CN111105099A - 一种配电网精准规划多目标优化方法 - Google Patents
一种配电网精准规划多目标优化方法 Download PDFInfo
- Publication number
- CN111105099A CN111105099A CN202010002821.4A CN202010002821A CN111105099A CN 111105099 A CN111105099 A CN 111105099A CN 202010002821 A CN202010002821 A CN 202010002821A CN 111105099 A CN111105099 A CN 111105099A
- Authority
- CN
- China
- Prior art keywords
- reliability
- planning
- cost
- measures
- distribution network
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006872 improvement Effects 0.000 claims abstract description 38
- 230000008901 benefit Effects 0.000 claims abstract description 18
- 230000005611 electricity Effects 0.000 claims description 30
- 230000035945 sensitivity Effects 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种配电网精准规划多目标优化方法,该方法先根据可靠性提升措施的类型将配电网规划方案划分为与之对应的多个规划方向,再依据历年各类可靠性提升措施的成本与供电可靠率提升的统计数据得到各类可靠性提升措施的可靠性成本曲线,然后以各类可靠性提升措施的规划实施成本之和最小、提升的可靠率之和或可靠性效益之和最高为目标函数,采用多目标智能优化算法获得Pareto最优解集,即多个可行的规划方案,最后从多个可行的规划方案中选择最优规划方案。本设计不仅在降低规划成本的同时更高的系统可靠率提升值,而且可操作性和可选择性强。
Description
技术领域
本发明属于电力系统规划领域,具体涉及一种配电网精准规划多目标优化方法。
背景技术
配电网作为电力系统的重要组成部分,是地区重要的基础设施,也是连接电源与用户之间的枢纽。随着我国经济的快速发展,产业的改造升级以及人民生活水平的不断提高,对配电网的可靠性提出了越来越高的要求。目前,我国大部分配电网还存在设备老化、结构不合理、自动化水平低等问题,严重影响电力系统供电可靠性。因此,有必要加大配电网投资力度,不断对配电网进行升级和改造以提高其可靠性。
配电网建设的经济性和可靠性之间是相互矛盾的,要想使电网达到更高的安全可靠性,就必须投入更多的成本。如何有效地寻求可靠性与经济性之间的平衡,合理规划配电网方案,在较低的成本下达到较高的可靠性水平,具有深远的现实意义。
目前,进行配电网规划较多采用的是传统的多目标优化方法,通过将多目标优化问题转化为单目标优化问题,然后采用比较成熟的单目标优化技术来进一步地解决。传统多目标优化方法只能得到一个最优解,同时加权值的分配带有较强的主观性,实际中决策者通常需要多种可供选择的方案,规划人员的经验程度也各不相同,为传统多目标方法的应用带来了困难。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种配电网精准规划多目标优化方法。
为实现以上目的,本发明的技术方案如下:
一种配电网精准规划多目标优化方法,依次包括以下步骤:
步骤A、先根据可靠性提升措施的类型将配电网规划方案划分为与之对应的多个规划方向,再依据历年各类可靠性提升措施的成本与供电可靠率提升的统计数据得到各类可靠性提升措施的可靠性成本曲线,其中,所述可靠性提升措施的类型包括网架结构优化措施、设备水平提升措施、配电自动化建设措施;
步骤B、基于各类可靠性提升措施的可靠性成本曲线,以各类可靠性提升措施的规划实施成本之和最小、提升的可靠率之和或可靠性效益之和最高为目标函数,采用多目标智能优化算法获得Pareto最优解集,即多个可行的规划方案;
步骤C、从多个可行的规划方案中选择最优规划方案。
步骤B中,当待规划配电网涉及多个规划区域时,所述目标函数为:
当待规划配电网仅涉及一个规划区域时,所述目标函数为:
上式中,xi为第i类可靠性提升措施的规划实施成本,ΔRi为第i类可靠性提升措施提升的系统供电可靠率。
步骤A中,所述可靠性成本曲线为:
步骤B中,所述可靠性效益由以下公式计算得到:
RBi=λSEPΔRi
上式中,RBi为第i类可靠性提升措施的可靠性效益,λ为产电比系数,SEP为年总用电量,ΔRi为第i类可靠性提升措施提升的系统供电可靠率,Xi0为第i类可靠性提升措施的可靠性成本曲线上系统初始供电可靠率R0所对应的可靠性成本,xi为第i类可靠性提升措施的规划实施成本。
所述产电比系数λ的计算方法依次包括以下步骤:
S1、先将规划区域内的电力用户按行业类型划分为p个用电类型,再拟合各用电类型历年的GDP和用电量数据,然后计算出各用电类型的偏离度指标:
上式中,DEVj为第j个用电类型的偏离度指标,δj为第j个用电类型的用电量占总用电量的比例,γj为第j个用电类型的GDP占总GDP的比例,rj为第j个用电类型的相关系数,wj(t)为第j个用电类型第t年度的用电量,gj(t)为第j个用电类型第t年度的GDP,m为总年数;
S2、选取偏离度指标最低的q个用电类型,根据这些用电类型的预测GDP和用电量数据计算其产电比λ1,λ2,…,λq;
S3、采用以下公式计算得到产电比系数λ:
步骤C中,所述最优规划方案为满意度评价值最高的规划方案,所述满意度评价值h由以下公式计算得到:
上式中,h1、h2、h3分别为成本、可靠性、敏感性的满意度,α1、α2、α3分别为成本满意度、可靠性满意度、敏感性满意度的权重,f1 min、f1 max分别为目标函数f1的最小、最大值,f2 min、f2 max分别为目标函数f2的最小、最大值,f3 min、f3 max分别为敏感性函数f3的最小、最大值,λl、ΔRl分别为第l个区域的产电比、年总用电量和提升的系统供电可靠率。
所述目标函数的约束条件包括规划总成本约束、可靠率提升值约束、各类可靠性提升措施的成本约束;
所述多目标智能优化算法为NSGA2算法、多目标粒子群算法或多目标模拟退火算法。
所述步骤S1采用一元线性回归模型拟合各用电类型历年的GDP和用电量数据。
与现有技术相比,本发明的有益效果为:
本发明一种配电网精准规划多目标优化方法先根据可靠性提升措施的类型将配电网规划方案划分为与之对应的多个规划方向,再依据历年各类可靠性提升措施的成本与供电可靠率提升的统计数据得到各类可靠性提升措施的可靠性成本曲线,然后以各类可靠性提升措施的规划实施成本之和最小、提升的可靠率之和或可靠性效益之和最高为目标函数,采用多目标智能优化算法获得Pareto最优解集,即多个可行的规划方案,最后从多个可行的规划方案中选择最优规划方案,该方法将配电网可靠性成本曲线按照可靠性提升措施的类型进行分解,使一般的单位负荷可靠性提升成本具体化为各措施下不同的可靠性提升成本,能够具体描述不同措施在提升可靠性方面的效果,再基于各类可靠性提升措施的可靠性成本曲线采用多目标智能优化算法获得多个可行的规划方案,最后选择最合适的规划方案,不仅使得最终的优化方案更为合理和精准,在降低规划成本的同时更高的系统可靠率提升值,而且可操作性和可选择性更强。因此,本发明不仅在降低规划成本的同时更高的系统可靠率提升值,而且可操作性和可选择性强。
附图说明
图1为本发明中可靠性成本曲线的示意图。
图2为本发明实施例1得到的Pareto曲线。
图3为本发明实施例2得到的Pareto曲线。
具体实施方式
下面结合具体实施方式和附图对本发明作进一步详细的说明。
一种配电网精准规划多目标优化方法,依次包括以下步骤:
步骤A、先根据可靠性提升措施的类型将配电网规划方案划分为与之对应的多个规划方向,再依据历年各类可靠性提升措施的成本与供电可靠率提升的统计数据得到各类可靠性提升措施的可靠性成本曲线,其中,所述可靠性提升措施的类型包括网架结构优化措施、设备水平提升措施、配电自动化建设措施;
步骤B、基于各类可靠性提升措施的可靠性成本曲线,以各类可靠性提升措施的规划实施成本之和最小、提升的可靠率之和或可靠性效益之和最高为目标函数,采用多目标智能优化算法获得Pareto最优解集,即多个可行的规划方案;
步骤C、从多个可行的规划方案中选择最优规划方案。
步骤B中,当待规划配电网涉及多个规划区域时,所述目标函数为:
当待规划配电网仅涉及一个规划区域时,所述目标函数为:
上式中,xi为第i类可靠性提升措施的规划实施成本,ΔRi为第i类可靠性提升措施提升的系统供电可靠率。
步骤A中,所述可靠性成本曲线为:
步骤B中,所述可靠性效益由以下公式计算得到:
RBi=λSEPΔRi
上式中,RBi为第i类可靠性提升措施的可靠性效益,λ为产电比系数,SEP为年总用电量,ΔRi为第i类可靠性提升措施提升的系统供电可靠率,Xi0为第i类可靠性提升措施的可靠性成本曲线上系统初始供电可靠率R0所对应的可靠性成本,xi为第i类可靠性提升措施的规划实施成本。
所述产电比系数λ的计算方法依次包括以下步骤:
S1、先将规划区域内的电力用户按行业类型划分为p个用电类型,再拟合各用电类型历年的GDP和用电量数据,然后计算出各用电类型的偏离度指标:
上式中,DEVj为第j个用电类型的偏离度指标,δj为第j个用电类型的用电量占总用电量的比例,γj为第j个用电类型的GDP占总GDP的比例,rj为第j个用电类型的相关系数,wj(t)为第j个用电类型第t年度的用电量,gj(t)为第j个用电类型第t年度的GDP,m为总年数;
S2、选取偏离度指标最低的q个用电类型,根据这些用电类型的预测GDP和用电量数据计算其产电比λ1,λ2,…,λq;
S3、采用以下公式计算得到产电比系数λ:
步骤C中,所述最优规划方案为满意度评价值最高的规划方案,所述满意度评价值h由以下公式计算得到:
上式中,h1、h2、h3分别为成本、可靠性、敏感性的满意度,α1、α2、α3分别为成本满意度、可靠性满意度、敏感性满意度的权重,f1 min、f1 max分别为目标函数f1的最小、最大值,f2 min、f2 max分别为目标函数f2的最小、最大值,f3 min、f3 max分别为敏感性函数f3的最小、最大值,λl、ΔRl分别为第l个区域的产电比、年总用电量和提升的系统供电可靠率。
所述目标函数的约束条件包括规划总成本约束、可靠率提升值约束、各类可靠性提升措施的成本约束;
所述多目标智能优化算法为NSGA2算法、多目标粒子群算法或多目标模拟退火算法。
所述步骤S1采用一元线性回归模型拟合各用电类型历年的GDP和用电量数据。
本发明的原理说明如下:
本发明提供了一种配电网精准规划多目标优化方法,该方法将配电网可靠性成本曲线按照可靠性提升措施的类型进行分解,将产生的可靠性效益转化为减少的用户缺电损失(产电比系数λ即单位缺电损失),同时采用基于偏离度的产电比法进行计算,并根据待规划配电网所涉及的规划区域多少设定不同的目标函数,有效保证了计算结果的准确度,再采用多目标智能优化算法求解获得多个可行的规划方案,并采用满意度评价法对各备选方案从成本、可靠性以及敏感性三个维度进行全面、客观的比较,从而选择最优的规划方案,根据选择的最优方案进行配电网升级和改造能够在降低规划成本的同时使得提升的系统可靠率更高。
可靠性成本曲线:参见图1,本发明所述可靠性成本曲线中的可靠性成本Xi为规划实施成本(即改造成本)xi与初始可靠性成本Xi0之和。
实施例1:
一种配电网精准规划多目标优化方法,待规划配电网仅涉及一个规划区域A市,依次按照以下步骤进行:
步骤1、先根据可靠性提升措施的类型将配电网规划方案划分为与之对应的多个规划方向,再依据历年各类可靠性提升措施的成本与供电可靠率提升的统计数据得到各类可靠性提升措施的可靠性成本曲线,其中,所述可靠性提升措施的类型包括网架结构优化措施、设备水平提升措施、配电自动化建设措施,所述可靠性成本曲线为:
本实施例拟合得到的网架结构优化措施的可靠性成本曲线为X1=15.341*(R/(1-R))^0.3267,设备水平提升措施的可靠性成本曲线为X2=26.452*(R/(1-R))^0.2514,配电自动化建设措施的可靠性成本曲线为X3=11.835*(R/(1-R))^0.3796;
步骤2、基于各类可靠性提升措施的可靠性成本曲线,以各类可靠性提升措施的规划实施成本之和最小、提升的可靠率之和最高为目标函数,采用NSGA2算法获得Pareto最优解集,即多个可行的规划方案,其中,所述目标函数为:
上式中,xi为第i类可靠性提升措施的规划实施成本,ΔRi为第i类可靠性提升措施提升的系统供电可靠率,Xi0为第i类可靠性提升措施的可靠性成本曲线上系统初始供电可靠率R0所对应的可靠性成本,xi为第i类可靠性提升措施的规划实施成本,所述目标函数的约束条件包括规划总成本约束、可靠率提升值约束、各类可靠性提升措施的成本约束;
所述采用NSGA2算法获得Pareto最优解集的具体步骤为:
1)初始化种群:随机产生满足模型约束条件的个体,建立规模为Np的初始种群;
2)快速非支配排序:将种群中每个个体按其Pareto等级分配到不同的非支配层;
3)拥挤度计算:对于每个目标函数,根据该目标函数值的大小对同一非支配层中的个体进行排序后计算每个个体的拥挤度;
4)竞标赛选择:采用二进制竞标赛选择;
5)交叉变异:采用模拟二进制交叉和多项式变异;
6)生成新的种群:采用精英保留策略,首先将父代种群Pt和子代种群Ct混合组成新种群Rt,对Rt进行非支配排序,按Pareto等级由高到低的顺序依次将非支配集F1、F2、…、Fm放入新的父代种群Pt+1中,直到Pt+1的大小超出Np,按拥挤度从低到高的顺序从Pt+1中剔除Fm中的个体直到种群Pt+1的大小等于Np;
7)重复上述步骤4-6,直到达到设定的种群代数,即可获得多目标优化问题的Pareto最优解集;
本实施例得到的Pareto最优解集曲线如图2所示,得到的多个可行的规划方案部分如表1所示:
表1本实施例得到的可行的规划方案
步骤3、从多个可行的规划方案中选择满意度评价值最高的规划方案最为最优规划方案,所述满意度评价值h由以下公式计算得到:
上式中,h1、h2、h3分别为成本、可靠性、敏感性的满意度,α1、α2、α3分别为成本满意度、可靠性满意度、敏感性满意度的权重,f1 min、f1 max分别为目标函数f1的最小、最大值,f2 min、f2 max分别为目标函数f2的最小、最大值,f3 min、f3 max分别为敏感性函数f3的最小、最大值;
本实施例中,方案4的满意度评价值最高,为0.336,其成本满意度、可靠性满意度、敏感性满意度分别为0.109、0.895、0.907,因此选择方案4作为最优规划方案。
实施例2:
本实施例与实施例1的不同之处在于:
所述待规划配电网涉及多个规划区域,包括A、B、C三个市;
步骤2中,所述目标函数为:
RBi=λSEPΔRi
上式中,L为规划区域的总数,为第l个区域内第i类可靠性提升措施的规划实施成本,RBl为第l个区域内的可靠性效益,RBi为第i类可靠性提升措施的可靠性效益,SEP为年总用电量,λ为产电比系数,其计算方法依次按照以下步骤进行:
2-1、先将规划区域内的电力用户按行业类型划分为p个用电类型,再采用一元线性回归模型拟合各用电类型历年的GDP和用电量数据,然后计算出各用电类型的偏离度指标:
上式中,DEVj为第j个用电类型的偏离度指标,δj为第j个用电类型的用电量占总用电量的比例,γj为第j个用电类型的GDP占总GDP的比例,rj为第j个用电类型的相关系数,wj(t)为第j个用电类型第t年度的用电量,gj(t)为第j个用电类型第t年度的GDP,m为总年数;
2-2、选取偏离度指标最低的q个用电类型,根据这些用电类型的预测GDP和用电量数据计算其产电比λ1,λ2,…,λq;
2-3、采用以下公式计算得到产电比系数λ:
本实施例计算得到的各市的产电比系数和年总用电量参见表2:
表2各市的产电比系数和年总用电量数据
规划市 | 产电比(元/kWh) | 年总用电量(亿kWh) |
A | 36.50 | 458.455 |
B | 34.24 | 367.383 |
C | 31.67 | 294.786 |
得到的各市规划方案的Pareto曲线如图3所示,得到的多个可行的规划方案部分如表3所示:
表3本实施例得到的可行的规划方案
步骤3中,
本实施例中,方案1的满意度评价值最高,为0.391,其成本满意度、可靠性满意度、敏感性满意度分别为0.682、0.370、0.877,因此选择方案1作为最优规划方案。
为考察本发明方法的有效性,以原规划方案作为对比例,将其与实施例1得到的优化方案进行对比,结果如表4所示:
表4优化方案对比结果
由表4所示数据不难看出,与原规划方案相比,采用本发明实施例所述方法得到的优化方案不仅能够减少更多的规划成本以及缺电损失,而且提升的系统供电可靠率更高。
Claims (8)
1.一种配电网精准规划多目标优化方法,其特征在于:
所述方法依次包括以下步骤:
步骤A、先根据可靠性提升措施的类型将配电网规划方案划分为与之对应的多个规划方向,再依据历年各类可靠性提升措施的成本与供电可靠率提升的统计数据得到各类可靠性提升措施的可靠性成本曲线,其中,所述可靠性提升措施的类型包括网架结构优化措施、设备水平提升措施、配电自动化建设措施;
步骤B、基于各类可靠性提升措施的可靠性成本曲线,以各类可靠性提升措施的规划实施成本之和最小、提升的可靠率之和或可靠性效益之和最高为目标函数,采用多目标智能优化算法获得Pareto最优解集,即多个可行的规划方案;
步骤C、从多个可行的规划方案中选择最优规划方案。
5.根据权利要求4所述的一种配电网精准规划多目标优化方法,其特征在于:
所述产电比系数λ的计算方法依次包括以下步骤:
S1、先将规划区域内的电力用户按行业类型划分为p个用电类型,再拟合各用电类型历年的GDP和用电量数据,然后计算出各用电类型的偏离度指标:
上式中,DEVj为第j个用电类型的偏离度指标,δj为第j个用电类型的用电量占总用电量的比例,γj为第j个用电类型的GDP占总GDP的比例,rj为第j个用电类型的相关系数,wj(t)为第j个用电类型第t年度的用电量,gj(t)为第j个用电类型第t年度的GDP,m为总年数;
S2、选取偏离度指标最低的q个用电类型,根据这些用电类型的预测GDP和用电量数据计算其产电比λ1,λ2,…,λq;
S3、采用以下公式计算得到产电比系数λ:
6.根据权利要求2所述的一种配电网精准规划多目标优化方法,其特征在于:
步骤C中,所述最优规划方案为满意度评价值最高的规划方案,所述满意度评价值h由以下公式计算得到:
7.根据权利要求1或2所述的一种配电网精准规划多目标优化方法,其特征在于:
所述目标函数的约束条件包括规划总成本约束、可靠率提升值约束、各类可靠性提升措施的成本约束;
所述多目标智能优化算法为NSGA2算法、多目标粒子群算法或多目标模拟退火算法。
8.根据权利要求5所述的一种配电网精准规划多目标优化方法,其特征在于:所述步骤S1采用一元线性回归模型拟合各用电类型历年的GDP和用电量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002821.4A CN111105099B (zh) | 2020-01-02 | 2020-01-02 | 一种配电网精准规划多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002821.4A CN111105099B (zh) | 2020-01-02 | 2020-01-02 | 一种配电网精准规划多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105099A true CN111105099A (zh) | 2020-05-05 |
CN111105099B CN111105099B (zh) | 2023-05-12 |
Family
ID=70425795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010002821.4A Active CN111105099B (zh) | 2020-01-02 | 2020-01-02 | 一种配电网精准规划多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105099B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364120A (zh) * | 2018-01-17 | 2018-08-03 | 华北电力大学 | 基于用户用电偏离度的智能小区需求响应切负荷方法 |
CN110059938A (zh) * | 2019-03-29 | 2019-07-26 | 四川大学 | 一种基于关联规则驱动的配电网规划方法 |
-
2020
- 2020-01-02 CN CN202010002821.4A patent/CN111105099B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364120A (zh) * | 2018-01-17 | 2018-08-03 | 华北电力大学 | 基于用户用电偏离度的智能小区需求响应切负荷方法 |
CN110059938A (zh) * | 2019-03-29 | 2019-07-26 | 四川大学 | 一种基于关联规则驱动的配电网规划方法 |
Non-Patent Citations (2)
Title |
---|
李子韵 等: "可靠性成本/效益精益化方法在配电网规划中的应用" * |
骆敏 等: "配电网供电可靠性定量评估及可靠性成本/效益分析软件包研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN111105099B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956266B (zh) | 基于层次分析法的多电源电力系统多目标优化调度方法 | |
CN105389636A (zh) | 一种低压台区kfcm-svr合理线损预测方法 | |
CN108876132B (zh) | 基于云的工业企业能效服务推荐方法和系统 | |
CN110232490A (zh) | 一种配电网工程投资成效的评估方法及系统 | |
CN104537432B (zh) | 基于证据推理的电力系统多目标优化调度的决策方法 | |
CN103577679A (zh) | 一种低压台区理论线损实时计算方法 | |
CN114004450A (zh) | 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型 | |
CN108876114A (zh) | 考虑新能源接入的电网效率效益评估方法 | |
CN109544006A (zh) | 一种评价电动汽车充电站经济效益的方法 | |
CN110796293A (zh) | 一种电力负荷预测方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN108038797B (zh) | 配电网调度控制水平的二项系数法和多目标规划混合评估方法 | |
CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
CN111242420B (zh) | 一种综合性能多维度评估方法 | |
CN110854891A (zh) | 一种配电网灾前资源配置方法及系统 | |
CN115577978A (zh) | 一种配电网目标投资决策要素权重系数测算方法 | |
CN117040020A (zh) | 一种地区整体光伏新能源可消纳能力指数分布的求解方法 | |
CN105701717B (zh) | 一种基于改进遗传算法的配电网互动方案编制方法 | |
CN111091301A (zh) | 一种省级电网可持续发展策略的优选方法 | |
CN104268802A (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 | |
CN111105099A (zh) | 一种配电网精准规划多目标优化方法 | |
CN115099534A (zh) | 一种电源规划方案优选方法 | |
CN115034618A (zh) | 一种基于模糊评价的社区综合能源系统效益评价方法 | |
CN114580849A (zh) | 一种能源互联网多维度规划评价方法及系统 | |
CN113947330A (zh) | 考虑投资时序的多目标电网项目优选决策方法及系统 |
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 |