CN109728593A - 直流输电***可靠性最优分解方法、装置、设备及介质 - Google Patents
直流输电***可靠性最优分解方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109728593A CN109728593A CN201811547747.3A CN201811547747A CN109728593A CN 109728593 A CN109728593 A CN 109728593A CN 201811547747 A CN201811547747 A CN 201811547747A CN 109728593 A CN109728593 A CN 109728593A
- Authority
- CN
- China
- Prior art keywords
- reliability
- dependability parameter
- index
- optimal decomposition
- transmission system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 100
- 239000013598 vector Substances 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 8
- CGFFKDRVHZIQHL-UHFFFAOYSA-N 1-but-3-en-2-yl-3-(methylcarbamothioylamino)thiourea Chemical compound CNC(=S)NNC(=S)NC(C)C=C CGFFKDRVHZIQHL-UHFFFAOYSA-N 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种直流输电***可靠性最优分解方法，包括获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。基于***可靠性随元件可靠性单调变化的变化规律，提出混合多端直流输电***可靠性最优分解的二分法求解算法。在给定***可靠性指标的前提下，采用二分法对混合多端直流输电***实现电力***可靠性的最优分解，对其可靠性进行分配，达到全局最优，以实现元件可靠性参数的合理选择。
Description
技术领域
本发明涉及直流输电***可靠性优化领域，尤其涉及直流输电***可靠性最优分解方法、装置、设备及介质。
背景技术
我国资源分布极不平衡的现状推动了直流输电技术的蓬勃发展，高压直流输电***在我国电网的建设中占据了越来越重要的地位。同时，随着西部电力资源的开发，送电距离的增长，送电容量的增大，对于送电的可靠性要求也越来越高。直流输电***的传输容量大，结构及运行条件复杂导致其造价较高。因此，改善其可靠性带来的收益也是巨大的。
由于我国能源资源主要在西部，负荷需求主要在东部的特点，我国远距离大容量直流输电工程都存在潮流方向单一这一明显的特征，工程设计时就不用考虑潮流反向问题。对于这样的直流输电工程，相对于使用常规直流输电与柔性直流输电，混合直流输电***能充分发挥两者各自的优势，能带来更大的经济技术效益。因此，改善混合多端直流输电***的可靠性，是一项十分重要的工作。
目前在已有研究中对电力***可靠性最优分解的问题鲜有考虑，针对混合多端直流输电***的可靠性最优分解的技术更为少见。
发明内容
针对上述问题，本发明的目的在于提供一种直流输电***可靠性最优分解方法，能根据***所需到达的可靠性指标和各个元件必须满足的可靠性参数上下限来确定各个元件的可靠性参数的结果，目的是选出各个元件合适的可靠性参数结果，以满足给定的***可靠性要求。
第一方面，本发明提供了一种直流输电***可靠性最优分解方法，包括：
获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；
获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；
根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。
在第一方面的第一种可能实现方式中，所述获取可靠性最优分解模型；其中，所述可靠性最优分解别模型包括目标函数和约束条件包括：
目标函数：Min|Rs-RG|；
约束条件：Aimin≤Ai≤Aimax；其中，Rs为***可靠性评估指标，RG为预定的可靠性指标，Aimin为所述可靠性参数的下限，Ai为第i个元件的所述可靠性参数，Aimax为所述可靠性参数的上限。
结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，所述根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采样二分法得到最优的可靠性参数包括：
根据所述可靠性参数向量获取得到可靠性评估指标；
根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到更新后的可靠性参数；
在所述更新后的可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型满足所述预设的收敛精度时，输出所述更新后的可靠性参数。
结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述根据所述可靠性参数向量获取得到可靠性评估指标包括:
依次枚举不同数量不同类型的线路故障，根据所述可靠性参数向量得到每种故障对应的概率和频率指标，叠加所述概率和所述频率指标得到所述可靠性评估指标。
结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，所述根据所述可靠性参数向量获取得到可靠性评估指标还包括：
根据所述可靠性参数的最小值和最大值分别获取得到可靠性评估指标的最小值和最大值；
则所述根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到的更新后的可靠性参数包括：迭代次数K＝0，则当前的所述可靠性评估指标Ak＝Amin；其中，迭代次数的最大值等于所述可靠性参数向量的参数个数；
在当前的所述可靠性评估指标小于所述预定可靠性指标时，则Amin＝Ak，RSmax＝RS，k，
在当前的所述可靠性评估指标大于所述预定可靠性指标时，则Amax＝Ak，RSmin＝RS，k，其中，Amin为所述可靠性参数的最小值，Ak为当前的所述可靠性参数，RSmax为所述可靠性评估指标的最大值，RS，k为当前的所述可靠性评估指标，Amax为述可靠性参数的最大值，RSmin为所述可靠性评估指标的最大值，Ak+1为更新后的可靠性参数。
结合第一方面的第四种可能实现方式，在第一方面的第五种可能实现方式中，在所述新可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型不满足所述预设的收敛精度时，令k＝k+1，执行步骤根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到所述更新后的可靠性参数。
结合第一方面的第五种可能实现方式，在第一方面的第六种可能实现方式中，所述在所述新可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型满足所述预设的收敛精度时还包括：
输出所述更新后的可靠性参数对应的可靠性指标以及迭代次数。
第二方面，本发明还提供了一种直流输电***可靠性最优分解装置，包括：
模型获取模块，用于获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；
参数向量获取模块，用于获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；
最优参数获取模块，用于根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。
第三方面，本发明实施例还提供了一种直流输电***可靠性最优分解设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一一项所述的直流输电***可靠性最优分解方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的直流输电***可靠性最优分解方法。
上述技术方案的一个技术方案具有如下优点：获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。基于***可靠性随元件可靠性单调变化的变化规律，提出混合多端直流输电***可靠性最优分解的二分法求解算法。在给定***可靠性指标的前提下，采用二分法对混合多端直流输电***实现电力***可靠性的最优分解，对其可靠性进行分配，达到全局最优，以实现元件可靠性参数的合理选择。
附图说明
图1是本发明第一实施例提供的直流输电***可靠性最优分解设备的示意图；
图2是本发明第二实施例提供的直流输电***可靠性最优分解方法流程示意图；
图3是本发明第二实施例提供的直流输电***接线结构示意图；
图4是本发明第二实施例提供的直流输电***可靠性最优分解方法迭代次数示意图；
图5是本发明第三实施例提供的一种直流输电***可靠性最优分解装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
所属技术领域的技术人员知道，本发明可以实现为设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“***”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种虚拟机，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
实施例一
请参见图1，图1是本发明实施例一提供的直流输电***可靠性最优分解设备的示意图；于执行本发明实施例提供的直流输电***可靠性最优分解方法，如图1所示，该直流输电***可靠性最优分解设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi－Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non－volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：
操作***151，包含各种***程序，用于实现各种基础业务以及处理基于硬件的任务；
程序152。
具体地，处理器11用于调用存储器15中存储的程序152，执行本发明实施例所述的直流输电***可靠性最优分解方法。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述直流输电***可靠性最优分解方法的控制中心，利用各种接口和线路连接整个所述直流输电***可靠性最优分解方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现直流输电***可靠性最优分解的电子装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述直流输电***可靠性最优分解集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现本发明各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read－OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
下面将参照附图来描述根据本发明实施例的直流输电***可靠性最优分解的方法。
实施例二
参见图2，图2是本发明实施例二提供的一种直流输电***可靠性最优分解的方法流程示意图，包括：
S11、获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；
S12、获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；
S13、根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。
优选地，所述获取可靠性最优分解模型；其中，所述可靠性最优分解别模型包括目标函数和约束条件包括：
目标函数：Min|Rs-RG|；
约束条件：Aimin≤Ai≤Aimax；其中，Rs为***可靠性评估指标，RG为预定的可靠性指标，Aimin为所述可靠性参数的下限，Ai为第i个元件的所述可靠性参数，Aimax为所述可靠性参数的上限。
优选地，所述根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采样二分法得到最优的可靠性参数包括：
根据所述可靠性参数向量获取得到可靠性评估指标；
根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到更新后的可靠性参数；
在所述更新后的可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型满足所述预设的收敛精度时，输出所述更新后的可靠性参数。
优选地，所述根据所述可靠性参数向量获取得到可靠性评估指标包括：
依次枚举不同数量不同类型的线路故障，根据所述可靠性参数向量得到每种故障对应的概率和频率指标，叠加所述概率和所述频率指标得到所述可靠性评估指标。
具体的，采用频率持续时间法建立各端中各元件的状态空间图并获得相应的等效模型，串并联组合得到各端子***的可靠性评估模型。其中所述的频率持续时间法的计算公式为：
fij＝Piλij
其中，μ是修复率，入为故障率，Pi是状态i发生的概率，fi是状态i发生的频率，Pj是状态j发生时进入状态i的概率，λk是故障转移率，λj是修复转移率，Md时离开状态i的转移数，Me是进入状态i的转移数，fij为两状态间的转移频率，λij为状态i向状态j发生转移的转移率。
需要说明的是，在本发明实施例中，根据上述的可靠性评估指标获取方法，输入了直流***评估采样的元件可靠性参数就可以得到了***的可靠性参数。
优选地，所述根据所述可靠性参数向量获取得到可靠性评估指标还包括：
根据所述可靠性参数的最小值和最大值分别获取得到可靠性评估指标的最小值和最大值；
则所述根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到的更新后的可靠性参数包括：迭代次数K＝0，则当前的所述可靠性评估指标Ak＝Amin；其中，迭代次数的最大值等于所述可靠性参数向量的参数个数；
在当前的所述可靠性评估指标小于所述预定可靠性指标时，则Amin＝Ak，RSmax＝RS，k，
在当前的所述可靠性评估指标大于所述预定可靠性指标时，则Amax＝Ak，RSmin＝RS，k，其中，Amin为所述可靠性参数的最小值，Ak为当前的所述可靠性参数，RSmax为所述可靠性评估指标的最大值，RS，k为当前的所述可靠性评估指标，Amax为述可靠性参数的最大值，RSmin为所述可靠性评估指标的最大值，Ak+1为更新后的可靠性参数。
优选地，在所述新可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型不满足所述预设的收敛精度时，令k＝k+1，执行步骤根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到所述更新后的可靠性参数。
优选地，所述在所述新可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型满足所述预设的收敛精度时还包括：
输出所述更新后的可靠性参数对应的可靠性指标以及迭代次数。
在本发明实施例中，先构建了混合直流输电***可靠性最优分解模型，即所述直流输电***可靠性最优分解模型，然后代入各个元件的可靠性参数的最小值与最大值，分别计算得到对应的可靠性指标的最大值与最小值，令迭代次数k＝0，Ak＝Amin，计算RS，k，根据当前的所述可靠性评估指标预所述预定可靠性指标大小比较，分两种情况应用线性插值原理计算Ak+1，以得到更新后的可靠性参数值Ak+1，以Ak+1作为新的元件可靠性参数计算***可靠性指标RS，k+1，在|RS，k+1-RG|≤预设精度ε时，输出满足条件的可靠性参数、所述***可靠性指标以及迭代次数。
需要说明的是本发明实施例中所述的直流输电***包括混合多端直流输电***。
具体的，参见图3，本实例中的混合多端直流输电***采用图中的接线结构。其中送端云南站为常规直流，受端广东站、广西站均为柔性直流，柔性直流站考虑每极双换流器接线，首先构建混合多端直流输电***可靠性最优分解模型如下：
(1)目标函数：Min|RS-RG|
(2)约束条件：Aimin≤Ai≤Aimax
其中Ai表示第i类元件的可用率参数，即所述可靠性参数，设向量A＝(A1，A2，…，An)，则A表示了混合多端直流输电***元件的可用率。RG为给定的***需达到的可靠性指标，本实例中以强迫能量不可用率为例，作为需达到的可靠性目标值；RS为***可靠性的评估指标，其为元件可用率Ai的函数，即RS＝RS(A1，A2，…，An)＝RS(A)。元件可靠性参数区间为[Aimin，Aimax]，用向量表示就是[Amin，Amax]。
下面，参见表1中给出了本实例所采用的混合多端直流输电***柔性直流元件的可用率上下限：
需要说明的是，在本实施例中以各个元件的可用率参数进行说明，本发明对元件的可靠性参数不进行具体限定。
| 元件名称 | 下限 | 上限 |
| 柔性换流变压器 | 0.999523 | 0.999873 |
| 柔性换流器 | 0.999842 | 0.999958 |
| 柔性断路器 | 0.999992 | 0.999998 |
| 柔性相电抗器 | 0.999964 | 0.99999 |
| 柔性平波电抗器 | 0.999981 | 0.999995 |
| 柔性极控 | 0.999999 | 1 |
| 柔性站控 | 0.999999 | 1 |
| 柔性换流器级控制 | 0.999999 | 1 |
| 柔性母线 | 0.999957 | 0.999989 |
| 柔性直流母线 | 0.999957 | 0.999989 |
| 柔性直流输电线 | 0.999705 | 0.999921 |
| 柔性接地开关 | 0.999982 | 0.999995 |
表1
参见表2中给出了本实例所采用的混合多端直流输电***传统直流元件的可用率上下限。
表2
假设给定目标强迫能量不可用率RG＝0.0065，采用二分法进行混合多端直流输电***可靠性的最优分解。以强迫能量不可用率为例作为给定***需达到的可靠性指标目标值，将各元件可用率分别以上、下限代入混合多端直流输电***可靠性评估模型，以计算该***可靠性指标的最大值RSmax，最小值RSmin，给定收敛精度ε＝10-6，令迭代次数k＝0，Ak＝Amin，计算RS，k，然后分两种情况应用线性插值原理计算处理：
(1)若RS，k＞RG，则Amin＝Ak，RSmax＝RS，k，
(2)若RS，k＜RG，则Amax＝Ak，RSmin＝RS，k，
以Ak+1作为新的元件可用率计算***可靠性指标RS，k+1，若|RS，k+1-RG|≤ε，则二分终止，输出满足条件的元件可用率、***可靠性指标及迭代次数，否则返回令k＝k+1，继续二分计算，
表3为本实例所采用的混合多端直流输电***柔性直流元件的可靠性最优分解结果：
| 元件名称 | 计算结果 | 下限 | 上限 |
| 柔性换流变压器 | 0.999662 | 0.999523 | 0.999873 |
| 柔性阀组 | 0.999888 | 0.999842 | 0.999958 |
| 柔性断路器 | 0.999994 | 0.999992 | 0.999998 |
| 柔性相电抗器 | 0.999974 | 0.999964 | 0.99999 |
| 柔性平波电抗器 | 0.999987 | 0.999981 | 0.999995 |
| 柔性极控 | 0.999999 | 0.999999 | 1 |
| 柔性站控 | 0.999999 | 0.999999 | 1 |
| 柔性换流器级控制 | 0.999999 | 0.999999 | 1 |
| 柔性母线 | 0.999970 | 0.999957 | 0.999989 |
| 柔性直流母线 | 0.999970 | 0.999957 | 0.999989 |
| 柔性直流输电线 | 0.999791 | 0.999705 | 0.999921 |
| 柔性接地开关 | 0.999987 | 0.999982 | 0.999995 |
表3
表4为本实例所采用的混合多端直流输电***传统直流元件的可靠性最优分解结果：
| 元件名称 | 计算结果 | 下限 | 上限 |
| 换流变压器 | 0.999662 | 0.999523 | 0.999873 |
| 阀组 | 0.998868 | 0.998403 | 0.999574 |
| 母线 | 0.999970 | 0.999957 | 0.999989 |
| 断路器 | 0.999967 | 0.999954 | 0.999988 |
| 直流输电线路 | 0.999913 | 0.999877 | 0.999967 |
| 直流极母线设备 | 0.999982 | 0.999975 | 0.999993 |
| 接地极线开关 | 0.999987 | 0.999982 | 0.999995 |
| 直流滤波器 | 0.999677 | 0.999545 | 0.999878 |
| 平波电抗器 | 0.999935 | 0.999908 | 0.999975 |
| 极控 | 0.999945 | 0.999922 | 0.999979 |
| 站控 | 0.999999 | 0.999999 | 1 |
| 辅助电源 | 0.999999 | 0.999999 | 1 |
| 交流滤波器A型 | 0.997666 | 0.996709 | 0.99912 |
| 交流滤波器B型 | 0.997997 | 0.997176 | 0.999245 |
| 交流滤波器C型 | 0.996937 | 0.995682 | 0.998845 |
| 交流滤波器D型 | 0.996937 | 0.995682 | 0.998845 |
表4
如图4所示，经过21次的迭代，***的强迫能量不可用率收敛至0.0065附近，为0.00649917，达到了给定的精度10－6。
实施本实施例具有如下有益效果：
获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。基于***可靠性随元件可靠性单调变化的变化规律，提出混合多端直流输电***可靠性最优分解的二分法求解算法。在给定***可靠性指标的前提下，采用二分法对混合多端直流输电***实现电力***可靠性的最优分解，对其可靠性进行分配，达到全局最优，以实现元件可靠性参数的合理选择。
实施例三
参见图5，图5是本发明第三实施例提供的一种直流输电可靠性最优分解装置结构示意图，包括：
模型获取模块31，用于获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；
参数向量获取模块32，用于获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；
最优参数获取模块33，用于根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。
优选地，所述模型获取模块31，其中，所述可靠性最优分解别模型包括目标函数和约束条件包括：
目标函数：Min|Rs-RG|；
约束条件：Aimin≤Ai≤Aimax；其中，Rs为***可靠性评估指标，RG为预定的可靠性指标，Aimin为所述可靠性参数的下限，Ai为第i个元件的所述可靠性参数，Aimax为所述可靠性参数的上限。
优选地，所述最优参数获取模块33包括：
指标获取单元，用于根据所述可靠性参数向量获取得到可靠性评估指标；
可靠性参数获取单元，用于根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到更新后的可靠性参数；
可靠性参数获取单元，用于在所述更新后的可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型满足所述预设的收敛精度时，输出所述更新后的可靠性参数。
优选地，所述指标获取单元包括：
依次枚举不同数量不同类型的线路故障，根据所述可靠性参数向量得到每种故障对应的概率和频率指标，叠加所述概率和所述频率指标得到所述可靠性评估指标。
优选地，可靠性性指标获取模块还包括：
根据所述可靠性参数的最小值和最大值分别获取得到可靠性评估指标的最小值和最大值；
则所述最优参数获取模块33包括：
迭代次数K＝0，则当前的所述可靠性评估指标Ak＝Amin；其中，迭代次数的最大值等于所述可靠性参数向量的参数个数；
在当前的所述可靠性评估指标小于所述预定可靠性指标时，则Amin＝Ak，RSmax＝RS，k，
在当前的所述可靠性评估指标大于所述预定可靠性指标时，则Amax＝Ak，RSmin＝RS，k，其中，Amin为所述可靠性参数的最小值，Ak为当前的所述可靠性参数，RSmax为所述可靠性评估指标的最大值，RS，k为当前的所述可靠性评估指标，Amax为述可靠性参数的最大值，RSmin为所述可靠性评估指标的最大值，Ak+1为更新后的可靠性参数。
优选地，在所述新可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型不满足所述预设的收敛精度时，令k＝k+1，执行步骤根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到所述更新后的可靠性参数。
优选地，所述可靠性参数获取单元还包括：
输出所述更新后的可靠性参数对应的可靠性指标以及迭代次数。
实施本实施例具有如下有益效果：
获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。基于***可靠性随元件可靠性单调变化的变化规律，提出混合多端直流输电***可靠性最优分解的二分法求解算法。在给定***可靠性指标的前提下，采用二分法对混合多端直流输电***实现电力***可靠性的最优分解，对其可靠性进行分配，达到全局最优，以实现元件可靠性参数的合理选择。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，在某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。其次，本领域技术人员也应知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模拟一定是本发明所必须的。
Claims (10)
1.一种直流输电***可靠性最优分解方法，其特征在于，包括：
获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；
获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；
根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。
2.根据权利要求1所述的直流输电***可靠性最优分解方法，其特征在于，所述获取可靠性最优分解模型；其中，所述可靠性最优分解别模型包括目标函数和约束条件包括：
目标函数：Min|Rs-RG|；
约束条件：Aimin≤Ai≤Aimax；其中，Rs为***可靠性评估指标，RG为预定的可靠性指标，Aimin为所述可靠性参数的下限，Ai为第i个元件的所述可靠性参数，Aimax为所述可靠性参数的上限。
3.根据权利要求2所述的直流输电***可靠性最优分解方法，其特征在于，所述根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采样二分法得到最优的可靠性参数包括：
根据所述可靠性参数向量获取得到可靠性评估指标；
根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到更新后的可靠性参数；
在所述更新后的可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型满足所述预设的收敛精度时，输出所述更新后的可靠性参数。
4.根据权利要求3所述的直流输电***可靠性最优分解方法，其特征在于，所述根据所述可靠性参数向量获取得到可靠性评估指标包括:
依次枚举不同数量不同类型的线路故障，根据所述可靠性参数向量得到每种故障对应的概率和频率指标，叠加所述概率和所述频率指标得到所述可靠性评估指标。
5.根据权利要求3所述的直流输电***可靠性最优分解方法，其特征在于，
所述根据所述可靠性参数向量获取得到可靠性评估指标还包括：
根据所述可靠性参数的最小值和最大值分别获取得到可靠性评估指标的最小值和最大值；
则所述根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到的更新后的可靠性参数包括：迭代次数K＝0，则当前的所述可靠性评估指标Ak＝Amin；其中，迭代次数的最大值等于所述可靠性参数向量的参数个数；
在当前的所述可靠性评估指标小于所述预定可靠性指标时，则Amin＝Ak，RSmax＝RS,k，
在当前的所述可靠性评估指标大于所述预定可靠性指标时，则Amax＝Ak，RSmin＝RS,k，其中，Amin为所述可靠性参数的最小值，Ak为当前的所述可靠性参数，RSmax为所述可靠性评估指标的最大值，RS,k为当前的所述可靠性评估指标，Amax为述可靠性参数的最大值，RSmin为所述可靠性评估指标的最大值，Ak+1为更新后的可靠性参数。
6.根据权利要求5所述的直流输电***可靠性最优分解方法，其特征在于，在所述新可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型不满足所述预设的收敛精度时，令k＝k+1，执行步骤根据所述可靠性评估指标与所述预定可靠性指标的大小比较，分别进行线性插值，以得到所述更新后的可靠性参数。
7.根据权利要求3所述的直流输电***可靠性最优分解方法，其特征在于，所述在所述新可靠性参数所对应的可靠性评估指标输入所述可靠性最优分解模型满足所述预设的收敛精度时还包括：
输出所述更新后的可靠性参数对应的可靠性指标以及迭代次数。
8.一种直流输电***可靠性最优分解装置，其特征在于，包括：
模型获取模块，用于获取可靠性最优分解模型；其中，所述可靠性最优分解模型包括目标函数和约束条件；
参数向量获取模块，用于获取所述直流输电***元件的可靠性参数，以得到可靠性参数向量；其中，所述可靠性参数向量包括所述可靠性参数的最小值和最大值；
最优参数获取模块，用于根据所述可靠性参数向量、所述可靠性最优分解模型和预设的收敛精度采用二分法得到最优的可靠性参数。
9.一种直流输电***可靠性最优分解设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的直流输电***可靠性最优分解方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的直流输电***可靠性最优分解方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811515645 | 2018-12-11 | ||
| CN2018115156453 | 2018-12-11 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109728593A true CN109728593A (zh) | 2019-05-07 |
Family
ID=66296161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811547747.3A Pending CN109728593A (zh) | 2018-12-11 | 2018-12-17 | 直流输电***可靠性最优分解方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109728593A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113036799A (zh) * | 2021-03-18 | 2021-06-25 | 南方电网科学研究院有限责任公司 | 一种高压直流输电***可靠性区间评估方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104332996A (zh) * | 2014-11-18 | 2015-02-04 | 国家电网公司 | 一种评估电力***可靠性的方法 |
| CN104682381A (zh) * | 2015-01-26 | 2015-06-03 | 南方电网科学研究院有限责任公司 | 大型风电场柔性直流输电***可靠性计算方法 |
-
2018
- 2018-12-17 CN CN201811547747.3A patent/CN109728593A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104332996A (zh) * | 2014-11-18 | 2015-02-04 | 国家电网公司 | 一种评估电力***可靠性的方法 |
| CN104682381A (zh) * | 2015-01-26 | 2015-06-03 | 南方电网科学研究院有限责任公司 | 大型风电场柔性直流输电***可靠性计算方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李凌飞等: "混合多端特高压直流输电***可靠性评估", 《南方电网技术》 * |
| 胡博等: "HVDC输电***可靠性跟踪方法", 《中国电机工程学报》 * |
| 谢开贵等: "基于二分法的高压直流输电***可靠性最优分解", 《电工技术学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113036799A (zh) * | 2021-03-18 | 2021-06-25 | 南方电网科学研究院有限责任公司 | 一种高压直流输电***可靠性区间评估方法及装置 |
| CN113036799B (zh) * | 2021-03-18 | 2023-02-24 | 南方电网科学研究院有限责任公司 | 一种高压直流输电***可靠性区间评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ganguly et al. | A novel multi-objective PSO for electrical distribution system planning incorporating distributed generation | |
| Li et al. | Real-time energy management in microgrids with reduced battery capacity requirements | |
| US20150346753A1 (en) | Systems and Methods for Convex Relaxations and Linear Approximations for Optimal Power Flow in Multiphase Radial Networks | |
| CN104794541B (zh) | 一种基于模拟退火和锥优化的配电网运行优化方法 | |
| CN111428376A (zh) | 一种基于cim模型的配电网馈线联络方式识别方法及*** | |
| CN103400207A (zh) | 一种含可调度分布式电源的配电网运行优化方法 | |
| Nasir et al. | Dual‐loop control strategy applied to the cluster of multiple nanogrids for rural electrification applications | |
| CN111476440A (zh) | 多区域电力***经济调度方法和装置 | |
| CN107895953A (zh) | 一种自适应网架结构的配网潮流计算方法 | |
| CN108808664A (zh) | 一种考虑电网分区优化运行的城市电网规划方法 | |
| Andreasson et al. | Performance and scalability of voltage controllers in multi-terminal HVDC networks | |
| CN109728593A (zh) | 直流输电***可靠性最优分解方法、装置、设备及介质 | |
| CN109960833B (zh) | 一种直流配电电压等级配置方案优选方法及*** | |
| US20040267513A1 (en) | Automatic creation of a design for a high or medium voltage power transmission network | |
| CN106162668A (zh) | 确定网络参数的方法和装置 | |
| Lendák et al. | Electric power system one-line diagram generation with branch and bound algorithm | |
| CN102999361A (zh) | 一种机电暂态数据至电磁暂态数据的自动更新方法 | |
| CN104537465A (zh) | 配电网的整定电流的确定方法及装置 | |
| CN108388760A (zh) | 一种印刷电路板布线方法、装置及电子设备 | |
| Khoshbakht et al. | Effects of protection settings on optimal performance of reconfigurable smart distribution systems | |
| Shapovalov et al. | Network reduction algorithm for smart grid applications | |
| CN109256791B (zh) | 一种储能单元的功率控制方法及功率控制设备 | |
| CN106208118A (zh) | 一种储能***多目标优化规划方法 | |
| Dursun et al. | Reconfiguration of actual distribution network with optimum power flow for loss reduction | |
| Kumar et al. | Reconfiguration of electrical distribution network for loss reduction and voltage enhancement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |