CN114254470A - 一种配电网可靠性提升方法、装置及存储介质 - Google Patents

一种配电网可靠性提升方法、装置及存储介质 Download PDF

Info

Publication number
CN114254470A
CN114254470A CN202111602934.9A CN202111602934A CN114254470A CN 114254470 A CN114254470 A CN 114254470A CN 202111602934 A CN202111602934 A CN 202111602934A CN 114254470 A CN114254470 A CN 114254470A
Authority
CN
China
Prior art keywords
reliability
power distribution
network
optimization
constraint
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
CN202111602934.9A
Other languages
English (en)
Inventor
李介夫
阚中锋
辛鹏
李东霖
姜博
郑雪瑞
李振新
段培明
柳杨雨
于淼
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.)
Jilin Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
Original Assignee
Jilin Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
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 Jilin Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co filed Critical Jilin Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
Priority to CN202111602934.9A priority Critical patent/CN114254470A/zh
Publication of CN114254470A publication Critical patent/CN114254470A/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]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • 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
    • 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]
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本方案公开了一种配电网可靠性提升方法，包括获取馈线配电系统信息，建立拓扑连接模型，进行配电可靠性分析；基于改造后可靠性最佳为优化目标，以馈线数量为约束建立网络配置的优化决策模型，求解；基于改造后优化安装成本最低为优化目标，重组后可靠性为约束建立自动化开关设备配置的优化决策模型，求解；基于改造完成的网络拓扑，以最大化恢复供电率为目标，寻找最优开关切换方案。该方法使用遗传算法优化技术对开关/自动化设备的最佳布局和网络的最佳重构进行了研究。此外，使用Prim算法对某一配电线路段的故障进行快速功率恢复。通过开关/自动化设备的优化配置、网络重构和快速功率恢复来改善配电系统的可靠性问题。

Description

一种配电网可靠性提升方法、装置及存储介质
技术领域
本发明涉及配电网优化配置技术领域，特别涉及一种配电网可靠性提升方法。
背景技术
配电系统负责从大容量电力系统向最终用户供电，尽管目前大多数客户因供电不可靠而不满意。辐射状配电系统、配电基础设施老化、运行实践和高暴露环境条件(雷电)是配电系统可靠性面临的主要问题。用户遇到的大约90％的可靠性问题来自配电系统，这些统计数据迫使人们对提高配电系统可靠性进行研究。由于配电网中存在许多问题，提高配电可靠性是一个具有挑战性的问题：辐射状配电系统面临故障、供需失衡、配电系统设备老化以及耗时的故障定位技术。意外和未编程的停电以及长时间停电正在影响对客户的供电。因此，可靠性问题仍然是电力公司满足用户需求的基本挑战。
随着智能电网技术的发展，越来越多的研究将智能电网技术应用于提高配电网可靠性。智能电网采用智能技术，如集成电子设备(IED)，在先进的通信和控制中心具有良好的性能，这些设备用于自动和远程控制配电系统的运行，除IED外，还有其他设备可用于通过最小化中断时间来提高配电系统的电力可用性。其中，用于提高配电系统可靠性的一些主要开关/自动化设备包括分段开关和自动重合闸。分段开关是由内置逻辑系统控制的自动开关，它们是安装在馈线上的手动或远程控制负载断路开关。自动重合闸是用于在过电流条件下开路的智能装置，它们还用于在正常条件下隔离馈线中的负载。与自动分段器一样，它们在智能电子设备的帮助下可以远程操作。
目前大多数研究侧重于优化配电网网络架构以及自动重合闸和分段开关的最佳数量和位置，却没有考虑配电网故障后的功率恢复。
发明内容
本方案的一个目的在于提供一种配电网可靠性提升方法。该方法使用遗传算法优化技术对开关/自动化设备的最佳布局和网络的最佳重构进行了研究。此外，使用Prim算法对某一配电线路段的故障进行快速功率恢复。通过开关/自动化设备的优化配置、网络重构和快速功率恢复来改善配电系统的可靠性问题。
本方案的另一个目的在于提供一种执行上述方法的装置。
本方案的第三个目的在于提供一种可读存储介质。
为达到上述目的，本方案如下：
一种配电网可靠性提升方法，该方法包括如下步骤：
S100获取馈线配电系统信息，建立拓扑连接模型，进行配电可靠性分析；
S200基于改造后可靠性最佳为优化目标，以馈线数量为约束建立网络配置的优化决策模型，求解；
S300基于改造后优化安装成本最低为优化目标，重组后可靠性为约束建立自动化开关设备配置的优化决策模型，求解；
S400基于改造完成的网络拓扑，以最大化恢复供电率为目标，寻找最优开关切换方案。
步骤S100中，所述馈线配电系统信息包括配电网的电气接线方式及网络中各支线在一段时间内出现各种故障的中断频率和持续时间。
步骤S100中对配电可靠性进行分析包括：
对馈线的配电系统进行建模，计算所述馈线配电系统的平均停电频率、平均中断持续时间指数，客户平均停电频率和平均供电可用率。
步骤S200包括：
以可靠性提升最大为优化目标，以配电网的设备负荷节点的连接关系为优化变量，以增加节点联络线最大值为约束，建立配电网重新配置的优化模型，并利用遗传算法求解。
步骤S300包括：
以改造后优化安装成本最低为优化目标，以自动化开关设备、安装设备及数量为优化变量，以可接受重组后供电可靠性为约束，建立自动化开关设备的成本优化模型，并利用遗传算法求解。
步骤S400包括：
对于配电网中发送故障的线路，利用prim算法对故障线路进行分段，并搜索替代路径以继续提供剩余的健康负载。
第二方面，提供一种配电网可靠性提升装置，该装置包括：
数据获取单元，用于获取馈线配电系统信息；
建模及求解单元，用于建立拓扑连接模型，进行配电可靠性分析；
基于改造后可靠性最佳为优化目标，以馈线数量为约束建立网络配置的优化决策模型，求解；
基于改造后优化安装成本最低为优化目标，重组后可靠性为约束建立自动化开关设备配置的优化决策模型，求解；
基于改造完成的网络拓扑，以最大化恢复供电率为目标，寻找最优开关切换方案。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一项所述方法的步骤。
本方案的有益效果如下：
而本方案采用了智能电网技术的三个应用来提高配电系统的可靠性。这些技术包括开关器件的优化配置、网络的优化重构和快速功率恢复。使用遗传算法优化技术对开关/自动化设备的最佳布局和网络的最佳重构进行了研究；使用Prim算法对某一配电线路段的故障进行快速功率恢复。该方法最大限度地减少了客户的年平均中断频率和持续时间，能有效提高配电系统可靠性。
附图说明
为了更清楚地说明本方案的实施，下面将对实施例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方案的一些实施例，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他的附图。
图1为实施例中配电网可靠性提升方法流程图；
图2为实施例中配电网重构的遗传算法流程图；
图3为实施例中基于遗传算法的新器件优化布置流程图；
图4为实施例中功率快速回复prim算法流程图；
图5为实施例中配电网可靠性提升装置结构示意图。
具体实施方式
下面对本方案的实施方式作进一步地详细描述。显然，所描述的实施例仅是本方案的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本方案中的实施例及实施例中的特征可以相互组合。
说明书和权利要求书中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备，不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请中涉及到的一些用语含义如下：
智能电网技术是如集成电子设备(IED)，这些技术在先进的通信和控制中心具有出色的性能。这些设备用于自动和远程控制配电系统的运行。
供电可靠性是指供电系统持续供电的能力，一般由系统平均停电频率、用户平均停电频率、平均供电可用率等指标反映。
遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索最优解的方法，该方法对决策变量进行合适的编码构造相应染色体，并在迭代过程中通过选择、交叉、变异等操作修改染色体变量以改善适应值，具有较好的群体搜索特性及较低的局部收敛性。
Prim算法是图论中的一种算法，可在加权连通图里搜索最小生成树。意即由此算法搜索到的边子集所构成的树中，不但包括了连通图里的所有顶点，且其所有边的权值之和亦为最小。
目前，辐射状配电系统面临故障、供需失衡、配电系统设备老化以及耗时的故障定位技术等问题，提高配电网的供电可靠性是电力公司面临的一大挑战。近年来，智能电网技术在发电和输电系统中得到了广泛应用，为减少故障停电时间，提高配电系统可靠性，本发明将智能电网技术应用到提升配电系统可靠性中，提出智能电网与传统电网在配电可靠性的区别，通过优化自动化开关装置、网络重构和快速电力恢复来提高配电网可靠性，并建立模型量化以上措施对配电系统可靠性影响，采用MATLAB软件遗传算法优化自动化开关设备的最佳位置和网络的最佳重构，快速的功率恢复由Prim的算法执行。
如图1所示，本申请提出的配电网可靠性提升方法如下：
S100获取馈线配电系统信息，建立拓扑连接模型，进行配电可靠性分析；
S200基于改造后可靠性最佳为优化目标，以馈线数量为约束建立网络配置的优化决策模型，求解；
S300基于改造后优化安装成本最低为优化目标，重组后可靠性为约束建立自动化开关设备配置的优化决策模型，求解；
S400基于改造完成的网络拓扑，以最大化恢复供电率为目标，寻找最优开关切换方案。
步骤S100具体如下：
1.信息收集：
搜集配电网络电气接线图，确定其接线方式，统计各支线一段时间内的各种故障的中断频率和持续时间，分析提高供电可靠性的改进方向；
2.仿真分析：
对馈线的配电系统进行建模，并使用电气瞬态分析程序(ETAP)软件计算系统的可靠性指标。包括式(1)所示的系统平均停电频率(SAIFI)，式(2)所示的系统平均中断持续时间指数(SAIDI)，式(3)所示的客户平均停电频率(CAIDI)和式(4)所示的平均供电可用率(ASAI)；
Figure BDA0003432556380000071
式(1)中，n＝负载点总数，λi＝i节点平均故障率。Ni＝在i处中断的客户数千节点和N＝供电的用户总数；
Figure BDA0003432556380000081
式(2)中，Ui＝组件i的平均年中断率；
Figure BDA0003432556380000082
Figure BDA0003432556380000083
如图2所示，步骤S200中以可靠性提升最大为优化目标，以设备负荷节点的连接关系为优化变量，以增加节点联络线最大值为约束，建立网络重新配置的优化模型，通过遗传算法求解，具体如下：
1.网络配置优化建模：
网络重新配置是操作开关以更改电路拓扑的过程，以便在满足指定约束的同时将运营成本和功率损耗降至最低。本方案采用遗传算法优化技术确定网络重构的最优方案。重新配置使用两种基本设计方法进行，称为基于客户和基于能源服务。
遗传算法优化技术：是一种基于达尔文进化论自然选择的人工智能优化技术。它利用自然进化和群体遗传学的原理来搜索并得出高质量的接近最优的解决方案。遗传算法使用最佳适应性的初始种群，并通过使用遗传运算符(繁殖，交叉和突变)产生新的个体。
方案一：网络重新配置以最大化供应的能量：考虑最大化提供给客户的能源。选择馈线的n节点作为初始总体，形成Ann连通矩阵，其中元素aij分为0、1，分别表示断开与连通。建立如式(5)的目标函数：
Figure BDA0003432556380000091
式(5)中，Y为染色体总视在功率；Si为i节点视在功率(i＝1、2...n)。
约束条件如式(6)所示，
k<kmax (6)
式(6)中，k为增加节点联络线数目，kmax为最大增加节点联络线数目。
方案二：网络重新配置，以最大化连接的客户数量：使用Ann连通矩阵和Anx2馈线数据矩阵作为MATLAB编程的输入，馈线数据矩阵第一列中包含每个负载点的KVA、第二列中每个节点中连接的客户数。建立如式(7)的目标函数：
Figure BDA0003432556380000092
式(7)中，C为连接总客户数，Ci为每一个节点连接客户数。
约束条件如式(8)所示，
k<kmax (8)
2.网络配置优化模型求解：
采用遗传算法优化网络配置，获得全局最优解，具体步骤如下：
a.初始化种群：设置种群数为50，染色体二进制编码长度为n，种群的迭代次数L＝100，以单一节点染色体为例，1表示与另外节点连接，0表示不连接；
b.适应值计算：把公式
Figure BDA0003432556380000101
作为适应度函数，计算种群中各个个体的适应值；
c.选择操作：按照适应值大小对种群的个体进行排序，通过给定的固定步长选择相应个体进行后续交叉操作。
d.交叉操作：为了加快寻优速度，交叉概率取为0.8，同时将传统的单点交叉改为多点交叉；
e.变异操作：采用均匀变异法对种群进行变异操作，变异率取为0.15；
f.种群更新：针对步骤d和步骤e生成的个体计算各自的适应值，与原种群合并、排序，生成下一代种群；
g.迭代终止判定：若达到收敛条件，则得到在规定增加网络节点联络线条件下，配电网最大化可靠性提升策略；否则，k＝k+1返回步骤b。
如图3所示，步骤S300中以改造后优化安装成本最低为优化目标为优化目标，以自动化开关设备安装设备及数量为优化变量，以可接受重组后供电可靠性为约束，建立自动化开关设备的成本优化模型，采用遗传算法求解具体如下：
1.自动化开关设备优化建模：
装置的安装成本是使用重合闸、分段和自动化装置提高配电系统可靠性问题的目标函数。线段由多个二进制数字表示，从这些二进制数字中，前面数字用于表示行段号，最后3位表示行中安装的设备类型。例如一个包括32段线路的系统，某一段用一条包含九个数字的染色体B1B2B3B4B5B6B7B8B9表示；B7显示线路中是否安装了开关设备。如果B7为1，则表示线路段中安装了新设备，如果为0，则线路中未安装任何设备；B8表示安装的设备是开关还是重合闸，也就是说，如果B8＝1，则线路中安装的设备是重合闸，如果是0，则设备是开关；B9确定安装的开关设备是否具有自动设备，如果B9＝1，则开关具有自动设备；如000011100，前六位000011表示第三段线路；后三位100表示安装新设备、设备为开关、无自动化设备。为了获得在配电线路中安装开关设备的替代点，使用单点交叉复合。
2.目标函数：
由于自动化开关购置成本基本为定值，考虑不同类型的自动化开关设备，求取设备最小成本公式如下：
min V＝VNs×Ns+VNr×Nr+VNa×Na (9)
式(9)中，V为自动化开关购置成本总值；VNs为新开关成本；Ns为新开关设备数；VNr为新重合闸开关成本；Nr为新重合闸开关设备数；VNa为新配电自动化设备成本；Na为新新配电自动化设备数。
约束条件如式(10)和(11)设定为：
SAIFI<SAIFImax (10)
SAIDI<SAIDImax (11)
从配电变压器二次侧开始，线路分段建立X矩阵表示负荷点上下游关系，Y矩阵表示输电线路段上下游关系，当这些线路之间和上游存在任何故障时，负载的下游部分将被分段，并且上游的电源将继续供电。
如图4所示，步骤S400中对于某条线路中发生的故障，prim的算法会对故障线路进行分段，并搜索替代路径以继续提供剩余的健康负载，具体如下：
1.电源快速恢复建模：
绘出已经安装开关及自动化设备的馈线连接图，用于查找电源快速恢复路径；
用于查找用于快速电源恢复的最小生成树的目标函数应最大化提供的功率。
因此，目标函数如式(12)：
Figure BDA0003432556380000121
式(12)中，m为馈线中的线路总数；Li为线路i权赋；Xi为线路中开关的二元决策变量(确定并网和分段器开关的开/关状态)，Xi＝1表示开关闭合，反之断开。
对于具有"m"个开关数的网络，网络的交换选项为2m.因此，向量X的值将是具有开关状态的决策向量。决策向量中的值按开关表示的顺序显示开关的状态。决策向量的索引顺序代表从1到现有开关数的开关。决策向量的形式为：X＝[X1,X2,...,Xm]。
约束条件如式(13)：
Si<Simax (13)
Si表示i点负荷容量，Simax表示点i负荷容量最大限额。
Prim的算法使用一个节点作为参考点，并搜索适当的最短路径，以便在清除故障点后提供具有最大功率恢复的负载点。
2.电源快速恢复模型求解：
采用prim算法功率快速恢复，获得全局最优解，具体步骤如下：
a.将所有负荷点分为A、B两种类型节点，初始化A为空集，B为全集；
b.选取一个负荷点记为a1,将a1节点从B集合移入A内；
c.标记所有与A集合节点相连的点，比较连接线路权赋(其中对于连接后功率供给超出节点负荷的权赋记为inf(无穷大)，其他记为线路长度)；
d.选取权赋最小的线路，将连接节点记为a2,将该节点从B集合移入A集合；
e.重复c、d步骤，直到形成B集合节点全部移入A中。
本申请将智能电网技术应用到提升配电系统可靠性中。现有方法侧重于优化配电网网络架构以及自动重合闸和分段开关的最佳数量和位置，没有考虑配电网故障后的功率恢复。而本申请采用了智能电网技术的三个应用来提高配电系统的可靠性。这些技术包括开关器件的优化配置、网络的优化重构和快速功率恢复。使用遗传算法优化技术对开关/自动化设备的最佳布局和网络的最佳重构进行了研究；使用Prim算法对某一配电线路段的故障进行快速功率恢复。该方法最大限度地减少了客户的年平均中断频率和持续时间，能有效提高配电系统可靠性。
如图5所示，本实施例还提供一种配电网可靠性提升装置10，该装置包括：
数据获取单元20，用于获取相关配电网系统信息，
建模及求解单元30，用于建立拓扑连接模型，对配电网可靠性进行分析；
基于改造后可靠性最佳为优化目标，以馈线数量为约束建立网络配置的优化决策模型，求解；
基于改造后优化安装成本最低为优化目标，重组后可靠性为约束建立自动化开关设备配置的优化决策模型，求解；
基于改造完成的网络拓扑，以最大化恢复供电率为目标，寻找最优开关切换方案。
本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述数据采集方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如JAvA、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种配电网可靠性提升方法，其特征在于，该方法包括如下步骤：
S100获取馈线配电系统信息，建立拓扑连接模型，进行配电可靠性分析；
S200基于改造后可靠性最佳为优化目标，以馈线数量为约束建立网络配置的优化决策模型，求解；
S300基于改造后优化安装成本最低为优化目标，重组后可靠性为约束建立自动化开关设备配置的优化决策模型，求解；
S400基于改造完成的网络拓扑，以最大化恢复供电率为目标，寻找最优开关切换方案。
2.根据权利要求1所述的配电网可靠性提升方法，其特征在于，步骤S100中，所述馈线配电系统信息包括配电网的电气接线方式及网络中各支线在一段时间内出现各种故障的中断频率和持续时间。
3.根据权利要求1所述的配电网可靠性提升方法，其特征在于，步骤S100中对配电可靠性进行分析包括：
对馈线的配电系统进行建模，计算所述馈线配电系统的平均停电频率、平均中断持续时间指数，客户平均停电频率和平均供电可用率。
4.根据权利要求1所述的配电网可靠性提升方法，其特征在于，步骤S200包括：
以可靠性提升最大为优化目标，配电网负荷节点的连接关系为优化变量，以增加节点联络线最大值为约束，建立配电网重新配置的优化模型，并利用遗传算法求解。
5.根据权利要求1所述的配电网可靠性提升方法，其特征在于，步骤S300包括：
以改造后优化安装成本最低为优化目标，以自动化开关设备、安装设备及数量为优化变量，以可接受重组后供电可靠性为约束，建立自动化开关设备的成本优化模型，并利用遗传算法求解。
6.根据权利要求1所述的配电网可靠性提升方法，其特征在于，步骤S400 包括：
对于配电网中发送故障的线路，利用prim算法对故障线路进行分段，并搜索替代路径以继续提供剩余的健康负载。
7.一种配电网可靠性提升装置，其特征在于，该装置包括：
数据获取单元，用于获取馈线配电系统信息；
建模及求解单元，用于建立拓扑连接模型，进行配电可靠性分析；
基于改造后可靠性最佳为优化目标，以馈线数量为约束建立网络配置的优化决策模型，求解；
基于改造后优化安装成本最低为优化目标，重组后可靠性为约束建立自动化开关设备配置的优化决策模型，求解；
基于改造完成的网络拓扑，以最大化恢复供电率为目标，寻找最优开关切换方案。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN202111602934.9A 2021-12-24 2021-12-24 一种配电网可靠性提升方法、装置及存储介质 Pending CN114254470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111602934.9A CN114254470A (zh) 2021-12-24 2021-12-24 一种配电网可靠性提升方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111602934.9A CN114254470A (zh) 2021-12-24 2021-12-24 一种配电网可靠性提升方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114254470A true CN114254470A (zh) 2022-03-29

Family

ID=80797598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111602934.9A Pending CN114254470A (zh) 2021-12-24 2021-12-24 一种配电网可靠性提升方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114254470A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117154954A (zh) * 2023-10-31 2023-12-01 国网浙江省电力有限公司宁波供电公司 一种基于遗传算法的配电网馈线自动化终端的配置方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117154954A (zh) * 2023-10-31 2023-12-01 国网浙江省电力有限公司宁波供电公司 一种基于遗传算法的配电网馈线自动化终端的配置方法
CN117154954B (zh) * 2023-10-31 2024-01-05 国网浙江省电力有限公司宁波供电公司 一种基于遗传算法的配电网馈线自动化终端的配置方法

Similar Documents

Publication Publication Date Title
Luan et al. Genetic algorithm for supply restoration and optimal load shedding in power system distribution networks
Pezzini et al. Optimization techniques to improve energy efficiency in power systems
Granelli et al. Optimal network reconfiguration for congestion management by deterministic and genetic algorithms
Zhang et al. Reliability-oriented distribution network reconfiguration considering uncertainties of data by interval analysis
Sahoo et al. Multi-objective planning of electrical distribution systems incorporating sectionalizing switches and tie-lines using particle swarm optimization
Ganguly et al. Multi-objective particle swarm optimization based on fuzzy-Pareto-dominance for possibilistic planning of electrical distribution systems incorporating distributed generation
Ghadiri et al. Comprehensive approach for hybrid AC/DC distribution network planning using genetic algorithm
Carpaneto et al. Distribution system minimum loss reconfiguration in the hyper-cube ant colony optimization framework
da Silva et al. Transmission expansion planning optimization by adaptive multi-operator evolutionary algorithms
Kumar et al. Design of an advanced electric power distribution systems using seeker optimization algorithm
Anteneh et al. Distribution network reliability enhancement and power loss reduction by optimal network reconfiguration
Vitorino et al. Loss and reliability optimization for power distribution system operation
Poubel et al. Tree searching heuristic algorithm for multi-stage transmission planning considering security constraints via genetic algorithm
Atteya et al. Distribution network reconfiguration in smart grid system using modified particle swarm optimization
Agrawal et al. Resiliency in active distribution systems via network reconfiguration
Kumar et al. Multi‐objective design of advanced power distribution networks using restricted‐population‐based multi‐objective seeker‐optimisation‐algorithm and fuzzy‐operator
Tian et al. Optimal feeder reconfiguration and distributed generation placement for reliability improvement
Sinishaw et al. Analysis of smart grid technology application for power distribution system reliability enhancement: A case study on Bahir Dar power distribution
CN114254470A (zh) 一种配电网可靠性提升方法、装置及存储介质
CN108122054B (zh) 一种基于图计算的电力系统拓扑实时计算方法
CN118017586A (zh) 基于鲸鱼优化算法的配电网一二次协同规划方法和系统
Montoya et al. A new approach to solve the distribution system planning problem considering automatic reclosers
Alves A multi-population hybrid algorithm to solve multi-objective remote switches placement problem in distribution networks
CN115879742A (zh) 配电网改造方法、系统、电子设备及存储介质
Lin et al. Optimal switching placement for customer interruption cost minimization

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