1、基于风险评判的电网规划方法探析摘要针对未来配电网规划面临的不确定因素，引入多场景规划技术，通过对未来所预测的不确定性因素的随机组合，得到多个概率性场景。在求解各场景的最优网架时，利用改进蚁群算法全局寻优能力强的特点，依次获得规划方案，并以风险度最小为标准确定适应性最强的规划方案。关键词风险评判，电网规划，蚁群算法 中图分类号： G322 文献标识码： A 文章编号： 1 引言 随着电网规模不断扩大及电力市场竞争加剧，网架规划出现了许多新的不确定因素，因而考虑不确定因素的柔性规划方法成为了目前研究的一个热点。 本文主要针对未来电网预测负荷和电价等多种因素的不确定性，建立了一种包含缺电成本的基于风
2、险度评价的配电网灵活规划模型，并将多场景技术引入配电网规划；同时，云模型改进蚁群算法对信息素挥发系数 和信息素强度 Q 实现了动态控制，根据算法进化情况自适应更新支路信息素。通过算例验证，本文所提算法较好地解决了市场环境下电网规划不确定因素和风险问题，使得电网规划更为合理。 2 配电网规划的数学模型 2.1 静态电网规划模型 建立如式 1 所示的目标函数。 (1) 其中，A 为年折算值；Ci 为第 i 条馈线的投资费用年折算值；Di 为第 i 条馈线的年电能损失费用；E 为缺电成本；Uj 为节点电压；Ik 为支路电流，Ikm 为支路 k 导线的载流量。 2.2 多场景技术及场景投资分析 在配电
3、网规划中，每种不确定信息都可能包含有多个可能值，故多种不确定信息的可能值经过随机组合，可能会产生一系列的场景。基于风险评判的电网规划方法就是通过引入多场景规划技术，从而将不确定性因素转变为较易求解的多个确定性场景问题来处理，这大大降低了建模和求解的难度。 对未来规划年进行多场景分析时，需要预先确定以下内容：a.需要考虑的不确定因素的类型和数量；b.每种不确定因素共存在多少种可能值；c.每种可能值发生的概率。若共考虑 n 种不确定因素，则存在以下关系： (2) 其中，mi 为第 i 种因素存在的可能值的数量；M 为 n 种不确定因素的可能值区间经过随机组合后产生的场景数。 定义多场景区间随机概率
4、 。 其中，ik(l) 为场景 j 下第 i 种不确定性因素中 mi 种可能值中的第 k(l) (l=1,2,.,m)种可能值发生的概率值。多场景区间随机概率j 满足。 本文假设在第 i 种随机概率场景下进行规划，其所得方案的投资费用称为初始投资 Z，其中包括建设费用、运行费用和缺电费用。当未来场景发生改变时，实际费用会因为方案之间的过渡造成上述费用的增减而改变，该变化量称作补偿投资 Z，则实际费用即为初始投资费用与补偿投资费用之和。 2.3 考虑风险度评估的电网灵活规划模型 如式 3 所示，网架风险度 被定义为：某个场景区间的最不利情况下的网架规划初始投资和扩展到其他各个场景区间的最不利情况
5、所需的补偿投资的期望值之和与多场景中最大总投资的比值。 (j=1,2,.,M)(3) 其中，j 为场景 j 下的风险度。 考虑风险度评估的配电网规划的目标就是使网架风险度最小，即 (j=1,2,.,M) (4) 3 改进蚁群算法 信息素挥发系数 和信息素强度 Q 是蚁群算法的两个重要参数。信息素挥发系数 过大时不利于信息素的积累，而 过小时则易于陷入局部最优解。与此类似，信息素强度 Q 过大时会使算法陷入局部最优解，而过小时又会使算法效率降低。传统蚁群算法将信息素挥发系数 和信息素强度 Q 看作是一个确定的值，如果其赋值不当，则很难获得令人满意的结果。而本文采用的改进蚁群算法通过语言形式的定性
6、描述实现了对 和 Q 的动态控制，相比传统蚁群算法的定量控制，改进算法中的 和 Q 值可以随着算法的实际情况进行不断调整，与实际情况更相符。同时，由于定性控制可以用基于双重不确定控制规则推理来实现，而云模型能综合考虑模糊与随机双重不确定性， 所以本文通过采用基于云模型的关联规则推理来对蚁群算法中的 和 Q 进行动态控制。 定性关联规则为：(1)如果连续地没有找到更加优异的解，则选取较大的 和较小的 Q 来加强算法搜索的随机性，以跳出局部最优解；(2)如果出现更好的最优解，则选取较小的 和较大的 Q，以提高算法的搜索效率。 4 算例 如图 1 所示，本文通过一个具有 33 条馈线的配电网仿真算例
7、进行测试。本例中，节点 1 为电源点，现有的馈线用实线表述，可能待架馈线则用虚线表示。导线型号为 LGJ-185/25。 系统最大负荷损耗小时数为 3000 h，贴现率为 7%，设备经济使用年限为 30a。 单位长度线路的故障率为 0.05 次/(akm)，故障时间为 5 h/次。 图 1 初始网架结构 在本算例中，主要考虑的不确定因素有两种：负荷和电价。根据负荷预测，算例中网架总的负荷变化区间为0.70,1.30L、1.30,1.45L、1.45,1.55L。其中，负荷预测的均值 L 如表 1 所示；各区间所对应的概率分别为 0.7、0.2 和 0.1。假定各个负荷是同比例变化，单位电价变化
8、区间为0.45,0.50 (元/(kWh)和0.50,0.55(元/(kWh)，其区间概率均为 0.5。网络参数如表 2 所示。本算例可以构成 6 个场景区间。场景概率 j 则如表 3 所示。 表 1 负荷需求均值 表 2 网络参数 云模型改进蚁群算法通过对 和 Q 的动态控制实现了对支路信息素的自适应更新。 图 2 为采用本文所述方法对算例进行规划后得到的结果。规划数据见表 3 所示。 表 3 各场景的初始投资和补偿投资 图 2 规划结果 表 4 为 6 种场景的风险度计算结果。显而易见，场景 1、2 的风险度最小。但考虑到场景 1 下的初始投资与补偿投资之和比场景 2 略小，故确定场景 1
9、 规划得到的网架为最优规划方案。 表 4 各场景的风险度 5 结束语 相对于传统规划方法，基于风险度评价的配电网灵活规划方法既考虑了投资费用，又考虑了方案对未来可能出现的环境的适应性，表现出了更强的灵活性和适用性。 参考文献 1刘铠滢,蔡述涛,张尧.基于风险评判的电网规划方法J.中国电机工程学报,2007, 27(22) :69-73 2武鹏,程浩忠,邢浩等.基于可信性理论的输电网规划J.电力系统自动化，2009, 33(12) : 22-26 3张可虎,田建伟,徐敏杰等.基于可信性理论的电网规划方法J.北京交通大学学报, 2010, 34(5) : 37-42 4孙薇,商伟,牛东晓.改进蚁群优化算法在配电网网架规划中的应用J.电网技术, 2006, 30(15): 85-89 5王天华,王平洋,范明天.用演化算法求解多阶段配电网规划问题J.中国电机工程学报, 2000, 20(3): 34-38
