CN108053037B - 一种基于两网融合的配电网抢修策略制定方法及装置 - Google Patents
一种基于两网融合的配电网抢修策略制定方法及装置 Download PDFInfo
- Publication number
- CN108053037B CN108053037B CN201710963447.2A CN201710963447A CN108053037B CN 108053037 B CN108053037 B CN 108053037B CN 201710963447 A CN201710963447 A CN 201710963447A CN 108053037 B CN108053037 B CN 108053037B
- Authority
- CN
- China
- Prior art keywords
- emergency repair
- fault
- repair
- power distribution
- distribution network
- 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
Links
- 230000008439 repair process Effects 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000005192 partition Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 18
- 235000012907 honey Nutrition 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000017105 transposition Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供的一种基于两网融合的配电网抢修策略制定方法及装置,包括:以道路拓扑结构为基础建立地理网络,结合配电网信息构建两网融合的抢修策略模型;根据抢修策略模型,以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F;基于目标函数F和抢修策略模型,通过改进人工蜂群算法求解目标函数F的最优解,根据目标函数F的最优解中的抢修次序向量进行配电网抢修。本发明通过建立抢修策略模型和目标函数F,通过目标函数F反映了车程代价和故障任务分配时间,进而得到最合理和最快速的抢修策略,通过抢修次序向量进行配电网抢修,解决了在配电网发生故障时,难以迅速形成合理的抢修策略的技术问题。
Description
技术领域
本发明涉及配电网系统故障恢复技术领域,尤其涉及一种基于两网融合的配电网抢修策略制定方法及装置。
背景技术
配电网在电网中承担电能分配的作用,其结构多为辐射型,它与用户的利益密切相关。且其自身接线众多,线路复杂,又与用电侧直接相连,抢修时要考虑到所带负荷的重要程度,所以仅靠人为的经验判断难以做出理想的策略。抢修过程中存在抢修人员派遣不合理、故障任务等待、道路信息模糊、到达线路不熟悉等问题。尽于此要求抢修人员能够快速完成任务合理分配,并按故障所带负荷等级快速完成复电,降低经济损失。
因此,在配电网发生故障时,难以迅速形成合理的抢修策略是本领域技术人员需要解决的技术问题。
发明内容
本发明实施例提供了一种基于两网融合的配电网抢修策略制定方法及装置,用于解决在配电网发生故障时,难以迅速形成合理的抢修策略的技术问题。
本发明提供的一种基于两网融合的配电网抢修策略制定方法,包括:
S1:以道路拓扑结构为基础建立地理网络,结合配电网信息构建两网融合的抢修策略模型;
S2:根据抢修策略模型,以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F;
S3:基于目标函数F和抢修策略模型,通过改进人工蜂群算法求解目标函数F的最优解,根据目标函数F的最优解中的抢修次序向量进行配电网抢修。
优选地,所述步骤S1中以道路拓扑结构为基础建立地理网络具体包括:
通过公式R=(N,A,L,λ)表示交通网,其中N为道路交叉点集合,A为道路的连接关系及长度集合,L为道路限速集合,λ为车速修正系数;
其中,道路的连接关系及长度集合A的计算公式为:
其中,Nx,Ny∈N,inf表示无穷大。
优选地,所述步骤S1中结合配电网信息构建两网融合的抢修策略模型具体包括:
将配电网以街区为基本分区单位,计及供电半径约束,根据各个分区的用户负荷均匀度合并或调整若干相邻街区,获得若干个分区,进而将分区内的电力设备数量分布作为质量分布,求取以分区范围为几何形状的重心点位置作为该分区对应的故障任务的位置,即获得故障任务集合P=(p1,p2,p3…pn),其中n为分区数;
每个故障任务的编码由其父节点的编号和在兄弟节点中的序号组成,当故障任务的编码包含子节点数目超过9时,用数位字母加数字形式表示,具体通过公式表示为:Cn=C1C2...Cn-1Cx,其中Cx为Cn在兄弟节点中的序号,C1C2…Cn-1为Cx父节点编号;
以故障任务所在中心p为圆心向外作同心圆,找出与半径最小圆相切的道路作为故障点最近道路,故障点最近道路上的切点作为新的故障任务点p’,定义道路外车程时间Trn为抢修队到达故障任务n时在非主干道路上所需时间,其中,Dpn为p和p’之间的距离,为抢修车辆在非主干道路行驶的平均速度,用于计算车程代价。
优选地,所述步骤S2具体包括:
以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F:
其中,Pj为故障任务j中不同等级负荷的缺电功率的加权和,Qij为抢修小队i抢修故障任务j时所需的时间,Lj’j为抢修小队从上一抢修位置j’到达下一故障位置j所需的车程代价;
优选地,所述步骤S3中通过改进人工蜂群算法求解目标函数F的最优解具体包括:
根据抢修策略模型中的任务分配情况随机生成抢修次序向量Q=[x1,x2,…,xA1,xA1+1,…xA1+A2,…,xm],Q中前A1个故障任务按顺序由第一个抢修小队负责,A1至A1+A2故障任务由第二个抢修小队负责,以此类推;
使用2-opt算法进行领域搜索:随机选取两点i和k,将i之前的抢修次序不变添加到新次序中,将i到k之间的次序翻转其编号后添加到新次序中,将k之后的次序不变添加到新次序中;
跟随蜂根据轮盘赌计算的概率选择蜜源,并在其附近搜索最优解,最优解中包含最终确定的抢修次序向量,计算公式为:
其中,pi为该蜜源被选择的概率;SN为蜜源总数,fit为该蜜源中的花蜜数量。
优选地,所述步骤S3之前还通过模糊均分算法简化故障任务分配向量,具体为:
定义故障任务分配向量为:
Rf=[A1,A2,...An];
其中,
其中,n为抢修小队数量,Rf中各元素表示各小队担任的故障任务抢修量;Ax为初始任务向量中任意元素;mx为当前尚未分配的任务数量;nx为当前尚未分配任务的抢修队数量;
对定义好的故障任务分配向量中的n个元素进行不重复的换位操作,得到k种组合方式,组合成任务分配矩阵R=[Rf1,Rf2,…,Rfk]’,用于表示抢修策略模型的任务分配情况。
优选地,所述步骤S3中根据目标函数F的最优解中的抢修次序向量进行配电网抢修过程中还通过拓扑结构搜索算法简化故障任务对应的复电区域,具体为:
每抢修完成一个故障任务后,寻找从尚未复电区域到根节点的电力路径,如果电力路径从断开变为连通,对该区域实施复电操作,同时将抢修策略模型中恢复区域的拓扑结构改为连通;如果不能完成复电,仅将恢复区域的拓扑结构改为连通,进入下一故障任务的抢修。
优选地,考虑到交通网中的道路均为双向通行车道时,有:而在实际的城市交通网中,为了管理交通流量,通常包含一些单行道,有A(x,y)=lxy,A(y,x)=inf,因而道路的连接关系及长度集合A的计算公式可简化为:
其中,lxy由读取的道路拓扑结构中单双行道情况确定。
优选地,道路限速集合L中还包括各级道路的路口延误时间:D(x,y)=(Dx+Dy)/2,x,y∈N,其中Dx和Dy分别为道路x和y的路口延误时间。
本发明提供的一种基于两网融合的配电网抢修策略制定装置,基于如上述的一种基于两网融合的配电网抢修策略制定方法进行运行,包括一种计算机可读存储介质和处理器,存储介质上存储有计算机程序,该程序被处理器执行时实现如上述方法的步骤。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明提供的一种基于两网融合的配电网抢修策略制定方法,包括:S1:以道路拓扑结构为基础建立地理网络,结合配电网信息构建两网融合的抢修策略模型;S2:根据抢修策略模型,以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F;S3:基于目标函数F和抢修策略模型,通过改进人工蜂群算法求解目标函数F的最优解,根据目标函数F的最优解中的抢修次序向量进行配电网抢修。本发明通过建立抢修策略模型和目标函数F,通过目标函数F反映了车程代价和故障任务分配时间,通过求解目标函数F求得了加权失电量最小的解,进而得到最合理和最快速的抢修策略,通过抢修次序向量进行配电网抢修,解决了在配电网发生故障时,难以迅速形成合理的抢修策略的技术问题。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种基于两网融合的配电网抢修策略制定方法的一个实施例的流程图;
图2为本发明提供的一种基于两网融合的配电网抢修策略制定方法中对某城市外环内初始抢修策略和优化后的抢修策略分别进行分析的流程图;
图3为证明本发明提供的一种基于两网融合的配电网抢修策略制定方法步骤流程图;
图4为配电网分区及编号信息示意图;
图5为建立融合抢修模型仿真图。
具体实施方式
本发明实施例提供了一种基于两网融合的配电网抢修策略制定方法及装置,用于解决在配电网发生故障时,难以迅速形成合理的抢修策略的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种基于两网融合的配电网抢修策略制定方法的一个实施例,包括:
101:以道路拓扑结构为基础建立地理网络,结合配电网信息构建两网融合的抢修策略模型;
102:根据抢修策略模型,以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F;
103:基于目标函数F和抢修策略模型,通过改进人工蜂群算法求解目标函数F的最优解,根据目标函数F的最优解中的抢修次序向量进行配电网抢修。
本发明通过建立抢修策略模型和目标函数F,通过目标函数F反映了车程代价和故障任务分配时间,通过求解目标函数F求得了加权失电量最小的解,进而得到最合理和最快速的抢修策略,通过抢修次序向量进行配电网抢修,解决了在配电网发生故障时,难以迅速形成合理的抢修策略的技术问题。
以上是对本发明提供的一种基于两网融合的配电网抢修策略制定方法的一个实施例进行详细的描述,以下将对本发明提供的一种基于两网融合的配电网抢修策略制定方法的另一个实施例进行详细的描述。
本发明提供的一种基于两网融合的配电网抢修策略制定方法的另一个实施例,包括:
201:以道路拓扑结构为基础建立地理网络,结合配电网信息构建两网融合的抢修策略模型;
202:根据抢修策略模型,以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F;
203:基于目标函数F和抢修策略模型,通过改进人工蜂群算法求解目标函数F的最优解,根据目标函数F的最优解中的抢修次序向量进行配电网抢修。
步骤201中以道路拓扑结构为基础建立地理网络具体包括:
通过公式R=(N,A,L,λ)表示交通网,其中N为道路交叉点集合(由读取的道路拓扑结构数据获得),A为道路的连接关系及长度集合,L为道路限速集合,λ为车速修正系数;
其中,道路的连接关系及长度集合A的计算公式为:
其中,Nx,Ny∈N,inf表示无穷大。
步骤201中结合配电网信息构建两网融合的抢修策略模型具体包括:
将配电网以街区为基本分区单位,计及供电半径约束,根据各个分区的用户负荷均匀度合并或调整若干相邻街区,获得若干个分区,进而将分区内的电力设备数量分布作为质量分布,求取以分区范围为几何形状的重心点位置作为该分区对应的故障任务的位置,即获得故障任务集合P=(p1,p2,p3…pn),其中n为分区数;
每个故障任务的编码由其父节点的编号和在兄弟节点中的序号组成,当故障任务的编码包含子节点数目超过9时,用数位字母加数字形式表示,具体通过公式表示为:Cn=C1C2...Cn-1Cx,其中Cx为Cn在兄弟节点中的序号,C1C2…Cn-1为Cx父节点编号;
请参阅图4,比如故障节点中,p5是其中一个故障节点,其上需要先抢修p2才能对p5和p6进行抢修,需要先抢修p5才能抢修p10,则p2是p5和p6的父节点,p5和p6是兄弟节点,按顺序编号1和2,由于p2=11,则p5=111,p6=112,p10=1111。
以故障任务所在中心p为圆心向外作同心圆,找出与半径最小圆相切的道路作为故障点最近道路,故障点最近道路上的切点作为新的故障任务点p’,定义道路外车程时间Trn为抢修队到达故障任务n时在非主干道路上所需时间(即抢修队脱离主干道路到达故障任务n所用的时间),其中,Dpn为p和p’之间的距离,为抢修车辆在非主干道路行驶的平均速度,用于计算车程代价。计算车程代价时考虑抢修小队到达简化点所需时间与相应Tr(抢修车辆在非主干道路行驶的所需时间)之和。即车程代价=Trn+Tr。
步骤202具体包括:
以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F:
其中,Pj为故障任务j中不同等级负荷的缺电功率的加权和,Qij为抢修小队i抢修故障任务j时所需的时间,Lj’j为抢修小队从上一抢修位置j’到达下一故障位置j所需的车程代价;
步骤203中通过改进人工蜂群算法求解目标函数F的最优解具体包括:
根据抢修策略模型中的任务分配情况随机生成抢修次序向量Q=[x1,x2,…,xA1,xA1+1,…xA1+A2,…,xm],Q中前A1个故障任务按顺序由第一个抢修小队负责,A1至A1+A2故障任务由第二个抢修小队负责,以此类推;该任务分配需要根据故障任务分配向量Rf=[A1,A2,...An]进行分配,Ax为初始任务向量中任意元素。
使用2-opt算法进行领域搜索:随机选取两点i和k,将i之前的抢修次序不变添加到新次序中,将i到k之间的次序翻转其编号后添加到新次序中,将k之后的次序不变添加到新次序中;
跟随蜂根据轮盘赌计算的概率选择蜜源,并在其附近搜索最优解,最优解中包含最终确定的抢修次序向量,计算公式为:
其中,pi为该蜜源被选择的概率;SN为蜜源总数,fit为该蜜源中的花蜜数量。
步骤203之前还通过模糊均分算法简化故障任务分配向量,具体为:
定义故障任务分配向量为:
Rf=[A1,A2,...An];
其中,
其中,n为抢修小队数量,Rf中各元素表示各小队担任的故障任务抢修量;Ax为初始任务向量中任意元素;mx为当前尚未分配的任务数量;nx为当前尚未分配任务的抢修队数量;
对定义好的故障任务分配向量中的n个元素进行不重复的换位操作,得到k种组合方式,组合成任务分配矩阵R=[Rf1,Rf2,…,Rfk]’,用于表示抢修策略模型的任务分配情况。
步骤203中根据目标函数F的最优解中的抢修次序向量进行配电网抢修过程中还通过拓扑结构搜索算法简化故障任务对应的复电区域,具体为:
每抢修完成一个故障任务后,寻找从尚未复电区域到根节点的电力路径,如果电力路径从断开变为连通,对该区域实施复电操作,同时将抢修策略模型中恢复区域的拓扑结构改为连通;如果不能完成复电,仅将恢复区域的拓扑结构改为连通,进入下一故障任务的抢修。
考虑到交通网中的道路均为双向通行车道时,有:而在实际的城市交通网中,为了管理交通流量,通常包含一些单行道,有A(x,y)=lxy,A(y,x)=inf,因而道路的连接关系及长度集合A的计算公式可简化为:
其中,lxy由读取的道路拓扑结构中单双行道情况确定。
道路限速集合L中还包括各级道路的路口延误时间:D(x,y)=(Dx+Dy)/2,x,y∈N,其中Dx和Dy分别为道路x和y的路口延误时间。
以下将对本发明提供的一种基于两网融合的配电网抢修策略制定方法的另一个实施例进行更加详细的说明,按照实际操作的步骤进行解释和说明。
301:将以道路信息为基础的地理网络和受灾地区配电网信息进行建模,融合其相关信息,建立两网融合的抢修策略模型;
302:为实现抢修效果的优化,即减少因设备损坏而造成的停电损失和停电时长,构造反应配电网故障设备所供负荷重要程度、抢修小队能力与故障任务匹配程度及抢修次序所形成的车程代价的目标函数F;
303:基于目标函数F,利用模糊均分算法加快寻优速度,通过拓扑结构搜索算法快速寻找复电区域,改进人工蜂群算法寻找目标函数F的最小值,实现对灾后配电网故障抢修策略的优化;
304:针对在大范围多故障情况下,对于传统的就近原则抢修策略和优化抢修策略分别进行仿真,对优化前后的抢修效果进行比较分析。
在步骤301中,两网融合的抢修模型包括:
①用各道路的拓扑结构为基础构建地理网络,其中包含节点集合、道路连接关系集合、道路长度集合、道路限速集合以及通行能力集合,可以满足分析评价需求。
R=(N,A,L,λ)表示交通网,其中:
N为道路交叉点集合。
A为道路的连接关系及长度集合,计算方法如式(1)所示。
其中:Nx,Ny∈N,inf表示无穷大。如果交通网中的道路均为双向通行车道,则有:
但是在实际的城市交通网中,为了管理交通流量,通常包含一些单行道,此时有:
A(x,y)=lxy,A(y,x)=inf (3)
于是集合A可以表示为:
L为道路限速集合。在交通网中,每条道路都有相应的道路等级和最高限速。将道路等级划分为四级,分别为快速路,主干路,次干路和支路。最高限速参考交通部门制定的道路限速
此外,各级道路还有其对应的路口延误时间:
D(x,y)=(Dx+Dy)/2,x,y∈N (5)
其中:Dx和Dy分别为道路x和y的路口延误。
λ为车速修正系数。通常车辆一般很难按照道路最高限速行驶,受到当时路况的影响。因此用修正系数来反映不同时间段的交通流量特征,通过分析当地交通部门的历史数据获得。
另外,为了使抢修策略模型具有更完善的决策功能,地理网络中还需要包含检修中心的地理位置;各故障任务包含区域内的重要负荷的数量及等级。这些数据易从电力规划部门获得。
②将配电网以街区为基本分区单位,计及供电半径约束,研究各个分区的用户负荷均匀度,进而通过合并或调整若干相邻街区实现优化分区。分区内的故障划分为一个故障任务,同时将单个故障任务中的不同故障的地理中心定义为该故障任务的位置。在确定地理中心时,将分区内的电力设备数量分布作为质量分布,求取以分区范围为几何形状的重心点位置,该点即为地理中心点。则有故障任务集合P:
P=(p1,p2,p3…pn) (6)
其中n为分区数,每个故障任务根据分区范围内包含的用电设备,带有各自相应的负荷。
③在极端自然灾害发生后,配电网受损程度高,从主网到低压配都会出现不同程度的故障,还要抢修相应末端故障任务的前置节点才能恢复供电。因此为了实现配电网和地理网络的融合,故障任务进行编码,通过编号直接得到各故障的拓扑结构。每个故障任务的编码由其父节点的编号和在兄弟节点中的序号组成。当某一结点包含子节点数目超过9时,用数位字母加数字形式表示。则有:
Cn=C1C2...Cn-1Cx (7)
其中Cx为Cn在兄弟节点中的序号,C1C2…Cn-1为Cx父节点编号。
同时为了进一步研究故障位置对抢修策略的影响,将各故障点的位置简化到主干道路上。以故障任务所在中心p为圆心向外作同心圆,找出与半径最小圆相切的道路,即为故障点最近道路。将道路上的对应点视为新的故障任务点p’。这里定义道路外车程时间Trn,其表示到达故障任务n时在非主干道路上所需时间,则有:
在步骤302中,对于目标函数F的建立,具体如下:
配电网灾后多故障抢修涉及的故障范围广,失电的负荷大小和负荷等级有差异,不同故障任务的故障类型和数量也不一样。因此抢修优化问题是一个多维非线性问题。在灾后抢修时,需要实现以下优化目标:
