变电站所供负荷的集合;
J为全体负荷点的集合。
所述步骤4的网架优化规划模块的目标函数为:
式中:
NF为线路建设及运行总费用;
Z为方案总的线路建设投资费用;
m为电气设备使用年限;
Ct为规划方案第t年的运行费用。
本发明模拟电网规划专家的工作思路,建立了相应模型,具有以下特点:
(1)本发明模拟了电网规划专家的工作思路,不受具体网架结构的限制,同时本发明的最终实现可选择多种开发语言、数据库来实现。即该发明具有适用性。
(2)结合实际规划流程的各个环节,分别采用最新研究成果,建立对应的数学模型,并辅以多种智能算法,以保证该发明具有科学性。
(3)为简化新建变电站站内建模工作的繁杂性,提出采用基于模板的自动建模技术,并给出了具体实现方法,极大地简化了规划工作量,减少了劳动力投资,具有明显的经济效益。
附图说明
图1为基于微分进化的变电站规划流程图;
图2为新建变电站内模型流程图;
图3为网架规划流程图;
图4为发明方法总体流程图。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
实际的电网规划工作主要包括现状网评估、负荷预测、变电站规划(选址定容)、网架规划、规划网评估和投资估算等几个流程。规划网络模型和数据的最终确定是现状电网模型数据、负荷预测、变电站规划和网架规划的综合结果。基于此,本发明综合采用多种智能算法,使各流程得以模块化自动实现,最后模拟专家规划思路,将以上模块有序组合,实现数据间互相共享利用:
首先,利用现状网数据模型自动复制模块生成现状网网架模型、数据;然后,结合负荷预测结果,利用变电站智能优化规划模块实现新建变电站的选址定量;之后,对变电站优化规划所得出的待新建站,采用自动建模功能模块实现规划网变电站模型的自动建立;最后,在规划网变电站模型、数据确定的基础上,利用网架优化规划模块实现电网新建线路的自动优化。
本发明方法包括以下步骤:
步骤1:利用现状网数据模块复制现状网网架模型和数据;
步骤2:在步骤1的现状网网架模型和数据基础上,结合负荷预测结果,利用变电站智能优化规划模块实现新建变电站的选址定量;
步骤3:采用自动建模功能模块对步骤2的新建变电站的选址定量实现规划网变电站模型的自动建立;
步骤4:在步骤3的规划网变电站模型、数据确定的基础上,利用网架优化规划模块实现电网新建线路的自动优化。
由此可知,通过以上几个模块的综合协调,可实现规划网络数据模型的快速智能生成。
1.方法主要模块概述
本发明主要依托于以下几个子模块综合实现:
(1)现状网数据模块
把现状网数据和对应的图形模型,包括变电站站内模型、网架模型数据拷贝到对应的规划网工程文件中。
(2)变电站智能优化规划模块
在负荷预测的基础上,通过专家手动修正和自动优化计算相结合,确定新建变电站的位置、变压器的容量和台数以及变电站的供电范围;同时考虑到实际中必要时需对已有变电站进行改造工程,故模块中还加入了修改已有变电站的功能。
(3)自动建模功能模块
当规划站点较多时,如果逐个建立站内模型,此工作量之大,可想而知。事实上,各变电站的实际的站内接线大多为常规的几种接线方式。因此,可以考虑以这几种典型的接线方式为模板,快速建立新建站内模型,同时在后台数据库存储对应数据。
(4)网架优化规划模块
在变电站选址定容的基础上,进行网架设计,对于220KV电压等级的网架可以通过优化算法自动设计,由于110KV等级的网架结构复杂,利用程序设计很难实现,采用基于用户所在区域地图上的图形方式下手动连线的自动优化,手动连线可以按照实际的地理走向设计,这样可以使网架设计后,计算线路造价的数据比较准确。该模块还提供了几个专家干预工具,包括:插入T型线路、PI型线路和高压线路,以便对网架的进一步调整。
2.各模块具体实现方法
(1)现状网数据模块
该部分为网架规划提供部分的基础数据,现状网架包含着图形和对应的数据库数据两方面内容。该子模块要新建一张dwg格式的规划图,上面有现状网变电站及其线路的图形,并且在数据库中有这些图形对应的数据信息。下面以基于Oracle数据库,采用Visual.Net语言编程为例,说明具体实现步骤:
1、规划方案的信息创建。在数据库中,使用“Insert into”等命令添加方案的名称、规划年限等信息;在相关文件夹中创建方案所对应的文件夹,生成有关文本文件,以便记录必要信息。
2、新建一张dwg格式的规划图。使用“CopyFile()”命令,复制一张dwg格式的现状网架图;并且在数据库中查询满足条件的网架相关数据,用“Insertinto”等命令,复制成新的数据库信息,即现状网网架模型和数据。
(2)变电站智能优化规划模块
在规划水平年负荷分布已知的情况下,为了满足一定的负荷需求,以最小的投资和年运行费用(变电站的投资,馈线的投资,变电站的运行费用和网络的运行费用)为目标函数,确定变电站的数量、位置、变压器的容量和台数以及变电站的供电范围,具体的数学描述见下式:
J1UJ2U…UJN=J
式中:
C为造价;
CSZU为折算到每年的新建变电站投资及年运行费用;
CLZ为折算到每年的变电站低压侧线路投资费用;
CLU为估算的变电站低压侧线路年网损费用。
其中:
式中:
n为新建变电站个数;
CSZ(Si)为第i个新建变电站的投资费用;
CSU(Si)为第i个新建变电站的年运行费用;
Si为第i个变电站的容量;
r0为贴现率;
tms为变电站的折旧年限;
N为已有和待建变电站个数之和;
β为单位长度线路的投资费用;
lij为变电站i与负荷点j之间的线路长度;
tml为变电站低压侧线路的折旧年限;
α为线路网损折算系数;
Wj为第j点的负荷(有功功率);
e(Si)为第i个变电站的负载率;
φ为变电站的功率因素角;
Ji为第i个变电站所供负荷的集合;
J为全体负荷点的集合;
YWj为供电半径的限制。
模型的求解采用微分进化算法。微分进化算法DE(Differential Evolution)由Storn和Price等学者于1995年首先提出。它是一种基于种群优化的新智能优化方法,它已被证明在求解过程中具有高效性、收敛性、鲁棒性等优点。微分进化算法是一种随机的并行直接搜索算法,它从某一随机产生的初始种群开始,按照一定的操作规则,如变异、交叉、选择等不断地迭代计算并根据每一个个体的适应值,保留优良个体,淘汰劣质个体,引导搜索过程向最优解逼近,与传统的优化方法相比,微分进化算法具有以下特点:
(1)算法不是从单个点,而是从一个种群开始搜索;
(2)算法直接对变量本身进行操作,不存在对目标函数有存在导数和连续性的要求;
(3)算法具有内在的隐并行性和较好的全局寻优能力;
(4)算法采用概率转移准则,不需要确定性的规则。
这些特点使得微分进化算法在众多领域中得到越来越多的关注,目前,微分进化算法已被用来解决一些实际问题,例如机器人路径规划、头部电阻抗成像、智能人工腿控制器等问题,并在许多领域都成功的获得了应用。
由变电站选址的数学模型和对地理信息各方面因素的考虑,所提算法的变电站选址定容步骤如下:
步骤1:初始化算法参数(变量维数d,种群数量n、最大迭代次数k、交叉因子和变异因子等),根据规划区域变电站可选容量及总的负荷量和容载比确定变电站数量的变化区间;
步骤2:随机初始化微分进化算法群体中个体的位置(变电站的落点即横纵坐标);
步骤3:根据地理信息(湖泊信息、街道信息、建筑物信息等),判断变电站落点的可行性(绕过障碍物),并且把落点在不可行区域内的个体按照就近原则重新给定位置;
步骤4:通过变异因子对种群中的所有个体进行变异操作;
步骤5:通过交叉因子对种群中的所有个体进行交叉操作;
步骤6:对变异及交叉后的种群,根据个体的位置,判断变电站落点的可行性并且把落点在不可行区域内的个体按照就近原则重新给定位置;
步骤7:由就近原则把负荷分配到各个变电站,再由变电站所带负荷的大小来确定其容量;根据变电站的容量、位置和地理信息各方面的因素,计算个体的适应度值,并找出全局极值点Xgbest;
步骤8:判断算法是否收敛,如果收敛,执行步骤9,否则转向步骤4;
步骤9:输出全局极值Xgbest及对应的变电站的容量及所带负荷情况,搜索结束。
计算流程图如图1所示。
变电站规划完毕后,在规划图中的对应位置,添加新建变电站图形;并且在数据库中,添加相关数据至对应数据表中,并用“Update”等命令更新部分需要更新的数据。同时将变电站所带负荷,即负荷和变电站的关联信息,添加到相关数据表中。
(3)自动建模功能模块
有很多新建变电站站内模型与已有的变电站模型结构非常相似,如果重新手工插入站内模型,将会耗费大量的人力和时间。鉴于此原因,本发明设计了“按模板插入变电站站内图”的功能实现新建变电站站内模型的自动建立,大大地提高了建模效率。
当用户选择好对应变电站模板后,使用“CopyFile()”命令复制一张与模板变电站结构相同的站内图,并重新命名为新变电站的名称;接着应用“Insertinto”等命令在oracle数据库中添加与图形对应的母线、线路、虚节点、变压器等模型的数据,其中节点编号、所属变电站等信息用“Update”命令更新,其余数据直接复制模板变电站相关信息;需要修改有关数据或图形时,可以利用自定义的建模命令进行修改。
