CN111709632A - 基于人工智能和多目标约束的停电计划自动编排方法 - Google Patents

Abstract

本发明公开了基于人工智能和多目标约束的停电计划自动编排方法，包括以下步骤：构建配电网基础数据、构建考虑多重停电事件的电网最优检修计划停电决策模型、构建基于比例系数法的电网最优检修停电决策单目标函数优化模型、构建基于惩罚函数的适应值优化模型、采用遗传算法求解最优检修停电决策问题。本发明能够有效降低用户停电次数，提高电网供电可靠性，减少用户停电电量，避免供电侧电费损失，而且降低了用户用电失望度，大大提高了用户满意度，为电网检修决策者应对多重计划停电事件提供理论和技术支撑。

Description

基于人工智能和多目标约束的停电计划自动编排方法

技术领域

本发明涉及电网检修停电决策技术领域，尤其涉及基于人工智能和多目标约束的停电计划自动编排方法。

背景技术

电力设备的检修停电计划策略能够直接影响电力系统的可靠性与经济性，合理的检修停电决策模型能够改善供电可靠性与用户用电满意程度。现有实际检修停电计划策略依赖于决策者经验和主观判断，仅适合针对单一停电事件的检修决策安排，而对多重停电事件的检修决策安排较难实现其最优化决策，并且优化模型缺乏对电网侧、用户侧以及检修侧的综合考虑，造成检修计划无法保证用户停电电量最小、用户满意度最高等指标，并且停电计划的制定过程繁琐，且不能达到全局最优，急需提出一种基于人工智能和多目标约束的停电计划自动编排方法来解决多重停电事件的电网检修计划决策问题。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种基于人工智能和多目标约束的停电计划自动编排方法，有效降低用户停电电量、提高检修效率，从而全面提升配网供电可靠性与用户用电满意程度。

本发明是通过以下技术方案实现：

基于人工智能和多目标约束的停电计划自动编排方法，包括以下步骤：

步骤一：构建配电网基础数据；

步骤二：构建考虑多重停电事件的电网最优检测计划停电决策模型；

步骤三：构建基于比例系数法的电网最优检修停电决策单目标函数优化模型；

步骤四：构建基于惩罚函数的适应值优化模型；

步骤五：采用遗传算法求解最优检修停电决策问题。

进一步地，所述步骤一中，采用区域实际简单电网为测试系统，获取不同用户的实际负荷数据、配网设备的台账、拓扑节点关系、上报的停电检修计划表、配网设备的停电检修时间和用户的停电信息，用户的停电信息，包括用户的停电频率、停电电量、停电时间差异度和总停电电量，并对重叠检修的设备进行合并处理，构建出配电网基础数据。

进一步地，所述步骤二中，以月度为停电计划编排周期，以设备停电时间为决策变量，以最小化月停电电量、用户用电失望度以及最大化设备停电时间差异度构造目标函数，以停电电量约束、特殊事件约束为约束函数，构建考虑多重停电事件的电网最优检修计划停电决策模型。

进一步地，所述步骤三中，为提高停电计划决策效率，构建基于比例系数法的电网最优检修停电决策单目标函数优化模型，为不同目标函数赋予相应的权重系数，将多目标优化函数转化为单目标函数，并有效区分不同目标函数的重要程度。

进一步地，所述步骤四中，采用罚函数法将带约束优化模型转化为无约束优化模型，基于惩罚函数系数和约束函数越限标志求出惩罚函数，以停电计划综合目标函数与惩罚函数的和作为适应值函数，构建基于惩罚函数的适应值优化模型。

进一步地，所述步骤五中，将步骤四中的适应值优化模型，以基于遗传算法的电网检修停电计划最优算法进行求解，通过多次迭代筛选出适应值最优的个体变量；

基于遗传算法的电网检修停电计划最优算法包含以下步骤：初始化种群、个体适应值计算、选择操作、交叉操作、变异操作、更新种群和迭代终止判定。

进一步地，初始化迭代次数k＝0，种群中个体数目为M，遗传算法的迟滞代数为N，设置种群编码类型为实数双精度编码，并生成大小为M×EN的随机实数矩阵，所得初始种群如下所示：

式中，Z⁰为初始种群向量；

为第M个体第EN个设备的初始停电检修时间。然后计算种群中各个体的适应值F_fitness。

进一步地，按照适应值大小对种群Z^k的个体进行排序，通过给定的固定步长选择相应个体进行后续交叉操作；

设定

和

为被选择的个体向量组，随机生成二进制向量U，将已选择的个体向量

和

按照二进制向量U通过0-1杂交获得新的个体

为防止优化过程出现局部收敛，对获得的种群个体进行变异操作，设置变异率为p_m，需要进行变异操作的是第q个个体的第w个基因，变异前第q个个体表示为：

对第q个个体第w个基因进行变异操作：

式中，

为[0,1]之间的随机数，

为[1,N_dm]之间的随机数。

进一步地，计算交叉变异操作生成新个体的适应值，并将其与原种群合并、排序，保留前M个个体作为下一代种群Z^k+1，并根据排序结果记录最优适应值

若得到的最优适应值在经过N代后未发生变化，则迭代结束，输出最优适应值F(Z_best)及其对应的个体变量Z_best，否则令k＝k+1并继续迭代。

与现有的技术相比，本发明的有益效果是：

本发明公开了基于人工智能和多目标约束的停电计划自动编排方法，与现有技术相比用户的停电次数大大减少，停电电量显著下降，停电时间不会出现集中式的缺点，并且同类型设备的检修时间能够较为分散的分布在停电计划周期内，为提高配电网安全稳定运行水平提供技术支撑。

附图说明

图1为本发明基于人工智能和多目标约束的停电计划自动编排方法的流程图；

图2为基于遗传算法的电网检修决策流程图。

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仅用以解释本发明，并不用于限定本发明。

请一并参阅图1～图2，其中图1为本发明基于人工智能和多目标约束的停电计划自动编排方法的流程图；图2为基于遗传算法的电网检修决策流程图。

所述基于人工智能和多目标约束的停电计划自动编排方法，包括以下步骤：

步骤一：构建配电网基础数据。

采用区域实际简单电网为测试系统，获取不同用户的实际负荷数据、配网设备的台账、拓扑节点关系、上报的停电检修计划表、配网设备的停电检修时间和用户的停电信息，用户的停电信息包括用户的停电频率、停电电量、停电时间差异度和总停电电量，并对重叠检修的设备进行合并处理，构建出配电网基础数据。

步骤二：构建考虑多重停电事件的电网最优检测计划停电决策模型。

在步骤一的基础上，通过整合所辖区域上报的停电计划制定检修停电计划安排，以月度为停电计划编排周期，以设备停电时间为决策变量，分别从供电侧、用户侧和检修侧构造停电计划的目标函数，并在优化过程中考虑多种约束。

步骤2.1：为减少因设备检修发生的用户停电次数、降低停电电量及提高供电效益，将最小化用户检修停电电量作为检修停电供电侧决策优化目标函数，即：

式中，i＝1，......，N_C为用户编号(N_C为总用户数)；

和

为第i个用户停电计划执行后的总停电功率和总停电电量；T_Otg为停电时间；F_SupSid为最小化用户总停电电量。

步骤2.2：构造用户用电失望度表征连续停电事件的发生或者过高的停电频率对用户用电满意度的影响，并将其作为电网检修停电用户侧决策优化目标函数，即：

式中，CECD_i为第i个用户用户失望度；F_CusSid为最小化用户用电失望度。为确保目标函数的优化类型一致，本文结合分段函数法和取倒法构造用户用电失望度，如下式所示：

式中，CoC_i为第i个用户的停电时间序列；var(CoC_i)为第i个用户停电时间方差，用来表征第i个用户的停电时间差异度；PCLF_i为第i个用户在停电计划周期内的停电次数。

步骤2.3：分别计算各类型设备的检修时间差异度来描述检修编排是否合理，为确保目标函数的优化类型一致，确定电网检修停电检修侧决策优化目标函数，如下所示：

式中，j＝L,T,K分别表示线路、变压器以及开关；EqC_j为j类型设备的停电时间序列；var(EqC_j)为j类型设备的停电时间方差，用来表征j类型设备的停电时间差异度；F_MaiSid为最大化设备检修时间差异度。

步骤2.4：将相同设备的月停电事件整合到一起，采用正整数向量X＝{X₁,…,X_j…,X_EN}作为检修停电计划模型的决策变量。其中，j为设备编号，EN为待检修设备总数目，X_j为第j个设备的停电时间。为便于计算，对不同类型设备的编号如下：1)X₁,…,X_SL为线路，SL为线路数目；2)X_SL+1,…,X_SL+ST为变压器，ST为变压器数目；3)X_SL+ST+1,…,X_SL+ST+SK为开关，SK为开关数目。因此决策变量约束如下所示：

1≤X_j≤N_dm且X_j∈N_dm

式中，N_dm为待分析月份的天数。

步骤2.5：通过同类设备的最大检修数量刻画人力资源约束，即：

式中，ModeNum(X₁,X₂,…,X_a)表示计算序列{X₁,X₂,…,X_a}中出现的次数；n_L、n_T和n_K分别为线路、变压器和开关在同一天能够被检修的最大数目。

步骤2.6：通过下式约束电网检修停电计划优化前后用户的停电电量变化：

式中，

为第i个用户停电计划优化前的月停电电量。

步骤2.7：由于特殊事件(如恶劣天气日、特殊节假日)的发生会导致计划制定周期内某段时间不允许检修，为错开事件发生时间、提高停电计划可行性，需添加特殊事件约束，如下式所示：

式中，Y表示特殊事件对应的时间集合。

步骤三：构建基于比例系数法的电网最优检修停电决策单目标函数优化模型。

为提高停电计划决策效率，构建基于比例系数法的电网最优检修停电决策单目标函数优化模型，为不同目标函数赋予相应的权重系数，将多目标优化函数转化为单目标函数，并有效区分不同目标函数的重要程度，如下式所示：

F_Total＝αF_SupSide+βF_CusSid+γF_MaiSid

式中，α、β和γ分别为目标函数F_SupSid,F_CusSid,和F_MaiSid的权重系数；F_Total为停电计划模型的综合目标函数。

式中，α、β和γ分别为目标函数F_SupSid,F_CusSid,和F_MaiSid的权重系数；F_Total为停电计划模型的综合目标函数。

步骤四：构建基于惩罚函数的适应值优化模型。

步骤4.1：采用罚函数法将带约束优化模型转化为无约束优化模型，基于惩罚函数系数和约束函数越限标志求出惩罚函数，如下式所示：

FPunish＝C×flag

式中，F_Punish为惩罚函数；C为惩罚函数系数；flag为约束函数越限标志。

步骤4.2：以停电计划综合目标函数与惩罚函数的和作为适应值函数，构建基于惩罚函数的适应值优化模型如下：

F_fitness＝F_Total+F_Punish

＝(αF_SupSide+βF_CusSid+γF_MaiSid)+F_Punish

式中，F_fitness为适应值函数。

步骤五：采用遗传算法求解最优检修停电决策问题。

将步骤四中的适应值优化模型，以基于遗传算法的电网检修停电计划最优算法进行求解，通过多次迭代筛选出适应值最优的个体变量。基于遗传算法的电网检修停电计划最优算法包含以下步骤：初始化种群、个体适应值计算、选择操作、交叉操作、变异操作、更新种群和迭代终止判定。

步骤5.1：初始化迭代次数k＝0，种群中个体数目为M，遗传算法的迟滞代数为N，设置种群编码类型为实数双精度编码，并生成大小为M×EN的随机实数矩阵，所得初始种群如下所示：

式中，Z⁰为初始种群向量；

为第M个体第EN个设备的初始停电检修时间。然后计算种群中各个体的适应值F_fitness。

步骤5.2：按照适应值大小对种群Z^k的个体进行排序，通过给定的固定步长选择相应个体进行后续交叉操作。

假设

和

属于被选择的个体向量组，随机生成一个二进制向量U，将已选择的。个体向量

和

按照二进制向量U通过0-1杂交获得新的个体

为防止优化过程出现局部收敛的情况，对获得的种群个体进行变异操作。设变异率为p_m，需要进行变异操作的是第q个个体的第w个基因，变异前第q个个体可表示为：

对第q个个体第w个基因进行变异操作：

式中，

为[0,1]之间的随机数，

为[1,N_dm]之间的随机数。

步骤5.3：计算交叉变异操作生成新个体的适应值，并将其与原种群合并、排序，保留前M个个体作为下一代种群Z^k+1，并根据排序结果记录最优适应值

若得到的最优适应值在经过N代后未发生变化，则迭代结束，输出最优适应值F(Z_best)及其对应的个体变量Z_best，否则令k＝k+1并继续迭代。

与现有的技术相比，本发明的有益效果是：

本发明公开了基于人工智能和多目标约束的停电计划自动编排方法，与现有技术相比用户的停电次数大大减少，停电电量显著下降，停电时间不会出现集中式的缺点，并且同类型设备的检修时间能够较为分散的分布在停电计划周期内，为提高配电网安全稳定运行水平提供技术支撑。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，包括以下步骤：

步骤一：构建配电网基础数据；

步骤二：构建考虑多重停电事件的电网最优检测计划停电决策模型；

步骤三：构建基于比例系数法的电网最优检修停电决策单目标函数优化模型；

步骤四：构建基于惩罚函数的适应值优化模型；

步骤五：采用遗传算法求解最优检修停电决策问题。

2.根据权利要求1所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，所述步骤一中，采用区域实际简单电网为测试系统，获取不同用户的实际负荷数据、配网设备的台账、拓扑节点关系、上报的停电检修计划表、配网设备的停电检修时间和用户的停电信息，用户的停电信息，包括用户的停电频率、停电电量、停电时间差异度和总停电电量，并对重叠检修的设备进行合并处理，构建出配电网基础数据。

3.根据权利要求2所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，所述步骤二中，以月度为停电计划编排周期，以设备停电时间为决策变量，以最小化月停电电量、用户用电失望度以及最大化设备停电时间差异度构造目标函数，以停电电量约束、特殊事件约束为约束函数，构建考虑多重停电事件的电网最优检修计划停电决策模型。

4.根据权利要求3所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，所述步骤三中，为提高停电计划决策效率，构建基于比例系数法的电网最优检修停电决策单目标函数优化模型，为不同目标函数赋予相应的权重系数，将多目标优化函数转化为单目标函数，并有效区分不同目标函数的重要程度。

5.根据权利要求4所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，所述步骤四中，采用罚函数法将带约束优化模型转化为无约束优化模型，基于惩罚函数系数和约束函数越限标志求出惩罚函数，以停电计划综合目标函数与惩罚函数的和作为适应值函数，构建基于惩罚函数的适应值优化模型。

6.根据权利要求5所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，所述步骤五中，将步骤四中的适应值优化模型，以基于遗传算法的电网检修停电计划最优算法进行求解，通过多次迭代筛选出适应值最优的个体变量；

基于遗传算法的电网检修停电计划最优算法包含以下步骤：初始化种群、个体适应值计算、选择操作、交叉操作、变异操作、更新种群和迭代终止判定。

7.根据权利要求6所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，初始化迭代次数k＝0，种群中个体数目为M，遗传算法的迟滞代数为N，设置种群编码类型为实数双精度编码，并生成大小为M×EN的随机实数矩阵，所得初始种群如下所示：

式中，Z⁰为初始种群向量；

为第M个体第EN个设备的初始停电检修时间。然后计算种群中各个体的适应值F_fitness。

8.根据权利要求7所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，按照适应值大小对种群Z^k的个体进行排序，通过给定的固定步长选择相应个体进行后续交叉操作；

设定Z_i ^k和Z_j ^k为被选择的个体向量组，随机生成二进制向量U，将已选择的个体向量Z_i ^k和Z_j ^k按照二进制向量U通过0-1杂交获得新的个体Z_l ^k；

为防止优化过程出现局部收敛，对获得的种群个体进行变异操作，设置变异率为p_m，需要进行变异操作的是第q个个体的第w个基因，变异前第q个个体表示为：

对第q个个体第w个基因进行变异操作：

式中，

为[0,1]之间的随机数，

为[1,N_dm]之间的随机数。

9.根据权利要求8所述的基于人工智能和多目标约束的停电计划自动编排方法，其特征在于，计算交叉变异操作生成新个体的适应值，并将其与原种群合并、排序，保留前M个个体作为下一代种群Z^k+1，并根据排序结果记录最优适应值

若得到的最优适应值在经过N代后未发生变化，则迭代结束，输出最优适应值F(Z_best)及其对应的个体变量Z_best，否则令k＝k+1并继续迭代。

Images