CN110852627B - 配电网灾后抢修决策方法和装置 - Google Patents
配电网灾后抢修决策方法和装置 Download PDFInfo
- Publication number
- CN110852627B CN110852627B CN201911106401.4A CN201911106401A CN110852627B CN 110852627 B CN110852627 B CN 110852627B CN 201911106401 A CN201911106401 A CN 201911106401A CN 110852627 B CN110852627 B CN 110852627B
- Authority
- CN
- China
- Prior art keywords
- fault point
- vehicle
- point
- distribution network
- time
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 126
- 230000008439 repair process Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000000463 material Substances 0.000 claims abstract description 126
- 238000010276 construction Methods 0.000 claims abstract description 99
- 238000012423 maintenance Methods 0.000 claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 21
- 238000011084 recovery Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 210000000349 chromosome Anatomy 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 230000003362 replicative effect Effects 0.000 claims 1
- 230000002079 cooperative effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000000137 annealing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 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
- 238000011160 research 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了配电网灾后抢修决策方法和装置,采集灾害情况下故障信息配变级灾损信息、抢修队伍以及物资运输车信息,在满足配网运行约束和路径规划约束的前提下,以配网故障点选择和抢修队伍、物资调度作为决策变量,建立配电网网架重构和物资人员调配辅助决策模型,该模型包括下层以最大恢复负荷为目标的联络线动作方案确定模型和上层以抢修过程中总失电量最小为目标的施工队和物资调度方案确定模型;采用上下层迭代求解方法求解该调配辅助决策模型,最终确定配电网灾后抢修决策方案。本发明充分考虑了施工队与物资车的协同动作,往往不能达到经济损失最小的目标的问题,简化了各部分解的编码。
Description
技术领域
本发明属于电力系统抢修调度领域,涉及配电网灾后抢修决策方法和装置。
背景技术
由于配电网的设计标准较低,在自然灾害(如暴风雪、台风等)发生过程中,会造成大量的配电网物理故障。在2008年极端冰雪灾害中,16个省(自治区、直辖市)的电网遭受到严重破坏,线路覆冰、铁塔倒塌、变电站跳闸、大面积停电等,光是断缆带来的直接和间接经济损失就将近十亿人民币。灾害发生后,施工队需要根据灾后故障情况,安排施工队抢修顺序。合理、高效的故障抢修顺序能够减少停电时间、提高配电网的可靠性。为此,需要对配电网灾后抢修辅助决策提供支撑。
在目前的配电网灾后抢修策略研究中,传统做法是单独考虑车辆路径或开关顺序。但是在实际的配电网灾后抢修过程中,由于涉及了施工队与物资车的协同动作,以及网架重构的存在,使得故障抢修成为一个组合优化问题,寻优过程变得非常复杂,此时传统做法往往不能达到经济损失最小的目标。
发明内容
本发明的目的在于解决目前配电网灾后抢修的传统做法是单独考虑车辆路径或开关顺序,没有考虑施工队与物资车的协同动作,往往不能达到经济损失最小的目标的问题,提供了配电网灾后抢修决策方法和装置。
实现本发明目的的技术解决方案为:
提供一种配电网灾后抢修决策方法,包括以下步骤:
采集灾害情况下配电网馈线、线路区段的故障信息配变级灾损信息、抢修队伍位置以及物资运输车位置信息和工作状态,根据采集到的数据确定配网故障点选择、抢修队伍和物资调度决策变量;
在满足配网运行约束和路径规划约束的前提下,以配网故障点选择和抢修队伍、物资调度作为决策变量,建立配电网网架重构和物资人员调配辅助决策模型,所述配电网网架重构和物资人员调配辅助决策模型包括下层以最大恢复负荷为目标的联络线动作方案确定模型和上层以抢修过程中总失电量最小为目标的施工队和物资调度方案确定模型;
采用上下层迭代求解方法求解配电网网架重构和物资人员调配辅助决策模型,最终确定配电网灾后抢修决策方案。
进一步地,根据采集灾害情况下配电网馈线、线路区段的故障信息配变级灾损信息、抢修队伍位置以及物资运输车位置信息和工作状态,确定配网故障点选择、抢修队伍和物资调度决策变量;确定的所述决策变量如下:
故障点坐标、抢修队坐标、仓库坐标、物资运输车坐标、物资运输车携带能力、抢修队对应故障类型的预估抢修时间、当前受灾配电网拓扑数据、联络开关位置、负荷等级、用户有功负荷、节点间直线距离和车速。
再进一步地,所述网架重构和人员物资调配辅助决策模型包括:
1)上层施工队和物资调度方案确定模型,数学表达式为:
以配电网相邻两个故障点修复时间间隔为一个阶段,计算每个阶段内的用户失电负荷乘以间隔时间,所有阶段之和即为抢修过程中总失电量;
式中N表示配电网节点数,为节点i的用户有功负荷;J为第 J个抢修阶段;D为总阶段数;为J阶段内节点带电状态,优选地是 0表示带电,否则为1表示不带电;ωi为节点i的用户负荷权重;为节点i在阶段J内的总失电时间;
2)下层联络线动作方案确定模型,目标函数表达式如下:
此部分以联络线开关状态作为决策变量,在满足配网运行安全性约束的前提下,实现配网重构负荷恢复最大化的目标。
再进一步地,所述网架重构和人员物资调配辅助决策模型的配网运行约束和路径规划约束包括物资运输约束、物资车辆行为约束、施工队约束以及支路潮流约束,具体为:
1)物资运输约束,表达式如下:
其中V为车辆集合,v为车辆个体;F为故障点集合;S为出发点集合;s为出发点;vn为车辆v的目标故障点个数;fvi为车辆v 第i个前往的故障点;
2)物资车辆行为约束表达式如下:
v∈V,w∈W,s∈S
其中W为仓库集合;w为仓库个体;V为物资车辆集合;v为物资车辆个体;S为车辆出发点集合;s为出发点个体;twf为故障点到仓库时间;tsw为出发点到仓库的路程时间;fvi为车辆v任务中第i个故障点;为车辆v从仓库至其任务中第一个故障点的路程时间;tsw为出发点至仓库的路程时间;表示故障点f为车辆v任务中第一个故障点,是为1,否则为0;为故障点f为车辆v任务中第k-1个故障点,是为1,否则为0;为车辆v任务中第k-1个故障点至仓库w的路程时间;表示故障点f为车辆v任务中第k个故障点,是为1,否则为0;表示故障点f为车辆v第i个目标故障点;
上式为车辆v到达其第i个前往故障点的时间tvi;不考虑装卸货时间,到达和离开时间视为相同;
v∈V,w∈W,s∈S
其中表示车辆v属于出发点s,是为1,否则为0;tsw为出发点至仓库的路程时间;表示故障点f为车辆v任务中第i个故障点,是为1,否则为0;为车辆v从仓库至其任务中第i个故障点的路程时间;为故障点f为车辆v任务中第k个故障点,是为1,否则为0;为车辆v从仓库至其任务中第k个故障点的路程时间;
上式中nf为故障点f需要的车辆数;rf为故障点f的物资需求量; rv为车辆v的载荷;
上式为车辆数约束,Ys表示出发点s拥有的车辆数;
v∈nf,w∈W,s∈S
3)施工队约束,表达式如下:
上式表示每个故障点只对应1个施工队,每个施工队抢修任务中至少包含1个故障点,其中F表示故障点集合,f表示故障点个体, M为施工队集合,m为施工队个体;
m∈M
其中tf′f为故障点之间的路程时间,为第k-1个故障点和第k 个故障点之间的路程时间;tmf为施工队出发点与故障点之间的路程时间,为施工队出发点与第一个故障点之间的路程时间;tic是施工队任务第i个故障点的物资满足时间;施工队m对其抢修任务第 i个故障点的维修时间;上式中为施工队m离开抢修任务中第i个故障点的时间;
4)支路潮流约束,表达式如下:
式中Se为节点e的子节点集合;j为e的子节点;e为j的父节点;Pj、Qj为子节点j的有功和无功;Pe、Qe为父节点e的有功和无功;re、xe为节点e的电阻和电抗;V0为系统给出的基准电压,Ve为节点e的电压, Vj为e的子节点j的电压;
下式为节点电压约束;
再进一步地,上下层迭代求解具体步骤为:
1)下层求解步骤
下层采用遗传算法求解联络线动作方案;其中,种群包含的染色体需通过深度优先搜索校验满足电网树状约束M=nb-1,其中M为系统中支路数,nb为节点数,具体步骤如下:
①参数初始化:输入初始参数,包括变异和交叉概率、当前阶段内配电网的拓扑结构和基本参数、节点有功和无功负荷,然后随机生成初始种群pop,pop为由0、1组成的大小为a×c的矩阵,其中c表示配电网中联络线数量,0表示断开,1表示闭合,种群规模为a,每行为一条染色体,表示联络线方案的一种解,pop中所有解必需通过深度优先搜索校验满足辐射状运行约束M=nb-1,其中M为系统中支路数,nb为节点数,同时还需满足支路潮流约束,不满足则需重新生成解;
②个体评价:计算种群中每条染色体的适应值,优选地,适应值计算公式如下:
式中:fobj.i为染色体i的目标函数值,Ci为得到的适应度,目标函数值与适应值成反比;
③选择运算:按积累概率通过轮盘赌取舍和复制新种群的染色体;
优选地,积累概率公式如下:
式中:P(xj)表示染色体j的目标函数值占种群所有染色体目标函数和的比值;
④交叉运算:以一定的概率对种群进行两点交叉,即在两条染色体相同的两个位置上进行基因交换;
⑤变异运算:以设定的概率改变染色体中的一个基因;
⑥终止条件:在迭代一定次数后的到的种群pop中,由于目标函数值与适应值成反比,选择适应值最小的染色体作为最终解;
2)上层求解步骤
上层采用模拟退火算法求解;其中,解的编码方式是将抢修队编号和故障点编号不等间隔穿插构成,并满足所述配网运行约束和路径规划约束,首位为抢修队编号,如Trans={crew1,f1,fk1,…crewm,fkn};
在上层得到一个故障点的修复时刻序列后,在其中任一故障点表示修复或未修复的修复状态变化后,都需通过下层按当前的配电网拓扑计算联络线动作方案,得到上层解的总失电量,最后上层中不断迭代产生最优解;模拟退火算法具体步骤如下:
算法中解的编码分为两部分,第一部分由施工队编号和故障点编号不等间隔穿插构成,首位数字为施工队编号,如{crew1,f1, fk1,…crewm,fkn};第二部分每行由故障点编号和仓库编号穿插构成,行数代表了物资运输车了的数量,如它分为以下求解步骤:
①设定初始化温度T0、冷却系数、每个温度的迭代次数L和终止温度Tf,生成初始解;
②扰动并产生新解S′,扰动方法包括两点交换、两段交换以及点 -段交换,扰动后仍为满足所述配网运行约束和路径规划约束条件的可行解;
③计算ΔT=C(S′)-C(S),其中C(S)为目标函数,S为当前解;
④若ΔT<0则接收S′为当前解,否则以概率p接受S′为当前解,优选地,概率p的表达式如下
式中,K为玻尔兹曼常数,T为当前温度;
⑤到达终止温度时输出当前解为最优解。
在以上技术方案基础上,优选地,所述决策方法还包括:采集无人机勘灾系统通过图像智能识别技术进行灾害现场的倒断杆等灾损识别信息,确定受灾点所需物资数量和抢修时间。
进一步地,将最终确定的配电网灾后抢修决策方案下达抢修队伍及物资运输车辆。
另一方面,本发明提供一种配电网灾后抢修决策装置,其特征在于,包括:数据采集模块、辅助决策模型构建模块以及辅助决策模型求解模块和数据通信模块;
所述数据采集模块,用于采集灾害情况下配电网馈线、线路区段的故障信息配变级灾损信息、抢修队伍位置以及物资运输车位置信息和工作状态;
所述辅助决策模型构建模块,用于在满足配网运行约束和路径规划约束的前提下,以配网故障点选择和抢修队伍、物资调度作为决策变量,建立配电网网架重构和物资人员调配辅助决策模型,所述配电网网架重构和物资人员调配辅助决策模型包括下层以最大恢复负荷为目标的联络线动作方案确定模型和上层以抢修过程中总失电量最小为目标的施工队和物资调度方案确定模型;
所述辅助决策模型求解模块,用于采用上下层迭代求解方法求解配电网网架重构和物资人员调配辅助决策模型,最终确定配电网灾后抢修决策方案;
所述数据通信模块,用于将最终确定的配电网灾后抢修决策方案通过通信设备下达抢修队伍及物资运输车辆。
在以上技术方案基础上,进一步地所述辅助决策模型构建模块建立的配电网网架重构和物资人员调配辅助决策模型包括:
1)上层施工队和物资调度方案确定模型,数学表达式为:
以配电网相邻两个故障点修复时间间隔为一个阶段,计算每个阶段内的用户失电负荷乘以间隔时间,所有阶段之和即为抢修过程中总失电量;
2)下层联络线动作方案确定模型,目标函数表达式如下:
此部分以联络线开关状态作为决策变量,在满足配网运行安全性约束的前提下,实现配网重构负荷恢复最大化的目标。
在以上技术方案基础上,进一步地,所述辅助决策模型构建模块还包括约束条件构建模块,所述约束条件构建模块用于构建配网运行约束和路径规划约束条件,所述约束条件包括:
1)物资运输约束,表达式如下:
其中V为车辆集合,v为车辆个体;F为故障点集合;S为出发点集合;s为出发点;vn为车辆v的目标故障点个数;fvi为车辆v 第i个前往的故障点;
2)物资车辆行为约束表达式如下:
v∈V,w∈W,s∈S
其中W为仓库集合;w为仓库个体;tf为故障点到仓库时间;tf′f为故障点之间的路程时间;ts为出发点到仓库的路程时间;tvi为车辆v 到达其任务中第i个故障点时间;为车辆v从仓库至其任务中第一个故障点的路程时间;tsw为出发点至仓库的路程时间;为故障点f为车辆v任务中第一个故障点,是为1,否则为0;为故障点f为车辆v任务中第k-1个故障点,是为1,否则为0;为车辆v任务中第k-1个故障点至仓库w的路程时间;为故障点f为车辆v任务中第k个故障点,是为1,否则为0;表示故障点f为车辆v第i个目标故障点;
上式为车辆v到达其第i个前往故障点的时间tvi;不考虑装卸货时间,到达和离开时间视为相同;
v∈V,w∈W,s∈S
其中为车辆v属于出发点s,是为1,否则为0;tsw为出发点至仓库的路程时间;为故障点f为车辆v任务中第i个故障点,是为1,否则为0;为车辆v从仓库至其任务中第i个故障点的路程时间;为故障点f为车辆v任务中第k个故障点,是为1,否则为0;为车辆v从仓库至其任务中第k个故障点的路程时间;
上式中nf为故障点f需要的车辆数;rf为故障点f的物资需求量; rv为车辆v的载荷;
上式为车辆数约束,Ys表示出发点s拥有的车辆数;
v∈nf,w∈W,s∈S
上式中tfc为故障点f物资满足需求的时间;
3)施工队约束,表达式如下:
上式表示每个故障点只对应1个施工队,每个施工队抢修任务中至少包含1个故障点;
m∈M
其中M为施工队集合;tf′f为故障点之间的路程时间,为第 K-1个故障点和第k个故障点之间的路程时间;tmf为施工队出发点与故障点之间的路程时间,为施工队出发点与第一个故障点之间的路程时间;mn表示施工队m抢修任务中包含的故障点个数;tic是施工队任务第i个故障点的物资满足时间;施工队m对其抢修任务第 i个故障点的维修时间;上式中为施工队m到达其抢修任务中第i 个故障点的时间;上式中为施工队m离开抢修任务中第i个故障点的时间;
4)支路潮流约束,表达式如下:
式中Se为节点e的子节点集合;j为e的子节点;e为j的父节点;Pj、Qj为子节点j的有功和无功;Pe、Qe为父节点e的有功和无功;re、xe为节点e的电阻和电抗;V0为系统给出的基准电压,Ve为节点e的电压, Vj为e的子节点j的电压;
下式为节点电压约束;
有益技术效果:
本发明在满足配网运行约束和路径规划约束的前提下,以配网故障点选择和抢修队伍、物资调度作为决策变量,建立配电网网架重构和物资人员调配辅助决策模型,配电网网架重构和物资人员调配辅助决策模型包括下层以最大恢复负荷为目标的联络线动作方案确定模型和上层以抢修过程中总失电量最小为目标的施工队和物资调度方案确定模型;充分考虑了施工队与物资车的协同动作,往往不能达到经济损失最小的目标的问题,最终得到联络线和人员物资的详细调配方案;
本发明采用了上下层迭代求解的方法确定最终得到联络线和人员物资的详细调配方案。若采用单一智能算法求解,会导致解的编码过于复杂,进一步增大了解的扰动范围使求解精度下降,易陷入局部最优解。本发明采用了两层智能算法上下迭代,即简化了各部分解的编码,又提高了整体精度以达到全局最优解,同时迭代时间相比于单一智能算法也大大减小。
附图说明
图1为本发明具体实施例的配电网灾后抢修决策方法流程图;
图2为本发明具体实施例上下层迭代求解流程图;
图3为本发明具体实施例采用的PG&E 69节点标准系统;
图4为本发明具体实施例负荷恢复曲线对比图;
图5为本发明具体实施例退火收敛曲线。
具体实施方式
下面结合附图对本发明作进一步描述。
如图1所示实施例,本发明配电网灾后抢修决策方法,包括以下步骤:
步骤1,灾损信息采集具体步骤为:
1)从SCADA断面数据取得配电网开关置位信息,馈线、线路区段级灾损信息,通过电网拓扑分析确定电网故障是灾害损失程度。
采集灾损设备开关点,根据自动生成的灾损评估报表,分析影响的用户以及负载大小;展示停电区域地理分布,对灾害事件影响范围分析影响线路内的抢修目标、高负荷等级用户;根据灾损程度,初步判断抢修初期的应急资源分布及所需数量及种类。
2)从灾损管理系统获取相比于SCADA系统颗粒度更小的停电配变、停电低压用户的灾损信息,进一步判断现场所需的应急资源,初步判断故障点抢修时间。
3)从GIS系统采集抢修队伍位置以及物资运输车位置信息和工作状态,配置可供抢修调配的抢修队伍、车辆、物资、装备等应急资源数量,对各受灾区域及其抢修点的具体灾损、抢修人员数量及其工种、抢修用料、抢修进度等信息进行进一步判断。
4)采集无人机勘灾系统通过图像智能识别技术上传的灾害现场的倒断杆灾损识别信息,灾损识别信息由抢修APP人工上传,进一步补充故障类型及严重程度,修正现场所需资源数量。
5)数据输入
基于上述收集到的灾损信息,经过适当处理得到以下数据作为辅助决策模型的输入量:
故障点坐标:F={f1,f2,…,fn};
抢修队坐标:Crew={crew1,crew2,…,crewm};
仓库坐标:Depot={d1,d2,d3,...,dk};
物资运输车坐标:vehicle={v1,v2,v3,...,vh};
物资运输车携带能力:Capacity={c1,c2,c3,...,ch};
抢修队对应故障类型的预估抢修时间:repairtimei,j;
当前受灾配电网拓扑数据:配电网邻接矩阵A;
联络开关位置:Y={y1,y2,y3,...,yl};
负荷等级:按负荷重要程度分为1级、2级和3级,分别对应特别重要、重要和允许短时停电的负荷;
用户有功负荷:Pl={P1,P2,P3,...,Pn}
节点间直线距离:distancei,j;
车速:v;
步骤2,建立配电网网架重构和人员物资调配辅助决策模型具体步骤为:
1)配电网网架重构和人员物资调配辅助决策模型以抢修过程中总失电量最小为目标,读入配电网邻接矩阵、用户有功负荷及负荷等级,其数学表达式为:
以配电网相邻两个故障点修复时间间隔为一个阶段,计算每个阶段内的用户失电负荷乘以间隔时间,所有阶段之和即为抢修过程中总失电量。
J——第J个抢修阶段;
D——为总阶段数;
ωi——节点i负荷权重,按负荷等级取值,一级取100,二级取 10,三级取1;
联络线动作以最大恢复负荷为目标函数:
此部分以联络线开关状态作为决策变量,在满足配网运行安全性约束的前提下,实现配网重构负荷恢复最大化的目标。
2)物资运输约束
假设物资车辆初始位于仓库,每运往故障点之后都需返回仓库补充物资,在装卸货过程中不考虑剩余物资数量。物资约束部分目的在于得到运输车辆的分配的任务及时间节点。
①变量定义:
V为车辆集合;v为车辆个体;F为故障点集合;S为出发点集合;s为出发点;W为仓库集合;w为仓库个体;tf为故障点到仓库时间;tf′f为故障点之间的路程时间;rf为故障点f的物资需求量;rv为车辆v的载荷;ts为出发点到仓库的路程时间;vn为车辆v的目标故障点个数;fvi为车辆v第i个前往的故障点;
②约束条件:
3)物资车辆行为规则:物资车辆初始都位于出发点,任务下达后,均需要前往仓库补充物资,再前往故障点,(不考虑剩余物资:例如去往一个故障点之后车载物资未耗尽,则视为耗尽)之后每个物资车辆在去往其它故障点后都要先返回仓库补充物资。
v∈V,w∈W,s∈S
tvi——车辆v到达其任务中第i个故障点时间;
tsw——出发点至仓库的路程时间;
上式为车辆v到达其第i个前往故障点的时间tvi。本发明不考虑装卸货时间,到达和离开时间视为相同。
v∈V,w∈W,s∈S
tsw——出发点至仓库的路程时间;
上式中nf为故障点f需要的车辆数。
上式为车辆数约束,Ys表示出发点s拥有的车辆数。
v∈nf,w∈W,s∈S
上式中tfc为故障点f物资满足需求的时间。
4)施工队约束
施工队到达故障点后需同时满足故障点物资需求之后,才能开始抢修。施工队约束目的在于得到其分配的任务及时间节点。
①变量定义:
M为施工队集合;
tf′f为故障点之间的路程时间;
tmf为施工队出发点与故障点之间的路程时间;
mn表示施工队m抢修任务中包含的故障点个数;
②约束条件:
上式表示每个故障点只对应1个施工队,每个施工队抢修任务中至少包含1个故障点。
m∈M
为了最大限度地利用所有的资源,应使任一故障点只对应一个施工队,而施工队可能对应多个故障点。式中:V表示施工队数量,N 表示配电网节点数,xijv表示施工队v从受灾点i移动至受灾点j,存在为1,否则为0。
5)支路潮流约束
下式表示功率平衡以及节点电压与有功无功的关系。
式中Se——节点e的子节点集合;
j——e节点的子节点;
e——j节点的父节点。
Pj、Qj——子节点j的有功和无功;
Pe、Qe——父节点e的有功和无功;
re、xe——节点e的电阻和电抗;
V0——基准电压(系统给出);Ve为节点e的电压,Vj为e的子节点j的电压
下式为节点电压约束。
步骤4,抢修辅助决策模型求解方法具体步骤为:
1)下层求解步骤
下层以最大恢复负荷为目标,采用遗传算法求解联络线动作方案。其中,种群包含的染色体需通过深度优先搜索校验满足电网树状约束M=nb-1,其中M为系统中支路数,nb为节点数。具体步骤如下:
②参数初始化:输入初始参数(包括变异和交叉概率)、当前阶段内配电网的拓扑结构(以邻接矩阵表示)和基本参数(电阻 R、电抗X、基准电压V0)、节点负荷(P、Q),然后随机生成初始种群pop,pop为由0、1组成的大小为a×c的矩阵,其中c表示配电网中联络线数量,0表示断开,1表示闭合,种群规模为a,每行为一条染色体,表示联络线方案的一种解,pop中所有解必需通过深度优先搜索校验满足辐射状运行约束 M=nb-1,其中M为系统中支路数,nb为节点数,同时还需满足支路潮流约束,不满足则需重新生成解;
②个体评价:计算种群中每条染色体的适应值,适应值计算公式如下:
式中:fobj.i为染色体i的目标函数值,Ci为得到的适应度,目标函数值与适应值成反比;
③选择运算:按积累概率通过轮盘赌取舍和复制新种群的染色体。
积累概率公式如下:
式中:P(xj)表示染色体j的目标函数值占种群所有染色体目标函数和的比值。
④交叉运算:以一定的概率对种群进行两点交叉,即在两条染色体相同的两个位置上进行基因交换;
⑤变异运算:以一定的概率改变染色体中的一个基因,即将0改为1或1改为0;
⑥终止条件:在迭代一定次数后的到的种群pop中,由于目标函数值与适应值成反比,选择适应值最小的染色体作为最终解。2)上层求解步骤
上层以抢修过程总失电量最小为目标,采用模拟退火算法求解。其中,解的编码方式是将抢修队编号和故障点编号不等间隔穿插构成,并满足上述模型配网运行约束和路径规划约束条件,首位为抢修队编号,如Trans={crew1,f1,fk1,…crewm,fkn}。当上层生成施工队和物资车辆调度方案后,其修复时刻可以根据约束条件得到,也就是取施工队到达某个故障点时间和该故障点物资满足的时间两者的最大值,为开始抢修时间,加上抢修时间就为故障点的修复时刻。
故障点状态变化导致的网架重构由下层完成,即在上层得到一个故障点的修复时刻序列后,在其中任一故障点修复状态(修复/未修复)变化后,都需通过下层按当前的配电网拓扑计算联络线动作方案,得到上层该解的总失电量,最后上层中不断迭代产生最优解。模拟退火算法具体步骤如下:
算法中解的编码分为两部分,第一部分由施工队编号和故障点编号不等间隔穿插构成,首位数字为施工队编号,如{crew1,f1, fk1,…crewm,fkn};第二部分每行由故障点编号和仓库编号穿插构成,行数代表了物资运输车了的数量,如它分为以下求解步骤:
①设定初始化温度T0(足够高)、冷却系数(足够大且小于1)、每个温度的迭代次数L和终止温度Tf,生成初始解;
②扰动并产生新解S′,扰动方法包括两点交换、两段交换以及点 -段交换,扰动后仍需满可行解;
为了最大限度地利用所有的资源,应使任一故障点只对应一个施工队,而施工队可能对应多个故障点。式中:V表示施工队数量,N 表示配电网节点数,xijv表示施工队v从受灾点i移动至受灾点j,存在为1,否则为0。
③计算ΔT=C(S′)-C(S),其中C(S)为目标函数;
④若ΔT<0则接收S′为当前解,否则以概率p接受S′为当前解,
式中,K为玻尔兹曼常数,T为当前温度。
以上迭代求解的流程图如图2所示。
⑤到达终止温度时输出当前解为最优解。
在以上实施例的基础上,为了抢修车辆和物资运输车辆更及时便捷地接收抢修辅助决策方案,进一步地包括:步骤5,将步骤4得到的灾后抢修辅助决策方案任务下发抢修APP具体步骤为:
抢修辅助决策方案通过部署预案推演功能模块下发至抢修终端 APP下达任务指令。
抢修APP由指挥长下发抢修指令给队长,队长按照抢修指令详细分配抢修任务及物资调配任务,信息员执行抢修任务并回传灾害现状灾损信息,包括无人机勘灾信息,物资员执行物资调配及清点工作。
通过抢修APP和抢修车辆调度系统对各受灾区域及其抢修点的具体灾损、抢修人员数量、抢修物资、抢修进度等信息在电子地图上进行全景展示,全过程跟踪。
下面结合实例对本发明做进一步详细的描述:
实施例
本发明采用PG&E 69节点系统以验证该方法的有效性。其拓扑结构如图3所示。红色X表示为故障线路,分别为F1(30-31)、F2(33-34)、 F3(65-66)、F4(88-89)、F5(15-16)、F6(20-21)、F7(24-25)、F8(35-36)、 F9(55-56)、F10(49-50),蓝色虚线代表联络线,分别为Y1(10-70)、 Y2(12-20)、Y3(14-90)、Y4(26-54)、Y5(38-48),仓库有两座,分别为 D1、D2(图中未表示),节点1~90为负荷点。
施工队有A、B、C、D四个,物资运输车有V1、V2、V3、V4、 V5、V6共六辆,车辆物资携带能力相同,均为50。
假设故障同时发生,发生时故障点隔离开关立刻断开以隔离故障。
各故障点所需的抢修时间如表1所示:
表1节点维修时间
详细求解流程如下:
(1)故障开始时,由模拟退火算法主程序生成一个初始可行解 (即该解满足模型中的逻辑约束),包括抢修队(解的编码方式形如: A,F2,F2,F8,F3,C,F1,F4,D,F10,F9,F5,B,F6,F7)和物资配送车辆(形如:)的详细任务分配;
(3)按得到的故障点修复顺序开始依次计算目标函数。故障开始时,所有联络线开关和故障点默认状态为0(断开),将此时的配电网拓扑结构转换成邻接矩阵A(有向图),读入遗传算法中,遗传算法按其目标函数迭代得到此时联络线的最优开合方案,假设为“11101”,即“Y1、Y2、Y3、Y5闭合,Y4断开”,此时我们令“0”时刻(故障开始时刻),联络线立即按“11101”动作,故障点全为断开,按深度优先搜索搜索当前拓扑得到带点节点与失电节点,按模型计算“0时刻”至第一个故障点修复前期间的失电量(第Ⅰ阶段);
(5)对步骤(1)得到的解进行扰动,计算新解的目标函数值,若比当前最优解小,则接受作为新的最优解,否则按玻尔兹曼概率决定是否接受该解;
(6)模拟退火主程序的迭代过程:每个温度下迭代n次,n次后温度按预先设好的系数下降,当温度下降至低于终止温度后,循环停止,得到最优解。
迭代过程中的解不具备实际意义,其收敛过程已体现于退火曲线中,此处只贴出得到的最终解。
仿真得出的施工队方案如表2所示。
表2施工队方案
抢修方案时刻如表3所示,其中Trans(A,24-25)表示在0时刻施工队A开始向故障点24-25驶去,Repaired(A,24-25)表示在90时刻故障点24-25由施工队A修复完成:
表3物资车辆方案
表4为故障点修复时刻:
表4修复时刻
联络线动作时刻如表5所示:
表5联络线动作时刻
抢修于575时刻全部完成,此期间内未有施工队闲置,均得到了充分利用,同时各个时刻联络线方案都在当前达到了所能恢复的最大负荷图4为是否考虑网架重构的负荷恢复曲线对比图。曲线表明,本发明提出的考虑网架重构的优化方法能够显著提升抢修初期的负荷恢复效率,同时由于联络线的存在,用户的负荷能够更早地被恢复,总失电量也远小于前者,极大地减少了灾后经济损失。
退火收敛曲线如图5所示,由该曲线走势得出,最终方案合理且最接近最优方案,总损失负荷为51634MW。
因此,本发明指出的抢修模型给出了灾后抢修策略每个步骤的时间序列,包括联络线的动作,给实际抢修过程提供了详细有效的参考。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.配电网灾后抢修决策方法,其特征在于,包括:
采集灾害情况下配电网馈线、线路区段的故障信息配变级灾损信息、抢修队伍位置以及物资运输车位置信息和工作状态,根据采集到的数据确定配网故障点选择、抢修队伍和物资调度决策变量;
在满足配网运行约束和路径规划约束的前提下,以配网故障点选择和抢修队伍、物资调度作为决策变量,建立配电网网架重构和物资人员调配辅助决策模型,所述配电网网架重构和物资人员调配辅助决策模型包括下层以最大恢复负荷为目标的联络线动作方案确定模型和上层以抢修过程中总失电量最小为目标的施工队和物资调度方案确定模型;
采用上下层迭代求解方法求解配电网网架重构和物资人员调配辅助决策模型,确定配电网灾后抢修决策方案;
所述网架重构和人员物资调配辅助决策模型包括:
1)上层施工队和物资调度方案确定模型,以配电网相邻两个故障点修复时间间隔为一个阶段,计算每个阶段内的用户失电负荷乘以间隔时间,所有阶段之和为抢修过程中总失电量;数学表达式为:
2)下层联络线动作方案确定模型,目标函数表达式如下:
此部分以联络线开关状态作为决策变量,在满足配网运行安全性约束的前提下,实现配网重构负荷恢复最大化的目标;
网架重构和人员物资调配辅助决策模型的配网运行约束和路径规划约束包括物资运输约束、物资车辆行为约束、施工队约束以及支路潮流约束,
1)物资运输约束,表达式如下:
其中V为车辆集合,v为车辆个体;F为故障点集合;S为出发点集合;s为出发点;vn为车辆v的目标故障点个数;fvi为车辆v第i个前往的故障点;
2)物资车辆行为约束表达式如下:
其中W为仓库集合;w为仓库个体;tf为故障点到仓库时间;tf′f为故障点之间的路程时间;ts为出发点到仓库的路程时间;tvi为车辆v到达其任务中第i个故障点时间;为车辆v从仓库至其任务中第一个故障点的路程时间;tsw为出发点至仓库的路程时间;为故障点f为车辆v任务中第一个故障点,是为1,否则为0;为故障点f为车辆v任务中第k-1个故障点,是为1,否则为0;为车辆v任务中第k-1个故障点至仓库w的路程时间;为故障点f为车辆v任务中第k个故障点,是为1,否则为0;表示故障点f为车辆v第i个目标故障点;
上式为车辆v到达其第i个前往故障点的时间tvi;不考虑装卸货时间,到达和离开时间视为相同;
其中为车辆v属于出发点s,是为1,否则为0;tsw为出发点至仓库的路程时间;为故障点f为车辆v任务中第i个故障点,是为1,否则为0;为车辆v从仓库至其任务中第i个故障点的路程时间;为故障点f为车辆v任务中第k个故障点,是为1,否则为0;为车辆v从仓库至其任务中第k个故障点的路程时间;
上式中nf为故障点f需要的车辆数;rf为故障点f的物资需求量;rv为车辆v的载荷;
上式为车辆数约束,Ys表示出发点s拥有的车辆数;
上式中tfc为故障点f物资满足需求的时间;
3)施工队约束,表达式如下:
上式表示每个故障点只对应1个施工队,每个施工队抢修任务中至少包含1个故障点;
其中M为施工队集合;tf′f为故障点之间的路程时间,为第K-1个故障点和第k个故障点之间的路程时间;tmf为施工队出发点与故障点之间的路程时间,为施工队出发点与第一个故障点之间的路程时间;mn表示施工队m抢修任务中包含的故障点个数;tic是施工队任务第i个故障点的物资满足时间;施工队m对其抢修任务第i个故障点的维修时间;上式中为施工队m到达其抢修任务中第i个故障点的时间;上式中为施工队m离开抢修任务中第i个故障点的时间;
4)支路潮流约束,表达式如下:
式中Se为节点e的子节点集合;j为e的子节点;e为j的父节点;Pj、Qj为子节点j的有功和无功;Pe、Qe为父节点e的有功和无功;re、xe为节点e的电阻和电抗;V0为系统给出的基准电压,Ve为节点e的电压,Vj为e的子节点j的电压;
下式为节点电压约束;
2.根据权利要求1所述的配电网灾后抢修决策方法,其特征在于,根据采集灾害情况下配电网馈线、线路区段的故障信息配变级灾损信息、抢修队伍位置以及物资运输车位置信息和工作状态,确定的所述决策变量如下:
故障点坐标、抢修队坐标、仓库坐标、物资运输车坐标、物资运输车携带能力、抢修队对应故障类型的预估抢修时间、当前受灾配电网拓扑数据、联络开关位置及状态、负荷等级、用户有功负荷、节点间直线距离和车速。
3.根据权利要求1所述的配电网灾后抢修辅助决策方法,其特征在于,上下层迭代求解具体步骤为:
1)下层求解步骤
下层采用遗传算法求解联络线动作方案;其中,种群包含的染色体需通过深度优先搜索校验满足电网树状约束M=nb-1,其中M为系统中支路数,nb为节点数,具体步骤如下:
①参数初始化:输入初始参数,包括变异和交叉概率、当前阶段内配电网的拓扑结构和基本参数、节点有功和无功负荷,然后随机生成初始种群pop,pop为由0、1组成的大小为a×c的矩阵,其中c表示配电网中联络线数量,0表示断开,1表示闭合,种群规模为a,每行为一条染色体,表示联络线方案的一种解,pop中所有解必需通过深度优先搜索校验满足辐射状运行约束M=nb-1,其中M为系统中支路数,nb为节点数,同时还需满足支路潮流约束,不满足则需重新生成解;
②个体评价:根据适应度函数计算种群中每条染色体的适应值;
③选择运算:按积累概率通过轮盘赌取舍和复制新种群的染色体;
④交叉运算:以一定的概率对种群进行两点交叉,即在两条染色体相同的两个位置上进行基因交换;
⑤变异运算:以设定的概率改变染色体中的一个基因;
⑥终止条件:在迭代一定次数后的到的种群pop中,由于目标函数值与适应值成反比,选择适应值最小的染色体作为最终解;
2)上层求解步骤
上层采用模拟退火算法求解;其中,解的编码方式是将抢修队编号和故障点编号不等间隔穿插构成,并满足所述配网运行约束和路径规划约束,首位为抢修队编号;
在上层得到一个故障点的修复时刻序列后,在其中任一故障点表示修复或未修复的修复状态变化后,都需通过下层按当前的配电网拓扑计算联络线动作方案,得到上层解的总失电量,最后上层中不断迭代产生最优解;模拟退火算法具体步骤如下:
算法中解的编码分为两部分,第一部分由施工队编号和故障点编号不等间隔穿插构成,首位数字为施工队编号;第二部分每行由故障点编号和仓库编号穿插构成,行数代表了物资运输车了的数量;它分为以下求解步骤:
①设定初始化温度、冷却系数、每个温度的迭代次数和终止温度,生成初始解;
②扰动并产生新解S′,扰动方法包括两点交换、两段交换以及点-段交换,扰动后仍为满足所述配网运行约束和路径规划约束条件的可行解;
③计算ΔT=C(S′)-C(S),其中C(S)为目标函数,S为当前解;
④若ΔT<0则接收S′为当前解,否则以概率p接受S′为当前解;
⑤到达终止温度时输出当前解为最优解。
5.根据权利要求1所述的配电网灾后抢修决策方法,其特征在于,采用电子全景地图对采集到的各受灾区域及其抢修点的灾损信息、抢修人员数量、抢修物资和抢修进度信息进行全景展示。
6.配电网灾后抢修决策装置,其特征在于,包括:数据采集模块、辅助决策模型构建模块、辅助决策模型求解模块以及数据通信装置;
所述数据采集模块,用于采集灾害情况下配电网馈线、线路区段的故障信息配变级灾损信息、抢修队伍位置以及物资运输车位置信息和工作状态;
所述辅助决策模型构建模块,用于在满足配网运行约束和路径规划约束的前提下,以配网故障点选择和抢修队伍、物资调度作为决策变量,建立配电网网架重构和物资人员调配辅助决策模型,所述配电网网架重构和物资人员调配辅助决策模型包括下层以最大恢复负荷为目标的联络线动作方案确定模型和上层以抢修过程中总失电量最小为目标的施工队和物资调度方案确定模型;
所述辅助决策模型求解模块,用于采用上下层迭代求解方法求解配电网网架重构和物资人员调配辅助决策模型,最终确定配电网灾后抢修决策方案;
所述数据通信装置,用于将最终确定的配电网灾后抢修决策方案通过通信设备下达抢修队伍及物资运输车辆;
所述辅助决策模型构建模块建立的配电网网架重构和物资人员调配辅助决策模型包括:
1)上层施工队和物资调度方案确定模型,数学表达式为:
以配电网相邻两个故障点修复时间间隔为一个阶段,计算每个阶段内的用户失电负荷乘以间隔时间,所有阶段之和即为抢修过程中总失电量;
2)下层联络线动作方案确定模型,目标函数表达式如下:
此部分以联络线开关状态作为决策变量,在满足配网运行安全性约束的前提下,实现配网重构负荷恢复最大化的目标;
所述辅助决策模型构建模块还包括约束条件构建模块,所述约束条件构建模块用于构建配网运行约束和路径规划约束条件,所述约束条件包括:
1)物资运输约束,表达式如下:
其中V为车辆集合,v为车辆个体;F为故障点集合;S为出发点集合;s为出发点;vn为车辆v的目标故障点个数;fvi为车辆v第i个前往的故障点;
2)物资车辆行为约束表达式如下:
其中W为仓库集合;w为仓库个体;V为物资车辆集合;v为物资车辆个体;S为车辆出发点集合;s为出发点个体;twf为故障点到仓库时间;tsw为出发点到仓库的路程时间;fvi为车辆v任务中第i个故障点;为车辆v从仓库至其任务中第一个故障点的路程时间;tsw为出发点至仓库的路程时间;表示故障点f为车辆v任务中第一个故障点,是为1,否则为0;为故障点f为车辆v任务中第k-1个故障点,是为1,否则为0;为车辆v任务中第k-1个故障点至仓库w的路程时间;表示故障点f为车辆v任务中第k个故障点,是为1,否则为0;表示故障点f为车辆v第i个目标故障点;
上式为车辆v到达其第i个前往故障点的时间tvi;不考虑装卸货时间,到达和离开时间视为相同;
其中表示车辆v属于出发点s,是为1,否则为0;tsw为出发点至仓库的路程时间;表示故障点f为车辆v任务中第i个故障点,是为1,否则为0;为车辆v从仓库至其任务中第i个故障点的路程时间;为故障点f为车辆v任务中第k个故障点,是为1,否则为0;为车辆v从仓库至其任务中第k个故障点的路程时间;
上式中nf为故障点f需要的车辆数;rf为故障点f的物资需求量;rv为车辆v的载荷;
上式为车辆数约束,Ys表示出发点s拥有的车辆数;
v∈nf,w∈W,s∈S
3)施工队约束,表达式如下:
上式表示每个故障点只对应1个施工队,每个施工队抢修任务中至少包含1个故障点,其中F表示故障点集合,f表示故障点个体,M为施工队集合,m为施工队个体;
其中tf′f为故障点之间的路程时间,为第k-1个故障点和第k个故障点之间的路程时间;tmf为施工队出发点与故障点之间的路程时间,为施工队出发点与第一个故障点之间的路程时间;tic是施工队任务第i个故障点的物资满足时间;施工队m对其抢修任务第i个故障点的维修时间;上式中为施工队m离开抢修任务中第i个故障点的时间;
4)支路潮流约束,表达式如下:
式中Se为节点e的子节点集合;j为e的子节点;e为j的父节点;Pj、Qj为子节点j的有功和无功;Pe、Qe为父节点e的有功和无功;re、xe为节点e的电阻和电抗;V0为系统给出的基准电压,Ve为节点e的电压,Vj为e的子节点j的电压;
下式为节点电压约束;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106401.4A CN110852627B (zh) | 2019-11-13 | 2019-11-13 | 配电网灾后抢修决策方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106401.4A CN110852627B (zh) | 2019-11-13 | 2019-11-13 | 配电网灾后抢修决策方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852627A CN110852627A (zh) | 2020-02-28 |
CN110852627B true CN110852627B (zh) | 2022-06-24 |
Family
ID=69600684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911106401.4A Active CN110852627B (zh) | 2019-11-13 | 2019-11-13 | 配电网灾后抢修决策方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852627B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898877B (zh) * | 2020-07-13 | 2023-07-04 | 西安交通大学 | 一种提升电网恢复速度的灾前抢修人员预部署方法 |
CN112418606B (zh) * | 2020-10-20 | 2023-07-07 | 西安电子科技大学 | 维修任务动态调度方法、系统、存储介质、计算机设备 |
CN112258071B (zh) * | 2020-10-29 | 2023-08-29 | 广东电网有限责任公司广州供电局 | 一种配电网灾后动态抢修方法、装置和相关设备 |
CN112446619B (zh) * | 2020-11-27 | 2024-04-26 | 国网北京市电力公司 | 配电网抢修处理方法和装置 |
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 |
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 |
CN113036919A (zh) * | 2021-03-09 | 2021-06-25 | 海南电网有限责任公司 | 一种波浪能微电网运维应急处理方法及系统 |
CN113344238B (zh) * | 2021-03-29 | 2022-06-24 | 广西电网有限责任公司电力科学研究院 | 一种配电网安全风险评估和消减方法、装置及存储介质 |
CN113011670B (zh) * | 2021-03-30 | 2022-12-06 | 国网河北省电力有限公司电力科学研究院 | 配电网故障应急抢修调度-故障恢复协同方法及装置 |
CN113111476B (zh) * | 2021-04-29 | 2024-06-14 | 华北电力大学 | 一种提高电网韧性的人-车-物应急资源优化调度方法 |
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 |
CN113537703B (zh) * | 2021-06-04 | 2022-12-02 | 广东电网有限责任公司广州供电局 | 配电网灾前应急资源部署方法、装置和计算机设备 |
CN113516307B (zh) * | 2021-07-06 | 2022-08-05 | 国网福建省电力有限公司 | 电力灾害应急处置进程估算预测方法及装置 |
CN113627733A (zh) * | 2021-07-16 | 2021-11-09 | 深圳供电局有限公司 | 一种灾后配电网动态抢修方法及系统 |
CN114925864B (zh) * | 2022-06-08 | 2024-06-07 | 武汉理工大学 | 一种台风灾害下应急抢修方法 |
CN115809836B (zh) * | 2023-02-09 | 2023-05-23 | 华南理工大学 | 考虑分布式储能应急供电能力的配电网韧性规划的方法 |
CN116316616B (zh) * | 2023-05-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 配电网的故障处理方案确定方法、装置和计算机设备 |
CN117974115A (zh) * | 2024-03-28 | 2024-05-03 | 国网山东省电力公司梁山县供电公司 | 一种配电网维修调度方法、系统、存储介质及设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390249B (zh) * | 2013-07-01 | 2016-03-30 | 国家电网公司 | 基于多维度的配电调度辅助决策方法 |
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 |
CN104281983B (zh) * | 2014-09-30 | 2019-02-26 | 广东电网有限责任公司电力科学研究院 | 配电网应急抢修所需资源调度方法与系统 |
CN105069555A (zh) * | 2015-07-22 | 2015-11-18 | 广东电网有限责任公司中山供电局 | 电网抢修资源调度方法和系统 |
CN106771873A (zh) * | 2016-12-30 | 2017-05-31 | 国网上海市电力公司 | 一种配电网故障快速定位系统 |
CN108053037B (zh) * | 2017-10-16 | 2021-01-26 | 广东电网有限责任公司电力科学研究院 | 一种基于两网融合的配电网抢修策略制定方法及装置 |
CN110289682A (zh) * | 2019-06-11 | 2019-09-27 | 广西电网有限责任公司南宁供电局 | 一种配网抢修辅助决策及智能管控系统 |
-
2019
- 2019-11-13 CN CN201911106401.4A patent/CN110852627B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110852627A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852627B (zh) | 配电网灾后抢修决策方法和装置 | |
Yao et al. | Rolling optimization of mobile energy storage fleets for resilient service restoration | |
CN112884245B (zh) | 配电网灾后抢修调度及负荷恢复协同优化方法及系统 | |
CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
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 | |
Sedghi et al. | Distribution network expansion considering distributed generation and storage units using modified PSO algorithm | |
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 | |
CN111125887B (zh) | 一种配电网应急恢复的资源优化配置模型建立方法 | |
CN113312761B (zh) | 一种配电网韧性的提升方法及系统 | |
CN104050536B (zh) | 一种跨电压等级配电网的拓扑分析方法 | |
CN112668129B (zh) | 基于空间负荷聚类的配电网多级网格智能划分方法 | |
CN113328437B (zh) | 一种智能配电网cps拓扑构建方法及故障恢复方法 | |
CN109921420A (zh) | 弹性配电网恢复力提升方法、装置及终端设备 | |
CN111222649A (zh) | 一种配电网自愈能力提升规划方法 | |
CN110350511A (zh) | 一种基于转供电亲和度的配电网故障恢复方法 | |
Yi et al. | Expansion planning of active distribution networks achieving their dispatchability via energy storage systems | |
CN116111585A (zh) | 一种考虑开关不确定性的配电网恢复方法及装置 | |
CN109558990B (zh) | 一种基于斯坦纳树模型的配电网防灾骨干网架规划方法 | |
Cai et al. | Two-stage mobile emergency generator dispatch for sequential service restoration of microgrids in extreme conditions | |
CN107909226A (zh) | 一种业扩报装供电方案设计方法及装置 | |
Fan et al. | A sequential repair crew dispatch strategy for distribution systems coordinated with transportation systems | |
CN110807553B (zh) | 基于机会约束规划的电网规划方法 | |
CN110365006A (zh) | 一种基于nwbbo算法的电网分区方法 | |
CN110969288A (zh) | 一种跨区域应急协同条件下热备动车组配置方法及系统 | |
Xu et al. | Data-Driven Two-Stage Voltage/VAR Control Using PV Inverters in Network Recovery |
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 |