CN102915472B - 基于基因修复混沌遗传算法的配电网综合优化规划方法 - Google Patents
基于基因修复混沌遗传算法的配电网综合优化规划方法 Download PDFInfo
- Publication number
- CN102915472B CN102915472B CN201210420739.9A CN201210420739A CN102915472B CN 102915472 B CN102915472 B CN 102915472B CN 201210420739 A CN201210420739 A CN 201210420739A CN 102915472 B CN102915472 B CN 102915472B
- Authority
- CN
- China
- Prior art keywords
- chaos
- gene
- formula
- represent
- distribution network
- 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.)
- Expired - Fee Related
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 title claims abstract description 36
- 230000008439 repair process Effects 0.000 title claims abstract description 26
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 21
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000001131 transforming effect Effects 0.000 claims description 75
- 230000008859 change Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 241000272165 Charadriidae Species 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 230000010429 evolutionary process Effects 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 210000003813 thumb Anatomy 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 230000007115 recruitment Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明是基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是该方法包括如下步骤：一、建立配电网COP投资模型，二、确定优化变量，三、GR_CGA算法，本发明的优点：本发明具有一定的理论研究和实用价值，通过程序生成配电网COP方案来进行配电网损耗原因定量分析、治理措施定量优选及效果评估，变原先的经验性治理措施为定量科学决策治理，使得治理效果可见可控，投入最少的资金达到较好的治理效果；为当前配电网的有限规划改造投资，提供最佳的投资规划方案。
Description
技术领域
本发明提出一种配电网综合优化规划（comprehensiveoptimizationplanning，COP）方法，该方法在传统的降低网损和提高电压质量的基础上，加入投资成本因子，实现单位投资内达到最大降损效果。
背景技术
配电网规划指在分析和研究配电网现状的基础上，设计一套系统扩建或改造的计划。目前我国配电网存在线损率高、电压合格率偏低、投入资金少等。但是配电网是处于电力网络末端的重要环节，供电质量直接影响用户的用电。对配电网进行综合优化规划可使有限投资集中解决突出问题，提高供电质量和用户满意度。
配电网优化问题的算法已有很多，如传统的数学优化方法，包括线性规划、非线性规划、内点法、混合整数规划法、动态规划法等，也有近年来使用较多的人工智能算法，主要包括模拟退火法、禁忌算法、人工神经网络法、模糊理论法、专家系统法、遗传算法、蚁群算法等。
传统的数学优化方法由于依赖于精确的数学模型，然而精确的数学模型通常很复杂，很难适应当前实时控制的要求；如果采用较粗略的数学模型则会存在较大的误差。
在配电网规划模型方面国内外已有较多的研究，但在模型的优化变量方面，目前大部分的优化改造都是仅针对配电网的某个或某些规划项目进行。降损技术措施是个综合优化措施，单从某一个方面来改造不合适，因没有全面综合地考虑如何进行配电网的全方位优化规划，所以不能获得最佳的优化规划效果。
常规的模型的目标函数中也很少有考虑到经济效益的，在不考虑投资成本时，虽然会获得较为有效的优化规划效果，但是会得出投资成本巨大优化规划方案，投资收益比差。在目前我国配电网投入资金不足的大环境下，不能合理的指导配网的投资规划改造。
发明内容
本发明提出的是一种基于基因修复混沌遗传算法的配电网综合优化规划方法，其目的是针对配电网的综合规划优化，选择配电网运行中最有可能出现的典型负荷断面，在保持现有网络架构的前提下，采用基因修复混沌遗传算法综合考虑配变无功补偿、更换线路、更换配变及调整配变分接头档位等多种具有非线性关系的规划项目，并分别对其制定了变量取值范围的约束机制。
本发明的技术解决方案：基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是该方法包括如下步骤：
一、建立配电网COP投资模型，
1）目标函数，
建立配电网COP模型，以网损总降低量与总投资额的比值为目标函数，如式1-1所示：
maxf=Wtotal/Costtotal（1-1）
式中，Wtotal表示网损总降低量，Costtotal表示本次优化规划措施实施后投入的理论总成本，Wtotal的计算如式1-2所示：
（1-2）
式中，、、分别表示在典型日的典型负荷断面中，高峰负荷、正常负荷、低谷负荷运行状态下优化规划前后的网损降低量；tpeak、tnormal、ttrough分别表示高峰负荷、正常负荷、低谷负荷的运行在典型日中所占的时间，单位为小时，默认均为8小时；T表示该断面运行天数，默认为365天；
2）配电网综合优化改造投资模型，
总投资额包括，1）补偿电容器投资，包括各点补偿电容器投资、配变补偿设备控制装置投资；2）更换线路投资，包括更换线路投资、线路类型架空或电缆附加投资；3）更换配变投资；4）电能损耗费用；默认调整配变档位不会带来额外投资；
配电网综合优化改造投资模型的实现函数如公式1-3所示：
（1-3）
式中，Qi(1≤i≤a)表示补偿无功值；a表示加装补偿电容器的总节点数；pricecc表示电容器价格万元/千乏；pricecd表示配变补偿设备控制装置单价（万元）；priceline表示更换的线路价格万元/千米；pricetype表示线路类型（架空或电缆），附加投资万元/千米；L表示更换线路总长度，priceTi（1≤i≤b）表示更换的配变价格万元；b表示更换配变的总数；pricee表示电价万元/千瓦时；Ploss-after表示优化后一个典型日里总的有功损耗；T表示断面运行时间，默认为一年；
二、确定优化变量
优化变量有四种：添加配变无功补偿、线路更换、配变更换及配变分接头档位更换；以上四项优化变量默认全部选择，或单选或多选，对优化内容进行不断地扩充，从而根据不同需求得到适用的配电网COP方案；
三、GR_CGA算法，是一种基于基因修复思想的混沌遗传算法gene-repairchaosgeneticalgorithm，GR_CGA，在遗传算法中同时加入混沌移民和基因修复，在防止算法陷入早熟的情况下，并能减小进化过程中出现不合格基因的概率。
本发明的优点：本发明具有一定的理论研究和实用价值，通过程序生成配电网COP方案来进行配电网损耗原因定量分析、治理措施定量优选及效果评估，变原先的经验性治理措施为定量科学决策治理，使得治理效果可见可控，投入最少的资金达到较好的治理效果。为当前配电网的有限规划改造投资，提供最佳的投资规划方案。本发明以电压和功率因数作为主要约束条件；区别于常规的单纯优化规划方法，特别加入了投资因子，以网损降低量与总投资额的比值作为目标函数，并建立了投资模型，最终得出一种配电网COP方案，以达到使用最少的投资最大化降低网损的效果，解决了目前规划方法投资效益比差的问题。
附图说明
图1是本发明的配电网COP流程图（基于GR_CGA的配电网COP流程图）。
图2是配电网综合优化改造投资模型图。
具体实施方式
本发明首先需要搭建出一个以网损降低量与总投资额的比值作为目标函数配电网COP模型。包括两部分：目标函数模型，配电网综合优化改造投资模型。
一、建立配电网COP投资模型，
1）目标函数，
建立配电网COP模型，以网损总降低量与总投资额的比值为目标函数，如式1-1所示：
maxf=Wtotal/Costtotal（1-1）
式中，Wtotal表示网损总降低量，Costtotal表示本次优化规划措施实施后投入的理论总成本，Wtotal的计算如式1-2所示：
（1-2）
式中，、、分别表示在典型日的典型负荷断面中，高峰负荷、正常负荷、低谷负荷运行状态下优化规划前后的网损降低量；tpeak、tnormal、ttrough分别表示高峰负荷、正常负荷、低谷负荷的运行在典型日中所占的时间，单位为小时，默认均为8小时；T表示该断面运行天数，默认为365天；由于目前量测数据的不足，暂不考虑负荷变化的情况，即默认这一年中的每天均以典型日的情况考虑。
2）配电网综合优化改造投资模型
总投资额包括，1）补偿电容器投资，包括各点补偿电容器投资、配变补偿设备控制装置投资；2）更换线路投资，包括更换线路投资、线路类型架空或电缆附加投资；3）更换配变投资；4）电能损耗费用；默认调整配变档位不会带来额外投资；如图2所示。
配电网综合优化改造投资模型的实现函数如公式1-3所示：
（1-3）
式中，Qi(1≤i≤a)表示补偿无功值（kvar）；a表示加装补偿电容器的总节点数；pricecc表示电容器价格万元/千乏；pricecd表示配变补偿设备控制装置单价万元；priceline表示更换的线路价格万元/千米；pricetype表示线路类型，架空或电缆，附加投资万元/千米；L表示更换线路总长度，priceTi（1≤i≤b）表示更换的配变价格万元；b表示更换配变的总数；pricee表示电价万元/千瓦时；Ploss-after表示优化后一个典型日里总的有功损耗；T表示断面运行时间，默认为一年；
二、确定优化变量
优化变量有四种：添加配变无功补偿、线路更换、配变更换及配变分接头档位更换。
以上四项优化变量默认全部选择，或任意单选或多选，对优化内容进行不断地扩充，从而根据不同需求得到适用的配电网COP方案。
1）优化变量范围确定
在获得一条线路的拓扑结构之后，通过潮流算法获得该线路的初始损耗及电压分布情况，随后对于配电网COP中所需考虑的四项规划项目，即配变无功补偿、线路更换、配变更换和配变档位调整，需分别对它们进行优化域的分析，以确定各优化变量的范围及取值的上下限。
a.添加配变补偿电容器
首先选定需要进行补偿的范围，选择所有配变也可以选择其中的一部分，默认选择电压或功率因数不合格的节点，然后确定各节点无功补偿量的上下限，默认将该处现有配变额定容量的60%和10%作为该处无功补偿量的上下限。
b.更换主馈线
默认需要更换该线路的主馈线，属于同一条主馈线上的各段支路统一考虑更换。在备选更换线路类型列表中设置了筛选条件，主要有：新线路的经济载流量必须大于原主馈线所使用的线路的经济载流量；新线路的横截面积必须大于原主馈线所使用的线路的横截面积。用于进行筛选的线路参数取自主馈线上所有支路参数的最值。
c.更换配变
需要考虑配变所在线路的负载率是否达标；同时考虑配变的已使用年限是否已达到需要更换的年限，规定如已超过15年则建议更换，如已超过20年则必须更换。以上两点规范将决定哪些配变需要更换。在备选更换配变类型列表中同样设置了筛选条件，主要有：新配变的额定容量大于该位置原配变的额定容量；更换后配变的型号最好是较新的，用以替代该位置的老旧配变。
d.调整配变分接头档位
本发明默认对所有的配变档位均进行调整。由于在配电网运行中，配变的分接头档位在一段时间之内一般是固定不变的，对配变档位的调整也可能带来一定的降损效果，所以将配变器分接头档位的调整也列为规划期需要考虑的问题。因此让配变档位的调整也参与寻优，各个配变都在其所有的档位中随机搜索以寻找到最佳档位，默认所有配变均包含1、2、3三档，分别对应变比为0.975、1、1.025。
2)约束条件
该模型的目标函数有等式及不等式条件的约束。
等式约束即潮流约束条件如式1-4所示，
（1-4）
式中，Pi表示节点i的注入有功功率，Qi表示节点i的注入无功功率，Bij和Gij分别表示节点i，j之间的电导电纳，N表示节点总数。
不等式约束条件如公式1-5所示，
（1-5）
式中，N、Nc分别表示所有节点集和无功补偿节点集，Uimax、Uimin分别表示考虑用电设备和电力系统安全稳定运行需要的节点i的允许电压幅值的上下限，、分别表示节点i为达到用户要求的功率因数上下限，QCimax、QCimin分别表示补偿电容器无功补偿值的上下限。
电容器无功补偿值的约束可以在优化变量的取值范围中得到保证，而电压与功率因数则考虑在算法中加入一些优化机制进行约束。
三、GR_CGA算法
基于传统遗传算法本身的缺陷及本方法处理的配网COP问题的实际情况，本发明提出一种基于基因修复思想的混沌遗传算法（gene-repairchaosgeneticalgorithm，GR_CGA），在遗传算法中同时加入混沌移民和基因修复。在防止算法陷入早熟的情况下，并能减小进化过程中出现不合格基因的概率。
1）混沌因子
将混沌移民作为附加因子加入到遗传算法当中，当遗传算法的种群完成一次进化后，向当前种群引入混沌因子，将种群中适应度较差的个体替换成混沌移民，增加种群中基因个体的随机性和遍历性，促进种群的有效进化，防止算法陷入局部最优。
混沌移民比例的选取很重要，大量实验表明当群体总规模为50～100时，移民比例应选择0.2～0.4，本发明选取的移民比例为0.2。加入混沌因子的具体步骤如下：
i获得混沌种子。设迭代次数为k=0，初始化，，为当前最优解；混沌种子的计算如式2-1所示：
（2-1）
式中，0≤≤1；n为优化变量分量的个数；ai、bi为优化分量第i个分量的下限和上限；利用上式将X*里的每个分量分别计算出作为混沌变量的种子，得到了n个初始混沌变量；
ii混沌迭代。将混沌种子进行迭代计算：
（2-2）
式中，0≤≤1；
iii载波变换。将所有混沌变量分别载波成优化变量xi，获得混沌移民个体，如式2-3所示：
（2-3）
iv替换基因。将该种群中适应度最差的一个基因替换掉。
v重复步骤ii至iv直到达到规定的移民群体大小。
2）基因修复
考虑到配电网优化规划模型中的不等式约束包含电压约束和功率因数约束，同时传统遗传算法的基因进化过程具有很大的随机性，因此考虑在遗传算法种群的进化过程中添加基因修复的环节，对当前种群的每一个基因进行电压与功率因素的检验，所有不达标的基因将被修正至达标的程度，以确保COP模型的约束条件在进化过程中的每一步都得到保证。
规定节点电压（标幺值）必须满足定义的上下限，当前默认节点电压上下限值为1.1和0.9，若偏低或偏高则修正到平均值1；节点功率合格因数也必须满足定义大小，默认0.85为合格，若不满足要求则至少修正到0.85。
①电压约束
电压U需满足用户定义的上下限，默认当前下限和上限（标幺值）分别为0.9、1.1，如果经潮流计算后电压偏低或偏高时，则把基因修正到通过计算后电压U能达到1的状态。计算公式如式2-4所示：
（2-4）
式中，U表示当前计算得出的节点电压大小，表示不满足条件时U需要修正的差值，R、X分别表示当前节点的阻抗值，P、Q分别表示该节点注入的有功和无功大小。
假设当前基因中的无功补偿大小为Qoriginal，通过式2-5可以计算出需要修正的无功的大小：
（2-5）
②功率因数约束
通过计算，功率合格因数也需要满足规定的大小，默认至少达到0.85，如果不满足则将对基因修正，增加或减少无功补偿值Q，直至功率因数达标。功率因数的计算公式如式2-6所示：
（2-6）
同样假设当前基因中的无功补偿大小为Qoriginal，通过式2-7可以计算出需要修正的无功的大小：
（2-7）
式中取=0.85。
若某节点的电压和功率因数均不合格时，默认选择两种修正方案中无功修正值较大的方案。
3）GR_CGA算法的基本步骤
同时加入混沌因子和基因修复的GR_CGA算法的基本步骤为：
①优化变量编码，生成初始种群；
②对种群中的个体进行合适的交叉和变异操作；
③进行基因修复确保当前种群里的所有基因均满足约束；
④解码并计算个体的适应，将适应度最高的个体最为基础构造混沌移民，然后用混沌移民代替该种群中适应度较差的部分个体，增加遍历性；
⑤若不满足遗传算法的终止条件，则重复步骤②至步骤④，直到满足终止条件为止。
4）GR_CGA算法的基因编排
本文采用实数编码，产生的基因结构如下：
，
其中：Qi(1≤i≤a)表示配变补偿电容值（kvar），a表示补偿电容器的总数；LT表示更换后的主馈线类型；TTi(1≤i≤b)表示更换后的配变类型，b表示更换配变的总数；Ki(1≤i≤c)表示调整后的配变档位，c表示整个待优化线路中的配变总数，默认配变拥有三档（0.975、1、1.025），则Ki将返回1、2、3其中之一，分别对应配变的0.975、1和1.025三档；控制变量的总个数为n=a+b+c+1。在遗传算法基因进化过程中，本文通过反复试验并采用了单点交叉的交叉方式及高斯变异的变异方式以取得最好的寻优效果。
5）GR_CGA算法的参数选择
对于遗传算法参数的选择已有很多的研究，遗传算法的参数可以是静态的也可以是动态的。使用一种基于序优化和最优计算量的分配技术来确定有限的计算量下的遗传算法最佳参数；采用模糊控制器分别控制交叉率和变异率，使得它们能够给根据进化情况自动调整的种群数变化的模糊自适应遗传算法。经过对本方法测试算例的反复调试，本方法选择的遗传算法中静态参数如表3-1所示：
表3-1遗传算法相关参数（供参考）
| 遗传算法参数 | 参数值 |
| 交叉系数Crossover | 0.9 |
| 变异系数Mutation | 0.1 |
| 种群个数PopulationSize | 20 |
本发明所需的数据主要有：配电网拓扑结构机构参数；配电网的典型负荷断面；架空导线/电缆参数及价格；配电变压器参数及价格；无功补偿装置参数
及价格；电价。配电网综合优化规划方法的步骤：
第一步：确定配电网的拓扑结构；
第二步：确定算法参数，包括群体规模（populationsize），交叉、变异概率，终止条件等并开始输入原始数据随机初始化原始数据；参照技术方案中所给出的参考值；
第三步：计算优化规划前的配电网运行方式，通过输入的初始数据来计算优化规划前的潮流和损耗；
第四步：产生初始种群population(0)；能随机产生初始种群；
第五步：执行遗传操作，确定个体的适应度，并判断是否符合优化准则，按适应度的高低选择保留和淘汰的基因；
第六步：由交叉和变异产生新一代的种群population(i+1)；
第七步：加入考虑电压和功率因数的基因修复，保证基因满足约束条件；
第八步：完成基因修复后，向当前种群引入混沌因子以减小陷入局部收敛或过快收敛情况的几率，将适应度较低的20%基因替换为混沌移民；
第九步：判断COP的终止条件是否满足，若优化终止条件满足，则优化过程结束，输出最优值作为最终结果，否则返回继续优化，重复执行第五步至第八步，本文的优化终止条件取一规定的进化代数；
第十步：输出综合优化规划方案：
如图1所示，具体流程步骤可分：
1）输入网络拓扑参数，运行断面数据，计算典型断面下的有功损耗初始值；
2）对线路类型、配变类型、配变档位和无功补偿量进行实数编码，并随机产生初始种群i；
3）对第2）步产生的种群i进行解码，根据适应度函数计算个体的适应值；
a、如果种群i达到迭代次数G，即i＞G，则输出结果，流程结束；
b、如果种群i未达到迭代次数G，即i≤G，则对初始种群i进行选择；
4）对第3）步产生的种群i进行交叉变异；
5）第4）步产生的种群i生成下一代种群，i=i+1；
6）判断第5）步产生的种群i的基因约束条件是否满足；
a、如果种群i的基因约束条件满足，则加入混沌因子后重复第（3）步直到流程结束；
b、如果种群i的基因约束条件不满足，则通过改变Q的值，对基因进行修正；
7）对第6）步产生的种群i加入混沌因子后重复第（3）步直到流程结束。
1）综合优化规划方案：电容器补偿总容量及补偿位置；需更换的主馈线位置及其更换型号；需要更换的变压器位置及其更换型号；需要调档的的配变接档位；
2）综合优化规划效果：网损总降低量；降损率；总投资；投资利用率。
Claims (6)
1.基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是该方法包括如下步骤：
一、建立配电网COP投资模型，
（1）目标函数，
建立配电网COP模型，以网损总降低量与总投资额的比值为目标函数，如式1-1所示：
maxf=Wtotal/Costtotal（1-1）
式中，Wtotal表示网损总降低量，Costtotal表示本次优化规划措施实施后投入的理论总成本，Wtotal的计算如式1-2所示：
（1-2）
式中，、、分别表示在典型日的典型负荷断面中，高峰负荷、正常负荷、低谷负荷运行状态下优化规划前后的网损降低量；tpeak、tnormal、ttrough分别表示高峰负荷、正常负荷、低谷负荷的运行在典型日中所占的时间，单位为小时，默认均为8小时；T表示该断面运行天数，默认为365天；
（2）配电网综合优化改造投资模型，
总投资额包括，1）补偿电容器投资，包括各点补偿电容器投资、配变补偿设备控制装置投资；2）更换线路投资，包括更换线路投资、线路类型架空或电缆附加投资；3）更换配变投资；4）电能损耗费用；默认调整配变档位不会带来额外投资；
配电网综合优化改造投资模型的实现函数如公式1-3所示：
（1-3）
式中，Qi(1≤i≤a)表示补偿无功值；a表示加装补偿电容器的总节点数；pricecc表示电容器价格万元/千乏；pricecd表示配变补偿设备控制装置单价万元；priceline表示更换的线路价格万元/千米；pricetype表示线路类型，架空或电缆，附加投资万元/千米；L表示更换线路总长度，priceTi（1≤i≤b）表示更换的配变价格万元；b表示更换配变的总数；pricee表示电价万元/千瓦时；Ploss-after表示优化后一个典型日里总的有功损耗；T表示断面运行时间，默认为一年；
二、确定优化变量，
优化变量有四种：添加配变无功补偿、线路更换、配变更换及配变分接头档位更换；以上四项优化变量默认全部选择，或单选或多选，对优化内容进行不断地扩充，从而根据不同需求得到适用的配电网COP方案；
三、GR_CGA算法，
GR_CGA算法，是一种基于基因修复思想的混沌遗传算法gene-repairchaosgeneticalgorithm，GR_CGA算法中的混沌移民，是将混沌移民作为附加因子加入到遗传算法当中，当遗传算法的种群完成一次进化后，向当前种群引入混沌因子，将种群中适应度较差的个体替换成混沌移民，增加种群中基因个体的随机性和遍历性，促进种群的有效进化，防止算法陷入局部最优；
选取的移民比例为0.2，加入混沌因子的具体步骤如下：
i获得混沌种子，设迭代次数为k=0，初始化，，为当前最优解；混沌种子的计算如式2-1所示：
（2-1）
式中，0≤≤1；n为优化变量分量的个数；ai、bi为优化分量第i个分量的下限和上限；利用上式将X*里的每个分量分别计算出作为混沌变量的种子，得到了n个初始混沌变量；
ii混沌迭代，将混沌种子进行迭代计算：
（2-2）
式中，0≤≤1；
iii载波变换，将所有混沌变量分别载波成优化变量xi，获得混沌移民个体，如式2-3所示：
（2-3）
iv替换基因，将该种群中适应度最差的一个基因替换掉；
v重复步骤ii至iv直到达到规定的移民群体大小。
2.根据权利要求1所述的基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是所述的确定优化变量，包括1）优化变量范围确定，在获得一条线路的拓扑结构之后，通过潮流算法获得该线路的初始损耗及电压分布情况，随后对于配电网COP中所需考虑的四项规划项目，即配变无功补偿、线路更换、配变更换和配变档位调整，需分别对它们进行优化域的分析，以确定各优化变量的范围及取值的上下限；具体包括a.添加配变补偿电容器；b.更换主馈线；c.更换配变；d.调整配变分接头档位；
2)约束条件，确定优化变量的目标函数有等式及不等式条件的约束，
等式约束即潮流约束条件如式1-4所示，
（1-4）
式中，Pi表示节点i的注入有功功率，Qi表示节点i的注入无功功率，Bij和Gij分别表示节点i，j之间的电导电纳，N表示节点总数，
不等式约束条件如公式1-5所示，
（1-5）
式中，N、Nc分别表示所有节点集和无功补偿节点集；Uimax、Uimin分别表示考虑用电设备和电力系统安全稳定运行需要的节点i的允许电压幅值的上下限，、分别表示节点i为达到用户要求的功率因数上下限，QCimax、QCimin分别表示补偿电容器无功补偿值的上下限。
3.根据权利要求1所述的基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是所述的GR_CGA算法中的基因修复，是对不达标的基因将被修正至达标的程度，以确保COP模型的约束条件在进化过程中的每一步都得到保证，规定节点电压标幺值必须满足定义的上下限，当前默认节点电压上下限值为1.1和0.9，若偏低或偏高则修正到平均值1；节点功率合格因数也必须满足定义大小，默认0.85为合格，若不满足要求则至少修正到0.85。
4.根据权利要求3所述的基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是节点电压约束，电压U需满足用户定义的上下限，默认当前下限和上限标幺值分别为0.9、1.1，如果经潮流计算后电压偏低或偏高时，则把基因修正到通过计算后电压U能达到1的状态，计算公式如式2-4所示：
（2-4）
式中，U表示当前计算得出的节点电压大小，表示不满足条件时U需要修正的差值，R、X分别表示当前节点的阻抗值，P、Q分别表示该节点注入的有功和无功大小；
假设当前基因中的无功补偿大小为Qoriginal，通过式2-5可以计算出需要修正的无功的大小：
（2-5），
通过计算，功率合格因数也需要满足规定的大小，默认至少达到0.85，如果不满足则将对基因修正，增加或减少无功补偿值Q，直至功率因数达标；功率因数的计算公式如式2-6所示：
（2-6）
同样假设当前基因中的无功补偿大小为Qoriginal，通过式2-7可以计算出需要修正的无功的大小：
（2-7）
式中取=0.85；
若某节点的电压和功率因数均不合格时，默认选择两种修正方案中无功修正值较大的方案。
5.根据权利要求1所述的基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是所述的GR_CGA算法的基本步骤，同时加入混沌因子和基因修复的GR_CGA算法的基本步骤为：
1）优化变量编码，生成初始种群；
2）对种群中的个体进行合适的交叉和变异操作；
3）进行基因修复确保当前种群里的所有基因均满足约束；
4）解码并计算个体的适应，将适应度最高的个体最为基础构造混沌移民，然后用混沌移民代替该种群中适应度较差的部分个体，增加遍历性；
5）若不满足遗传算法的终止条件，则重复步骤2）至步骤4），直到满足终止条件为止。
6.根据权利要求1所述的基于基因修复混沌遗传算法的配电网综合优化规划方法，其特征是所述的GR_CGA算法的基因编排，
采用实数编码，产生的基因结构如下：
，
其中：Qi(1≤i≤a)表示配变补偿电容值（kvar），a表示补偿电容器的总数；LT表示更换后的主馈线类型；TTi(1≤i≤b)表示更换后的配变类型，b表示更换配变的总数；Ki(1≤i≤c)表示调整后的配变档位，c表示整个待优化线路中的配变总数，默认配变拥有三档（0.975、1、1.025），则Ki将返回1、2、3其中之一，分别对应配变的0.975、1和1.025三档；控制变量的总个数为n=a+b+c+1，在遗传算法基因进化过程中，采用单点交叉的交叉方式及高斯变异的变异方式以取得最好的寻优效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210420739.9A CN102915472B (zh) | 2012-10-30 | 2012-10-30 | 基于基因修复混沌遗传算法的配电网综合优化规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210420739.9A CN102915472B (zh) | 2012-10-30 | 2012-10-30 | 基于基因修复混沌遗传算法的配电网综合优化规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102915472A CN102915472A (zh) | 2013-02-06 |
| CN102915472B true CN102915472B (zh) | 2016-06-01 |
Family
ID=47613829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210420739.9A Expired - Fee Related CN102915472B (zh) | 2012-10-30 | 2012-10-30 | 基于基因修复混沌遗传算法的配电网综合优化规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102915472B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903055B (zh) * | 2014-03-21 | 2016-09-07 | 国家电网公司 | 基于无向图所有生成树的网络重构方法 |
| CN104361453A (zh) * | 2014-11-18 | 2015-02-18 | 国家电网公司 | 一种智能配电网智能化建设项目的决策方法 |
| CN107482641B (zh) * | 2017-03-10 | 2021-01-08 | 中国科学院广州能源研究所 | 与智能电容器组配合工作的svg控制方法 |
| CN107657397B (zh) * | 2017-11-09 | 2021-06-11 | 东南大学 | 基于配电网节点电价分解的分布式资源经济价值剖析方法 |
| CN109685247B (zh) * | 2018-11-14 | 2021-05-18 | 浙江工业大学 | 基于改进实数编码遗传算法的服装裁剪分床方法 |
| CN109858798B (zh) * | 2019-01-26 | 2022-07-05 | 国网福建省电力有限公司 | 关联改造措施与电压指标的电网投资决策建模方法及装置 |
| CN110348605B (zh) * | 2019-06-12 | 2022-06-14 | 广东工业大学 | 基于改进遗传算法的微电网经济运行优化方法 |
| CN110260470B (zh) * | 2019-06-20 | 2020-09-29 | 西安建筑科技大学 | 基于群智能架构的中央空调并联冷机负荷优化分配方法 |
| CN111523213A (zh) * | 2020-04-15 | 2020-08-11 | 南京清然能源科技有限公司 | 一种基于人工智能的电核心型综合能源系统优化供能方法 |
| CN111784067A (zh) * | 2020-07-09 | 2020-10-16 | 北京理工大学 | 一种基于遗传算法的两阶段配电网规划方法 |
| CN112332407A (zh) * | 2020-10-21 | 2021-02-05 | 国网青海省电力公司西宁供电公司 | 一种10kV电压偏高的优化方法 |
| CN113270865B (zh) * | 2021-05-24 | 2023-05-12 | 云南电网有限责任公司瑞丽供电局 | 一种基于混沌遗传的电压质量优化治理方法 |
| CN113326655A (zh) * | 2021-05-25 | 2021-08-31 | 广西电网有限责任公司电力科学研究院 | 辐射型配电网可靠性与经济性综合评估方法及装置 |
| CN113780768A (zh) * | 2021-08-26 | 2021-12-10 | 浙江大学常州工业技术研究院 | 混沌变异遗传高维度多指标综合能源系统规划方法及系统 |
| CN114004646B (zh) * | 2021-10-28 | 2024-06-14 | 国网天津市电力公司 | 基于非合作博弈的柔性配电网端对端电能交易方法及装置 |
| CN114465913B (zh) * | 2022-02-28 | 2024-02-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于网络仿真技术的电力通信网优化方法及系统 |
| CN114819412B (zh) * | 2022-06-23 | 2022-09-09 | 深圳大学 | 基于指导式可行解修正遗传算法的多换电站配置优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101106274A (zh) * | 2007-08-23 | 2008-01-16 | 上海交通大学 | 地区电网无功电压自动控制系统 |
| US7660649B1 (en) * | 2004-07-02 | 2010-02-09 | Optimal Innovations Inc. | Resource management using calculated sensitivities |
| CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
| CN102684223A (zh) * | 2012-05-23 | 2012-09-19 | 甘肃省电力公司电力科学研究院 | 以降低网损为目标的多约束条件下风电送出功率优化评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040158417A1 (en) * | 2002-11-06 | 2004-08-12 | Bonet Antonio Trias | System and method for monitoring and managing electrical power transmission and distribution networks |
-
2012
- 2012-10-30 CN CN201210420739.9A patent/CN102915472B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7660649B1 (en) * | 2004-07-02 | 2010-02-09 | Optimal Innovations Inc. | Resource management using calculated sensitivities |
| CN101106274A (zh) * | 2007-08-23 | 2008-01-16 | 上海交通大学 | 地区电网无功电压自动控制系统 |
| CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
| CN102684223A (zh) * | 2012-05-23 | 2012-09-19 | 甘肃省电力公司电力科学研究院 | 以降低网损为目标的多约束条件下风电送出功率优化评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102915472A (zh) | 2013-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102915472B (zh) | 基于基因修复混沌遗传算法的配电网综合优化规划方法 | |
| Yang et al. | Optimal energy flow control strategy for a residential energy local network combined with demand-side management and real-time pricing | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN109687510B (zh) | 一种计及不确定性的配电网多时间尺度优化运行方法 | |
| CN109948849B (zh) | 一种计及储能接入的配电网网架规划方法 | |
| CN103326348B (zh) | 一种提高地区电网供电能力分析及全过程在线监测的系统 | |
| CN106655207A (zh) | 基于多数据分析的配电网无功优化系统及方法 | |
| CN110929931B (zh) | 考虑分布式电源和负荷时序特性的配电网协调规划方法 | |
| Ma et al. | Reactive power optimization in power system based on improved niche genetic algorithm | |
| CN110752626B (zh) | 一种主动配电网滚动优化调度方法 | |
| CN110165698B (zh) | 一种实现前瞻性误差资产转换的风电场平滑并网方法 | |
| KR102133897B1 (ko) | 실시간 계측 기반 전압 및 무효전력 제어 방법 및 그 프로그램 | |
| CN115545290A (zh) | 一种含光伏发电配电网中的分布式储能经济优化配置方法 | |
| CN112052601B (zh) | 一种基于最优分数雷达图的输配电网电压序列优化方法 | |
| CN111555293B (zh) | 一种基于数据模型分析的无功设备选型系统及方法 | |
| CN117394366A (zh) | 一种含多微网的主动配电网不确定性分层调度方法 | |
| CN108718084B (zh) | 一种适应电力市场化改革的电源和电网协调规划方法 | |
| CN113690930B (zh) | 基于nsga-iii算法的分布式光伏电源中长期选址定容方法 | |
| Fiorotti et al. | A novel strategy for simultaneous active/reactive power design and management using artificial intelligence techniques | |
| CN113629715B (zh) | 一种计及可输电能力的upfc多目标优化配置方法 | |
| CN116167644A (zh) | 一种配网侧零碳新型电力系统评价指标方法 | |
| CN115528670A (zh) | 基于多主体博弈的分布式电源及配套电网投资决策建模方法 | |
| Mitra et al. | Identification & reduction of circulating MVAR loops at high voltage substations | |
| CN109345411B (zh) | 一种应用于配电网供电能力提升的量化控制方法 | |
| Zheng et al. | A comprehensive decision-making method for coordinated transmission and distribution network planning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| ASS | Succession or assignment of patent right |
Owner name: YONGKANG POWER SUPPLY BUREAU Effective date: 20130115 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20130115 Address after: 210019 room 207, wisdom cube, No. 86 Yulan Road, Yuhuatai District, Jiangsu, Nanjing Applicant after: Nanjing Soft Core Technology Co., Ltd. Applicant after: Yongkang Power Supply Bureau Address before: 210019 room 207, wisdom cube, No. 86 Yulan Road, Yuhuatai District, Jiangsu, Nanjing Applicant before: Nanjing Soft Core Technology Co., Ltd. |
|
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Owner name: YONGKANG POWER SUPPLY BUREAU JINHUA POWER INDUSTRY Free format text: FORMER OWNER: YONGKANG POWER SUPPLY BUREAU Effective date: 20130326 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20130326 Address after: 210019 room 207, wisdom cube, No. 86 Yulan Road, Yuhuatai District, Jiangsu, Nanjing Applicant after: Nanjing Soft Core Technology Co., Ltd. Applicant after: Yongkang Power Supply Bureau Applicant after: Jinhua Power Industry Bureau Address before: 210019 room 207, wisdom cube, No. 86 Yulan Road, Yuhuatai District, Jiangsu, Nanjing Applicant before: Nanjing Soft Core Technology Co., Ltd. Applicant before: Yongkang Power Supply Bureau |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160601 Termination date: 20171030 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |