CN115329995A - 一种电力系统状态检修决策的优化方法及系统 - Google Patents

一种电力系统状态检修决策的优化方法及系统 Download PDF

Info

Publication number
CN115329995A
CN115329995A CN202210737685.2A CN202210737685A CN115329995A CN 115329995 A CN115329995 A CN 115329995A CN 202210737685 A CN202210737685 A CN 202210737685A CN 115329995 A CN115329995 A CN 115329995A
Authority
CN
China
Prior art keywords
power system
maintenance
equipment
overhaul
objective function
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
CN202210737685.2A
Other languages
English (en)
Inventor
冯长辉
李冰
赵阳
朱伟
丁亮
孔琳琳
王金肖
郭鹏
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.)
Qufu Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Jining Power Supply Co
Original Assignee
Qufu Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Jining 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 Qufu Power Supply Co Of State Grid Shandong Electric Power Co, State Grid Corp of China SGCC, Jining Power Supply Co filed Critical Qufu Power Supply Co Of State Grid Shandong Electric Power Co
Priority to CN202210737685.2A priority Critical patent/CN115329995A/zh
Publication of CN115329995A publication Critical patent/CN115329995A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q10/04—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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力检修领域，提供了一种电力系统状态检修决策的优化方法及系统，包括获取电力系统的设备运行数据以及设备参数；以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数；根据电力系统的设备运行数据以及设备参数，以电力系统设备检修时长、检修连续性、可靠性、寻优步长、检修时间范围、检修优先级、检修次序、同步检修、互斥检修、检修资源、分区计划数、功率平衡、网络损耗、支路容量和火电机组出力为约束条件，利用遗传算法求解目标函数，得到目标函数的最优解；基于目标函数的最优解，确定最优的电力系统状态检修决策。

Description

一种电力系统状态检修决策的优化方法及系统
技术领域
本发明属于电力检修技术领域，具体涉及一种电力系统状态检修决策的优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
由于变电站长时间运行可能出现老化、失效等问题，所以需要定期对其进行检修和维护，以消除潜在风险和隐患。但若检修计划安排不合理、检修资源分配不均衡会导致电网故障风险急剧攀升，严重危及电力系统的运行安全。目前，有关变电站检修计划的编制方式主要依赖线下人工编排方式。当检修计划数较多时，人工编排的方式不仅效率低下，而且难以考虑不同检修计划项之间的关联，所编排的检修计划可能因缺乏合理性而增加检修成本，严重情况下还可能危及电力系统的运行安全。
变电设备检修决策安排需要考虑检修决策对电网整体运行的经济性与安全性影响，传统的电力系统状态检修决策优化仅仅是考虑运行成本和检修费用，考虑的因素过于简单，不能够更精准全面的实现对电力系统状态检测决策的优化。
发明内容
为了解决上述问题，本发明提出了一种电力系统状态检修决策的优化方法及系统，本发明的电力系统状态检修决策优化不仅仅仅仅是考虑运行成本和检修费用，还考虑到设备本身的寿命因素，能够更精准全面的实现对电力系统状态检测决策的优化。
根据一些实施例，本发明的第一方案提供了一种电力系统状态检修决策的优化方法，采用如下技术方案：
一种电力系统状态检修决策的优化方法，包括：
获取电力系统的设备运行数据以及设备参数；
以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数；
根据电力系统的设备运行数据以及设备参数，以电力系统设备检修时长、检修连续性、可靠性以及寻优步长为约束条件，利用遗传算法求解目标函数，得到目标函数的最优解；
基于目标函数的最优解，确定最优的电力系统状态检修决策。
进一步地，在构建目标函数之前，还基于获取电力系统的设备运行数据以及设备参数分析电力系统设备的检修能效和检修收益，包括：
考虑到电力系统设备的小修和大修的检修方式，确定电力系统设备的检修能效；
考虑到电力系统设备的不同风险模式，确定电力系统设备的检测收益。
进一步地，所述电力系统设备的不同风险模式包括异常风险模式以及部分停运风险模式、完全停运风险模式以及损毁风险模式。
进一步地，所述以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数，包括：
基于不同的检修等级和检修风险模式，确定其对电力系统设备故障率及役龄影响；
考虑检修的役龄回退因素对电力系统设备运行寿命延长影响，以及设备运行中的可靠性，构建以电力系统设备寿命周期内运行成本最小和检修次数最少为目标的目标函数。
进一步地，所述以电力系统设备寿命周期内运行成本最小和检修次数最少为目标的目标函数，具体为：
Figure BDA0003716565640000031
其中，x表示电力系统设备运行期间的小修次数；y表示电力系统设备运行期间的大修次数；Cm(t)为电力系统设备日常运维成本与年度预防性试验检修的成本之和；M1(t)表示电力系统设备运行第t年时的单次小修成本；M2(t)表示电力系统设备运行第t年时的单次大修成本，Tage表示电力系统设备在未进行大小检修情况下的预期运行年限，设Tage＝25年，ΔT为历次检修产生的回退役龄总时长。
进一步地，所述检修连续性约束条件，具体为：
Figure BDA0003716565640000032
其中，xm,t为二进制变量，xm,t＝1表示在t时段执行检修计划m，xm,t表示在t时段不执行检修计划m；τ为下标参数，取
Figure BDA0003716565640000033
之间的整数，
Figure BDA0003716565640000034
表示检修计划m的持续时间。
进一步地，对于所述检修时间约束，考虑到电力系统设备运行实际，其小修与上次检修时间间隔不小于一年；其大修与上次大修时间间隔不小于5年，大修总次数不超过5次，小修总次数不超过10次，得到检修时间约束；
所述寻优步长则是考虑到检修实际，并提高寻优速度，设定检修时间的寻优步长为一个季度。
根据一些实施例，本发明的第二方案提供了一种电力系统状态检修决策的优化系统，采用如下技术方案：
一种电力系统状态检修决策的优化系统，包括：
数据采集模块，被配置为获取电力系统的设备运行数据以及设备参数；
优化目标函数建立模块，被配置为以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数；
优化目标函数求解模块，被配置为根据电力系统的设备运行数据以及设备参数，以电力系统设备检修时长、检修连续性、可靠性、寻优步长、检修时间范围、检修优先级、检修次序、同步检修、互斥检修、检修资源、分区计划数、功率平衡、网络损耗、支路容量和火电机组出力为约束条件，利用遗传算法求解目标函数，得到目标函数的最优解；
检修决策优化模块，被配置为基于目标函数的最优解，确定最优的电力系统状态检修决策。
根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。
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述第一个方面所述的一种电力系统状态检修决策的优化方法中的步骤。
根据一些实施例，本发明的第四方案提供了一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种电力系统状态检修决策的优化方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明的电力系统状态检修决策优化不仅仅仅仅是考虑运行成本和检修费用，还考虑到设备本身的寿命因素，能够更精准全面的实现对电力系统状态检测决策的优化。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例所述的一种电力系统状态检修决策的优化方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示，本实施例提供了一种电力系统状态检修决策的优化方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取电力系统的设备运行数据以及设备参数；
以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数；
根据电力系统的设备运行数据以及设备参数，以电力系统设备检修时长、检修连续性、可靠性以及寻优步长为约束条件，利用遗传算法求解目标函数，得到目标函数的最优解；
基于目标函数的最优解，确定最优的电力系统状态检修决策。
具体地，在构建目标函数之前，还基于获取电力系统的设备运行数据以及设备参数分析电力系统设备的检修能效和检修收益，包括：
考虑到电力系统设备的小修和大修的检修方式，确定电力系统设备的检修能效；
考虑到电力系统设备的不同风险模式，确定电力系统设备的检测收益。
针对小修方式，根据相关经验值，电力系统设备的小修费用大致保持不变，单次小修费用取值为电力系统设备购置成本的3％。小修是对故障所丧失功能及部件的部分修复。假设检修前电力系统设备故障率为Pf(t-)，检修后电力系统设备等效役龄会回退，故障率将降低为Pf(t+)。根据电力系统设备运行实际，合理假设电力系统设备等效役龄为ta时，电力系统设备小修前后的役龄变化函数TΔ1，检修前后故障率变化量ΔPf1，具体如下：
Figure BDA0003716565640000071
Figure BDA0003716565640000072
针对大修方式，电力系统设备的大修费用大致保持不变，根据相关经验值，单次大修费用取值为电力系统设备购置成本的6％。电力系统设备等效役龄为ta时，大修前后的设备役龄回退函数TΔ2，检修前后故障率变化量ΔPf2，具体如下：
Figure BDA0003716565640000081
Figure BDA0003716565640000082
所述电力系统设备的不同风险模式包括异常风险模式以及部分停运风险模式、完全停运风险模式以及损毁风险模式。
电力系统设备在不同风险模式下，在相应检修等级下获得的风险收益Rearn分析如下。
异常风险模式下的检修收益
电力系统设备处于异常风险时，电力系统设备一般采用小修方式。小修方式下，电力系统设备故障率变化量ΔPf1，其役龄回退时间为TΔ1。则电力系统设备处于异常时采用小修获得的收益等于检修产生的风险收益。
Figure BDA0003716565640000083
部分停运风险下的检修收益
电力系统设备处于部分停运风险下时，一般电力系统设备采用小修，电力系统设备故障率变化量为ΔPf2，其役龄回退时间为TΔ2。则电力系统设备处于部分停运风险时采用小修获得的收益等于检修产生的风险收益。
Figure BDA0003716565640000091
完全停运风险下的检修收益
完全停运风险下，电力系统设备一般采用大修方式。大修方式下，不仅对电力系统设备故障部位进行基本功能修复，且能大幅降低设备运行故障率，并缩减设备运行的等效役龄。大修后设备的故障率变化量为ΔPf3。电力系统设备处于完全停运风险下采用大修方式获得的收益等于检修产生的风险收益。
Figure BDA0003716565640000092
损毁风险下的检修收益
电力系统设备处于损毁风险模式下时，采用大修或者更换的检修策略。更换方式下获得的收益CP4包括因更换带来的电力系统设备故障率下降的风险收益Rearn4以及设备退役产生的收益Dearn。
目标函数构建
所述以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数，包括：
基于不同的检修等级和检修风险模式，确定其对电力系统设备故障率及役龄影响；
考虑检修的役龄回退因素对电力系统设备运行寿命延长影响，以及设备运行中的可靠性，构建以电力系统设备寿命周期内运行成本最小和检修次数最少为目标的目标函数。
进一步地，所述以电力系统设备寿命周期内运行成本最小和检修次数最少为目标的目标函数，具体为：
Figure BDA0003716565640000101
其中，x表示电力系统设备运行期间的小修次数；y表示电力系统设备运行期间的大修次数；Cm(t)为电力系统设备日常运维成本与年度预防性试验检修的成本之和；M1(t)表示电力系统设备运行第t年时的单次小修成本；M2(t)表示电力系统设备运行第t年时的单次大修成本，Tage表示电力系统设备在未进行大小检修情况下的预期运行年限，设Tage＝25年，ΔT为历次检修产生的回退役龄总时长。
Figure BDA0003716565640000102
其中，t1i为第i次小修时变压器的实际运行时间，Δt1i为第i次小修产生的役龄回退时间；t2j为第j次大修时变压器的实际运行时间，Δt2j为第j次大修产生的役龄回退时间。
Figure BDA0003716565640000103
Figure BDA0003716565640000104
Cm(t)＝at+b
t为变压器运行的役龄；a，b为常数，根据变压器的历史运行维护成本统计分析，利用最小二乘法进行拟合可以求取a，b。
进一步地，所述检修连续性约束条件，具体为：
Figure BDA0003716565640000111
其中，xm,t为二进制变量，xm,t＝1表示在t时段执行检修计划m，xm,t表示在t时段不执行检修计划m；τ为下标参数，取
Figure BDA0003716565640000112
之间的整数，
Figure BDA0003716565640000113
表示检修计划m的持续时间。
例如，当计划1(即m＝1)需要5天检修时，当计划1在第2天开始执行，即x1,1＝0，x1,2＝1，为了满足连续检修要求，则必有x1,2＝x1,3＝x1,4＝x1,5＝x1,6＝1，若其中任一天中断，则上式将不成立。
进一步地，对于所述检修时间约束，考虑到电力系统设备运行实际，其小修与上次检修时间间隔不小于一年；其大修与上次大修时间间隔不小于5年，大修总次数不超过5次，小修总次数不超过10次，得到检修时间约束，具体为：
Figure BDA0003716565640000114
所述寻优步长则是考虑到检修实际，并提高寻优速度，设定检修时间的寻优步长为一个季度。
实施例二
本实施例提供了一种电力系统状态检修决策的优化系统，包括：
数据采集模块，被配置为获取电力系统的设备运行数据以及设备参数；
优化目标函数建立模块，被配置为以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数；
优化目标函数求解模块，被配置为根据电力系统的设备运行数据以及设备参数，以电力系统设备检修时长、检修连续性、可靠性、寻优步长、检修时间范围、检修优先级、检修次序、同步检修、互斥检修、检修资源、分区计划数、功率平衡、网络损耗、支路容量和火电机组出力为约束条件，利用遗传算法求解目标函数，得到目标函数的最优解；
检修决策优化模块，被配置为基于目标函数的最优解，确定最优的电力系统状态检修决策。
上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例提供了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述实施例一所述的一种电力系统状态检修决策的优化方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种电力系统状态检修决策的优化方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种电力系统状态检修决策的优化方法，其特征在于，包括：
获取电力系统的设备运行数据以及设备参数；
以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数；
根据电力系统的设备运行数据以及设备参数，以电力系统设备检修时长、检修连续性、可靠性以及寻优步长为约束条件，利用遗传算法求解目标函数，得到目标函数的最优解；
基于目标函数的最优解，确定最优的电力系统状态检修决策。
2.如权利要求1所述的一种电力系统状态检修决策的优化方法，其特征在于，在构建目标函数之前，还基于获取电力系统的设备运行数据以及设备参数分析电力系统设备的检修能效和检修收益，包括：
考虑到电力系统设备的小修和大修的检修方式，确定电力系统设备的检修能效；
考虑到电力系统设备的不同风险模式，确定电力系统设备的检测收益。
3.如权利要求2所述的一种电力系统状态检修决策的优化方法，其特征在于，所述电力系统设备的不同风险模式包括异常风险模式以及部分停运风险模式、完全停运风险模式以及损毁风险模式。
4.如权利要求1所述的一种电力系统状态检修决策的优化方法，其特征在于，所述以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数，包括：
基于不同的检修等级和检修风险模式，确定其对电力系统设备故障率及役龄影响；
考虑检修的役龄回退因素对电力系统设备运行寿命延长影响，以及设备运行中的可靠性，构建以电力系统设备寿命周期内运行成本最小和检修次数最少为目标的目标函数。
5.如权利要求4所述的一种电力系统状态检修决策的优化方法，其特征在于，所述以电力系统设备寿命周期内运行成本最小和检修次数最少为目标的目标函数，具体为：
Figure FDA0003716565630000021
其中，x表示电力系统设备运行期间的小修次数；y表示电力系统设备运行期间的大修次数；Cm(t)为电力系统设备日常运维成本与年度预防性试验检修的成本之和；M1(t)表示电力系统设备运行第t年时的单次小修成本；M2(t)表示电力系统设备运行第t年时的单次大修成本，Tage表示电力系统设备在未进行大小检修情况下的预期运行年限，设Tage＝25年，ΔT为历次检修产生的回退役龄总时长。
6.如权利要求1所述的一种电力系统状态检修决策的优化方法，其特征在于，所述检修连续性约束条件，具体为：
Figure FDA0003716565630000022
其中，xm,t为二进制变量，xm,t＝1表示在t时段执行检修计划m，xm,t表示在t时段不执行检修计划m；τ为下标参数，取
Figure FDA0003716565630000023
之间的整数，
Figure FDA0003716565630000024
表示检修计划m的持续时间。
7.如权利要求1所述的一种电力系统状态检修决策的优化方法，其特征在于，对于所述检修时间约束，考虑到电力系统设备运行实际，其小修与上次检修时间间隔不小于一年；其大修与上次大修时间间隔不小于5年，大修总次数不超过5次，小修总次数不超过10次，得到检修时间约束；
所述寻优步长则是考虑到检修实际，并提高寻优速度，设定检修时间的寻优步长为一个季度。
8.一种电力系统状态检修决策的优化系统，其特征在于，包括：
数据采集模块，被配置为获取电力系统的设备运行数据以及设备参数；
优化目标函数建立模块，被配置为以电力系统设备寿命周期内运行成本和检修次数为优化目标，建立目标函数；
优化目标函数求解模块，被配置为根据电力系统的设备运行数据以及设备参数，以电力系统设备检修时长、检修连续性、可靠性、寻优步长、检修时间范围、检修优先级、检修次序、同步检修、互斥检修、检修资源、分区计划数、功率平衡、网络损耗、支路容量和火电机组出力为约束条件，利用遗传算法求解目标函数，得到目标函数的最优解；
检修决策优化模块，被配置为基于目标函数的最优解，确定最优的电力系统状态检修决策。
9.一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1-7中任一项所述的一种电力系统状态检修决策的优化方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种电力系统状态检修决策的优化方法中的步骤。
CN202210737685.2A 2022-06-27 2022-06-27 一种电力系统状态检修决策的优化方法及系统 Pending CN115329995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210737685.2A CN115329995A (zh) 2022-06-27 2022-06-27 一种电力系统状态检修决策的优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210737685.2A CN115329995A (zh) 2022-06-27 2022-06-27 一种电力系统状态检修决策的优化方法及系统

Publications (1)

Publication Number Publication Date
CN115329995A true CN115329995A (zh) 2022-11-11

Family

ID=83917399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210737685.2A Pending CN115329995A (zh) 2022-06-27 2022-06-27 一种电力系统状态检修决策的优化方法及系统

Country Status (1)

Country Link
CN (1) CN115329995A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829543A (zh) * 2022-11-24 2023-03-21 南方电网能源发展研究院有限责任公司 基于故障需检区间的电力设备预防性试验有效性确定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829543A (zh) * 2022-11-24 2023-03-21 南方电网能源发展研究院有限责任公司 基于故障需检区间的电力设备预防性试验有效性确定方法
CN115829543B (zh) * 2022-11-24 2023-08-29 南方电网能源发展研究院有限责任公司 基于故障需检区间的电力设备预防性试验有效性确定方法

Similar Documents

Publication Publication Date Title
Taheri et al. Distribution system resilience enhancement via mobile emergency generators
Alizadeh et al. Reliability constrained coordination of generation and transmission expansion planning in power systems using mixed integer programming
CN111553576B (zh) 适应电力现货市场的数据校验方法、装置及系统
AU2020103555A4 (en) Method and system for power supply prediction by variety
KR101086027B1 (ko) 베이지안 통계기법을 이용한 발전설비 고장예측방법
Kahrobaee et al. A hybrid analytical-simulation approach for maintenance optimization of deteriorating equipment: Case study of wind turbines
KR101572643B1 (ko) 국민발전소 비지니스 플랫폼 연계형 전력수요자원 네모모델링 시뮬레이션 장치 및 방법
CN115329995A (zh) 一种电力系统状态检修决策的优化方法及系统
Zhang et al. Enhancing economics of power systems through fast unit commitment with high time resolution
Assis et al. Unsupervised machine learning techniques applied to composite reliability assessment of power systems
Friederich et al. Data-driven reliability modeling of smart manufacturing systems using process mining
Peng et al. Analytical model of power system hardening planning for long-term risk reduction
Azimi Hosseini et al. Advanced distribution transformer asset management embracing its relocation: A cost saving approach
Tanidir et al. Accuracy of ANN based day-ahead load forecasting in Turkish power system: Degrading and improving factors
Abbasi et al. Risk based maintenance optimization of overhead distribution networks utilizing priority based dynamic programming
CN113793003A (zh) 面向韧性提升的电力系统检修与运行协同决策方法
CN112685904A (zh) 柔性直流输电系统全寿命周期可靠性的确定方法及系统
Senyigit et al. Transmission expansion planning under different uncertainties
CN111783487A (zh) 一种读卡器设备的故障预警方法及装置
CN110378592A (zh) 一种动态评估设备风险的方法
Ho et al. The causal relationship between GDP, energy consumption, population, and oil price: Evidence from Vietnam
CN114330527B (zh) 楼栋电表分布识别方法、系统、装置及存储介质
Xie et al. A novel unreliability tracing model for buck power systems based on contingency screening
CN104485688B (zh) 优化逆变电源系统的方法及装置
Avila et al. Capacity-based service restoration using Multi-Agent technology and ensemble learning

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