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

提出了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。RMPSO中,粒子除受个体极值点和全局极值点影响外,还受组织极值点的影响。在寻优过程中,以适应度方差大小衡量粒子群体的"聚集"情况,对发生"聚集"的组织对应的组织极值点赋予变异操作,用以克服粒子群优化算法(PSO)的早熟现象。在该文提出的站址选择计算模型中,不仅考虑线路投资和网络运行费用对站址选择的影响,而且还考虑了地理信息对建站投资费用的影响,在模型上体现了变电站选址定容是地理信息和电气信息两者共同作用的结果。通过某开发新区规划实例验证了该文所提模型和方法正确性和有效性,其规划结果科学、可行。     

微分进化算法在变电站选址中的应用

简要分析了基本微分进化算法和变电站选址问题,将微分进化算法引入变电站站址选择,建立基于微分进化算法的变电站选址的模型。采用DE进行计算,更加简单、有效,更具全局寻优能力,增加了决策的科学性、规范性。     

基于GIS和改进PSO算法的配电网络变电站选址规划

提出了一种改进的PSO算法,用于解决配电网络变电站选址问题。改进PSO算法是将模拟退火思想和变异算子引入粒子群算法中,在计算初期保证群体的多样性,后期增强了算法的寻优精度。在变电站计算模型中,首次将地理信息作为元数据权重因子引入到选址模型中。通过实例分析,给配电网规划建设提供了参考。     

基于混合遗传算法的变电站选址定容

针对变电站优化规划这种大规模组合优化问题,提出了一种结合遗传算法与交替定位分配算法的混合遗传算法(GA-LA).该算法采用新型的三维编码策略,同时包含新建站的数量、站址和站容信息,并设计了适用于此新型编码的交叉算子和变异算子,以实现站址、站容的优化.其中,针对站址优化子问题,GA-LA算法将交替定位分配算法与遗传算法结合,在标准GA算子之后增加了一个LA算子,由GA算子进行种群中的全局广度搜索,LA算子进行染色体中的站址局部深度搜索,可实现无待选站址的自动寻优.算例结果表明,该方法具有较好的站址站容寻优能力和收敛性能,能满足实际电网中大规模变电站规划的需求.     

基于启发式蚁群算法的中压配电网络规划方法研究

结合数据库技术,根据城市中压配电网络规划问题的具体特征,对基本蚁群算法中的信息素更新及其寻优方式进行了改进,对基于启发式蚁群算法的中压配电网络规划方法进行了研究。在变电站位置、供电区域及负荷分布已知情况下,利用街道长度和负荷量的信息素和启发信息,选取蚂蚁待选前进街道,确定配电网络的局部优化方案,实现了以区域街道为配电网络走廊的“辐射型”网络优化规划。算例表明该方法能够在保证计算速度的前提下,有效地规划出符合规划要求的方案。方法稳定,规划方案可行。     

基于启发式蚁群算法的中压配电网络规划方法研究

结合数据库技术,根据城市中压配电网络规划问题的具体特征,对基本蚁群算法中的信息素更新及其寻优方式进行了改进,对基于启发式蚁群算法的中压配电网络规划方法进行了研究.在变电站位置、供电区域及负荷分布已知情况下,利用街道长度和负荷量的信息素和启发信息,选取蚂蚁待选前进街道,确定配电网络的局部优化方案,实现了以区域街道为配电网络走廊的"辐射型"网络优化规划.算例表明该方法能够在保证计算速度的前提下,有效地规划出符合规划要求的方案.方法稳定,规划方案可行.     

云理论在配电网络变电站选址定容中的应用

变电站选址与定容优化规划属于大规模组合优化问题,基于云在定性概念描述与定量数值表示之间转换过程中的优良特性,借鉴遗传算法"优胜劣汰,适者生存"的进化思想,提出一种基于云理论的优化算法(cloud theory optimization algorithm,CTOA),并将其应用于电力系统配电网络变电站站址、站容的优化规划研究中。在该算法中,用云的期望代表父代个体的优良特征,用云的熵和超熵控制遗传和变异的程度,用正态云算子完成概念空间到数值空间的转换,产生种群,实现遗传操作。CTOA在定性知识的指导下能实现空间范围的自适应控制搜索,可以有效改善智能优化算法易陷入局部最优解和早熟收敛等问题。最后结合某装备制造基地变电站选址定容实例,分别采用改进自适应遗传算法(improved adaptive genetic algorithm,IAGA)、改进多组织粒子群优化算法(refined multi-team particle swarm optimization algorithm,RMPSO)和CTOA算法对其进行了优化规划研究。结果表明,CTOA在收敛时间,搜索精度性能指标方面优于IAGA、RMPSO算法,且该算法无需编码,操作流程简单,易于实现,能更好的满足配电网络中大规模变电站规划的需求。     

配电变电站多阶段优化规划模型

变电站选址定容优化规划为多变量、非线性的混合整数优化问题,为此,采用动态规划方法建立变电站的多阶段优化规划模型,决定各阶段所投建的变电站数目、容量类型和供电范围。结合专家意见,确定目标年的配电变电站站址、站容,将此规划结果作为之后各阶段变电站规划的候选站址、站容分类依据;运用启发式规则对模型进行降维处理,求解整个规划期间最优的变电站建设方案。算例结果验证了该方法的可行性。     

基于Voronoi图和改进差分进化算法的变电站规划优化

针对电网中的变电站选址定容规划问题,提出了一种基于Voronoi图和改进差分进化算法的变电站规划优化方法。首先构建了变电站年费用最小的规划模型,然后针对模型求解,通过Voronoi图划分变电站的供电范围,并对差分进化算法中的变异算子和交叉算子的动态调整方式进行优化以提高其寻优性能,采用改进后的差分进化算法进行站址寻优。最后通过具体算例验证了所提规划方法的有效性和优越性。     

基于GIS与灰色聚类评估模型的变电站选址

提出了一种基于地理信息系统（GIS）与灰色聚类评估模型的变电站选址新方法,以配电网地理信息系统为基础,运用灰色聚类评估模型对配电网备选站址进行综合评价。首先从GIS数据库中读取备选站址的地理空间属性数据,确定基于送电费用最小的理想站址;然后建立灰色聚类评估模型,模型中采用三角白化权函数确定备选站址所属灰类,采用信息熵理论来确定各指标的权重。该选址方法综合考虑了影响变电站选址的相关因素,工程实践表明,该方法提高了配电网变电站选址综合决策水平。     

考虑分布式电源的变电站优化规划

在满足一定负荷需求的前提下,以规划区已有分布式电源的类型、容量和位置及变电站的带负荷能力为约束条件,计及配变、馈线等建设费用及包含供电损耗等的运行费用,同时考虑土地类型等地理信息因素对建站费用和位置的影响,建立了一种考虑分布式电源和地理信息因素影响的变电站综合优化规划模型。通过区间层次分析法求出不同类型地块地理信息因素对建站费用的影响因子;通过量子粒子群算法对所建规划模型进行寻优。通过对某规划新区的实证研究,验证了所提模型和算法的科学性和有效性。     

基于差分粒子群算法的变电站选址定容规划

针对标准粒子群算法(particle swarm optimization,PSO)易陷入局部最优,差分进化算法(differential evolution,DE)后期收敛速度慢的缺点,提出差分粒子群算法(differential particle swarm optimization,DEPSO)将二者进行混合优化,提高群体的收敛速度和全局寻优能力,并应用于配电网变电站规划。在变电站选址数学模型中结合Voronoi图来确定变电站供电范围和规划容量,继而校验变电站实际负载率,简化计算过程,提高搜索效率。通过某市城区远期规划实例验证得知该算法正确有效,可以满足城区配电网的规划要求。     

区域层次化保护系统研究与设计

利用变电站采样信息,提出了一种实现区域层次化继电保护的方式。系统主要由通信网络组成、变电站层,区域保护层。通信系统将就地信息传送至区域保护,实现区域信息共享。在获取变电站层的全景信息后,区域保护系统根据电力系统运行方式、拓扑结构与各供配电线路的故障类型与负荷发生变化,和就地保护进行配合,利用区域信息进行故障定位,实现了面向系统的保护。     

全维度智能变电站设备状态监测关键技术研究

近年来,在电网的节能化和智能化过程中应用大量的物联网(IoT)设备,解决了因变电站设备繁多而引起的信息孤立、难共享、难整合等问题。将物联网技术引入到变电站设备状态监测中,提出了变电站设备IoT全维度体系架构和变电站设备无线监测网络拓扑方案。在GSO算法基础之上,优化算法对信息模型进行扩展,建立可以承担海量数据的变电站设备状态监测全维度信息模型,并设计了变电站设备监测网络结构。针对不同节点系统进行综合仿真研究,结果表明,该算法有效降低了变电站功率损耗,改善了电压分布,为智能变电站建立全维度设备状态监测系统提供参考。     

基于无线传感网的变电站人员定位跟踪系统

为了加强对变电站工作人员的监督,设计了基于无线传感器网络技术的变电站人员定位跟踪系统。该系统通过微波感应模块对危险区域进行布防,采用区域重叠定位算法进行人员定位跟踪,对非法人员进行声光告警,利用WSN通信节点进行数据传输,通过后台监控中心显示相关信息,有利于对相关人员进行实时、有效的监控,确保变电站作业的安全性与规范性。     

基于粒子群优化的加权伏罗诺伊图变电站规划

针对变电站规划问题,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,在变电站数量和容量组合确定的情况下,对变电站的位置和供电范围进行优化。根据变电站及负荷分布的特点,给出全新的权重计算方法,其权重可自适应调整,从而形成基于加权伏罗诺伊图的变电站规划方法。该方法在保证算法收敛的同时,使变电站的位置及供电范围更合理。利用粒子群优化算法的全局搜索特点,实现了基于粒子群优化的加权伏罗诺伊图(particle swarm optimization-weighted voronoi diagram,PSO-WVD)变电站选址及供电范围规划。算例结果表明所提方法无论在变电站站址的确定方面,还是在变电站供电范围的划分方面都比单一方法可靠、合理。     

基于信息年龄的变电站业务无线接入选择算法

为更好满足变电站中大规模设备接入和高可靠低时延业务传输需求,提出了一种适用于变电站业务的多频异构无线通信网络接入选择算法。首先构造了一个异构无线网络覆盖下的变电站场景模型,综合考虑变电站业务对于可靠性和有效性的需求。其次为有效提升接收到信息的新鲜程度,以平均信息年龄（Average Age of Information,AAoI）作为无线网络接入选择的优化目标函数,提出了基于信息年龄的变电站业务接入选择优化问题。最后利用深度Q学习（Deep Q-Learning,DQN）方法求解该问题,以获得最佳的接入选择方案。通过对应用实例与试验数据的分析可以看出,所提出的接入选择优化理论和算法,可以降低业务传输时的平均信息年龄,提升数据的新鲜程度。     

A new algorithm for power distribution system planning

In this paper, an attempt has been made to develop a new algorithm for distribution system planning. The proposed algorithm does not require prior knowledge of candidate substation location and can automatically select location of a substation, the optimal feeder configuration and the optimal sizes of branch conductors while satisfying constraints such as current capacity, voltage drop and heuristic rules. Several algorithms are proposed for distribution systems planning. A generalized algorithm is developed for obtaining the optimal feeder path and the optimal location of substation on minimum loss criterion. Heuristic rules are incorporated in the above algorithm. Another algorithm is for branch conductor optimizations. Modified load flow method is also presented in the paper, which can handle composite load models. The load flow algorithm is used for solving radial distribution networks (RDN) and branch conductor optimization algorithm. The load flow algorithm and branch conductor optimization techniques are used as subroutine in the generalized distribution systems planning algorithm. Through numerical example the validity of proposed method is verified.     

Reactive Power Optimization Using Hybrid CABC-DE Algorithm

Reactive power optimization is closely related to voltage quality and network loss, and it has great significance for the safety, reliability, and economical operation of the power system. Differential evolution (DE) algorithm has been currently applied to reactive power optimization. In order to mitigate the shortcomings of poor local search ability and premature convergence in DE, this paper presents a novel hybrid algorithm–chaotic artificial bee colony differential evolution (CABC-DE) algorithm, which improves the DE algorithm based on artificial bee colony algorithm and ideas of chaotic search. It introduces the observation bees' acceleration operation and the detective bees' chaotic search operation into CABC-DE. The validity of the proposed method is examined using IEEE-14 and IEEE-30 bus system. The experimental results show that CABC-DE algorithm is more effective than regular DE algorithm for reactive power optimization. The algorithm can save the search time greatly and get a better solution for optimization, thus making it suitable for solving reactive power optimization problems.