基于供电可靠性的配电网规划

来源：核心期刊咨询网时间：12

摘要：摘要：随着城市建设不断推进，配电线路逐渐规模化和集群化，针对城市配电网线路输送通道紧张等问题，为保障供电可靠性为目标，着重研究配电网的规划方法。首先介绍计算配电网主干线可靠性方法，在一定假设条件下从平均故障时间和故障率、电量损失期望计算可靠性指标;其

　　摘要：随着城市建设不断推进，配电线路逐渐规模化和集群化，针对城市配电网线路输送通道紧张等问题，为保障供电可靠性为目标，着重研究配电网的规划方法。首先介绍计算配电网主干线可靠性方法，在一定假设条件下从平均故障时间和故障率、电量损失期望计算可靠性指标;其次，建立配电网可靠性规划的数学模型，对辐射型配电网进行潮流计算，以年综合费用最低为目标规划变电站与负荷点之间的连线，最后改进离散二进制粒子群算法，给出求解方案。

　　关键词：配网规划;可靠性;离散二进制;粒子群算法

　　引言

　　随着城市化进程的加快，城市中的配电线路也渐渐呈现出规模化和集群化的特点，与此同时，配电线路电能输送的重载和能耗问题逐渐受到重视。增加电网电源点是解决这种问题的关键[1]。电网在规划阶段需要解决的问题是在满足需求指标的前提下减少投入并增加电网可靠性。如何以可靠性指标为参考，对规划中中压分支线部分实现整体规划是当前重点研究课题之一。

　　本文在中压主干线可靠性评估基础上，建立了基于供电可靠性的配电网规划数学模型，通过改进离散制粒子群算法给出了求解思路，为配网规划提供了理论支撑。

　　1中压主干线可靠性评估基础

　　1.1中压主干线可靠性指标

　　1)用故障率λMV来表示中压主干线在1年时间内的故障停电次数，单位：次/百km·年。

　　2)中压主干线长度用L1?MV表示，單位：km。

　　3)断路器故障率λd表示其在1年时间内故障的概率，单位：次/年。

　　4)每次完成转移负荷所用时间用tTR表示，单位：h/次。

　　5)设备故障修复时间tMV，单位：h/次。6)ns?MV表示线路上的分段数，单位：段。7)线路负荷P1?MV表示每条线路的负荷的容量，单

　　位：MW。1.2计算条件假设

　　在进行配电网网架结构规划计算时，为了能够更加高效和快速地求解计算，在求解相应可靠性指标时，做出如下几条假设条件。

　　1)变电站作为上一级电网，为配电网供电的可靠性为100%。

　　2)所规划的配电网必然发生的是永久性故障，即故障的发生到完全修复需要消耗一定的时间。

　　3)配电网的运行方式为开环。

　　4)该配电网发生的所有故障都是互不干扰的，当其中1条线路发生故障时，修复该线路所需的修复时间即为该线路的停电时间，其造成其他配电网停电的时间成为该配电网的倒闸操作时间。

　　1.3计算过程

　　1)平均故障时间和故障率分别可以表示为：

　　式中，λMV为主干线路的故障率;L1?MV为主干线路的长度;λD为断路器的故障率;tMV为设备故障修复时间。

　　2)电量损失期望的计算

　　1负荷转移过程中的停电时间为操作时间。其电量损失期望可以表示为：

　　式中，PMVTR为负荷转移量;tTR表示倒闸操作时间。

　　2由于故障维修导致的负荷停电时间为维修时间。其电量损失期望可以表示为：

　　式中，PMVR为维修时间内损失的负荷量;tMV表示故障维修平均时间。

　　3主干线发生故障的电量损失期望可表示为：

　　3)供电可靠性指标计算

　　RS=1?Q/(P×8760×LF%)×100%(5)MVMV1?MV式中，P1?MV表示线路中的经济负荷量;LF%表示年平均负荷系数。

　　2基于供电可靠性的配电网规划数学模型

　　在已知配电网区域内变电站布点、容量以及供电范围的情况下，在此前的负荷点分布和大小、线路优化以及联络线优化的基础上，对变电站与负荷点之间的连线问题进行规划[2]，首先检测规划的结果是否符合可靠性需求，且结果已经收敛到所需结果的最优解。

　　在计算年综合费用时，考虑到由于停电事故造成的经济损失，其目标函数可以表示为：

　　式中，C为故障发生而引起的经济损失。

　　式中，c为单位停电费用，其中包括由于发生故障而导致用户停电的补偿费用。

　　主要约束条件有：1)辐射型网架结构。

　　2)线路容量约束：

　　P≤P(8)

　　ijmax

　　3)电压降范围：

　　?Umin≤?Uij≤?Umax(9)

　　4)潮流方程约束：

　　AP=D(10)

　　3改进粒子群算法

　　粒子群算法(particle swarm optimization，PSO)是一种随机优化搜索最优解的智能优化算法，相比其他算法，粒子群算法能有效避免所得解的局限性，从全部角度对整个算法进行优化，以求得期待的最优解。

　　3.1粒子群算法基本原理

　　PSO算法是基于迭代原理的智能优化算法。与进化算法相比，PSO算法同样需要采用族群式的搜索模式，但PSO算法操作更加简单，对所求目标函数的解空间范围更加精确。

　　在PSO算法的实现过程中，将被观测的分析群体看作为一个基本粒子，忽略其本身所存在的质量、大小和空间性质。每个粒子能且仅能够在自身特定范围内以所规定的不同速度运动，同时它的运动又与上一刻粒子自身的速度和位置以及周围粒子的速度和位置有关，通过一次次的递进演算过程使假定粒子的方向和速度不断趋向于所需要观测的最优解方向，构成了粒子不断寻优的反馈机制[3]。也就是通过粒子和外界环境所给予的交互度，通过一次次递进演算不断将结果逼近所需的全局最优解，并最终实现求解全局最优解。

转载请注明来自：http://www.qikan2017.com/lunwen/lig/22450.html