CN103279661A - 基于混合量子进化算法的变电站容量优化配置方法 - Google Patents

Abstract

本发明涉及电力系统配置技术领域。本发明公开了一种基于混合量子进化算法的变电站容量规划方法。本发明技术方案包括变电站数据收集、变电站容量配置和输出结果，其中，变电站容量配置包括如下步骤：步骤1、系统初始化；步骤2、观测种群Q(t)的状态并产生观测态种群P(t)；步骤3、对观测态种群P(t)中个体进行局部搜索；步骤4、解码得到变量优化解；步骤5、目标函数适应度评价；步骤6、保存最佳个体及相关信息；步骤7、终止条件判断；步骤8、种群更新。本发明将量子进化算法全局寻优能力强、收敛速度快和禁忌搜索算法局部搜索能力强的优点相结合，能够快速准确的获得变电站最优容量配置方案，能快速准确地获得输出结果。

Description

基于混合量子进化算法的变电站容量优化配置方法

技术领域

本发明涉及电力系统配置技术领域，特别涉及一种基于混合量子进化算法的变电站容量优化配置方法。

背景技术

变电站规划是配电网规划中的重要组成部分，其规划内容包括：变电站最优容量配置、最优变压器组合方案和变电站最优位置等，其实质是一个多约束复杂组合优化问题。作为配电网规划中不可缺少的重要组成部分，变电站容量规划结果直接影响到电力网络架构、电网投资，供电可靠性和运行经济性。近年来迅猛增长的电力需求进一步促使了城市电网的升级改造，主要的变电站电压等级将不断升级改造。因此，为了满足城市电力需求，规划好各电压等级变电站容量方案成为城市电网规划建设的重要任务。传统的规划主要以方案比较为基础，从几个可行方案中通过经济技术比较选择最优方案，由于参加比较的可行方案往往是根据规划人员的经验提出的，并不一定包括客观上的最优方案，因此传统的方法很难找到最优的方案。因此，急需一种简单高效且能找到变电站容量规划最优方案的方法，以适应现代电力网络的发展，进一步满足经济社会的快速发展和人们日益增长的电力需求。

近年来，国内外学者对变电站容量规划做了大量的研究，提出了许多方法。这些方法大致可以分成两类：一类是基于运筹学的规划方法，这类方法出现的较早如线性整数规划，最小路径法，分支定界法等，这类方法对寻找变电站规划最优方案这类问题有一定的局限性，当实际问题的规模较大时，这些方法计算速度慢且很难找到最优方案；另一类是基于智能优化算法的规划方法，包括模拟退火、参数自适应微分算法、遗传算法、贪心算法、粒子群算法等。与前面基于运筹学的规划方法相比，这类方法能很好地适用于变电站容量规划问题的求解，现已成为学者们的研究热点。

目前，进化算法用于求解变电站规划这一组合优化问题已成为该领域主要研究方向，而现有优化方法在保证算法收敛性和性能的前提下找到最优解仍然存在一些不足，从而很难提出最理想的规划方案。因此，为了解决现有算法的技术难点，提出一种高效的变电站容量规划方法具有十分重要的意义。本发明通过将量子进化算法全局寻优能力强、收敛速度快和禁忌搜索算法局部搜索能力强的优点相结合，提出了一种混合量子进化算法(HQIEA)，该方法能有效处理复杂的组合优化问题，能利用已有的变电站数学规划模型快速准确的获得变电站最优容量配置方案。

发明内容

本发明所要解决的技术问题，就是提供一种基于混合量子进化算法的变电站容量规划方法，能快速准确地获得输出结果，并且能够达到投资最省，运行经济及供电可靠的规划优化目标。

本发明为解决所述技术问题，所采用的技术方案是，基于混合量子进化算法的变电站容量优化配置方法，包括变电站数据收集、变电站容量配置和输出结果，其特征在于，变电站容量配置包括如下步骤：

