CN111553508A - 基于可靠性与供电能力平衡的配电模型关键指标优选方法 - Google Patents
基于可靠性与供电能力平衡的配电模型关键指标优选方法 Download PDFInfo
- Publication number
- CN111553508A CN111553508A CN202010199472.XA CN202010199472A CN111553508A CN 111553508 A CN111553508 A CN 111553508A CN 202010199472 A CN202010199472 A CN 202010199472A CN 111553508 A CN111553508 A CN 111553508A
- Authority
- CN
- China
- Prior art keywords
- power supply
- reliability
- capacity
- power distribution
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims description 11
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 38
- 210000000349 chromosome Anatomy 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 12
- 101150067055 minC gene Proteins 0.000 claims description 4
- 238000009401 outcrossing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/04—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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
Abstract
本发明公开了基于可靠性与供电能力平衡的配电模型关键指标优选方法，包括：根据供电模型，确定供电可靠性与供电能力的关系曲线；针对所述关系曲线上的任一点，根据对应的供电可靠性和供电能力的数值，预估供电模型关键指标的范围；基于遗传算法，对配电网供电模型关键指标进行编码；分别计算供电模型的投资总费用和适应度函数，选择满足条件的个体进入下一代种群；循环计算过程，至计算结果满足迭代收敛条件，输出对应关键指标的选取方案。本发明能够在满足供电能力要求的情况下选择合理的供电模型关键指标来兼顾系统的可靠性与经济性，并保证向用户提供不间断电能的能力。
Description
技术领域
本发明涉及城网规划管理技术领域,具体地说是基于可靠性与供电能力平衡的配电模型关键指标优选方法。
背景技术
配电系统是电能生产、输送和使用的重要环节，也是电力系统到用户的最后一个环节。中压配电系统的供电模型是指以高压变电站为源、中压馈线为网的供电网络单元，全面涵盖了高压变电站互联结构和中压配电网的互联结构，即中压配网的供电架构和接线模式，其中高压变电站的出线条数和变电站站内站间供电单元的组数是配电网供电模型的关键指标，科学、合理地选择中压配电系统供电模型的关键指标，是当前城市电网精细化规划与发展的关键环节。另一方面，不同供电可靠性情况下中压配电系统的供电能力不一样。为此，研究考虑可靠性与供电能力平衡的配电网供电模型关键指标优选方法至关重要。
目前，在配电网供电可靠性与供电能力关系研究方面，一般运用考虑供电可靠性的中压配电系统评估方法，计算模型中以最大供电能力为目标，以可靠性为主要约束条件，对于系统特定的供电模型，可以得到随着可靠性目标的增加，系统供电能力下降的结论；在配电网供电模型关键指标分析方面，以三角形供电模型为例，变电站容量配置为3×50MVA，线路采用架空线路，型号为JKLYJ-240，为得到400MVA的供电能力，对供电模型的关键指标进行了一下分析。
由图1可知，三角形单联络供电模型需要三个高压变电站呈三角形分布，在变电站单侧的区域，馈线相互手拉手形成站内单环网，每个站内单环网作为一组站内馈线供电单元。在变电站之间的区域，每条馈线的远端点与对侧站所出馈线的远端点构成一个站间联络，形成单联络接线，每两条形成单联络的出线作为一组站间馈线供电单元。该模型的馈线最高负载率为50％，为得到400MVA的供电能力，需要变电站出线84条，站内供电单元27组，站间供电单元15组。
由图2可知，如果采用三角形两联络模型，在变电站单侧的区域，馈线相互手拉手形成站内单环网，每个站内单环网作为一组站内馈线供电单元。在变电站之间的区域外侧，每条馈线的远端点与对侧站所出馈线的远端点构成一个站间联络，形成单联络接线，每四条形成站间单联络的馈线形成一组站间双环网，每个站间双环网作为一组站间外侧馈线供电单元。在变电站之间的区域内侧，每条馈线的远端点与对侧站所出馈线的远端点构成一个站间联络，形成单联络接线并以双环网的形式接入用户，每六条形成单联络的出线作为一组站间内侧馈线供电单元。该模型的馈线最高负载率为50％，为得到400MVA的供电能力，需要变电站出线72条，站内供电单元15组，站间外侧供电单元6组，站间内侧供电单元3组。
由以上可知，为使得配电系统达到一定的供电能力，采用相同类型供电模型的情况下可以选择不同的关键指标。关键指标的选取不同，系统的可靠性水平不同。以上研究在供电模型关键指标的选取过程中，均未将系统的可靠性水平计及在内，无法兼顾配电系统的可靠性与经济性。
发明内容
本发明实施例中提供了一种基于可靠性与供电能力平衡的配电模型关键指标优选方法，以解决现有技术中在供电模型关键指标的选取过程中未考虑可靠性水平的问题。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
本发明提供了基于可靠性与供电能力平衡的配电模型关键指标优选方法，所述方法包括以下步骤：
根据供电模型，确定供电可靠性与供电能力的关系曲线；
针对所述关系曲线上的任一点，根据对应的供电可靠性和供电能力的数值，预估供电模型关键指标的范围；
基于遗传算法，对配电网供电模型关键指标进行编码；
初始化种群，随机产生个体，计算供电模型的投资总费用；
利用精英保留策略，对种群进行选择、分段交叉和分段变异操作，计算适应度函数，选择满足条件的个体进入下一代种群；
循环上述投资总费用和适应度函数的计算，至计算结果满足迭代收敛条件，输出对应关键指标的选取方案。
进一步地，所述方法还包括构建配电网供电模型关键指标的优选模型，具体为：
基于所述供电可靠性与供电能力的考虑，以配电网的经济性为目标，结合系统约束条件，建立配电网供电模型关键指标的目标函数；
所述目标函数为当前关键指标对应的投资总费用的最小值。
进一步地，所述目标函数为：
minC＝αscs1+βscs2 (1)
式(1)中，αs表示容量为s的变电站站内供电单元的组数；βs表示容量为s的变电站站间供电单元的组数；cs1和cs2分别表示对于容量为s的变电站一组站内供电单元和一组站间供电单元需要投资的费用；C为当前供电能力下配电网的总投资费用。
进一步地，所述约束条件包括供电能力约束、负荷约束、负载率约束、主变联络容量约束、变电站出现条数约束和可靠性约束。
进一步地，所述基于遗传算法，对配电网供电模型关键指标进行编码的具体过程为：
每条染色体代表配电网供电模型关键指标的一个选择方案，所述关键指标分别表示染色体上的基因，用二进制数进行编码；
利用随机方式，对染色体进行初始化，按照染色体编码中基因的顺序随机生成每一个基因，并在生成过程中，逐个调整基因间内在的关系。
进一步地，所述适应度函数为所述目标函数的倒数。
进一步地，所述利用精英保留策略，对种群进行选择、分段交叉和分段变异操作，计算适应度函数，选择满足条件的个体进入下一代种群的具体过程为：
采用轮盘赌，保留高适应度的个体，淘汰低适应度的个体；
采用随机节点的方式进行交叉和变异操作，每次交叉和变异针对染色体的一个基因进行。
进一步地，在所述分段交叉和分段变异操作后，还包括验证、调整染色体中基因合理性的步骤，具体过程为：
生成所有已进行交叉或变异操作的个体集合，从中取出一个个体；
记录该个体发生变化的基因位置k，并读取关系库中与其相关的关系；
从取出个体的第一个基因开始，至最后一个基因结束，分别验证其与第k个基因间是否满足所述相关的关系，若不满足则对其修正；
将所有个体验证完毕，则完成调整过程。
进一步地，所述关键指标包括变电站出现条数、变电站站内供电单元组数和变电站站外供电单元组数。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明建立的一种考虑可靠性与供电能力平衡的配电模型关键指标优选方法。该方法基于供电可靠性与供电能力之间的关系对配电网供电模型进行分析，在满足所需的供电能力情况下，选择合理的配电网供电模型关键指标，使得配电网供电模式的经济性和可靠性能够有效协调。本发明能够在满足供电能力要求的情况下选择合理的供电模型关键指标来兼顾系统的可靠性与经济性，并保证向用户提供不间断电能的能力。可以有效适应可靠性的变动对供电模型关键指标的不同所带来的变化，为中压配电网供电模型关键指标的优选提供科学的技术手段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，对于本领域普通技术人员而言，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是现有三角形单联络供电模型；
图2是现有三角形两联络供电模型；
图3是本发明所述方法的流程示意图；
图4是可靠性指标与供电能力之间关系的曲线图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图3所示，本发明适用于我国公共机构城市配电网规划工作。本发明基于可靠性与供电能力平衡的配电模型关键指标优选方法，包括以下步骤：
根据供电模型，确定供电可靠性与供电能力的关系曲线；
针对所述关系曲线上的任一点，根据对应的供电可靠性和供电能力的数值，预估供电模型关键指标的范围；
基于遗传算法，对配电网供电模型关键指标进行编码；
初始化种群，随机产生个体，计算供电模型的投资总费用；
利用精英保留策略，对种群进行选择、分段交叉和分段变异操作，计算适应度函数，选择满足条件的个体进入下一代种群；其中满足条件是满足预设条件；
循环上述投资总费用和适应度函数的计算，至计算结果满足迭代收敛条件，输出对应关键指标的选取方案。迭代收敛条件是指：在计算前设定阈值，该阈值是两次计算结果的差值，若两次计算结果的差值小于设定阈值，则认为满足迭代收敛条件。
配电网的供电能力是指在满足一定安全准则的条件下，一定区域内配电网能供应用户用电的最大能力，而供电可靠性主要用以量度和评估配电系统向电力用户提供不间断的合格电能的能力，一般采用序贯蒙特卡洛模拟法计算配电系统的可靠性指标(ASAI)。在三角形单联络供电模型下，可得到可靠性与供电能力之间的关系，如图4所示。
根据图4可以分析得到：图4中的A点表示该典型供电模型下系统潜在最大供电能力，B点表示基于N-1安全准则下系统的最大供电能力；在三角形单联络供电模式下，为满足B点的可靠性与供电能力需求，供电模型关键指标的选取情况为变电站出线30条，站内供电单元为10组，站间供电单元为5组。那么对于曲线上A、B两点之间的任意一点C，相对于B点来说，系统的系统的可靠性指标即平均供电可用度数值减小，即系统的供电可靠性降低，但是系统的供电能力会增加，也就是系统所供的负荷会增加，供电模型的关键指标如果和B点选择的一样，可能不能达到可靠性与供电能力的需求，为满足曲线上C点的可靠性与供电能力需求，需要选择与之对应的供电模型关键指标，为此，需要研究配电网供电模型关键指标优选模型和求解方法。
在运用遗传算法进行计算前，需要构建配电网供电模型关键指标的优选模型，具体为：
基于供电可靠性与供电能力的考虑，以配电网的经济性为目标，结合系统约束条件，建立配电网供电模型关键指标的目标函数；
所述目标函数为当前关键指标对应的投资总费用的最小值。
配电网供电模型关键指标包括高压变电站的出线条数和变电站的站内站间供电单元组数。本方案以配电网的经济性为目标，以系统的供电能力约束、负载率约束、可靠性约束以及主变联络容量约束为约束条件，优化配电网供电模型的关键指标，达到兼顾配电网供电模型经济性与可靠性的目的。
在满足系统特定的供电能力情况下，配电网供电模型关键指标的选取有多种形式，即变电站出线的条数以及站内站间供电单元的组数可以有不同的组合情况。变电站出线的条数越多，可能的站内站间供电单元的组数越多，配电网的投资越大。为此以经济性最优为目标的配电网供电模型优选的目标函数如下。
minC＝αscs1+βscs2 (1)
式(1)中，αs表示容量为s的变电站站内供电单元的组数；βs表示容量为s的变电站站间供电单元的组数；cs1和cs2分别表示对于容量为s的变电站一组站内供电单元和一组站间供电单元需要投资的费用；C为当前供电能力下配电网的总投资费用。
配电网供电模型关键指标优选的约束条件如下：
1)供电能力约束
S≤C+L (2)
式(5)中，S为供电能力需求；C为变电站的站内供电能力；L为站间转移能力。其中C＝θ1αs,L＝θ2βs，θ1和θ2分别表示容量为s的变电站站内供电能力与站内供电单元的相关系数、变电站站间供电能力与站间供电单元的相关系数。
2)负荷约束
该约束条件表示的是配电系统中各主变与所连接馈线之间的容量关系，具体表现形式为：
式(3)中，Riq表示与第i台主变相连的第q条馈线；Tiq表示与第i台主变相连的第q条馈线的负载率。
3)负载率约束
该约束条件表示的是上述各相关主变、馈线负载率的取值范围，具体表现形式为：
0≤Ti≤1 (4)
0≤Tiq≤1 (5)
Ti＝qTiq (6)
4)主变联络联络容量约束
L≤pl (7)
式(7)中，p表示主变间联络线的条数；l表示单条联络线的容量。
5)变电站出线条数约束
ms＝γ1αs+γ2βs (8)
式(8)中，ms表示容量为s的变电站出线的条数；γ1、γ2分别表示容量为s的变电站出线条数与站内和站间供电单元的相关系数。
6)可靠性约束
在计算系统的可靠性指标时采用平均供电可用度ASAI，平均供电可用度的含义是指在规定的时间内用户经受的不停电小时数与用户要求的总供电小时数之比，以可靠性约束作为配电网供电模型关键指标优选的主要约束条件，具体表达式如下：
式(9)中，T为在规定时间内的需电小时数；Uj为负荷点j的年停运时间；Nj为负荷点j的用户数；μ为配电网供电模型在满足供电能力需求情况下的可靠性目标。
将可靠性约束以罚函数的形式并入目标函数，可以得到新的目标函数：
minC＝αscs1+βscs2+KI(μ-ASAI) (10)
式(10)中，KI为可靠性不满足要求时的惩罚因子。
基于遗传算法，对配电网供电模型关键指标进行编码的具体过程为：
每条染色体代表配电网供电模型关键指标的一个选择方案，变电站出线的条数、变电站站内供电单元组数、变电站站间供电单元组数分别表示染色体上的三个基因，使用4位二进制的数进行编码；
染色体的初始化主要采用随机方式进行。为保证初始个体基因间关系的正确性，按照染色体编码中基因的顺序来随机生成每一个基因，并在生成过程中，逐个调整基因间内在的关系。
对于优化问题，适应度的计算应该与目标函数一致，为此本专利采用的适应度函数为：
式(11)中，F表示适应度函数。
利用精英保留策略，对种群进行选择、分段交叉和分段变异操作，计算适应度函数，选择满足条件的个体进入下一代种群的具体过程为：
采用轮盘赌，保留高适应度的个体，淘汰低适应度的个体；其中适应度的高低通过预先设定的概率确定，高于或等于设定概率的认为是高适应度的个体，低于设定概率的认为是地适应度的个体。
采用随机节点的方式进行交叉和变异操作，即在[1，n]间产生随机数以指定染色体的基因变化位置。每次交叉和变异针对染色体的一个基因进行。由于染色体采用二进制编码，因此变异操作相当于对原有基因取反。
在分段交叉和分段变异操作后，还包括验证、调整染色体中基因合理性的步骤，具体过程为：
生成所有已进行交叉或变异操作的个体集合，从中取出一个个体；
记录该个体发生变化的基因位置k，并读取关系库中与其相关的关系；
从取出个体的第一个基因开始，至最后一个基因结束，分别验证其与第k个基因间是否满足所述相关的关系，若不满足则对其修正；
将所有个体验证完毕，则完成调整过程。
以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。
Claims (9)
1.基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述方法包括以下步骤：
根据供电模型，确定供电可靠性与供电能力的关系曲线；
针对所述关系曲线上的任一点，根据对应的供电可靠性和供电能力的数值，预估供电模型关键指标的范围；
基于遗传算法，对配电网供电模型关键指标进行编码；
初始化种群，随机产生个体，计算供电模型的投资总费用；
利用精英保留策略，对种群进行选择、分段交叉和分段变异操作，计算适应度函数，选择满足条件的个体进入下一代种群；
循环上述投资总费用和适应度函数的计算，至计算结果满足迭代收敛条件，输出对应关键指标的选取方案。
2.根据权利要求1所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述方法还包括构建配电网供电模型关键指标的优选模型，具体为：
基于所述供电可靠性与供电能力的考虑，以配电网的经济性为目标，结合系统约束条件，建立配电网供电模型关键指标的目标函数；
所述目标函数为当前关键指标对应的投资总费用的最小值。
3.根据权利要求2所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述目标函数为：
minC＝αscs1+βscs2 (1)
式(1)中，αs表示容量为s的变电站站内供电单元的组数；βs表示容量为s的变电站站间供电单元的组数；cs1和cs2分别表示对于容量为s的变电站一组站内供电单元和一组站间供电单元需要投资的费用；C为当前供电能力下配电网的总投资费用。
4.根据权利要求3所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述约束条件包括供电能力约束、负荷约束、负载率约束、主变联络容量约束、变电站出现条数约束和可靠性约束。
5.根据权利要求1所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述基于遗传算法，对配电网供电模型关键指标进行编码的具体过程为：
每条染色体代表配电网供电模型关键指标的一个选择方案，所述关键指标分别表示染色体上的基因，用二进制数进行编码；
利用随机方式，对染色体进行初始化，按照染色体编码中基因的顺序随机生成每一个基因，并在生成过程中，逐个调整基因间内在的关系。
6.根据权利要求1所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述适应度函数为所述目标函数的倒数。
7.根据权利要求6所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述利用精英保留策略，对种群进行选择、分段交叉和分段变异操作，计算适应度函数，选择满足条件的个体进入下一代种群的具体过程为：
采用轮盘赌，保留高适应度的个体，淘汰低适应度的个体；
采用随机节点的方式进行交叉和变异操作，每次交叉和变异针对染色体的一个基因进行。
8.根据权利要求7所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，在所述分段交叉和分段变异操作后，还包括验证、调整染色体中基因合理性的步骤，具体过程为：
生成所有已进行交叉或变异操作的个体集合，从中取出一个个体；
记录该个体发生变化的基因位置k，并读取关系库中与其相关的关系；
从取出个体的第一个基因开始，至最后一个基因结束，分别验证其与第k个基因间是否满足所述相关的关系，若不满足则对其修正；
将所有个体验证完毕，则完成调整过程。
9.根据权利要求1-8任一项所述的基于可靠性与供电能力平衡的配电模型关键指标优选方法，其特征是，所述关键指标包括变电站出现条数、变电站站内供电单元组数和变电站站外供电单元组数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010199472.XA CN111553508A (zh) | 2020-03-20 | 2020-03-20 | 基于可靠性与供电能力平衡的配电模型关键指标优选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010199472.XA CN111553508A (zh) | 2020-03-20 | 2020-03-20 | 基于可靠性与供电能力平衡的配电模型关键指标优选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111553508A true CN111553508A (zh) | 2020-08-18 |
Family
ID=72003747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010199472.XA Pending CN111553508A (zh) | 2020-03-20 | 2020-03-20 | 基于可靠性与供电能力平衡的配电模型关键指标优选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111553508A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001474A (zh) * | 2020-08-24 | 2020-11-27 | 国网江西省电力有限公司经济技术研究院 | 一种配电网的配电终端设备优化配置方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599067A (zh) * | 2015-01-23 | 2015-05-06 | 国家电网公司 | 基于山区配电网供电模型的新型指标评估体系构建方法 |
| CN104978606A (zh) * | 2015-06-19 | 2015-10-14 | 国网天津市电力公司 | 基于遗传算法的配电系统网络结构优化方法 |
| CN105139081A (zh) * | 2015-08-05 | 2015-12-09 | 国网天津市电力公司 | 一种高可靠性的配电系统联络点规划方法 |
| CN105337275A (zh) * | 2015-10-26 | 2016-02-17 | 天津大学 | 一种基于配电系统可靠性的中压配电网供电能力评估方法 |
| CN108683186A (zh) * | 2018-06-07 | 2018-10-19 | 华北电力大学（保定） | 一种面向供电能力提升的配电网双层扩展规划方法 |
-
2020
- 2020-03-20 CN CN202010199472.XA patent/CN111553508A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599067A (zh) * | 2015-01-23 | 2015-05-06 | 国家电网公司 | 基于山区配电网供电模型的新型指标评估体系构建方法 |
| CN104978606A (zh) * | 2015-06-19 | 2015-10-14 | 国网天津市电力公司 | 基于遗传算法的配电系统网络结构优化方法 |
| CN105139081A (zh) * | 2015-08-05 | 2015-12-09 | 国网天津市电力公司 | 一种高可靠性的配电系统联络点规划方法 |
| CN105337275A (zh) * | 2015-10-26 | 2016-02-17 | 天津大学 | 一种基于配电系统可靠性的中压配电网供电能力评估方法 |
| CN108683186A (zh) * | 2018-06-07 | 2018-10-19 | 华北电力大学（保定） | 一种面向供电能力提升的配电网双层扩展规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 方文道等: "基于自适应遗传算法的特征基因选择", 《科技通报》, pages 241 - 243 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001474A (zh) * | 2020-08-24 | 2020-11-27 | 国网江西省电力有限公司经济技术研究院 | 一种配电网的配电终端设备优化配置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301470B (zh) | 一种配电网扩展规划与光储选址定容的双层优化方法 | |
| CN109325694B (zh) | 基于承载能力的配电网优选方法 | |
| CN110009262B (zh) | 一种主动配电网的日前-日内两阶段优化调度方法 | |
| Martins et al. | Active distribution network integrated planning incorporating distributed generation and load response uncertainties | |
| CN111431173B (zh) | 考虑负荷互补特性的中压配电网环网结构确定方法及系统 | |
| CN112039079B (zh) | 考虑电压安全的有源配电网储能优化系统配置方法 | |
| CN106941256B (zh) | 计及mpsc和mccc的配电网主变联络结构优化规划方法 | |
| CN107276067B (zh) | 一种考虑负荷特性的配电网联络开关配置优化方法 | |
| CN107506914B (zh) | 计及分布式电源渗透率变化的变电站动态扩展规划方法 | |
| Mahdavi et al. | Evaluating the effect of load growth on annual network losses in TNEP considering bundle lines using DCGA | |
| CN108880886B (zh) | 一种跨区域电力系统保护通信网规划方法 | |
| CN104537580A (zh) | 基于K-means聚类的配电网网架的构建方法 | |
| CN103489047A (zh) | 一种中压配电网络分段开关的优化配置方法 | |
| CN108808664B (zh) | 一种考虑电网分区优化运行的城市电网规划方法 | |
| CN112381421B (zh) | 一种考虑电力市场全维度的源网荷多主体博弈规划方法 | |
| CN113888350A (zh) | 一种考虑过渡期供电可靠性的电网规划项目排序方法 | |
| CN111697617B (zh) | 一种高光伏渗透配电网优化运行方法及系统 | |
| CN107947183A (zh) | 基于微分进化的含三端snop的配电网自适应优化方法 | |
| CN110245799B (zh) | 考虑负荷柔性需求的配电网架结构过渡的多目标规划方法 | |
| CN111553508A (zh) | 基于可靠性与供电能力平衡的配电模型关键指标优选方法 | |
| Hong et al. | Genetic algorithm based network reconfiguration for loss minimization in distribution systems | |
| Hamad et al. | Switching strategy for DG optimal allocation during repairing fault periods on loop distribution networks | |
| CN110189231B (zh) | 一种基于改进遗传算法的电网最优供电方案的确定方法 | |
| Farashbashi-Astaneh et al. | Optimal placement and sizing of DG for loss reduction, voltage profile improvement and voltage sag mitigation | |
| Ma et al. | Optimal switch placement in distribution networks under different conditions using improved GA |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |