CN109936136B - 一种配电网接线线路的规划方法、装置及设备 - Google Patents
一种配电网接线线路的规划方法、装置及设备 Download PDFInfo
- Publication number
- CN109936136B CN109936136B CN201910334026.2A CN201910334026A CN109936136B CN 109936136 B CN109936136 B CN 109936136B CN 201910334026 A CN201910334026 A CN 201910334026A CN 109936136 B CN109936136 B CN 109936136B
- Authority
- CN
- China
- Prior art keywords
- path nodes
- path
- distribution network
- power distribution
- nodes
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配电网接线线路的规划方法，能够对目标配电网区域进行网格划分，并将网格抽象为路径节点，进而确定路径节点之间的距离和路径节点的配电负荷，最终根据路径节点的配电负荷、路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定目标配电网区域中路径节点的最优接线线路。可见，该方法利用蚁群算法对配电网中多个节点的接线线路进行迭代寻优求解，由于蚁群算法在每次迭代过程后会总结本次迭代过程中收获的信息，以为后续迭代过程提供参考，因此利用蚁群算法进行配电网规划，显著提升了规划速率，节省了规划时间。此外，本申请还提供了一种配电网接线线路的规划装置、设备及计算机可读存储介质，其作用与上述方法相对应。
Description
技术领域
本申请涉及电网规划领域，特别涉及一种配电网接线线路的规划方法、装置、设备及计算机可读存储介质。
背景技术
传统的配电网规划多数是采用自上而下的方法，以主网为核心向配电网发散规划，采用碎片化布局，没有从长远和整体进行规划考虑，难以达到全局可靠性与经济性最优。随着电力体制改革的推进，配电网需在有限的建设投资下高效满足用电客户优质供电服务的需求，因此，迫切需要寻求一种更加科学合理的规划方法对智能电网进行规划建设，打造安全可靠，运行灵活的电网。
目前，国内已经开始采用基于网格化规划理念进行规划设计，打破碎片化布局，以模块化、颗粒化的思想对网格进行划分，遵循土地和时间的发展规律，对网格负荷采用标准化接线模式以统筹配电网自动化，提高规划方案的适用性。
考虑到配电网规划的复杂性，配电网规划可以分为两个过程，首先，生成以规划区域中各个变电站为节点的辐射状配电网络，然后，确定配电网接线的走向。其中配电网接线的优化问题为NP问题，随着配电网中节点数量的增加，不仅需要从整个规划区域中搜索各种接线方式，还需要在大量接线方式中需要找出满足诸多约束的接线方式，因此，传统的配电网规划方法的求解过程耗时较长，求解效率较低。
发明内容
本申请的目的是提供一种配电网接线线路的规划方法、装置、设备及计算机可读存储介质，用以解决传统的配电网规划方法的求解过程耗时较长的问题。
为解决上述技术问题，本申请提供了一种配电网接线线路的规划方法，包括：
对目标配电网区域进行网格划分，得到多个网格；
将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷；
根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路。
可选的，所述将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷，包括：
对所述网格中同类型且相连接的负荷网格进行合并，其中，所述负荷网格为网格所在区域中不包括变电站的网格；
将所述网格中的电源网格和合并后的负荷网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷，其中，所述电源网格为网格所在区域中包括变电站的网格。
可选的，所述根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路，包括：
根据蚁群算法，将蚂蚁设置在所述电源节点；
根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量控制所述蚂蚁访问所述目标配电网区域中各个所述路径节点，并记录访问线路；
在所述蚂蚁遍历全部所述路径节点时，根据基于可靠性和经济性的目标函数计算所述当前蚂蚁的访问线路的性能参数；
根据所述性能参数，从多个蚂蚁的访问线路中筛选所述目标配电网区域中所述路径节点的最优接线线路。
可选的，在所述根据所述性能参数，筛选所述目标配电网区域中所述路径节点的最优接线线路之后，还包括：
在当前迭代次数尚未达到最大迭代次数时，根据所述最优接线线路更新蚁群算法中的信息素矩阵，以便于在后续迭代过程中根据所述信息素矩阵确定路径节点的访问顺序。
可选的，所述根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路，具体包括：
根据所述路径节点的配电负荷、所述路径节点之间的距离、最大迭代次数、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路、所述最优接线线路的经济性参数、所述最优接线线路的可靠性参数。
可选的，在所述将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷之后，还包括：
将施工难度大于预设阈值的两个路径节点之间的距离修改为无穷大。
本申请还提供了一种配电网接线线路的规划装置，包括：
网格划分模块：用于对目标配电网区域进行网格划分，得到多个网格；
距离确定模块：用于将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷；
最优接线线路确定模块：用于根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路。
可选的，还包括：
距离修改模块：用于将施工难度大于预设阈值的两个路径节点之间的距离修改为无穷大
此外，本申请还提供了一种配电网接线线路的规划设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如上任意一项所述的一种配电网接线线路的规划方法的步骤。
最后，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上任意一项所述的一种配电网接线线路的规划方法的步骤。
本申请所提供的一种配电网接线线路的规划方法，在对目标配电网区域进行网格划分之后得到多个网格，并将网格抽象为路径节点，进而确定路径节点之间的距离和路径节点的配电负荷，最终根据路径节点的配电负荷、路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定目标配电网区域中路径节点的最优接线线路。可见，该方法利用蚁群算法对配电网中多个节点的接线线路进行迭代寻优求解，由于蚁群算法在每次迭代过程后会总结本次迭代过程中收获的信息，以为后续迭代过程提供参考，形成一个正反馈过程，因此蚁群算法具备收敛快的特点，利用蚁群算法进行配电网规划，显著提升了规划速率，节省了规划时间。
此外，本申请还提供了一种配电网接线线路的规划装置、设备及计算机可读存储介质，其作用与上述方法相对应，这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种配电网接线线路的规划方法实施例一的实现流程图；
图2为本申请所提供的一种配电网接线线路的规划方法实施例二的实现流程图；
图3为本申请所提供的一种配电网接线线路的规划方法实施例二中网格划分示意图；
图4为本申请所提供的一种配电网接线线路的规划方法实施例二中网格抽象示意图；
图5为本申请所提供的一种配电网接线线路的规划装置实施例的功能框图；
图6为本申请所提供的一种配电网接线线路的规划设备实施例的结构示意图。
具体实施方式
本申请的核心是提供一种配电网接线线路的规划方法、装置、设备及计算机可读存储介质，加快了规划过程的收敛，提升了规划效率。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面对本申请提供的一种配电网接线线路的规划方法实施例一进行介绍，参见图1，实施例一包括：
步骤S101：对目标配电网区域进行网格划分，得到多个网格。
配电网是电网系统中的重要组成部分，配电网主要面向用户终端，用以向用户终端提供持续、稳定、可靠的供电服务。本实施例中目标配电网区域是指待进行接线线路规划的区域，该区域中包括供电设备和用电设备，具体的，供电设备可以为变电站。
所谓网格划分，即将配电网区域按照道路或者地理位置分解划分为相对独立不重叠的网格，以网格为基本单元对配电网区域进行描述和分析。具体的，网格可以分为两大类，其中网格所在区域中包括供电设备的网格称为电源网格，网格所在区域不包括供电设备的网格称为负荷网格。
步骤S102：将网格抽象为路径节点，确定路径节点之间的距离和路径节点的配电负荷。
具体的，在将网格抽象为路径节点的同时，可以将网格的中心点的坐标作为路径节点的坐标。然后根据各个路径节点的坐标，计算路径节点两两之间的最短路径，即两个路径节点之间的距离，得到邻接矩阵。作为一种具体的实现方式，可以通过Floyd算法(Floyd-Warshall algorithm)计算各个路径节点之间的最短路径。上述路径节点的配电负荷，具体是指与所述路径节点相对应的网格的负荷参数，所述负荷参数具体可以为负荷功率，本实施例对配电负荷的确定方式不做具体限定。
步骤S103：根据路径节点的配电负荷、路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定目标配电网区域中路径节点的最优接线线路。
蚁群算法，也称粒子群优化算法，是一种用来寻找最优路径的概率型算法，这种算法具有分布计算、信息正反馈和启发式搜索的特征。其灵感来源于蚂蚁在寻找食物过程中发现行走路径的行为，将蚁群算法应用于待优化问题的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有行走路径构成待优化问题的解空间，路径较短的蚂蚁释放的信息素的量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，因此选择该路径的蚂蚁个数也愈来愈多，最终，整个蚂蚁群体会在正反馈的作用下集中到最优的路径上，此时对应的解便是待优化问题的最优解。
具体的，在本实施例中，根据蚁群算法将蚂蚁随机设置在电源节点，对于每个蚂蚁，根据蚁群算法中的信息素矩阵确定其下一个访问的路径节点，并控制其进行访问；更新该蚂蚁的访问线路的当前负荷和线路长度；在当前负荷尚未达到线路最大负荷容量时，继续访问下一路径节点并重复上述过程直至该蚂蚁遍历全部路径节点。在该蚂蚁遍历全部路径节点时，根据目标函数和线路长度计算该蚂蚁的访问线路的性能参数。当本次迭代过程中所有蚂蚁遍历全部路径节点时，根据性能参数从这些蚂蚁的访问线路中筛选出最优线路，并根据最优线路更新信息素矩阵，在后续迭代过程中根据更新后的信息素矩阵确定蚂蚁的路径节点的访问顺序，并重复上述过程，直至达到最大迭代次数，最终得到的最优线路即为目标配电网区域中路径节点的最优接线线路。
值得一提的是，考虑到配电网需要满足“闭环设计，开环运行”的条件，需满足辐射状连接关系，同时考虑线路分支时会导致配电系统可靠性下降，因此，本实施例不考虑配电网中线路分支的情况，采用路径规划的思路进行规划设计，因此配电网辐射性和连通性约束自动满足。
本实施例所提供一种配电网接线线路的规划方法，在对目标配电网区域进行网格划分之后得到多个网格，并将网格抽象为路径节点，进而确定路径节点之间的距离和路径节点的配电负荷，最终根据路径节点的配电负荷、路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定目标配电网区域中路径节点的最优接线线路。可见，该方法利用蚁群算法对配电网中多个节点的接线线路进行迭代寻优求解，由于蚁群算法在每次迭代过程后会总结本次迭代过程中收获的信息，以为后续迭代过程提供参考，形成一个正反馈过程，因此利用蚁群算法进行配电网规划，显著提升了规划速率，节省了规划时间
下面开始详细介绍本申请提供的一种配电网接线线路的规划方法实施例二，实施例二基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。具体的，实施例二对相同类型且位置相邻的负荷网格进行了合并，节省了计算量，且实施例二提出了综合经济性和可靠性两个方面的目标函数来衡量线路的性能，此外，实施例二考虑了实际拓扑约束，将施工难度大于预设阈值的两个路径节点之间的距离修改为了无穷大。
参见图2，实施例二具体包括：
步骤S201：对目标配电网区域进行网格划分，得到网格所在区域中包括变电站的电源网格、网格所在区域中不包括变电站的负荷网格。
步骤S202：对负荷网格按照负荷类型进行分类，对同类型且位置相邻的负荷网格进行合并。
如上所述，本实施例按照负荷类型将负荷网格细分为多种类型，并对同类型且位置相邻的负荷网格进行合并，一方面，节省了后续过程的计算量，另一方面，克服了现有技术中只考虑负荷功率不考虑负荷重要性的问题，更加贴合实际场景需求，其中负荷类型可以为工业、商业、政府机关、医院或者普通用户等。需要说明的是，以上分类方式仅仅为本实施例提供的一种实现方式，本实施例对分类方式不做具体限定。
步骤S203：将电源网格和合并后的负荷网格抽象为路径节点，确定路径节点的配电负荷，并根据Floyd算法确定路径节点之间的距离。
其中，配电负荷具体指网格的负荷功率，当网格为合并后的负荷网格时，配电网格指的是被合并的几个负荷网格的负荷功率的和，当网格为电源网格时，配电负荷为0。
将网格划分之后的电源网格和负荷网格抽象为路径节点，其中，由于线路分支会使可靠性下降，因此本实施例不考虑线路分支的情况。对网格进行划分的示意图如图3所示，路径节点的坐标存储到矩阵X、Y中，具体如下式：
其中Xm、Yn分别为第m个横轴的长度向量和第n个纵轴的长度向量，m＝1,2,…,M，n＝1,2,…,N，Xm,n-1为第m个横轴上第n个网格交点与第(n-1)个网格交点之间的长度，Ym-1,n为第n个纵轴上第(m-1)个网格交点与第m个网格交点之间的长度。
步骤S204：将施工难度大于预设阈值的两个路径节点之间的距离修改为无穷大，得到邻接矩阵。
如上所述，本实施例考虑到了实际的路网约束问题，将施工难度较大的路径长度设置为无穷大。其中，预设阈值的具体数值可以根据实际需求来确定，本实施例对此不做具体限定。
步骤S205：设置蚁群算法的参数。
具体的，设置蚁群算法参数包括：设置最大迭代次数T，蚂蚁数量C，信息素挥发系数ρ，信息启发式因子α，期望启发式因子β，信息素强度Q，贪婪系数q0，线路最大负荷容量。
步骤S206：将第t次迭代过程中的C只蚂蚁随机设置在各个电源节点。
如上所述，本实施例将多只蚂蚁随机置于多个电源节点上，以不同电源节点为起点进行遍历，从而实现多变电站的布线规划。其中，t为1到T之间的正整数。
步骤S207：根据信息素矩阵和禁忌搜索表，确定蚂蚁c下一访问节点。
其中禁忌搜索表中记录有蚂蚁c已经访问过的路径节点，用于防止重复访问路径节点。具体的，本实施例根据下式确定下一访问节点s：
其中，在式子(3)中，Lij为根据步骤S204中路径节点i和路径节点j之间的最短路径长度，r为当前路径节点，μ为下一路径节点，q为[0,1]之间的随机数，q0为贪婪系数(q0的大小影响了路径选择中按先验知识选择路径的概率)，α为随机性启发因子，β为确定性启发因子，如式子(4)所示，η为Lij的倒数。τ为信息素矩阵，在第一次循环过程中矩阵元素取1，后面随着迭代的进行不断更新。显然，对于施工难度大的线路Lij＝∞，因此蚂蚁选择该路径的概率趋近于0，避免了寻优过程中选择该段线路。式(3)中，若q>q0，则按照式(5)选择下一个访问的节点，Pk选择某一段节点的概率，Tabu为禁忌搜索表。从上式可以看出蚂蚁选择路径是基于局部信息和全局信息进行选择，从而能够防止陷入局部最优解。
步骤S208：控制蚂蚁c访问下一节点，同步更新访问线路、线路长度、当前负荷。
其中，访问线路是指该蚂蚁已经访问过的路径节点的集合，且路径节点按照访问先后顺序排列；线路长度是指访问线路的长度；当前负荷是指访问线路中各个路径节点的配电负荷的和。值得一提的是，本实施例中通过控制蚂蚁访问的方式进行路径规划，因此规划结果满足拓补约束(配电网辐射状)，能够保证配电网开环运行。
步骤S209：判断当前负荷是否超过线路最大负荷容量，若超过，进入步骤S210，若未超过，进入步骤S211。
具体的，本实施例在每只蚂蚁的访问线路上的负荷之和(即上述当前负荷)满足当前负荷大于线路最大负荷容量时，控制该蚂蚁返回距离最近电源节点。也就是说，本实施例将每一只蚂蚁的访问线路作为一个馈线组，这就保证了每组馈线均满足支路容量约束。
步骤S210：返回访问线路中距离最近的电源节点，并将当前负荷重置为0。
如上所述，如果超过蚂蚁所能承受的线路最大负荷容量，则返回距离最近的一个电源节点，并将当前负荷置零，重新在未访问的节点中随机选择下一步访问的节点，以表示下次寻优时是从变电站拉出一条新的线路进行布线规划。
步骤S211：将当前访问节点记录在蚂蚁c的禁忌搜索表中。
步骤S212：判断蚂蚁c是否遍历全部路径节点，若是，进入步骤S213，否则，进入步骤S207。
步骤S213：根据基于可靠性和经济性的目标函数计算蚂蚁c的访问线路的性能参数。
具体的，本实施例在对配电网网格化规划的基础上，从整个规划区域中搜索各种接线方式，并在大量接线方式中需要找出满足一定约束的接线方式，以为网格化供电奠定实现基础。其中，本实施例主要以配电网的经济性、可靠性来对接线方式进行衡量，作为一种具体的实施方式，本实施例不考虑线路分支的情况，在每只蚂蚁访问全部路径节点后，根据访问路径计算可靠性和经济性。
其中，经济性比较容易理解，主要考虑线路的电缆化率、电缆长度、电缆单价、开关单价等因素，并据此构建经济性目标函数。对于可靠性，本实施例主要考虑负荷网格的缺供电量，具体的，在前述过程中，我们根据负荷类型对负荷节点进行了分类，此处可以根据负荷网格的类型来评估其重要性，并根据重要性确定负荷网格的缺供电量ENS，其中，缺供电量是在连接关系都确定的情况下根据配电网可靠性算法FMEA计算得到的。
值得一提的是，本实施例考虑到可靠性和经济性指标是两个不同量纲的目标函数，其中可靠性指标一般选取停电时间、停电次数等，单位是秒、次数，经济性指标一般选取投资成本，单位是元。因此，在目标函数中二者不能直接相加，要将可靠性转化为经济性指标(停电损失成本，单位是元)，才能构建经济性和可靠性协同考虑的目标函数。因此，本实施例将负荷节点的缺供电量转化为经济性指标(停电风险值)，从而构建可靠性和经济性协调的目标函数F。
具体的，本实施例中目标函数为：
其中ω1为经济性权重，ω2为可靠性权重，r为贴现率，a为规划年限，αi为生命安全特殊性权重取值，βi为经济性权重取值，γi为特殊性权重取值，由于生命安全损失的严重性，需要生命安全权重前乘以系数k，KD为电缆化率，1-KD为架空电缆比率，Lij为主干线路平均长度，Pcable为电缆线路单价，pline为架空电缆单价，Pswitch为开关单价，Pbox为开关柜单价，Nequipment为新建开关数量。
步骤S214：根据c＝c+1更新c，并判断更新后的c是否超过C，若是，进入步骤215，否则，进入步骤S207。
步骤S215：根据性能参数从第t次迭代过程中选择最优线路，并根据最优线路更新信息素矩阵。
具体的，筛选出第t代中目标函数取最小值对应的蚂蚁，作为这一代中的精英蚂蚁。此外，作为一种可选的实施方式，可以利用2-opt法则对第t代的最优解进行更新扰动，若扰动后的解优于扰动前，则选取扰动后的解，否则保留原先的最优解。并按照以下公式更新信息素矩阵：
τ(t+1)＝(1-ρ)τ(t)+Δτ (7)
具体的，信息素浓度越高，表示蚁群选择该路径的次数越多，每次蚂蚁访问全部路径节点后都会计算其目标函数，并在本次迭代过程中全部蚂蚁访问全部路径节点后，根据性能参数最优的访问线路更新信息素矩阵，后续迭代过程中蚁群根据这个信息素矩阵来进行有方向寻优而不是盲目寻优，从而加快收敛。蚂蚁选择路径的过程就相当于确定路径节点之间连接关系的过程，通过多次迭代得到最优的接线线路。
步骤S216：判断当前迭代次数t是否达到最大迭代次数T，若达到，则进入步骤S217，否则，进入步骤S218。
步骤S217：将当前迭代过程的最优线路作为最终的最优接线线路输出。
作为一种优选的实施方式，本实施例不仅仅输出最优接线线路，还可以输出所述最优接线线路的经济性参数、所述最优接线线路的可靠性参数。
步骤S218：根据t＝t+1更新t，并根据c＝1对c进行重置，进入步骤S206。
可见，本实施例提供的一种配电网接线线路的规划方法，在实施例一的基础上，不仅利用蚁群算法能对多节点系统进行优化求解，克服了NP问题在面对多节点系统时求解效率下降的缺点；还考虑了路网约束、拓补约束、支路容量约束，提升了规划结果的场景适应能力；此外，还将不同量纲的两个目标函数以科学合理的方式转化为单目标规划问题进行求解，提升了求解效率。
下面对本申请实施例提供的一种配电网接线线路的规划装置实施例进行介绍，下文描述的一种配电网接线线路的规划装置与上文描述的一种配电网接线线路的规划方法可相互对应参照。
如图5所示，该配电网接线线路的规划装置包括：
网格划分模块501：用于对目标配电网区域进行网格划分，得到多个网格；
距离确定模块502：用于将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷；
最优接线线路确定模块503：用于根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路。
作为一种具体的实施方式，所述装置还包括：
距离修改模块：用于将施工难度大于预设阈值的两个路径节点之间的距离修改为无穷大
本实施例的一种配电网接线线路的规划装置用于实现前述的一种配电网接线线路的规划方法，因此该装置中的具体实施方式可见前文中的一种配电网接线线路的规划方法的实施例部分，例如，网格划分模块501、距离确定模块502、最优接线线路确定模块503，分别用于实现上述一种配电网接线线路的规划方法中步骤S101，S102，S103。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的一种配电网接线线路的规划装置用于实现前述的一种配电网接线线路的规划方法，因此其作用与上述方法的作用相对应，这里不再赘述。
此外，本申请还提供了一种配电网接线线路的规划设备，如图6所示，包括：
存储器601：用于存储计算机程序；
处理器602：用于执行所述计算机程序以实现如上任意一项所述的一种配电网接线线路的规划方法的步骤。
最后，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上任意一项所述的一种配电网接线线路的规划方法的步骤。
本实施例的一种配电网接线线路的规划设备、计算机可读存储介质用于实现前述的一种配电网接线线路的规划方法，因此该设备、计算机可读存储介质的具体实施方式可见前文中的一种配电网接线线路的规划方法的实施例部分，且二者的作用与上述方法实施例相对应，这里不再赘述。
本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它实施例的不同之处，各个实施例之间相同或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申请的范围。
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。
以上对本申请所提供的一种配电网接线线路的规划方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请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申请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，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (9)
1.一种配电网接线线路的规划方法，其特征在于，包括：
对目标配电网区域进行网格划分，得到多个网格；
将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷；其中，所述路径节点的配电负荷为各所述路径节点相对应的网格的负荷参数；
所述确定所述路径节点之间的距离和所述路径节点的配电负荷包括：
将所述网格中心点的坐标作为所述路径节点的坐标；
根据各所述路径节点的坐标计算所述路径节点之间的距离；
根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路；
所述根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路，包括：
根据蚁群算法，将蚂蚁设置在电源节点；
根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量控制所述蚂蚁访问所述目标配电网区域中各个所述路径节点，并记录访问线路；
在所述蚂蚁遍历全部所述路径节点时，根据基于可靠性和经济性的目标函数计算当前蚂蚁的访问线路的性能参数；其中，所述可靠性至少包括缺供电量、停电时间和停电次数，所述经济性至少包括投资成本；
根据所述性能参数，从多个蚂蚁的访问线路中筛选所述目标配电网区域中所述路径节点的最优接线线路。
2.如权利要求1所述的方法，其特征在于，所述将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷，包括：
对所述网格中同类型且相连接的负荷网格进行合并，其中，所述负荷网格为网格所在区域中不包括变电站的网格；
将所述网格中的电源网格和合并后的负荷网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷，其中，所述电源网格为网格所在区域中包括变电站的网格。
3.如权利要求2所述的方法，其特征在于，在所述根据所述性能参数，筛选所述目标配电网区域中所述路径节点的最优接线线路之后，还包括：
在当前迭代次数尚未达到最大迭代次数时，根据所述最优接线线路更新蚁群算法中的信息素矩阵，以便于在后续迭代过程中根据所述信息素矩阵确定路径节点的访问顺序。
4.如权利要求3所述的方法，其特征在于，所述根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路，具体包括：
根据所述路径节点的配电负荷、所述路径节点之间的距离、最大迭代次数、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路、所述最优接线线路的经济性参数、所述最优接线线路的可靠性参数。
5.如权利要求1-4任意一项所述的方法，其特征在于，在所述将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷之后，还包括：
将施工难度大于预设阈值的两个路径节点之间的距离修改为无穷大。
6.一种配电网接线线路的规划装置，其特征在于，包括：
网格划分模块：用于对目标配电网区域进行网格划分，得到多个网格；
距离确定模块：用于将所述网格抽象为路径节点，确定所述路径节点之间的距离和所述路径节点的配电负荷；其中，所述路径节点的配电负荷为各所述路径节点相对应的网格的负荷参数；
所述确定所述路径节点之间的距离和所述路径节点的配电负荷包括：
将所述网格中心点的坐标作为所述路径节点的坐标；
根据各所述路径节点的坐标计算所述路径节点之间的距离；
最优接线线路确定模块：用于根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路；
所述根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量，利用蚁群算法确定所述目标配电网区域中所述路径节点的最优接线线路，包括：
根据蚁群算法，将蚂蚁设置在电源节点；
根据所述路径节点的配电负荷、所述路径节点之间的距离、线路最大负荷容量控制所述蚂蚁访问所述目标配电网区域中各个所述路径节点，并记录访问线路；
在所述蚂蚁遍历全部所述路径节点时，根据基于可靠性和经济性的目标函数计算当前蚂蚁的访问线路的性能参数；其中，所述可靠性至少包括缺供电量、停电时间和停电次数，所述经济性至少包括投资成本；
根据所述性能参数，从多个蚂蚁的访问线路中筛选所述目标配电网区域中所述路径节点的最优接线线路。
7.如权利要求6所述的装置，其特征在于，还包括：
距离修改模块：用于将施工难度大于预设阈值的两个路径节点之间的距离修改为无穷大。
8.一种配电网接线线路的规划设备，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如权利要求1-5任意一项所述的一种配电网接线线路的规划方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-5任意一项所述的一种配电网接线线路的规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910334026.2A CN109936136B (zh) | 2019-04-24 | 2019-04-24 | 一种配电网接线线路的规划方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910334026.2A CN109936136B (zh) | 2019-04-24 | 2019-04-24 | 一种配电网接线线路的规划方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109936136A CN109936136A (zh) | 2019-06-25 |
| CN109936136B true CN109936136B (zh) | 2023-01-31 |
Family
ID=66990873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910334026.2A Active CN109936136B (zh) | 2019-04-24 | 2019-04-24 | 一种配电网接线线路的规划方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109936136B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144608A (zh) * | 2019-11-12 | 2020-05-12 | 国网辽宁省电力有限公司本溪供电公司 | 一种基于蚁群算法的配电网网架优化规划方法 |
| CN110932758B (zh) * | 2019-11-28 | 2022-03-29 | 国网福建省电力有限公司漳州供电公司 | 一种基于非交叠分簇的低压电力线分层蚁群路由方法 |
| CN113408774A (zh) * | 2020-03-17 | 2021-09-17 | 北京京东振世信息技术有限公司 | 路线规划方法、装置、存储介质及电子设备 |
| CN111882201A (zh) * | 2020-07-24 | 2020-11-03 | 海南电网有限责任公司 | 一种基于网格的中压线路自动规划方法和系统 |
| CN112308395B (zh) * | 2020-10-27 | 2022-06-14 | 国网江西省电力有限公司电力科学研究院 | 一种重要输电通道的筛查方法及装置 |
| CN112528444A (zh) * | 2020-12-04 | 2021-03-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种输电线路三维设计方法及系统 |
| CN113193552B (zh) * | 2021-04-28 | 2022-09-27 | 青岛理工大学 | 一种适用于点对点电能传输模式的电网布线方法 |
| CN113392592A (zh) * | 2021-07-13 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种配电网拓扑图布局方法、装置和设备 |
| CN114500621B (zh) * | 2022-01-24 | 2024-04-26 | 山东智达自控系统有限公司 | 一种基于物联网的智能配电控制系统 |
| CN115270377B (zh) * | 2022-09-26 | 2023-01-31 | 浙江华东工程数字技术有限公司 | 一种基于改进蚁群算法的多电缆最佳路径规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
| CN103116865A (zh) * | 2013-03-08 | 2013-05-22 | 华北电力大学 | 一种多维度协同电网规划的方法 |
| CN107038530A (zh) * | 2017-04-13 | 2017-08-11 | 天津天大求实电力新技术股份有限公司 | 一种配电网统筹规划方法及系统 |
-
2019
- 2019-04-24 CN CN201910334026.2A patent/CN109936136B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
| CN103116865A (zh) * | 2013-03-08 | 2013-05-22 | 华北电力大学 | 一种多维度协同电网规划的方法 |
| CN107038530A (zh) * | 2017-04-13 | 2017-08-11 | 天津天大求实电力新技术股份有限公司 | 一种配电网统筹规划方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进蚁群算法的配电网优化规划;黄训诚等;《西安交通大学学报》;20070610(第06期);全文 * |
| 基于蚂蚁算法的配电网网络规划;高炜欣等;《中国电机工程学报》;20040917(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109936136A (zh) | 2019-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109936136B (zh) | 一种配电网接线线路的规划方法、装置及设备 | |
| Gong et al. | Environmental/economic power dispatch using a hybrid multi-objective optimization algorithm | |
| Ganguly et al. | Multi-objective particle swarm optimization based on fuzzy-Pareto-dominance for possibilistic planning of electrical distribution systems incorporating distributed generation | |
| Sengupta et al. | An evolutionary multiobjective sleep-scheduling scheme for differentiated coverage in wireless sensor networks | |
| Jiang et al. | A hybrid ACO algorithm for the next release problem | |
| Xhafa et al. | Solving mesh router nodes placement problem in wireless mesh networks by tabu search algorithm | |
| Pahlavanhoseini et al. | Scenario-based planning of fast charging stations considering network reconfiguration using cooperative coevolutionary approach | |
| Sahoo et al. | Fuzzy-Pareto-dominance driven possibilistic model based planning of electrical distribution systems using multi-objective particle swarm optimization | |
| CN111967636A (zh) | 用于辅助决策配电网维修策略的系统和方法 | |
| Khalili-Damghani et al. | Solving land-use suitability analysis and planning problem by a hybrid meta-heuristic algorithm | |
| CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
| Prakash et al. | Optimal generators placement techniques in distribution networks: A review | |
| CN108711860B (zh) | 一种基于并行计算的配电网变电站-线路联合规划方法 | |
| Zhang et al. | A novel ant colony optimization algorithm for large scale QoS-based service selection problem | |
| Monteiro et al. | Concave minimum cost network flow problems solved with a colony of ants | |
| CN113868812A (zh) | 一种基于智能蚁群算法的中压配电网电缆路径规划方法 | |
| Hasanat et al. | An ant colony optimization algorithm for load shedding minimization in smart grids | |
| CN117473683A (zh) | 一种中压配电网网格规划方法及相关装置 | |
| CN106406082B (zh) | 一种系统控制方法、装置，控制器及控制系统 | |
| CN116307325A (zh) | 一种配电网的线路规划方法、装置、电子设备及存储介质 | |
| Li et al. | Hexagon raster‐based method for distribution network planning considering line routes and pole locations | |
| CN116127661A (zh) | 终端接入变电站的路径确定方法、装置、设备和存储介质 | |
| Alisa et al. | Minimizing energy consumption in wireless sensor networks using modified genetic algorithm and an energy balance filter | |
| Wang | Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization | |
| Ghasemzadeh et al. | Improving LEACH protocol using SFLA algorithm to reduce the energy consumption of wireless sensor networks |
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 |