CN113326655A - 辐射型配电网可靠性与经济性综合评估方法及装置 - Google Patents

辐射型配电网可靠性与经济性综合评估方法及装置 Download PDF

Info

Publication number
CN113326655A
CN113326655A CN202110571405.0A CN202110571405A CN113326655A CN 113326655 A CN113326655 A CN 113326655A CN 202110571405 A CN202110571405 A CN 202110571405A CN 113326655 A CN113326655 A CN 113326655A
Authority
CN
China
Prior art keywords
cost
reliability
distribution network
power
constraint condition
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
Application number
CN202110571405.0A
Other languages
English (en)
Inventor
欧阳健娜
李珊
秦丽文
陈绍南
周杨珺
李欣桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202110571405.0A priority Critical patent/CN113326655A/zh
Publication of CN113326655A publication Critical patent/CN113326655A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明公开了一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法及装置，所述方法包括：基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标；基于物理约束条件和可靠性约束条件构建评估约束性条件；基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解。在本发明实施例中，可以综合考虑各方面的成本问题，从而寻求配网可靠性改造的最优方案。

Description

辐射型配电网可靠性与经济性综合评估方法及装置
技术领域
本发明涉及配电网技术领域，尤其涉及一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法及装置。
背景技术
在整个电力系统中，配电网作为直接与电力客户相连的环节，直接影响电力客户的电力供应，因此配网供电可靠性成为了供电企业和电力客户关注的焦点。通过配网重构、提高配网技术装备水平、提高配网运行维护水平等措施可减少故障持续时间和故障率，从而提高配网可靠性。然而在配电系统规划中，如何提高配网可靠性的同时考虑所需的相关投资的经济性成为了至关重要的问题。该问题本身可以看做是一个多目标优化问题，即考虑减少配网故障持续时间和故障率，同时最小化相关可靠性改造方案投资成本、网络损耗成本、缺电成本及补偿电容器组配置成本的多目标优化。目前配电网可靠性评估方法主要可分为解析法和模拟法。但是现有技术中在考虑配网可靠性目标，从可靠性成本效益角度选择最优配网规划方面研究较为完善，但在考虑以减少配电网元件故障持续时间、故障率来提高配网可靠性，投资成本最优为目标的可靠性改造方案的选择及经济性分析方面有待研究。在多目标优化过程中，需要充分考虑配网技术约束和可靠性指标期望约束，此外由于系统故障率和故障持续时间受多种因素影响具有模糊性，对于参数故障率和故障持续时间的估计需要进行相关研究。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法及装置，可以实现在充分考虑配网技术约束和可靠性指标约束条件下，最小化相关可靠性改造投资。
为了解决上述技术问题，本发明实施例提供了一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述方法包括：
基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标；
基于物理约束条件和可靠性约束条件构建评估约束性条件；
基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解。
