CN106897833B - 一种新能源配电网可靠性的评估方法及装置 - Google Patents
一种新能源配电网可靠性的评估方法及装置 Download PDFInfo
- Publication number
- CN106897833B CN106897833B CN201710103886.6A CN201710103886A CN106897833B CN 106897833 B CN106897833 B CN 106897833B CN 201710103886 A CN201710103886 A CN 201710103886A CN 106897833 B CN106897833 B CN 106897833B
- Authority
- CN
- China
- Prior art keywords
- fault
- load point
- individual
- population
- working time
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 33
- 238000005315 distribution function Methods 0.000 claims abstract description 17
- 230000008439 repair process Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 241000255588 Tephritidae Species 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 2
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 9
- 238000004088 simulation Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新能源配电网可靠性的评估方法及装置,该方法包括:获取每个元件的故障概率分布函数;分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间;基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件;判断故障元件是否为馈线元件;若是,则对馈线区域进行故障分析,确定故障类型和负荷点数据;根据负荷点数据统计负荷点指标;根据负荷点指标统计系统可靠性指标和负荷点可靠性指标;本发明通过改进传统的序贯蒙特卡洛模拟法可以快速模拟含DG和EV等新能源的配电网运行情况,可以更快地计算出其负荷点数据,避免了造成“死机”的情况发生,减少了占用的内存,提升了用户体验。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种新能源配电网可靠性的评估方法及装置。
背景技术
随着国民经济的快速发展与超高压大电网建设的日新月异,配电网的系统供电模式单一、局部事故极易诱发大面积停电等弊端日益突出,并且随着传统化石能源的大量消耗,环境污染问题愈发严重,开发利用分布式能源(Distributied Generation,DG)和普及电动汽车(Electric Vehicle,EV)成为减轻我国能源压力和保护环境的有效举措。但是DG发电和EV充电的不确定性在改变传统配电网结构和运行方式的同时也对其可靠性分析带来了显著的影响。
现有技术中,当我们在现实生活中进行配电系统实地可靠性评估时,蒙特卡洛模拟法(Monte Carlo Simulation,MCS)只要在满足一定精度的要求下,抽样次数与系统的规模无关,因此比较适用于大型复杂系统的可靠性评估,主要分为序贯和非序贯。序贯模拟法是以元件寿命的概率分布,随着时间的推进来分析元件对系统可靠性指标的影响,需要较多的内存空间和较长的仿真时间,且模拟流程比较复杂;而非序贯模拟法使用随机抽样方式产生均匀分布的随机数,再比较这一随机数的值和元件在各状态时的概率,并以此来确定元件的状态,但整个模拟过程中没有考虑到系统的时序特征,结果有较大误差。
但是,随着DG和EV等新能源大量接入配电网,DG和EV容量和接入位置均会对系统的可靠性产生冲击,而且传统的序贯蒙特卡洛模拟法在对比较复杂的配电网进行模拟时,很容易陷入“死机”的状态,使得传统的配电网可靠性评估方法已不能满足如今的需求。因此,如何全面地反映出含有大量DG和EV的配电网的系统性能及其供电可靠程度,是现今亟需解决的问题。
发明内容
本发明的目的是提供一种新能源配电网可靠性的评估方法及装置,以通过改进传统的序贯蒙特卡洛模拟法,避免“死机”状态的发生,全面地反映出含有大量DG和EV的配电网的系统性能及其供电可靠程度,提升用户体验。
为解决上述技术问题,本发明提供一种新能源配电网可靠性的评估方法,包括:
根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数;
根据所述每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间;
基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件;
判断所述故障元件是否为馈线元件;
若是,则对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,所述负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间;
根据所述负荷点数据统计负荷点指标;
根据所述负荷点指标统计系统可靠性指标和负荷点可靠性指标。
可选的,所述基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件,包括:
设定初次寻优群体规模、迭代寻优群体规模、最大迭代数、变量寻值范围和初始化果蝇群体位置;
利用所述初次寻优群体规模的群体进行第一次搜寻,获取个体的随机方向和位置为:dfi=d0+R×rand,式中,dfi为所述第一次搜寻个体的位置,d0为所述初始化果蝇群体位置,R=(xmax-xmin)×0.1为搜索半径,[xmin,xmax]为所述变量寻值范围,rand为[-1,1]之间的随机数;
将所述第一次搜寻个体的位置代入适应度函数,获取果蝇个体位置的味道浓度为:Si=F(dfi),式中,F为所述适应度函数,Si为所述味道浓度;
获取群体当中味道浓度最高的个体为:Sbest=min(Si),式中,Sbest为所述味道浓度最高的个体;
记录所述味道浓度最高的个体和对应的位置,令d0=dbest,式中,dbest为所述味道浓度最高的个体对应的位置;
利用所述迭代寻优群体规模的群体进行迭代寻优,则所述迭代寻优的个体随机方向与位置为:di=d0+R×rand×ε,式中,di为所述迭代寻优个体的位置,ε=(gmax-g)/gmax为搜索半径递减因子;g为当前迭代的次数;
重复获取所述迭代寻优的味道浓度、味道浓度最高的个体和对应的位置;
当迭代次数达到所述最大迭代数或所述迭代寻优的味道浓度最高的个体不再发生变化时,确定最小工作时间为所述迭代寻优的味道浓度最高的个体对应的位置。
可选的,所述判断所述故障元件是否为馈线元件之后,还包括:
若所述故障元件不为馈线元件,则对所述故障元件产生新的0到1之间随机数,并计算所述故障元件新的工作时间和故障时间,执行所述基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件的步骤。
可选的,其特征在于,所述系统可靠性指标,包括:用户平均停电频率、系统电量不足波动率和系统功率不足波动率中至少一项。
可选的,其特征在于,所述用户平均停电频率、所述系统电量不足波动率和所述系统功率不足波动率分别具体为:
式中,CAIFI为所述用户平均停电频率,为第t个周期中的所述系统电量不足波动率,为第t个周期中的所述系统功率不足波动率,λi为负荷点i平均故障率;TUi为负荷点i平均停运持续时间;Ni为负荷点的用户数;Mi为负荷点处的故障停电用户数;为统计期内的第t个周期中负荷点i的平均负荷;为统计期内的第t个周期中负荷点i平均停运持续时间;为统计期内的第t个周期中负荷点的用户数。
此外,本发明还提供了一种新能源配电网可靠性的评估装置,包括:
函数获取模块,用于根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数;
随机数添加模块,用于根据所述每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间;
寻优模块,用于基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件;
判断模块,用于判断所述故障元件是否为馈线元件;若是,则向故障分析模块发送分析信号;
故障分析模块,用于接收所述分析信号,对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,所述负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间;
第一统计模块,用于根据所述负荷点数据统计负荷点指标;
第二统计模块,用于根据所述负荷点指标统计系统可靠性指标和负荷点可靠性指标。
可选的,所述寻优模块,包括:
设定子模块,用于设定初次寻优群体规模、迭代寻优群体规模、最大迭代数、变量寻值范围和初始化果蝇群体位置;
搜寻子模块,用于利用所述初次寻优群体规模的群体进行第一次搜寻,获取个体的随机方向和位置为:dfi=d0+R×rand,式中,dfi为所述第一次搜寻个体的位置,d0为所述初始化果蝇群体位置,R=(xmax-xmin)×0.1为搜索半径,[xmin,xmax]为所述变量寻值范围,rand为[-1,1]之间的随机数;
味道浓度获取子模块,用于将所述第一次搜寻个体的位置代入适应度函数,获取果蝇个体位置的味道浓度为:Si=F(dfi),式中,F为所述适应度函数,Si为所述味道浓度;
个体获取子模块,用于获取群体当中味道浓度最高的个体为:Sbest=min(Si),式中,Sbest为所述味道浓度最高的个体;
记录子模块,用于记录所述味道浓度最高的个体和对应的位置,令d0=dbest,式中,dbest为所述味道浓度最高的个体对应的位置;
迭代寻优子模块,用于利用所述迭代寻优群体规模的群体进行迭代寻优,则所述迭代寻优的个体随机方向与位置为:di=d0+R×rand×ε,式中,di为所述迭代寻优个体的位置,ε=(gmax-g)/gmax为搜索半径递减因子;g为当前迭代的次数;
重复获取子模块,用于重复获取所述迭代寻优的味道浓度、味道浓度最高的个体和对应的位置;
最小工作时间确定子模块,用于当迭代次数达到所述最大迭代数或所述迭代寻优的味道浓度最高的个体不再发生变化时,确定最小工作时间为所述迭代寻优的味道浓度最高的个体对应的位置。
可选的,该装置还包括:
重新添加随机数模块,用于若所述故障元件不为馈线元件,则对所述故障元件产生新的0到1之间随机数,并计算所述故障元件新的工作时间和故障时间,向所述寻优模块发送启动信号。
可选的,所述第二统计模块具体用于根据所述负荷点指标统计所述负荷点可靠性指标和包括用户平均停电频率、系统电量不足波动率和系统功率不足波动率中至少一项的所述系统可靠性指标。
本发明所提供的一种新能源配电网可靠性的评估方法,包括:根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数;根据所述每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间;基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件;判断所述故障元件是否为馈线元件;若是,则对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,所述负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间;根据所述负荷点数据统计负荷点指标;根据所述负荷点指标统计系统可靠性指标和负荷点可靠性指标;
可见,本发明通过改进传统的序贯蒙特卡洛模拟法可以快速模拟含DG和EV等新能源的配电网运行情况,可以用很短的时间计算出其负荷点数据,使得在统计负荷点指标时具有很大的方便性,避免了造成“死机”的情况发生,而且减少了占用的内存,提升了用户体验。此外,本发明还提供了一种新能源配电网可靠性的评估装置,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种新能源配电网可靠性的评估方法的流程图;
图2为本发明实施例所提供的一种新能源配电网可靠性的评估方法的元件两状态可靠性模型的示意图;
图3为本发明实施例所提供的一种新能源配电网可靠性的评估方法的元件故障—修复过程的示意图;
图4为本发明实施例所提供的另一种新能源配电网可靠性的评估方法的流程图;
图5为本发明实施例所提供的另一种新能源配电网可靠性的评估方法的改进果蝇优化算法的流程图;
图6为本发明实施例所提供的一种新能源配电网可靠性的评估装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的一种新能源配电网可靠性的评估方法的流程图;图2为本发明实施例所提供的一种新能源配电网可靠性的评估方法的元件两状态可靠性模型的示意图;图3为本发明实施例所提供的一种新能源配电网可靠性的评估方法的元件故障—修复过程的示意图。该方法可以包括:
步骤101:根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数。
其中,每个元件在预设时间内的故障率和修复率的分布情况可以从数据库中获取由用户或设计人员设置的预定时间内的故障率和修复率的分布情况数据。
可以理解的是,对于预设时间的设置可以由用户或设计人员根据实用场景或用户需求自行设置,本实施例对此不受任何限制。
步骤102:根据所述每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间。
其中,本实施例所提供的方法在评估负荷点和系统可靠性指标时,元件的可靠性模型常采用如图2所示的两状态模型,即只考虑元件的正常状态以及故障修复状态,在一定的时间段内,通过稳态的“运行-停运-运行”的循环过程来模拟元件的运行状况。在模拟元件的运行状态时,模拟对象主要针对的是可修复元件,其中:MTTF表示其平均无故障时间;MTTR表示元件的平均故障修复时间;λ为元件故障率;μ表示元件的修复率。它们之间的关系可用如下公式表示:
可以理解是,元件的故障时间也可以说是元件的修复时间。由于元件的故障停运是随机事件,所以元件的工作时间TTF和故障时间TTR为随机变量,随时间变化而变化如图3所示,可视为均服从指数分布。MTTF和MTTR分别对应TTF和TTR的平均值。则元件的工作时间TTF和故障时间TTR计算公式如下:
式中,σ为(0,1)之间的随机数,服从(0,1)均匀分布。
步骤103:基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件。
其中,基于果蝇优化算法对所有元件的工作时间进行寻优,也就是采用基于果蝇优化算法的改进果蝇优化算法(Improved Fruit Fly Optimization Algorithm,IFOA)设置元件正常工作时间TTF的值d为适应度函数的输入变量,并引入搜索半径递减因子ε,使算法便于先用较大步长进行初次全局搜索后再缩短步长进行迭代局部寻优,可以获取工作时间最小的元件作为故障元件。
需要说明的是,只要可以获取全部元件中工作时间最小的元件作为故障元件,对于具体的获取方式本实施例不做任何限制。
步骤104:判断所述故障元件是否为馈线元件;若是,则进入步骤105。
可以理解的是,判断故障元件是否为馈线元件,也就是判断故障元件的位置是否处于馈线区域。由于若故障元件不是馈线元件,也就说明该故障元件为负荷支路元件,那么只有连接的负荷点受影响,不能用于评估系统和负荷点可靠性指标。因此,可以通过重新为该故障元件产生随机数并计算新的工作时间和故障时间的方式,返回步骤103获取新的故障元件;也可以直接返回步骤103除该故障元件外的其他故障元件;还可以重新对全部元件产生新随机数并计算新的工作时间和故障时间,再返回步骤103获取故障元件。可以理解的是,只要通过本步骤可以确定获取的故障元件为馈线元件,对于故障元件不为馈线元件时的具体步骤,本实施例不受任何限制。
步骤105:对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,所述负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间。
需要说明的是,负荷点数据可以为接下统计负荷点指标中所需的各种数据,可以包括各馈线区块连接负荷的故障停电时间和故障停电持续时间。
步骤106:根据所述负荷点数据统计负荷点指标。
其中,对于统计负荷点指标的具体方式,可以通过如现有技术中的方式,也可以通过其他方式,本实施例对此不受任何限制。
步骤107:根据所述负荷点指标统计系统可靠性指标和负荷点可靠性指标。
其中,本步骤之前还可以包括判断是否达到预设的模拟时间的步骤。也就是说,在对馈线元件的模拟完成后,若未到达模拟时间,则会继续模拟一条直线等待模拟时间的结束。只要可以模拟出馈线元件的曲线,对于具体的模拟方式,本实施例不做任何限制。
需要说明的是,达到模拟时间后可以模拟出一个随机状态数列,随机状态数列是经过模拟后所形成的关于系统中元件和负荷点的一些基本参数数列,可以指在不同时刻点这些参数的动态数值。
优选的,统计系统可靠性指标时,还可以加入用户平均停电频率、系统电量不足波动率和系统功率不足波动率中至少一项的可靠性指标,通过新加入的系统可靠性指标,可以与现有的系统可靠性指标构成了一个新的系统可靠性指标体系,可以使本实施例所提供的方法的评估结果更为可靠。
可以理解的是,本实施例的目的是通过改进传统的序贯蒙特卡洛模拟法,快速模拟含DG和EV等新能源的配电网运行情况,避免“死机”状态的发生,对于系统和负荷点可靠性指标的评估方式,可以使用现有的评估方式,也可以加入新的指标的评估方式,本实施例对此不受任何限制。
本实施例中,本发明实施例通过改进传统的序贯蒙特卡洛模拟法可以快速模拟含DG和EV等新能源的配电网运行情况,可以用很短的时间计算出其负荷点数据,使得在统计负荷点指标时具有很大的方便性,避免了造成“死机”的情况发生,而且减少了占用的内存,提升了用户体验。
请参考图4和图5,图4为本发明实施例所提供的另一种新能源配电网可靠性的评估方法的流程图;图5为本发明实施例所提供的另一种新能源配电网可靠性的评估方法的改进果蝇优化算法的流程图。该方法可以包括:
步骤201:根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数。
步骤202:根据每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间。
其中,步骤201和步骤202与步骤101和步骤102相似,在此不再赘述。
步骤203:基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件。
其中,本步骤可以如图5所示,具体可以包括:
步骤2031:设定初次寻优群体规模、迭代寻优群体规模、最大迭代数、变量寻值范围和初始化果蝇群体位置。
其中,初次寻优群体规模P1、迭代寻优群体规模P2、最大迭代数gmax、变量寻值范围[xmin,xmax]和初始化果蝇群体位置d0的具体数值的设定,可以由设计人员或用户根据实用场景和用户需求自行设置,本实施例对此不受任何限制。
步骤2032:利用初次寻优群体规模的群体进行第一次搜寻,获取个体的随机方向和位置。
其中,第一次搜寻个体的位置dfi为:dfi=d0+R×rand,式中,R=(xmax-xmin)×0.1为搜索半径,rand为[-1,1]之间的随机数。
步骤2033:将第一次搜寻个体的位置代入适应度函数,获取果蝇个体位置的味道浓度。
其中,果蝇个体位置的味道浓度Si为:Si=F(dfi),式中,F为适应度函数。
步骤2034:获取群体当中味道浓度最高的个体。
其中,味道浓度最高的个体Sbest为:Sbest=min(Si)。
步骤2035:记录味道浓度最高的个体和对应的位置,令味道浓度最高的个体对应的位置为初始化果蝇群体位置。
可以理解的是,本步骤是为了记录第一次搜寻获取的味道浓度最高的个体Sbest和对应的位置的坐标dbest,另d0=dbest为接下来的迭代寻优做准备。
步骤2036:利用迭代寻优群体规模的群体进行迭代寻优。
可以理解的是,本步骤是利用迭代寻优群体规模P2的群体进行迭代寻优,也就是迭代寻优的个体随机方向与位置di为:di=d0+R×rand×ε,式中,ε=(gmax-g)/gmax为搜索半径递减因子,g为当前迭代的次数;然后再在每个当前迭代的次数中均重复上述Si=F(dfi),Sbest=min(Si)和d0=dbest的公式,以获取每个当前迭代的次数对应的迭代寻优的味道浓度Si、味道浓度最高的个体Sbest和对应的位置dbest。
步骤2037:当迭代次数达到最大迭代数或迭代寻优的味道浓度最高的个体不再发生变化时,确定最小工作时间为迭代寻优的味道浓度最高的个体对应的位置。
需要说明的是,本步骤的目的是当当前迭代的次数达到最大迭代数gmax或迭代寻优的味道浓度最高的个体Sbest达到一个稳定值时,令当前迭代的次数的味道浓度最高的个体对应的位置的dbest为最小工作时间TTF。
可以理解的是,利用上述基于果蝇优化算法的改进果蝇优化算法(ImprovedFruit Fly Optimization Algorithm,IFOA),可以求出全部元件中的最小工作时间TTF,利用此TTF可以获取对应的元件作为故障元件进行接下来的步骤。
步骤204:判断故障元件是否为馈线元件;若否,则进入步骤205;若是,则进入步骤206。
其中,本步骤与步骤104相似,在此不再赘述。
步骤205:对故障元件产生新的0到1之间随机数,并计算其新的工作时间和故障时间,进入步骤203。
可以理解的是,当故障元件不为馈线元件时,证明该故障元件为负荷支路元件,不能用于对系统和负荷点可靠性指标的评估,因此,可以对该故障元件重新产生一个新的0到1之间随机数,并计算其新的工作时间和故障时间,再返回步骤203获取其他故障元件。
步骤206:对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间。
步骤207:根据负荷点数据统计负荷点指标。
其中,步骤206和步骤207与步骤105和步骤106相似,在此不再赘述。
步骤208:根据负荷点指标统计负荷点可靠性指标和包括用户平均停电频率、系统电量不足波动率和系统功率不足波动率的系统可靠性指标。
其中,用户平均停电频率(CAIFI)可以指在统计周期为一年时单个受到停电影响的电力用户所遭受的平均停电次数,单位:次/(停电用户·年);系统电量不足波动率ξW可以指系统在统计期内的第t个周期中用户侧供电缺额量与用户所要求的总供电量的比值与往年同期相比较的变化率,可以用表示;系统功率不足波动率ξP可以指系统在统计期内的第t个周期中电网传送给用户侧的有功功率不足量与用户所需功率的比值与往年同期相比较的变化率,可以用表示。
式中,TUi为负荷点i平均停运持续时间;Ni为负荷点的用户数;Mi为负荷点处的故障停电用户数;为统计期内的第t个周期中负荷点i的平均负荷;为统计期内的第t个周期中负荷点i平均停运持续时间;为统计期内的第t个周期中负荷点的用户数。
可以理解的是,在系统可靠性指标中加入用户平均停电频率、系统电量不足波动率和系统功率不足波动率这三个新的指标可以使本实施例所提供的方法评估出来的结果更为准确和可靠。在系统可靠性指标中加入上述三个指标中的一个或两个也可以达到本实施例的目的,本实施例对此不受任何限制。
本实施例中,本发明实施例通过改进果蝇优化算法可以更加快速的获取全部元件中的最小工作时间,通过标统计包括用户平均停电频率、系统电量不足波动率和系统功率不足波动率的系统可靠性指标,在现有的系统可靠性指标的基础上加入了三个新的指标构成了一个新的系统可靠性指标体系,使得本身实施例所提供的方法的评估结果更为准确和可靠,进一步提升了用户体验。
请参考图6,图6为本发明实施例所提供的一种新能源配电网可靠性的评估装置的结构图。该装置可以包括:
函数获取模块100,用于根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数;
随机数添加模块200,用于根据所述每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间;
寻优模块300,用于基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件;
判断模块400,用于判断所述故障元件是否为馈线元件;若是,则向故障分析模块发送分析信号;
故障分析模块500,用于接收所述分析信号,对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,所述负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间;
第一统计模块600,用于根据所述负荷点数据统计负荷点指标;
第二统计模块700,用于根据所述负荷点指标统计系统可靠性指标和负荷点可靠性指标。
可选的,所述寻优模块300,可以包括:
设定子模块,用于设定初次寻优群体规模、迭代寻优群体规模、最大迭代数、变量寻值范围和初始化果蝇群体位置;
搜寻子模块,用于利用所述初次寻优群体规模的群体进行第一次搜寻,获取个体的随机方向和位置为:dfi=d0+R×rand,式中,dfi为所述第一次搜寻个体的位置,d0为所述初始化果蝇群体位置,R=(xmax-xmin)×0.1为搜索半径,[xmin,xmax]为所述变量寻值范围,rand为[-1,1]之间的随机数;
味道浓度获取子模块,用于将所述第一次搜寻个体的位置代入适应度函数,获取果蝇个体位置的味道浓度为:Si=F(dfi),式中,F为所述适应度函数,Si为所述味道浓度;
个体获取子模块,用于获取群体当中味道浓度最高的个体为:Sbest=min(Si),式中,Sbest为所述味道浓度最高的个体;
记录子模块,用于记录所述味道浓度最高的个体和对应的位置,令d0=dbest,式中,dbest为所述味道浓度最高的个体对应的位置;
迭代寻优子模块,用于利用所述迭代寻优群体规模的群体进行迭代寻优,则所述迭代寻优的个体随机方向与位置为:di=d0+R×rand×ε,式中,di为所述迭代寻优个体的位置,ε=(gmax-g)/gmax为搜索半径递减因子;g为当前迭代的次数;
重复获取子模块,用于重复获取所述迭代寻优的味道浓度、味道浓度最高的个体和对应的位置;
最小工作时间确定子模块,用于当迭代次数达到所述最大迭代数或所述迭代寻优的味道浓度最高的个体不再发生变化时,确定最小工作时间为所述迭代寻优的味道浓度最高的个体对应的位置。
可选的,该装置还可以包括:
重新添加随机数模块,用于若所述故障元件不为馈线元件,则对所述故障元件产生新的0到1之间随机数,并计算所述故障元件新的工作时间和故障时间,向所述寻优模块发送启动信号。
可选的,所述第二统计模块700具体可以用于根据所述负荷点指标统计所述负荷点可靠性指标和包括用户平均停电频率、系统电量不足波动率和系统功率不足波动率中至少一项的所述系统可靠性指标。
本实施例中,本发明实施例通过改进传统的序贯蒙特卡洛模拟法可以快速模拟含DG和EV等新能源的配电网运行情况,可以使故障分析模块500用很短的时间计算出其负荷点数据,使得第一统计模块600在统计负荷点指标时具有很大的方便性,避免了造成“死机”的情况发生,而且减少了占用的内存,提升了用户体验。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的新能源配电网可靠性的评估方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种新能源配电网可靠性的评估方法,其特征在于,包括:
根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数;
根据所述每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间;
基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件;
判断所述故障元件是否为馈线元件;
若是,则对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,所述负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间;
根据所述负荷点数据统计负荷点指标;
根据所述负荷点指标统计系统可靠性指标和负荷点可靠性指标;
所述判断所述故障元件是否为馈线元件之后,还包括:
若所述故障元件不为馈线元件,则对所述故障元件产生新的0到1之间随机数,并计算所述故障元件新的工作时间和故障时间,执行所述基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件的步骤。
2.根据权利要求1所述的新能源配电网可靠性的评估方法,其特征在于,所述基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件,包括:
设定初次寻优群体规模、迭代寻优群体规模、最大迭代数、变量寻值范围和初始化果蝇群体位置;
利用所述初次寻优群体规模的群体进行第一次搜寻,获取个体的位置为:dfi=d0+R×rand,式中,dfi为所述第一次搜寻获取的个体的位置,d0为所述初始化果蝇群体位置,R=(xmax-xmin)×0.1为搜索半径,[xmin,xmax]为所述变量寻值范围,rand为[-1,1]之间的随机数;
将所述第一次搜寻获取的个体的位置代入适应度函数,获取果蝇个体位置的味道浓度为:Si=F(dfi),式中,F为所述适应度函数,Si为所述味道浓度;
获取群体当中味道浓度最高的个体为:Sbest=min(Si),式中,Sbest为所述味道浓度最高的个体;
记录所述味道浓度最高的个体和对应的位置,令d0=dbest,式中,dbest为所述味道浓度最高的个体对应的位置;
利用所述迭代寻优群体规模的群体进行迭代寻优,则所述迭代寻优的个体的位置为:di=d0+R×rand×ε,式中,di为所述迭代寻优的个体的位置,ε=(gmax-g)/gmax为搜索半径递减因子;g为当前迭代的次数;gmax为所述最大迭代数;
重复获取所述迭代寻优的味道浓度、味道浓度最高的个体和对应的位置;
当迭代次数达到所述最大迭代数或所述迭代寻优的味道浓度最高的个体不再发生变化时,确定最小工作时间为所述迭代寻优的味道浓度最高的个体对应的位置。
3.根据权利要求1或2所述的新能源配电网可靠性的评估方法,其特征在于,所述系统可靠性指标,包括:用户平均停电频率、系统电量不足波动率和系统功率不足波动率中至少一项。
5.一种新能源配电网可靠性的评估装置,其特征在于,包括:
函数获取模块,用于根据每个元件在预设时间内的故障率和修复率的分布情况,获取每个元件的故障概率分布函数;
随机数添加模块,用于根据所述每个元件的故障概率分布函数,分别产生0到1之间均匀分布的随机数,获取每个元件的工作时间和故障时间;
寻优模块,用于基于果蝇优化算法对所有元件的工作时间进行寻优,获取工作时间最小的元件作为故障元件;
判断模块,用于判断所述故障元件是否为馈线元件;若是,则向故障分析模块发送分析信号;
故障分析模块,用于接收所述分析信号,对馈线区域进行故障分析,确定故障类型和负荷点数据;其中,所述负荷点数据包括各馈线区块连接负荷的故障停电时间和故障停电持续时间;
第一统计模块,用于根据所述负荷点数据统计负荷点指标;
第二统计模块,用于根据所述负荷点指标统计系统可靠性指标和负荷点可靠性指标;
还包括:
重新添加随机数模块,用于若所述故障元件不为馈线元件,则对所述故障元件产生新的0到1之间随机数,并计算所述故障元件新的工作时间和故障时间,向所述寻优模块发送启动信号。
6.根据权利要求5所述的新能源配电网可靠性的评估装置,其特征在于,所述寻优模块,包括:
设定子模块,用于设定初次寻优群体规模、迭代寻优群体规模、最大迭代数、变量寻值范围和初始化果蝇群体位置;
搜寻子模块,用于利用所述初次寻优群体规模的群体进行第一次搜寻,获取个体的位置为:dfi=d0+R×rand,式中,dfi为所述第一次搜寻获取的个体的位置,d0为所述初始化果蝇群体位置,R=(xmax-xmin)×0.1为搜索半径,[xmin,xmax]为所述变量寻值范围,rand为[-1,1]之间的随机数;
味道浓度获取子模块,用于将所述第一次搜寻获取的个体的位置代入适应度函数,获取果蝇个体位置的味道浓度为:Si=F(dfi),式中,F为所述适应度函数,Si为所述味道浓度;
个体获取子模块,用于获取群体当中味道浓度最高的个体为:Sbest=min(Si),式中,Sbest为所述味道浓度最高的个体;
记录子模块,用于记录所述味道浓度最高的个体和对应的位置,令d0=dbest,式中,dbest为所述味道浓度最高的个体对应的位置;
迭代寻优子模块,用于利用所述迭代寻优群体规模的群体进行迭代寻优,则所述迭代寻优的个体的位置为:di=d0+R×rand×ε,式中,di为所述迭代寻优的个体的位置,ε=(gmax-g)/gmax为搜索半径递减因子;g为当前迭代的次数;gmax为所述最大迭代数;
重复获取子模块,用于重复获取所述迭代寻优的味道浓度、味道浓度最高的个体和对应的位置;
最小工作时间确定子模块,用于当迭代次数达到所述最大迭代数或所述迭代寻优的味道浓度最高的个体不再发生变化时,确定最小工作时间为所述迭代寻优的味道浓度最高的个体对应的位置。
7.根据权利要求5或6所述的新能源配电网可靠性的评估装置,其特征在于,所述第二统计模块具体用于根据所述负荷点指标统计所述负荷点可靠性指标和包括用户平均停电频率、系统电量不足波动率和系统功率不足波动率中至少一项的所述系统可靠性指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710103886.6A CN106897833B (zh) | 2017-02-24 | 2017-02-24 | 一种新能源配电网可靠性的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710103886.6A CN106897833B (zh) | 2017-02-24 | 2017-02-24 | 一种新能源配电网可靠性的评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897833A CN106897833A (zh) | 2017-06-27 |
CN106897833B true CN106897833B (zh) | 2020-10-20 |
Family
ID=59184046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710103886.6A Expired - Fee Related CN106897833B (zh) | 2017-02-24 | 2017-02-24 | 一种新能源配电网可靠性的评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897833B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107508279B (zh) * | 2017-08-08 | 2020-02-18 | 国网山东省电力公司荣成市供电公司 | 一种电力网络的稳定性仿真方法 |
CN108038594B (zh) * | 2017-11-24 | 2022-03-15 | 国网北京市电力公司 | 能源系统可靠性指标的确定方法及装置、存储介质 |
CN109146249B (zh) * | 2018-07-23 | 2021-02-09 | 国网江苏省电力有限公司 | 一种配电网可靠性预估方法、装置和设备 |
CN109033648B (zh) * | 2018-08-01 | 2020-04-14 | 北京工商大学 | 基于果蝇优化算法的水质机理建模及水质预测方法 |
CN110009207A (zh) * | 2019-03-25 | 2019-07-12 | 深圳供电局有限公司 | 一种高受电比的城市电网风险评估方法及装置 |
CN110518583B (zh) * | 2019-08-23 | 2022-11-11 | 贵州电网有限责任公司 | 一种考虑动态特性的综合能源系统可靠性评估方法 |
CN111798111A (zh) * | 2020-06-27 | 2020-10-20 | 上海交通大学 | 一种综合能源系统供能可靠性评估方法及计算机系统 |
CN113673085B (zh) * | 2021-07-19 | 2024-02-13 | 华南理工大学 | 一种考虑开关控制失效的配电网可靠性评估方法 |
CN118508539A (zh) * | 2024-07-22 | 2024-08-16 | 四川博悦骋驰科技有限公司 | 一种多路组合电源输出控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049646A (zh) * | 2012-11-28 | 2013-04-17 | 广东电网公司电力科学研究院 | 一种电网500kV终端变电站建设的综合风险评估方法 |
CN103746402A (zh) * | 2013-12-13 | 2014-04-23 | 国家电网公司 | 一种接入风储互补微网的配电网可靠性评估方法 |
CN104218620A (zh) * | 2014-09-26 | 2014-12-17 | 国家电网公司 | 基于伪序贯蒙特卡洛模拟的主动配电网可靠性分析方法 |
JP2016076072A (ja) * | 2014-10-06 | 2016-05-12 | 日本電気株式会社 | 障害通報装置、障害通報方法及び障害通報プログラム |
-
2017
- 2017-02-24 CN CN201710103886.6A patent/CN106897833B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049646A (zh) * | 2012-11-28 | 2013-04-17 | 广东电网公司电力科学研究院 | 一种电网500kV终端变电站建设的综合风险评估方法 |
CN103746402A (zh) * | 2013-12-13 | 2014-04-23 | 国家电网公司 | 一种接入风储互补微网的配电网可靠性评估方法 |
CN104218620A (zh) * | 2014-09-26 | 2014-12-17 | 国家电网公司 | 基于伪序贯蒙特卡洛模拟的主动配电网可靠性分析方法 |
JP2016076072A (ja) * | 2014-10-06 | 2016-05-12 | 日本電気株式会社 | 障害通報装置、障害通報方法及び障害通報プログラム |
Non-Patent Citations (4)
Title |
---|
含分布式电源的配电系统可靠性评估方法研究;王浩鸣;《中国博士学位论文全文数据库 工程科技II辑》;20131215(第05期);第C042-42页 * |
基于改进蒙特卡洛算法的配电网可靠性评估;徐晟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20131215(第S2期);第C042-1005页 * |
考虑不确定性的含DG与EV配电网无功电压协调优化方法;吴杰康等;《现代电力》;20160831;第33卷(第4期);第23-29页 * |
配电网可靠性评估与应用;贾玉伟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20131215(第S2期);第C042-1060页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106897833A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897833B (zh) | 一种新能源配电网可靠性的评估方法及装置 | |
CN111103565B (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN108414896B (zh) | 一种电网故障诊断方法 | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
CN106850321A (zh) | 一种集群服务器的模拟测试系统 | |
CN103530347A (zh) | 一种基于大数据挖掘的互联网资源质量评估方法及系统 | |
CN103455948B (zh) | 一种配电系统多维多分辨率建模与分析方法 | |
CN112231786B (zh) | 一种评估仿真模型有效性的通用评估方法及系统 | |
CN111538649A (zh) | 一种基于selenium测试工具的web应用系统自动化测试的方法 | |
CN112800683A (zh) | 基于卷积神经网络的系统短路电流水平评估方法及系统 | |
CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
CN118195333A (zh) | 基于电动汽车充电站的储能规划方法 | |
CN103617342A (zh) | 一种电网状态估计多算法融合系统 | |
CN113609456A (zh) | 电动汽车光伏充电站可靠性分析方法、系统、介质、终端 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN109861293B (zh) | 光伏不确定性对电力系统小信号稳定性影响的评估方法 | |
CN113269478B (zh) | 一种基于多模型的集中器异常数据提醒方法及系统 | |
CN114091243A (zh) | 一种产品概念设计可靠性的预测方法及系统 | |
CN110896218B (zh) | 一种用于建立集合性居民负荷的谐波建模方法及系统 | |
Gao et al. | Rapid security situation prediction of smart grid based on Markov Chain | |
CN107491576B (zh) | 基于性能退化数据的导弹部件可靠性分析方法 | |
CN106855841B (zh) | 一种系统内存分析方法和装置 | |
CN110069809B (zh) | 一种基于蒙特卡罗模拟法的go法中的不确定性分析方法 | |
Al-Suod et al. | Marine electric generating plants control systems software functional testing | |
Li et al. | Reliability Modelling Method of Computerized Numerical Control Machine Tools Based on the Improved Posterior Distribution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20201020 Termination date: 20210224 |