步骤1、系统初始化

根据变电站容量规划中需要优化的变量建立种群Q(t)；

步骤2、观测种群Q(t)的状态并产生观测态种群P(t)

对种群Q(t)进行观测，得到观测态种群P(t)；

步骤3、对观测态种群P(t)中个体进行局部搜索

运用禁忌搜索方法对观测态种群P(t)中个体进行局部搜索，得到新种群P'(t)；

步骤4、解码得到变量优化解

根据变量种群个体编码中有多少位“1”，则变量取多大数值；

步骤5、目标函数适应度评价

将解码得到的变量数值代入目标函数中；

步骤6、保存最佳个体及相关信息

将新种群P'(t)中的最佳个体及最佳个体解码的变电站最优配置方案进行保存；

步骤7、终止条件判断

判断迭代次数t是否达到预先设定的数目，是则结束程序，否则继续下一步；

步骤8、种群更新

迭代次数t=t+1,利用量子门进行更新种群，并转步骤2。

具体的，步骤1中，变电站数据包括待规划区域变电站参数数据、供电量数据和负荷历史统计数据。

具体的，步骤7中，迭代次数t预先设定的数目为1000。

具体的，步骤1中，变电站容量规划中需要优化的变量包括变电站数量n_s，单个变电站中变压器台数n_t，变压器额定容量S_nt以及单台变压器出线回路数M₂。

更具体的，变电站数量n_s和单台变压器出线回路数M₂都用10个量子位表示，单个变电站中变压器台数n_t和变压器额定容量S_nt都用4个量子位表示。

本发明的有益效果是，具有处理复杂变电站规划问题的能力。本发明将量子进化算法全局寻优能力强、收敛速度快和禁忌搜索算法局部搜索能力强的优点相结合，能有效处理复杂的组合优化问题，并能够快速准确的获得变电站最优容量配置方案。根据本发明得到的变电站最优容量配置方案比传统方法得出的方案更经济可靠。由于智能优化算法的运用，变电站规划的各个参数指标在理论上获得了最优解，能大大的节约经济成本和提高供电的可靠性。应用前景好。本发明应用于城市电网变电站升级改造规划中，能够满足城市电力需求及未来智能电网发展要求。

附图说明

图1是本发明流程图。

具体实施方式

下面结合附图及实施例对本发明的技术方案进行详细描述。

本发明基于混合量子进化算法的变电站容量优化配置方法，具体步骤如图1所示，包括：

一、变电站数据收集

在本步骤中，变电站数据搜集包括待规划区域变电站参数、供电量和负荷历史统计数据。

二、变电站容量配置

本发明采用基于混合量子进化算法的变电站容量配置方法，该方法的具体实施方式如下：

(a)系统初始化

令进化代数t=0，初始化种群Q(t)。种群中染色体数量为n,其中任意一个染色体

为:

$q_i^t=\left[\begin{array}{c}{\mathrm{\α}}_{i,1}^t\\ {\mathrm{\β}}_{i,1}^t\end{array}\left|\begin{array}{c}{\mathrm{\α}}_{i,2}^t\\ {\mathrm{\β}}_{i,2}^t\end{array}\right|\·\·\·\left|\begin{array}{c}{\mathrm{\α}}_{i,m}^t\\ {\mathrm{\β}}_{i,m}^t\end{array}\right.\right]---\left(1\right)$

其中m是量子位数目，即量子染色体长度。本发明中4个需要优化的变量为n_s,n_t,S_nt和M₂，其中n_s和M₂都用10个量子位表示，n_t和S_nt都用4个量子位表示，其量子染色体如式(2)所示，其中和都取

表示在初始搜索时所有状态以相同概率叠加

(b)观测种群Q(t)的状态并产生观测态种群P(t)

对种群Q(t)进行观测，得到观测态种群P(t)。观测态种群P(t)的形式如下所示：

$P\left(t\right)=\{x_1^t,x_2^t,...,x_n^t\}---\left(3\right)$

式中t为迭代次数，观测态个体即种群个体

是长度为m的二进制串，即

b_i(i=1,2,...,m)就是一个通过观测过程得到的二进制位，对于量子染色体中的每个量子位，先由计算机随机产生一个处于[0,1]区间的随机数，然后比较其与|α|²的大小，如果随机数小于|α|²，那么这个量子位的观测态就是“1”，否则就是“0。

(c)对观测态种群P(t)中个体进行局部搜索

运用禁忌搜索方法对观测态种群P(t)中个体进行局部搜索，得到新种群P'(t)。对个体

进行局部搜索进一步提高解的精度和质量，具体过程如下：

(i)将个体

作为TS的初始可行解。建立禁忌表，计算

的适应度值

并进行

f(x_best)=f(x₀)将

加入到禁忌表中。适应度函数将在步骤(e)适应度评价中进行说明。

(ii)从当前解

的邻域

中产生若干邻域解，并从中确定若干候选解，分别计算出候选解的适应度值。

(iii)确定适应度值最优的候选解其适应度值为

(iv)判断候选解是否满足藐视准则，即其适应度值是否优于当前最优状态f(x_best)，若优于当前最优状态则无视候选解

是否处于禁忌状态，都将候选解

作为新的当前解，且执行操作

同时将

加入禁忌表，修改禁忌表其余禁忌对象的任期。若不满足则继续以下步骤。

(v)判断所有候选解的禁忌特性，从所有处于非禁忌状态的候选解中选出目标函数值最优的候选解x*，将其替代当前解即

同时将x*加入禁忌表并修改禁忌表其余禁忌对象的任期。然后继续以下步骤。

(vi)判断算法是否满足禁忌搜索终止条件，若满足则禁忌搜索结束，若不满足则转入步骤(ii)。

(d)解码得到变量优化解

解码方式为：当表示优化变量的种群个体有多少位“1”时，则优化变量取多大数值。例如n_s在种群个体中占有十位编码，当该个体十位编码中有4位是“1”，则n_s值为4。

(e)目标函数适应度评价

本发明把变电站及配电网络近似投资和年运行费用最小作为目标函数，并且在目标函数最小的情况下将解码得到的优化变量解代入目标函数中计算确定待建变电站数量、变电站容量及主变出线数，因此规划问题的目标函数如下：

min C=F+W

s.t.  n_s∈Z⁺

n_t∈An_t

S_nt∈As_nt

M∈A_m

n_ca=Mn_t-n_max        (4)

$\frac{\mathrm{\πR}}{{\mathrm{Mn}}_t}\≤R_v$

$K_{c\min }\≤\frac{n_s{n}_t{S}_{\mathrm{nt}}}{P}\≤K_{c\max }$

式中：W是网络建设费，其值由式(5)确定；F是网络运行损耗费，其值由式(13)确定；n_s是变电站数量；n_t和S_nt分别是单座变电站中变压器的台数和额定容量；An_t和As_nt分别是变压器台数的侯选集合和额定容量的候选集合；A_m是单台变压器可拥有的出线回路数的侯选集合；M是单台变压器拥有的出线回路数；n_max和n_ca分别是1座变电站的低压侧出线中的架空线数和电缆数；R和R_V分别是变电站高压侧和低压配电网的供电半径约束条件；K_cmin和K_cmax分别是变电站的最大容载比和最小容载比；P是总负荷。

网络建设费用W包含了变电站线路投资W₁、低压配电网络投资W₂、变电站投资W_s三部分

W=W₁+W₂+W_s   (5)

其中，变电站投资W_s包含安装工程费，建筑工程费及设备购置费三者之和W_s1与征地费W_s2。那么变电站投资W_s可表示成

W_s=n_s(W_s1+W_s2)    (6)

式(5)中，变电站进线投资W₁表示成

W₁=(c₀+c₁(s₁))L₁M₁n_s   (7)

其中c₀是与导线截面积s₁无关的每公里的投资费用。s₁为架空线路的截面积，则c₁(s₁)是与导线截面积s₁相关的每公里的投资费用。M₁为单个变电站的进线回路数。L₁是线路长度，可以通过变电站数量n_s与变电站供电范围半径R来求得：

$L_1=\left\{\begin{array}{c}0,n_s=1\\ \frac{\mathrm{BR}}{\sin (\mathrm{\π}/n_s)},n_s>1\end{array}\right.---\left(8\right)$

其中B是地形修正系数，R可以表示为

$R=\sqrt{\frac{P}{\mathrm{\π\σ}{n}_s}}---\left(9\right)$

其中σ是负荷密度，P是总负荷。

式(7)中M₁可由该变电站中变压器台数n_t求得，如下所示:

$M_1=\left\{\begin{array}{cc}2& ,n_t=2\\ 3& ,n_t=3\\ 3& ,n_t=4\end{array}\right.---\left(10\right)$

式(5)中低压配电网建设投资W₂表示成

W₂=(c₂+c₃(s₂))L₂M₁n_sn_t   (11)

其中c₂是与导线截面积s₂无关的每公里的投资费用；s₂为架空线路的截面积；c₃(s₂)是与导线截面积s₂相关的每公里的投资费用；L₂是配电网线路长度，同样可以通过变电站供电半径R来求得：

L₂=BR    (12)

在式(4)中，网络运行损耗费F包含变电站的年电能损耗费Z_T、架空线路损耗费Z₁、低压配电网线路损耗费Z₂以及折旧费Z_z四部分，网络运行损耗费F可表示

F=Z_T+Z₁+Z₂+Z_z   (13)

式(13)中折旧费Z_z主要与网络中固定费用的投资有关，可以表示为

Z_z=(α_sW_s+α₁W₁+α₂W₂)β   (14)

其中α₁和α₂分别是变电站与低压配电网线路折旧率；α_s是变电站折旧率；β是折现系数，可由网络运行年限n和年利率i求得：

$\mathrm{\β}=\frac{{(1+i)}^2-1}{i{(1+i)}^n}---\left(15\right)$

式(13)中架空线路损耗费Z₁可表示成：

Z₁=P₁tqβ   (16)

其中q是电价；t是网络最大负荷运行时间；P₁是架空线路有功损耗，可表示为

其中U_N1为变压器高压侧额定电压，是功率因数，一般取0.9，r₁是架空线路单位电阻，k_u是负荷分布不均匀系数，是为平衡数学模型跟实际负荷分布不均匀的差异而选取的。

式(13)中低压配电网线路损耗费Z₂则表示成

Z₂=P₂tqβ   (18)

其中,P₂是低压配电网线路的有功损耗，可以通过下式计算出来：

其中U_N2是变压器低压侧额定电压，r₂是线路单位电阻。

式(13)中变电站的年电能损耗费Z_T表示成：

其中p₀、p_k分别是变压器的空载损耗和短路损耗，T是变压器年运行时间。

(f)保存最佳个体及相关信息

本步骤中将新种群P'(t)中的最佳个体及最佳个体解码的变电站最优配置方案进行保存。

(g)终止条件判断

判断迭代次数t是否达到预先设定的数目，若达到则结束程序，否则继续下一步。

(h)种群更新

迭代次数t=t+1，利用量子门更新种群，并转步骤(b)。本发明中采用的量子门如下：

$U\left({\mathrm{\θ}}_i\right)=\left[\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right]---\left(21\right)$

上式中θ_i的符号和大小将决定算法的性能。

量子门更新过程如式(22)所示：

$\left[\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right]=U\left({\mathrm{\θ}}_i\right)\left[\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right]---\left(22\right)$

上式中(α_i,β_i)^T是某一量子染色体中第i个量子比特，而(α_i',β_i')^T为该量子比特(α_i,β_i)^T更新后的新量子比特。

三、输出结果

输出结果包括变电站数量n_s，单个变电站中变压器台数n_t，变压器额定容量S_nt以及单台变压器出线回路数M₂。

实施例

下面以某地区实际110kV变电站容量规划为例对本发明的技术方案阐述如下：

某县地处平原，境内原有一座220kV变电站A，其变电容量为300MVA，供应2座110kV变电站和3座35kV变电站的负荷。110kV变电站变电容量分别是51.5MVA和80MVA，35KV变电站的变电容量分别是14.3MVA、5MVA和6.3MVA。随着近年来电力需求激增，已满足不了日益增长的负荷需求，电网亟需升级改造，为此已新建一座220kV变电站B，变电容量为540MVA。本发明要解决的优化问题为该县110kV变电站的选址容量规划优化，规划以2010年为用电负荷基础年，2015年为用电负荷目标年，变电站运行年限n为20年。根据流程图1所示，需要采取如下步骤：

一、变电站数据收集

本步骤中，变电站数据包括待规划区域变电站参数、供电量和负荷历史统计数据。具体的数据见表1-5所示。

参照《城市电力规划规范》，110kV变电站用地标准如表1所示：

表1变电站规划用地面积

本发明主要采用户外型变电站，当变电站有4台主变时，用地以5500m²计算,其余的投资费用如征地费、建筑工程费、设备购置费、安装工程费等均参照《国家电网公司输变电工程通用造价110kV变电站分册》中取值。

式(4)中，各项参数取值见表2和表3。

表2参数取值

式(8),(12),(14)～(20)中各项系数取值见表3。

表3各项系数取值

B	as	a1	a2	i	n	ku	q(元/KWh)	T
									1.3	10%	6%	6%	4.65%	20	1.2	0.5	8000

总负荷P可通过220kV变电站变电容量和该电站的容载比（容载比取1.8）求出。变压器空载损耗和短路损耗见表4，110kV架空线单位电阻及截面积见表5。负荷密度σ的确定：以该县的供电量和供电负荷历史统计数据为基础，结合近年新增工业用电快速增长趋势，分析预测得出该县城镇负荷密度σ于2015年将达到10MW/km²。

表4S10系列三绕组无励磁调压电力变压器产品技术参数

表5架空线路的电阻和电抗值(Ω/km)

导线型号	r	x(6kV)	x(10kV)	x(35kV)	x(110kV)
						LGJ-16/3	1.969	0.414	0.414
LGJ-25/4	1.260	0.399	0.399
						LGJ-35/6	0.900	0.389	0.389	0.433
LGJ-50/8	0.630	0.379	0.379	0.423	0.452
						LGJ-70/10	0.450	0.368	0.368	0.412	0.441
LGJ-95/20	0.332	0.356	0.356	0.400	0.429
						LGJ-120/25	0.223	0.348	0.348	0.392	0.421
LGJ-150/25	0.210			0.387	0.416
						LGJ-185/30	0.170			0.380	0.410
LGJ-210/35	0.150			0.376	0.405
						LGJ-240/40	0.131			0.372	0.401
LGJ-300/40	0.105			0.365	0.395
						LGJ-400/50	0.079				0.386

二、变电站容量配置

本发明采用基于混合量子进化算法的变电站容量规划方法，具体步骤如下：

(a)系统初始化

本发明中110kV变电站容量规划中有4个需要优化的变量n_s,n_t,S_nt和M₂，表示如下：

(b)观测种群Q(t)的状态并产生观测态种群P(t)；

(c)对观测态种群P(t)中个体进行局部搜索

运用禁忌搜索方法对观测态种群P(t)中个体进行局部搜索，得到新种群P'(t)。

(d)解码得到变量优化解

解码方式为：当表示优化变量的种群个体有多少位“1”时，则优化变量取多大数值。例如n_s在种群个体中占有十位编码，当该个体十位编码中有4位是“1”，则n_s值为4。

(e)目标函数适应度评价

将解码的变量数值代入目标函数中，即计算公式(1)的数值。

(f)保存最佳个体及相关信息

本步骤中将新种群P'(t)中的最佳个体及最佳个体解码的变电站最优配置方案进行保存。

(g)终止条件判断

判断迭代次数t是否达到预先设定的数目，若达到则结束程序，优化过程结束，否则继续下一步；本发明中，预先设定的迭代次数为1000。

(h)种群更新

迭代次数t=t+1，利用量子门进行更新种群，并转步骤(b)。

三、输出结果

输出结果包括变电站数量n_s，单个变电站中变压器台数n_t，变压器额定容量S_nt以及单台变压器出线回路数M₂。

本发明基于混合量子进化算法(HQIEA)得到的变电站容量优化配置输出结果，与现有技术自适应遗传算法(AGA)最优容量配置方案输出结果对比如表6和表7所示。

表6电站A的规划结果

表7电站B的规划结果

从表中可以看出，本发明的方法相对于已有自适应遗传算法(AGA)可以节约大概4000万元的建设成本，并且通过实际的勘测，本发明110kV变电站最优容量规划方案即110kV变电站数量和主变容量及主变出线回数合理可行，其10kV配电网络以变电站为中心近似为辐射状分布在电站供电范围内，主变出线回数即为10kV主干线数，该结果能满足该地区增长的负荷需求且符合近年来该地区110kV变电站建设趋势，达到了投资最省，运行经济及供电可靠的规划优化目标，对其电网中的建设有重要价值。

Claims (5)

1.基于混合量子进化算法的变电站容量优化配置方法，包括变电站数据收集、变电站容量配置和输出结果，其特征在于，所述变电站容量配置包括如下步骤：

步骤1、系统初始化

根据变电站容量规划中需要优化的变量建立种群Q(t)；

步骤2、观测种群Q(t)的状态并产生观测态种群P(t)

对种群Q(t)进行观测，得到观测态种群P(t)；

步骤3、对观测态种群P(t)中个体进行局部搜索

运用禁忌搜索方法对观测态种群P(t)中个体进行局部搜索，得到新种群P'(t)；

步骤4、解码得到变量优化解

根据变量种群个体编码中有多少位“1”，则变量取多大数值；

步骤5、目标函数适应度评价

将解码得到的变量数值代入目标函数中；

步骤6、保存最佳个体及相关信息

将新种群P'(t)中的最佳个体及最佳个体解码的变电站最优配置方案进行保存；

步骤7、终止条件判断

判断迭代次数t是否达到预先设定的数目，是则结束程序，否则继续下一步；

步骤8、种群更新

迭代次数t=t+1,利用量子门进行更新种群，并转步骤2。

2.根据权利要求1所述的基于混合量子进化算法的变电站容量优化配置方法，其特征在于，步骤1中，变电站数据包括待规划区域变电站参数数据、供电量数据和负荷历史统计数据。

3.根据权利要求1所述的基于混合量子进化算法的变电站容量优化配置方法，其特征在于，步骤7中，迭代次数t预先设定的数目为1000。

4.根据权利要求1～3所述的基于混合量子进化算法的变电站容量优化配置方法，其特征在于，步骤1中，变电站容量规划中需要优化的变量包括变电站数量n_s，单个变电站中变压器台数n_t，变压器额定容量S_nt以及单台变压器出线回路数M₂。

5.根据权利要求4所述的基于混合量子进化算法的变电站容量优化配置方法，其特征在于，变电站数量n_s和单台变压器出线回路数M₂都用10个量子位表示，单个变电站中变压器台数n_t和变压器额定容量S_nt都用4个量子位表示。

Images