CN110348048B - 基于考虑热岛效应负荷预测的配电网优化重构方法 - Google Patents
基于考虑热岛效应负荷预测的配电网优化重构方法 Download PDFInfo
- Publication number
- CN110348048B CN110348048B CN201910469313.4A CN201910469313A CN110348048B CN 110348048 B CN110348048 B CN 110348048B CN 201910469313 A CN201910469313 A CN 201910469313A CN 110348048 B CN110348048 B CN 110348048B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- network
- node
- power
- branch
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
本发明公开了一种基于考虑热岛效应负荷预测的配电网优化重构方法,建立加入热岛效应影响因素的短期负荷预测模型IGA‑ELM,输入配电网各个节点的数据信息,获得各个节点预测24个时刻点的有功及无功负荷,确定在满足约束条件下使目标函数达到最优的网络优化重构模型,进行配网拓扑分析简化实际配网中电力设备之间的接线方式,建立配网简化模型,为利用改进遗传算法实现网络重构打下基础,利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑;本发明在加入热岛效应影响因素后,短期电力负荷预测精度进一步得到提高,降低电网损耗,实现经济运行,达到节能环保的目的。
Description
技术领域:
本发明涉及电力系统经济调度领域,特别是涉及一种基于考虑热岛效应负荷预测的配电网优化重构方法。
背景技术:
城市热岛效应是不容忽视的影响人民生活的城市气候之一,其对电力负荷的影响同样不容小觑。由于城市热岛效应现象明显,尤其在夏季炎热无风的环境加之城市热岛,会导致用电负荷大幅度增加,与郊区负荷波动存在明显差异。并且热岛效应与负荷具有较强相关性。若不考虑热岛效应进行负荷预测会影响预测结果的精度,进而对优化重构造成影响。
发明内容:
本发明所要解决的技术问题是:克服现有技术的不足,提供一种基于负荷预测结果,根据网损最小的目标函数,在满足潮流及配网结构的约束条件下,通过对实际配网的拓扑结构简化分析,利于染色体的编码和潮流计算,然后利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑,得到网损最小的经济运行方式,改善了配网的运行方式的基于考虑热岛效应负荷预测的配电网优化重构方法。
本发明的技术方案是:一种基于考虑热岛效应负荷预测的配电网优化重构方法,建立加入热岛效应影响因素的短期负荷预测模型IGA-ELM,输入配电网各个节点的数据信息,获得各个节点预测24个时刻点的有功及无功负荷,确定在满足约束条件下使目标函数达到最优的网络优化重构模型,然后,进行配网拓扑分析简化实际配网中电力设备之间的接线方式,建立配网简化模型,为利用改进遗传算法实现网络重构打下基础,最后,利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑,其步骤是:步骤一、对各节点的数据信息进行采集,并把数据信息分成训练数据和测试数据;
步骤二、预先确定网络拓扑结构,把训练数据进行ELM训练,得到误差作为适应度;
步骤三、通过遗传算法在每次迭代的过程中,经过选择、交叉和变异产生的子代种群,利用爬山法在子代种群中再次进行择优选择,获得最优权值和阈值;
步骤四、构建ELM网络并初始化,输入测试样本进行ELM训练,结果不满足结束条件则返回步骤二,并对ELM的权值和阈值进行优化并改进GA对随机初始值编码。
步骤五、结果满足结束条件则获得测试数据,完成ELM预测,得到各个节点预测24个时刻点的有功及无功负荷。
步骤六、建立配网网损最小的目标函数作为优化重构的数学模型;
步骤七、在满足一定的约束条件下,进行配网拓扑分析简化实际配网中电力设备之间的接线方式,建立配网简化模型;
步骤八、利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑。
进一步的,所述数据信息包括温度、降水、风速、日照时数、日期类型以及热岛效应强度。
进一步的,所述优化重构的数学模型如下式所示:
式中f——网损函数(MW);b——网络中的支路总数;ki——开关i的状态量,0代表打开,1代表闭合;Ri——支路i的(m);Pi——流过支路bi的有功功率(kW);Qi——流过支路bi的无功功率(kVar);
Ui——支路i末端的节点电压(kV)。
进一步的,所述优化重构的数学模型的建立需要满足一定的约束条件,其约束条件为:
(1)潮流约束
配电网所有节点应保持功率平衡,并且符合基尔霍夫电压、电流定律。
(2)节点电压、支路电流约束
式中Uj.min,Uj.max——节点j电压有效值的上下限(kV);Ib.max——支路b电流有效值的上限(kA)。
(3)拓扑约束
配电网一般为开环设计,闭环运行,所以重构后的配网需为辐射状,并且不存在孤岛。
进一步的,所述在网络重构模型计算中,调用拓扑分析来不断变换网络的运行方式,以寻找满足目标函数的最优的网络结构;采用广度优先搜索法,将配网中元件划分成层状结构,从根节点开始,按层搜索,本层搜索完毕再进入下一层,直到将所有节点访问完毕。
进一步的,将配网简化模型转换成矩阵数学模型反应网络拓扑结构以及网络参数,便于程序运行调用及为下一步潮流计算提供网络结构和数据信息。
进一步的,对网络拓扑结构的网络节点和支路进行编号,并且利用矩阵存储其有关数据信息,其储存信息如下:
a.节点矩阵Nodedata[节点编号i节点有功负荷Pli节点无功负荷Qli]
b.支路矩阵Branchdata[首节点编号i尾节点编号j电阻值Rij电抗值Xij]
c.电源点矩阵Powerdata[电源点节点编号i]
d.开关节点矩阵Switchdata[开关节点编号i开关开合状态],0代表开关打开,1代表开关闭合。
进一步的,所示潮流计算采用属于支路类潮流计算方法中的支路功率前推回代法,其具体的为:利用已知的网络各个节点负荷值,根据设定的节点电压初值,从网络末端向首端计算各条支路的功率;然后利用已知的根节点电压,根据各条支路功率计算值,从网络首端向末端依次计算各个节点的电压,以此迭代,直到两次迭代的电压差值满足精度要求。
本发明的有益效果是:
1、本发明基于负荷预测结果,根据网损最小的目标函数,在满足潮流及配网结构的约束条件下,通过对实际配网的拓扑结构简化分析,利于染色体的编码和潮流计算。然后利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑。得到网损最小的经济运行方式,改善了配网的运行方式。
2、本发明考虑到影响负荷波动的因素有很多,及热岛效应与电力负荷具有较强相关性,在加入热岛效应影响因素后,短期电力负荷预测精度进一步得到提高。
附图说明:
图1为IGA-ELM算法流程图。
图2为配网拓扑分析流程图。
图3为配网优化重构算法流程图。
图4为预测值与真实值的对比图。
图5为配网简化环路模型。
图6为配网开环运行辐射型子网。
具体实施方式:
实施例:参见图1、图2、图3、图4、图5和图6。
基于考虑热岛效应负荷预测的配电网优化重构方法,建立加入热岛效应影响因素的短期负荷预测模型IGA-ELM,输入配电网各个节点的数据信息,获得各个节点预测24个时刻点的有功及无功负荷,确定在满足约束条件下使目标函数达到最优的网络优化重构模型,然后,进行配网拓扑分析简化实际配网中电力设备之间的接线方式,建立配网简化模型,为利用改进遗传算法实现网络重构打下基础,最后,利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑。
针对ELM随机产生的输入层权值和隐含层阈值导致网络不稳定的问题,利用IGA对ELM权值和阈值进行优化,从而改善网络性能,提高网络的预测精度是本算法的关键内容。
通过遗传算法在每次迭代的过程中,经过选择、交叉和变异产生的子代种群,利用爬山法在子代种群中再次进行择优选择,首先选择一个初始个体,然后在临近区域内再挑选一个个体,将两个个体进行适应度值比较,留下适应度值好的个体;若初始个体被取代或几次迭代均找不到更好的个体则停止迭代。
通过爬山法局部寻优调整遗传算法的搜索方向,使遗传算法朝着全局最优的方向进行,从而获得最优的权值和阈值,既克服了GA的早熟问题,又克服了ELM的不稳定性,最终降低预测误差值,获得更加可靠的网络预测模型,提高短期电力负荷预测精度。
IGA-ELM算法流程图如图1所示。IGA-ELM网络分为改进遗传算法和ELM网络两大部分。考虑负荷变化的日周期性,又较充分的利用了与预测负荷相关的各种因素,如温度,降水,风速,日照时数以及日期类型。不同的是输入变量加入热岛效应强度。具体的输入输出样本如表1、2所示。
表1网络模型输入样本定义
表2网络模型输出样本定义
配电网的网络损耗在电力系统功率组成中占比不容忽视,严重影响系统运行的经济性。建立配网网损最小的目标函数作为优化重构的数学模型,如下式:
式中f——网损函数(MW);b——网络中的支路总数;ki——开关i的状态量,0代表打开,1代表闭合;Ri——支路i的(m);Pi——流过支路bi的有功功率(kW);Qi——流过支路bi的无功功率(kVar);
Ui——支路i末端的节点电压(kV)。
配网优化重构时,需要满足以下约束,即约束条件为:
(1)潮流约束
配电网所有节点应保持功率平衡,并且符合基尔霍夫电压、电流定律。
(2)节点电压、支路电流约束
式中Uj.min,Uj.max——节点j电压有效值的上下限(kV);Ib.max——支路b电流有效值的上限(kA)。
(3)拓扑约束
配电网一般为开环设计,闭环运行,所以重构后的配网需为辐射状,并且不存在孤岛。
拓扑分析是网络重构算法中不可缺少的一部分,在网络重构算法中,调用拓扑分析来不断变换网络的运行方式,以寻找满足目标函数的最优的网络结构。采用广度优先搜索法,将配网中元件划分成层状结构,从根节点开始,按层搜索,本层搜索完毕再进入下一层,直到将所有节点访问完毕。
根据建立的配网简化模型,将其转换成矩阵数学模型反应网络拓扑结构以及网络参数,便于程序运行调用以及为下一步潮流计算提供网络结构和数据信息。
对初始网络节点和支路编号,并且利用矩阵存储其有关数据信息,如下。
a.节点矩阵Nodedata[节点编号i节点有功负荷Pli节点无功负荷Qli]
b.支路矩阵Branchdata[首节点编号i尾节点编号j电阻值Rij电抗值Xij]
c.电源点矩阵Powerdata[电源点节点编号i]
d.开关节点矩阵Switchdata[开关节点编号i开关开合状态],0代表开关打开,1代表开关闭合。
网络拓扑识别和节点重新编号排序的具体流程步骤如图2。
配网优化重构需要潮流计算数据作为支撑。对配电网进行拓扑分析后,针对配网闭环设计,开环运行的特点,每一部分辐射性网络可以看做是一个独立的馈线单元,分别进行潮流计算,不需要对整个配网网络进行计算,大大简化配网潮流计算的步骤。
配网潮流计算结果是对配电网进行重构、故障诊断处理、状态估计和无功优化的基础,针对在配网重构中不断变化的网络结构,需要进行多次的潮流计算,才能判断配网结构是否满足条件,继而进行目标函数的计算,得到最优的网络结构。
本申请采用属于支路类潮流计算方法中的支路功率前推回代法,其基本原理是利用已知的网络各个节点负荷值,根据设定的节点电压初值,从网络末端向首端计算各条支路的功率;然后利用已知的根节点电压,根据各条支路功率计算值,从网络首端向末端依次计算各个节点的电压。以此迭代,直到两次迭代的电压差值满足精度要求。
在优化极限学习机进行负荷预测中通过改进遗传算法取得了良好效果,即寻优获得了极限学习机最优参数,所以继续将改进遗传算法用于配网优化重构中,以获得最优的网络结构。
首先要将问题抽象为一个个染色体,并且根据网络特点进行染色体编码。优化重构中会产生大量不可行解,既会大幅度降低遗传算法计算速度,也会造成计算结果不收敛等严重后果。以环路为单元,对其开关进行编码,可以使遗传算法在配网可行解内搜索,大大提高搜索收敛速度。
经过基环变化后,初始树状配电网被分解成几个单独的环路。为了消除孤岛以及避免产生闭环的配网约束条件,每一个环路上的开关节点必须有且只有一个处于断开状态,不同的开关处于断开状态则表示不同的配网拓扑结构。而且电源节点和T节点必须处于闭合状态,末梢节点的开合状态可以不考虑。所以电源节点、T节点以及末梢节点在进行染色体编码时可以删除。除此之外,参与编码的节点仅编码一次,不能重复编码。对于已经编码完毕的染色体,利用其生成初始种群。
算法的实现需要一个目标函数,作为筛选种群的目标。对于生成初始种群中的每一个个体,调用潮流计算程序,计算出来每个个体对应的网损值Ploss。若某一个染色体对应的个体不能满足配网的约束条件,或潮流计算未收敛,则将其网损值取1。适应度函数F如下:
通过选择、交叉、变异的操作,获得最优个体。
基于改进遗传算法的配网优化重构的算法流程图如图3。
实施例一
以郑州市月季一号主变2016年和2017年每天24个时刻点的历史负荷为基础,加上影响负荷的相关因素,有温度、降雨、日照时长、风速及日期类型,将多维数据分为输入输出节点,进行负荷预测。
数据划分为两个部分,第一部分将2016年全年和2017年前11个月的数据做为训练数据,对IGA-ELM网络进行训练,优化ELM网络的连接权值ω和阈值β,得到此数据集的非线性拟合函数,利用其泛化性能对第二部分测试数据,即2017年最后一个月的数据进行输入,得到预测输出验证预测模型的有效性以及预测精度。
分别用BP网络、ELM网络和IGA-ELM网络对数据进行训练和预测,最终得到2017年12月份的负荷预测值。三种方法均得到了12月份每天的预测输出,因为每天的预测误差有所不同,为了更直观的显示三种方法的预测效果,将得到的预测结果求取平均值,并绘图对比结果如图4。
黑线为真实值,粉红线为IGA-ELM预测值,红线为ELM预测值,蓝线为BP预测值。结果显示,本文所提方法IGA-ELM预测值与实际值最为贴合,预测结果没有出现大幅度或某时间段的上下波动,说明网络具有较强的稳定性。
利用IGA-ELM预测郑州市火车站配网除电源节点外各个节点的有功及无功负荷,得到的各个节点负荷预测值,选取一天各个节点24个时刻点负荷值之和的平均值作为节点负荷值,如下表3:
表3网络模型输出样本定义
得到火车站配网节点负荷值能够提供配电网静态优化重构中潮流计算的重要数据支撑。
对配网进行优化重构前,要对实际配网进行简化,建立网络模型。将配网看做一个拓扑图,区别于传统模型中将电力设备看做节点,拓扑图中是将电源点、开关设备(包括联络开关和分段开关)和支路之间的T形交点看做节点;两个节点之间的所有负荷之和用一个等效负荷替代。这样实际网络节点数可以大大缩减,支路连接情况得到整合,达到简化配网的目的。并且根据前述编码规则,郑州市火车站配网的环路模型如图5。
从图中可以看出共构成3个环路,第一个环路:1,2;第二个环路:3,4,7,8;第三个环路:6,5,7,8。删除重复节点,并且按照节点序号从小到大进行排列:1,2,3,4,5,6,7,8。其中,9、10是末梢节点不参与染色体编码,其余开关节点数量作为染色体的长度,开关状态作为染色体内容组成染色体。
利用改进遗传算法进行郑州市火车站配网的优化重构。火车站配网经过简化后如图5所示,包括4个电源节点、10个开关节点和17条支路。该配电网共包括三个环路,对于每一个环路有且只能有一个开关处于断开状态,以保证配网的辐射型开环运行。T节点、电源节点和末梢节点一直处于闭合状态以保证供电,因此删去三个环路中的重复开关节点,剩余8个开关节点编号1~8,打开其中三个开关即可满足配网开环运行的条件。本例中,初始种群数设为50,迭代次数的最大值设为400,交叉和变异的概率设为0.4。
通过改进遗传算法搜索10KV火车站配网的最优结构,得到的网络最优运行方式对应的开关状态如下:
0代表开关断开,1代表开关闭合。根据开关状态,得到四个辐射型网络,供拓扑分析及潮流计算使用。如图6所示。
根据IGA-ELM预测模型进行负荷预测,得到4个辐射型子网各个节点的有功功率及无功功率,见表3。然后依据各条支路的电阻、电抗值进行潮流计算,最终得到各个子网的有功网损值,加和得到此最优运行方式下的火车站配网的网损最小值是136.62KW。即在满足约束条件下,目标函数的最小值为136.62KW。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (4)
1.一种基于考虑热岛效应负荷预测的配电网优化重构方法,建立加入热岛效应影响因素的短期负荷预测模型IGA-ELM,输入配电网各个节点的数据信息,获得各个节点预测24个时刻点的有功及无功负荷,确定在满足约束条件下使目标函数达到最优的网络优化重构模型,然后,进行配网拓扑分析简化实际配网中电力设备之间的接线方式,建立配网简化模型,为利用改进遗传算法实现网络重构打下基础,最后,利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑,其步骤是:步骤一、对各节点的数据信息进行采集,并把数据信息分成训练数据和测试数据;
步骤二、预先确定网络拓扑结构,把训练数据进行ELM训练,得到误差作为适应度;
步骤三、通过遗传算法在每次迭代的过程中,经过选择、交叉和变异产生的子代种群,利用爬山法在子代种群中再次进行择优选择,获得最优权值和阈值;
步骤四、构建ELM网络并初始化,输入测试样本进行ELM训练,结果不满足结束条件则返回步骤二,并对ELM的权值和阈值进行优化并改进GA对随机初始值编码;
步骤五、结果满足结束条件则获得测试数据,完成ELM预测,得到各个节点预测24个时刻点的有功及无功负荷;
步骤六、建立配网网损最小的目标函数作为优化重构的数学模型;
步骤七、在满足一定的约束条件下,进行配网拓扑分析简化实际配网中电力设备之间的接线方式,建立配网简化模型;
步骤八、利用改进遗传算法对配网进行搜索寻优,改变联络开关的开关状态,得到最优的网络拓扑;
所述优化重构的数学模型的建立需要满足一定的约束条件,其约束条件为:
(1)潮流约束
配电网所有节点应保持功率平衡,并且符合基尔霍夫电压、电流定律;
(2)节点电压、支路电流约束
式中Uj.min,Uj.max——节点j电压有效值的上下限(kV);Ib.max——支路b电流有效值的上限(kA);
(3)拓扑约束
配电网为开环设计,闭环运行,所以重构后的配网需为辐射状,并且不存在孤岛;
将配网简化模型转换成矩阵数学模型反应网络拓扑结构以及网络参数,便于程序运行调用及为下一步潮流计算提供网络结构和数据信息;
对网络拓扑结构的网络节点和支路进行编号,并且利用矩阵存储其有关数据信息,其储存信息如下:
a.节点矩阵Nodedata[节点编号i、节点有功负荷Pli、节点无功负荷Qli]
b.支路矩阵Branchdata[首节点编号i、尾节点编号j、电阻值Rij、电抗值Xij]
c.电源点矩阵Powerdata[电源点节点编号i]
d.开关节点矩阵Switchdata[开关节点编号i、开关开合状态],0代表开关打开,1代表开关闭合;
将配网看做一个拓扑图,区别于传统模型中将电力设备看做节点,拓扑图中是将电源点、开关设备和支路之间的T形交点看做节点;两个节点之间的所有负荷之和用一个等效负荷替代;
算法的实现需要一个目标函数,作为筛选种群的目标,对于生成初始种群中的每一个个体,调用潮流计算程序,计算出来每个个体对应的网损值Ploss,若某一个染色体对应的个体不能满足配网的约束条件,或潮流计算未收敛,则将其网损值取1,适应度函数F如下:
所述优化重构的数学模型如下式所示:
式中f——网损函数(MW);b——网络中的支路总数;ki——开关i的状态量,0代表打开,1代表闭合;Ri——支路i的(m);Pi——流过支路bi的有功功率(kW);Qi——流过支路bi的无功功率(kVar);
Ui——支路i末端的节点电压(kV)。
2.根据权利要求1所述的基于考虑热岛效应负荷预测的配电网优化重构方法,其特征是:所述数据信息包括温度、降水、风速、日照时数、日期类型以及热岛效应强度。
3.根据权利要求1所述的基于考虑热岛效应负荷预测的配电网优化重构方法,其特征是:在网络重构模型计算中,调用拓扑分析来不断变换网络的运行方式,以寻找满足目标函数的最优的网络结构;采用广度优先搜索法,将配网中元件划分成层状结构,从根节点开始,按层搜索,本层搜索完毕再进入下一层,直到将所有节点访问完毕。
4.根据权利要求1所述的基于考虑热岛效应负荷预测的配电网优化重构方法,其特征是:所示潮流计算采用属于支路类潮流计算方法中的支路功率前推回代法,其具体的为:利用已知的网络各个节点负荷值,根据设定的节点电压初值,从网络末端向首端计算各条支路的功率;然后利用已知的根节点电压,根据各条支路功率计算值,从网络首端向末端依次计算各个节点的电压,以此迭代,直到两次迭代的电压差值满足精度要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469313.4A CN110348048B (zh) | 2019-05-31 | 2019-05-31 | 基于考虑热岛效应负荷预测的配电网优化重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469313.4A CN110348048B (zh) | 2019-05-31 | 2019-05-31 | 基于考虑热岛效应负荷预测的配电网优化重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348048A CN110348048A (zh) | 2019-10-18 |
CN110348048B true CN110348048B (zh) | 2022-09-30 |
Family
ID=68174577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910469313.4A Active CN110348048B (zh) | 2019-05-31 | 2019-05-31 | 基于考虑热岛效应负荷预测的配电网优化重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348048B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105077B (zh) * | 2019-11-26 | 2021-09-21 | 广东电网有限责任公司 | 一种基于变异萤火虫算法的含dg配电网重构方法 |
CN111091307A (zh) * | 2019-12-30 | 2020-05-01 | 国网北京市电力公司 | 配电网资源处理方法、存储介质以及处理器 |
CN111064201B (zh) * | 2019-12-31 | 2022-07-15 | 东南大学 | 一种基于网络拓扑优化控制的配电网电压优化调节方法 |
CN111313421B (zh) * | 2020-04-19 | 2022-11-08 | 智标科技有限公司 | 一种配电网优化方法 |
CN112084713B (zh) * | 2020-09-09 | 2022-07-01 | 国网江苏省电力有限公司南通供电分公司 | 一种单电源辐射状配电网负荷开关状态辨识方法 |
CN112310958B (zh) * | 2020-09-24 | 2023-01-24 | 国网天津市电力公司电力科学研究院 | 一种计及电网负载率和时序负荷变化的电网调度优化方法 |
CN112633316B (zh) * | 2020-10-22 | 2023-06-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
CN112926187B (zh) * | 2021-01-28 | 2022-12-30 | 国网浙江省电力有限公司金华供电公司 | 一种配电网经济运行分析优化的方法 |
CN113629743B (zh) * | 2021-08-06 | 2023-06-13 | 广东电网有限责任公司 | 基于遗传算法的电动汽车充电站配电网重构方法及系统 |
CN114050607B (zh) * | 2021-10-25 | 2024-04-05 | 国网冀北电力有限公司经济技术研究院 | 配电网重构数字模型的构建系统 |
CN114336638B (zh) * | 2022-01-28 | 2023-11-03 | 国网山东省电力公司德州供电公司 | 一种基于冒泡模型的中压有源配电网动态重构方法 |
CN115833118B (zh) * | 2023-02-21 | 2023-05-05 | 山东盛日电力集团有限公司 | 一种用于电力设备的配电开关控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036234A (zh) * | 2013-01-10 | 2013-04-10 | 南京软核科技有限公司 | 一种配电网防误优化方法 |
CN104881708A (zh) * | 2015-05-07 | 2015-09-02 | 凯里供电局 | 基于拓扑修正的配电网重构方法 |
CN105356455A (zh) * | 2015-11-17 | 2016-02-24 | 国网上海市电力公司 | 一种基于配网重构的网损降低方法 |
CN105550947A (zh) * | 2016-02-04 | 2016-05-04 | 陆如 | 一种配电网络重构方法 |
CN105552892A (zh) * | 2015-12-28 | 2016-05-04 | 国网上海市电力公司 | 一种配电网重构方法 |
CN107508280A (zh) * | 2017-08-08 | 2017-12-22 | 国网宁夏电力公司电力科学研究院 | 一种配电网重构方法及系统 |
CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
CN109409583A (zh) * | 2018-10-08 | 2019-03-01 | 吉林大学 | 低压配电网络降损重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180004835A1 (en) * | 2016-06-30 | 2018-01-04 | Facebook, Inc. | Data classification workflows implemented with dynamically modifiable directed graphs |
-
2019
- 2019-05-31 CN CN201910469313.4A patent/CN110348048B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036234A (zh) * | 2013-01-10 | 2013-04-10 | 南京软核科技有限公司 | 一种配电网防误优化方法 |
CN104881708A (zh) * | 2015-05-07 | 2015-09-02 | 凯里供电局 | 基于拓扑修正的配电网重构方法 |
CN105356455A (zh) * | 2015-11-17 | 2016-02-24 | 国网上海市电力公司 | 一种基于配网重构的网损降低方法 |
CN105552892A (zh) * | 2015-12-28 | 2016-05-04 | 国网上海市电力公司 | 一种配电网重构方法 |
CN105550947A (zh) * | 2016-02-04 | 2016-05-04 | 陆如 | 一种配电网络重构方法 |
CN107508280A (zh) * | 2017-08-08 | 2017-12-22 | 国网宁夏电力公司电力科学研究院 | 一种配电网重构方法及系统 |
CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
CN109409583A (zh) * | 2018-10-08 | 2019-03-01 | 吉林大学 | 低压配电网络降损重构方法 |
Non-Patent Citations (4)
Title |
---|
A Short Term Load Forecasting by Considering Heat Island Effect Factor Based on IGA-ELM Model;yuehao Yan等;《2018 China International Conference on Electricity Distribution (CICED)》;20181231;全文 * |
基于改进遗传算法优化极限学习机的短期电力负荷预测;律方成等;《华北电力大学学报》;20181130;全文 * |
基于遗传算法的配电网故障恢复研究;项胤兴等;《电气应用》;20151005(第19期);全文 * |
用于降低网损的配电网络优化重构方法的研究;王秀云等;《电力系统保护与控制》;20080616;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110348048A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348048B (zh) | 基于考虑热岛效应负荷预测的配电网优化重构方法 | |
CN110619454B (zh) | 一种基于改进遗传算法和prim算法的配电网规划方法 | |
Li et al. | Many-objective distribution network reconfiguration via deep reinforcement learning assisted optimization algorithm | |
Zhang et al. | Distributed generation planning in active distribution network considering demand side management and network reconfiguration | |
Ho et al. | Optimal placement of fault indicators using the immune algorithm | |
Wang et al. | Determination of power distribution network configuration using non-revisiting genetic algorithm | |
Abubakar et al. | Optimal reconfiguration of radial distribution networks using improved genetic algorithm | |
CN109120009A (zh) | 计及分布式电源出力随机变化的主动配电网故障恢复方法 | |
Jena et al. | Solving distribution feeder reconfiguration and concurrent DG installation problems for power loss minimization by multi swarm cooperative PSO algorithm | |
CN109038545B (zh) | 一种基于差分进化入侵杂草算法的配电网重构方法 | |
Kumar et al. | Optimal distribution network reconfiguration to improve the system performances using PSO with multiple-objectives | |
CN104881708A (zh) | 基于拓扑修正的配电网重构方法 | |
CN107808200A (zh) | 配电网短时检修计划优化方法和装置 | |
Radha et al. | A modified genetic algorithm for optimal electrical distribution network reconfiguration | |
Torres-Jimenez et al. | Reconfiguration of power distribution systems using genetic algorithms and spanning trees | |
CN105184383B (zh) | 基于智能优化方法的城市移动应急电源最优调度方法 | |
CN111525577B (zh) | 一种基于神经网络的远景220kV电网组网方法及其系统 | |
Le Roux et al. | Distribution network reconfiguration using genetic algorithm and load flow | |
Wu et al. | Research on load transfer based on power supply unit of distribution network | |
CN111860617A (zh) | 一种配电网综合优化运行方法 | |
CN108062604B (zh) | 一种计及网络重构的配电网规划方法 | |
Ghaweta et al. | Optimal distribution feeder reconfiguration with distributed generation using intelligent techniques | |
Yasin et al. | Multiobjective quantum-inspired evolutionary programming for optimal location and sizing of distributed generation | |
Zhou et al. | A power supply restoration method of distribution network based on NSGA-II algorithm | |
Montoya et al. | A joint application of a genetic algorithm plus the minimal spanning tree for optimizing electrical energy systems |
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 |