CN106815660B - 基于模拟退火算法的用户负荷组合优化方法 - Google Patents

基于模拟退火算法的用户负荷组合优化方法 Download PDF

Info

Publication number
CN106815660B
CN106815660B CN201710049133.1A CN201710049133A CN106815660B CN 106815660 B CN106815660 B CN 106815660B CN 201710049133 A CN201710049133 A CN 201710049133A CN 106815660 B CN106815660 B CN 106815660B
Authority
CN
China
Prior art keywords
load
transformer
user
max
optimization
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.)
Active
Application number
CN201710049133.1A
Other languages
English (en)
Other versions
CN106815660A (zh
Inventor
王颖
程天石
胡杰
徐璐
陶秋岑
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201710049133.1A priority Critical patent/CN106815660B/zh
Publication of CN106815660A publication Critical patent/CN106815660A/zh
Application granted granted Critical
Publication of CN106815660B publication Critical patent/CN106815660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Abstract

本发明提供了一种基于模拟退火算法的用户负荷组合优化方法，通过分析各个行业用户负荷的特性，基于电力用户负荷特性模型，提出了以变压器负载的峰谷差率和平均负载率综合最优为优化目标的用户负荷组合优化模型，并基于模拟退火算法实现了组合优化算法，用于规划求解较为合理的用户负荷接入方案。可以在进行配电网规划和用户业扩报装时提供数据支撑，辅助负荷接入的决策，提高变电站的利用率，均衡各变压器负载率，同时减小峰谷差，从而提高配电网运行的经济学和可靠性。

Description

基于模拟退火算法的用户负荷组合优化方法
技术领域
本发明是基于行业用电特性深度挖掘的用户报装容量的饱和度分析，具体来说就是，基于模拟退火算法的用户负荷组合优化。
背景技术
随着社会经济的持续发展，用户用电需求不断增长，用户报装容量增长迅猛，部分房地产项目、大型商业项目的单个项目报装容量即达到新建变电站的要求，使得我国新建变电站规模一直处于较高水平。但另一方面，电网容载比仍略高于导则规定要求，变电站利用效率不高，主变容量未能得到充分释放，部分变电站间隔已开放完毕却长期处于轻载运行状态。实际上，许多用户目前的报装容量远超实际负荷，造成变电站供电方案相对较为粗放，变电站出线间隔利用率过低。我们将对实际负荷与报装容量之间存在的差异进行分析，研究电力负荷的发展趋势，为未来业扩报装的合理定容提供指导。
模拟退火算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法，它是从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优，目前已在工程中得到了广泛应用。模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。
发明内容
发明目的：本发明所要解决的技术问题是：
1、电力用户的负荷随时间变化的特性具有一定规律，需要有一定的指标来分析不同电力用户的负荷特性；
2、根据大量用户近几年的实际负荷发展状况分析不同行业的用电趋势分析行业，为用户报装容量提供指导；
3、我们的项目目的是要使得日负荷曲线更加平缓，从而来提高变电站利用率和电网经济性及稳定性。
技术方案：
基于模拟退火算法的用户负荷组合优化方法，包括步骤：
步骤1：对日负荷进行处理并进行聚类分析，得到不同用户类型的日负荷曲线；
步骤2：建立组合优化模型：
MinF＝c1·Max({f})+c2·Max({|L1-L0|})
其中，c1和c2为权重系数，{f}为各变压器负荷峰谷差率的集合，L1为各变压器平均负载率，L0为变压器的理想运行负载率，{|L1-L0|}为变压器平均负载率与理想负载率偏差绝对值的集合；
约束条件包括：
(1)容量约束：lmax＜Smax；
(2)最大和最小接入量约束：
Figure GDA0002961334470000021
Hij表示第i个变压器与第j个用户是否有连接，数值为0或1，j表示第j个用户，m表示用户总量，hmin和hmax表示变压器上接入用户的数量的最小值和最大值；
(3)用户负荷的可移动性约束：配电网系统中有些重要负荷和大用户不宜移动，此类用户设置为不参与优化；在优化过程中，忽略网络结构的影响及无功损耗；
步骤3：采用模拟退火算法求解组合优化模型，得到用户负荷组合优化结果。
所述步骤1中具体为：以日负荷数据为样本，先用spss编程，对数据进行筛选，剔除错误数据，得到初步的数据；再采用K-means聚类算法，将日负荷数据进行聚类分析。
所述步骤3中的模拟退火算法具体为：包括步骤：
a、初始化负荷数据及退火温度；随机生成矩阵H作为系统的初始状态记为w1，并计算目标函数值g(w1)；
b、对初始状态w1扰动产生新解w2并计算目标函数值g(w2)；
c、计算dU＝g(w2)-g(w1)并判断dU<0是否成立；若成立，则接受新解，w1＝w2，g(w1)＝g(w2)；否则按Metropolis准则接受新解；
d、判断是否达成迭代次数；若是，则判断是否满足终止条件；否则返回步骤b；
e、若满足终止条件，则结束算法，得到最优解；否则缓慢降低温度，重置迭代次数并返回步骤b。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
通过对行业用户负荷特性的研究，证明了基于用户负荷波动的“互补性”进行负荷组合优化是可行的。可以为电网规划建设提供更好的科学指导，提高了电网建设、运行的经济性和可靠性。
附图说明
图1为日负荷数据的聚类结果。
图2为模拟退火算法的程序流程图。
图3为算例中的待优化的变压器负载组合。
图4为算例中优化后的变压器负载组合。
具体实施方式
下面结合附图对本发明作更进一步的说明。
1、负荷数据分析
以南京某市的日负荷数据为样本，先用spss编程，对数据进行筛选，剔除错误数据，并对一些必要数据进行补充，得到初步的数据。再采用K-means聚类算法，将日负荷数据进行聚类分析。将所有的用户分成五类，不同的聚类结果体现了不同用户类型的日负荷曲线特点，聚类结果如图1所示。
负荷的分配，实际上就是这5种类型负荷曲线排列组合。
2、基于用户负荷波动特性的组合优化模型
2.1配电网系统的建立与描述
假设有一n个变压器的配电网系统，系统包含m个用户负荷。现需要将这m个用户接入配电网系统，并使变压器负载的峰谷差率达到最小，变压器的平均负载率达到理想运行负载率。
m个用户接入配电网系统的接入方法可以用变压器和用户之间连接关系矩阵H表示，矩阵H是一个的矩阵，矩阵元素的值为0或1。0表示第i个变压器与第j个用户之间无连接，1则表示有连接。改变矩阵H即可改变负荷接入系统的方式，同时会导致变压器负载的峰谷差率和变压器的平均负载率发生变化。
其中，变压器峰谷差率的表达式为：
Figure GDA0002961334470000031
式中：lmax和lmin分别表示变压器上所有日负荷曲线叠加后得到的最大值和最小值。
变压器平均负载率的表达式为：
Figure GDA0002961334470000041
式中：lave表示变压器上所有日负荷曲线叠加后计算得出的平均值，Smax表示变压器的最大容量。
2.2组合优化模型的建立
模型的优化目标为变压器负载峰谷差率和平均负载率的综合最优，所以我们实际上要建立的是一个多目标的优化模型，其优化目标函数可表示为：
MinF＝c1·Max({f})+c2·Max({|L1-L0|}) (3)
式中：c1和c2为权重系数，{f}为各变压器负荷峰谷差率的集合，L1为各变压器平均负载率，L0为变压器的理想运行负载率，{|L1-L0|}为变压器平均负载率与理想负载率偏差绝对值的集合，F为系统中变压器个数。
目标函数需满足的约束条件如下：
(1)容量约束
变压器上所有日负荷曲线叠加后得到的最大值需小于变压器的最大容量：
lmax＜Smax (4)
(2)最大和最小接入量约束
变压器上接入用户的数量应在最大值与最小值之间：
Figure GDA0002961334470000042
Hij表示变压器上接入用户的数量，hmin和hmax表示变压器上接入用户的数量的最小值和最大值；
(3)用户负荷的可移动性约束
配电网系统中有些重要负荷和大用户不宜移动，此类用户可设置为不参与优化。在优化过程中，忽略网络结构的影响及无功损耗。
2.3模型求解
2.3.1模拟退火算法
采用了模拟退火算法对用户负荷的组合优化问题进行求解。此算法模拟了晶体退火过程，将目标函数类比于晶体的内能。
在晶体的退火过程中，熔化的固体会现在一定的温度T下达到热平衡状态，而后固体的温度会缓慢地降低，固体的能量也随之降低，并在每个温度下保持一定的时间，最后形成晶体。
类似的，模拟退火算法在算法运行过程的每一步中会对控制变量进行微小的改变(本文中既是对变压器和用户之间连接关系矩阵H进行改变)，然后对目标函数值进行重新计算，得到目标函数的改变量。通过包含波尔曼算子的判别式做出判断：
exp(ΔG/T)＞P (6)
式中：ΔG是波尔曼算子，T是等效的系统温度，P是在区间(0,1)上均匀分布的随机数。
若上式成立，则认可矩阵H的这一改变，否则不认可。接着，对系统进行重复的修正与计算，直到获得最优解为止。
2.3.2计算步骤
变压器和用户之间连接关系矩阵H作为算法中的控制变量，目标函数作为内能E，等效的系统温度T作为控制参数控制算法的模拟时间。则算法的步骤如图2所示，包括步骤：
a、初始化负荷数据及退火温度；随机生成矩阵H作为系统的初始状态记为w1，并计算目标函数值g(w1)；
b、扰动产生新解w2并计算目标函数值g(w2)；
c、计算dU＝g(w2)-g(w1)并判断dU<0是否成立；若成立，则接受新解，w1＝w2，g(w1)＝g(w2)；否则按Metropolis准则即式(6)接受新解；
d、判断是否达成迭代次数；若是，则判断是否满足终止条件；否则返回步骤b；
e、若满足终止条件，则结束算法，得到最优解；否则缓慢降低温度，重置迭代次数并返回步骤b。
3、算例分析
以吴江市60个行业用户典型日负荷曲线为用户负荷样本。
大部分用户负荷的容量都很小，而有少数大用电客户。各个用户的负荷特性各不相同。由ABC三台变压器供给这些负荷，每个变压器输送容量为20MW，初始的变压器负载情况如表1：
表1待优化的变压器负载组合
Figure GDA0002961334470000061
如图3所示。
通过我们的优化算法的计算，得到了优化的用户负荷组合，新组合下的变压器负载情况如表2所示：
表2优化后的变压器负载组合
Figure GDA0002961334470000062
图4优化后的变压器负载组合。如图4所示，A、B、C整体来看，三者负荷率都要比优化之前均衡得多，靠近我们设定的最佳负荷率65％，峰谷差率也减小了，证明算法是有效的。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.基于模拟退火算法的用户负荷组合优化方法，其特征在于：包括步骤：
步骤1：对日负荷进行处理并进行聚类分析，得到不同用户类型的日负荷曲线；
步骤2：建立组合优化模型：
MinF＝c1·Max({f})+c2·Max({|L1-L0|})
其中，c1和c2为权重系数，{f}为各变压器负荷峰谷差率的集合，L1为各变压器平均负载率，L0为变压器的理想运行负载率，{|L1-L0|}为变压器平均负载率与理想负载率偏差绝对值的集合；
约束条件包括：
(1)容量约束：lmax＜Smax；其中，lmax表示变压器上所有日负荷曲线叠加后得到的最大值，Smax表示变压器的最大容量；
(2)最大和最小接入量约束：
Figure FDA0002961334460000011
j表示第j个用户，Hij表示第i个变压器与第j个用户是否有连接，数值为0或1，m表示用户总量，hmin和hmax表示变压器上接入用户的数量的最小值和最大值；
(3)用户负荷的可移动性约束：配电网系统中有些重要负荷和大用户不宜移动，此类用户设置为不参与优化；在优化过程中，忽略网络结构的影响及无功损耗；
步骤3：采用模拟退火算法求解组合优化模型，得到用户负荷组合优化结果；包括步骤：
a、初始化负荷数据及退火温度；随机生成矩阵H作为系统的初始状态记为w1，并计算目标函数值g(w1)；
b、对初始状态w1扰动产生新解w2并计算目标函数值g(w2)；
c、计算dU＝g(w2)-g(w1)并判断dU<0是否成立；若成立，则接受新解，w1＝w2，g(w1)＝g(w2)；否则按Metropolis准则接受新解；
d、判断是否达成迭代次数；若是，则判断是否满足终止条件；否则返回步骤b；
e、若满足终止条件，则结束算法，得到最优解；否则缓慢降低温度至预先设定的阈值温度，重置迭代次数并返回步骤b。
2.根据权利要求1所述的用户负荷组合优化方法，其特征在于：所述步骤1中具体为：以日负荷数据为样本，先用spss编程，对数据进行筛选，剔除错误数据，得到初步的数据；再采用K-means聚类算法，将日负荷数据进行聚类分析。
CN201710049133.1A 2017-01-23 2017-01-23 基于模拟退火算法的用户负荷组合优化方法 Active CN106815660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710049133.1A CN106815660B (zh) 2017-01-23 2017-01-23 基于模拟退火算法的用户负荷组合优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710049133.1A CN106815660B (zh) 2017-01-23 2017-01-23 基于模拟退火算法的用户负荷组合优化方法

Publications (2)

Publication Number Publication Date
CN106815660A CN106815660A (zh) 2017-06-09
CN106815660B true CN106815660B (zh) 2021-05-04

Family

ID=59112185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710049133.1A Active CN106815660B (zh) 2017-01-23 2017-01-23 基于模拟退火算法的用户负荷组合优化方法

Country Status (1)

Country Link
CN (1) CN106815660B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508829A (zh) * 2018-11-15 2019-03-22 南方电网科学研究院有限责任公司 多场景用户负荷组合优化方法、装置、设备及存储介质
CN109738808B (zh) * 2019-01-03 2021-02-19 温州大学 基于模拟退火算法优化后的bp神经网络来估算soc的方法
CN109657884B (zh) * 2019-02-15 2023-01-13 广东电网有限责任公司 电网供电优化方法、装置、设备和计算机可读存储介质
CN109754129A (zh) * 2019-02-21 2019-05-14 清华大学 电力负荷组团供电方案优化方法及优化装置
CN112580886A (zh) * 2020-12-25 2021-03-30 苏州智方电力设计有限公司 一种基于人工智能电网线路规划方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103001259A (zh) * 2012-12-29 2013-03-27 南方电网科学研究院有限责任公司 一种基于退火算法的并网型微电网优化调度方法
CN103956732A (zh) * 2014-04-24 2014-07-30 国家电网公司 一种基于行业平均峰谷差率进行组合供电的方法
CN106056264A (zh) * 2016-04-28 2016-10-26 东南大学 一种考虑负荷发展的分时电价优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016022603A1 (en) * 2014-08-04 2016-02-11 California Institute Of Technology Distributed gradient descent for solving optimal power flow in radial networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103001259A (zh) * 2012-12-29 2013-03-27 南方电网科学研究院有限责任公司 一种基于退火算法的并网型微电网优化调度方法
CN103956732A (zh) * 2014-04-24 2014-07-30 国家电网公司 一种基于行业平均峰谷差率进行组合供电的方法
CN106056264A (zh) * 2016-04-28 2016-10-26 东南大学 一种考虑负荷发展的分时电价优化方法

Also Published As

Publication number Publication date
CN106815660A (zh) 2017-06-09

Similar Documents

Publication Publication Date Title
CN106815660B (zh) 基于模拟退火算法的用户负荷组合优化方法
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
Singh et al. Optimal allocation of capacitors in distribution systems using particle swarm optimization
Jadidoleslam et al. Reliability constrained generation expansion planning by a modified shuffled frog leaping algorithm
CN106372756A (zh) 一种基于繁殖粒子群算法的火电厂负荷优化分配方法
CN111178487B (zh) 电力优化调度方法、装置、计算机设备和存储介质
Gutiérrez‐Alcaraz et al. Two‐stage heuristic methodology for optimal reconfiguration and Volt/VAr control in the operation of electrical distribution systems
CN111460001B (zh) 一种配电网理论线损率评估方法及系统
KR20120131520A (ko) 배전선로의 최적 연계 해석 방법
CN104573857A (zh) 一种基于智能算法优化组合的电网负荷率预测方法
Rao et al. Optimum allocation and sizing of distributed generations based on clonal selection algorithm for loss reduction and technical benefit of energy savings
CN109325880A (zh) 一种基于Verhulst-SVM的中长期负荷预测方法
CN109447332A (zh) 一种适用于s型负荷曲线的中长期电力负荷组合预测方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN113991760B (zh) 交直流混联受端电网直流闭锁多资源紧急控制优化方法
Xue et al. A multi-objective discrete differential evolution algorithm for energy-efficient two-stage flow shop scheduling under time-of-use electricity tariffs
CN115879742B (zh) 配电网改造方法、系统、电子设备及存储介质
CN108767867B (zh) 基于元模型的分布式电源就地电压无功控制策略求解方法
Sheng et al. Improved multiobjective harmony search algorithm with application to placement and sizing of distributed generation
Liu et al. Analysis and prediction of power distribution network loss based on machine learning
CN108805323A (zh) 数据预测方法和装置
Meena et al. A comparative analysis of sizing and siting of distributed generation using evolutionary techniques
Hashemi et al. Determining the optimum cross-sectional area of the medium voltage feeder for loss reduction and voltage profile improvement based on particle swarm algorithm
Nguyen et al. A cost-benefit analysis of capacitor allocation problem in radial distribution networks using an improved stochastic fractal search algorithm
Kumar et al. Soft computing techniques for optimal capacitor placement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant