基于人工智能方法的变电站选址定容规划研究.doc

《基于人工智能方法的变电站选址定容规划研究.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于人工智能方法的变电站选址定容规划研宄摘要：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论文联盟变电站规划是电网规划建设中重要

2、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

3、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

4、；如果考虑的影响因素较多时还可采用综合评判模型。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。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

5、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。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

6、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。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

7、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。遗传算法(GeneticAlgorithm)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

8、，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。粒子群算法(PSO)的应用粒子群算法(PS0)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