CN117154727B - 电力系统可靠性控制方法及系统 - Google Patents
电力系统可靠性控制方法及系统 Download PDFInfo
- Publication number
- CN117154727B CN117154727B CN202311435891.9A CN202311435891A CN117154727B CN 117154727 B CN117154727 B CN 117154727B CN 202311435891 A CN202311435891 A CN 202311435891A CN 117154727 B CN117154727 B CN 117154727B
- Authority
- CN
- China
- Prior art keywords
- power system
- objective function
- objective
- node
- constructing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 98
- 239000002245 particle Substances 0.000 claims description 59
- 230000007704 transition Effects 0.000 claims description 22
- 230000008439 repair process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003758 nuclear fuel Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力系统可靠性控制方法及系统,涉及电力技术领域,包括建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率;将各个组件的故障作为事件,并映射到故障树的树节点中,基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值迭代进行节点分裂,构建故障树;以最小化运行成本为第一目标构建第一目标函数,设置第一约束条件,以及以最大化系统可靠性为第二目标构建第二目标函数,设置第二约束条件,通过多目标优化算法进行综合求解,确定系统调控策略。
Description
技术领域
本发明涉及电力技术,尤其涉及一种电力系统可靠性控制方法及系统。
背景技术
电力系统作为社会保障的基础行业,其运行情况与国民生活以及社会经济生活密切相关,能够保证提供一个安全、高效、持续、稳定的电力供给环境是对电力工作的基本要求。电力系统的任务是向用户提供源源不断、质量合格的电能。由于电力系统的设备,包括发电机、变压器、输电线路、断路器等一次设备及与之配套的二次设备,都会发生不同类型的故障,从而影响电力系统正常运行和对用户正常供电。
CN201810400017.4,用于高比例风电并网的电力系统的可靠性评估方法,包括对待分析区域的风电场出力进行建模;获取待分析区域在风电接入前的电力系统可靠性指标;获取待分析区域在风电接入后的电力系统可靠性指标;建立待分析区域在风电接入后的电力系统中的储能系统模型;获取待分析区域在风电和储能系统接入后的电力系统的可靠性指标,从而完成可靠性评估。
CN201410655623.2,一种评估电力系统可靠性的方法,包括(1)对所述电力系统参数初始化;(2)计算所述电力系统每一状态Xi的PL(Xi);(3)计算所述电力系统每一状态Xi的W(Xi;u,vk-1);(4)更新参数(5)判断是否满足rk=PL总;(6)计算对偶抽样的系统切负荷标志和切负荷量(7)计算W(Xi;u,v*),统计LOLP和EDNS及其收敛系数βLOLP和βEDNS;(8)判断是否满足βLOLP≤βMAX且βEDNS≤βMAX或N2≥NMAX;(9)输出可靠性指标。本发明提出的方法在元件故障率较低,即可靠性系统的可靠性评估中仍然高效可靠,充分表明该方法适用于不同可靠性系统的可靠性评估。
但是现有技术中对于电力系统的可靠性控制往往只考虑单方面的内容,而电力系统是一个复杂的系统,需要至少从多个方面进行综合考虑,从而实现可靠性控制。
发明内容
本发明实施例提供一种电力系统可靠性控制方法及系统,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供一种电力系统可靠性控制方法,包括
使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率;
将各个组件的故障作为事件,并映射到故障树的树节点中,基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值迭代进行节点分裂,构建故障树;
基于所述故障树,以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件,以及以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件,通过多目标优化算法进行综合求解,确定系统调控策略。
在一种可选的实施方式中,
使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算所述电力系统正常运行的概率包括:
根据电力系统的实际构成,定义系统中的各个组件,建立组件之间的拓扑结构,即定义它们之间的连接关系;定义系统和组件的状态,使用组件拓扑结构和状态定义,建立状态转移图,描述各个组件状态之间的转移关系;
将系统初始化为正常运行状态,对于每个状态,计算它转移到其他状态的概率;
将所有状态之间的转移概率组成一个状态转移矩阵,利用状态转移矩阵,使用马尔可夫链的方法计算所述电力系统处于正常运行状态的概率,所述电力系统的可用性即为正常运行状态的稳态概率之和。
在一种可选的实施方式中,
通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值包括:
;
其中,D表示当前节点的数据集,y i 表示样本i的真实标签,y avg 表示当前节点的均值,y split 表示分裂后的节点均值,max split ()表示在所有可能的方式中选择能够最大化损失函数的分裂方式。
在一种可选的实施方式中,
以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件包括:
基于电力系统中燃料成本、人工费用以及系统折旧费用,构建电力系统运行成本;
基于电力系统中维护人员工资、零部件成本构建电力系统的维护成本;
基于电力系统中部件故障后的修复费用以及停机损失构建电力系统的故障成本;
分别为所述运行成本分配第一权重参数、为所述维护成本分配第二权重参数以及为所述故障成本分配第三权重参数,构建所述第一目标函数;
设置与所述第一目标函数对应的第一约束条件包括所述电力系统处于正常运行状态的概率大于等于预先设定的最小可用性阈值。
在一种可选的实施方式中,
以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件包括:
确定所述电力系统中各个组件的处于正常运行状态的第一概率、各个组件两次连续故障之间的第一时间间隔以及各个组件从故障发生到修复完成的第二时间间隔;
将所述第一概率进行汇总,并且为汇总后概率分配转换系数,将所述汇总后概率转换为正常运行时间,分别为所述正常运行时间分配第一时间权重、为所述第一时间间隔分配第二时间权重以及为所述第二时间间隔分配第三时间权重,构建所述第二目标函数;
设置与所述第二目标函数对应的第二约束条件包括所述电力系统中各个组件的处于正常运行状态的概率大于等于预设目标可用性阈值。
在一种可选的实施方式中,
通过多目标优化算法进行综合求解,确定系统调控策略包括:
将所述第一目标函数对应的第一目标值和所述第二目标函数对应的第二目标值作为初始化种群,并对所述初始化种群进行随机化处理,所述初始化种群包括多个粒子;
根据预设的帕累托约束因子,结合所述第一目标函数和所述第二目标函数确定每个粒子对应的初始适应度值;
基于所述初始适应度值动态设置交叉率和变异率,基于所述交叉率和变异率对所述初始化种群中粒子进行交叉和变异操作,将交叉和变异操作后粒子的适应度值作为非支配解,进行帕累托排序,并确定每个粒子的拥挤度;
依次迭代计算粒子的拥挤度,并且每次将拥挤度最高的粒子替换掉拥挤度最低的粒子,直至所有的粒子均被遍历,完成对粒子的更新,将更新后粒子中拥挤度最高的粒子作为目标粒子,确定系统调控策略。
本发明实施例的第二方面,
提供一种电力系统可靠性控制系统,包括:
第一单元,用于使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率;
第二单元,用于将各个组件的故障作为事件,并映射到故障树的树节点中,基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值迭代进行节点分裂,构建故障树;
第三单元,用于基于所述故障树,以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件,以及以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件,通过多目标优化算法进行综合求解,确定系统调控策略。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果,在此不再赘述。
附图说明
图1为本发明实施例电力系统可靠性控制方法的流程示意图;
图2为本发明实施例电力系统可靠性控制系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例电力系统可靠性控制方法的流程示意图,如图1所示,所述方法包括:
S101. 使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率;
在一种可选的实施方式中,
使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率包括:
根据电力系统的实际构成,定义系统中的各个组件,建立组件之间的拓扑结构,即定义它们之间的连接关系;定义系统和组件的状态,使用组件拓扑结构和状态定义,建立状态转移图,描述各个组件状态之间的转移关系;
将系统初始化为正常运行状态,对于每个状态,计算它转移到其他状态的概率;
将所有状态之间的转移概率组成一个状态转移矩阵,利用状态转移矩阵,使用马尔可夫链的方法计算电力系统处于正常运行状态的概率,系统的可用性即为正常运行状态的稳态概率之和。
示例性地,根据电力系统的实际构成,定义系统中的各个组件(发电机、变压器、开关设备等);建立组件之间的拓扑结构,即定义它们之间的连接关系;定义系统和组件的状态,例如,每个组件可以处于正常运行、故障、维修等状态;使用组件拓扑结构和状态定义,建立状态转移图,描述各个组件状态之间的转移关系。
考虑到系统处于正常运行状态的条件,可用性公式通常表示为:电力系统处于正常运行状态的时间与总时间的比值。
其中,正常运行状态的时间可以限定在特定时间段,例如每天9点到18点这一时间段;上述只是示例性说明,并不对特定时间进行限定。
为了计算电力系统正常运行的概率,需要考虑每个组件的故障率(Failure Rate)和维修时间(Repair Time);需要准备每个组件的故障率和维修时间的数据,这些数据可以基于历史记录或者制造商提供的信息获得。
示例性地,可以使用状态空间法进行系统可用性计算,在这个方法中,将系统建模为一个状态空间,通过转移概率计算系统处于正常运行状态的概率。
将系统初始化为正常运行状态,对于每个状态,计算它转移到其他状态的概率,这些概率可以通过组件的故障率和维修时间计算得出。
将所有状态之间的转移概率组成一个状态转移矩阵,该矩阵描述了系统从一个状态到另一个状态的概率。利用状态转移矩阵,可以使用马尔可夫链的方法计算电力系统处于正常运行状态的概率,通常,通过迭代计算,可以得到系统的稳态概率分布,即系统处于各个状态的概率。系统的可用性即为正常运行状态的稳态概率之和。
状态空间的定义需要考虑系统的所有可能状态,包括单个组件故障、多个组件故障等各种情况,以保证模型的全面性;转移概率通常基于组件的故障率、维修时间和系统的拓扑结构计算。在实际应用中,可能需要使用概率论和可靠性工程的相关知识来确定这些概率。
S102. 将各个组件的故障作为事件,并映射到故障树的树节点中,基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值迭代进行节点分裂,构建故障树;
在一种可选的实施方式中,
基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值构建损失函数,根据所述损失函数,计算当前叶节点的梯度和二阶导数,并构建目标函数的二阶泰勒展开;
对于每个叶节点,遍历全部叶节点的特征值,结合当前叶节点的梯度和二阶导数,确定分裂后损失函数值最小叶节点,将这一叶节点记为分裂叶节点,并将所述分裂叶节点分裂为两个叶节点,并计算分裂后叶节点的梯度和二阶导数,重复操作直至满足停止条件。
示例性地,从根节点开始,初始化整棵树,遍历每个叶节点,通过节点增益函数确定当前叶节点的第一增益值,示例性地,从根节点开始,整棵树开始为空,对于每个叶节点,计算其第一增益值,这是通过节点增益函数来确定的,节点增益函数通常是一个代表模型拟合质量的指标,如平方损失、绝对损失等。它表示在当前节点上模型的性能提升程度。在平方损失的情况下,增益可以是节点分裂前后的均方误差减小量,对于每个叶节点,计算其分裂后左子节点和右子节点的节点增益值。
选择具有最大增益的叶节点进行分裂,根据最大增益值构建损失函数,通常使用平方损失或绝对损失,根据损失函数,计算当前叶节点的梯度和二阶导数,并构建目标函数的二阶泰勒展开。
遍历当前叶节点的特征值,对每个特征值进行分裂测试,结合当前叶节点的梯度和二阶导数,确定分裂后损失函数值最小的叶节点。将满足条件的特征值作为分裂点,将当前叶节点分裂为两个叶节点,计算分裂后叶节点的梯度和二阶导数,重复操作,直至树的深度达到设定值或节点中样本数小于某个阈值。
所述等频分桶策略是一种将连续特征值划分为离散区间的方法,确保每个区间内包含相同数量的样本,等频分桶策略通过对数据的分段来简化复杂性,同时减少对异常值的敏感性,并提高模型的鲁棒性。等频分同策略具体为,对特征值进行升序排序,据需要确定分桶的数量,例如,如果希望将特征分为 10 个桶,那么就将数据划分为10个等分,根据分桶的数量计算相应的分位数,将特征值根据计算得到的分位数分成对应的桶。每个桶内包含相同数量的样本,将每个桶用一个标签或代表该桶的值进行离散化。
在本实施例中,通过采用轻量梯度提升算法和节点优先生长策略,能够更高效地构建树模型,减少计算复杂度,提高模型的训练速度,通过等频分桶策略进行特征离散化,有助于提高模型的鲁棒性,减少对异常值的敏感性,使模型更好地适应不同的数据分布,通过节点分裂和优化操作,使得树模型能够更好地捕捉数据的非线性关系,提高了模型的预测性能。
在一种可选的实施方式中,
通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值包括:
;
其中,D表示当前节点的数据集,y i 表示样本i的真实标签,y avg 表示当前节点的均值,y split 表示分裂后的节点均值,max split ()表示在所有可能的方式中选择能够最大化损失函数的分裂方式。
S103. 基于所述故障树,以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件,以及以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件,通过多目标优化算法进行综合求解,确定系统调控策略。
在一种可选的实施方式中,
以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件包括:
基于电力系统中燃料成本、人工费用以及系统折旧费用,构建电力系统运行成本;
基于电力系统中维护人员工资、零部件成本构建电力系统的维护成本;
基于电力系统中部件故障后的修复费用以及停机损失构建电力系统的故障成本;
分别为所述运行成本分配第一权重参数、为所述维护成本分配第二权重参数以及为所述故障成本分配第三权重参数,构建所述第一目标函数;
设置与所述第一目标函数对应的第一约束条件包括:所述电力系统处于正常运行状态的概率大于等于预先设定的最小可用性阈值。
其中,第一目标函数如下:
;
其中,表示第一目标函数对应的第一目标值,N表示电力系统中组件的数量,/>、/>、/>分别表示第i个组件的运行成本、维护成本以及故障成本,/>、/>、/>分别表示第一权重参数、第二权重参数、第三权重参数。
示例性地,发电成本可以包括:
燃料成本: 对于火力发电站,燃料成本是主要的成本之一。这包括煤炭、天然气、石油等的成本。
水资源费用: 对于水力发电站,管理水资源的费用可能被计算在内。
核燃料成本: 对于核电站,核燃料的采购和处理费用。
可再生能源补贴: 对于太阳能、风能等可再生能源发电站,可能包括政府的补贴费用。
运维与维护成本可以包括:
人工费用: 包括操作员、维修人员、管理人员的工资和培训成本。
维修材料和备件: 购买和替换设备所需的零部件和备件的费用。
设备维护费用: 定期的设备检查、保养和维修所需的费用。
设备更新和升级: 对老化设备的更新和升级,以提高效率和可靠性。
在一种可选的实施方式中,
以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件包括:
确定所述电力系统中各个组件的处于正常运行状态的第一概率、各个组件两次连续故障之间的第一时间间隔以及各个组件从故障发生到修复完成的第二时间间隔;
将所述第一概率进行汇总,并且为汇总后概率分配转换系数,将所述汇总后概率转换为正常运行时间,分别为所述正常运行时间分配第一时间权重、为所述第一时间间隔分配第二时间权重以及为所述第二时间间隔分配第三时间权重,构建所述第二目标函数;
设置与所述第二目标函数对应的第二约束条件包括所述电力系统中各个组件的处于正常运行状态的概率大于等于预设目标可用性阈值。
示例性地,构建所述第二目标函数如下公式所示:
);
其中,表示第二目标函数对应的第二目标值,/>表示第一时间权重,CH表示转换系数,/>表示汇总后概率,/>表示第二时间权重,/>表示第一时间间隔,/>表示第二时间权重,/>表示第二时间间隔。
设置与所述第二目标函数对应的第二约束条件包括所述电力系统中各个组件的处于正常运行状态的概率大于等于预设目标可用性阈值。
在一种可选的实施方式中,
通过多目标优化算法进行综合求解,确定系统调控策略包括:
将所述第一目标函数对应的第一目标值和所述第二目标函数对应的第二目标值作为初始化种群,并对所述初始化种群进行随机化处理,所述初始化种群包括多个粒子;
根据预设的帕累托约束因子,结合所述第一目标函数和所述第二目标函数确定每个粒子对应的初始适应度值;
基于所述初始适应度值动态设置交叉率和变异率,基于所述交叉率和变异率对所述初始化种群中粒子进行交叉和变异操作,将交叉和变异操作后粒子的适应度值作为非支配解,进行帕累托排序,并确定每个粒子的拥挤度;
依次迭代计算粒子的拥挤度,并且每次将拥挤度最高的粒子替换掉拥挤度最低的粒子,直至所有的粒子均被遍历,完成对粒子的更新,将更新后粒子中拥挤度最高的粒子作为目标粒子,确定系统调控策略。
示例性地,帕累托约束因子是一种调整粒子适应度值的方法,以平衡多个目标函数,可以帮助引导粒子向着更理想的方向前进,同时考虑目标之间的权衡。
对于每个粒子,计算归一化的目标函数值,将每个目标函数值除以该目标函数在所有粒子中的最大值,以将目标函数值缩放到 [0, 1] 范围内。
对于每个粒子,计算帕累托适应度值,其中考虑了预设的帕累托约束因子,可以使用以下公式:
;
其中,FIT表示适应度值,plt表示预设的帕累托约束因子。
传统算法最佳解的选择对初始种群的最优个体依赖性特别大,因此其个体质量对整体运算方法具有很大的影响,为了缩短迭代收敛速度必须结合其他算法以便改善。该改进方法的操作步骤和流程颇为复杂,需针对种群中所有个体编码汇总,经过上述流程后将最佳解用解码方法进行求解,这个过程实现困难,而且收敛速度慢。
为了解决现有技术中的上述问题,本申请通过动态设置交叉率和变异率,让其在迭代过程中随适应度变化而自适应调整,可增强改进的遗传算法的全局搜索能力,避免陷入局部最优。
可选地,动态设置所述适应度值对应的交叉率和变异率包括:
;
;
其中,表示第h个交叉率,L表示适应度值的数量,/>表示表示第h个种群多样性指标,f std 、f var 分别表示适应度值的标准差和方差,f max 、f min 、f avg 分别表示适应度值的最大值、最小值和平均值;
其中,表示第v个变异率,/>表示变异调整系数,用于用于控制调整的速度和幅度;
对于每个层级中的粒子,计算它们在目标函数空间中的拥挤度。拥挤度表示一个粒子在目标函数空间中的分布密度,即离其他粒子越近,拥挤度越高。对于每个目标函数,对层级中的粒子按照目标函数值进行排序,对于每个粒子,计算其在每个目标函数上的相邻粒子之间的距离之和,作为该粒子的拥挤度。
依次迭代计算粒子的拥挤度,并且每次将拥挤度最高的粒子替换掉拥挤度最低的粒子,直至所有的粒子均被遍历,完成对粒子的更新,将更新后粒子中拥挤度最高的粒子作为目标粒子,确定系统调控策略。
图2为本发明实施例电力系统可靠性控制系统的结构示意图,如图2所示,所述系统包括:
第一单元,用于使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率;
第二单元,用于将各个组件的故障作为事件,并映射到故障树的树节点中,基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值迭代进行节点分裂,构建故障树;
第三单元,用于基于所述故障树,以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件,以及以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件,通过多目标优化算法进行综合求解,确定系统调控策略。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种电力系统可靠性控制方法,其特征在于,包括:
使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率;
将各个组件的故障作为事件,并映射到故障树的树节点中,基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值迭代进行节点分裂,构建故障树;
基于所述故障树,以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件,以及以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件,通过多目标优化算法进行综合求解,确定系统调控策略;
使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算系统正常运行的概率包括:
根据电力系统的实际构成,定义系统中的各个组件,建立组件之间的拓扑结构,即定义它们之间的连接关系;定义系统和组件的状态,使用组件拓扑结构和状态定义,建立状态转移图,描述各个组件状态之间的转移关系;
将系统初始化为正常运行状态,对于每个状态,计算它转移到其他状态的概率;
将所有状态之间的转移概率组成一个状态转移矩阵,利用状态转移矩阵,使用马尔可夫链的方法计算所述电力系统处于正常运行状态的概率,所述电力系统的可用性即为正常运行状态的稳态概率之和;其中,可用性公式表示为:电力系统处于正常运行状态的时间与总时间的比值;
以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件包括:
确定所述电力系统中各个组件的处于正常运行状态的第一概率、各个组件两次连续故障之间的第一时间间隔以及各个组件从故障发生到修复完成的第二时间间隔;
将所述第一概率进行汇总,并且为汇总后概率分配转换系数,将所述汇总后概率转换为正常运行时间,分别为所述正常运行时间分配第一时间权重、为所述第一时间间隔分配第二时间权重以及为所述第二时间间隔分配第三时间权重,构建所述第二目标函数;
设置与所述第二目标函数对应的第二约束条件包括所述电力系统中各个组件的处于正常运行状态的概率大于等于预设目标可用性阈值。
2.根据权利要求1所述的方法,其特征在于,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值包括:
;
其中,D表示当前节点的数据集,y i 表示样本i的真实标签,y avg 表示当前节点的均值,y split 表示分裂后的节点均值,max split ()表示在所有可能的方式中选择能够最大化损失函数的分裂方式。
3.根据权利要求1所述的方法,其特征在于,以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件包括:
基于电力系统中燃料成本、人工费用以及系统折旧费用,构建电力系统运行成本;