可选的，所述基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标的公式如下：
min C＝C1+C2+C3+C4；
其中，C表示总成本；C1表示可靠性改造方案投资成本；C2表示缺电成本；C3表示配网网络损耗成本；C4表示补偿电容器组配置成本。
可选的，所述可靠性改造方案投资成本包括设备的购买或更换成本及安装成本，不同使用年限的设备投资应通过货币时值转换公式转换到等年值，计算公式如下：
Figure BDA0003082829920000021
其中，C1表示可靠性改造方案投资成本；Ne表示配网元件总数；Nm表示减少故障持续时间；Nn表示故障率所采取的措施总数；
Figure BDA0003082829920000022
表示第ij个元件为减少故障持续时间所采取的第m个措施的成本；Xij,m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；
Figure BDA0003082829920000023
表示第ij个元件为减少故障率所采取的第n个措施的成本；Yij,n表示第ij个元件为减少故障率所采取的第n个措施对应的决策变量；k表示贴现率；ti表示第i个设备的寿命。
可选的，所述缺电成本为在衡量可靠性成本时通常以停电损失来衡量，在不知道用户具体负荷类型或单次故障的停电时间的情况下，或者需要进行宏观比较时，可采用宏观的产电比法来计算停电损失，计算公式如下：
Q＝EENS·c；
其中，Q表示停电损失；EENS表示期望缺电量；c表示产电比；
若知道用户类型和停电时间时，或者针对具体进行准确计算时，缺电成本采用如下公式进行计算：
Figure BDA0003082829920000031
Sλij＝λij-(Δλij*Yij,m)；
Srij＝rij-(Δrij*Xij,m)；
其中，
Figure BDA0003082829920000032
表示第ij个元件的停电损失；Sλij表示第ij个元件的系统故障率；Srij表示第ij个元件的故障持续时间；N表示第ij个元件影响的负荷总数；Δrij表示设备ij采取措施后的故障持续时间变化量；Δλij表示设备ij采取措施后的故障率变化量；Ne表示配网元件总数；Xij,m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；Yij,m表示第ij个元件为减少故障率所采取的第m个措施对应的决策变量。
可选的，所述配网网络损耗成本为统计单位时间内配电系统的线路网络总损耗，其计算公式如下：
Figure BDA0003082829920000033
其中，l表示线路总数；Ii表示第i条线路的电流；ri表示第i条线路的电阻；Ti表示第i条线路的年运行时间；v表示电价。
可选的，所述补偿电容器组配置成本计算如下：
Figure BDA0003082829920000034
其中，Nb表示节点数量；Nc表示接入补偿电容数量；Cc表示第c个电容器的初始投资成本；ACc表示第c个电容器的年成本；Qcapi,c表示节点i接入的第C个补偿电容容量；Wi,c表示节点i是否接入电容器组的二进制决策变量；k表示贴现率；ti表示第i个设备的寿命。
可选的，所述物理约束条件包括：考虑功率约束、电容器容量约束、电压相角约束；
可靠性约束条件包括：考虑系统平均停电持续指标、系统平均停电频率、用户平均停电持续时间、电量不足期望值。
可选的，所述基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解，包括：
随机产生一个种群；
基于所述经济性评估指标和所述评估约束性条件判断所述种群中的每个个体的适应度是否符合优化准则，若是符合则输出最佳个体及其对应的最优解，并结束；否则进入下一步；
根据适应度选择父母，其中，适应度高的个体被选中的概率高，适应度低的个体被淘汰的概率高；
利用父母的染色体按照预设方式进行交叉，生成子代；
对子代染色体进行变异，生成新一代群体，并返回上述的判断寻优步骤，直至输出最优个体及其对应的最优解。
另外，本发明实施例中还提供了一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估装置，所述装置包括：
第一构建模块：用于基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标；
第二构建模块：用于基于物理约束条件和可靠性约束条件构建评估约束性条件；
寻优模块：用于基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解。
在本发明实施例中，可以实现在充分考虑配网技术约束和可靠性指标约束条件下，最小化相关可靠性改造投资。
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，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明实施例中的基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法的流程示意图；
图2是本发明实施例中的基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估装置的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法的流程示意图。
如图1所示，一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法，所述方法包括：
S11：基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标；
在本发明具体实施过程中，所述基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标的公式如下：
min C＝C1+C2+C3+C4；
其中，C表示总成本；C1表示可靠性改造方案投资成本；C2表示缺电成本；C3表示配网网络损耗成本；C4表示补偿电容器组配置成本。
进一步的，所述可靠性改造方案投资成本包括设备的购买或更换成本及安装成本，不同使用年限的设备投资应通过货币时值转换公式转换到等年值，计算公式如下：
Figure BDA0003082829920000051
其中，C1表示可靠性改造方案投资成本；Ne表示配网元件总数；Nm表示减少故障持续时间；Nn表示故障率所采取的措施总数；
Figure BDA0003082829920000052
表示第ij个元件为减少故障持续时间所采取的第m个措施的成本；Xij,m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；
Figure BDA0003082829920000061
表示第ij个元件为减少故障率所采取的第n个措施的成本；Yij,n表示第ij个元件为减少故障率所采取的第n个措施对应的决策变量；k表示贴现率；ti表示第i个设备的寿命。
进一步的，所述缺电成本为在衡量可靠性成本时通常以停电损失来衡量，在不知道用户具体负荷类型或单次故障的停电时间的情况下，或者需要进行宏观比较时，可采用宏观的产电比法来计算停电损失，计算公式如下：
Q＝EENS·c；
其中，Q表示停电损失；EENS表示期望缺电量；c表示产电比；
若知道用户类型和停电时间时，或者针对具体进行准确计算时，缺电成本采用如下公式进行计算：
Figure BDA0003082829920000062
Sλij＝λij-(Δλij*Yij，m)；
Srij＝rij-(Δrij*Xij，m)；
其中，
Figure BDA0003082829920000063
表示第ij个元件的停电损失；Sλij表示第ij个元件的系统故障率；Srij表示第ij个元件的故障持续时间；N表示第ij个元件影响的负荷总数；Δrij表示设备ij采取措施后的故障持续时间变化量；Δλij表示设备ij采取措施后的故障率变化量；Ne表示配网元件总数；Xij,m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；Yij,m表示第ij个元件为减少故障率所采取的第m个措施对应的决策变量。
进一步的，所述配网网络损耗成本为统计单位时间内配电系统的线路网络总损耗，其计算公式如下：
Figure BDA0003082829920000064
其中，l表示线路总数；Ii表示第i条线路的电流；ri表示第i条线路的电阻；Ti表示第i条线路的年运行时间；v表示电价。
进一步的，所述补偿电容器组配置成本计算如下：
Figure BDA0003082829920000065
其中，Nb表示节点数量；Nc表示接入补偿电容数量；Cc表示第c个电容器的初始投资成本；ACc表示第c个电容器的年成本；Qcapi，c表示节点i接入的第C个补偿电容容量；Wi，c表示节点i是否接入电容器组的二进制决策变量；k表示贴现率；ti表示第i个设备的寿命。
具体的，通过可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标作为目标函数，该目标函数如下：
min C＝C1+C2+C3+C4；
其中，C表示总成本；C1表示可靠性改造方案投资成本；C2表示缺电成本；C3表示配网网络损耗成本；C4表示补偿电容器组配置成本。
对于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本计算可以参照上述的计算公式。
S12：基于物理约束条件和可靠性约束条件构建评估约束性条件；
在本发明具体实施过程中，所述物理约束条件包括：考虑功率约束、电容器容量约束、电压相角约束；可靠性约束条件包括：考虑系统平均停电持续指标、系统平均停电频率、用户平均停电持续时间、电量不足期望值。
具体的，物理约束条件包括：考虑功率约束，电容器容量约束，电压相角约束等。可靠性约束条件包括：考虑系统平均停电持续指标(SAIDI)，系统平均停电频率(SAIFI)，用户平均停电持续时间(CAIDI)，电量不足期望值(EENS)。
S13：基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解。
在本发明具体实施过程中，所述基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解，包括：随机产生一个种群；基于所述经济性评估指标和所述评估约束性条件判断所述种群中的每个个体的适应度是否符合优化准则，若是符合则输出最佳个体及其对应的最优解，并结束；否则进入下一步；根据适应度选择父母，其中，适应度高的个体被选中的概率高，适应度低的个体被淘汰的概率高；利用父母的染色体按照预设方式进行交叉，生成子代；对子代染色体进行变异，生成新一代群体，并返回上述的判断寻优步骤，直至输出最优个体及其对应的最优解。
具体的，遗传算法(Genetic Algorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。
具体的寻优如下：随机产生一个种群；基于所述经济性评估指标和所述评估约束性条件判断所述种群中的每个个体的适应度是否符合优化准则，若是符合则输出最佳个体及其对应的最优解，并结束；否则进入下一步；根据适应度选择父母，其中，适应度高的个体被选中的概率高，适应度低的个体被淘汰的概率高；利用父母的染色体按照预设方式进行交叉，生成子代；对子代染色体进行变异，生成新一代群体，并返回上述的判断寻优步骤，直至输出最优个体及其对应的最优解。
通过遗传算法对成本目标函数进行最小化寻优；假设配网系统减少故障持续时间的措施主要为：1)措施一：提高运维检修水平，如增加运维检修人员、提高检修次数等；2)措施二：提高技术装备水平，如增设自动化开关，提高自动化终端覆盖率等。配网系统减少故障率的措施主要为：1)措施一：改善电网结构，重新设计线路布局；2)措施二：强化线路如提高线路绝缘化率、电缆化率等，或并联一条线路。
其中，在进行上述改造措施时，对配电网的物理约束并不产生影响，因此在计算网络潮流后，应当先进行配电网的相应的配网网络损耗和无功补偿优化，此时目标函数将转换为求解最小的投资改造成本和确定成本的总和。因此，对上述改造方法，每条线路只选择其中一种改造方案进行改造。由此产生4^32种改造方案，利用遗传算法通过交叉变异进行子代的更新，在产生下一代的过程中，排名第一的进行完全复制，上一代的前2％获得交叉资格，生成下一代75％的后代，而后一代25％由变异生成，通过这样的机制，最终实现初始种群中的全局最优解。
为了提高遗传算法的寻优效率，在进行初始种群选取和变异种群生成过程时，采用蒙特卡洛法进行随机抽取，这样可以大大降低算法寻优过程中的计算时间成本。尽管每次抽样条件下，遗传算法和蒙特卡洛都具有随机性而导致结果不唯一，但是通过多次试验分析可知，每次所得结果都在某一范围内波动，可以认为该算法结果对配电网的经济性改造具有一定的参考意义。
在本发明实施例中，可以实现在充分考虑配网技术约束和可靠性指标约束条件下，最小化相关可靠性改造投资。
实施例二
请参阅图2，图2是本发明实施例中的基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估装置的结构组成示意图。
如图2所示，一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估装置，所述装置包括：
第一构建模块21：用于基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标；
在本发明具体实施过程中，所述基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标的公式如下：
min C＝C1+C2+C3+C4；
其中，C表示总成本；C1表示可靠性改造方案投资成本；C2表示缺电成本；C3表示配网网络损耗成本；C4表示补偿电容器组配置成本。
进一步的，所述可靠性改造方案投资成本包括设备的购买或更换成本及安装成本，不同使用年限的设备投资应通过货币时值转换公式转换到等年值，计算公式如下：
Figure BDA0003082829920000091
其中，C1表示可靠性改造方案投资成本；Ne表示配网元件总数；Nm表示减少故障持续时间；Nn表示故障率所采取的措施总数；
Figure BDA0003082829920000101
表示第ij个元件为减少故障持续时间所采取的第m个措施的成本；Xij，m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；
Figure BDA0003082829920000102
表示第ij个元件为减少故障率所采取的第n个措施的成本；Yij,n表示第ij个元件为减少故障率所采取的第n个措施对应的决策变量；k表示贴现率；ti表示第i个设备的寿命。
进一步的，所述缺电成本为在衡量可靠性成本时通常以停电损失来衡量，在不知道用户具体负荷类型或单次故障的停电时间的情况下，或者需要进行宏观比较时，可采用宏观的产电比法来计算停电损失，计算公式如下：
Q＝EENS·c；
其中，Q表示停电损失；EENS表示期望缺电量；c表示产电比；
若知道用户类型和停电时间时，或者针对具体进行准确计算时，缺电成本采用如下公式进行计算：
Figure BDA0003082829920000103
Sλij＝λij-(Δλij*Yij，m)；
Srij＝rij-(Δrij*Xij，m)；
其中，
Figure BDA0003082829920000104
表示第ij个元件的停电损失；Sλij表示第ij个元件的系统故障率；Srij表示第ij个元件的故障持续时间；N表示第ij个元件影响的负荷总数；Δrij表示设备ij采取措施后的故障持续时间变化量；Δλij表示设备ij采取措施后的故障率变化量；Ne表示配网元件总数；Xij,m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；Yij,m表示第ij个元件为减少故障率所采取的第m个措施对应的决策变量。
进一步的，所述配网网络损耗成本为统计单位时间内配电系统的线路网络总损耗，其计算公式如下：
Figure BDA0003082829920000105
其中，l表示线路总数；Ii表示第i条线路的电流；ri表示第i条线路的电阻；Ti表示第i条线路的年运行时间；v表示电价。
进一步的，所述补偿电容器组配置成本计算如下：
Figure BDA0003082829920000111
其中，Nb表示节点数量；Nc表示接入补偿电容数量；Cc表示第c个电容器的初始投资成本；ACc表示第c个电容器的年成本；Qcapi,c表示节点i接入的第C个补偿电容容量；Wi,c表示节点i是否接入电容器组的二进制决策变量；k表示贴现率；ti表示第i个设备的寿命。
具体的，通过可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标作为目标函数，该目标函数如下：
min C＝C1+C2+C3+C4；
其中，C表示总成本；C1表示可靠性改造方案投资成本；C2表示缺电成本；C3表示配网网络损耗成本；C4表示补偿电容器组配置成本。
对于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本计算可以参照上述的计算公式。
第二构建模块22：用于基于物理约束条件和可靠性约束条件构建评估约束性条件；
在本发明具体实施过程中，所述物理约束条件包括：考虑功率约束、电容器容量约束、电压相角约束；可靠性约束条件包括：考虑系统平均停电持续指标、系统平均停电频率、用户平均停电持续时间、电量不足期望值。
具体的，物理约束条件包括：考虑功率约束，电容器容量约束，电压相角约束等。可靠性约束条件包括：考虑系统平均停电持续指标(SAIDI)，系统平均停电频率(SAIFI)，用户平均停电持续时间(CAIDI)，电量不足期望值(EENS)。
寻优模块23：用于基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解。
在本发明具体实施过程中，所述基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解，包括：随机产生一个种群；基于所述经济性评估指标和所述评估约束性条件判断所述种群中的每个个体的适应度是否符合优化准则，若是符合则输出最佳个体及其对应的最优解，并结束；否则进入下一步；根据适应度选择父母，其中，适应度高的个体被选中的概率高，适应度低的个体被淘汰的概率高；利用父母的染色体按照预设方式进行交叉，生成子代；对子代染色体进行变异，生成新一代群体，并返回上述的判断寻优步骤，直至输出最优个体及其对应的最优解。
具体的，遗传算法(Genetic Algorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。
具体的寻优如下：随机产生一个种群；基于所述经济性评估指标和所述评估约束性条件判断所述种群中的每个个体的适应度是否符合优化准则，若是符合则输出最佳个体及其对应的最优解，并结束；否则进入下一步；根据适应度选择父母，其中，适应度高的个体被选中的概率高，适应度低的个体被淘汰的概率高；利用父母的染色体按照预设方式进行交叉，生成子代；对子代染色体进行变异，生成新一代群体，并返回上述的判断寻优步骤，直至输出最优个体及其对应的最优解。
通过遗传算法对成本目标函数进行最小化寻优；假设配网系统减少故障持续时间的措施主要为：1)措施一：提高运维检修水平，如增加运维检修人员、提高检修次数等；2)措施二：提高技术装备水平，如增设自动化开关，提高自动化终端覆盖率等。配网系统减少故障率的措施主要为：1)措施一：改善电网结构，重新设计线路布局；2)措施二：强化线路如提高线路绝缘化率、电缆化率等，或并联一条线路。
其中，在进行上述改造措施时，对配电网的物理约束并不产生影响，因此在计算网络潮流后，应当先进行配电网的相应的配网网络损耗和无功补偿优化，此时目标函数将转换为求解最小的投资改造成本和确定成本的总和。因此，对上述改造方法，每条线路只选择其中一种改造方案进行改造。由此产生4^32种改造方案，利用遗传算法通过交叉变异进行子代的更新，在产生下一代的过程中，排名第一的进行完全复制，上一代的前2％获得交叉资格，生成下一代75％的后代，而后一代25％由变异生成，通过这样的机制，最终实现初始种群中的全局最优解。
为了提高遗传算法的寻优效率，在进行初始种群选取和变异种群生成过程时，采用蒙特卡洛法进行随机抽取，这样可以大大降低算法寻优过程中的计算时间成本。尽管每次抽样条件下，遗传算法和蒙特卡洛都具有随机性而导致结果不唯一，但是通过多次试验分析可知，每次所得结果都在某一范围内波动，可以认为该算法结果对配电网的经济性改造具有一定的参考意义。
在本发明实施例中，可以实现在充分考虑配网技术约束和可靠性指标约束条件下，最小化相关可靠性改造投资。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述方法包括：
基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标；
基于物理约束条件和可靠性约束条件构建评估约束性条件；
基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解。
2.根据权利要求1所述的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标的公式如下：
minC＝C1+C2+C3+C4；
其中，C表示总成本；C1表示可靠性改造方案投资成本；C2表示缺电成本；C3表示配网网络损耗成本；C4表示补偿电容器组配置成本。
3.根据权利要求1所述的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述可靠性改造方案投资成本包括设备的购买或更换成本及安装成本，不同使用年限的设备投资应通过货币时值转换公式转换到等年值，计算公式如下：
Figure FDA0003082829910000011
其中，C1表示可靠性改造方案投资成本；Ne表示配网元件总数；Nm表示减少故障持续时间；Nn表示故障率所采取的措施总数；
Figure FDA0003082829910000012
表示第ij个元件为减少故障持续时间所采取的第m个措施的成本；Xij,m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；
Figure FDA0003082829910000013
表示第ij个元件为减少故障率所采取的第n个措施的成本；Yij,n表示第ij个元件为减少故障率所采取的第n个措施对应的决策变量；k表示贴现率；ti表示第i个设备的寿命。
4.根据权利要求1所述的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述缺电成本为在衡量可靠性成本时通常以停电损失来衡量，在不知道用户具体负荷类型或单次故障的停电时间的情况下，或者需要进行宏观比较时，可采用宏观的产电比法来计算停电损失，计算公式如下：
Q＝EENS·c；
其中，Q表示停电损失；EENS表示期望缺电量；c表示产电比；
若知道用户类型和停电时间时，或者针对具体进行准确计算时，缺电成本采用如下公式进行计算：
Figure FDA0003082829910000021
Sλij＝λij-(Δλij*Yij,m)；
Srij＝rij-(Δrij*Xij,m)；
其中，
Figure FDA0003082829910000022
表示第ij个元件的停电损失；Sλij表示第ij个元件的系统故障率；Srij表示第ij个元件的故障持续时间；N表示第ij个元件影响的负荷总数；Δrij表示设备ij采取措施后的故障持续时间变化量；Δλij表示设备ij采取措施后的故障率变化量；Ne表示配网元件总数；Xij，m表示第ij个元件为减少故障持续时间所采取的第m个措施对应的决策变量；Yij，m表示第ij个元件为减少故障率所采取的第m个措施对应的决策变量。
5.根据权利要求1所述的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述配网网络损耗成本为统计单位时间内配电系统的线路网络总损耗，其计算公式如下：
Figure FDA0003082829910000023
其中，l表示线路总数；Ii表示第i条线路的电流；ri表示第i条线路的电阻；Ti表示第i条线路的年运行时间；v表示电价。
6.根据权利要求1所述的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述补偿电容器组配置成本计算如下：
Figure FDA0003082829910000031
其中，Nb表示节点数量；Nc表示接入补偿电容数量；Cc表示第c个电容器的初始投资成本；ACc表示第c个电容器的年成本；Qcapi,c表示节点i接入的第C个补偿电容容量；Wi,c表示节点i是否接入电容器组的二进制决策变量；k表示贴现率；ti表示第i个设备的寿命。
7.根据权利要求1所述的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述物理约束条件包括：考虑功率约束、电容器容量约束、电压相角约束；
可靠性约束条件包括：考虑系统平均停电持续指标、系统平均停电频率、用户平均停电持续时间、电量不足期望值。
8.根据权利要求1所述的辐射型配电网可靠性与经济性综合评估方法，其特征在于，所述基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解，包括：
随机产生一个种群；
基于所述经济性评估指标和所述评估约束性条件判断所述种群中的每个个体的适应度是否符合优化准则，若是符合则输出最佳个体及其对应的最优解，并结束；否则进入下一步；
根据适应度选择父母，其中，适应度高的个体被选中的概率高，适应度低的个体被淘汰的概率高；
利用父母的染色体按照预设方式进行交叉，生成子代；
对子代染色体进行变异，生成新一代群体，并返回上述的判断寻优步骤，直至输出最优个体及其对应的最优解。
9.一种基于混合整数非线性规划的辐射型配电网可靠性与经济性综合评估装置，其特征在于，所述装置包括：
第一构建模块：用于基于可靠性改造方案投资成本、配网网络损耗成本、缺电成本和补偿电容器组配置成本组合构建经济性评估指标；
第二构建模块：用于基于物理约束条件和可靠性约束条件构建评估约束性条件；
寻优模块：用于基于所述经济性评估指标和所述评估约束性条件利用蒙特卡洛抽样的遗传算法进行非线性整数规划寻优处理，获得非线性整数规划的最优解。
CN202110571405.0A 2021-05-25 2021-05-25 辐射型配电网可靠性与经济性综合评估方法及装置 Pending CN113326655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110571405.0A CN113326655A (zh) 2021-05-25 2021-05-25 辐射型配电网可靠性与经济性综合评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110571405.0A CN113326655A (zh) 2021-05-25 2021-05-25 辐射型配电网可靠性与经济性综合评估方法及装置

Publications (1)

Publication Number Publication Date
CN113326655A true CN113326655A (zh) 2021-08-31

Family

ID=77416648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110571405.0A Pending CN113326655A (zh) 2021-05-25 2021-05-25 辐射型配电网可靠性与经济性综合评估方法及装置

Country Status (1)

Country Link
CN (1) CN113326655A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418247A (zh) * 2022-03-30 2022-04-29 支付宝(杭州)信息技术有限公司 数据处理方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915472A (zh) * 2012-10-30 2013-02-06 南京软核科技有限公司 基于基因修复混沌遗传算法的配电网综合优化规划方法
CN106487005A (zh) * 2016-11-14 2017-03-08 国网浙江省电力公司经济技术研究院 一种考虑输配电价的电网规划方法
CN107169628A (zh) * 2017-04-14 2017-09-15 华中科技大学 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN110288208A (zh) * 2019-06-10 2019-09-27 广西电网有限责任公司电力科学研究院 一种辐射型配电网可靠性与经济性的综合评估方法
CN111505205A (zh) * 2020-01-20 2020-08-07 中国安全生产科学研究院 一种气体泄漏源强反算改进型搜索算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915472A (zh) * 2012-10-30 2013-02-06 南京软核科技有限公司 基于基因修复混沌遗传算法的配电网综合优化规划方法
CN106487005A (zh) * 2016-11-14 2017-03-08 国网浙江省电力公司经济技术研究院 一种考虑输配电价的电网规划方法
CN107169628A (zh) * 2017-04-14 2017-09-15 华中科技大学 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN110288208A (zh) * 2019-06-10 2019-09-27 广西电网有限责任公司电力科学研究院 一种辐射型配电网可靠性与经济性的综合评估方法
CN111505205A (zh) * 2020-01-20 2020-08-07 中国安全生产科学研究院 一种气体泄漏源强反算改进型搜索算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘晋源等: "计及分布式电源和电动汽车特性的主动配电网规划", 《电力系统自动化》 *
孙雨潇等: "基于动态孤岛混合整数线性规划模型的主动配电网可靠性分析", 《电力建设》 *
许珊: "含分布式电源和电动汽车的配电网规划", 《中国硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418247A (zh) * 2022-03-30 2022-04-29 支付宝(杭州)信息技术有限公司 数据处理方法和装置

Similar Documents

Publication Publication Date Title
Lata et al. Reliability improvement of radial distribution system by optimal placement and sizing of energy storage system using TLBO
Rocchetta et al. Risk assessment and risk-cost optimization of distributed power generation systems considering extreme weather conditions
CN110288208B (zh) 一种辐射型配电网可靠性与经济性的综合评估方法
Xu et al. Power supply capability evaluation of distribution systems with distributed generations under differentiated reliability constraints
Arya et al. Differential evolution applied for reliability optimization of radial distribution systems
Agajie et al. Reliability enhancement and voltage profile improvement of distribution network using optimal capacity allocation and placement of distributed energy resources
Tanaka et al. Formulation and evaluation of long‐term allocation problem for renewable distributed generations
JP7281960B2 (ja) 電力系統計画装置および方法
CN114006410B (zh) 一种基于机会约束规划的大规模海上风电接入点优化方法
CN110689186B (zh) 基于风电出力随机性的配电网供电可靠性评估方法及系统
Hadian et al. Probabilistic approach for renewable DG placement in distribution systems with uncertain and time varying loads
Mazza et al. Determination of the relevant periods for intraday distribution system minimum loss reconfiguration
Ildarabadi et al. Resilience enhancement of distribution grids based on the construction of Tie-lines using a novel genetic algorithm
CN117955133B (zh) 一种配电网储能优化配置方法及系统
Memarzadeh et al. A new hybrid CBSA-GA optimization method and MRMI-LSTM forecasting algorithm for PV-ESS planning in distribution networks
CN113326655A (zh) 辐射型配电网可靠性与经济性综合评估方法及装置
Behbahani et al. Reconfiguration of distribution network for improving power quality indexes with flexible lexicography method
Durgadevi et al. Availability Capacity Evaluation and Reliability Assessment of Integrated Systems Using Metaheuristic Algorithm.
Şenyiğit et al. Transmission expansion planning based on a hybrid genetic algorithm approachunder uncertainty
Doagou‐Mojarrad et al. Probabilistic integrated framework for AC/DC transmission congestion management considering system expansion, demand response, and renewable energy sources and load uncertainties
Amjady Generation adequacy assessment of power systems by time series and fuzzy neural network
Tyastuti et al. A genetic algorithm approach determining simultaneously location and capacity distributed generation in radial distribution system
CN108616126B (zh) 计及输电网供电能力概率等值模型的配网可靠性计算方法
Sun et al. Cost-benefit assessment challenges for a smart distribution system: A case study
Ghiasi et al. Distribution Network Planning Considering The Value Of Lost Load Using Graph Theory With The Equivalent Uniform Annual Method

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

Application publication date: 20210831

RJ01 Rejection of invention patent application after publication