为处理新建变电站内模型与已有变电站模型的结构不相似,即无模板这一特殊情形时,在此加入了“不按模板插入”相应处理,以模块实现新建变电站站内模型的自动建立。该模块首先使用“CopyFile()”命令复制一张以新建变电站名称命名并以dwg格式保存的空白站内图。然后用户按照实际需要,使用自定义的建模命令,在该空白图中添加线路、变压器等模型,并录入相应的模型数据信息到后台数据库,即可构建图模一体化的新变电站。
由此可见,按本发明构建图模一体化变电站模型,大大减少了建模工作量,其流程图如图2所示。
(4)网架优化规划模块
网架规划优化问题是基于现有网架结构,在电源水平及负荷需求、变电站的扩建或新建的时间、地点和容量都已确定的情况下,来决定在规划期内何时何地架设多少回输电线路,使得线路年费用最小。
本发明考虑了贴现的线路建设投资费用和运行费用的最小年费用为目标函数进行的电网网架规划。即:
式中:
NF为线路建设及运行总费用;
Z为方案总的线路建设投资费用(不考虑施工年限);
m为电气设备使用年限;
Ct为规划方案第t年的运行费用。
当以水平年为目标时,设电气设备使用年限为25年,贴现率r0为0.1,并假设在经济使用年限内每年运行费用相等,则式(5)变为
minNF=0.11Z+1.1C (6)
对于新建线路不但需计投入资金,且需计其年运行费用;对已建线路则仅需计其年运行费用。
设线路j的长度为Lj;单位长度综合投资为aj,则其投资Zj为:
Zj=ajLj (7)
线路的年运行费为:
式中:
Hj为维修、折旧费等占投资的百分数;
C0电能损耗电价;
τ最大负荷损耗小时;
rj导线单位长度电阻;
Pj线路上流过的有功功率;
UN线路的额定电压;
这样(6)式就变为:
式中:
D1、D2、D3为新建、已有、总线路集合;
K1、K2、K3为常数;
θj为系数。
其中θj定义为:
建立目标函数后,需考虑以下约束条件
(1)潮流约束
AtPt=Dt(t=1,2,…,T) (11)
式中:
At为t时段的节点有功注入和线路流动有功的关联矩阵;
Pt为t时段的线路流动有功功率;
Dt为t时段的节点注入有功功率。
(2)容量约束
Plk≤Plk,max (12)
式中:
Plk,max为支路k的潮流限值;
k∈D3。
(3)电压降约束:
Vi,min≤Vi≤Vi,max i∈Nb (13)
式中:
Vi,max为节点i的上界运行电压;
Vi,min为节点i的下界运行电压;
Vi为节点i的正常运行电压,
Nb为节点数。
本发明采用量子遗传算法QGA求解网架规划问题。量子遗传算法是在传统遗传算法的基础上引入量子计算的概念,以量子比特和量子叠加态为基础,采用量子比特染色体进行编码,以量子进化机制实现系统状态的演化。
(1)量子染色体
量子信息论的信息载体不是经典的比特,而是具有叠加性的二态量子比特,一个量子比特的状态可取值为0或1,其状态描述为:
|ψ>=α|0>+β|1> (14)
式中:
|ψ>、|0>、|1>为量子比特的状态;
α、β为一对复数,代表相应状态出现的概率幅,它们满足:
|α|2+|β|2=1 (15)
式中:|α|2、|β|2分别表示量子比特出于状态0和状态1的概率。
可以看出:如果有一个具有m个量子比特位的系统,那么它能同时表示出2m个状态。其描述为
式中:|α|2+|β|2=1,i=1,2,…,m。
(2)量子编码到二进制编码的转换
量子空间中一个量子位的状态要表示为α|0>+β|1>,未对其观测时,以不同概率处于基本态中,一旦对其测量就以|α|2或|β|2的概率塌陷到0或1。此即量子测量塌陷原理。在量子进化算法中,可用此原理实现量子叠加态到传统进化算法的二进制确定态的转换,如前所述的m位量子染色体,对应的二进制编码也是m位,每一位概率|α|2或|β|2取0或1。其转换方法为:产生一个[0,1]均匀分布的随机数Randi,若Randi≤|αi|2,则取0,否则取1。
(3)量子进化机制
与遗传算法类似,量子遗传算法也是一种基于种群的进化算法,其优点是:通过选择使具有更高适应度的个体增多,并且根据量子塌陷原理,采用随机观察方法产生新个体,不断探索新的空间;用量子染色体的表示方式,使一个量子染色体本身就携带着多个状态的信息,能带来丰富的种群,进而保持群体的多样性,克服传统遗传算法中的早熟现象;吸收了微粒群算法进化方式的优越性,采用历史最优信息“智能”地引导当前的种群进化,可有效克服传统遗传算法中变异操作的盲目性,避免进化过程的随机扰动性,提高了收敛速度;它的量子染色体是一种概率表示,传统遗传算法中的交叉和变异操作是等效的,因此在算法中主要对量子染色体采用变异操作,客观上简化了算法本身。
量子变异操作以最优个体的信息为引导,通过量子门的作用更新量子染色体,使整个种群向适应度更高的方向进化,量子染色体的更新公式为:
式中:
t为进化代数;
A为量子变换门。
本发明所用量子变换门为一概率门,设xi、bi分别为当前染色体和历史最优染色体的第i位二进制值,f(x)为适应度函数,量子概率门描述为:
当f(x)≥f(b),或f(x)<f(b)且xi=bi时,A=A1;当f(x)<f(b)并且xi≠bi时,A=A2,其中
基于量子遗传算法的网架规划流程图如图3所示。
网架规划完毕后,将优化结果,即所需新建线路,添加到相关数据表中。
3.快速智能生成流程图如图4所示。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.规划网络数据系统,其特征是该系统包括现状网数据模块、变电站智能优化规划模块、变电站自动建模功能模块和网架优化规划模块;
所述现状网数据模块和变电站智能优化规划模块连接;变电站智能优化规划模块和变电站自动建模功能模块连接;变电站自动建模功能模块和网架优化规划模块连接;
所述现状网数据模块用于复制现状网网架模型和数据;
所述变电站智能优化规划模块是在现状网网架模型和数据的基础上,实现新建变电站的选址定量;
所述自动建模功能模块是在新建变电站的选址定量的基础上,实现规划网变电站模型的自动建立;
所述网架优化规划模块是在规划网变电站模型完成的基础上,实现电网新建线路的自动优化。
2.规划网络数据系统的快速智能生成方法,其特征是该方法包括以下步骤:
步骤1:利用现状网数据模块复制现状网网架模型和数据;
步骤2:在步骤1的现状网网架模型和数据基础上,利用变电站智能优化规划模块实现新建变电站的选址定量;
步骤3:采用自动建模功能模块对步骤2的新建变电站的选址定量实现规划网变电站模型的自动建立;
步骤4:在步骤3的规划网变电站模型、数据确定的基础上,利用网架优化规划模块实现电网新建线路的自动优化。
3.根据权利要求2所述的规划网络数据系统的快速智能生成方法,其特征是所述步骤1的具体过程为:
步骤1.1:在数据库中添加方案的信息,创建方案对应的文件夹,生成文本文件,并记录信息;
步骤1.2:新建一张规划图来复制现状网网架图,在数据库中查询满足条件的网架相关数据,生成现状网网架模型和数据。
4.根据权利要求2所述的规划网络数据系统的快速智能生成方法,其特征是所述步骤2采用微分进化算法来完成,具体过程为:
步骤2.1:初始化参数,根据规划区域变电站可选容量及总的负荷量和容载比,确定变电站数量的变化区间;
步骤2.2:随机初始化微分进化算法群体中个体的位置;
步骤2.3:根据地理信息判断变电站落点的可行性,并且把落点在不可行区域内的个体按照就近原则重新给定位置;
步骤2.4:对种群中的所有个体进行变异操作;
步骤2.5:对种群中的所有个体进行交叉操作;
步骤2.6:根据个体的位置判断变电站落点的可行性,并且把落点在不可行区域内的个体按照就近原则重新给定位置;
步骤2.7:由就近原则把负荷分配到各个变电站,再由变电站所带负荷的大小来确定其容量;根据变电站的容量、位置和地理信息,计算个体的适应度值,并找出全局极值点;
步骤2.8:判断算法是否收敛,如果收敛,执行步骤2.9,否则返回步骤2.4;
步骤2.9:输出全局极值点及对应的变电站的容量及所带负荷情况,搜索结束。
5.根据权利要求2所述的规划网络数据系统的快速智能生成方法,其特征是所述步骤3的具体过程为:
当新建变电站站内模型与已有变电站模型的结构相似时,使用按模板插入变电站站内图功能来实现新建变电站站内模型的自动建立;
当新建变电站站内模型与已有变电站模型的结构不相似时,使用手动插入功能来实现新建变电站站内模型的自动建立。
6.根据权利要求2所述的规划网络数据系统的快速智能生成方法,其特征是所述步骤2的变电站智能优化规划模块的目标函数为:
J1UJ2U…UJN=J
式中:
C为造价;
CSZU为折算到每年的新建变电站投资及年运行费用;
CLZ为折算到每年的变电站低压侧线路投资费用;
CLU为估算的变电站低压侧线路年网损费用;
Wj为第j点的负荷;
Si为第i个变电站的容量;
e(Si)为第i个变电站的负载率;
φ为变电站的功率因素角;
N为已有和待建变电站个数之和;
lij为变电站i与负荷点j之间的线路长度;
YWj为供电半径的限制;
Ji为第i个变电站所供负荷的集合;
J为全体负荷点的集合。
7.根据权利要求2所述的规划网络数据系统的快速智能生成方法,其特征是所述步骤4的网架优化规划模块的目标函数为:
式中:
NF为线路建设及运行总费用;
Z为方案总的线路建设投资费用;
m为电气设备使用年限;
Ct为规划方案第t年的运行费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101554947A CN102254242A (zh) | 2011-06-10 | 2011-06-10 | 规划网络数据系统及其快速智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101554947A CN102254242A (zh) | 2011-06-10 | 2011-06-10 | 规划网络数据系统及其快速智能生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102254242A true CN102254242A (zh) | 2011-11-23 |
Family
ID=44981489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101554947A Pending CN102254242A (zh) | 2011-06-10 | 2011-06-10 | 规划网络数据系统及其快速智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254242A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708519A (zh) * | 2012-05-09 | 2012-10-03 | 华北电力大学 | 一种基于自由搜索算法的变电站优化选址方法 |
CN102788581A (zh) * | 2012-07-17 | 2012-11-21 | 哈尔滨工程大学 | 一种基于改进的微分进化算法的船舶航路规划方法 |
CN104102956A (zh) * | 2014-07-23 | 2014-10-15 | 杭州中威智能科技有限公司 | 一种基于策略自适应差分进化的配电网络扩展规划方法 |
CN105224993A (zh) * | 2014-05-29 | 2016-01-06 | 国家电网公司 | 一种优化配电网运行的变电站规划方法 |
WO2017124132A1 (en) * | 2016-01-22 | 2017-07-27 | Biarri Networks Pty Ltd | Method and system for designing an electricity distribution network |
CN107977772A (zh) * | 2017-11-09 | 2018-05-01 | 国网山东省电力公司青岛供电公司 | 一种考虑分布式能源不确定性的配电网规划方法及系统 |
CN109754123A (zh) * | 2019-01-12 | 2019-05-14 | 国网江西省电力有限公司经济技术研究院 | 馈线供电范围划分的旋转中心线距离加权交替定位方法 |
CN110765726A (zh) * | 2019-10-08 | 2020-02-07 | 上海交通大学 | 能源网规划图的智能生成系统 |
CN112035922A (zh) * | 2020-08-25 | 2020-12-04 | 中船文化科技(北京)有限公司 | 智能方舱布局规划系统、方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1825346A (zh) * | 2006-04-07 | 2006-08-30 | 上海电力学院 | 基于逆向负荷预测的城镇配电网逆向网络规划方法 |
CN101561903A (zh) * | 2009-06-02 | 2009-10-21 | 天津大学 | 计及地理信息的变电站全自动选址定容方法 |
CN101930563A (zh) * | 2010-07-23 | 2010-12-29 | 中国电力科学研究院 | 一种基于区域供电的电网规划设计方法 |
-
2011
- 2011-06-10 CN CN2011101554947A patent/CN102254242A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1825346A (zh) * | 2006-04-07 | 2006-08-30 | 上海电力学院 | 基于逆向负荷预测的城镇配电网逆向网络规划方法 |
CN101561903A (zh) * | 2009-06-02 | 2009-10-21 | 天津大学 | 计及地理信息的变电站全自动选址定容方法 |
CN101930563A (zh) * | 2010-07-23 | 2010-12-29 | 中国电力科学研究院 | 一种基于区域供电的电网规划设计方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708519A (zh) * | 2012-05-09 | 2012-10-03 | 华北电力大学 | 一种基于自由搜索算法的变电站优化选址方法 |
CN102788581A (zh) * | 2012-07-17 | 2012-11-21 | 哈尔滨工程大学 | 一种基于改进的微分进化算法的船舶航路规划方法 |
CN105224993A (zh) * | 2014-05-29 | 2016-01-06 | 国家电网公司 | 一种优化配电网运行的变电站规划方法 |
CN104102956A (zh) * | 2014-07-23 | 2014-10-15 | 杭州中威智能科技有限公司 | 一种基于策略自适应差分进化的配电网络扩展规划方法 |
CN104102956B (zh) * | 2014-07-23 | 2017-05-03 | 杭州中威智能科技有限公司 | 一种基于策略自适应差分进化的配电网络扩展规划方法 |
US11227076B2 (en) | 2016-01-22 | 2022-01-18 | Biarri Networks Pty Ltd | Method and system for designing an electricity distribution network |
WO2017124132A1 (en) * | 2016-01-22 | 2017-07-27 | Biarri Networks Pty Ltd | Method and system for designing an electricity distribution network |
CN108701273A (zh) * | 2016-01-22 | 2018-10-23 | 比亚里网络有限公司 | 用于设计配电网络的方法和系统 |
CN107977772A (zh) * | 2017-11-09 | 2018-05-01 | 国网山东省电力公司青岛供电公司 | 一种考虑分布式能源不确定性的配电网规划方法及系统 |
CN109754123A (zh) * | 2019-01-12 | 2019-05-14 | 国网江西省电力有限公司经济技术研究院 | 馈线供电范围划分的旋转中心线距离加权交替定位方法 |
CN109754123B (zh) * | 2019-01-12 | 2023-04-07 | 国网江西省电力有限公司经济技术研究院 | 馈线供电范围划分的旋转中心线距离加权交替定位方法 |
CN110765726A (zh) * | 2019-10-08 | 2020-02-07 | 上海交通大学 | 能源网规划图的智能生成系统 |
CN110765726B (zh) * | 2019-10-08 | 2024-02-09 | 上海交通大学 | 能源网规划图的智能生成系统 |
CN112035922A (zh) * | 2020-08-25 | 2020-12-04 | 中船文化科技(北京)有限公司 | 智能方舱布局规划系统、方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102254242A (zh) | 规划网络数据系统及其快速智能生成方法 | |
Vázquez-Canteli et al. | CityLearn v1. 0: An OpenAI gym environment for demand response with deep reinforcement learning | |
Khare et al. | Solar–wind hybrid renewable energy system: A review | |
Zhang et al. | A review of urban energy systems at building cluster level incorporating renewable-energy-source (RES) envelope solutions | |
CN103049799B (zh) | 一种基于多目标优化的电网规划设计方法 | |
Xia et al. | Simplex quantum-behaved particle swarm optimization algorithm with application to ecological operation of cascade hydropower reservoirs | |
Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
CN102522752A (zh) | 面向供电能力提高的配电网联络结构优化方法 | |
Ma et al. | Application of particle swarm optimization algorithm in the heating system planning problem | |
CN101764407A (zh) | 一种基于模糊期望值模型的配电网的规划方法 | |
CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN105226648A (zh) | 一种基于大数据的分布式电源配电网规划方法 | |
De Lima et al. | A specialized long-term distribution system expansion planning method with the integration of distributed energy resources | |
Ananth et al. | A review of different optimisation techniques for solving single and multi-objective optimisation problem in power system and mostly unit commitment problem | |
McCalley et al. | National long-term investment planning for energy and transportation systems | |
Liu et al. | Energy system optimization under uncertainties: A comprehensive review | |
Ye et al. | A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing | |
Dong et al. | Energy supply network design optimization for distributed energy systems | |
Jin et al. | Optimal siting and sizing of EV charging station using stochastic power flow analysis for voltage stability | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
CN114066315A (zh) | 一种适应多元源荷接入的配电网规划系统 | |
CN104268802B (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 | |
CN102708519B (zh) | 一种基于自由搜索算法的变电站优化选址方法 | |
CN115879652B (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
CN106447061B (zh) | 分布式电源定容选址的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20111123 |