基于电力系统中维护人员工资、零部件成本构建电力系统的维护成本;
基于电力系统中部件故障后的修复费用以及停机损失构建电力系统的故障成本;
分别为所述运行成本分配第一权重参数、为所述维护成本分配第二权重参数以及为所述故障成本分配第三权重参数,构建所述第一目标函数;
设置与所述第一目标函数对应的第一约束条件包括所述电力系统处于正常运行状态的概率大于等于预先设定的最小可用性阈值。
4.根据权利要求1所述的方法,其特征在于,通过多目标优化算法进行综合求解,确定系统调控策略包括:
将所述第一目标函数对应的第一目标值和所述第二目标函数对应的第二目标值作为初始化种群,并对所述初始化种群进行随机化处理,所述初始化种群包括多个粒子;
根据预设的帕累托约束因子,结合所述第一目标函数和所述第二目标函数确定每个粒子对应的初始适应度值;
基于所述初始适应度值动态设置交叉率和变异率,基于所述交叉率和变异率对所述初始化种群中粒子进行交叉和变异操作,将交叉和变异操作后粒子的适应度值作为非支配解,进行帕累托排序,并确定每个粒子的拥挤度;
依次迭代计算粒子的拥挤度,并且每次将拥挤度最高的粒子替换掉拥挤度最低的粒子,直至所有的粒子均被遍历,完成对粒子的更新,将更新后粒子中拥挤度最高的粒子作为目标粒子,确定系统调控策略。
5.一种电力系统可靠性控制系统,用于实现前述权利要求1-4中任一项所述的电力系统可靠性控制方法,其特征在于,包括:
第一单元,用于使用系统拓扑和组件连接关系建立电力系统的可用性模型,使用可用性公式,考虑各组件的故障率和维修时间,计算电力系统正常运行的概率;
第二单元,用于将各个组件的故障作为事件,并映射到故障树的树节点中,基于叶节点优先生长策略,通过节点增益函数确定当前叶节点的增益值,选择当前叶节点中拥有最大增益的节点进行分裂,得到最大增益值并根据所述最大增益值迭代进行节点分裂,构建故障树;
第三单元,用于基于所述故障树,以最小化运行成本为第一目标构建第一目标函数,设置与所述第一目标函数对应的第一约束条件,以及以最大化系统可靠性为第二目标构建第二目标函数,设置与所述第二目标函数对应的第二约束条件,通过多目标优化算法进行综合求解,确定系统调控策略。
6.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311435891.9A CN117154727B (zh) | 2023-11-01 | 2023-11-01 | 电力系统可靠性控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311435891.9A CN117154727B (zh) | 2023-11-01 | 2023-11-01 | 电力系统可靠性控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117154727A CN117154727A (zh) | 2023-12-01 |
CN117154727B true CN117154727B (zh) | 2024-01-16 |
Family
ID=88912534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311435891.9A Active CN117154727B (zh) | 2023-11-01 | 2023-11-01 | 电力系统可靠性控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117154727B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955864A (zh) * | 2014-04-14 | 2014-07-30 | 武汉大学 | 基于改进和声搜索算法的电力系统多目标差异化规划方法 |
CN104392072A (zh) * | 2014-12-12 | 2015-03-04 | 北京交通大学 | 一种基于动态故障树的设备集成系统可靠性分析方法 |
CN104538960A (zh) * | 2015-01-08 | 2015-04-22 | 国家电网公司 | 一种基于中高压配电网的故障恢复方法 |
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 |
CN109583601A (zh) * | 2018-11-30 | 2019-04-05 | 天津大学 | 一种配电设备状态检修策略优化方法 |
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 |
CN110518569A (zh) * | 2019-06-12 | 2019-11-29 | 广西电网有限责任公司电力科学研究院 | 一种计及电网运行收益与风险的概率优化调度模型 |
CN111310948A (zh) * | 2020-03-31 | 2020-06-19 | 北京交通大学 | 轨道交通车载信号系统的优化维修策略的获取方法 |
WO2020140564A1 (zh) * | 2019-01-02 | 2020-07-09 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
CN111817345A (zh) * | 2020-07-19 | 2020-10-23 | 国网山西省电力公司电力科学研究院 | 一种含分布式电源配电网严重故障后的重构方法 |
CN112615373A (zh) * | 2020-12-25 | 2021-04-06 | 华北电力大学 | 一种计及信息失效的柔性配电系统分散控制策略优化方法 |
CN115549187A (zh) * | 2022-09-23 | 2022-12-30 | 国网河南省电力公司开封供电公司 | 一种风电并网的稳定性评估方法 |
CN116073381A (zh) * | 2023-03-21 | 2023-05-05 | 国网湖北省电力有限公司武汉供电公司 | 一种考虑配电网可靠性的自动化设备布点决策方法 |
CN116187165A (zh) * | 2022-12-24 | 2023-05-30 | 三峡大学 | 基于改进粒子群算法的电网弹性提升方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103296685B (zh) * | 2013-05-27 | 2015-06-10 | 国家电网公司 | 一种svc补偿策略最优化方法 |
-
2023
- 2023-11-01 CN CN202311435891.9A patent/CN117154727B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955864A (zh) * | 2014-04-14 | 2014-07-30 | 武汉大学 | 基于改进和声搜索算法的电力系统多目标差异化规划方法 |
CN104392072A (zh) * | 2014-12-12 | 2015-03-04 | 北京交通大学 | 一种基于动态故障树的设备集成系统可靠性分析方法 |
CN104538960A (zh) * | 2015-01-08 | 2015-04-22 | 国家电网公司 | 一种基于中高压配电网的故障恢复方法 |
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 |
CN109583601A (zh) * | 2018-11-30 | 2019-04-05 | 天津大学 | 一种配电设备状态检修策略优化方法 |
WO2020140564A1 (zh) * | 2019-01-02 | 2020-07-09 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
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 |
CN110518569A (zh) * | 2019-06-12 | 2019-11-29 | 广西电网有限责任公司电力科学研究院 | 一种计及电网运行收益与风险的概率优化调度模型 |
CN111310948A (zh) * | 2020-03-31 | 2020-06-19 | 北京交通大学 | 轨道交通车载信号系统的优化维修策略的获取方法 |
CN111817345A (zh) * | 2020-07-19 | 2020-10-23 | 国网山西省电力公司电力科学研究院 | 一种含分布式电源配电网严重故障后的重构方法 |
CN112615373A (zh) * | 2020-12-25 | 2021-04-06 | 华北电力大学 | 一种计及信息失效的柔性配电系统分散控制策略优化方法 |
CN115549187A (zh) * | 2022-09-23 | 2022-12-30 | 国网河南省电力公司开封供电公司 | 一种风电并网的稳定性评估方法 |
CN116187165A (zh) * | 2022-12-24 | 2023-05-30 | 三峡大学 | 基于改进粒子群算法的电网弹性提升方法 |
CN116073381A (zh) * | 2023-03-21 | 2023-05-05 | 国网湖北省电力有限公司武汉供电公司 | 一种考虑配电网可靠性的自动化设备布点决策方法 |
Non-Patent Citations (1)
Title |
---|
设备故障诊断最优搜索策略的求解;杨世凤, 付连昆, 陈新宇, 王建新;振动、测试与诊断(第02期);第117-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117154727A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lapa et al. | Maximization of a nuclear system availability through maintenance scheduling optimization using a genetic algorithm | |
Jadidoleslam et al. | Reliability constrained generation expansion planning by a modified shuffled frog leaping algorithm | |
CN105932723B (zh) | 一种交直流混合微电网的网架结构优化规划方法 | |
Peng et al. | Uncertainty management in power system operation | |
Amosedinakaran et al. | Generation expansion planning for a real-world power system: aiming towards cost and environmental emission minimization by penetrating huge renewable energy sources | |
Li et al. | A multi-band uncertainty set robust method for unit commitment with wind power generation | |
CN115564193A (zh) | 智能配电网多维度综合效益评估方法及系统、存储介质 | |
Hailu et al. | Techniques of power system static security assessment and improvement: A literature survey | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
Kang et al. | Optimal planning of hybrid energy storage systems using curtailed renewable energy through deep reinforcement learning | |
Yang et al. | Review on vulnerability analysis of power distribution network | |
Abedi et al. | Risk-constrained unit commitment of power system incorporating PV and wind farms | |
CN115906601A (zh) | 电力管理系统的优化方法及装置 | |
CN117154727B (zh) | 电力系统可靠性控制方法及系统 | |
Singh et al. | A comprehensive review of reliability assessment methodologies for grid‐connected photovoltaic systems | |
CN115840794A (zh) | 一种基于gis和rl模型的光伏系统规划方法 | |
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 | |
EP4016780A1 (en) | Power grid resource allocation | |
Dong et al. | Deep reinforcement learning based preventive maintenance for wind turbines | |
Ceseña et al. | Distribution network capacity support from flexible smart multi-energy districts | |
Gao et al. | A review of different methodologies for solving the problem of wind power's fluctuation | |
WO2021219656A1 (en) | Power grid resource allocation | |
Zambelli et al. | Model predictive control applied to the long-term hydrothermal scheduling of the brazilian power system | |
Ghaffari et al. | Optimal economic load dispatch based on wind energy and risk constrains through an intelligent algorithm | |
CN117175639B (zh) | 与储能单元协调配套的配电自动化方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |