CN103116865B - 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 PDFInfo
- Publication number
- CN103116865B CN103116865B CN201310074340.4A CN201310074340A CN103116865B CN 103116865 B CN103116865 B CN 103116865B CN 201310074340 A CN201310074340 A CN 201310074340A CN 103116865 B CN103116865 B CN 103116865B
- Authority
- CN
- China
- Prior art keywords
- power grid
- transformer substation
- line
- construction cost
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 claims abstract description 66
- 230000007613 environmental effect Effects 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000007704 transition Effects 0.000 claims abstract description 8
- 239000003016 pheromone Substances 0.000 claims description 22
- 241000257303 Hymenoptera Species 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003197 catalytic effect Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012850 discrimination method Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000006555 catalytic reaction Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 12
- 238000005457 optimization Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012549 training 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
- 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
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：
其中，
为目标函数；
为线路建设总成本；
为变电站建设总成本；
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(Mahalanobisdistance)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：
其中，
为目标函数；
为线路建设总成本；
为变电站建设总成本；
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。假设地图被划分为行，列，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。
（1）
其中，
下标为栅格行索引；
下标为栅格列索引；
为历史样本索引；
为栅格与历史样本之间的环境因素马氏距离；
为环境因素向量；
为第种环境因素；
为环境因素数目；
为栅格上的环境因素向量；
为第个历史样本数据中环境因素向量；
上标表示向量转置；
上标表示矩阵求逆；
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，
为目标函数，取其最小为最优；
为线路建设总成本；
为变电站建设总成本；
为电网运行网损成本；
所述的
(3)
其中，
下标为栅格行索引；
下标为栅格列索引；
下标为线路在栅格上的前进方向索引；
下标为线路类型索引；
下标为变电站类型索引；
下标为支路索引；
下标为规划年索引；
为线路型号数目；
为变电站类型数目；
为投资回收年限；
为型号线路在栅格上的综合建设成本；
为类型变电站在栅格上的综合建设成本；
为包括已有支路、候选支路和候选变电站在内的总支路数；
为候选支路数目；
为候选变电站数目；
为线路所经过的栅格及方向集合；
为变电站选中的栅格集合；
二进制变量为线路建设决策变量，当线路投建类型线路时为1，否则为0；
二进制变量为变电站决策变量，当变电站投建类型变电站时为1，否则为0；
为方向上的长度；
为年平均电价；
为最大负荷持续时间；
为类型变电站的固定损耗；
为电网可变损耗；
为年利率。
所述的线路所经过的栅格及方向集合
(4)
所述的变电站选中的栅格集合
(5)
所述模型的约束条件如下，
A、线路型号选择唯一性约束：
(6)
其中，
下标为线路类型索引；
下标为支路索引；
为线路型号数目；
二进制变量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，
下标为支路索引；
下标为变电站类型索引；
为变电站类型数目；
二进制变量为变电站决策变量。
C、功率方程等式约束：
(8)
其中，
下标和为节点索引；
为节点注入视在功率的共轭；
为总节点数目；
为节点电压的共轭；
为节点和之间互导纳；
为节点电压。
D、潮流计算等式约束：
(9)
其中，
为支路上传输的视在功率；
和分别为支路两端节点电压的共轭；
为支路导纳的共轭；
为支路始端节点电压；
E、线路和变电站电气参数计算等式约束：
(10)
其中，
下标为线路类型索引；
下标为变电站类型索引；
下标为支路索引；
为线路建设决策变量；
为变电站决策变量；
为类型线路每单位长度的导纳；
为类型变电站支路导纳；
为支路导纳；
为线路型号数目；
为变电站类型数目；
为候选支路数目；
为候选变电站数目；
为线路长度；
所述的线路长度
(11)
其中，
下标为栅格行索引；
下标为栅格列索引；
下标为线路在栅格上的前进方向索引；
下标为支路索引；
为方向上的长度；
为线路所经过的栅格及方向集合；
F、电网支路潮流限制约束：
(12)
其中，
为支路索引；
为候选变电站数目；
为候选支路数目；
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；
为支路传输的视在功率模值；
和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：
(13)
其中，
下标为节点索引；
为节点的电压模值；
和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，对应城市编号为。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。
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，
、和为城市索引；
为蚂蚁由城市转移到城市的转移概率；
为蚂蚁索引；
为路径上残留的信息量；
为路径能见度；
为能见度权重；
为禁忌表；
为路径催化素；
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，也就是和。
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，而如式(15)所示。
(15)
其中，
下标为栅格行索引；
下标为栅格列索引；
和为城市索引；
为路径能见度；
为类型变电站在栅格上的综合建设成本；
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，其中和分别如式(16)和（17）所示。
(16)
(17)
其中，
下标为栅格行索引；
下标为栅格列索引；
和为城市索引；
为路径能见度；
为路径催化素；
为型号线路在栅格上的综合建设成本；
为栅格化行数。
设线路始端和末端之间直线向量为，和之间直线向量为，和之间的夹角的为。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，
和为城市索引；
为路径上残留的信息量；
路径上的初始信息素；
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：
（19）
其中，
为适应值函数；
为目标函数；
和为罚因子；
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)。
(20)
其中，
和为城市索引；
为全局最优解的路径长度；
为信息素挥发参数；
为路径和最优路径之间的距离；
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 (2)
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：
其中，
为目标函数；
为线路建设总成本；
为变电站建设总成本；
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。
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。
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 CN103116865A (zh) | 2013-05-22 |
| CN103116865B true 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) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN104393595B (zh) * | 2014-12-05 | 2017-01-18 | 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 |
| EP3405913A4 (en) * | 2016-01-22 | 2019-06-19 | Biarri Networks Pty Ltd | METHOD AND SYSTEM FOR DESIGNING AN ELECTRICAL DISTRIBUTION NETWORK |
| US10635066B2 (en) | 2016-12-19 | 2020-04-28 | Kohler Co. | Generator system architecture |
| 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 |
| CN107885960B (zh) * | 2017-12-07 | 2023-05-19 | 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 |
| CN108711860B (zh) * | 2018-06-13 | 2020-12-01 | 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN112560215B (zh) * | 2020-12-25 | 2022-11-11 | 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 |
| CN112686480B (zh) * | 2021-03-17 | 2021-05-28 | 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 |
| CN114037141B (zh) * | 2021-11-04 | 2024-06-14 | 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 |
| CN115840794B (zh) * | 2023-02-14 | 2023-05-02 | 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)
| 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 |
-
2013
- 2013-03-08 CN CN201310074340.4A patent/CN103116865B/zh not_active Expired - Fee Related
Patent Citations (1)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103116865A (zh) | 2013-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103116865B (zh) | 一种多维度协同电网规划的方法 | |
| Feng et al. | Multi-objective quantum-behaved particle swarm optimization for economic environmental hydrothermal energy system scheduling | |
| Liang et al. | Applying genetic algorithm and ant colony optimization algorithm into marine investigation path planning model | |
| Amjadi et al. | Estimation of electricity demand of Iran using two heuristic algorithms | |
| Gavrilas | Heuristic and metaheuristic optimization techniques with application to power systems | |
| CN108664022A (zh) | 一种基于拓扑地图的机器人路径规划方法及系统 | |
| CN104462685B (zh) | 基于网格GIS和Floyd算法的输电线路设计方法 | |
| CN105512759A (zh) | 一种基于生物地理学优化算法的城市ca模型参数优化方法 | |
| CN108805349A (zh) | 一种基于改进布谷鸟算法的作物种植空间布局优化方法 | |
| CN105509749A (zh) | 基于遗传蚁群算法的移动机器人路径规划方法及系统 | |
| CN105527965A (zh) | 基于遗传蚁群算法的路径规划方法及系统 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN105527964A (zh) | 一种机器人路径规划方法 | |
| Larki et al. | Solving the multiple traveling salesman problem by a novel meta-heuristic algorithm | |
| CN109359350A (zh) | 一种优化精细施工成本的风电场道路智能设计方法 | |
| CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
| CN103473465B (zh) | 基于多目标人工免疫系统的土地资源空间布局优化方法 | |
| CN107977711B (zh) | 一种面向“三线”协同优化的多智能体遗传方法 | |
| CN107742169A (zh) | 一种基于复杂网络的城市公交网络系统构建方法及性能评估方法 | |
| CN114418215A (zh) | 一种基于人工智能的智慧城市输电线路规划方法 | |
| Zeng et al. | Robotic global path-planning based modified genetic algorithm and A* algorithm | |
| Mo et al. | Biogeography based optimization for traveling salesman problem | |
| Li et al. | Path planning algorithm on large scale terrain data based on prm with non-uniform sampling strategy | |
| Xu et al. | A binary gridding path-planning method for plant-protecting UAVs on irregular fields | |
| Zhang et al. | Research on complete coverage path planning for unmanned surface vessel |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160113 Termination date: 20170308 |