基于人工智能方法的变电站选址定容规划研究

摘 要:变电站选址定容优化规划是一个多目标、多阶段、非线性、受约束的混合整数规划问题,传统的运筹学方法已不能满足求解的需要,以人工智能技术为主的各种智能优化算法成为解决变电站规划的主流算法。本文对变电站选址定容从规划的技术和经济性划分可靠性和经济性模型,按规划时间分静态和动态规划模型。并对多种算法进行全面的综述,重点分析这些模型和算法存在的问题和不足,并对存在问题和研究进行展望。

关键词:电网规划 变电站选址定容 规划模型 优化算法 综述

中图分类号:TM63文献标识码:A文章编号:1672-3791(2011)11(b)-0112-02

变电站规划是电网规划建设中重要的一环,它直接决定供电范围、网架出线和与上级电网的连结,保障用户的供电可靠性和电能质量。传统的变电站规划主要依赖规划专家的工程经验。近年来,变电站优化规划在电力系统中得到长足的发展。

变电站选址定容优化规划是一个多目标、多阶段、非线性、受约束的混合整数规划问题。从数学角度来说,这是运筹学问题。而传统的运筹学方法,如线性规划法、整数规划法、混合整数规划法虽数学原理严格,但在解决变电站规划问题时常常发生搜索方向错误、迭代发散等问题。当变量增多时,往往陷入“组合爆炸”,这些方法很难得到问题的优化方案。目前,以人工智能技术为基础的各类优化算法逐步成为求解变电站优化规划数学模型的主流算法。

本文综述近年来变电站优化规划的研究成果,述评变电站选址定容的数学模型和各种寻优算法,重点分析模型和算法存在的不足,并对进一步的研究方向和相关问题进行展望。

1 变电站规划数学模型

早期的变电站规划一般作为配电网规划子系统模型出现,所考虑的情形包括有、无给出初始站址、单源站址和多源站址等。变电站规划从经济和技术角度也可以分为以经济性为目标和以可靠性为目标的模型;在处理站址的地理信息(GIS)上可分为单阶段模型(静态)和多阶段(动态)模型;如果考虑的影响因素较多时还可采用综合评判模型。

1.1 以可靠性为目标的规划模型

该模型把负荷抽象为几何意义上的点,按照变电站靠近负荷中心的原则分配负荷,以总体负荷矩最小为目标函数,以功率平衡、变压器容量、供电半径等网络参数限制为约束。早期国内外对模型采用线性规划法、分支定界法等运筹学方法求解,虽然存在理论上的最优解,却因维数过高和计算复杂而难以得到理想的结果。文献[1]提出包含固定和可变费用的运输模型,采用整数分支定界法和最短路径表来求解。

1.2 以最小投资和年运行费用为目标的受约束的静态优化模型

大多数文献采用变电站投资和运行最小费用为目标函数,考虑变电容量、供电半径等约束的静态优化模型。这种模型相对运输模型符合工程经济需要,而且可以利用算法自行站址寻优,无需给出初始站址。缺点是没有考虑实际地理信息,站址选择仅在理论上是最优的,简化了用地限制等重要自然约束条件。

1.3 以最小投资和年运行费用为目标考虑地理信息的多阶段规划模型

第1阶段初始方案的形成,一般按照1.2模型,通过优化算法得到初始的站址。第2阶段根据第1阶段获得的初始站址确定待选方案,为避开如河流、湖泊、街道等不可建站区域,对初始站址进行二次选址。对于候选站址区域,根据定性地理信息,如:用地性质、交通、施工条件、防洪排水、通信干扰、地形地质等,采用层次分析法或模糊理论来确定地理因子的相对重要性,构建评估指标,评价影响选址的关键性因素,综合比较得出站址。

1.4 构建变电站选址的综合评判模型

针对变电站选址定容涉及因素多,决策困难的特点,该模型从经济性和可靠性角度出发,分析影响变电站选址的关键因素,构建评估指标体系,包括:站址土地性质、变电站本体投资、进出线网络架构等,运用模糊理论和层次分析法,对影响站址选择的关键因素进行评价,从而确定合理的变电站站址。这种变电站选址模型和方法常用于已知多个候选站址的场合,通过指标评判,得到优选结果。该方法在权重选择上有一定的主观性。

2 智能优化算法在变电站优化规划中的应用

智能优化算法有良好的鲁棒性、收敛速度快,在变电站选址定容模型求解中得到广泛应用。

2.1 遗传算法(Genetic Algorithm)的应用

遗传算法GA在求解复杂组合优化问题具有强大能力,算法的搜索结果在给出最优解的同时也能给出一批次优解。将遗传算法用于变电站规划问题需要给定候选站址或候选站容,而且存在计算时间较长,解的质量不高等问题。使用GA一般要给定待选站址和给定站容,而且GA收敛速度较慢,局部寻优能力差。基于上述问题,文献[2]提出了一种无需给定站址的交替定位分配算法结合GA的混合遗传算法(GA-LA),LA算子操作更使变电站坐标接近负荷中心,从而提高混合算法的寻优能力,而且LA算子提高了GA的计算速度。

2.2 粒子群算法(PSO)的应用

粒子群算法(PSO)是模拟鸟群觅食行为仿生演化计算方法,本质是利用当前位置和全局极值和个体极值共同指导粒子下一步迭代位置。优点是容易实现、收敛速度快、鲁棒性好,但对复杂搜索问题易早熟收敛、局部寻优能力较差。文献[3]提出一种改进的多组织粒子群优化算法(RMPSO)来解决配电网络变电站选址定容问题。输入站址、规划地块及湖泊,建筑物等数据,判断变电站站址是否在规划地块中;按就近原则把负荷分配到各个变电站。再由变电站所带负荷的大小来确定其容量。由变电站的容量、位置以及地理信息等因素(地块面积、用地性质、交通状况、施工条件、地质地形等),寻找变电站站址的最优位置。文献[4]模型不仅包含了以往的变电站选址的可量化因素,还将地理信息作为惩罚因子融合入模型,并以改进粒子群算法寻优求解。以基本的PSO和改进的PSO分别进行单源选址和多源选址,算例表明改进PSO算法降低了寻优复杂度,使选址结果科学合理。

2.3 微分进化算法(DE)的应用

微分进化算法(DE)1995年由Rainer Storn和Kenneth Price首先提出,是一种新型的启发式进化算法。与遗传算法比,具有进化速度快和使用方便的特点;但是存在二进制编码困难,参数设置没有统一的选择方法等不足。可以先给出随机初始化站址(DE中的个体),再根据地理信息对站址的可行性进行规范,最后用外点法构建适应度函数,将状态变量约束以罚函数计入目标函数中,通过变异、交叉后确定站址和容量。与PSO算法相比,DE算法可避免早熟,当问题规模较大时,全局寻优能力更好。如果应用惯性加权系数策略的微分进化改进算法,相比传统的DE算法,计算速度更快,但是惯性加权系数每次需根据实际函数调整,过程繁琐。

2.4 智能算法结合伏罗诺伊图(Voronoi)的应用

Voronoi图也叫泰森多边形,是俄国数学家G.Voronoi在1908年最早提出的。在地理信息的几何分析上具有独特的优势。单一的伏罗诺伊图方法对初值具有一定的敏感性。可以利用计算几何Voronoi图来解决变电站规划问题,但是该方法是在假设负荷均匀分布、新增变电站的容量和台数一定的前提下提出的,没有考虑供电范围与变电站负载率的合理性,只解决了变电站优化规划的一个子问题。文献[5]充分利用V图的特性并结合变电站站址的选取原则来指导新建站址的选择。将V图应用于负荷均匀分布和非均匀分布两种情况,以现有变电站为基础,选择新建站址。并对负荷非均匀分布下新建站址选择的交替迭代方法进行了实例仿真。但是该文献没有限定变电站容量范围,优化所得变电站容量可能超出备选容量,造成规划结果不合理。文献[6]根据是否含有已有站,分别给出利用常规Voronoi图法及综合考虑规划区域地形特点、区域面积和负荷分布情况的坐标几何方法产生初始站址,但该方法操作较为复杂,甚至需要大量的人工干预,而且由于采用基于固定站址数的等分圆或等分网格方法,使得产生的初始站址容易偏离负荷中心。文献[7]提出一种基于粒子群优化的加权伏罗诺伊图(weighted Voronoi diagram,WVD)变电站规划方法。利用整数规划的优化技术得到新建站的容量组合,结合改进加权伏罗诺伊图(自适应调整权重)与交替定位分配算法,确定新建变电站的站址及供电范围;以每个粒子的位置作为变电站站址,费用函数作为适应函数,通过粒子群算法优化变电站站址;比较WVD和PSO-WVD投资费用与方案规划结果,说明PSO-WVD比单一算法的优越性。

3 存在的问题及研究展望

以上分析可见,变电站选址定容规划得到广泛的关注和重视,大量研究取得了卓有成效的成果。但变电站选址定容针对动态负荷和地理信息存在规划模型和求解方法的不足、受分布式发电、电压层级变化影响变电站规划等问题,从以下3个方面进行展望。

(1)针对动态负荷和实际区域地理信息,建立变电站多目标多阶段规划滚动规划模型和实用的求解方法研究。传统的变电站选址定容规划一般是根据现时经济、电网状况,预测某规划年的负荷总量及其分布和地理信息进行站址、容量的布点。对实际每年的变电规划需求没有详实的理论模型,易造成变电站个数不足,扩建难的困境,或者过于超前规划失误,一次性投资巨大的问题。

(2)分布式发电引入配电网对变电站选址定容规划影响研究。在国家倡导新能源应用大环境下,分布式发电大量引入配电网,分布式电源的位置和容量影响配电网扩展规划。分布式电源的接入使得配电网络线路投资和损耗降低,主网侧的变电容量需求减少,相应变电站数量和规模缩小,改变了传统的配电网网络规划,有必要考虑分布式电源布点对变电站规划的影响,协调好分布式电源和新建变电站的供应负荷、选址定容的关系,合理取得供电安全和经济性的双优化。

(3)电压层级优化引起变电站规划变化的研究。城市电网沿用的电压层级是220/110(35)/10/0.4kV,电压级差较小,使得变电层级过多,造成变电站布点过密,电能损耗大,使得在土地资源紧张的城市中心区站址选择和出线走廊获取日益困难。遵循“简化电压层级,提升中压等级”原则,20kV已经成为标准电压,丰富了电压等级,规划人员有更多的电压层级序列可供选择。在负荷密度大于30MW/km2的新建开发区或特级城市需升压改造的中心区,220/20/0.4kV供电已有多个示范工程。220kV变电站深入负荷中心,忽略了110kV变电站的规划建设,大大减少了站址面积,增强供电能力,但要考虑电网建设过渡和负荷的转供,研究做好以变电站为中心的电压层级优化的电网规划。

4 结语

本文对变电站选址定容的数学模型和相应的智能求解算法进行综述,重点探讨了模型的分类和相关算法在变电站规划应用中存在的问题和不足,从变电站选址定容模型、受分布式发电、电压层级变化影响等问题对未来变电站选址定容研究进行了展望。

参考文献

[1]Thompson G L,Wall D L．A branch and bound model for choosing optimal substation locations．IEEE Transactions on Power Apparatus and Systems,1981,100(5):2683～2687.

[2]王成山,刘涛,谢莹华.基于混合遗传算法的变电站选址定容[J].电力系统自动化,2006,30(6):30～34.

[3]刘自发,张建华.基于改进多组织粒子群体优化算法的配电网络变电站选址定容[J].中国电机工程学报,2007,27(1):105～111.

[4]董永峰,杨彦卿,宋洁,等.基于改进粒子群算法的变电站选址规划[J].继电器,2008,36(5):32～35.

[5]关洪浩,唐巍.基于Voronoi图的变电站选址方法[J].电力系统保护与控制,2010,38(20):196～200.

[6]葛少云,李慧,刘洪.基于加权Voronoi 图的变电站优化规划[J].电力系统自动化,2007,31(3):29～34.

[7]路志英,葛少云,王成山.基于粒子群优化的加权伏罗诺伊图变电站规划[J].中国电机工程学报,2009,29(16):35～40.

推荐访问:变电站 人工智能 选址 规划 方法

---