CN104636853A - 变电站全寿命周期成本预估方法 - Google Patents

Abstract

本发明公开了一种变电站全寿命周期成本预估方法，它基于符号动力学方法将设备品质、运维水平、施工水平、缺陷故障率、变电站结构、材料可回收性及系统环境七个变化量进行符号描述。进一步基于遗传算法，采用贝塞尔曲线进行评估，既可以分析变电站建设方案的成本分布，也可以比较不同建设方案的全寿命周期成本，为最优方案的选择提供决策支持。本发明可以实现变电站全寿命周期成本预估的综合优化，采用基于贝塞尔曲线对全寿命周期成本各部分方案的快速优化，可以提高收敛速度。

Description

变电站全寿命周期成本预估方法

技术领域

本发明涉及一种变电站全寿命周期成本预估方法，具体涉及一种基于符号动力学和遗传算法的变电站全寿命周期成本估算方法。

背景技术

变电站是电力系统中与用户直接交互的系统，其可靠性非常重要，成本建设投资也非常高。

全寿命周期成本理论，指导建设方自觉地、全面地从工程项目全生命周期出发，综合考虑项目的建造成本和使用成本(运营和维护成本)，从多个可行性方案中，按照寿命周期成本最小化、以及效能最大化的原则，选择最佳实施方案，从而实现更加科学的建设设计，更加合理的选择配套材料设备，以便在确保设计质量的前提下，实现工程项目寿命周期成本相对最小化的目标，同时实现工程项目建设的最大经济效能和最大社会效益。

变电站全寿命周期成本与其设备品质、运维水平、施工水平、缺陷故障率、变电站结构、材料可回收性及系统环境等相关，以上数据类型可能包括数值型及非数值型数据，目前尚无统一的数据描述及统一分析方法；目前变电站全寿命周期成本的计算多基于经验估算，没有基于经验数据进行更精确的估算。

发明内容

本发明所要解决的技术问题是：克服现有技术的不足，提供一种预估准确、效率高且容易实施的变电站全寿命周期成本预估方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种变电站全寿命周期成本预估方法，它对多维数据开展全寿命周期成本分析，包括以下步骤：

步骤1：利用符号动力学，基于式一将设备品质、运维水平、施工水平、缺陷故障率、变电站结构、材料可回收性及系统环境七个变化量建立符号描述时间序列；

$L_{\mathrm{div}\mathrm{ision}}(L,i)=\underset{q=1}{\overset{L}{\mathrm{\Σ}}}{n}^{L-q}S(q+i)$   式一

式一中，n为分割不同符号序列的个数；{S(1),S(2),…}为总符号序列；L为子符号序列的长度；i为沿着总符号序列分割子序列的起始序号；q是从1到L的数字；

电力系统中的全寿命周期成本管理通常定义为5级管理机制，由此可以将参数分为好，较好，中等，较差，差5个等级，为确保时间尺度比后者大两级以上，则符号序列的符号集至少为5的2倍以上；则变电站每个指标最小为符号序列{A,B,C}，最大符号序列为{M，N，O}，对应的，符号序列的序号分别为1～15；

步骤2：根据步骤一的结果，对数值型的数据采用式二进行分级计算；

$D_{\mathrm{Digit}}(i,j)=\frac{D_S(i,j)}{\frac{1}{m}\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{D}_S(i,p)}$   式二

式二中：

i为影响变电站全寿命周期成本的因素序号，j为变电站序号，m为变电站总数；

D_S(i,j)为第j个变电站第i个影响因素的值；

D_Digit(i,j)为对应的非数值型数据计算结果，为了计算其符号序列的序号D_Idx(i,j)，有式三。

  式三

在7个输入变量中，设备品质、运维水平、施工水平以及缺陷故障率有行业评分及量化标准，可以采用该方法进行计算。

变电站结构、材料可回收性及系统环境目前没有相应的行业规范，但是在实际操作过程中，都有定性的描述，是典型的非数值型数据，直接按照“好，较好，中等，较差，差5个等级”进行符号序列的选取。

步骤3：全寿命周期成本计算方法

LCC＝IC+OC+MC+DC  式四

式四为LCC的计算公式，其中：

IC：为一次投资成本，其计算依据为国家电网公司变电站造价手册，

由于是行业规范，此处不再赘述。

Bessel(β)是以容载比β为自变量的贝塞尔曲线，OC(运行成本),MC(维护成本)以及DC(报废成本)的预估公式需要根据贝塞尔曲线进行确定；

$\mathrm{Bessel}\left(\mathrm{\β}\right)=\underset{k=0}{\overset{\∞}{\mathrm{\Σ}}}\frac{{(-1)}^k}{k!\mathrm{\Γ}(n+k+1)}{\left(\frac{\mathrm{\β}}{2}\right)}^{n+2k}$   式五

式五中n为阶数，本方法中取2；

由此，有以下公式：

$\left\{\begin{array}{cc}\mathrm{OC}=(\mathrm{IC}\×4)\×\mathrm{Bessel}\left(\mathrm{\β}\right)\×\frac{{\mathrm{Life}}_{\mathrm{Actual}}}{{\mathrm{Life}}_{\mathrm{Expect}}}\×\frac{P_{\mathrm{Unit}}}{0.2}& {\mathrm{Life}}_{\mathrm{Actual}}>{\mathrm{Life}}_{\mathrm{Expect}}\\ \mathrm{OC}=(\mathrm{IC}\×4)\×\mathrm{Bessel}\left(\mathrm{\β}\right)\×(\frac{{\mathrm{Life}}_{\mathrm{Actual}}}{{\mathrm{Life}}_{\mathrm{Expect}}}\×1.1)\×\frac{P_{\mathrm{Unit}}}{0.2}& {\mathrm{Life}}_{\mathrm{Actual}}>{\mathrm{Life}}_{\mathrm{Expect}}\end{array}\right.$   式六

●贝塞尔函数控制点通过大量数据积累，选择如表1：

表1贝塞尔控制参数

Bessel(β)	1.17	0.845	0.712	0.6	0.5	0.434	0.382	0.325
									β	1.125	0.875	0.75	0.625	0.5	0.375	0.25	0.125

[0034]  ●Life_Actual是变电站实际运行的寿命(主变以及主要设备不变的情况下)，当变电站使用的实际寿命超过预期寿命后，设备由于老化，运行损耗费用会增加

●Life_Expect是变电站预期运行的寿命

●P_Unit是单位购电电价

$\left\{\begin{array}{cc}\mathrm{MC}=\frac{\mathrm{IC}}{78}\×12\×\frac{{\mathrm{Life}}_{\mathrm{Actual}}}{{\mathrm{Life}}_{\mathrm{Expect}}}& {\mathrm{Life}}_{\mathrm{Actual}}\≤{\mathrm{Life}}_{\mathrm{Expect}}\\ \mathrm{MC}\frac{\mathrm{IC}}{78}\×12\×[1+{\left(\frac{{\mathrm{Life}}_{\mathrm{Actual}}-{\mathrm{Life}}_{\mathrm{Expect}}}{{\mathrm{Life}}_{\mathrm{Expect}}}\right)}^2]& {\mathrm{Life}}_{\mathrm{Actual}}>{\mathrm{Life}}_{\mathrm{Expect}}\end{array}\right.$   式七

$\mathrm{DC}=\frac{\mathrm{IC}}{78}\×3$   式八

步骤4：遗传算法

对于交叉算子Pc，其典型取值为0.6～0.95。在本应用中需要较快找到局部极值，采用非稳态选择方式，见式九。

P_c＝0.95-(1-λ)×(0.95-0.6) ＝0.82 式九

其中，

λ为黄金分割数0.618。

而对于变异操作，变异率Pm通常取值为0.001～0.01。式十给出变异算子。

P_m＝0.01-0.009×(1-λ)＝0.006  式十

遗传算法的目标函数定义为：

$F=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{|D_S(i,p)-\frac{1}{m}\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{D}_S(i,p)|}^2$   式十一

约束函数为：

C＝Min{LCC}  式十二

步骤5：参考步骤3计算遗传算法优化后的LCC；

步骤6：在步骤5计算出所有参数后，根据以下公式判定：

  式十三

LCC_前为遗传算法执行前计算的LCC，；

步骤7：根据式十三的计算结果，如果0<E<0.15,则优化结束，否则回到步骤4继续执行遗传算法的优化；

本发明的有益效果是：1、利用符号动力学描述变电站的全寿命周期成本因素，可以对数值型及非数值型数据进行统一分析；2、采用基于遗传算法的全寿命周期成本预估多目标优化算法，可以实现变电站全寿命周期成本预估的综合优化；3、由于预估对于精度的要求不高，采用基于贝塞尔曲线对全寿命周期成本各部分方案的快速优化，可以提高收敛速度。

附图说明

图1为变电站全寿命周期成本预估方法的流程图。

具体实施方式

下面结合附1，对本发明的技术方案作进一步具体的说明。

变电站全寿命周期成本预估方法包括以下步骤：

第一步：利用符号动力学，基于式一将设备品质、运维水平、施工水平、缺陷故障率、变电站结构、材料可回收性及系统环境七个变化量建立符号描述时间序列；

$L_{\mathrm{div}\mathrm{ision}}(L,i)=\underset{q=1}{\overset{L}{\mathrm{\&Sigma;}}}{n}^{L-q}S(q+i)---\left(1\right)$

公式(1)中，n为分割不同符号序列的个数；{S(1),S(2),…}为总符号序列；L为子符号序列的长度；i为沿着总符号序列分割子序列的起始序号；q是从1到L的数字；

电力系统中的全寿命周期成本管理通常定义为5级管理机制，由此可以将参数分为好，较好，中等，较差，差5个等级，为确保时间尺度比后者大两级以上，则符号序列的符号集至少为5的2倍以上；则变电站每个指标 最小为符号序列{A,B,C}，最大符号序列为{M，N，O}，对应的，符号序列的序号分别为1～15；

第二步：根据第一步的结果，对数值型的数据采用公式(2)进行分级计算；

$D_{\mathrm{Digit}}(i,j)=\frac{D_S(i,j)}{\frac{1}{m}\underset{p=1}{\overset{m}{\mathrm{\&Sigma;}}}{D}_S(i,p)}---\left(2\right)$

公式(2)中：

i为影响变电站全寿命周期成本的因素序号，j为变电站序号，m为变电站总数；

D_S(i,j)为第j个变电站第i个影响因素的值；

D_Digit(i,j)为对应的非数值型数据计算结果，为了计算其符号序列的序号D_Idx(i,j)，有公式(3)。

在7个输入变量中，设备品质、运维水平、施工水平以及缺陷故障率有行业评分及量化标准，可以采用该方法进行计算。

变电站结构、材料可回收性及系统环境目前没有相应的行业规范，但是在实际操作过程中，都有定性的描述，是典型的非数值型数据，直接按照“好，较好，中等，较差，差5个等级”进行符号序列的选取。

第三步：全寿命周期成本计算方法

LCC＝IC+OC+MC+DC  (4)

式四为LCC的计算公式，其中：

IC：为一次投资成本，其计算依

据为国家电网公司变电站造价手册，由于是行业规范，此处不再赘述。

Bessel(β)是以容载比β为自变量的贝塞尔曲线，OC(运行成本),MC(维护成本)以及DC(报废成本)的预估公式需要根据贝塞尔曲线进行确定；

$\mathrm{Bessel}\left(\mathrm{\&beta;}\right)=\underset{k=0}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\frac{{(-1)}^k}{k!\mathrm{\&Gamma;}(n+k+1)}{\left(\frac{\mathrm{\&beta;}}{2}\right)}^{n+2k}---\left(5\right)$

公式(5)中n为阶数，本方法中取2；

由此，有以下公式：

$\left\{\begin{array}{cc}\mathrm{OC}=(\mathrm{IC}\&times;4)\&times;\mathrm{Bessel}\left(\mathrm{\&beta;}\right)\&times;\frac{{\mathrm{Life}}_{\mathrm{Actual}}}{{\mathrm{Life}}_{\mathrm{Expect}}}\&times;\frac{P_{\mathrm{Unit}}}{0.2}& {\mathrm{Life}}_{\mathrm{Actual}}>{\mathrm{Life}}_{\mathrm{Expect}}\\ \mathrm{OC}=(\mathrm{IC}\&times;4)\&times;\mathrm{Bessel}\left(\mathrm{\&beta;}\right)\&times;(\frac{{\mathrm{Life}}_{\mathrm{Actual}}}{{\mathrm{Life}}_{\mathrm{Expect}}}\&times;1.1)\&times;\frac{P_{\mathrm{Unit}}}{0.2}& {\mathrm{Life}}_{\mathrm{Actual}}>{\mathrm{Life}}_{\mathrm{Expect}}\end{array}\right.---\left(6\right)$

●贝塞尔函数控制点通过大量数据积累，选择如表1：

表1贝塞尔控制参数

Bessel(β)	1.17	0.845	0.712	0.6	0.5	0.434	0.382	0.325
									β	1.125	0.875	0.75	0.625	0.5	0.375	0.25	0.125

●Life_Actual是变电站实际运行的寿命(主变以及主要设备不变的情况下)，当变电站使用的实际寿命超过预期寿命后，设备由于老化，运行损耗费用会增加

●Life_Expect是变电站预期运行的寿命

●P_Unit是单位购电电价

$\left\{\begin{array}{cc}\mathrm{MC}=\frac{\mathrm{IC}}{78}\&times;12\&times;\frac{{\mathrm{Life}}_{\mathrm{Actual}}}{{\mathrm{Life}}_{\mathrm{Expect}}}& {\mathrm{Life}}_{\mathrm{Actual}}\&le;{\mathrm{Life}}_{\mathrm{Expect}}\\ \mathrm{MC}\frac{\mathrm{IC}}{78}\&times;12\&times;[1+{\left(\frac{{\mathrm{Life}}_{\mathrm{Actual}}-{\mathrm{Life}}_{\mathrm{Expect}}}{{\mathrm{Life}}_{\mathrm{Expect}}}\right)}^2]& {\mathrm{Life}}_{\mathrm{Actual}}>{\mathrm{Life}}_{\mathrm{Expect}}\end{array}\right.---\left(7\right)$

$\mathrm{DC}=\frac{\mathrm{IC}}{78}\&times;3---\left(8\right)$

步骤4：遗传算法

对于交叉算子Pc，其典型取值为0.6～0.95。在本应用中需要较快找到局部极值，采用非稳态选择方式，见(9)。

P_c＝0.95-(1-λ)×(0.95-0.6) ＝0.82  (9)

其中，

λ为黄金分割数0.618。

而对于变异操作，变异率Pm通常取值为0.001～0.01。(10)给出变异算子。

P_m＝0.01-0.009×(1-λ)＝0.006  (10)

遗传算法的目标函数定义为：

$F=\underset{i=1}{\overset{7}{\mathrm{\&Sigma;}}}{|D_S(i,p)-\frac{1}{m}\underset{p=1}{\overset{m}{\mathrm{\&Sigma;}}}{D}_S(i,p)|}^2---\left(11\right)$

约束函数为：

C＝Min{LCC}  (12)

步骤5：参考步骤3计算遗传算法优化后的LCC；

步骤6：在步骤5计算出所有参数后，根据以下公式判定：

LCC_前为遗传算法执行前计算的LCC，；

步骤7：根据式公式(13)的计算结果，如果0<E<0.15,则优化结束，否则回到步骤4继续执行遗传算法的优化。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种变电站全寿命周期成本预估方法，包括以下步骤：

步骤1：利用符号动力学，基于式一将设备品质、运维水平、施工水平、缺陷故障率、变电站结构、材料可回收性及系统环境七个变化量建立符号描述时间序列；

   式一

式一中，n为分割不同符号序列的个数；{S(1),S(2),…}为总符号序列；L为子符号序列的长度；i为沿着总符号序列分割子序列的起始序号；q是从1到L的数字；

步骤2：根据步骤一的结果，对数值型的数据采用式二进行分级计算；

   式二

式二中，i为影响变电站全寿命周期成本的因素序号，j为变电站序号，m为变电站总数；D_S(i,j)为第j个变电站第i个影响因素的值；

D_Digit(i,j)为对应的非数值型数据计算结果，为了计算其符号序列的序号D_Idx(i,j)，有式三，

   式三

步骤3：全寿命周期成本计算方法

LCC＝IC+OC+MC+DC   式四

式四中，IC：为一次投资成本，其计算依据为国家电网公司变电站造 价手册；

Bessel(β)是以容载比β为自变量的贝塞尔曲线，OC为运行成本，MC为维护成本以及DC为报废成本的预估公式需要根据贝塞尔曲线进行确定；

   式五

式五中n为阶数，本方法中取2；

由此，有以下公式：

   式六

贝塞尔函数控制点通过大量数据积累，

Life_Actual是变电站实际运行的寿命，当变电站使用的实际寿命超过预期寿命后，设备由于老化，运行损耗费用会增加，Life_Expect是变电站预期运行的寿命，P_Unit是单位购电电价，

   式七

   式八

步骤4：遗传算法

对于交叉算子Pc，其典型取值为0.6～0.95，在本应用中需要较快找到局部极值，采用非稳态选择方式，见式九，

P_c＝0.95-(1-λ)×(0.95-0.6)   ＝0.82

式九

其中，λ为黄金分割数0.618，

而对于变异操作，变异率Pm通常取值为0.001～0.01，式十给出变异算子，

P_m＝0.01-0.009×(1-λ)＝0.006   式十

遗传算法的目标函数定义为：

   式十一

约束函数为：

C＝Min{LCC}   式十二

步骤5：参考步骤3计算遗传算法优化后的LCC；

步骤6：在步骤5计算出所有参数后，根据以下公式判定：

   式十三

LCC_前为遗传算法执行前计算的LCC，

步骤7：根据式十三的计算结果，如果0<E<0.15,则优化结束，否则回到步骤4继续执行遗传算法的优化。

2.根据权利要求1所述的变电站全寿命周期成本预估方法，其特征在于：步骤1中，电力系统中的全寿命周期成本管理通常定义为5级管理机制，由此可以将参数分为好，较好，中等，较差，差5个等级，为确保时间尺度比后者大两级以上，则符号序列的符号集至少为5的2倍以上；则变电站每个指标最小为符号序列{A,B,C}，最大符号序列为{M，N，O}，对应的，符号序列的序号分别为1～15。

3.根据权利要求1所述的变电站全寿命周期成本预估方法，其特征在于：步骤2中，在7个输入变量中，设备品质、运维水平、施工水平以及缺陷故障率有行业评分及量化标准，可以采用该方法进行计算；变电站结构、材料可回收性及系统环境目前没有相应的行业规范，但是在实际操作过程中，都有定性的描述，是典型的非数值型数据，直接按照“好，较好，中等，较差，差5个等级”进行符号序列的选取。