CN103116865A - 一种多维度协同电网规划的方法 - Google Patents

一种多维度协同电网规划的方法 Download PDF

Info

Publication number
CN103116865A
CN103116865A CN2013100743404A CN201310074340A CN103116865A CN 103116865 A CN103116865 A CN 103116865A CN 2013100743404 A CN2013100743404 A CN 2013100743404A CN 201310074340 A CN201310074340 A CN 201310074340A CN 103116865 A CN103116865 A CN 103116865A
Authority
CN
China
Prior art keywords
power network
circuit
network planning
electric power
ant
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.)
Granted
Application number
CN2013100743404A
Other languages
English (en)
Other versions
CN103116865B (zh
Inventor
舒隽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201310074340.4A priority Critical patent/CN103116865B/zh
Publication of CN103116865A publication Critical patent/CN103116865A/zh
Application granted granted Critical
Publication of CN103116865B publication Critical patent/CN103116865B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种多维度协同电网规划的方法，包括以下过程：通过栅格化地图采集地理环境信息数据并计算综合建设成本数据；建立电网规划模型；根据采集到的数据及电网规划模型通过优选的蚁群算法计算出电网规划方案的解；该方法包括：综合考虑变电站选址、变电站定容、线路选型和线路走廊选择，建立考虑复杂环境影响的多维度协同电网规划模型的步骤。本发明的多维度协同电网规划的方法能够精确考虑环境因素对电网规划的影响。提高了线路建设成本的计算精度并降低了估算难度。根据蚂蚁局部移动方向和目标移动方向的偏差生成催化素，改进蚂蚁的状态转移规则。实现了海量栅格上线路和变电站建设成本的全自动快速计算，显著提高了计算精度和效率。

Description

一种多维度协同电网规划的方法
 
技术领域
本发明涉及电网规划的方法，尤其涉及一种多维度协同电网规划的方法。
背景技术
电网规划是以负荷预测和电源规划为基础，其目的是决策在何时何地投建何种类型的变电站和线路，在保证规划期内电力系统安全运行的前提下，满足负荷的需求。
电网规划涉及变电站的选址、定容、线路选型和线路走廊优化四个维度。近年来，各国政府对环境保护的重视程度越来越高，造成电网建设项目建设成本逐年上升，在电网规划过程中考虑环境因素都是十分必要的。由于电网建设项目所处环境错综复杂，精确考虑环境因素对电网规划方案的影响将面临三个难题，第一，如何模型化表达复杂的环境因素；第二，如何将模型化后的环境因素与电网安全性分析结合起来；第三，如何对该问题进行有效求解。显然，三个问题都是很有挑战性的。在现有电网规划理论研究和实际应用中，通常将网络拓扑结构及电网安全分析放在一起研究，但是，为了简化建立数学模型及求解的目的，却将变电站的选址及定容、线路的选型和线路走廊的优化独立出来分开研究，这种局部孤立的研究方法不能够精确考虑环境因素对电网规划的影响。
精确考虑环境因素对电网规划方案的影响，需要借助地理信息系统中强大的地图和环境因素处理能力。现有利用地理信息系统辅助进行电网规划的技术方案中，均采用矢量地图来表征环境因素，矢量地图存在以下两个问题：首先，矢量图只能描述具有实体的环境因素，例如居民区，湖泊和森林等，很难表征污染程度、覆冰、气候之类的非实体环境因素；其次，矢量图的矢量化点、线和多边形并不规则，很难在矢量地图上建立通用严谨的电网规划方法。
在地图栅格上线路建设成本的计算方面，现有技术方案均只针对整条线路的成本进行计算，这种技术方案过于粗略，无法考虑长距离线路周围环境因素的多样性和变化性，达不到计算精度的要求。现有线路和变压器建设成本计算的技术方案中使用欧式距离判别法和人工神经网络法。 
蚁群算法是一种由Dorigo提出的模仿自然界中蚁群觅食行为的仿生智能算法，具有并行搜索能力和强化学习能力，经过反复研究和实验发现，蚁群算法搜索机制与路径走廊优化问题两者有天然的相似性，非常适合于求解多维度协同电网规划数学模型。然而，现有技术方案中，蚁群信息素都只针对最优路径进行全局信息更新，降低了搜索能力和优化信息交换能力。
发明内容
本发明要解决的技术问题是提供一种多维度协同电网规划的方法，该方法建立的数学模型能够精确考虑环境因素对电网规划的影响。
为了解决上述技术问题，本发明的多维度协同电网规划的方法，包括以下过程：采集地理环境信息数据并计算综合建设成本数据；建立电网规划模型；根据地理环境信息数据和综合建设成本数据及建立的电网规划模型计算和/或优选出电网规划方案的解；所述建立电网规划模型是建立考虑复杂环境影响的多维度协同电网规划模型，过程包括：综合考虑变电站选址、综合考虑变电站定容、综合考虑线路选型和综合考虑线路走廊选择，所述综合考虑是将上述变电站选址、变电站定容、线路选型和线路走廊选择关联起来，建立一个总目标，其表达公式是：                                                
Figure 2013100743404100002DEST_PATH_IMAGE001
其中，
为目标函数；
Figure 2013100743404100002DEST_PATH_IMAGE003
为线路建设总成本；
Figure 546964DEST_PATH_IMAGE004
为变电站建设总成本；
Figure 2013100743404100002DEST_PATH_IMAGE005
为电网运行网损成本；
其中：线路建设总成本由不同型号新建线路所经过的走廊决定；变电站建设总成本由不同类型新建变电站所选择的位置决定；电网运行网损成本由电网有功网损决定；
公式中的约束条件包括：线路型号选择唯一性约束；变电站类型选择唯一性约束；功率方程等式约束；潮流计算等式约束；线路和变电站电气参数计算等式约束；电网支路潮流限制约束；电网节点电压限制约束。
所述采集地理环境信息数据和计算综合建设成本数据的过程包括：在地理信息系统上，读取规划区域地图上的环境信息，采用正方形对地图进行栅格化，输出每个栅格上的各种环境信息；
基于每个栅格上的各种环境信息，根据已有线路和变电站建设投资成本与相应环境因素的历史数据，采用马氏距离判别法，计算栅格上线路和变电站的综合建设成本。
所述根据地理环境信息数据和综合建设成本数据及建立的电网规划模型计算和/或优选出电网规划方案的解的过程包括：
将变电站位置、变电站容量、线路型号和线路走廊选择作为蚁群算法中的蚂蚁旅行城市，构造多搜索区域蚁群算法的求解框架；
设置蚂蚁群体并初始化路径信息素；
每只蚂蚁按照引入催化素的状态转移规则，分别经过变电站容量搜索区域、 变电站位置搜索区域、线路型号搜索区域和线路走廊搜索区域，形成移动路径；
在蚂蚁访问过的路径上执行局部信息素更新；
根据蚂蚁移动路径所代表的电网规划解，计算蚂蚁适应值；
当所有蚂蚁都移动完成后，找出全局最优解，采用正态面扩散机制进行全局信息素更新；
重复以上过程，直到满足最大迭代次数，得到最优多维度协同电网规划方案。
所述方法还包括：将最优的多维度协同电网规划方案输出到地理信息系统中，实现多维度协同电网规划方案的可视化的过程。
本发明与现有技术相比具有以下有益效果：
（1）本技术方案由于采用了综合考虑变电站选址、变电站定容、线路选型和线路走廊选择，建立考虑复杂环境影响的多维度协同电网规划模型的技术手段，所以，能够全面考虑电网规划各个维度之间的相互影响，从而提高电网规划方案的优化性和可行性。
（2）含有复杂环境信息的地图被转化为整齐排列的栅格，当栅格面积足够小时，可认为栅格内具有相同的环境因素，从而栅格内受环境影响的变电站和线路投资维护成本也相同。地图的栅格化便于精确规范地刻画复杂环境因素对电网规划的影响。
（3）本发明通过计算每个地图栅格上的线路建设成本，使得一条线路的总建设成本为其经过各个栅格上的建设成本之和，提高了线路建设成本的计算精度并降低了估算难度。同时，通过计算每个栅格上的变电站建设成本，可以不需要人工预先指定候选变电站的位置，简化了电网规划工作环节。
（4）基于栅格化地图，电网规划中的四个维度能够与复杂环境有机地结合在一起，相对于传统电网规划，构建的多维度协同电网规划模型，能够提供更加全面和合理的优化结果。
（5）改进蚁群算法的结构和转移规则，一定程度上克服蚁群算法容易陷入局部最优的缺点，使其更加适合求解大规模多维度协同电网规划。 
（6）本技术方案是一个通用的电网规划方法，既能够应用于低压配电网规划，也可应用于高压输电网规划。
（7）本发明采用马氏距离(Mahalanobis distance)判别法的技术方案，马氏距离判别法具有不受量纲的影响，可以排除变量之间的相关性的干扰的优点，相对于人工神经网络法，马氏距离判别法具有简单易实现，不存在训练收敛性问题等优点。马氏距离判别法实现了海量栅格上线路和变电站建设成本的全自动快速计算，显著提高了计算精度和效率。
（8）本发明根据多维度电网规划模型的特点，提出多搜索区域蚁群算法，同时，根据蚂蚁局部移动方向和目标移动方向的偏差生成催化素，改进蚂蚁的状态转移规则，提高蚂蚁抵达目的地的速度。
（9）本发明根据线路走廊优化平面搜索的特点，提出全局信息素更新的正态面扩散机制，提高了蚂蚁在栅格地图上的并行搜索能力和优化信息交换能力。
（10）实现多维度协同电网规划技术方案的可视化。
 
附图说明
下面结合附图和具体实施方式对本发明作一步的详细描述。
图1是本发明的方法流程。
图2是地图栅格化示意图。
图3是线路在栅格上的移动方向示意图。
图4是多搜索区域蚁群算法示意图。
具体实施方式
本发明的一个实施例为：一种多维度协同电网规划的方法，包括以下过程：采集地理环境信息数据并计算综合建设成本数据；建立电网规划模型；根据地理环境信息数据和综合建设成本数据及建立的电网规划模型计算和/或优选出电网规划方案的解；其特征在于：所述建立电网规划模型是建立考虑复杂环境影响的多维度协同电网规划模型，过程包括：综合考虑变电站选址、综合考虑变电站定容、综合考虑线路选型和综合考虑线路走廊选择，所述综合考虑是将上述变电站选址、变电站定容、线路选型和线路走廊选择关联起来，建立一个总目标，其表达公式是：
Figure 27624DEST_PATH_IMAGE001
其中，
Figure 320065DEST_PATH_IMAGE002
为目标函数；
Figure 613380DEST_PATH_IMAGE003
为线路建设总成本；
Figure 307667DEST_PATH_IMAGE004
为变电站建设总成本；
Figure 959228DEST_PATH_IMAGE005
为电网运行网损成本；
其中：线路建设总成本由不同型号新建线路所经过的走廊决定；变电站建设总成本由不同类型新建变电站所选择的位置决定；电网运行网损成本由电网有功网损决定；
公式中分别包括有线路型号选择、变电站类型选择、功率方程等式、潮流计算等式、线路和变电站电气参数计算等式、电网支路潮流限制、电网节点电压限制。
因此，为了优化所述方法，对于公式中的约束条件包括：线路型号选择唯一性约束；变电站类型选择唯一性约束；功率方程等式约束；潮流计算等式约束；线路和变电站电气参数计算等式约束；电网支路潮流限制约束；电网节点电压限制约束。
实施例中，所述采集地理环境信息数据和计算综合建设成本数据的过程包括：在地理信息系统上，读取规划区域地图上的环境信息，采用正方形对地图进行栅格化，输出每个栅格上的各种环境信息；
基于每个栅格上的各种环境信息，根据已有线路和变电站建设投资成本与相应环境因素的历史数据，采用马氏距离判别法，计算栅格上线路和变电站的综合建设成本。
实施例中，所述根据地理环境信息数据和综合建设成本数据及建立的电网规划模型计算和/或优选出电网规划方案的解的过程包括：
将变电站位置、变电站容量、线路型号和线路走廊选择作为蚁群算法中的蚂蚁旅行城市，构造多搜索区域蚁群算法的求解框架；
设置蚂蚁群体并初始化路径信息素；
每只蚂蚁按照引入催化素的状态转移规则，分别经过变电站容量搜索区域、 变电站位置搜索区域、线路型号搜索区域和线路走廊搜索区域，形成移动路径；
在蚂蚁访问过的路径上执行局部信息素更新；
根据蚂蚁移动路径所代表的电网规划解，计算蚂蚁适应值；
当所有蚂蚁都移动完成后，找出全局最优解，采用正态面扩散机制进行全局信息素更新；
重复以上过程，直到满足最大迭代次数，得到最优多维度协同电网规划方案。
实施例中，所述方法还包括：将最优的多维度协同电网规划方案输出到地理信息系统中，实现多维度协同电网规划方案的可视化的过程。
以下是对上述实施例的具体描述：
如图1所示，本实施方式提供的一种多维度协同电网规划化的方法，包括以下过程：采集地理环境信息数据并计算综合建设成本数据；建立电网规划模型；根据地理环境信息数据和综合建设成本数据及建立的电网规划模型计算和/或优选出电网规划方案的解。
所述采集地理环境信息数据并计算综合建设成本数据的过程包括：后面详述的步骤一和步骤二。
所述建立电网规划模型的过程包括：后面详述的步骤三。
所述根据地理环境信息数据和综合建设成本数据及建立电网规划模型计算和/或优选出电网规划方案的解的过程包括：后面详述的步骤四、步骤五、步骤六、步骤七、步骤八、步骤九和步骤十。
本方法还包括：将最优的多维度协同电网规划方案输出到地理信息系统中，实现多维度协同电网规划方案的可视化的过程。该过程包括步骤十一。
上面所述的各步骤详述如下：
如图1所示：
步骤一：在地理信息系统上，读取规划区域地图上的环境信息，采用正方形对地图进行栅格化，输出每个栅格上的各种环境信息；
将带有环境图层和信息的地图栅格化，即整齐地将地图划分成大小合适的正方形。假设地图被划分为
Figure 942228DEST_PATH_IMAGE006
行，
Figure 2013100743404100002DEST_PATH_IMAGE007
列，
Figure 337437DEST_PATH_IMAGE008
表示第i行，第j列的栅格。虽然整个规划区域的环境情况是复杂的，但在单个栅格中，各处的环境情况近似，可以认为单个栅格中各处的环境因素均相同。经过上述处理后，含有复杂环境信息的地图被转化为整齐排列的栅格（参见图2），且单个栅格中同类型变电站投资成本和线路投资成本相同。环境因素规范化的表达将有利于电网规划模型的建立和求解。另外，模型表征环境因素的精确性也可以通过调整栅格的尺寸得到满足。
步骤二：基于每个栅格上的各种环境因素信息，根据大量已有线路和变电站建设投资成本与相应环境因素的历史数据，采用马氏距离判别法，获取栅格上的变电站和线路综合建设成本；
从已投建线路和变电站的历史数据，可以获得大量线路和变电站建设成本与相应环境因素的历史样本数据，按照式（1）评估栅格上环境因素与历史样本数据中环境因素的马氏距离，按照最短马氏距离的原则选择最佳匹配历史样本数据，以最佳匹配历史数据样本的线路和变电站建设成本作为栅格的线路和变电站建设成本。
Figure 2013100743404100002DEST_PATH_IMAGE009
                           （1）
其中，
下标
Figure 2013100743404100002DEST_PATH_IMAGE011
为栅格行索引；
下标为栅格列索引；
Figure 2013100743404100002DEST_PATH_IMAGE013
为历史样本索引；
Figure 911955DEST_PATH_IMAGE014
为栅格
Figure 116671DEST_PATH_IMAGE008
与历史样本
Figure 49992DEST_PATH_IMAGE013
之间的环境因素马氏距离；
Figure 2013100743404100002DEST_PATH_IMAGE015
为环境因素向量；
为第
Figure 2013100743404100002DEST_PATH_IMAGE017
种环境因素；
Figure 428681DEST_PATH_IMAGE018
为环境因素数目；
为栅格
Figure 855114DEST_PATH_IMAGE008
上的环境因素向量；
Figure 857705DEST_PATH_IMAGE020
为第
Figure 381090DEST_PATH_IMAGE013
个历史样本数据中环境因素向量；
上标
Figure 2013100743404100002DEST_PATH_IMAGE021
表示向量转置；
上标
Figure 483038DEST_PATH_IMAGE022
表示矩阵求逆；
Figure 2013100743404100002DEST_PATH_IMAGE023
为样本协方差矩阵。
步骤三：根据栅格上的变电站和线路综合建设成本，综合考虑变电站选址、变电站定容、线路选型和线路走廊选择，建立考虑复杂环境影响的多维度协同电网规划模型，模型公式为：
                               (2)
其中，
Figure 203050DEST_PATH_IMAGE002
为目标函数，取其最小为最优；
为线路建设总成本；
Figure 181687DEST_PATH_IMAGE004
为变电站建设总成本；
Figure 81248DEST_PATH_IMAGE005
为电网运行网损成本；
所述的
Figure 2013100743404100002DEST_PATH_IMAGE025
             (3)
其中，
下标
Figure 425641DEST_PATH_IMAGE011
为栅格行索引；
下标
Figure 923619DEST_PATH_IMAGE012
为栅格列索引；
下标
Figure 367370DEST_PATH_IMAGE026
为线路在栅格上的前进方向索引；
下标
Figure 2013100743404100002DEST_PATH_IMAGE027
为线路类型索引；
下标
Figure 521270DEST_PATH_IMAGE028
为变电站类型索引；
下标
Figure 403776DEST_PATH_IMAGE030
为支路索引；
下标为规划年索引；
Figure 2013100743404100002DEST_PATH_IMAGE033
为线路型号数目；
Figure 370912DEST_PATH_IMAGE034
为变电站类型数目；
Figure 2013100743404100002DEST_PATH_IMAGE035
为投资回收年限；
Figure 247994DEST_PATH_IMAGE036
为型号线路在栅格
Figure 141181DEST_PATH_IMAGE008
上的综合建设成本；
Figure 2013100743404100002DEST_PATH_IMAGE037
为
Figure 192314DEST_PATH_IMAGE028
类型变电站在栅格
Figure 117544DEST_PATH_IMAGE008
上的综合建设成本；
Figure 341852DEST_PATH_IMAGE038
为包括已有支路、候选支路和候选变电站在内的总支路数；
Figure 2013100743404100002DEST_PATH_IMAGE039
为候选支路数目；
Figure 606611DEST_PATH_IMAGE040
为候选变电站数目；
Figure 2013100743404100002DEST_PATH_IMAGE041
为线路
Figure 890962DEST_PATH_IMAGE030
所经过的栅格及方向集合；
Figure 975593DEST_PATH_IMAGE042
为变电站
Figure 3592DEST_PATH_IMAGE030
选中的栅格集合；
二进制变量
Figure 2013100743404100002DEST_PATH_IMAGE043
为线路建设决策变量，当线路投建
Figure 76645DEST_PATH_IMAGE027
类型线路时为1，否则为 0；
二进制变量
Figure 976468DEST_PATH_IMAGE044
为变电站决策变量，当变电站投建类型变电站时为1，否则为0；
Figure 2013100743404100002DEST_PATH_IMAGE045
为方向
Figure 142504DEST_PATH_IMAGE026
上的长度；
Figure 264044DEST_PATH_IMAGE046
为年平均电价；
Figure 2013100743404100002DEST_PATH_IMAGE047
为最大负荷持续时间；
Figure 571528DEST_PATH_IMAGE048
为类型变电站的固定损耗；
Figure 2013100743404100002DEST_PATH_IMAGE049
为电网可变损耗；
Figure 462441DEST_PATH_IMAGE050
为年利率。
所述的线路
Figure 71277DEST_PATH_IMAGE030
所经过的栅格及方向集合
Figure 2013100743404100002DEST_PATH_IMAGE051
                    (4)
所述的变电站
Figure 418338DEST_PATH_IMAGE030
选中的栅格集合
Figure 429019DEST_PATH_IMAGE052
                                   (5)
所述模型的约束条件如下，
A、线路型号选择唯一性约束：
Figure DEST_PATH_IMAGE053
                                                                     (6)
其中，
下标
Figure 396975DEST_PATH_IMAGE027
为线路类型索引；
下标
Figure 430790DEST_PATH_IMAGE030
为支路索引；
为线路型号数目；
二进制变量
Figure 273161DEST_PATH_IMAGE043
为线路建设决策变量。
B、变电站类型选择唯一性约束：
                                                                      (7)
其中，
下标
Figure 667551DEST_PATH_IMAGE030
为支路索引；
下标为变电站类型索引；
Figure 168119DEST_PATH_IMAGE034
为变电站类型数目；
二进制变量
Figure 415561DEST_PATH_IMAGE044
为变电站决策变量。
C、功率方程等式约束：
Figure DEST_PATH_IMAGE055
                                     (8)
其中，
下标
Figure 220706DEST_PATH_IMAGE056
和
Figure DEST_PATH_IMAGE057
为节点索引；
Figure 710331DEST_PATH_IMAGE058
为节点
Figure 550111DEST_PATH_IMAGE056
注入视在功率的共轭；
Figure DEST_PATH_IMAGE059
为总节点数目；
Figure 968454DEST_PATH_IMAGE060
为节点
Figure 526474DEST_PATH_IMAGE056
电压的共轭；
Figure DEST_PATH_IMAGE061
为节点
Figure 117992DEST_PATH_IMAGE056
和之间互导纳；
Figure 667102DEST_PATH_IMAGE062
为节点
Figure 446840DEST_PATH_IMAGE057
电压。
D、潮流计算等式约束：
Figure DEST_PATH_IMAGE063
                                                   (9)
其中，
为支路上传输的视在功率；
Figure DEST_PATH_IMAGE065
和
Figure 855715DEST_PATH_IMAGE066
分别为支路
Figure 122748DEST_PATH_IMAGE030
两端节点电压的共轭；
Figure DEST_PATH_IMAGE067
为支路导纳的共轭；
为支路
Figure 921574DEST_PATH_IMAGE030
始端节点电压；
E、线路和变电站电气参数计算等式约束：
                                 (10)
其中，
下标
Figure 613586DEST_PATH_IMAGE027
为线路类型索引；
下标
Figure 616177DEST_PATH_IMAGE028
为变电站类型索引；
下标
Figure 139563DEST_PATH_IMAGE030
为支路索引；
Figure 241511DEST_PATH_IMAGE043
为线路建设决策变量；
Figure 483136DEST_PATH_IMAGE044
为变电站决策变量；
Figure 23839DEST_PATH_IMAGE070
为
Figure 837949DEST_PATH_IMAGE027
类型线路每单位长度的导纳；
Figure DEST_PATH_IMAGE071
为
Figure 438695DEST_PATH_IMAGE028
类型变电站支路导纳；
Figure 902037DEST_PATH_IMAGE072
为支路
Figure 184114DEST_PATH_IMAGE030
导纳；
为线路型号数目；
为变电站类型数目；
Figure 76480DEST_PATH_IMAGE039
为候选支路数目；
Figure 958986DEST_PATH_IMAGE040
为候选变电站数目；
为线路
Figure 249153DEST_PATH_IMAGE030
长度；
所述的线路长度
Figure 629636DEST_PATH_IMAGE074
                                                            (11)
其中，
下标
Figure 315832DEST_PATH_IMAGE011
为栅格行索引；
下标
Figure 950252DEST_PATH_IMAGE012
为栅格列索引；
下标
Figure 63701DEST_PATH_IMAGE026
为线路在栅格上的前进方向索引；
下标
Figure DEST_PATH_IMAGE075
为支路索引；
Figure 926615DEST_PATH_IMAGE045
为方向
Figure 150923DEST_PATH_IMAGE026
上的长度；
Figure 477999DEST_PATH_IMAGE041
为线路
Figure 434454DEST_PATH_IMAGE030
所经过的栅格及方向集合；
F、电网支路潮流限制约束：
Figure 846980DEST_PATH_IMAGE076
               (12)
其中，
为支路索引；
Figure 874979DEST_PATH_IMAGE040
为候选变电站数目；
Figure 994245DEST_PATH_IMAGE039
为候选支路数目；
Figure 449497DEST_PATH_IMAGE078
为支路（线路或变压器）建设决策变量，当该支路投建时为0，否则为1；
为支路
Figure 519959DEST_PATH_IMAGE030
传输的视在功率模值；
Figure 86070DEST_PATH_IMAGE080
和
Figure DEST_PATH_IMAGE081
分别为支路的最大和最小容量限制；
G、电网节点电压限制约束：
Figure 951574DEST_PATH_IMAGE082
                                                          (13)
其中，
下标
Figure 73114DEST_PATH_IMAGE056
为节点索引；
Figure DEST_PATH_IMAGE083
为节点的电压模值；
Figure 536774DEST_PATH_IMAGE084
和
Figure DEST_PATH_IMAGE085
分别为节点的电压下限和电压上限。
步骤四：将变电站位置、变电站容量、线路型号和线路走廊选择作为蚂蚁旅行城市，构造多搜索区域蚁群算法的求解框架；
针对多维度协同电网规划的特点，构造了变电站容量、变电站位置、线路型号和线路走廊选择四个搜索区域。这四个搜索区域的搜索空间如图4所示。图中，圆表示城市，而线表示边，黑色圆和粗线表示一只蚂蚁经过的路径。
对于一个变电站，变电站定容的城市数目为
Figure 880347DEST_PATH_IMAGE086
，对应城市编号为
Figure DEST_PATH_IMAGE087
。变电站可以在整个单元格地图中选址，一个变电站选址的城市数目为。
对于一条线路，线路选型的城市数目为。当变电站选址确定后，线路的端点的位置也就确定下来，线路走廊选择就是在线路端点之间形成一条通路。由于线路连通性的限制，蚂蚁在一个栅格上只能选择邻近的八个单元格（参见图3）。
步骤五：设置蚂蚁群体；初始化路径信息素；
所述蚁群算法的种群规模即为蚂蚁数目，表示决策方案的个数；所述迭代次数，表示对决策不断进行修改的次数。设置每条路径上的初始信息素为
Figure 238090DEST_PATH_IMAGE090
。
步骤六：每只蚂蚁按照引入催化素状态转移规则，分别经过变电站容量搜索区域、 变电站位置搜索区域、线路型号搜索区域和线路走廊搜索区域，形成移动路径；
蚂蚁倾向于选择较短和较高信息素的边，而信息素倾向于在较短路径的边上增长。为了进一步加强蚂蚁群体的搜索能力，在状态转移规则中引入催化素，催化素与具体问题相关。根据多维度协同电网规划四个部分的不同特点，应用不同的状态转移规则：
      (14)
其中，
Figure DEST_PATH_IMAGE093
、
Figure 239861DEST_PATH_IMAGE094
和
Figure DEST_PATH_IMAGE095
为城市索引；
Figure 889148DEST_PATH_IMAGE096
为蚂蚁
Figure DEST_PATH_IMAGE097
由城市
Figure 754336DEST_PATH_IMAGE093
转移到城市
Figure 893193DEST_PATH_IMAGE094
的转移概率；
Figure 414304DEST_PATH_IMAGE097
为蚂蚁索引；
Figure 929599DEST_PATH_IMAGE098
为路径上残留的信息量；
Figure 649294DEST_PATH_IMAGE100
为路径
Figure 395270DEST_PATH_IMAGE099
能见度；
Figure DEST_PATH_IMAGE101
为能见度权重；
Figure 465995DEST_PATH_IMAGE102
为禁忌表；
Figure 457084DEST_PATH_IMAGE091
为路径催化素；
Figure DEST_PATH_IMAGE103
为催化系数。
在变电站定容和线路型号选择部分，蚂蚁只按照路径上残留的信息量决定转移方向，也就是
Figure 777524DEST_PATH_IMAGE104
和
Figure DEST_PATH_IMAGE105
。
在变电站选址部分，蚂蚁按照路径上残留的信息量和能见度决定转移方向，也就是
Figure 273228DEST_PATH_IMAGE105
，而
Figure 864746DEST_PATH_IMAGE100
如式(15)所示。
Figure 496716DEST_PATH_IMAGE106
                                        (15)
其中，
下标
Figure 413856DEST_PATH_IMAGE011
为栅格行索引；
下标
Figure 193593DEST_PATH_IMAGE012
为栅格列索引；
和
Figure 842323DEST_PATH_IMAGE094
为城市索引；
Figure 664785DEST_PATH_IMAGE100
为路径
Figure 931819DEST_PATH_IMAGE099
能见度；
Figure 68402DEST_PATH_IMAGE037
为
Figure 737281DEST_PATH_IMAGE028
类型变电站在栅格上的综合建设成本；
Figure 422657DEST_PATH_IMAGE006
为栅格化行数。
在线路走廊选择部分，蚂蚁按照路径上残留的信息量、能见度和催化素共同决定转移方向，其中
Figure 159669DEST_PATH_IMAGE100
和
Figure 683054DEST_PATH_IMAGE091
分别如式(16)和（17）所示。
Figure DEST_PATH_IMAGE107
                                   (16)
Figure 50581DEST_PATH_IMAGE108
                                                                   (17)
其中，
下标
Figure 292207DEST_PATH_IMAGE011
为栅格行索引；
下标
Figure 567330DEST_PATH_IMAGE012
为栅格列索引；
Figure 647020DEST_PATH_IMAGE093
和
Figure 982186DEST_PATH_IMAGE094
为城市索引；
Figure 711108DEST_PATH_IMAGE100
为路径
Figure 789922DEST_PATH_IMAGE099
能见度；
为路径
Figure 997229DEST_PATH_IMAGE099
催化素；
Figure 947868DEST_PATH_IMAGE036
为
Figure 830373DEST_PATH_IMAGE027
型号线路在栅格
Figure 120540DEST_PATH_IMAGE008
上的综合建设成本；
Figure 63089DEST_PATH_IMAGE006
为栅格化行数。
设线路始端和末端之间直线向量为，
Figure 438706DEST_PATH_IMAGE093
和
Figure 859323DEST_PATH_IMAGE094
之间直线向量为
Figure 331893DEST_PATH_IMAGE110
，
Figure 884490DEST_PATH_IMAGE109
和
Figure 809721DEST_PATH_IMAGE110
之间的夹角的为
Figure DEST_PATH_IMAGE111
。
Figure 34029DEST_PATH_IMAGE091
能够辅助蚂蚁尽快从始端行进到末端，避免不必要的迂回。
步骤七：在蚂蚁访问过的路径上执行局部信息素更新；
每次当蚂蚁访问一条边，则对该边执行局部信息素更新，更新公式为：
                                                    (18)
其中， 
Figure 317560DEST_PATH_IMAGE093
和
Figure 730087DEST_PATH_IMAGE094
为城市索引；
Figure 695769DEST_PATH_IMAGE098
为路径
Figure 877351DEST_PATH_IMAGE099
上残留的信息量；
Figure 67024DEST_PATH_IMAGE090
路径上的初始信息素；
Figure DEST_PATH_IMAGE113
为预先设定的启发式参数。
步骤八：根据蚂蚁移动路径所代表的电网规划解，计算蚂蚁适应值；
每只蚂蚁形成的路径对应一个多维度协同电网规划的决策方案，针对每个决策方案执行电力系统潮流计算，并如下计算每只蚂蚁的适应值：
Figure 904530DEST_PATH_IMAGE114
                                                    （19）
其中，
Figure DEST_PATH_IMAGE115
为适应值函数；
为目标函数；
Figure 772309DEST_PATH_IMAGE116
和为罚因子；
Figure 569101DEST_PATH_IMAGE118
和分别为节点电压越限平方和及线路潮流越限平方和。
步骤九：当所有蚂蚁都移动完成后，找出全局最优路径，采用正态面扩散机制进行执行全局信息素更新，如式(20)。
Figure 893904DEST_PATH_IMAGE120
                                  (20)
其中，
Figure 263705DEST_PATH_IMAGE093
和
Figure 154301DEST_PATH_IMAGE094
为城市索引；
Figure 2013100743404100002DEST_PATH_IMAGE121
为全局最优解的路径长度；
为信息素挥发参数；
Figure DEST_PATH_IMAGE123
为路径
Figure 497874DEST_PATH_IMAGE099
和最优路径
Figure 609050DEST_PATH_IMAGE124
之间的距离；
Figure DEST_PATH_IMAGE125
为正态分布的方差。
显然，传统最优路径信息素更新机制只是正态面扩散机制的一种特殊情况，当
Figure 619731DEST_PATH_IMAGE125
趋近0时，正态面扩散机制退化为传统最优路径信息素更新机制。
步骤十：重复步骤六、七、八和九，直到满足最大迭代次数。蚁群中的历史最优路径即为得到的多维度协同电网规划方案。
步骤十一：将最优多维度协同电网规划方案输出到地理信息系统中，实现多维度协同电网规划方案的可视化。
从最优多维度协同电网规划方案中可以得到各个新建变电站类型和位置，以及各条新建线路的型号和走廊，根据需要将这些变电站和线路赋予不同的形状（线型）和颜色，输出到地理信息系统中，并调用画图和着色函数显示到栅格地图上，从而实现多维度协同电网规划方案的可视化。
当然，所述采集地理环境信息数据并计算综合建设成本数据的过程不局限于本实施方式所述的对地图进行栅格化处理。该过程还可以采用现有技术中的矢量地图来表征环境因素。同理，所述根据地理环境信息数据和综合建设成本数据及建立电网规划模型计算和/或优选出电网规划方案的解的过程，也不局限于本实施方式所述的蚁群算法。该过程还可以采用非蚁群算法，如：遗传算法、粒子群算法、差分进化算法等各类智能优化算法。

Claims (4)

1.一种多维度协同电网规划的方法，包括以下过程：采集地理环境信息数据并计算综合建设成本数据；建立电网规划模型；根据地理环境信息数据和综合建设成本数据及建立的电网规划模型计算和/或优选出电网规划方案的解；其特征在于：所述建立电网规划模型是建立考虑复杂环境影响的多维度协同电网规划模型，过程包括：综合考虑变电站选址、综合考虑变电站定容、综合考虑线路选型和综合考虑线路走廊选择，所述综合考虑是将上述变电站选址、变电站定容、线路选型和线路走廊选择关联起来，建立一个总目标，其表达公式是： 
Figure 2013100743404100001DEST_PATH_IMAGE002
其中，
Figure 2013100743404100001DEST_PATH_IMAGE004
为目标函数；
Figure 2013100743404100001DEST_PATH_IMAGE006
为线路建设总成本；
Figure 2013100743404100001DEST_PATH_IMAGE008
为变电站建设总成本；
Figure 2013100743404100001DEST_PATH_IMAGE010
为电网运行网损成本；
其中：线路建设总成本由不同型号新建线路所经过的走廊决定；变电站建设总成本由不同类型新建变电站所选择的位置决定；电网运行网损成本由电网有功网损决定；
公式中的约束条件包括：线路型号选择唯一性约束；变电站类型选择唯一性约束；功率方程等式约束；潮流计算等式约束；线路和变电站电气参数计算等式约束；电网支路潮流限制约束；电网节点电压限制约束。
2.根据权利要求1所述的多维度协同电网规划的方法，其特征在于：所述采集地理环境信息数据和计算综合建设成本数据的过程包括：在地理信息系统上，读取规划区域地图上的环境信息，采用正方形对地图进行栅格化，输出每个栅格上的各种环境信息；
基于每个栅格上的各种环境信息，根据已有线路和变电站建设投资成本与相应环境因素的历史数据，采用马氏距离判别法，计算栅格上线路和变电站的综合建设成本。
3.根据权利要求1所述的多维度协同电网规划的方法，其特征在于：所述根据地理环境信息数据和综合建设成本数据及建立的电网规划模型计算和/或优选出电网规划方案的解的过程包括：
将变电站位置、变电站容量、线路型号和线路走廊选择作为蚁群算法中的蚂蚁旅行城市，构造多搜索区域蚁群算法的求解框架；
设置蚂蚁群体并初始化路径信息素；
每只蚂蚁按照引入催化素的状态转移规则，分别经过变电站容量搜索区域、 变电站位置搜索区域、线路型号搜索区域和线路走廊搜索区域，形成移动路径；
在蚂蚁访问过的路径上执行局部信息素更新；
根据蚂蚁移动路径所代表的电网规划解，计算蚂蚁适应值；
当所有蚂蚁都移动完成后，找出全局最优解，采用正态面扩散机制进行全局信息素更新；
重复以上过程，直到满足最大迭代次数，得到最优多维度协同电网规划方案。
4.根据权利要求1至3之一所述的多维度协同电网规划的方法，其特征在于：所述方法还包括：将最优的多维度协同电网规划方案输出到地理信息系统中，实现多维度协同电网规划方案的可视化的过程。
CN201310074340.4A 2013-03-08 2013-03-08 一种多维度协同电网规划的方法 Expired - Fee Related CN103116865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310074340.4A CN103116865B (zh) 2013-03-08 2013-03-08 一种多维度协同电网规划的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310074340.4A CN103116865B (zh) 2013-03-08 2013-03-08 一种多维度协同电网规划的方法

Publications (2)

Publication Number Publication Date
CN103116865A true CN103116865A (zh) 2013-05-22
CN103116865B CN103116865B (zh) 2016-01-13

Family

ID=48415229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310074340.4A Expired - Fee Related CN103116865B (zh) 2013-03-08 2013-03-08 一种多维度协同电网规划的方法

Country Status (1)

Country Link
CN (1) CN103116865B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984997A (zh) * 2014-05-29 2014-08-13 国家电网公司 基于gis空间信息的输电工程选址选线方法
CN104393595A (zh) * 2014-12-05 2015-03-04 华北电力大学 配电网潮流调度方法
CN104572438A (zh) * 2014-08-20 2015-04-29 国家电网公司 多变电站设备运行维护优化方法
CN104951885A (zh) * 2015-06-19 2015-09-30 国网宁夏电力公司银川供电公司 用于智能主配网信息集成和综合分析的可视化展示系统
CN107688879A (zh) * 2017-10-20 2018-02-13 云南电网有限责任公司 一种考虑源荷匹配度的主动配电网分布式电源规划方法
CN107885960A (zh) * 2017-12-07 2018-04-06 北京天润新能投资有限公司 一种基于风电场场内施工道路自动选线的土方量估算系统及估算方法
CN108628272A (zh) * 2018-06-28 2018-10-09 上海电力学院 基于成本的优选法与规划法相耦合的工艺参数优化方法
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
CN108711860A (zh) * 2018-06-13 2018-10-26 国网山东省电力公司经济技术研究院 一种基于并行计算的配电网变电站-线路联合规划方法
CN108876171A (zh) * 2018-06-28 2018-11-23 国网山东省电力公司泰安供电公司 配电网供电电源点布局与网架规划方法、装置和实现装置
CN109523089A (zh) * 2018-11-30 2019-03-26 国网西藏电力有限公司 一种用于高海拔地区配电网路径规划中的人工智能方法
CN109936136A (zh) * 2019-04-24 2019-06-25 广东电网有限责任公司 一种配电网接线线路的规划方法、装置及设备
CN110232642A (zh) * 2019-06-28 2019-09-13 国网河北省电力有限公司经济技术研究院 一种面向停电风险预防的拓扑规划与优化方法
CN110659831A (zh) * 2019-09-25 2020-01-07 国网上海市电力公司 一种基于全寿命管理周期的城市变电站通道敷设规划方法
US10635066B2 (en) 2016-12-19 2020-04-28 Kohler Co. Generator system architecture
CN111144608A (zh) * 2019-11-12 2020-05-12 国网辽宁省电力有限公司本溪供电公司 一种基于蚁群算法的配电网网架优化规划方法
CN111667381A (zh) * 2020-06-17 2020-09-15 南方电网科学研究院有限责任公司 一种输电线路走廊通信覆盖与数据传输方法
CN111860969A (zh) * 2020-06-29 2020-10-30 国家电网公司西南分部 一种基于强化学习算法的输电网扩展规划方法
CN112086958A (zh) * 2020-07-29 2020-12-15 国家电网公司西南分部 一种基于多步回溯强化学习算法的输电网扩展规划方法
CN112085280A (zh) * 2020-09-11 2020-12-15 东南大学 一种考虑地理因素的输电通道路径优化方法
CN112101668A (zh) * 2020-09-18 2020-12-18 福建永福电力设计股份有限公司 一种基于gis的中压线路自动规划方法
CN112489540A (zh) * 2020-11-23 2021-03-12 南昌工程学院 一种电力营销用电网布线模型
CN112560215A (zh) * 2020-12-25 2021-03-26 甘肃电通电力工程设计咨询有限公司 一种基于深度强化学习的电力选线方法
CN112686480A (zh) * 2021-03-17 2021-04-20 国网浙江省电力有限公司 一种基于标准成本体系的成本估算系统及方法
CN114037141A (zh) * 2021-11-04 2022-02-11 广东工业大学 一种融合电力和交通信息的供电方案优化方法
CN114217609A (zh) * 2021-11-26 2022-03-22 贵州电网有限责任公司 一种满足多约束条件的电网线路走廊带智能划分方法
CN115840794A (zh) * 2023-02-14 2023-03-24 国网山东省电力公司东营供电公司 一种基于gis和rl模型的光伏系统规划方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984997A (zh) * 2014-05-29 2014-08-13 国家电网公司 基于gis空间信息的输电工程选址选线方法
CN103984997B (zh) * 2014-05-29 2017-11-17 国家电网公司 基于gis空间信息的输电工程选址选线方法
CN104572438A (zh) * 2014-08-20 2015-04-29 国家电网公司 多变电站设备运行维护优化方法
CN104572438B (zh) * 2014-08-20 2017-11-10 国网河南省电力公司郑州供电公司 一种多变电站运维优化规划方法
CN104393595A (zh) * 2014-12-05 2015-03-04 华北电力大学 配电网潮流调度方法
CN104951885A (zh) * 2015-06-19 2015-09-30 国网宁夏电力公司银川供电公司 用于智能主配网信息集成和综合分析的可视化展示系统
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
US11227076B2 (en) 2016-01-22 2022-01-18 Biarri Networks Pty Ltd Method and system for designing an electricity distribution network
US11073808B2 (en) 2016-12-19 2021-07-27 Kohler Co. Generator system architecture
US10635066B2 (en) 2016-12-19 2020-04-28 Kohler Co. Generator system architecture
CN107688879A (zh) * 2017-10-20 2018-02-13 云南电网有限责任公司 一种考虑源荷匹配度的主动配电网分布式电源规划方法
CN107688879B (zh) * 2017-10-20 2021-07-13 云南电网有限责任公司 一种考虑源荷匹配度的主动配电网分布式电源规划方法
CN107885960A (zh) * 2017-12-07 2018-04-06 北京天润新能投资有限公司 一种基于风电场场内施工道路自动选线的土方量估算系统及估算方法
CN108711860A (zh) * 2018-06-13 2018-10-26 国网山东省电力公司经济技术研究院 一种基于并行计算的配电网变电站-线路联合规划方法
CN108628272A (zh) * 2018-06-28 2018-10-09 上海电力学院 基于成本的优选法与规划法相耦合的工艺参数优化方法
CN108876171A (zh) * 2018-06-28 2018-11-23 国网山东省电力公司泰安供电公司 配电网供电电源点布局与网架规划方法、装置和实现装置
CN109523089A (zh) * 2018-11-30 2019-03-26 国网西藏电力有限公司 一种用于高海拔地区配电网路径规划中的人工智能方法
CN109936136A (zh) * 2019-04-24 2019-06-25 广东电网有限责任公司 一种配电网接线线路的规划方法、装置及设备
CN109936136B (zh) * 2019-04-24 2023-01-31 广东电网有限责任公司 一种配电网接线线路的规划方法、装置及设备
CN110232642A (zh) * 2019-06-28 2019-09-13 国网河北省电力有限公司经济技术研究院 一种面向停电风险预防的拓扑规划与优化方法
CN110232642B (zh) * 2019-06-28 2021-07-09 国网河北省电力有限公司经济技术研究院 一种面向停电风险预防的拓扑规划与优化方法及装置
CN110659831B (zh) * 2019-09-25 2023-11-21 国网上海市电力公司 一种基于全寿命管理周期的城市变电站通道敷设规划方法
CN110659831A (zh) * 2019-09-25 2020-01-07 国网上海市电力公司 一种基于全寿命管理周期的城市变电站通道敷设规划方法
CN111144608A (zh) * 2019-11-12 2020-05-12 国网辽宁省电力有限公司本溪供电公司 一种基于蚁群算法的配电网网架优化规划方法
CN111667381B (zh) * 2020-06-17 2023-02-24 南方电网科学研究院有限责任公司 一种输电线路走廊通信覆盖与数据传输方法
CN111667381A (zh) * 2020-06-17 2020-09-15 南方电网科学研究院有限责任公司 一种输电线路走廊通信覆盖与数据传输方法
CN111860969A (zh) * 2020-06-29 2020-10-30 国家电网公司西南分部 一种基于强化学习算法的输电网扩展规划方法
CN111860969B (zh) * 2020-06-29 2023-11-28 国家电网公司西南分部 一种基于强化学习算法的输电网扩展规划方法
CN112086958A (zh) * 2020-07-29 2020-12-15 国家电网公司西南分部 一种基于多步回溯强化学习算法的输电网扩展规划方法
CN112086958B (zh) * 2020-07-29 2022-02-08 国家电网公司西南分部 一种基于多步回溯强化学习算法的输电网扩展规划方法
CN112085280A (zh) * 2020-09-11 2020-12-15 东南大学 一种考虑地理因素的输电通道路径优化方法
CN112101668B (zh) * 2020-09-18 2022-06-07 福建永福电力设计股份有限公司 一种基于gis的中压线路自动规划方法
CN112101668A (zh) * 2020-09-18 2020-12-18 福建永福电力设计股份有限公司 一种基于gis的中压线路自动规划方法
CN112489540B (zh) * 2020-11-23 2022-06-28 南昌工程学院 一种电力营销用电网布线模型
CN112489540A (zh) * 2020-11-23 2021-03-12 南昌工程学院 一种电力营销用电网布线模型
CN112560215A (zh) * 2020-12-25 2021-03-26 甘肃电通电力工程设计咨询有限公司 一种基于深度强化学习的电力选线方法
CN112686480A (zh) * 2021-03-17 2021-04-20 国网浙江省电力有限公司 一种基于标准成本体系的成本估算系统及方法
CN114037141A (zh) * 2021-11-04 2022-02-11 广东工业大学 一种融合电力和交通信息的供电方案优化方法
CN114217609A (zh) * 2021-11-26 2022-03-22 贵州电网有限责任公司 一种满足多约束条件的电网线路走廊带智能划分方法
CN115840794A (zh) * 2023-02-14 2023-03-24 国网山东省电力公司东营供电公司 一种基于gis和rl模型的光伏系统规划方法

Also Published As

Publication number Publication date
CN103116865B (zh) 2016-01-13

Similar Documents

Publication Publication Date Title
CN103116865B (zh) 一种多维度协同电网规划的方法
Liang et al. Applying genetic algorithm and ant colony optimization algorithm into marine investigation path planning model
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
CN109359350A (zh) 一种优化精细施工成本的风电场道路智能设计方法
CN107977711B (zh) 一种面向“三线”协同优化的多智能体遗传方法
Huang et al. Simulating urban growth affected by national and regional land use policies: Case study from Wuhan, China
CN110164129A (zh) 基于gernn的单交叉口多车道交通流量预测方法
Sheng et al. An optimized prediction algorithm based on XGBoost
Zeng et al. Robotic global path-planning based modified genetic algorithm and A* algorithm
Liu et al. A land-use spatial allocation model based on modified ant colony optimization
Bai et al. [Retracted] Evaluation for Development Effect of Enterprise Innovation with Neural Network from Low‐Carbon Economy
Feng et al. An optimised cellular automata model based on adaptive genetic algorithm for urban growth simulation
CN108154221B (zh) 一种面向“三线”协同优化的粒子群改进算法
Xu et al. Discrete brain storm optimization algorithm based on prior knowledge for traveling salesman problems
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
Heyns A multi-objective approach towards geospatial facility location
CN114418215A (zh) 一种基于人工智能的智慧城市输电线路规划方法
CN108199895A (zh) 一种智能卡口优化布置方法及装置
Duan et al. The path of rural industry revitalization based on improved genetic algorithm in the internet era
CN110728403B (zh) 农村中长期电网负荷预测方法
Diab et al. Recent advances in flower pollination algorithm
CN102073925A (zh) 一种基于水质水量约束的工业企业空间增长模拟实现方法
Zheng et al. Simulation of crowd emergency evacuation based on the optimal algorithm of invasive weeds
Liu et al. Research on routing optimisation of logistics distribution vehicle based on cloud model
Xu et al. A binary gridding path-planning method for plant-protecting UAVs on irregular fields

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
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: 20160113

Termination date: 20170308

CF01 Termination of patent right due to non-payment of annual fee