国网晋中市太谷区供电公司 山西 晋中 030800
摘要:随着新能源和负荷的大规模接入,电力系统将面临着更多的不确定性。传统以经济性与安全性为主导的电网规划体系已不能满足现在电网建设的需求,亟需补充和完善。将电力系统脆弱性作为电网安全性与稳定性的延伸引入电网规划,将对规划建设坚强的电网将具有指导和借鉴意义。
关键词:电网脆弱性;多目标;电网规划 引言 脆弱性是近年來智能电网的研究热点之一,电网脆弱性评估主要是对电网安全运行进行主动检测,对存在的隐患提前预防,以协调电网的运行方式,对电网的发展具有非常重要的意义。针对结构脆弱性的研究方法主要有基于复杂网络理论的评估方法及与人工智能相结合的评估方法。脆弱性评估方法如果要应用到电网的优化运行和规划方面,还需要研究从个体层面评价过度到系统层面评价的方法。目前,评价电网整体脆弱性的方法分为2个方向:主流的方向是对所有节点的脆弱性指标进行求和并平均到每个元件从而得出电网整体的平均的脆弱性;另外一部分则在电网脆弱性的均衡度上做相关的研究。合理的电网整体脆弱性评价指标应当包括平均脆弱性和分布均衡度两方面的内容。 1.电网结构脆弱性分析 1.1电网均匀性及其影响因素 1.1.1电网均匀性概念 均匀性是指物质之间一种或多种特性相关的具有相同结构或组成的状态,是物质的一种基本状态属性。达到均匀状态通常能够对事物的发展有一定的积极作用,因此均匀性被广泛的应用到各个系统中进行状态评估。电网结构均匀性指的是网络中的所有元件在实现功率传输功能的方面重要程度的差异。相关的研究表明结构越不均匀的网络,发生连锁故障可能性越高,并指出网络拓扑结构脆弱性来源于其非均匀性。因此可以通过分析电网均匀性来评估网络的脆弱程度。当绝对均匀时,电网中所有元件都具有相同的重要程度,任意一个元件在遭受故障都不会对电网造成严重影响,认为此时的结构脆弱性最低。 1.1.2电网均匀性影响因素 电网的结构均匀性主要受到电源、负荷以及输电线路分布影响。电源分布主要取决于一次能源的地理位置以及对城市环境的影响。负荷的分布由人类生产和生活地区所决定,其大小则取决于当地经济发展水平。输电线路的分布和参数选择取决于当地地理和市政情况,在实际建设中受到可用传输通道等多方面因素的约束。总的来说,电网结构由于各方面客观因素的限制,很难达到均匀状态。尽管电力系统可以通过多种运行调度方式缓解由结构不均匀所带来的负面影响,但效果非常有限,因此可以从规划层面上考虑网架结构的均匀程度,对网架结构进行合理改进降低此类影响。 1.2电气介数 1.2.1电气介数概念 电力系统可以描述为一个复杂网络,将电网简化为拓扑模型,模型中节点代表发电机、负荷和变电站,边代表输电线路。支路电气介数能够表示“发电机-负荷”节点对之间潮流传输对支路的占用情况,量化了支路对电网传输潮流的贡献,电气介数值越大表明该支路在潮流传播中越重要。同时电气介数指越大的支路在退出运行后对系统造成的影响也越严重。 1.2.2电气介数的改进 实际电网中,各个发电机、负荷节点有不同的发电成本和负荷等级,各条支路都有不同的经济特性,电气介数相同的两条支路出现故障时造成的经济损失可能出现很大差别。改进后的电气介数模型综合考虑了支路在传输潮流中的占比和遭受故障后的经济损失严重度,在实际电网中能够更全面的衡量支路的重要程度。 1.3电网结构基尼系数 基尼系数虽然是经济学中的概念,但是本质上是一个均匀度测量指标,因此在其他领域同样适用。文章将基尼系数引入电力系统来衡量电网支路电气介数的均匀性,评估电网结构脆弱性大小:基尼系数越大说明电网结构越脆弱。 2.基于协同进化算法的模型求解 2.1多目标优化问题的处理求解 多目标优化问题的主要难度在于各个目标函数之间通常存在着的对立面,通常不可能是所有目标函数达到最优。在文章的模型中,在降低电网结构性的同时往往会造成投资费用的增大,因此只能尝试求取一个折中的最优解。目前常用的多目标优化求解方法是采用权重系数将多目标函数转化为单目标函数。此类方法易于求解,但是由于权重值大小是根据偏好给定的,结果往往存在主观误差。文章采用协同进化算法与模糊理论结合求解多目标模型,避免了上述方法的不足之处。 2.2协同进化算法 协同进化算法(CEA)是模仿生态系统中各个种群协同进化现象提出的一种具有较优适应能力的优化算法。其基本框架与遗传算法类似,都是通过交叉、变异和选择操作得到最优解。其区别在于:协同进化算法将复杂系统的优化问题分解为多个子系统进行求解,每个子系统对应生态系统中的一个种群,种群内部间进行交叉操作,各个种群通过系统模型协调合作完成进化。CEA相比传统遗传算法具有不易早熟,收敛快等优点。 2.3CEA中的协同操作 CEA中的协同操作时其有别于传统遗传算法的重要之处,下面以3种群介绍协同操作的主要步骤:(1)初始化三个种群A、B、C,选取每个种群的第一条染色体和另一条染色体(随机选取)作为每个种群的代表。(2)每个种群中的所有个体与另外两个种群中的代表采取位置匹配法构造新的个体。(3)对于多目标问题中的每一个目标函数,计算出所有个体的函数值大小。(4)计算所有个体的拥挤度和非支配水平,进行非支配排序,选取前N个个体并分成3个种群进入下一代个体。 2.4 CEA中的遗传操作与遗传算法 类似CEA中的遗传操作包括对新种群个体的选择,交叉和变异。对于所有种群都可以采用二进制锦标赛进行选择。常用的交叉算子有单点交叉、均匀交叉、算术交叉等。变异操作则有多项式变异、差分变异等多种方法。CEA中包含路了各种形式的交叉变异方法,在实际操作中,可以指定或者由算法随机选择。
结语: 基于复杂网络理论,对电力系统进行网络特性研究和电网脆弱性评估,在电网规划问题中引入考虑网络拓扑结构和运行状态的网络性能指标,建立综合考虑电网规划方案经济性、环境影响因素以及电网脆弱性的多目标电网扩展规划模型。采用NSDE算法对该模型进行求解,该算法有机融合了Pareto快速非支配排序原理和DE操作,实现简单、寻优能力较好,为求解多目标电网规划问题提供了一种较好的解决思路。同时也表明,本文所建立的多目标规划模型可以有效提高网络的健壮性和对故障的承受能力,对规划建设坚强的电网将具有一定的借鉴意义。 参考文献: [1]王耀升,张英敏,王畅,漆万碧.基于RBF神经网络的电网脆弱性评估及其趋势估计[J].电测与仪表,2019,56(09):49-55. [2]潘一飞,郭良,张帆,黄珣.基于电网脆弱性的连锁故障预测[A].中国电子信息产业集团有限公司第六研究所,2018:3. [3]杨馥源.智能配电网脆弱性评估及网络重构[D].西安理工大学,2018. [4]王龙.电力系统安全风险与脆弱性分析评估方法[D].华北电力大学(北京),2017.