CN110555556B - 一种基于线性整数规划的配网线变关系识别方法 - Google Patents
一种基于线性整数规划的配网线变关系识别方法 Download PDFInfo
- Publication number
- CN110555556B CN110555556B CN201910813638.XA CN201910813638A CN110555556B CN 110555556 B CN110555556 B CN 110555556B CN 201910813638 A CN201910813638 A CN 201910813638A CN 110555556 B CN110555556 B CN 110555556B
- Authority
- CN
- China
- Prior art keywords
- data
- distribution
- distribution network
- line
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000005611 electricity Effects 0.000 claims abstract description 13
- 238000013501 data transformation Methods 0.000 claims abstract description 10
- 238000004134 energy conservation Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 238000013138 pruning Methods 0.000 claims description 8
- 230000002040 relaxant effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 8
- 238000007726 management method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 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
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于线性整数规划的配网线变关系识别方法,涉及电力技术领域,方法包括:基于电力配网的能量守恒约束和拓扑约束,建立线性整数规划模型,并设置模型的目标函数为配网中各配电线路线损率之和;获取电力配网中各个时段配电线路以及配电变压器的电度数据;对配电线路以及配电变压器的电度数据进行异常值检测、异常值与缺失值处理、数据变换、数据校核的预处理,得到模型的输入数据;基于输入数据,采用分支定界算法对线性整数规划模型进行优化和求解;基于模型最优解,输出配网线变关系的最优组合。本发明能够快速获取优质的配网线变关系,有效减低线损率,提升电网经营管理水平。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种基于线性整数规划的配网线变关系识别方法。
背景技术
配电网运行时,为了降低网损率、均衡负荷、提高可靠性,需要对配电网的网络结构进行调整。配网线变关系是指配电网台区配变与其所属10kV线路之间的关系,它属于配电网拓扑结构的一种,其正确性对于计算配电网网损、配电网故障的抢修都具有非常重要的意义。
但是由于配电网元数量众多、扩容任务繁重、设备异动频繁,导致电网拓扑数据管理维护工作量大,数据录入与更新不及时,配电系统存储的拓扑或线变关系与实际电网运行情况不一致等问题,这给配网的调度、运行、管理带来了很大困扰,而现有技术无法实现通用性和期望的技术效果,例如,采用现场核查的方法校验配网拓扑会耗费大量的人力物力,采用电压关联度分析方法无法区分同一母线上的是否具有不同的10kV线路,而采用启发式分析方法容易陷入局部最优,从而无法获得配网的整网最优。
由此可见,急需一种智能化、效果好的配网线变关系识别方法代替传统的人工校验方式实现配网拓扑辨识,并为智能配电网的建设和发展提供关键技术支撑。
发明内容
为解决电网配网中的线变关系识别问题,本发明提出一种基于线性整数规划的配网线变关系识别方法,通过建立配网线变关系识别的线性整数规划模型,并采用分支算法对模型进行求解,从而得到配网线变关系的最优组合,与人工鉴别配网相比,速度快、效果好。
为实现本发明的技术目的,本申请具体采用以下技术方案:
第一方面,本发明公开一种基于线性整数规划的配网线变关系识别方法,包括以下步骤:
步骤S1、基于电力配网的能量守恒约束和拓扑约束,建立配网线变关系识别的线性整数规划模型,并设置模型的目标函数为配网中各配电线路线损率之和;
步骤S2、基于电力配网中用户的用电信息,获取各个时段配电线路的电度数据以及配电变压器的电度数据;
步骤S3、对配电线路的电度数据以及配电变压器的电度数据进行异常值检测、异常值与缺失值处理、数据变换、数据校核的预处理,得到模型的输入数据;
步骤S4、基于输入数据,采用分支定界算法对线性整数规划模型进行优化和求解;
步骤S5、基于模型最优解,输出配网线变关系的最优组合。
进一步地,步骤S1中的线性整数规划模型如下式表示:
其中,k表示时段编号;i表示配电线路出口的配电变压器编号;I表示所有线路上连接的配电变压器总数;j表示配电线路编号;J表示线路总条数;Sj表示配网实际运行情况下第j条线路上所连接配电变压器的集合;xij表示第i个配电变压器与第j条配电线路之间从属关系的逻辑量;WT.ki表示第k个时段内第i个变压器所消耗的电能;WL.kj表示第k个时段内第j条线路入口处输入的电能,表示第j条线路各时段输入电能的平均值;表示第i个变压器各时段消耗电能的平均值。
进一步地,步骤S3中的异常值检测过程,具体包括:
设k时段配电变压器i的电度数据为QT·ki,k时段配电线路j的电度数据为QL·kj;
利用电度递增原则和四分位法分别获取QL·kj数据数组在线性排序后的四分位点数据QL1、QL2和QL3,以及QT·ki数据数组在线性排序后的四分位点数据QT1、QT2和QT3;其中,QL1和QT1为处在25%位置上的数据,QL2和QT2为处在50%位置上的数据,QL3和QT3为处在75%位置上的数据;
基于QT1和QT3计算QT·ki的四分位距IQRT,基于QL1和QL3计算QL·kj的四分位距IQRL;
当QL·kj满足公式QL.kj<QL.(k-1)j∪QL.kj<QL1-1.5IQRL∪QL.kj>QL3+1.5IQRL时判定QL·kj为异常值;
当QT·ki满足公式QT.ki<QT.(k-1)i∪QT.ki<Q1-1.5IQRT∪QT.ki>QT3+1.5IQRT时判定QT·ki为异常值。
进一步地,步骤S3中的异常值与缺失值处理,具体包括:
利用三次样条插值替代异常值或缺失值的电度数据。
进一步地,步骤S3中的数据变换,具体包括:
将相邻时刻的两个电度数据QT·ki和QT·(k-1)i相减得到配电变压器的电能值参数WT.ki,将相邻时刻的电度数据QL·kj和QL·(k-1)j相减得到配电线路的电能值参数WL·kj。
进一步地,步骤S3中的数据校核过程,具体包括:
校验WT.ki和WL·kj是否满足能量守恒定律;
若不满足,则标记WT.ki和WL·kj为坏数据并删除;若满足,则存储WT.ki和WL·kj作为模型待输入数据。
进一步地,步骤S4中的分支定界算法,具体包括以下步骤:
初始化步骤,定义模型的目标函数值上界v*为正无穷;
定界步骤,令子问题为(P),依次利用单纯形法求解任一子问题(P)对应的线性规划松弛问题若线性规划松弛问题对应的下界LB小于目标函数值上界v*且对应最优解为整数解,则是比当前已知最好的可行解x*更好的解,最后利用LB和分别更新目标函数值上界v*和当前已知最好的可行解x*;
剪枝步骤,若子问题(P)的线性规划松弛最优解是整数解,或子问题(P)不可行,或子问题的下界LB大于等于已知可行解的上界v*,则进行剪枝,停止对子问题(P)进行分支,否则按照深度优先搜索策略继续执行分支步骤。
进一步地,步骤S5中的最优组合,具体是指:
各配电线路与配电变压器的最优连接关系组合{Sj,j=1…J}。
第二方面,本发明公开一种设备,包括:
处理器、存储器和通信总线;
其中,通信总线,用于实现处理器和存储器之间的通信连接;
存储器,用于存储能够在处理器上运行的基于线性整数规划的配网线变关系识别方法程序;
处理器,用于在运行基于线性整数规划的配网线变关系识别方法程序时,执行以下步骤:
步骤S1、基于电力配网的能量守恒约束和拓扑约束,建立配网线变关系识别的线性整数规划模型,并设置模型的目标函数为配网中各配电线路线损率之和;
步骤S2、基于电力配网中用户的用电信息,获取各个时段配电线路的电度数据以及配电变压器的电度数据;
步骤S3、对配电线路的电度数据以及配电变压器的电度数据进行异常值检测、异常值与缺失值处理、数据变换、数据校核的预处理,得到模型的输入数据;
步骤S4、基于输入数据,采用分支定界算法对线性整数规划模型进行优化和求解;
步骤S5、基于模型最优解,输出配网线变关系的最优组合。
第三方面,本发明公开一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现第一方面中任一项基于线性整数规划的配网线变关系识别方法的步骤。
本发明从数据分析的角度,建立配网线变关系识别的线性整数规划模型,利用预处理后的配电网运行大数据,基于能量守恒定律,采用分支定界算法,实现了配网线变关系的自动识别和最优解输出。本申请方案对采集电度数据的质量无较高要求,受配电线路线损率变化影响较小,适用于中等或大规模配电系统,解决了以人工方式甄别配网关系耗时、耗力的问题,基于最优关系输出可以提高线损率治理效果,提升电网经营管理水平,在一定程度上实现配网拓扑辨识,具有较好的推广应用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例1提供的一种基于线性整数规划的配网线变关系识别方法流程示意图;
图2为本发明实施例1提供的典型配电网络系统示意图;
图3为本发明实施例1提供的配网线变关系识别示意图;
图4为本发明实施例2提供的一种基于线性整数规划的配网线变关系识别设备的硬件结构示意图。
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,以下结合附图及实施例,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用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图和实施例对本发明实施例作详细说明。
实施例1
参见图1所示,本发明实施例1提供了一种基于线性整数规划的配网线变关系识别方法,并针对如图2所示含有4条配电线路以及17台配电变压器的典型配电网络系统作为实施案例,该方法包括以下步骤:
步骤S1、基于电力配网的能量守恒约束和拓扑约束,建立如下式(1)所示配网线变关系识别的线性整数规划模型,并设置模型的目标函数为配网中各配电线路线损率之和;
在式(1)中,k表示时段编号;i表示配电线路出口的配电变压器编号;I表示所有线路上连接的配电变压器总数;j表示配电线路编号;J表示线路总条数;Sj表示配网实际运行情况下第j条线路上所连接配电变压器的集合;xij表示第i个配电变压器与第j条配电线路之间从属关系的逻辑量;WT.ki表示第k个时段内第i个变压器所消耗的电能;WL.kj表示第k个时段内第j条线路入口处输入的电能,表示第j条线路各时段输入电能的平均值;表示第i个变压器各时段消耗电能的平均值。
本发明实施例中,针对图2所示的配电网络系统中含有4条配电线路以及17台配电变压器,可知I=17,J=4。
步骤S2、基于电力配网中用户的用电信息,获取各个时段配电线路的电度数据以及配电变压器的电度数据。
可以理解地,此处主要利用电力用户用电信息的采集系统,通过通讯网络可获取各时刻配电线路和配电变压器电度数QL·kj和QT·ki完成数据采集。
在本发明实施例中,各时刻电度数据如下表1所示。
表1各时刻电度数据
步骤S3、对配电线路的电度数据以及配电变压器的电度数据进行异常值检测、异常值与缺失值处理、数据变换、数据校核的预处理,得到模型的输入数据。
具体地,此处的异常值检测过程,具体包括:
若k时段配电变压器i的电度数据为QT·ki,k时段配电线路j的电度数据为QL·kj;
利用电度递增原则和四分位法分别获取QL·kj数据数组在线性排序后的四分位点数据QL1、QL2和QL3以及QT·ki数据数组在线性排序后的四分位点数据QT1、QT2和QT3;其中,QL1和QT1为处在25%位置上的数据,QL2和QT2为处在50%位置上的数据,QL3和QT3为处在75%位置上的数据;
基于QT1和QT3计算QT·ki的四分位距IQRT,基于QL1和QL3计算QL·kj的四分位距IQRL;
当QL·kj满足下式(2)时判定QL·kj为异常值;当QT·ki满足下式(3)时判定QT·ki为异常值。
QL.kj<QL.(k-1)j∪QL.kj<QL1-1.5IQRL∪QL.kj>QL3+1.5IQRL.......(2)
QT.ki<QT.(k-1)i∪QT.ki<Q1-1.5IQRT∪QT.ki>QT3+1.5IQRT.......(3)
进一步地,此处的异常值与缺失值处理是利用三次样条插值替代异常值或缺失值的电度数据。
进一步地,此处的数据变换是通过下式(4)和(5)实现的,主要过程是将相邻时刻的两个电度数据QT·ki和QT·(k-1)i相减得到配电变压器的电能值参数WT.ki,将相邻时刻的电度数据QL·kj和QL·(k-1)j相减得到配电线路的电能值参数WL·kj。
WT.ki=QT.ki-QT.(k-1)i..............................................(4)
WL.kj=QL.kj-QL.(k-1)j..............................................(5)
进一步地,数据校核过程,具体包括:
通过下式(6)校验WT.ki和WL·kj的值是否满足能量守恒定律;
若不满足,则标记WT.ki和WL·kj为坏数据并删除;若满足,则存储WT.ki和WL·kj作为线性整数规划模型的待输入数据。
以表1中的第2列电度数据为例,经平台专业计算软件计算可知第一四分位数Q1为6117.133,第二四分位数Q2为6338.765,第三四分位数Q3为6608.165,四分位距IQR为441.0325,再由前述公式(3)的条件可知QT.92>Q3+1.5IQR,则可以判定QT.92为异常电度数据,之后利用三次样条插值计算出的值6456.51替代原异常电度数据QT.92。
在异常值与缺失值处理后,为便于应用模型求解,利用前述公式(4)和(5)将相邻时刻电度数据相减得到如下表2所示的各时段电量数据。
表2各时段电量数据
最后针对各时段电量数据利用前述公式(6)进行数据校核,经计算可知表2中15个时段的电量数据均满足能量守恒约束,故保留表2中的所有电量数据。
步骤S4:基于预处理后的电量数据,利用分支定界算法求解配网线变关系识别的线性整数规划模型。
具体地,本发明实施例中的分支定界算法,具体包括以下步骤:
1)初始化步骤,定义模型的目标函数值上界v*为正无穷。
2)分支步骤,依次选择自由变量i作为固定变量,通过固定公式(7)得到J个子问题,形成分支定界树。公式(7)如下所示:
3)定界步骤,令子问题为(P),依次利用单纯形法求解任一子问题(P)对应的线性规划松弛问题若线性规划松弛问题对应的下界LB小于目标函数值上界v*且对应最优解为整数解,则是比当前已知最好的可行解x*更好的解,利用LB和分别更新目标函数值上界v*和当前已知最好的可行解x*。
4)剪枝步骤,若子问题(P)的线性规划松弛最优解是整数解,或子问题(P)不可行,或子问题的下界LB大于等于已知可行解的上界v*,则进行剪枝,停止对子问题(P)进行分支,否则按照深度优先搜索策略继续执行分支步骤。
得到优化后由xij构成的配电线路与配电变压器的连接矩阵X。经实验,本发明实施例的分支定界算法求解时间约为2s左右,因此能够通过优化模型快速得到优化决策结果。
具体地,本发明实施例中的连接矩阵X如下表3所示,其中,表3中的行数据对应配线线路编号j,列数据对应配电变压器编号i。
表3配电线路与配电变压器的连接矩阵
步骤S5:基于连接矩阵X,输出优化后的配网线变关系识别决策结果,即下表4所示的各配电线路所连接配电变压器的最优连接关系组合{Sj,j=1…J}的关系表。
表4优化后配网线变对应关系表
在本发明实施例中,基于表3所示的连接矩阵,可以得到参见图3所示的配网线变关系识别图,图中以智能体连线的方式显示了配网中的层级和连接关系。通过对比图2和图3,或者对比图2和表4,显而易见地,本发明实施例方法对于配网线变的关系识别准确率可以达到无误,并且识别效果好。
综上所述,本发明方案从数据分析的角度,建立配网线变关系识别的线性整数规划模型,利用预处理后的配电网运行大数据,基于能量守恒定律,采用分支定界算法,实现了配网线变关系的自动识别并且获取配网关系中配电线路与配电变压器之间的最优组合。本申请方案对采集电度数据的质量无较高要求,受配电线路线损率变化影响较小,适用于中等或大规模配电系统,获取的配网最优组合能够提高线损率治理效果,提升电网经营管理水平,并在一定程度上实现配网拓扑辨识,具有较好的推广应用价值。
实施例2
基于前述实施例方案,参照图4所示,本发明实施例2还提供一种基于线性整数规划的配网线变关系识别设备的具体硬件结构,该设备4可以包括:存储器42和处理器43;各个组件通过通讯总线41耦合在一起。可以理解地,通讯总线41用于实现这些组件之间的连接通信。通讯总线41除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图3中将各种总线都标为通讯总线41。
存储器42,用于存储能够在处理器43上运行的基于线性整数规划的配网线变关系识别方法程序;
处理器43,用于在运行基于线性整数规划的配网线变关系识别方法程序时,执行以下步骤:
步骤S1、基于电力配网的能量守恒约束和拓扑约束,建立配网线变关系识别的线性整数规划模型,并设置模型的目标函数为配网中各配电线路线损率之和;
步骤S2、基于电力配网中用户的用电信息,获取各个时段配电线路的电度数据以及配电变压器的电度数据;
步骤S3、对配电线路的电度数据以及配电变压器的电度数据进行异常值检测、异常值与缺失值处理、数据变换、数据校核的预处理,得到模型的输入数据;
步骤S4、基于输入数据,采用分支定界算法对线性整数规划模型进行优化和求解;
步骤S5、基于模型最优解,输出配网线变关系的最优组合。
进一步地,步骤S1中的线性整数规划模型如下式表示:
其中,k表示时段编号;i表示配电线路出口的配电变压器编号;I表示所有线路上连接的配电变压器总数;j表示配电线路编号;J表示线路总条数;Sj表示配网实际运行情况下第j条线路上所连接配电变压器的集合;xij表示第i个配电变压器与第j条配电线路之间从属关系的逻辑量;WT.ki表示第k个时段内第i个变压器所消耗的电能;WL.kj表示第k个时段内第j条线路入口处输入的电能,表示第j条线路各时段输入电能的平均值;表示第i个变压器各时段消耗电能的平均值。
进一步地,步骤S3中的异常值检测过程,具体包括:
设k时段配电变压器i的电度数据为QT·ki,k时段配电线路j的电度数据为QL·kj;
利用电度递增原则和四分位法分别获取QL·kj数据数组在线性排序后的四分位点数据QL1、QL2和QL3以及QT·ki数据数组在线性排序后的四分位点数据QT1、QT2和QT3;其中,QL1和QT1为处在25%位置上的数据,QL2和QT2为处在50%位置上的数据,QL3和QT3为处在75%位置上的数据;
基于QT1和QT3计算QT·ki的四分位距IQRT,基于QL1和QL3计算QL·kj的四分位距IQRL;
当QL·kj满足公式QL.kj<QL.(k-1)j∪QL.kj<QL1-1.5IQRL∪QL.kj>QL3+1.5IQRL时判定QL·kj为异常值;
当QT·ki满足公式QT.ki<QT.(k-1)i∪QT.ki<Q1-1.5IQRT∪QT.ki>Q3+1.5IQRT时判定QT·ki为异常值。
进一步地,步骤S3中的异常值与缺失值处理,具体包括:
利用三次样条插值替代异常值或缺失值的电度数据。
进一步地,步骤S3中的数据变换,具体包括:
将相邻时刻的两个电度数据QT·ki和QT·(k-1)i相减得到配电变压器的电能值参数WT.ki,将相邻时刻的电度数据QL·kj和QL·(k-1)i相减得到配电线路的电能值参数WL·kj。
进一步地,步骤S3中的数据校核过程,具体包括:
校验WT.ki和WL·kj是否满足能量守恒定律;
若不满足,则标记WT.ki和WL·kj为坏数据并删除;若满足,则存储WT.ki和WL·kj作为模型待输入数据。
进一步地,步骤S4中的分支定界算法,具体包括以下步骤:
初始化步骤,定义模型的目标函数值上界v*为正无穷;
定界步骤,令子问题为(P),依次利用单纯形法求解任一子问题(P)对应的线性规划松弛问题若线性规划松弛问题对应的下界LB小于目标函数值上界v*且对应最优解为整数解,则是比当前已知最好的可行解x*更好的解,利用LB和分别更新目标函数值上界v*和当前已知最好的可行解x*;
剪枝步骤,若子问题(P)的线性规划松弛最优解是整数解,或子问题(P)不可行,或子问题的下界LB大于等于已知可行解的上界v*,则进行剪枝,停止对子问题(P)进行分支,否则按照深度优先搜索策略继续执行分支步骤。
进一步地,步骤S5中的模型最优解,具体是指各配电线路与配电变压器的最优连接关系组合{Sj,j=1…J}。
可以理解,本发明实施例中的存储器42可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的系统和方法的存储器42旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器43可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器43中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器43可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器42,处理器43读取存储器42中的信息,结合其硬件完成上述方法的步骤。
基于前述实施例,本发明实施例提供一种计算机可读介质,该计算机可读介质存储有基于线性整数规划的配网线变关系识别方法程序,基于线性整数规划的配网线变关系识别方法程序被至少一个处理器执行时实现上述任一实施例中基于线性整数规划的配网线变关系识别方法的步骤。
可以理解地,以上实施例中的方法步骤,可以存储在计算机可读取存储介质中,基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本发明实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文功能的模块(例如过程、函数等)来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体来说,用户终端中的处理器43还配置为运行计算机程序时,执行前述实施例中的方法步骤,这里不再进行赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程和方框、以及流程图和方框图中的流程和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的装置。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上实施例,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,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 (8)
1.一种基于线性整数规划的配网线变关系识别方法,其特征在于,所述方法包括以下步骤:
步骤S1、基于电力配网的能量守恒约束和拓扑约束,建立配网线变关系识别的线性整数规划模型,并设置模型的目标函数为配网中各配电线路线损率之和;
步骤S2、基于电力配网中用户的用电信息,获取各个时段配电线路的电度数据以及配电变压器的电度数据;
步骤S3、对配电线路的电度数据以及配电变压器的电度数据进行异常值检测、异常值与缺失值处理、数据变换、数据校核的预处理,得到模型的输入数据;
步骤S4、基于输入数据,采用分支定界算法对线性整数规划模型进行优化和求解;
步骤S5、基于模型最优解,输出配网线变关系的最优组合;
具体地,所述步骤S1中的线性整数规划模型如下式表示:
2.根据权利要求1所述的识别方法,其特征在于,所述步骤S3中的异常值检测过程,具体包括:
设k时段配电变压器i的电度数据为QT·ki,k时段配电线路j的电度数据为QL·kj;
利用电度递增原则和四分位法分别获取QL·kj数据数组在线性排序后的四分位点数据QL1、QL2和QL3以及QT·ki数据数组在线性排序后的四分位点数据QT1、QT2和QT3;其中,QL1和QT1为处在25%位置上的数据,QL2和QT2为处在50%位置上的数据,QL3和QT3为处在75%位置上的数据;
基于QT1和QT3计算QT·ki的四分位距IQRT,基于QL1和QL3计算QL·kj的四分位距IQRL;
当QL·kj满足公式QL.kj<QL.(k-1)j∪QL.kj<QL1-1.5IQRL∪QL.kj>QL3+1.5IQRL时判定QL·kj为异常值;
当QT·ki满足公式QT.ki<QT.(k-1)i∪QT.ki<Q1-1.5IQRT∪QT.ki>QT3+1.5IQRT时判定QT·ki为异常值。
3.根据权利要求2所述的识别方法,其特征在于,所述步骤S3中的异常值与缺失值处理,具体包括:
利用三次样条插值替代所述异常值或缺失值的电度数据。
4.根据权利要求3所述的识别方法,其特征在于,所述步骤S3中的数据变换,具体包括:
将相邻时刻的两个电度数据QT·ki和QT·(k-1)i相减得到配电变压器的电能值参数WT.ki,将相邻时刻的电度数据QL·kj和QL·(k-1)j相减得到配电线路的电能值参数WL·kj。
5.根据权利要求4所述的识别方法,其特征在于,所述步骤S3中的数据校核过程,具体包括:
校验所述WT.ki和所述WL·kj是否满足能量守恒定律;
若不满足,则标记所述WT.ki和所述WL·kj为坏数据并删除;若满足,则存储所述WT.ki和所述WL·kj作为所述模型待输入数据。
6.根据权利要求5所述的识别方法,其特征在于,所述步骤S4中的分支定界算法,具体包括以下步骤:
初始化步骤,定义所述模型的目标函数值上界v*为正无穷;
定界步骤,令子问题为(P),依次利用单纯形法求解任一子问题(P)对应的线性规划松弛问题若线性规划松弛问题对应的下界LB小于目标函数值上界v*且对应最优解为整数解,则是比当前已知最好的可行解x*更好的解,利用LB和分别更新目标函数值上界v*和当前已知最好的可行解x*;
7.根据权利要求6所述的识别方法,其特征在于,所述步骤S5中的最优组合,具体是指:
各配电线路与配电变压器的最优连接关系组合{Sj,j=1…J} 。
8.一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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述基于线性整数规划的配网线变关系识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813638.XA CN110555556B (zh) | 2019-08-30 | 2019-08-30 | 一种基于线性整数规划的配网线变关系识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813638.XA CN110555556B (zh) | 2019-08-30 | 2019-08-30 | 一种基于线性整数规划的配网线变关系识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555556A CN110555556A (zh) | 2019-12-10 |
CN110555556B true CN110555556B (zh) | 2023-04-07 |
Family
ID=68738554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910813638.XA Active CN110555556B (zh) | 2019-08-30 | 2019-08-30 | 一种基于线性整数规划的配网线变关系识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555556B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130118B (zh) * | 2020-01-09 | 2021-02-02 | 清华大学 | 一种基于分段线性化的电力系统最优潮流计算方法 |
CN111694820A (zh) * | 2020-04-27 | 2020-09-22 | 深圳华工能源技术有限公司 | 电力异常数据多重过滤方法、装置、电子设备及存储介质 |
CN111818051B (zh) * | 2020-07-08 | 2022-05-31 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于低能耗的配网加密系统及加密方法 |
CN112085403B (zh) * | 2020-09-16 | 2022-05-10 | 国网福建省电力有限公司营销服务中心 | 一种基于混合整数规划的低压台区拓扑辨识方法 |
CN113675854B (zh) * | 2021-07-15 | 2024-07-23 | 国网浙江乐清市供电有限公司 | 一种考虑台区电压损耗的配网线变校验方法及装置 |
CN115808589A (zh) * | 2023-02-06 | 2023-03-17 | 国网江苏省电力有限公司电力科学研究院 | 配电网分时分段线损异常诊断方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105319544A (zh) * | 2014-06-26 | 2016-02-10 | 霍尼韦尔国际公司 | 用于使用可调整自干扰抵消来校准和优化调频连续波雷达高度仪的系统和方法 |
CN108710990A (zh) * | 2018-04-19 | 2018-10-26 | 国网天津市电力公司 | 基于同期数据的线变台户多级线损分析方法及系统 |
CN109390979A (zh) * | 2018-10-24 | 2019-02-26 | 云南电网有限责任公司电力科学研究院 | 一种综合能源系统的优化控制方法 |
CN109980640A (zh) * | 2019-04-08 | 2019-07-05 | 国网四川省电力公司成都供电公司 | 基于多智能体协同优化的配网线变关系识别方法 |
-
2019
- 2019-08-30 CN CN201910813638.XA patent/CN110555556B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105319544A (zh) * | 2014-06-26 | 2016-02-10 | 霍尼韦尔国际公司 | 用于使用可调整自干扰抵消来校准和优化调频连续波雷达高度仪的系统和方法 |
CN108710990A (zh) * | 2018-04-19 | 2018-10-26 | 国网天津市电力公司 | 基于同期数据的线变台户多级线损分析方法及系统 |
CN109390979A (zh) * | 2018-10-24 | 2019-02-26 | 云南电网有限责任公司电力科学研究院 | 一种综合能源系统的优化控制方法 |
CN109980640A (zh) * | 2019-04-08 | 2019-07-05 | 国网四川省电力公司成都供电公司 | 基于多智能体协同优化的配网线变关系识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110555556A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555556B (zh) | 一种基于线性整数规划的配网线变关系识别方法 | |
Olsson et al. | Modeling real-time balancing power market prices using combined SARIMA and Markov processes | |
CN109325545A (zh) | 低压配电网拓扑结构校验方法、装置、设备及存储介质 | |
Kleinert et al. | Global optimization of multilevel electricity market models including network design and graph partitioning | |
CN104866926B (zh) | 基于气象因素和时间序列分析的配电网故障数量预测方法 | |
CN113126019A (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN107482656B (zh) | 微电网的电力规划方法、装置、设备及计算机可读存储介质 | |
CN111105065A (zh) | 一种基于机器学习的农村供水系统及供水方法 | |
CN102521080A (zh) | 电力用户用电信息采集系统的计算机数据修复方法 | |
CN107944612A (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
Kayıkçı et al. | Economic growth and electricity consumption in GCC and MENA countries | |
CN108959791A (zh) | 一种相控阵雷达资源调度效能层级递阶评估方法 | |
CN108399505A (zh) | 分布式光伏电源接入容量规划方法及终端设备 | |
CN110490220A (zh) | 一种母线负荷辨识方法和系统 | |
CN110826776A (zh) | 一种配网线变关系识别中基于动态规划的初始解优化方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN105116268B (zh) | 一种分压售电量和分压供电量对线损率影响的分析方法 | |
Gebrekiros et al. | Assessment of PTDF based power system aggregation schemes | |
Söderholm et al. | Learning curve analysis for energy technologies: Theoretical and econometric issues | |
CN109447310A (zh) | 一种配电网投入产出效益分析方法及装置 | |
CN110298490A (zh) | 基于多元回归的时间序列电力负荷组合预测方法及计算机可读存储介质 | |
Alschner et al. | Can robots write treaties? Using recurrent neural networks to draft international investment agreements | |
CN108847666A (zh) | 配电网短路电流水平的分析方法、装置和实现装置 | |
Sperstad et al. | Probabilistic socio-economic cost assessment integrating power market and reliability analysis | |
Zheng et al. | Data-Adaptive Robust Transmission Network Planning Incorporating Post-Contingency Demand Response |
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 |