基于组件式地理信息系统的城市中压配电网多目标规划方案

基于组件式地理信息系统的城市中压配电网多目标规划方案

0城市中压配电网规划的方法问题电力网络是能源系统的重要组成部分。电力网络规划是对能源网络规划的热点和难点。它包括许多问题，如输电站联合规划、电源规划、电网和配电网络的联合优化等。而提高中压配电网规划的技术水平，指导中压配电网建设与改造，提高对用户的供电可靠性，则是当前配电网规划研究的重点。当前城市中压配电网规划中，通常对每座中压配电站设置两路供电路径，形成正常方式下开环运行，故障时通过联络开关转移负荷的两端供电网络，可以明显提高用户的供电可靠性。城市中压配电网规划属于大规模组合优化问题，启发式方法易陷入局部最优，数学优化算法虽然可以得到精确解，但问题规模较大时易出现维数灾问题。近年来现代启发式算法如遗传算法、禁忌搜索算法、蚁群算法等在配电网规划中的应用有了很大进展并体现了良好的效果，其中对遗传算法的研究较为深入：文献比较了几种遗传算法应用于开环配电网络规划的效果；文献将遗传算法应用于城市中压配电网规划，文中对于编码及遗传操作的设计方法值得重视，但以上研究中适应度函数采用多个优化目标统一为经济性量纲并加权相加的形式，量纲的统一及权值的选取缺乏有力的依据，建立多目标规划模型并使用先进的多目标优化方法求解是配电网规划发展的趋势。此外，根据网架结构的特点设计遗传编码及操作、减少或消除不可行解，提高进化效率，是遗传算法应用于配电网规划研究的重要问题，当前这方面的研究还很缺乏。另一方面，城市中压配电网规划中需要有效结合地理信息，提高规划效率及规划结果的实用性。例如利用GIS的坐标系统标示规划区域，辅助动态规划方法进行馈线路径的规划；开发配电网GIS空间数据库辅助配电网规划或利用GIS系统的分析功能协助变电站选址；利用地理信息过滤掉明显不适合的线路，降低配电网络优化问题的求解规模等。但传统的GIS系统与通用开发语言的结合很困难，难以与规划算法深入结合，限制了其在配电网规划中应用的层次，近年来出现的ComGIS平台可以逐渐解决此问题。本文使用ComGIS系统建立规划区域的网络数据集，在此基础上提出了一种适用于两端供电网络规划的多目标遗传算法：将ComGIS平台的网络分析功能嵌入其中用于得到单环最优路径；根据网架结构设计遗传编码及操作。在满足压降、可靠性等约束条件下最小化投资及网络损耗，找到接近多目标优化问题Pareto最优解集的一组解。1网络分析功能所谓组件式GIS，是指基于组件对象平台，以一组具有某种标准通信接口的、允许跨语言应用的组件提供的GIS。GIS组件之间以及GIS组件与其他组件之间可以通过标准的通信接口实现交互。GIS组件和其他组件实现具体功能，由通用可视化开发语言建立相互联系，并建立应用系统的框架。网络数据集和简单的点数据集、线数据集不同，它既包含了网络线对象，也包含了网络节点对象，还包含了两种对象之间的空间拓扑关系。网络分析是在网络模型的基础上进行的一系列分析，如旅行路径分析功能FindTSPPath()：在指定起止节点的条件下，自动生成经过指定节点的最优路径，且返回数据集中包括最优路径的相关参数。本文利用其形成两端供电网络的单环最优路径。2采用多目标规划模型模型城市中压配电网规划需要考虑多个方面的问题，例如投资、网络损耗、供电可靠性、电压降落、线路容量约束等。本文将投资及网络损耗作为规划模型的目标函数，其余几个方面作为模型的约束条件。由于投资及网络损耗的量纲不同，传统的处理方法是将它们统一成为经济性量纲并加权相加。但是一方面权值的选择包含了较多的人为因素，另一方面投资与网损转化为经济费用后在数量上相差很大，较小的网损费用会被投资费用“淹没”，很难体现出网损的优化过程，不利于优化问题求解的客观性。因此，使用多目标规划模型表示城市中压配电网规划问题。目标函数1为最小化配电网总投资，可表示为：式中：zi表示设备投资；s、k、l分别表示变电站、开关站、电缆线路。电缆的长度由旅行路径分析功能的返回值获得，并考虑到不同的电缆截面。目标函数2为最小化网络损耗，可表示为：式中：n为规划方案的单环个数；m为单环的馈线段个数；Pij、Qij、uij、rij分别为第j个环的第i个馈线段的有功功率、无功功率、首端电压、电阻。另外，网络损耗与各环的开断点有关，因此计算网损时需遍历单环各开断点，找到网损最小的开环运行方式。虽然两端供电网络从接线方式上保证了供电可靠性，仍然需要对规划方案进行可靠性校验，校验指标为平均用电有效度ASAI。式中：Ntotal为系统中总用户数；Uj为平均年停运时间；Nj为故障时受影响用户数，与Uj相对应。在规划方案的可靠性评估中，往往将中压配电站作为一个“用户”。此外，还有以下一些约束条件需要满足，如：(1)电压降在允许的范围之内；(2)负荷转移条件下线路所带负荷在线路的热稳定范围之内；(3)变电站或开关站出线仓位数限制等。3多个pareto秩根据以上城市中压配电网多目标规划模型的特点，本文研究极小化多目标优化问题，其一般形式为：minF(x)=[f1(x),f2(x),…,fn(x)]，式中向量目标F(x)中的各个子目标函数都尽可能地极小化，x为设计变量，在可行域X中取值。此问题一般不存在唯一的最优解，而是存在多个满意解的集合，称为Pareto最优解集。定义如下：在设计变量的可行域内X，对于变量x*，当且仅当其他变量x，在不违背约束的条件下满足：对于任意的i,fi(x)≥fi(x*)；且至少存在一个i(i=1,2,…,n)，使得fi(x)>fi(x*)成立，则称变量x*为非支配解，即Pareto最优解，多个Pareto最优解构成Pareto最优解集。传统的多目标优化方法如线性加权法等只能获得特定条件下的某一Pareto解，遗传算法内含的并行性使其拥有同时寻找多个Pareto最优解的潜在能力，也使得多目标遗传算法成为了多目标优化问题求解的有效方法。本文所使用的多目标遗传算法利用基于Pareto秩的个体适应度引导种群向Pareto最优解集的方向进化。在第t代种群中，对个体xi，若有pi(t)个个体支配于它，则称rank(xi,t)=pi(t)为此个体的Pareto秩。可见，个体的Pareto秩越小则表示该个体越优。以图1为例说明个体的Pareto秩及个体适应度的计算。值得指出的是，图1是本文算例中图7的抽象与简化处理，两者的含义相同。假设极小化多目标优化问题的两个优化目标为f1(x)、f2(x)，共有7个解(x1,x2,…,x7)，每个解对应某代种群中的一个个体。可见，x1、x2、x3的Pareto秩为0，称为无支配个体；x4、x5的Pareto秩为1(x1在x4所支配的领域内，x3在x5所支配的领域内)；x6、x7的Pareto秩为2(x3、x5在x6所支配的领域内，x1、x2在x7所支配的领域内)。为了计算每个个体的适应度，将种群的所有个体按照Pareto秩由小到大排列，对于Pareto秩相同的个体，按照首要目标函数的值(假设为目标函数1)由小到大排列，并对所有个体的排列序号赋值，称为个体的“度”，即图1中每个个体括号中的数字。进而定义个体xi的适应度函数f(xi)为：式中：rworst为最差个体的度；ri、rj为个体i,j的度。4适用于城市压割网计划的多目标数据集法4.1采用在线编码方法城市中压配电网可以表示为网络数据模型G=(N,R)；这里N表示节点集；R表示线路集。节点集包括变电站、开关站、配电站、街道的交点；线路集为所有可行的路段。借助ComGIS平台建立规划区域的网络数据集(如图2所示)，用以表示城市中压配电网的网络数据模型，相关的空间数据与属性数据存储于GIS数据库。城市中压配电网走向复杂，若要唯一的表示规划路径，编码中必须包括一些馈线在实际中不经过的点，例如不接入馈线的负荷点、街道的分段点，使得解空间的维数及问题求解的复杂度明显增加。本文使用ComGIS平台的旅行路径分析功能自动形成单环最优路径，指定需要经过的电源点及负荷点，可以自动生成经过它们的最优路径。从而编码中可以只考虑电源点与负荷点，有效规避了上述问题。采用变长度整数编码方法，第t代种群的第k个染色体xkt表示为：式中：xi为染色体的基因，即网络数据集中电源点或负荷点所对应的节点属性表中的SmNodeID值，即“图2”中有标号的点。某染色体(-48203014-4-4226524-4-4111619-4-4132218-4-427717-4)代表了图2所示规划区域的一个规划方案，其中正数表示负荷点，负数表示电源点，两个电源点与中间的负荷点形成一个单环，可见该规划方案包括了5个单环。4.2电源点数量的计算采用随机分组方法对n个负荷点分组，进而形成初始种群，步骤如下：(1)输入各负荷点编号及负荷大小；(2)对应各负荷点产生各自的随机数；(3)对随机数由大到小排序；(4)按照随机数顺序依次取相应负荷点，到达单环容量限值后就成一组，并随机选择合理电源点加入单环的两端；(5)重复(2)～(4)µ次，可得µ个分组方案，即µ个初始解。4.3交叉操作步骤交叉操作施用于某种群的两个父个体，产生两个子个体。根据编码的特点，对顺序交叉方法进行改进。交叉操作的物理意义是各环结构固定情况下(各串内电源节点的位置和序号是不变的)，调整环中所串负荷点顺序。假如两个父个体为：交叉操作步骤如下：(1）根据规划问题的规模选择保持不变的负荷点的个数，假设为6。(2）选择第一个交叉点，假设为第5位，根据1)中确定的保持不变的负荷点个数，得到第二个交叉点。(3）取父个体2，从第二个交叉点开始记录负荷点，到达结尾时再从首端继续记录，直至第二个交叉点结束：(181175161930262027222813172414)。(4）从父个体2的负荷点中去掉父个体1保留部分已有的负荷点(2265241116)，得到(18719302027228131714)，将其顺序复制给父个体1，复制的起点也是从第二个交叉点开始，得到子个体1:(5）同理得到子个体2:4.4变异操作后，把每一个单环作为单一环变异操作施用于随机选择的单个染色体，即为互换随机选择的不重合的两段编码。其物理意义为调整某方案各环的结构，例如环的个数、单环所串负荷点个数、单环的电源点。但是，由于所采用的编码的特点，变异操作后可能出现某些环失去了一端电源或者被清空的情况。例如某染色体为：共包含5个单环，施行变异操作后，即交换括号中的两段编码后，成为：可见，共6个单环，第2个(132218-4)与第6个(22652427717-4)失去了一端电源；第3、5个成为空环(-4-4)。因此需要修补交叉后的染色体：(1)依次取出单环；(2)补齐两端电源；(3)去掉空环；(4)考虑到线路容量约束和供电可靠性的要求，单环负荷点个数是有限制的，因此拆开负荷点过多的单环；(5)重新形成修补后的染色体。4.5中间种群筛选采用按比例选择与精英保存相结合的选择策略。若某个个体xi，其适应度函数为f(xi)，则其被选取的概率表示为：式中：M为种群中个体的个数。并由公式(5)可见P(xi)=f(xi)。多目标优化的每一“进程”结束后，将父代种群(µ个个体)和子代种群(λ个个体)合并为一个“中间种群”，根据公式(7)决定的个体的选择概率，选择前µ个进入下一进程。同时保存每一代的“中间种群”中的Pareto秩为0的个体，形成“精英种群”。4.6“精英个体”数量与所增的数量限制(1）分析每次进化后“精英种群”中Pareto秩为0的个体(称为“精英个体”)的数量，若呈现持续增长趋势，说明很难找到明显更优的个体，且新出现的精英个体为次要目标函数值持续优化的结果，优化过程停止。(2）“精英种群”中个体的数量限制。(3）种群进化代数限制。4.7监测网络群的形成适用于城市中压配电网规划的多目标遗传算法流程如图3所示，具体步骤如下：(1）形成规划区域的网络数据集，得到变电站及配电站节点的编号，并给定变电站容量、配电站所带负荷。(2）给定变电站出线回路数约束、单环容量约束、最大压降约束等。(3）使用随机分组方法对负荷节点分组，对每一组负荷点随机选择两端供电电源，形成两端供电网络的初始种群。(4）调用GomGIS的旅行路径分析功能形成单环最优路径，并由其返回的选择集获得潮流计算所需参数。(5）潮流计算，得到初始种群各个体的投资及网络损耗。(6）对初始种群进行交叉、变异操作，形成子种群，进而形成中间种群及精英种群。(7）选择操作，形成新的父种群，重复（4）～（6）。(8）若满足终止条件，优化过程结束。5各代进化进程中精英种群的数量变化某地块面积约150hm2，规划建设1座变电站，6座开关站，32座配电站。几座配电站成一个环，其两端电源来自变电站或开关站。将各站连接至道路中心线，对道路中心线的线数据集进行拓扑处理，生成网络数据集，使用本文方法优化配电网络。硬件条件：迅驰1.6MHzCPU,512MDDR内存；编译环境：VC++6.0。遗传操作参数为：种群规模50，交叉率0.6，变异率0.4。设定最大进化代数为500代，精英种群中个体数最大为2000个。当种群进化到158代时，精英种群个体超过了2000，耗时约2h。分析各代进化后精英种群中“精英个体”数量的变化，如图4。可见，89代后，精英种群中精英个体的数量持续增长。另外，个体数骤降说明出现了明显较优的个体，如45～57、69～74、88～89、129～132、146～148代，分析这些进化代数新个体的优化方向，判断是哪个方面被优化。(45～57)代中出现的个体对应第310到第444个个体，两个目标函数(投资、网损)的值都有明显降低，优化继续进行；(69～74)代过程中两个目标函