①对于连接负荷重要程度高、负荷量大的故障任务要尽快抢修,尽早对其进行复电,减少社会经济损失。
②优先安排抢修小队抢修符合其能力特性的故障任务,提高抢修工作的效率,加快抢修进度。
③抢修次序所形成车程时间之和应尽可能小,减少抢修小队的路程消耗。
根据以上优化目标,本发明采用加权失电量作为最终优化目标,将车程代价和任务分配期望统一为时间进行衡量。
其中:Pj为故障任务j中不同等级负荷的缺电功率的加权和。这一部分的引入对应了优化目标①的实现。
对于稳定社会秩序和进行灾后救援重建的单位要优先恢复,因此这类故障的负荷等级要提高,其余负荷等级做相应降低,通过权重系数ω进行体现。Pk为相应等级负荷的缺电功率。
Qij为抢修小队i抢修故障任务j时所需的时间。这一部分的引入对应了优化目标②的实现。
qil表示抢修小队i修复故障类型l平均所需时间。xjl表示故障任务j中包含故障类型l的数量。m为故障任务j中所包含的故障类型数量。
Lj’j为抢修小队从上一抢修位置j’到达下一故障位置j所需的车程代价。基于上文中提出的地理网络和配电网的融合,运用最短路径算法,找出花费最小路线和相应的车程时间。这一部分对应优化目标③的实现。
在步骤303中,所用混合优化算法,对满足目标函数F的最小值寻优,具体步骤如下:
①任务模糊均分:抢修过程中,抢修小队数量和故障任务数量难以匹配,前者远小于后者。因此为了减少枚举任务量分配造成的计算爆炸,同时一定程度上确保优化结果的精确,在考虑实际各抢修小队之间平均能力相差不大的情况下,提出任务模糊均分算法。
定义故障任务分配向量:
Rf=[A1,A2,...An] (12)
其中:n为抢修小队数量,Rf中各元素表示各小队担任的故障任务抢修量;Ax为初始任务向量中任意元素;mx为当前尚未分配的任务数量;nx为当前尚未分配任务的抢修队数量。
计算得到初始任务分配向量,在此基础上,对其中的n个元素进行不重复的换位操作。将得到的k种组合方式形成任务分配矩阵R=[Rf1,Rf2,…,Rfk]’。由于Rf中会有大量相等元素,因此k的数量和枚举时相比将会大大减少,提高了算法效率。
②改进离散蜂群算法:
由于抢修次序问题的变量离散,因此对领域的搜索机制需要改进。寻优采用2-opt对蜜源位置进行搜索。首先随机生成抢修次序向量,Q=[x1,x2,…,xA1,xA1+1,…xA1+A2,…,xm]根据之前的任务分配向量Rf,Q中前A1个故障任务按顺序由第一个抢修小队负责,A1至A1+A2故障任务由第二个抢修小队负责,以此类推。
使用2-opt算法进行领域搜索时:随机选取两点i和k,将i之前的抢修次序不变添加到新次序中,将i到k之间的次序翻转其编号后添加到新次序中,将k之后的次序不变添加到新次序中。
跟随蜂根据轮盘赌计算的概率选择蜜源,并在其附近搜索最优解。
其中pi为该蜜源被选择的概率;SN为蜜源总数,fit为该蜜源中的花蜜数量。
③拓扑搜索算法:灾后配电网遭到大规模破坏,为了尽快恢复负荷,通常以辐射状进行抢修。因此采用拓扑搜索和蜂群算法相结合解决抢修次序决策过程中的故障任务上下级带电关系。每抢修完成一个故障任务后,为了计算其修复对整个失电区域的影响,利用拓扑搜索算法对每个尚未恢复的区域进行复电判断。
算法过程为有故障任务被修复后,寻找从尚未复电区域到根节点的电力路径。如果电力路径从断开变为连通,对该区域实施复电操作。同时将恢复区域的拓扑结构改为连通;如果不能完成复电,仅将恢复区域的拓扑结构改为连通。进入下一故障任务的抢修。
在步骤304中,针对在大范围多故障情况下,对优化前后的抢修策略分别仿真,进行抢修效果的比较分析。具体如下:
①对受灾地区的地理信息进行模型建立;根据故障情况对配电网进行优化分区;对故障任务点进行简化并编号;建立融合抢修模型仿真图。
②对配电网发生的故障进行分类;统计各故障任务中的故障设备类型及数量;统计现有抢修力量及其抢修能力;计算各故障任务在加权处理后的负荷量大小。
③分别对传统的就近抢修方案和算法优化后的抢修策略进行仿真分析,对比优化前后的抢修效果,包括加权后的失电量大小及抢修总用时。
本发明的特点在于:针对极端灾害的需求,建立融合地理网络中的交通信息、位置信息、地形信息和电力网中的负荷信息、拓扑信息等的抢修模型图。考虑配电网抢修的主要优化目标,提出了对应的抢修优化模型。利用改进的蜂群算法,结合任务模糊均分和拓扑搜索思想进行寻优求解。算法加快了策略制定速度并在第一时间恢复供电,减少经济损失。
本发明具有以下效果:本发明作为一种基于两网融合的配电网极端自然灾害灾后抢修策略制定方法,可应用于求解大范围多故障抢修问题,可快速制定最优抢修策略,同时极大提高抢修效率和抢修效果。
下面考虑故障类型并利用某城市外环内交通信息图结合15节点配电网信息进行验证性仿真。对初始抢修策略和优化后的抢修策略分别进行分析。下面将会证明本发明可以快速制定最优抢修策略;有效减少抢修耗时;使抢修更具针对性,加快重要负荷的复电,大大降低失电量。
请参阅图2,对某城市外环内初始抢修策略和优化后的抢修策略分别进行分析,具体进行以下步骤:
步骤1:初始化各节点数据、节点间的供受电关系以及节点间连线数据等网络数据。
步骤2:根据地理网和电力网的融合模型计算各故障任务点之间的车程代价。
步骤3:按抢修次序向量中的顺序各队同时分别抢修各自故障任务。每抢修完成一个故障任务后,进行从该任务向编号为1的根节点的电力路径搜索,以此判断该失电区域是否可复电。若可以复电,根据目标函数,计算该区域的加权缺电量。若不能恢复供电,进入步骤4。
步骤4:改变时间线向量以记录车程和修复时间;将完成抢修的故障任务从向量中删去,并通过改变拓扑结构连通与之相连节点。
步骤5:判断故障修复情况,若尚有故障未修复跳转步骤3;若所有故障任务均被修复,则根据目标函数计算f(x),取为蜂群算法中的蜜源大小fit。
步骤6:通过离散蜂群算法求解最优解,记录fit的最小值及相对应的抢修次序。
其中,请参阅图3,证明本发明提供的一种基于两网融合的配电网抢修策略制定方法步骤实现如下:
步骤1:对受灾地区的地理信息进行模型建立;根据故障情况对配电网进行优化分区;对故障任务点进行简化并编号;配电网分区及编号信息如图4所示;建立融合抢修模型仿真图如图5所示。
步骤2:对配电网发生的故障进行分类;统计各故障任务中的故障设备类型及数量;统计现有抢修力量及其抢修能力;计算各故障任务在加权处理后的负荷量大小。统计计算结果如表1、2、3所示。
步骤3:分别对传统的就近抢修方案和算法优化后的抢修策略进行仿真分析,对比优化前后的抢修效果,包括加权后的失电量大小及抢修总用时。初始抢修策略及仿真结果如表4所示。优化后抢修策略及仿真结果如表5所示。
表1故障任务故障属性
表2小队抢修能力
表3故障任务负荷属性
表4初始抢修策略
表5优化抢修策略
分析表4、5可得如下结论:
①优化后的抢修策略无论是在抢修总耗时还是失电量上都有明显的减少。进一步结合模型图进行分析,初始抢修策略从优先级最高的故障任务开始,逐步进行就近抢修。但是没有地理信息的支持,抢修小队无法得到灾后实时的道路恢复信息,因此无法准确找到最近故障任务以及相应最短路径。因此抢修过程中在车程代价上花费较大。同时,缺少足够的地理信息使得故障任务中包含的重要负荷不能准确描述,因此各故障任务的优先级,即加权缺电量与实际存在偏差。而且抢修中没有考虑上下级的带电关系导致修复后的故障任务不能及时复电,导致失电量过大。
②优化后的抢修策略中,基于两网融合后的优化模型,抢修小队能够快速获得地理信息及电网信息,综合决策制定最优抢修策略。q1首先抢修根节点,q2和q3根据各自擅长的抢修内容,在第一时间配合完成了重要故障任务的抢修和复电。并且在交通信息的支持下,寻找到最快到达路线。
此外,本发明提供的一种基于两网融合的配电网抢修策略制定装置,基于如上述的一种基于两网融合的配电网抢修策略制定方法进行运行,包括一种计算机可读存储介质和处理器,存储介质上存储有计算机程序,该程序被处理器执行时实现如上述方法的步骤。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于两网融合的配电网抢修策略制定方法,其特征在于,包括:
S1:以道路拓扑结构为基础建立地理网络,结合配电网信息构建两网融合的抢修策略模型;
S2:根据抢修策略模型,以加权失电量作为最终优化目标、建立关于车程代价和故障任务分配时间的目标函数F;
S3:基于目标函数F和抢修策略模型,通过改进人工蜂群算法求解目标函数F的最优解,根据目标函数F的最优解中的抢修次序向量进行配电网抢修;
所述步骤S3中根据目标函数F的最优解中的抢修次序向量进行配电网抢修过程中还通过拓扑结构搜索算法简化故障任务对应的复电区域,具体为:
每抢修完成一个故障任务后,寻找从尚未复电区域到根节点的电力路径,如果电力路径从断开变为连通,对该区域实施复电操作,同时将抢修策略模型中恢复区域的拓扑结构改为连通;如果不能完成复电,仅将恢复区域的拓扑结构改为连通,进入下一故障任务的抢修;
所述步骤S1中结合配电网信息构建两网融合的抢修策略模型具体包括:
将配电网以街区为基本分区单位,计及供电半径约束,根据各个分区的用户负荷均匀度合并或调整若干相邻街区,获得若干个分区,进而将分区内的电力设备数量分布作为质量分布,求取以分区范围为几何形状的重心点位置作为该分区对应的故障任务的位置,即获得故障任务集合P=(p1,p2,p3…pn),其中n为分区数;
每个故障任务的编码由其父节点的编号和在兄弟节点中的序号组成,当故障任务的编码包含子节点数目超过9时,用数位字母加数字形式表示,具体通过公式表示为:Cn=C1C2...Cn-1Cx,其中Cx为Cn在兄弟节点中的序号,C1C2…Cn-1为Cx父节点编号;
4.根据权利要求1所述的一种基于两网融合的配电网抢修策略制定方法,其特征在于,所述步骤S3中通过改进人工蜂群算法求解目标函数F的最优解具体包括:
根据抢修策略模型中的任务分配情况随机生成抢修次序向量Q=[x1,x2,…,xA1,xA1+1,…xA1+A2,…,xm],Q中前A1个故障任务按顺序由第一个抢修小队负责,A1至A1+A2故障任务由第二个抢修小队负责,以此类推;
使用2-opt算法进行邻域搜索:随机选取两点i和k,将i之前的抢修次序不变添加到新次序中,将i到k之间的次序翻转其编号后添加到新次序中,将k之后的次序不变添加到新次序中;
跟随蜂根据轮盘赌计算的概率选择蜜源,并在其附近搜索最优解,最优解中包含最终确定的抢修次序向量,计算公式为:
其中,pi为该蜜源被选择的概率;SN为蜜源总数,fit为该蜜源中的花蜜数量。
6.根据权利要求2所述的一种基于两网融合的配电网抢修策略制定方法,其特征在于,道路限速集合L中还包括各级道路的路口延误时间:D(x,y)=(Dx+Dy)/2,x,y∈N,其中Dx和Dy分别为道路x和y的路口延误时间。
7.一种基于两网融合的配电网抢修策略制定装置,基于如权利要求1至6中任意一项所述的一种基于两网融合的配电网抢修策略制定方法进行运行,其特征在于,包括一种计算机可读存储介质和处理器,存储介质上存储有计算机程序,该程序被处理器执行时实现如权利要求1至6中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710963447.2A CN108053037B (zh) | 2017-10-16 | 2017-10-16 | 一种基于两网融合的配电网抢修策略制定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710963447.2A CN108053037B (zh) | 2017-10-16 | 2017-10-16 | 一种基于两网融合的配电网抢修策略制定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053037A CN108053037A (zh) | 2018-05-18 |
CN108053037B true CN108053037B (zh) | 2021-01-26 |
Family
ID=62119321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710963447.2A Active CN108053037B (zh) | 2017-10-16 | 2017-10-16 | 一种基于两网融合的配电网抢修策略制定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053037B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807539A (zh) * | 2018-07-20 | 2020-02-18 | 国网安徽省电力有限公司电力科学研究院 | 一种故障设备维修路径选择方法和装置 |
CN109861852B (zh) * | 2019-01-14 | 2021-03-30 | 南京邮电大学 | 基于移动自组织的灾中配电网通信网络优化恢复方法 |
CN110852627B (zh) * | 2019-11-13 | 2022-06-24 | 国电南瑞科技股份有限公司 | 配电网灾后抢修决策方法和装置 |
CN111125887B (zh) * | 2019-12-04 | 2022-03-22 | 广东电网有限责任公司 | 一种配电网应急恢复的资源优化配置模型建立方法 |
CN112837172B (zh) * | 2020-12-25 | 2022-09-20 | 南京理工大学 | 一种计及交通网与配电网信息融合的配电网灾后抢修决策方法 |
CN112684294B (zh) * | 2020-12-29 | 2023-11-03 | 南京后生远达科技有限公司 | 一种基于环境动态影响的配电网故障抢修定位方法 |
CN112668737B (zh) * | 2020-12-31 | 2023-11-07 | 广东电网有限责任公司广州供电局 | 一种灾害条件下配电网多故障抢修模型的saa优化方法 |
CN112613685B (zh) * | 2020-12-31 | 2023-11-28 | 广东电网有限责任公司广州供电局 | 一种考虑外界环境动态影响的灾害配电网抢修方法 |
CN113487132B (zh) * | 2021-06-02 | 2022-08-02 | 广东电网有限责任公司广州供电局 | 配电网灾后抢修资源分配方法、装置和计算机设备 |
CN113902346B (zh) * | 2021-11-18 | 2022-07-08 | 广东电网有限责任公司 | 一种电力抢修队伍的智能调拨方法 |
CN114154591A (zh) * | 2021-12-14 | 2022-03-08 | 南方电网深圳数字电网研究院有限公司 | 基于多源信息的设备状态智能预警方法及装置 |
CN115713325B (zh) * | 2023-01-09 | 2023-04-18 | 佰聆数据股份有限公司 | 电力抢修施工作业时长分析方法及装置 |
CN117522091B (zh) * | 2024-01-08 | 2024-04-16 | 国网四川省电力公司电力科学研究院 | 震后电力设备应急抢修的智能调度系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573887A (zh) * | 2013-10-14 | 2015-04-29 | 北京电研华源电力技术有限公司 | 用于配电网络故障抢修的资源调配优化方法 |
CN105321014A (zh) * | 2014-07-01 | 2016-02-10 | 国家电网公司 | 一种配网资源、信息抢修优化调度方法 |
-
2017
- 2017-10-16 CN CN201710963447.2A patent/CN108053037B/zh active Active
Non-Patent Citations (4)
Title |
---|
基于最优效用的配电网多故障抢修任务分配策略;杨丽君 等;《电工技术学报》;20140630;第29卷(第6期);第263-270、289页 * |
基于遗传拓扑混合算法的配电网多故障抢修策略;张晶伟 等;《电力系统自动化》;20081125;第32卷(第22期);第32-35、60页 * |
求解TSP的离散人工蜂群算法;于宏涛 等;《东北大学学报(自然科学版)》;20150831;第36卷(第8期);第1074-1079页 * |
融合电网和交通网信息的电动车辆最优充电路径推荐策略;严弈遥 等;《中国电机工程学报》;20150120;第35卷(第2期);第310-318页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108053037A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053037B (zh) | 一种基于两网融合的配电网抢修策略制定方法及装置 | |
Pourghader Chobar et al. | A novel multi-objective model for hub location problem considering dynamic demand and environmental issues | |
CN112837172B (zh) | 一种计及交通网与配电网信息融合的配电网灾后抢修决策方法 | |
CN110059934A (zh) | 燃油车和新能源车协同配送调度的方法 | |
CN108021686B (zh) | 一种快速匹配电子地图中公交线路与道路网络的方法 | |
CN107220731A (zh) | 一种物流配送路径规划方法 | |
CN112146673A (zh) | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 | |
CN109377048B (zh) | 一种综合交通网络枢纽节点选择方法 | |
CN103914734B (zh) | 基于改进型蚁群算法的微网容量优化布址方法 | |
CN111882909B (zh) | 基于双层规划的应急救援调度与动态路径集成方法 | |
CN112990538B (zh) | 一种山地光伏电站集电线路确定方法、装置及设备 | |
CN108256969A (zh) | 一种公共自行车租赁点调度区域划分方法 | |
CN110118566A (zh) | 机器人运行路径生成方法及装置 | |
CN112906934A (zh) | 基于gis地图的城市配电网故障抢修路径优化方法及系统 | |
CN111222649A (zh) | 一种配电网自愈能力提升规划方法 | |
CN109921420A (zh) | 弹性配电网恢复力提升方法、装置及终端设备 | |
CN117151482A (zh) | 一种基于多目标优化的应急物资调度和路径规划方法 | |
CN111211560A (zh) | 一种基于最优环路的微电网拓扑规划 | |
CN109086947B (zh) | 采用r语言的交通导向的商业用地优化配置软件 | |
CN111008736A (zh) | 用于新航线的开通决策方法及系统 | |
Guo et al. | Max-flow rate priority algorithm for evacuation route planning | |
CN110689174A (zh) | 基于公共交通的人员路线规划方法及装置 | |
CN112926800A (zh) | 一种考虑复杂路网的物流配送区域划分方法 | |
Huo et al. | [Retracted] Research on Solving Postdisaster Material Distribution and Scheduling with Improved NSGA‐II Algorithm | |
CN108449208B (zh) | 一种针对分布式能源分层复杂网络优化方法 |
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 |