CN109447344A - 基于配网故障大数据的抢修驻点和路径优化方法及系统 - Google Patents
基于配网故障大数据的抢修驻点和路径优化方法及系统 Download PDFInfo
- Publication number
- CN109447344A CN109447344A CN201811254885.2A CN201811254885A CN109447344A CN 109447344 A CN109447344 A CN 109447344A CN 201811254885 A CN201811254885 A CN 201811254885A CN 109447344 A CN109447344 A CN 109447344A
- Authority
- CN
- China
- Prior art keywords
- stationary point
- repairing
- distribution network
- point
- big data
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 230000008439 repair process Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于配网故障大数据的抢修驻点和路径优化方法及系统,属于配网抢修驻点及路径优化领域,其特征在于:所述基于配网故障大数据的抢修驻点和路径优化方法包括如下步骤:S1、获取目标区域内的历史故障、配电网线路地理信息、天气状况、物理约束数据,综合考虑多种故障抢修影响因素,建立配电网抢修驻点和路径优化模型;S2、采用基于统计聚类法进行全局计算,实现对抢修驻点的优化配置及路径规划,缩短平均抢修时间,提高配电网抢修工作效率。本发明解决了目前配网抢修驻点配置主要依赖于主观经验判断,缺少科学建模,较少综合考虑多种故障抢修影响因素,造成抢修驻点配置和路径选择不合理,导致配电网故障抢修时间的增加的问题。
Description
技术领域
本发明属于配网抢修驻点及路径优化领域,尤其涉及一种基于配网故障大数据的抢修驻点和路径优化方法及系统。
背景技术
众所周知,电力系统中各种电压的变电所及输配电线路组成的整体,称为电力网,简称电网。它包含变电、输电、配电三个单元。电力网的任务是输送与分配电能,改变电压。电网的安全正常运营是保证人力正常生产生活的关键因素,为了保证电网的正常安全运营,需要配置一些抢修驻点。
目前配网抢修驻点配置主要依赖于主观经验判断,缺少科学建模,较少综合考虑多种故障抢修影响因素,造成抢修驻点配置和路径选择不合理,导致配电网故障抢修时间的增加,一定程度上降低了配电网抢修的效率。随着电力大数据技术的不断发展,挖掘配网故障大数据以优化抢修驻点和路径,能够缩短抢修时间,提高配网抢修工作效率。
发明内容
针对现有技术存在的问题,本发明旨在解决目前配网抢修驻点配置主要依赖于主观经验判断,缺少科学建模,较少综合考虑多种故障抢修影响因素,造成抢修驻点配置和路径选择不合理,导致配电网故障抢修时间的增加的问题。
本发明的目的在于提供一种基于配网故障大数据的抢修驻点和路径优化方法,包括如下步骤:
S1、获取目标区域内的历史故障、配电网线路地理信息、天气状况、物理约束数据,综合考虑多种故障抢修影响因素,建立配电网抢修驻点和路径优化模型;
S2、采用基于统计聚类法进行全局计算,实现对抢修驻点的优化配置及路径规划,缩短平均抢修时间,提高配电网抢修工作效率。
进一步:在上述S1中:
配电网抢修驻点及路径最优化模型表达形式如下:
定义变量:
Z=(z1,z2,...,zN)为已知的N个故障点的位置坐标;
X=(x1,x2,...,xM)为未知的M个待求驻点的位置坐标;
wij≥0,i=1,…,M,j=1,…,N;wij表示从xi到zj的影响因素的权重;
目标函数:
C表示优化目标为抢修驻点到故障点的加权距离,使得加权距离最短;||xi-zj||为xi到zj的距离;
约束条件为:
表示故障点到达驻点的影响因素的权重和为1;
S={s1,…,sL}为具有L个影响因子的集合,则S将Z分成了L个{Z1,…,ZL}不相交簇,si的权重si为天气影响因素或道路影响因素或历史故障影响因素或线路影响因素;
确定单个驻点的抢修覆盖范围:
Pa=π×[(V×α)×(ta-ts)];Pa为区分城区、郊区的单个驻点的覆盖范围,Pa1、Pa2分别表示为城区和郊区的单个驻点的覆盖范围,V为平均车速,ta为到场时间,ts为寻址时间,α为拥堵系数,对应当地交通拥堵指数;
按照供电区域面积计算驻点数量,表达式如下,
Q=Q1+Q2=P1/Pa1+P2/Pa2
式中,Q1为城区驻点数量,Q2为郊区驻点数量,P1为城区供电面积,P2为郊区供电面积。
更进一步:在上述S2中:所述统计聚类法的全局优化所涉及的有K个故障点,Q个抢修驻点,使每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小,优化算法流程如下,
步骤1.定义表示在第t次迭代时Z的Q个不相交簇,t=1,2,…,n;提供一个初始化划分
步骤2.通过求解单设施韦伯问题进行选址迭代计算。在t次迭代时,
步骤3.分配迭代。r表示待重新分配zj的数量,令r=0,如果且则zj分配到更新。
步骤4:重复步骤2和步骤3,故障分配和驻点选址之间不断交替,直到不需要再分配时,即为最优化抢修驻点,优化过程中考虑了多种影响因素,加权距离更加靠近故障点,等效于最优路径。
本发明的目的在于提供一种基于配网故障大数据的抢修驻点和路径优化方法的系统,包括:
模型数据模块,获取目标区域内的历史故障、配电网线路地理信息、天气状况、物理约束数据,综合考虑多种故障抢修影响因素,建立配电网抢修驻点和路径优化模型;
优化配置及路径规划模块、采用基于统计聚类法进行全局计算,实现对抢修驻点的优化配置及路径规划,缩短平均抢修时间,提高配电网抢修工作效率
本发明的目的在于提供一种实现上述基于配网故障大数据的抢修驻点和路径优化方法的计算机程序。
本发明的目的在于提供一种实现上述基于配网故障大数据的抢修驻点和路径优化方法的信息数据处理终端。
本发明的目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的基于配网故障大数据的抢修驻点和路径优化方法。
综上所述,本发明的优点及积极效果为:
本专利在于克服现有技术不足之处,分析挖掘了一定区域范围内的历史故障、配电网线路地理信息、天气状况、物理约束等,综合考虑了多种故障抢修影响因素,建立了配电网抢修驻点和路径优化模型;采用基于统计聚类法进行全局计算,实现了对抢修驻点的优化配置及路径规划,缩短了平均抢修时间,提高了配电网抢修工作效率。本发明解决目前配网抢修驻点配置主要依赖于主观经验判断,缺少科学建模,较少综合考虑多种故障抢修影响因素,造成抢修驻点配置和路径选择不合理,导致配电网故障抢修时间的增加的问题。
附图说明
图1为本发明优选实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,一种基于配网故障大数据的抢修驻点和路径优化方法,分析挖掘一定区域范围内的历史故障、配电网线路地理信息、天气状况、物理约束等,综合考虑多种故障抢修影响因素,建立配电网抢修驻点和路径优化模型;采用基于统计聚类法进行全局计算,实现对抢修驻点的优化配置及路径规划,缩短平均抢修时间,提高配电网抢修工作效率。
本发明具体实施例:
步骤一,配电网抢修驻点及路径最优化模型表达形式如下:
定义变量:
Z=(z1,z2,...,zN)为已知的N个故障点的位置坐标;
X=(x1,x2,...,xM)为未知的M个待求驻点的位置坐标;
wij≥0,i=1,…,M,j=1,…,N;wij表示从xi到zj的影响因素的权重;
目标函数:
C表示优化目标为抢修驻点到故障点的加权距离,使得加权距离最短;||xi-zj||为xi到zj的距离;
约束条件为:
表示故障点到达驻点的影响因素的权重和为1;
定义S={s1,…,sL}为具有L个影响因子的集合,则S将Z分成了L个{Z1,…,ZL}不相交簇,si的权重si可以为天气、道路、历史故障、线路等影响因素;
确定单个驻点的抢修覆盖范围:
Pa=π×[(V×α)×(ta-ts)];Pa为区分城区、郊区的单个驻点的覆盖范围,Pa1、Pa2分别表示为城区和郊区的单个驻点的覆盖范围,V为平均车速,ta为到场时间,ts为寻址时间,α为拥堵系数,对应当地交通拥堵指数;
按照供电区域面积计算驻点数量,表达式如下,
Q=Q1+Q2=P1/Pa1+P2/Pa2
式中,Q1为城区驻点数量,Q2为郊区驻点数量,P1为城区供电面积,P2为郊区供电面积。
步骤二,基于统计聚类法的全局优化所涉及的有K个故障点,Q个抢修驻点,使每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小,优化算法流程如下,
1.定义表示在第t次迭代时Z的Q个不相交簇,t=1,2,…,n;提供一个初始化划分
2.通过求解单设施韦伯问题进行选址迭代计算。在t次迭代时,
3.分配迭代。r表示待重新分配zj的数量,令r=0,如果且则zj分配到更新。
4.重复步骤2和步骤3,故障分配和驻点选址之间不断交替,直到不需要再分配时,即为最优化抢修驻点,优化过程中考虑了多种影响因素,加权距离更加靠近故障点,等效于最优路径。
一种基于配网故障大数据的抢修驻点和路径优化方法的系统,包括:
模型数据模块,获取目标区域内的历史故障、配电网线路地理信息、天气状况、物理约束数据,综合考虑多种故障抢修影响因素,建立配电网抢修驻点和路径优化模型;
模型数据模块具体为:
配电网抢修驻点及路径最优化模型表达形式如下:
定义变量:
Z=(z1,z2,...,zN)为已知的N个故障点的位置坐标;
X=(x1,x2,...,xM)为未知的M个待求驻点的位置坐标;
wij≥0,i=1,…,M,j=1,…,N;为未知变量,表示从xi到zj的影响因素的权重;
目标函数:
C表示优化目标为抢修驻点到故障点的加权距离,使得加权距离最短;||xi-zj||为xi到zj的距离;
约束条件为:
表示故障点到达驻点的影响因素的权重和为1;
定义S={s1,…,sL}为具有L个影响因子的集合,则S将Z分成了L个{Z1,…,ZL}不相交簇,si的权重si可以为天气、道路、历史故障、线路等影响因素;
确定单个驻点的抢修覆盖范围:
Pa=π×[(V×α)×(ta-ts)];Pa为区分城区、郊区的单个驻点的覆盖范围,Pa1、Pa2分别表示为城区和郊区的单个驻点的覆盖范围,V为平均车速,ta为到场时间,ts为寻址时间,α为拥堵系数,对应当地交通拥堵指数;
按照供电区域面积计算驻点数量,表达式如下,
Q=Q1+Q2=P1/Pa1+P2/Pa2
式中,Q1为城区驻点数量,Q2为郊区驻点数量,P1为城区供电面积,P2为郊区供电面积。
优化配置及路径规划模块,采用基于统计聚类法进行全局计算,实现对抢修驻点的优化配置及路径规划,缩短平均抢修时间,提高配电网抢修工作效率。
优化配置及路径规划模块具体为:
基于统计聚类法的全局优化所涉及的有K个故障点,Q个抢修驻点,使每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小,优化算法流程如下,
1.定义表示在第t次迭代时Z的Q个不相交簇,t=1,2,…,n;提供一个初始化划分
2.通过求解单设施韦伯问题进行选址迭代计算。在t次迭代时,
3.分配迭代。r表示待重新分配zj的数量,令r=0,如果且则zj分配到更新。
4.重复步骤2和步骤3,故障分配和驻点选址之间不断交替,直到不需要再分配时,即为最优化抢修驻点,优化过程中考虑了多种影响因素,加权距离更加靠近故障点,等效于最优路径。
一种实现基于配网故障大数据的抢修驻点和路径优化方法的计算机程序,上述基于配网故障大数据的抢修驻点和路径优化方法具体为:
步骤一,配电网抢修驻点及路径最优化模型表达形式如下:
定义变量:
Z=(z1,z2,...,zN)为已知的N个故障点的位置坐标;
X=(x1,x2,...,xM)为未知的M个待求驻点的位置坐标;
wij≥0,i=1,…,M,j=1,…,N;wij表示从xi到zj的影响因素的权重;
目标函数:
C表示优化目标为抢修驻点到故障点的加权距离,使得加权距离最短;||xi-zj||为xi到zj的距离;
约束条件为:
表示故障点到达驻点的影响因素的权重和为1;
定义S={s1,…,sL}为具有L个影响因子的集合,则S将Z分成了L个{Z1,…,ZL}不相交簇,si的权重si可以为天气、道路、历史故障、线路等影响因素;
确定单个驻点的抢修覆盖范围:
Pa=π×[(V×α)×(ta-ts)];Pa为区分城区、郊区的单个驻点的覆盖范围,Pa1、Pa2分别表示为城区和郊区的单个驻点的覆盖范围,V为平均车速,ta为到场时间,ts为寻址时间,α为拥堵系数,对应当地交通拥堵指数;
按照供电区域面积计算驻点数量,表达式如下,
Q=Q1+Q2=P1/Pa1+P2/Pa2
式中,Q1为城区驻点数量,Q2为郊区驻点数量,P1为城区供电面积,P2为郊区供电面积。
步骤二,基于统计聚类法的全局优化所涉及的有K个故障点,Q个抢修驻点,使每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小,优化算法流程如下,
1.定义表示在第t次迭代时Z的Q个不相交簇,t=1,2,…,n;提供一个初始化划分
2.通过求解单设施韦伯问题进行选址迭代计算。在t次迭代时,
3.分配迭代。r表示待重新分配zj的数量,令r=0,如果且则zj分配到更新。
4.重复步骤2和步骤3,故障分配和驻点选址之间不断交替,直到不需要再分配时,即为最优化抢修驻点,优化过程中考虑了多种影响因素,加权距离更加靠近故障点,等效于最优路径。
一种实现基于配网故障大数据的抢修驻点和路径优化方法的信息数据处理终端,上述基于配网故障大数据的抢修驻点和路径优化方法具体为:
步骤一,配电网抢修驻点及路径最优化模型表达形式如下:
定义变量:
Z=(z1,z2,...,zN)为已知的N个故障点的位置坐标;
X=(x1,x2,...,xM)为未知的M个待求驻点的位置坐标;
wij≥0,i=1,…,M,j=1,…,N;为未知变量,表示从xi到zj的影响因素的权重;
目标函数:
C表示优化目标为抢修驻点到故障点的加权距离,使得加权距离最短;||xi-zj||为xi到zj的距离;
约束条件为:
表示故障点到达驻点的影响因素的权重和为1;
定义S={s1,…,sL}为具有L个影响因子的集合,则S将Z分成了L个{Z1,…,ZL}不相交簇,si的权重si可以为天气、道路、历史故障、线路等影响因素;
确定单个驻点的抢修覆盖范围:
Pa=π×[(V×α)×(ta-ts)];Pa为区分城区、郊区的单个驻点的覆盖范围,Pa1、Pa2分别表示为城区和郊区的单个驻点的覆盖范围,V为平均车速,ta为到场时间,ts为寻址时间,α为拥堵系数,对应当地交通拥堵指数;
按照供电区域面积计算驻点数量,表达式如下,
Q=Q1+Q2=P1/Pa1+P2/Pa2
式中,Q1为城区驻点数量,Q2为郊区驻点数量,P1为城区供电面积,P2为郊区供电面积。
步骤二,基于统计聚类法的全局优化所涉及的有K个故障点,Q个抢修驻点,使每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小,优化算法流程如下,
1.定义表示在第t次迭代时Z的Q个不相交簇,t=1,2,…,n;提供一个初始化划分
2.通过求解单设施韦伯问题进行选址迭代计算。在t次迭代时,
3.分配迭代。r表示待重新分配zj的数量,令r=0,如果且则zj分配到更新。
4.重复步骤2和步骤3,故障分配和驻点选址之间不断交替,直到不需要再分配时,即为最优化抢修驻点,优化过程中考虑了多种影响因素,加权距离更加靠近故障点,等效于最优路径。
本发明的目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的基于配网故障大数据的抢修驻点和路径优化方法,上述基于配网故障大数据的抢修驻点和路径优化方法具体为:
步骤一,配电网抢修驻点及路径最优化模型表达形式如下:
定义变量:
Z=(z1,z2,...,zN)为已知的N个故障点的位置坐标;
X=(x1,x2,...,xM)为未知的M个待求驻点的位置坐标;
wij≥0,i=1,…,M,j=1,…,N;为未知变量,表示从xi到zj的影响因素的权重;
目标函数:
C表示优化目标为抢修驻点到故障点的加权距离,使得加权距离最短;||xi-zj||为xi到zj的距离;
约束条件为:
表示故障点到达驻点的影响因素的权重和为1;
定义S={s1,…,sL}为具有L个影响因子的集合,则S将Z分成了L个{Z1,…,ZL}不相交簇,si的权重si可以为天气、道路、历史故障、线路等影响因素;
确定单个驻点的抢修覆盖范围:
Pa=π×[(V×α)×(ta-ts)];Pa为区分城区、郊区的单个驻点的覆盖范围,Pa1、Pa2分别表示为城区和郊区的单个驻点的覆盖范围,V为平均车速,ta为到场时间,ts为寻址时间,α为拥堵系数,对应当地交通拥堵指数;
按照供电区域面积计算驻点数量,表达式如下,
Q=Q1+Q2=P1/Pa1+P2/Pa2
式中,Q1为城区驻点数量,Q2为郊区驻点数量,P1为城区供电面积,P2为郊区供电面积。
步骤二,基于统计聚类法的全局优化所涉及的有K个故障点,Q个抢修驻点,使每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小,优化算法流程如下,
1.定义表示在第t次迭代时Z的Q个不相交簇,t=1,2,…,n;提供一个初始化划分
2.通过求解单设施韦伯问题进行选址迭代计算。在t次迭代时,
3.分配迭代。r表示待重新分配zj的数量,令r=0,如果且则zj分配到更新。
4.重复步骤2和步骤3,故障分配和驻点选址之间不断交替,直到不需要再分配时,即为最优化抢修驻点,优化过程中考虑了多种影响因素,加权距离更加靠近故障点,等效于最优路径。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于配网故障大数据的抢修驻点和路径优化方法,其特征在于:包括如下步骤:
S1、获取目标区域内的历史故障、配电网线路地理信息、天气状况、物理约束数据,综合考虑多种故障抢修影响因素,建立配电网抢修驻点和路径优化模型;
S2、采用基于统计聚类法进行全局计算,实现对抢修驻点的优化配置及路径规划,缩短平均抢修时间,提高配电网抢修工作效率。
2.根据权利要求1所述的基于配网故障大数据的抢修驻点和路径优化方法,其特征在于:在上述S1中:
配电网抢修驻点及路径最优化模型表达形式如下:
定义变量:
Z=(z1,z2,...,zN)为已知的N个故障点的位置坐标;
X=(x1,x2,...,xM)为未知的M个待求驻点的位置坐标;
wij≥0,i=1,…,M,j=1,…,N;wij表示从xi到zj的影响因素的权重;
目标函数:
C表示优化目标为抢修驻点到故障点的加权距离,使得加权距离最短;||xi-zj||为xi到zj的距离;
约束条件为:
表示故障点到达驻点的影响因素的权重和为1;
S={s1,…,sL}为具有L个影响因子的集合,则S将Z分成了L个{Z1,…,ZL}不相交簇,si的权重si为天气影响因素或道路影响因素或历史故障影响因素或线路影响因素;
确定单个驻点的抢修覆盖范围:
Pa=π×[(V×α)×(ta-ts)];Pa为区分城区、郊区的单个驻点的覆盖范围,Pa1、Pa2分别表示为城区和郊区的单个驻点的覆盖范围,V为平均车速,ta为到场时间,ts为寻址时间,α为拥堵系数,对应当地交通拥堵指数;
按照供电区域面积计算驻点数量,表达式如下,
Q=Q1+Q2=P1/Pa1+P2/Pa2
式中,Q1为城区驻点数量,Q2为郊区驻点数量,P1为城区供电面积,P2为郊区供电面积。
3.根据权利要求2所述的基于配网故障大数据的抢修驻点和路径优化方法,其特征在于:在上述S2中:所述统计聚类法的全局优化所涉及的有K个故障点,Q个抢修驻点,使每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小,优化算法流程如下,
步骤1.定义表示在第t次迭代时Z的Q个不相交簇,t=1,2,…,n;提供一个初始化划分
步骤2.通过求解单设施韦伯问题进行选址迭代计算,在t次迭代时,
步骤3.分配迭代,r表示待重新分配zj的数量,令r=0,如果且则zj分配到更新;
步骤4:重复步骤2和步骤3,故障分配和驻点选址之间不断交替,直到不需要再分配时,即为最优化抢修驻点,优化过程中考虑了多种影响因素,加权距离更加靠近故障点,等效于最优路径。
4.一种基于权利要求3所述的基于配网故障大数据的抢修驻点和路径优化方法的系统,其特征在于:包括:
模型数据模块,获取目标区域内的历史故障、配电网线路地理信息、天气状况、物理约束数据,综合考虑多种故障抢修影响因素,建立配电网抢修驻点和路径优化模型;
优化配置及路径规划模块、采用基于统计聚类法进行全局计算,实现对抢修驻点的优化配置及路径规划,缩短平均抢修时间,提高配电网抢修工作效率。
5.一种实现权利要求1-3任一项所述基于配网故障大数据的抢修驻点和路径优化方法的计算机程序。
6.一种实现权利要求1-3任一项所述基于配网故障大数据的抢修驻点和路径优化方法的信息数据处理终端。
7.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-3任一项所述的基于配网故障大数据的抢修驻点和路径优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254885.2A CN109447344A (zh) | 2018-10-26 | 2018-10-26 | 基于配网故障大数据的抢修驻点和路径优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254885.2A CN109447344A (zh) | 2018-10-26 | 2018-10-26 | 基于配网故障大数据的抢修驻点和路径优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447344A true CN109447344A (zh) | 2019-03-08 |
Family
ID=65548347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811254885.2A Pending CN109447344A (zh) | 2018-10-26 | 2018-10-26 | 基于配网故障大数据的抢修驻点和路径优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447344A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445093A (zh) * | 2020-04-23 | 2020-07-24 | 长春工程学院 | 一种输电线路应急抢修路径优化系统及方法 |
CN111461399A (zh) * | 2020-02-28 | 2020-07-28 | 国网浙江省电力有限公司 | 一种基于故障非线性离散分布的驻点坐标配置方法 |
CN112069632A (zh) * | 2020-08-10 | 2020-12-11 | 国网上海市电力公司 | 一种采用馈线故障预测结果的配网抢修驻点位置分布方法 |
CN112966882A (zh) * | 2021-04-15 | 2021-06-15 | 四川中电启明星信息技术有限公司 | 一种基于时空全局匹配的配电网调度方法 |
CN115347562A (zh) * | 2022-08-23 | 2022-11-15 | 国网天津市电力公司 | 一种ai技术下配电网抢修快速抵达方法 |
CN115456537A (zh) * | 2022-09-20 | 2022-12-09 | 江南大学 | 仓库拣货路径规划方法及系统 |
CN115752493A (zh) * | 2022-11-07 | 2023-03-07 | 国网天津市电力公司 | 一种用于电力故障抢修的路径规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225013A (zh) * | 2015-10-22 | 2016-01-06 | 国网上海市电力公司 | 一种基于最短路径法的配网抢修驻点分布方法 |
CN106849055A (zh) * | 2015-12-07 | 2017-06-13 | 国网上海市电力公司 | 一种基于数据分析的配电网抢修驻点优化方法 |
CN106855959A (zh) * | 2016-11-15 | 2017-06-16 | 国网上海市电力公司 | 一种城市配电网抢修驻点设置的优化方法 |
US20180189898A1 (en) * | 2015-08-24 | 2018-07-05 | State Grid Corporation Of China | Cluster analysis based power transmission line mountain fire risky area division method |
-
2018
- 2018-10-26 CN CN201811254885.2A patent/CN109447344A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189898A1 (en) * | 2015-08-24 | 2018-07-05 | State Grid Corporation Of China | Cluster analysis based power transmission line mountain fire risky area division method |
CN105225013A (zh) * | 2015-10-22 | 2016-01-06 | 国网上海市电力公司 | 一种基于最短路径法的配网抢修驻点分布方法 |
CN106849055A (zh) * | 2015-12-07 | 2017-06-13 | 国网上海市电力公司 | 一种基于数据分析的配电网抢修驻点优化方法 |
CN106855959A (zh) * | 2016-11-15 | 2017-06-16 | 国网上海市电力公司 | 一种城市配电网抢修驻点设置的优化方法 |
Non-Patent Citations (2)
Title |
---|
李肇卿等: "典型城市电力故障抢修驻点配置方案研究", 《中国电业(技术版)》 * |
陆如等: "基于大数据技术的配电网抢修驻点优化方法", 《供用电》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461399A (zh) * | 2020-02-28 | 2020-07-28 | 国网浙江省电力有限公司 | 一种基于故障非线性离散分布的驻点坐标配置方法 |
CN111445093A (zh) * | 2020-04-23 | 2020-07-24 | 长春工程学院 | 一种输电线路应急抢修路径优化系统及方法 |
CN111445093B (zh) * | 2020-04-23 | 2023-04-07 | 长春工程学院 | 一种输电线路应急抢修路径优化系统及方法 |
CN112069632A (zh) * | 2020-08-10 | 2020-12-11 | 国网上海市电力公司 | 一种采用馈线故障预测结果的配网抢修驻点位置分布方法 |
CN112966882A (zh) * | 2021-04-15 | 2021-06-15 | 四川中电启明星信息技术有限公司 | 一种基于时空全局匹配的配电网调度方法 |
CN112966882B (zh) * | 2021-04-15 | 2023-07-28 | 四川中电启明星信息技术有限公司 | 一种基于时空全局匹配的配电网调度方法 |
CN115347562A (zh) * | 2022-08-23 | 2022-11-15 | 国网天津市电力公司 | 一种ai技术下配电网抢修快速抵达方法 |
CN115456537A (zh) * | 2022-09-20 | 2022-12-09 | 江南大学 | 仓库拣货路径规划方法及系统 |
CN115456537B (zh) * | 2022-09-20 | 2023-04-25 | 江南大学 | 仓库拣货路径规划方法及系统 |
CN115752493A (zh) * | 2022-11-07 | 2023-03-07 | 国网天津市电力公司 | 一种用于电力故障抢修的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447344A (zh) | 基于配网故障大数据的抢修驻点和路径优化方法及系统 | |
Fan et al. | Integrated distribution expansion planning considering stochastic renewable energy resources and electric vehicles | |
CN105205231B (zh) | 一种基于dcom的配电网数字仿真系统 | |
Zhang et al. | Multi-stage multi-zone defender-attacker-defender model for optimal resilience strategy with distribution line hardening and energy storage system deployment | |
Sedghi et al. | Distribution network expansion considering distributed generation and storage units using modified PSO algorithm | |
Miandoabchi et al. | Bi-objective bimodal urban road network design using hybrid metaheuristics | |
Rastgou et al. | Improved harmony search algorithm for electrical distribution network expansion planning in the presence of distributed generators | |
Eghbal et al. | Transmission expansion planning by meta-heuristic techniques: a comparison of shuffled frog leaping algorithm, PSO and GA | |
CN109919365A (zh) | 一种基于双策略搜索的电动车辆路径规划方法及系统 | |
Razali | An efficient genetic algorithm for large scale vehicle routing problem subject to precedence constraints | |
Ohashi et al. | Wind speed forecasting using spatio-temporal indicators | |
Fu et al. | A spatial network model for civil infrastructure system development | |
Anders et al. | Robust scheduling in a self-organizing hierarchy of autonomous virtual power plants | |
Madleňák et al. | Multiple approaches of solving allocation problems on postal transportation network in conditions of large countries | |
CN109871423A (zh) | 公交线路脊线的更新方法及装置 | |
de Assis et al. | Optimal allocation of remote controlled switches in radial distribution systems | |
JP6201040B2 (ja) | 交通システム最適化装置 | |
Fan et al. | Optimal shared mobility planning for electric vehicles in the distribution network | |
CN110246372A (zh) | 航空保障设备的扩展规划方法 | |
Pinto et al. | Reliability‐constrained robust expansion planning of active distribution networks | |
Morales et al. | Dynamic inventory routing problem: Policies considering network disruptions | |
Tran et al. | Alternative-fuel station network design under impact of station failures | |
CN110866739B (zh) | 一种考虑故障排查路径的配电网综合停电时间表示方法 | |
Toba et al. | An approach for DEVS based modeling of electrical power systems | |
González-Ramírez et al. | A GRASP-tabu heuristic approach to territory design for pickup and delivery operations for large-scale instances |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |