CN113947330A - 考虑投资时序的多目标电网项目优选决策方法及系统 - Google Patents
考虑投资时序的多目标电网项目优选决策方法及系统 Download PDFInfo
- Publication number
- CN113947330A CN113947330A CN202111294520.4A CN202111294520A CN113947330A CN 113947330 A CN113947330 A CN 113947330A CN 202111294520 A CN202111294520 A CN 202111294520A CN 113947330 A CN113947330 A CN 113947330A
- Authority
- CN
- China
- Prior art keywords
- power grid
- investment
- project
- year
- grid investment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 230000008901 benefit Effects 0.000 claims description 69
- 238000010276 construction Methods 0.000 claims description 28
- 230000003190 augmentative effect Effects 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004321 preservation Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution 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
- 238000003860 storage 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明公开了一种考虑投资时序的多目标电网项目优选决策方法及系统,本发明提出的考虑投资时序的多目标电网项目优选决策方法,提出了电网投资项目多目标模型,并从投资时序、投资规模和供电能力等3个方面对电网投资项目多目标模型进行约束,从本年度多个电网投资项目中选择的同时满足投资规模约束、投资时序约束及供电能力约束的电网投资项目的组合集,进而实现电网投资项目的优选决策,决策的精准性和科学性更佳;解决了现有的电网项目投资决策主要依靠管理人员经验进行主观决策,导致得到的投资决策的合理性和科学性有待商榷的问题。
Description
技术领域
本发明涉及电网项目决策技术领域,具体涉及一种考虑投资时序的多目标电网项目优选决策方法及系统。
背景技术
电力是国民经济和经济社会发展的命脉,是人民安居乐业、团结安定的基础。改革开放以来,我国经济得到快速发展。随着经济快速发展,我国经济质量逐渐提高,经济结构逐渐优化。与我国经济趋势相对应,供电需求持续提升,用电需求更为复杂。为了提高电网建设投资效率,使电网供电更好地适应社会经济发展的用电需求,需要改进现有投资项目决策方式。
从发展现状来看,电网项目投资决策还处在一个不断发展的阶段。电网项目投资决策主要依靠管理人员经验进行主观决策,不能满足投资项目综合效益最优的目标,得到的投资决策的合理性和科学性有待商榷。
发明内容
本发明的主要目的是提供一种考虑投资时序的多目标电网项目优选决策方法及系统,旨在解决现有的电网项目投资决策主要依靠管理人员经验进行主观决策,得到的投资决策的合理性和科学性有待商榷的问题。
本发明提出的技术方案为:
一种考虑投资时序的多目标电网项目优选决策方法,所述方法,包括:
构建电网投资项目多目标模型;
对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束,其中,所述供电能力约束为对不同电压等级的电网投资项目进行供电容量约束;
构建基于网供负荷增长的供电需求传导模型,测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束;
采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集。
优选的,所述构建电网投资项目多目标模型,包括:
以电网投资项目的单位容量投资分值和单位线路投资分值作为经济效益指标,以得到电网投资项目的经济效益目标函数:
以电网投资项目的区域容载比分值和平均负载率分值作为社会效益指标,以得到电网投资项目的社会效益目标函数:
以电网投资项目的N-1原则分值作为安全效益指标,以得到电网投资项目的安全效益目标函数。
优选的,所述以电网投资项目的单位容量投资分值和单位线路投资分值作为经济效益指标,以得到电网投资项目的经济效益目标函数的计算公式为:
其中,feoc(x)表示第j年电网投资项目的优选经济效益目标,N为第j年中待选的电网投资项目的总个数;pi为已选电网投资项目的经济效益目标系数,根据已选电网投资项目的类别而确定;当类别为线路工程时,pi=0;当类别为输变电工程时,pi=0.5;当类别为变电工程时,pi=1;xi,j为第i个电网投资项目在第j年的优选决策值;ai,j为第j年的第i个电网投资项目的单位容量投资分值;bi,j为第j年的第i个电网投资项目的单位线路投资分值;
所述以电网投资项目的区域容载比分值和平均负载率分值作为社会效益指标,以得到电网投资项目的社会效益目标函数的计算公式为:
其中,fsoc(x)表示第j年电网投资项目的优选社会效益目标,qi为已选电网投资项目的的社会效益目标系数,根据已选电网投资项目的类别而确定;当类别为线路工程时,qi=0;当类别为变电工程或输变电工程时,qi=1;di,j为第j年的第i个电网投资项目的区域容载比分值;ei,j为第j年的第i个电网投资项目的平均负载率分值;
以电网投资项目的N-1原则分值作为安全效益指标,以得到电网投资项目的安全效益目标函数的计算公式为:
其中,fsec(x)表示第j年电网投资项目的优选安全效益目标;ci,j为第j年的第i个电网投资项目N-1原则分值。
优选的,所述对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束,包括:
对电网投资项目多目标模型建立投资规模约束,以使得电网投资项目的年度投资金额不大于年度最大投资能力,约束公式如下:
对所述电网投资项目多目标模型构建供电能力约束,约束公式如下:
其中,Oj为第j年投产的电网投资项目集,包括第j年的续建电网投资项目和第j年新开工并能投产的电网投资项目;gi,j为第j年投产的电网投资项目所带来的新增供电容量;Vj-1为第j-1年已有的总装机容量;Dj,min为第j年的电网投资项目供电容量需求阈值。
优选的,所述对电网投资项目多目标模型建立投资规模约束,以使得电网投资项目的年度投资金额不超过年度最大投资能力,包括:
对不同电压等级的电网投资项目分别进行投资规模约束,约束公式如下:
N35+N110+N220+N500≤N,
其中,N500表示第j年电压等级为500kV的待选电网投资项目的个数;N220表示第j年电压等级为220kV的待选电网投资项目的个数;N110表示第j年电压等级为110kV的待选电网投资项目的个数;N35表示第j年电压等级为35kV的待选电网投资项目的个数;S500,j为第j年中电压等级为500kV的电网投资项目的最大投资额;S220,j为第j年中电压等级为220kV的电网投资项目的最大投资额;S110,j为第j年中电压等级为110kV的电网投资项目的最大投资额;S35,j为第j年中电压等级为35kV的电网投资项目的最大投资额。
优选的,所述对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束,包括:
计算电网投资项目的第一比例:
其中,γ为电网投资项目的第一比例,表述为第j年新开工的电网投资项目的年度投资额与第j年的可研总投资额的比值;M为第j年新开工项目数量;ki,j为第j年新开工电网投资项目中第i个项目的可研总投资额;
约束所述第一比例,约束公式如下:
γmin≤γ≤γmax,
其中,γmin为第一比例的下限值;γmax为第一比例上限值;
计算电网投资项目的第二比例:
其中,σ为电网投资项目的第二比例;li,j+1为第j年新开工的第i个电网投资项目在第j+1年的计划投资额;Tj+1为第j+1年电网投资项目的总投资额;Wj-1为第j-1年新开工电网投资项目在第j+1年的续建计划投资额;
约束第二比例,约束公式如下:
σmin≤σ≤σmax,
其中,σmin为第二比例的下限值;σmax为第二比例的上限值。
优选的,所述对所述电网投资项目多目标模型构建供电能力约束,之后还包括:
对不同电压等级的电网投资项目进行供电容量约束,约束公式如下:
其中,O500,j为第j年投产的电压等级为500kV的电网投资项目集;O220,j为第j年投产的电压等级为220kV的电网投资项目集;O110,j为第j年投产的电压等级为110kV的电网投资项目集;O35,j为第j年投产的电压等级为35kV的电网投资项目集;V500,j-1为第j-1年已有的电压等级为500kV的总装机容量;V220,j-1为第j-1年已有的电压等级为220kV的总装机容量;V110,j-1为第j-1年已有的电压等级为110kV的总装机容量;V35,j-1为第j-1年已有的电压等级为35kV的总装机容量;D500,min为电压等级为500kV的电网投资项目的供电容量需求阈值;D220,min为电压等级为220kV的电网投资项目的供电容量需求阈值;D110,min为电压等级为110kV的电网投资项目的供电容量需求阈值;D35,min为电压等级为35kV的电网投资项目的供电容量需求阈值。
优选的,所述构建基于网供负荷增长的供电需求传导模型,以测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束,包括:
根据网供最大负荷及主变压器总容量,计算容载比:
其中,R为所容载比,∑Ei为同一电压等级下的i个变电站的主变容量总和,i为大于0且小于变电站的个数;P为同一电压等级的网供最大负荷;
计算各变电站的负载率:
其中,F为所述负载率;Ef是变电站所带负荷的视在功率,E是变电站的变电容量;
分配所述容载比与所述负载率的权重,以组合后得到复合容载比:
基于网供最大负荷和复合容载比得到第j年的电网投资项目的供电容量需求阈值:
Dj,min=Pj·Rb,
其中,Pj为第j年网供最大负荷;
基于第j年的电网投资项目的供电容量需求阈值计算得到各电压等级的电网投资项目的供电容量需求阈值。
优选的,所述采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集,包括:
考虑各电压等级网供最大负荷,结合各电压等级最大负载率以及与电网负荷增速所匹配的容载比,测算各电压等级供电容量需求值;
初始化参数,设定参考点H,给定大小为T的电网投资项目父代种群Pk;
分别构建各电压等级投资规模约束、投资时序约束与供电能力约束,并将所述各电压等级供电容量需求值作为所述供电能力约束中的约束阈值,并采用外点罚函数处理所述投资规模约束、所述投资时序约束及所述供电能力约束;
获取增广目标函数:计算电网投资项目的经济效益目标函数feco(x),以得到对应的优选增广目标函数计算电网投资项目的社会效益目标函数fsoc(x),以得到对应的优选增广目标函数计算电网投资项目的安全效益目标函数fsec(x),以得到对应的优选增广目标函数
对电网投资项目父代种群Pk执行包括交叉运算与变异运算的遗传操作,产生大小为T的子代电网投资项目种群Qk;
合并电网投资项目父代种群Pk和子代种群Qk,以形成规模大小为2T的新种群Rk,其中,Rk=Pk∪Qk;
对Rk中的每个电网投资项目组合与其他项目组合适应度值比较,采用帕累托非支配分层排序机制将Rk中个体分为非支配层F1,F2,…,Fn;
根据优先级依次将非支配层中的电网投资项目组合个体保存到Sk中,直至Sk中的个体数大于T;
将添加到Sk中的最后一层Fl定义为临界层,其中,|F1∪F2∪…Fl-1|<N且|F1∪F2∪…Fl-1|>N;
将种群Sk/Fl中的个体直接保留到电网投资项目下一代种群Pk+1中,并采用基于超平面参考点的参考点关联与小生境保留方法从临界层Fl中选择剩余的N-|Pk+1|个优秀个体保留到电网投资项目下一代种群Pk+1中;
判断是达到最大迭代次数;
若是,获取电网投资项目的帕累托前沿解集;
若否,执行所述获取增广目标函数,及之后的步骤。
本发明还提供一种考虑投资时序的多目标电网项目优选决策系统,应用于如上述中任一项所述的考虑投资时序的多目标电网项目优选决策方法;所述考虑投资时序的多目标电网项目优选决策系统包括构建单元、约束单元和优选单元;
所述构建单元:用于构建电网投资项目多目标模型;构建基于网供负荷增长的供电需求传导模型,以测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束;
所述约束单元:用于对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束;
所述优选单元:用于采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集。
通过上述技术方案,能实现以下有益效果:
本发明提出的考虑投资时序的多目标电网项目优选决策方法,提出了电网投资项目多目标模型,并从投资时序、投资规模和供电能力等3个方面对电网投资项目多目标模型进行约束,从本年度多个电网投资项目中选择的同时满足投资规模约束、投资时序约束及供电能力约束的电网投资项目的组合集,进而实现电网投资项目的优选决策,决策的精准性和科学性更佳;解决了现有的电网项目投资决策主要依靠管理人员经验进行主观决策,导致得到的投资决策的合理性和科学性有待商榷的问题。
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,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示出的结构获得其他的附图。
图1为本发明提出的一种考虑投资时序的多目标电网项目优选决策方法第一实施例的流程图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提出一种考虑投资时序的多目标电网项目优选决策方法及系统。
如附图1所示,在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第一实施例中,本实施例包括如下步骤:
步骤S110:构建电网投资项目多目标模型。
具体的,这里的电网投资项目多目标模型是在考虑了投资经济效益、电网安全可靠性和投资社会效益等电网投资内外部目标之后建立的多目标模型。
步骤S120:对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束,其中,所述供电能力约束为对不同电压等级的电网投资项目进行供电容量约束。
具体的,即从电网公司资金投入、项目建设时序以及电力需求三方面出发,在电网投资项目多目标模型中添加投资规模约束、投资时序约束及供电能力约束。
这里的投资规模约束的含义为:由于每一年需投资的电网项目种类繁多、数量规模庞大,还涉及到不同电压等级的相应配套设施建设;故没一年内总投资资金不足以支撑所有电网投资项目的建设,故电网企业必须在有限投资能力下择优选择电网投资项目来进行建设。
这里的投资时序约束的含义为:电网项目的投资时序主要包括电网投资项目的资金投入时序和电网投资项目的建设时序,针对投资时序对电网投资项目进行约束,以解决已选电网投资项目在建设过程中存在的投资进度和建设进度不匹配的问题,主要手段为兼顾年度投资比例的协调性和年度新开工续建比例的均衡性。
这里的供电能力约束的含义为:电网投资项目应考虑未来的用电负荷增速与发展规律,满足经济社会发展带来的负荷增长需求,从而保障用户安全可靠用电。
步骤S130:构建基于网供负荷增长的供电需求传导模型,以测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束。
具体的,这一步骤主要是为了测算得到各电压等级的电网投资项目的供电容量的需求阈值,并将所述需求阈值代入步骤S120中以进行供电能力约束。
步骤S140:采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集。
具体的,这里的帕累托前沿解集即是电网投资项目的最终优选结果,即从本年度多个电网投资项目中选择的同时满足投资规模约束、投资时序约束及供电能力约束的电网投资项目的组合集;从而实现了电网投资项目的优选决策。
本发明提出的考虑投资时序的多目标电网项目优选决策方法,提出了电网投资项目多目标模型,并从投资时序、投资规模和供电能力等3个方面对电网投资项目多目标模型进行约束,从本年度多个电网投资项目中选择的同时满足投资规模约束、投资时序约束及供电能力约束的电网投资项目的组合集,进而实现电网投资项目的优选决策,决策的精准性和科学性更佳;解决了现有的电网项目投资决策主要依靠管理人员经验进行主观决策,导致得到的投资决策的合理性和科学性有待商榷的问题。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第二实施例中,基于第一实施例,步骤S110,包括如下步骤:
步骤S210:以电网投资项目的单位容量投资分值和单位线路投资分值作为经济效益指标,以得到电网投资项目的经济效益目标函数:
其中,feoc(x)表示第j年电网投资项目的优选经济效益目标,N为第j年中待选的电网投资项目集的总个数,N为大于0的正整数;pi为已选电网投资项目的经济效益目标系数,根据已选电网投资项目的类别而确定;当类别为线路工程时,pi=0;当类别为输变电工程时,pi=0.5;当类别为变电工程时,pi=1;xi,j为第i个电网投资项目在第j年的优选决策值,为0/1型变量;ai,j为第j年的第i个电网投资项目的单位容量投资分值,这里的单位容量投资分值由单位容量投资指标值确定,单位容量投资指标值等于投资估算值与建设容量值的比值,当单位容量投资指标值小于16时,单位容量投资分值取100,当单位容量投资指标值大于等于10且小于17.6时,单位容量投资分值取80,当单位容量投资指标值大于等于17.6时,单位容量投资分值取60;bi,j为第j年的第i个电网投资项目的单位线路投资分值,单位线路投资分值由单位线路投资指标值确定,单位线路投资指标值等于投资估算值与建设长度的比值,当单位线路投资指标值小于82时,单位线路投资分值取100,当单位线路投资指标值大于等于82且小于92.5时,单位线路投资分值取80,当单位线路投资指标值大于等于92.5时,单位线路投资分值取60。
具体的,通过上述计算公式,从而得到考虑了单位容量投资分值和单位线路投资分值的各电网投资项目的经济效益目标函数。
步骤S220:以电网投资项目的区域容载比分值和平均负载率分值作为社会效益指标,以得到电网投资项目的社会效益目标函数:
其中,fsoc(x)表示第j年电网投资项目的优选社会效益目标,qi为已选电网投资项目的的社会效益目标系数,根据已选电网投资项目的类别而确定;当类别为线路工程时,qi=0;当类别为变电工程或输变电工程时,qi=1;di,j为第j年的第i个电网投资项目的区域容载比分值,这里的区域容载比由区域容载比指标值确定,区域容载比指标值等于区域总容量与区域同时负荷的比值;当区域容载比指标值小于1.25时,区域容载比分值取100,当区域容载比大于等于1.25且小于1.67时,区域容载比分值取80,当区域容载比指标值大于等于1.67且小于等于1.8时,区域容载比分值取60,当区域容载比指标值为其他值时,区域容载比分值取0;ei,j为第j年的第i个电网投资项目的平均负载率分值,这里的平均负载率分值为平均负载率指标值确定,平均负载率指标值等于本站上年度年度总供电量乘以100000后再除以8760与本站变电容量的积;当平均负载率指标值大于0.4时,平均负载率分值取100,当平均负载率指标值大于0.2且小于等于0.4时,平均负载率分值取80,当平均负载率指标值小于等于0.2时,平均负载率取60。
步骤S230:以电网投资项目的N-1原则分值作为安全效益指标,以得到电网投资项目的安全效益目标函数:
其中,fsec(x)表示第j年电网投资项目的优选安全效益目标;ci,j为第j年的第i个电网投资项目N-1原则分值。
具体的,N-1原则是判定电力系统安全性的一种准则,又称单一故障安全准则;按照这一准则,电力系统的N个元件中的任一独立元件(发电机、输电线路、变压器等)发生故障而被切除后,应不造成因其他线路过负荷跳闸而导致用户停电;不破坏系统的稳定性,不出现电压崩溃等事故。即N-1原则分值越高,则对应的电网投资项目的安全性越好。
本实施例的目的,在于给出了电网投资项目的经济效益目标函数、社会效益目标函数和安全效益目标函数的计算公式,即电网投资项目多目标模型包括了电网投资项目的经济效益目标函数、社会效益目标函数和安全效益目标函数,即在选择电网投资项目时,需要同时考虑其经济效益、社会效益和安全效益。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第三实施例中,基于第二实施例,步骤S120,包括如下步骤:
步骤S310:对电网投资项目多目标模型建立投资规模约束,以使得电网投资项目的年度投资金额不大于年度最大投资能力,约束公式如下:
本实施例即是对电网投资项目多目标模型建立投资规模约束,以使得电网投资项目的年度投资金额不大于年度最大投资能力。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第四实施例中,基于第三实施例,步骤S310,包括如下步骤:
步骤S410:对不同电压等级的电网投资项目分别进行投资规模约束,约束公式如下:
N35+N110+N220+N500≤N,
其中,N500表示第j年电压等级为500kV的待选项目库中全部的电网投资项目的个数;N220表示第j年电压等级为220kV的待选项目库中全部的电网投资项目的个数;N110表示第j年电压等级为110kV的待选项目库中全部的电网投资项目的个数;N35表示第j年电压等级为35kV的待选项目库中全部的电网投资项目的个数;S500,j为第j年中电压等级为500kV的电网投资项目的最大投资额;S220,j为第j年中电压等级为220kV的电网投资项目的最大投资额;S110,j为第j年中电压等级为110kV的电网投资项目的最大投资额;S35,j为第j年中电压等级为35kV的电网投资项目的最大投资额。
通过对不同电压等级的电网投资项目分别进行投资规模约束,能够均衡各电压等级项目投资比例。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第五实施例中,基于第二实施例,步骤S120,还包括如下步骤:
步骤S510:计算电网投资项目的第一比例:
其中,γ为电网投资项目的第一比例,表述为第j年新开工的电网投资项目的年度投资额与第j年的可研总投资额的比值;M为第j年新开工项目数量;ki,j为第j年新开工电网投资项目中第i个项目的可研总投资额。
具体的,这里的第一比例反映了新开工电网项目年度资金分配情况。当第一比例过高,表示已选电网投资项目前期投入过高,则会存在投资后劲不足、项目后续进程难以推进的问题;当第一比例过低,表示已选电网投资项目前期投入过低,则会出现新开项目建设进度缓慢,后期建设工期出现严重滞后、整体建设进度难以把控等问题,故第一比例应在合理范围内。也就是需要约束第一比例。
步骤S520:约束所述第一比例,约束公式如下:
γmin≤γ≤γmax,
其中,γmin为第一比例的下限值,例如0.25;γmax为第一比例上限值,例如0.65。
步骤S530:对不同电压等级的电网投资项目的第一比例进行约束,约束公式为:
其中,M500为第j年电压等级为500kV的新开工的电网投资项目的数量;M220为第j年电压等级为220kV的新开工的电网投资项目的数量;M110为第j年电压等级为110kV的新开工的电网投资项目的数量;M35为第j年电压等级为35kV的新开工的电网投资项目的数量;γ500,min为电压等级为500kV的电网投资项目的第一比例的下限值,例如0.1,γ500,max为电压等级为500kV的电网投资项目的第一比例的上限值;γ220,min为电压等级为220kV的电网投资项目的第一比例的下限值,γ220,max为电压等级为220kV的电网投资项目的第一比例的上限值;γ110,min为电压等级为110kV的电网投资项目的第一比例的上限值,γ110,max为电压等级为110kV的电网投资项目的第一比例的上限值;γ35,min为电压等级为35kV的电网投资项目的第一比例的上限值,γ35,max为电压等级为35kV的电网投资项目的第一比例的上限值。
具体的,对不同电压等级的电网投资项目的第一比例进行约束,能够均衡不同电压等级的优选电网投资项目的建设进程。
步骤S540:计算电网投资项目的第二比例:
其中,σ为电网投资项目的第二比例;li,j+1为第j年新开工的第i个电网投资项目在第j+1年的计划投资额;Tj+1为第j+1年电网投资项目的总投资额;Wj-1为第j-1年新开工电网投资项目在第j+1年的续建计划投资额。
具体的,电网投资项目分为新开工项目和续建项目,这里的第二比例为新开工电网投资项目的投资额占年度规划总投资额的比例,能够反映了新开工、续建项目建设安排情况,是能够直接影响项目建设周期的关键要素。
当第二比例过高时,表示对新建项目投资过高,存在当年续建项目资金供给不足、项目资金链断裂、大量项目竣工周期被迫延迟等诸多风险;当年第二比例过低时,表示对新建项目投资过低,存在实际建设与投资需求不相匹配、投资总量不能达到合理投资规模等问题,极大程度上限制了电网基建建设和发展,因此,需要将第二比例约束在合理区间内。
步骤S550:约束第二比例,约束公式如下:
σmin≤σ≤σmax,
其中,σmin为第二比例的下限值,例如0.4;σmax为第二比例的上限值,例如0.6。
步骤S560:对不同电压等级的电网投资项目的第二比例进行约束,约束公式如下:
其中,T500,j+1为电压等级为500kV的电网投资项目在j+1年的总投资额;T220,j+1为电压等级为220kV的电网投资项目在j+1年的总投资额;T110,j+1为电压等级为110kV的电网投资项目在j+1年的总投资额;T35,j+1为电压等级为35kV的电网投资项目在j+1年的总投资额;W500,j-1为在j-1年新开工的电压等级为500kV的电网投资项目在j+1年的续建计划投资额;W220,j-1为在j-1年新开工的电压等级为220kV的电网投资项目在j+1年的续建计划投资额;W110,j-1为在j-1年新开工的电压等级为110kV的电网投资项目在j+1年的续建计划投资额;W35,j-1为在j-1年新开工的电压等级为35kV的电网投资项目在j+1年的续建计划投资额;σ500,min为电压等级为500kV的电网投资项目的第二比例的下限值,例如0.15,σ500,max为500kV的电网投资项目的第二比例的上限值;σ220,min为220kV的电网投资项目的第二比例的下限值,σ220,max为220kV的电网投资项目的第二比例的上限值;σ110,min为110kV的电网投资项目的第二比例的下限值,σ110,max为110kV的电网投资项目的第二比例的上限值;σ35,min为35kV的电网投资项目的第二比例的下限值,σ35,max为35kV的电网投资项目的第二比例的上限值。
具体的,对不同电压等级的电网投资项目的第二比例进行约束,能够均衡不同电压等级的优选电网投资项目的建设进程。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第六实施例中,基于第二实施例,步骤S120,还包括如下步骤:
步骤S610:对所述电网投资项目多目标模型构建供电能力约束,约束公式如下:
其中,Oj为第j年投产的电网投资项目集的数量,例如135个,包括第j年的续建电网投资项目和第j年新开工并能投产的电网投资项目;gi,j为第j年投产的电网投资项目所带来的新增供电容量;Vj-1为第j-1年已有的总装机容量;Dj,min为第j年的电网投资项目供电容量需求阈值。
具体的,通过对电网投资项目多目标模型构建供电能力约束,从而使得电网投资项目考虑未来的负荷增速与发展规律,满足经济社会发展带来的负荷增长需求,保障用户安全可靠用电。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第七实施例中,基于第六实施例,步骤S510,之后还包括如下步骤:
步骤S710:对不同电压等级的电网投资项目进行供电容量约束,约束公式如下:
其中,O500,j为第j年投产的电压等级为500kV的电网投资项目集的数量,例如10个;O220,j为第j年投产的电压等级为220kV的电网投资项目集的数量,例如48个;O110,j为第j年投产的电压等级为110kV的电网投资项目集的数量,例如216个;O35,j为第j年投产的电压等级为35kV的电网投资项目集的数量,例如158个;V500,j-1为第j-1年已有的电压等级为500kV的总装机容量;V220,j-1为第j-1年已有的电压等级为220kV的总装机容量;V110,j-1为第j-1年已有的电压等级为110kV的总装机容量;V35,j-1为第j-1年已有的电压等级为35kV的总装机容量;D500,min为电压等级为500kV的电网投资项目的供电容量需求阈值;D220,min为电压等级为220kV的电网投资项目的供电容量需求阈值;D110,min为电压等级为110kV的电网投资项目的供电容量需求阈值;D35,min为电压等级为35kV的电网投资项目的供电容量需求阈值。这里的各电压等级的电网投资项目的供电容量需求阈值,能够基于电网的实际情况进行测算,具体测算方法可参考第八实施例。
具体的,对不同电压等级的电网投资项目进行供电容量约束,能够保证优选电网投资项目能够满足供电需求。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第八实施例中,基于第七实施例,步骤S130,包括如下步骤:
步骤S810:根据网供最大负荷及主变压器总容量,计算容载比:
其中,R为所容载比,单位为kVA/kW;∑Ei为同一电压等级下的i个变电站的主变容量总和,i为大于0且小于变电站的个数;P为同一电压等级的网供最大负荷。
具体的,在确定各电压等级的电网投资项目的供电容量需求阈值时,缺乏精确的量化数据作为支撑,且未能考虑各电压等级地区负荷分布不均衡等问题,导致供电容量需求测算不够精确,难以构成项目优选组合过程中的积极约束;因此,本实施例的目的在于构建基于网供负荷增长的供电需求传导模型,实现精确测算各电压等级的投资项目的供电容量需求阈值。
容载比是表示供电能力裕度的宏观经济指标,即同一电压等级的主变总容量(单位为kVA)与对应的网供最大负荷(单位为kW)之比,计算时应将地区发电厂的主变容量及其所供负荷、用户专用变电所的主变容量及其所供负荷分别扣除。
根据经济增长和社会发展的不同阶段,相应各个电压等级的容载比选择不同,具体取值可以参照表1,表1为各电压等级电网容载比选择范围,具体如下:
电网负荷增长情况 | 较慢 | 中等 | 较快 |
年负荷平均增长率 | 小于7% | 7~12% | 大于12% |
500kV及以上 | 1.5~1.8 | 1.6~1.9 | 1.7~2.0 |
220kV | 1.6-1.9 | 1.7-2.0 | 1.8-2.1 |
35~110kV | 1.8-2.0 | 1.9-2.1 | 2.0-2.2 |
表1
从表1可以看出,在电网负荷增长较慢时(具体为年负荷平均增长率小于7%),容载比可以选择较小的值,比如电压等级为500kV及以上时容载比可以选择1.5~1.8,电压等级为220kV时容载比可以选择1.6~1.9,电压等级为35~110kV时容载比可以选择1.7~2.0;在电网负荷增长中等时(具体为年负荷平均增长率为7%~12%),容载比可以选择中等的值,比如电压等级为500kV及以上时容载比可以选择1.6~1.9,电压等级为220kV时容载比可以选择1.7~2.0,电压等级为35~110kV时容载比可以选择1.8~2.1;在电网负荷增长较快时(具体为年负荷平均增长率大于12%),容载比可以选择较大的值,比如电压等级为500kV及以上时容载比可以选择1.7~2.0,电压等级为220kV时容载比可以选择1.8~2.1,电压等级为35~110kV时容载比可以选择2.0~2.2。
步骤S820:计算各变电站的负载率:
其中,F为所述负载率;Ef是变电站所带负荷的视在功率,E是变电站的变电容量。
步骤S830:分配所述容载比与所述负载率的权重,以组合后得到复合容载比:
式中,Fmax是单个变电站最高负载率,是对应网供最大负荷的功率因数,依据工程实际取α是容载比权重,对于负荷容载比较为均衡的地区,可以适当增加容载比的权重,本实施例可取0.6,对于整体电网供电能力充足而局部地区供电能力严重紧缺的地区,可以适当增加负载率的权重,本实施例可取0.4;Q为重载系数,表述为将单个重载变电站的供电能力不足的问题反映到地区容载比的取值,用于缓解单个重载变电站供电能力不足的问题,本实施例可取
具体的,某一电压等级所需变电容量可以由网供最大负荷、容载比和单个变电站最高负载率综合计算得出。
步骤S840:基于网供最大负荷和复合容载比得到第j年的电网投资项目的供电容量需求阈值:
Dj,min=Pj·Rb,
其中,Pj为第j年网供最大负荷。
具体的,网供负荷指同一电压等级公用变压器所供负荷,是确定供电容量需求的依据。
步骤S850:基于第j年的电网投资项目的供电容量需求阈值计算得到各电压等级的电网投资项目的供电容量需求阈值,计算公式为:
D500,min=P500,j·Rb_500,j,
D220,min=P220,j·Rb_220,j,
D110,min=P110,j·Rb_110,j,
D35,min=P35,j·Rb_35,j,
式中,P500,j为电压等级为500kV的电网投资项目的第j年网供最大负荷;P220,j为电压等级为220kV的电网投资项目的第j年网供最大负荷;P110,j为电压等级为110kV的电网投资项目的第j年网供最大负荷;P35,j为电压等级为35kV的电网投资项目的第j年网供最大负荷;Rb_500,j为电压等级为500kV的电网投资项目的第j年的复合容载比;Rb_220,j为电压等级为220kV的电网投资项目的第j年的复合容载比;Rb_110,j为电压等级为110kV的电网投资项目的第j年的复合容载比;Rb_35,j为电压等级为35kV的电网投资项目的第j年的复合容载比。
具体的,通过本实施例,即可清楚的测算得的各电压等级的电网投资项目的供电容量需求阈值,从而便于执行步骤S120中的供电约束。
在本发明提出的一种考虑投资时序的多目标电网项目优选决策方法的第九实施例中,基于第八实施例,步骤S140,包括如下步骤:
步骤S901:考虑各电压等级网供最大负荷,结合各电压等级最大负载率以及与电网负荷增速所匹配的容载比,测算各电压等级供电容量需求值。
步骤S902:初始化参数,设定参考点H,给定大小为T的电网投资项目父代种群Pk。
步骤S903:分别构建各电压等级投资规模约束、投资时序约束与供电能力约束,并将所述各电压等级供电容量需求值作为所述供电能力约束中的约束阈值,并采用外点罚函数处理所述投资规模约束、所述投资时序约束及所述供电能力约束。
步骤S904:获取增广目标函数:计算电网投资项目的经济效益目标函数feco(x),以得到对应的优选增广目标函数计算电网投资项目的社会效益目标函数fsoc(x),以得到对应的优选增广目标函数计算电网投资项目的安全效益目标函数fsec(x),以得到对应的优选增广目标函数
步骤S906:对电网投资项目父代种群Pk执行包括交叉运算与变异运算的遗传操作,产生大小为T的子代电网投资项目种群Qk。
步骤S907:合并电网投资项目父代种群Pk和子代种群Qk,以形成规模大小为2T的新种群Rk,其中,Rk=Pk∪Qk。
步骤S908:对Rk中的每个电网投资项目组合与其他项目组合适应度值比较,采用帕累托非支配分层排序机制将Rk中个体分为非支配层F1,F2,…,Fn。
步骤S909:根据优先级依次将非支配层中的电网投资项目组合个体保存到Sk中,直至Sk中的个体数大于T。
步骤S910:将添加到Sk中的最后一层Fl定义为临界层,其中,|F1∪F2∪…Fl-1|<N且|F1∪F2∪…Fl-1|>N。
步骤S911:将种群Sk/Fl中的个体直接保留到电网投资项目下一代种群Pk+1中,并采用基于超平面参考点的参考点关联与小生境保留方法从临界层Fl中选择剩余的N-|Pk+1|个优秀个体保留到电网投资项目下一代种群Pk+1中。
步骤S912:判断是达到最大迭代次数,例如500次。
若是,执行步骤S913:获取电网投资项目的帕累托前沿解集。
若否,执行步骤S904及之后的步骤。
具体的,这里的帕累托前沿解集即是电网投资项目的最终优选结果,即从本年度多个电网投资项目中选择的同时满足投资规模约束、投资时序约束及供电能力约束的电网投资项目的组合集;从而实现了电网投资项目的优选决策。
本发明还提出一种考虑投资时序的多目标电网项目优选决策系统,本系统应用于如上述中任一项所述的考虑投资时序的多目标电网项目优选决策方法;所述考虑投资时序的多目标电网项目优选决策系统包括构建单元、约束单元和优选单元;
所述构建单元:用于构建电网投资项目多目标模型;构建基于网供负荷增长的供电需求传导模型,以测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束。
所述约束单元:用于对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束。
所述优选单元:用于采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面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 (10)
1.一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述方法,包括:
构建电网投资项目多目标模型;
对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束,其中,所述供电能力约束为对不同电压等级的电网投资项目进行供电容量约束;
构建基于网供负荷增长的供电需求传导模型,测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束;
采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集。
2.根据权利要求1所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述构建电网投资项目多目标模型,包括:
以电网投资项目的单位容量投资分值和单位线路投资分值作为经济效益指标,以得到电网投资项目的经济效益目标函数:
以电网投资项目的区域容载比分值和平均负载率分值作为社会效益指标,以得到电网投资项目的社会效益目标函数:
以电网投资项目的N-1原则分值作为安全效益指标,以得到电网投资项目的安全效益目标函数。
3.根据权利要求2所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述以电网投资项目的单位容量投资分值和单位线路投资分值作为经济效益指标,以得到电网投资项目的经济效益目标函数的计算公式为:
其中,feoc(x)表示第j年电网投资项目的优选经济效益目标,N为第j年中待选的电网投资项目的总个数;pi为已选电网投资项目的经济效益目标系数,根据已选电网投资项目的类别而确定;当类别为线路工程时,pi=0;当类别为输变电工程时,pi=0.5;当类别为变电工程时,pi=1;xi,j为第i个电网投资项目在第j年的优选决策值;ai,j为第j年的第i个电网投资项目的单位容量投资分值;bi,j为第j年的第i个电网投资项目的单位线路投资分值;
所述以电网投资项目的区域容载比分值和平均负载率分值作为社会效益指标,以得到电网投资项目的社会效益目标函数的计算公式为:
其中,fsoc(x)表示第j年电网投资项目的优选社会效益目标,qi为已选电网投资项目的的社会效益目标系数,根据已选电网投资项目的类别而确定;当类别为线路工程时,qi=0;当类别为变电工程或输变电工程时,qi=1;di,j为第j年的第i个电网投资项目的区域容载比分值;ei,j为第j年的第i个电网投资项目的平均负载率分值;
以电网投资项目的N-1原则分值作为安全效益指标,以得到电网投资项目的安全效益目标函数的计算公式为:
其中,fsec(x)表示第j年电网投资项目的优选安全效益目标;ci,j为第j年的第i个电网投资项目N-1原则分值。
4.根据权利要求2所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束,包括:
对电网投资项目多目标模型建立投资规模约束,以使得电网投资项目的年度投资金额不大于年度最大投资能力,约束公式如下:
对所述电网投资项目多目标模型构建供电能力约束,约束公式如下:
其中,Oj为第j年投产的电网投资项目集,包括第j年的续建电网投资项目和第j年新开工并能投产的电网投资项目;gi,j为第j年投产的电网投资项目所带来的新增供电容量;Vj-1为第j-1年已有的总装机容量;Dj,min为第j年的电网投资项目供电容量需求阈值。
5.根据权利要求4所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述对电网投资项目多目标模型建立投资规模约束,以使得电网投资项目的年度投资金额不超过年度最大投资能力,包括:
对不同电压等级的电网投资项目分别进行投资规模约束,约束公式如下:
N35+N110+N220+N500≤N,
其中,N500表示第j年电压等级为500kV的待选电网投资项目的个数;N220表示第j年电压等级为220kV的待选电网投资项目的个数;N110表示第j年电压等级为110kV的待选电网投资项目的个数;N35表示第j年电压等级为35kV的待选电网投资项目的个数;S500,j为第j年中电压等级为500kV的电网投资项目的最大投资额;S220,j为第j年中电压等级为220kV的电网投资项目的最大投资额;S110,j为第j年中电压等级为110kV的电网投资项目的最大投资额;S35,j为第j年中电压等级为35kV的电网投资项目的最大投资额。
6.根据权利要求2所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束,包括:
计算电网投资项目的第一比例:
其中,γ为电网投资项目的第一比例,表述为第j年新开工的电网投资项目的年度投资额与第j年的可研总投资额的比值;M为第j年新开工项目数量;ki,j为第j年新开工电网投资项目中第i个项目的可研总投资额;
约束所述第一比例,约束公式如下:
γmin≤γ≤γmax,
其中,γmin为第一比例的下限值;γmax为第一比例上限值;
计算电网投资项目的第二比例:
其中,σ为电网投资项目的第二比例;li,j+1为第j年新开工的第i个电网投资项目在第j+1年的计划投资额;Tj+1为第j+1年电网投资项目的总投资额;Wj-1为第j-1年新开工电网投资项目在第j+1年的续建计划投资额;
约束第二比例,约束公式如下:
σmin≤σ≤σmax,
其中,σmin为第二比例的下限值;σmax为第二比例的上限值。
7.根据权利要求4所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述对所述电网投资项目多目标模型构建供电能力约束,之后还包括:
对不同电压等级的电网投资项目进行供电容量约束,约束公式如下:
其中,O500,j为第j年投产的电压等级为500kV的电网投资项目集;O220,j为第j年投产的电压等级为220kV的电网投资项目集;O110,j为第j年投产的电压等级为110kV的电网投资项目集;O35,j为第j年投产的电压等级为35kV的电网投资项目集;V500,j-1为第j-1年已有的电压等级为500kV的总装机容量;V220,j-1为第j-1年已有的电压等级为220kV的总装机容量;V110,j-1为第j-1年已有的电压等级为110kV的总装机容量;V35,j-1为第j-1年已有的电压等级为35kV的总装机容量;D500,min为电压等级为500kV的电网投资项目的供电容量需求阈值;D220,min为电压等级为220kV的电网投资项目的供电容量需求阈值;D110,min为电压等级为110kV的电网投资项目的供电容量需求阈值;D35,min为电压等级为35kV的电网投资项目的供电容量需求阈值。
8.根据权利要求7所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述构建基于网供负荷增长的供电需求传导模型,以测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束,包括:
根据网供最大负荷及主变压器总容量,计算容载比:
其中,R为所容载比,∑Ei为同一电压等级下的i个变电站的主变容量总和,i为大于0且小于变电站的个数;P为同一电压等级的网供最大负荷;
计算各变电站的负载率:
其中,F为所述负载率;Ef是变电站所带负荷的视在功率,E是变电站的变电容量;
分配所述容载比与所述负载率的权重,以组合后得到复合容载比:
基于网供最大负荷和复合容载比得到第j年的电网投资项目的供电容量需求阈值:
Dj,min=Pj·Rb,
其中,Pj为第j年网供最大负荷;
基于第j年的电网投资项目的供电容量需求阈值计算得到各电压等级的电网投资项目的供电容量需求阈值。
9.根据权利要求8所述的一种考虑投资时序的多目标电网项目优选决策方法,其特征在于,所述采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集,包括:
考虑各电压等级网供最大负荷,结合各电压等级最大负载率以及与电网负荷增速所匹配的容载比,测算各电压等级供电容量需求值;
初始化参数,设定参考点H,给定大小为T的电网投资项目父代种群Pk;
分别构建各电压等级投资规模约束、投资时序约束与供电能力约束,并将所述各电压等级供电容量需求值作为所述供电能力约束中的约束阈值,并采用外点罚函数处理所述投资规模约束、所述投资时序约束及所述供电能力约束;
获取增广目标函数:计算电网投资项目的经济效益目标函数feco(x),以得到对应的优选增广目标函数计算电网投资项目的社会效益目标函数fsoc(x),以得到对应的优选增广目标函数计算电网投资项目的安全效益目标函数fsec(x),以得到对应的优选增广目标函数
对电网投资项目父代种群Pk执行包括交叉运算与变异运算的遗传操作,产生大小为T的子代电网投资项目种群Qk;
合并电网投资项目父代种群Pk和子代种群Qk,以形成规模大小为2T的新种群Rk,其中,Rk=Pk∪Qk;
对Rk中的每个电网投资项目组合与其他项目组合适应度值比较,采用帕累托非支配分层排序机制将Rk中个体分为非支配层F1,F2,…,Fn;
根据优先级依次将非支配层中的电网投资项目组合个体保存到Sk中,直至Sk中的个体数大于T;
将添加到Sk中的最后一层Fl定义为临界层,其中,|F1∪F2∪…Fl-1|<N且|F1∪F2∪…Fl-1|>N;
将种群Sk/Fl中的个体直接保留到电网投资项目下一代种群Pk+1中,并采用基于超平面参考点的参考点关联与小生境保留方法从临界层Fl中选择剩余的N-|Pk+1|个优秀个体保留到电网投资项目下一代种群Pk+1中;
判断是达到最大迭代次数;
若是,获取电网投资项目的帕累托前沿解集;
若否,执行所述获取增广目标函数,及之后的步骤。
10.一种考虑投资时序的多目标电网项目优选决策系统,其特征在于,应用于如权利要求1-9中任一项所述的考虑投资时序的多目标电网项目优选决策方法;所述考虑投资时序的多目标电网项目优选决策系统包括构建单元、约束单元和优选单元;
所述构建单元:用于构建电网投资项目多目标模型;构建基于网供负荷增长的供电需求传导模型,以测算各电压等级的电网投资项目的供电容量的需求阈值,以进行所述供电能力约束;
所述约束单元:用于对所述电网投资项目多目标模型添加投资规模约束、投资时序约束及供电能力约束;
所述优选单元:用于采用第三代非支配排序遗传算法对所述电网投资项目多目标模型进行优选,以得到所述电网投资项目多目标模型的帕累托前沿解集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294520.4A CN113947330A (zh) | 2021-11-03 | 2021-11-03 | 考虑投资时序的多目标电网项目优选决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294520.4A CN113947330A (zh) | 2021-11-03 | 2021-11-03 | 考虑投资时序的多目标电网项目优选决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947330A true CN113947330A (zh) | 2022-01-18 |
Family
ID=79337549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111294520.4A Pending CN113947330A (zh) | 2021-11-03 | 2021-11-03 | 考虑投资时序的多目标电网项目优选决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947330A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994459A (zh) * | 2023-03-24 | 2023-04-21 | 国网湖北省电力有限公司经济技术研究院 | 一种海量电网基建项目建设时序优化方法、系统及设备 |
-
2021
- 2021-11-03 CN CN202111294520.4A patent/CN113947330A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994459A (zh) * | 2023-03-24 | 2023-04-21 | 国网湖北省电力有限公司经济技术研究院 | 一种海量电网基建项目建设时序优化方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | One step-ahead ANFIS time series model for forecasting electricity loads | |
CN104037943B (zh) | 一种提高电网电压质量的电压监测方法及系统 | |
CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
CN110689240A (zh) | 一种配电网经济运行模糊综合评价方法 | |
CN108985602B (zh) | 一种计及风险的电网分类项目的投入产出评价方法及系统 | |
CN109409770A (zh) | 一种基于神经网络的农村电网智能水平评价方法 | |
CN116911076B (zh) | 多微电网对配电网的韧性支撑仿真方法、装置和电子设备 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN113159341A (zh) | 融合深度强化学习和专家经验的配电网辅助决策方法及系统 | |
Dunnan et al. | Research on reasonable grid investment scale measurement under the reform of transmission and distribution electricity price | |
CN107748944A (zh) | 一种售电侧放开环境下用户侧需求响应方法 | |
CN113971530A (zh) | 面向新型电力系统源网荷储协同的电力平衡方法 | |
CN110854891A (zh) | 一种配电网灾前资源配置方法及系统 | |
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 | |
Xie et al. | How much natural gas does China need: An empirical study from the perspective of energy transition | |
Liu et al. | Collaborative optimization of dynamic grid dispatch with wind power | |
He et al. | Biobjective Optimization‐Based Frequency Regulation of Power Grids with High‐Participated Renewable Energy and Energy Storage Systems | |
CN110738345A (zh) | 基于精准投资策略的单元制配电网规划项目优选方法 | |
CN109586297A (zh) | 基于OpenDSS的含储能配网分布式电源准入容量计算方法 | |
CN107679651A (zh) | 一种基于灰色预测模型与bp人工神经网络模型的月用电量预测方法 | |
CN103886393A (zh) | 基于模拟投资效益分析及学习自动机的电网投资优化方法 | |
CN113283205B (zh) | 一种基于机会约束的配变最大运行寿命估算方法及装置 | |
CN109034458A (zh) | 一种保证准许收入获得性的电网投资规划方法 | |
Sun et al. | Prediction-based EV-PV coordination strategy for charging stations using reinforcement learning | |
CN111553525A (zh) | 一种考虑输配电价监管的电网投资策略优化方法 |
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 |