CN114389265B - 基于增殖和缩减进化的电网紧急切负荷优化方法及*** - Google Patents
基于增殖和缩减进化的电网紧急切负荷优化方法及*** Download PDFInfo
- Publication number
- CN114389265B CN114389265B CN202210287003.2A CN202210287003A CN114389265B CN 114389265 B CN114389265 B CN 114389265B CN 202210287003 A CN202210287003 A CN 202210287003A CN 114389265 B CN114389265 B CN 114389265B
- Authority
- CN
- China
- Prior art keywords
- scheme
- load shedding
- schemes
- power grid
- proliferation
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000035755 proliferation Effects 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 230000001052 transient effect Effects 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 24
- 239000003795 chemical substances by application Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 6
- 150000001875 compounds Chemical class 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于增殖和缩减进化的电网紧急切负荷优化方法及***，包括：获取各切负荷站允许切负荷量的上下限以及电网暂态安全约束指标的边界阈值数据；基于所述数据和进化算法模型，得到最优的电网紧急切负荷方案；其中，所述进化算法模型的工作关键在于增殖和缩减进化策略，缩减策略包括关键的两个步骤，分别是基于代理模型的预筛选和基于时域仿真的验证。本发明优化算法框架全局收敛性要更好。在给定电网运行方式和功率缺额扰动事故下，能够快速得到全局最优方案或靠近全局最优的方案。
Description
技术领域
本发明涉及电力***紧急切负荷控制技术领域，尤其涉及一种基于增殖和缩减进化的电网紧急切负荷优化方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
可再生能源发电通常通过电力电子换流器集成到电力***中并且集中式的大规模可再生能源发电通常通过高压直流技术传输。基于换流器的可再生能源发电和高压直流输电的集成给电力***带来了丰富的控制灵活性，但同时也带来了巨大的安全风险，尤其是潜在的新能源机组脱网或直流闭锁。这些扰动会给电力***带来严重的功率不平衡现象，导致电力***的暂态不安全甚至暂态失稳。为了保证扰动发生后电力***的暂态安全稳定，紧急切负荷控制在短时间内主动切除适当数量的负荷来平衡发电和用电。然而，切除负荷会影响用户生活，并可能造成重大的社会经济损失。因此，在满足***暂态安全和稳定约束的同时，最小化紧急减载的成本始终是紧急切负荷方案优化的目标。
紧急切负荷优化是一个具有多个局部最优解的高维约束优化问题。进化类算法，如遗传算法、粒子群优化算法和差分进化算法，这些算法与问题的数学特性无关，并且对不同的非线性优化问题具有鲁棒性和广泛适用性。因此，进化类算法被广泛且有效地应用于非线性紧急切负荷优化问题。
在进化类算法中，需要根据进化逻辑迭代地生成大量的候选方案来定位全局最优解。进化类算法的全局收敛性与候选方案的多样性有关。一个大的候选方案种群能够有效提高进化算法的全局收敛性。但是，大的候选方案种群同时会显著增加优化的计算负担，这种计算负担在于需要利用计算密集型的时域仿真对每个候选方案进行评估，即检查其暂态安全稳定性约束。有时，对单个方案执行时域仿真评估需要数十秒，尤其是对于大型电力***而言。因此，大的种群规模会导致进化优化极其耗时，提高进化优化的全局收敛性与提高优化速度之间存在对立的矛盾。
近年来，数据驱动技术在电力***动态安全评估中得到了广泛的研究。动态安全评估可以通过使用数据驱动的代理模型代替耗时的时域仿真来实现高效率。数据驱动的代理模型大大快于时域仿真评估，因为它只需要有限的代数运算，而不需要复杂的数值积分。因此，数据驱动技术通过利用代理模型对紧急切负荷候选方案评估，为提高紧急切负荷的优化效率提供了一种潜在的方法。基于代理模型的快速评估可以增加种群规模。优化速度和种群多样性之间的矛盾得以解决。因此，各种离线训练的机器学模型可以被嵌入到进化求解框架中用来提高算法收敛性，如现有技术提出一种基于粒子群优化算法的在线动态安全控制优化框架，并采用径向基函数神经网络作为代理模型。
但是，现有的进化类算法在求解紧急切负荷优化问题时至少存在以下不足：
（1）进化算法中方案的种群规模必须设置的足够大来保证全局收敛性。但是，大规模的候选方案需要利用耗时的时域仿真进行评估。沉重的计算负担导致进化算法无法在线应用于紧急切负荷方案优化。
（2）小的种群规模能够提高进化优化算法的优化速度。但是，小规模的种群规模无法保证候选方案的多样，导致进化算法的全局收敛性差，优化得到的切负荷方案质量差即经济性差，无法应用于实际电力***中。
（3）目前，数据驱动的代理模型与进化算法的集成方式都是离线训练的代理模型完全替代时域仿真评估。因此，必须保证代理模型的精度，才能获得良好的优化解。然而，电力***的运行方式在不断变化，特别是对于可再生能源渗透率高的电力***。因此，无法严格保证基于离线训练的代理模型在所有运方式下的准确性。如果代理模型在线更新，则必须使用时域仿真生成许多新的训练样本。紧急切负荷的优化速度会因此显著下降。
因此，在紧急切负荷优化问题中完全用代理模型代替时域仿真无法有效的应用在实际电力***紧急切负荷优化场景中。
发明内容
为了解决上述问题，本发明提出了一种基于增殖和缩减进化的电网紧急切负荷优化方法及***，能够有效解决进化算法的种群多样性和优化速度之间的矛盾，实现在线优化紧急切负荷方案。
在一些实施方式中，采用如下技术方案：
一种基于增殖和缩减进化的电网紧急切负荷优化方法，包括：
获取各切负荷站允许切负荷量的上下限以及电网暂态安全约束指标的边界阈值数据；基于所述数据和进化算法模型，得到最优的电网紧急切负荷方案；其中，所述进化算法模型的工作过程包括：
初始化模型参数及母代种群，利用时域仿真评估母代种群中各紧急切负荷方案，初始训练一个代理模型；
根据增殖策略生成多个临时候选方案，并利用代理模型评估所有临时候选方案；根据临时候选方案的评估结果，预筛选设定个数的临时候选方案作为子代方案；利用时域仿真验证子代方案，将子代方案与母代方案的仿真结果进行对比，选择设定个数的最佳方案组成下一代母代种群；若迭代终止，则输出最优的电网紧急切负荷方案；否则，更新代理模型并返回到增殖过程。
在另一些实施方式中，采用如下技术方案：
一种基于增殖和缩减进化的电网紧急切负荷优化***，包括：
数据获取模块，用于获取各切负荷站允许切负荷量的上下限以及电网暂态安全约束指标的边界阈值数据；
电网紧急切负荷优化模块，用于基于所述数据和进化算法模型，得到最优的电网紧急切负荷方案；其中，所述进化算法模型的工作过程包括：
初始化模型参数及母代种群，利用时域仿真评估母代种群中各紧急切负荷方案，初始训练一个代理模型；
根据增殖策略生成多个临时候选方案，并利用代理模型评估所有临时候选方案；根据临时候选方案的评估结果，预筛选设定个数的临时候选方案作为子代方案；利用时域仿真验证子代方案，将子代方案与母代方案的仿真结果进行对比，选择设定个数的最佳方案组成下一代母代种群；若迭代终止，则输出最优的电网紧急切负荷方案；否则，更新代理模型并返回到增殖过程。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于增殖和缩减进化的电网紧急切负荷优化方法。
与现有技术相比，本发明的有益效果是：
（1）本发明提出的增殖策略，以母代紧急切负荷方案基础生成大量临时候选方案。在增殖过程中，考虑不同方案在优化区域的分布特性将其分成优等方案、中等方案、劣等方案三组，不同分组的方案采用不同进化搜索算子来提高搜索的效率和临时种群的多样性。临时种群的存在提高了每次迭代过程中寻找到全局最优点的可能性，因此，增殖策略有利于在种群规模不大的情况下提高进化算法的全局收敛性。
（2）本发明提出的缩减策略，包括了两个关键的流程，一个是基于代理模型的预筛选和基于时域仿真的验证。在基于代理模型的预筛选过程中利用机器学习模型作为代理模型来评估大量临时候选方案。代理模型的计算只涉及代数运算，计算效率高，能够快速计算出不同方案下的安全稳定指标。根据代理模型的评估结果，预筛选最佳候选方案作为子代方案；在基于时域仿真的验证过程中，利用时域仿真精准评估子代方案。评估后的子代方案与母代方案进行对比生成进入下一代的母代方案。与此同时，子代方案的评估结果保存在代理模型的训练样本数据库中，用来更新下一代的代理模型。因此，所提的缩减策略，能够在不增加每一次迭代过程中的时域仿真次数的前提下，保证优化效率和优化结果的准确性。
（3）本发明根据所提的增殖和缩减进化策略，设计了能够快速优化紧急切负荷方案的进化算法框架；相比于传统的进化算法，所提优化算法框架全局收敛性要更好。在给定电网运行方式和功率缺额扰动事故下，能够快速得到全局最优方案或靠近全局最优的方案。相比于其他基于代理模型的进化算法，所提优化算法框架能够准确的得到一个可行的优化方案，提高了对电网的适应性，更加贴合工程实际。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的增殖和缩减进化策略框架下的紧急切负荷进化优化流程图；
图2为本发明实施例中的增殖策略示意图；
图3为本发明实施例中的缩减策略示意图；
图4为本发明实施例中进化算法有无增殖和缩减进化策略的对比图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种增殖和缩减进化策略框架下的电网紧急切负荷进化优化方法，如图1所示，包括如下过程：
（1）输入优化模型相关数据，如各切负荷站允许切负荷量的上下限、电网暂态安全约束指标的边界阈值；设置进化算法相关参数，如：种群大小N p和增殖率λ。
（2）初始化母代种群，并利用时域仿真评估母代种群中各紧急切负荷方案，即检查暂态安全约束指标，并将评估结果保存在代理模型的训练数据库中；
本实施例中，初始化母代种群的过程为：
采用拉丁立方抽样的方法，在各切负荷站允许的切负荷量上下限的搜索空间内生成N p个初始母代方案；具体地，一个向量代表一个方案，向量中的每一个元素代表各切负荷站的切负荷量或切负荷率。
本实施例中，时域仿真评估紧急切负荷方案的过程为：
利用时域仿真软件仿真得到***在遭受功率缺额事故后执行紧急负荷方案后电网的暂态安全指标。暂态安全指标至少包括：暂态功角、暂态电压、暂态频率安全指标。
（3）利用训练数据库中的数据初始训练一个代理模型；
本实施例中，代理模型的构建方法为：
采用数据驱动的机器学习模型作为代理模型。一个紧急切负荷方案下的切负荷向量和评估得到的暂态安全约束指标两者组成一个训练样本。切负荷向量作为输入特征并且电网暂态安全约束指标作为输出标签。所有母代方案用来训练一个多输入多输出的代理模型。
（4）根据增殖策略生成N pλ个临时的候选方案，并利用代理模型评估所有临时候选方案；
具体地，图2为增殖策略示意图，结合图2，根据可行性准则将母代方案按照优差性分成三组，分别为优等方案、中等方案、劣等方案。首先计算每一个方案的安全约束违反度，然后计算每一个方案的标准化安全约束违反度，最后根据标准化安全约束违反度比较不同的方案。
安全约束违反度是指某一安全指标的安全阈值与安全指标之间的差值，差值范围限制在零到正无穷。标准化安全约束违反度是所有安全约束违反程度的标准化加和，因此标准约束违反度是一个非负的实数。标准约束违反度为零的方案为可行方案，否则为不可方案。
可行性准则规定不同方案之间的比较方法为：
①在可行方案和不可行方案之间，可行的方案是优越的，另一个方案是差的；
②对于两个可行方案，切负荷量较小的方案是优越的，另一个是差的。
③对于两个不可行方案，约束违反度小的方案是优越的，而另一个是差的。
三个分组的比例随着进化的迭代动态更改；不同的分组下的方案采用合适的进化算子满足自身进化需求。优等方案采用开发类的进化搜索算子满足开发优等方案自身周围的好的优化区域。劣等方案采用探索类的进化搜索算子满足探索劣等方案自身以外好的优化区域的需求。中等方案通过随机采用优等方案下的开发类的进化搜索算子和劣等方案下的探索类的进化搜索算子来平衡开发和探索的需求。
遍历母代种群中的每一个方案，根据优差性分组的结果对每一个方案执行对应的搜索算子并且每一个方案循环执行搜索算子λ次。如果进化逻辑中仍有其他进化搜索算子，再循环执行其他进化搜索算子λ次，得到最终的N pλ临时候选方案。λ被称为增殖率。
作为一种可选的实施方式，可行性准则中的约束p的约束违反度D定义为：
式中，α k,g 为第g代的第k个母代方案，
；ξ p 为约束p的安全边界阈值；η p,k,g 为方案α k,g 下约束p的安全指标数值。
作为一种可选的实施方式，三个分组的比例随着进化的迭代动态更改的方法为：
在进化的早期阶段，应更加重视方案的探索而不是开发。这样，可以充分搜索整个优化搜索空间，并且找到有希望存在全局最优点的优化区域。在进化的后期阶段，大多数母代方案已经位于单个或多个有希望的优化区域。这些方案应该充分开发它们附近区域来提高收敛质量和速度。根据上面的分析，在进化前期用于探索的劣等方案的比例应该比的优等方案更大。在进化的后期，劣等方案和优等方案的比例关系与前期相反。因此，根据式(2)设置三类方案的比例。从前期到后期，三类个体的比例之和保持在1。
式中，g max是最大迭代次数；r SI0和r II0分别为优等方案和劣等方案的初始比例；在进化的早期阶段，r II0的数值应该比r SI0的数值大，一般设置为大于1/3；中等方案的比例设置为常数去保证探索和开发。
作为一种可选的实施方式，开发类的进化搜索算子，探索类的进化搜索算子和其他进化搜索算子都是进化算法中的算子。不同的进化算法根据不同的进化逻辑设计相应的搜索算子。这里，以差分进化算法为例，给出上述三类进化搜索算子的设计。
开发类的变异算子（开发类的进化搜索算子）：
式中，
母代方案α k,g 的变异方案；F为变异因子，范围在[1，N P]；r 1，r 2，r 3为三个不同的随机整数，范围在[1, N P],并且k ≠ r 1≠r 2≠r 3。
探索类的变异算子（探索类的进化搜索算子）：
式中，α r4,g 为前b%最好的母代方案中的一个随机方案；r 5为一个随机整数，范围在[1，N P]；
是一个从当前母代种群和存储库A中随机抽取的一个方案，满足
；A储存了一些劣等的子代方案，也就是那些没有进入下一代的子代方案。这些子代方案的存储方式会在缩减策略中介绍。
对于每一个母代方案，上述算子循环执行次。
表示第k个母代方案的第m个变异方案。
交叉算子（其他进化搜索算子）：
（5）
式中，
是一个临时候选方案；rand m 是一个随机数，分布在[0，1]之间；CR∈[0，1]是交叉因子；
是一个在[1，N]随机选取的整数，N是向量的维数。
（5）根据临时候选方案的评估结果，预筛选N p个临时的候选方案作为子代方案；
图3示出了缩减策略示意图，结合图3，缩减策略包括两个关键的步骤，分别是基于代理模型的预筛选和基于时域仿真的验证。
本实施例中，基于代理模型的子代方案预筛选过程为：
利用构建的代理模型评估所有的临时候选方案。根据可行性准则判断各临时候选方案的可行性，如果存在可行方案，选择最佳可行方案作为子代方案。如果只存在不可行方案，选择最佳不可行方案作为子代方案。如果同时存在可行方案和不可行方案，首先定义对于某一特定约束p，方案的绝对约束违反裕度为
，
为约束p的安全边界阈值；η p 为方案下约束p的安全指标数值。判断是否同时满足以下三个条件：
①最佳不可行方案仅存在一个约束被违反。
②最佳不可行方案违反的约束p下的绝对约束违反裕度小于最佳可行方案相应约束下的绝对约束违反裕度。
③最佳不可行方案的切负荷量小于最佳可行方案。
如果满足，则以一定的概率选择最佳不可行方案作为子代方案，否则，选择最佳可行方案作为子代方案。
以上预筛选过程针对从一个母代方案生成的λ个临时候选方案中筛选一个子代方案。上述流程循环执行N p次，完成所有临时候选方案的预筛选，最终保留N p个子代方案。
（6）利用时域仿真验证子代方案，并将评估结果保存在代理模型训练数据库中。根据时域仿真结果，将子代方案与母代方案进行对比，选择N p个最佳的方案组成下一代母代种群。部分淘汰方案存储起来供下次增殖时使用，为下次增殖时提供方案多样性。
本实施例中，基于时域仿真的验证过程为：
首先，预筛选出来子代方案首先利用时域仿真进行验证，即得到真正的安全约束指标。评估结果存储在代理模型训练数据库中，用于更新下一代的代理模型。
然后，验证后的子代方案与相对应的母代方案对比，即第k个子代方案与第k个母代方案进行对比（0<k≤N p）。根据可行性准则，判断两个方案之间的优差性，优等方案保留进入下一代，差的方案被淘汰。
被淘汰的子代方案进一步判断是否同时满足以下条件：
①被淘汰的方案是可行方案。
②被淘汰的方案是一个不可行的方案且只违反了一个约束，同时，母代方案是可行方案。被淘汰的不可行方案违反的约束下的绝对约束违反裕度比母代方案对应约束下的绝对约束违反裕度小，并且切负荷量比母代方案小。
如果满足以上条件则保存在存储库A中，否则，不保存。存储库A中的个体用于增殖过程中提高方案的多样性。
（7）判断终止条件是否满足，如果满足，则输出最佳方案作为优化结果，否则，利用代理模型训练数据库中的数据更新代理模型并返回到增殖步骤，继续按顺序执行步骤，直至满足终止条件。
以上技术的关键在于增殖和缩减进化策略，缩减策略包括关键的两个步骤，分别是基于代理模型的预筛选和基于时域仿真的验证。
图4是进化算法有无增殖和缩减进化策略的对比图；结合图4，图4左边方框中的结构图为没有增殖和缩减策略下的进化算法迭代结构。在每一代中，经过时域仿真评估的母代方案根据进化逻辑直接生成新的母代方案。新的母代方案也是通过时域仿真评估的。假设种群规模的大小为 N p，在每一次迭代中，都有 N p个方案需要利用时域仿真评估。大的 N p能够提高种群多样性和进化算法的全局收敛性。但是，大的 N p会带来沉重计算负担，使其无法实现在线应用。这些计算负担源于耗时的时域仿真评估次数的增加。小的 N p会导致进化算法的全局收敛性差，也无法阻碍了实际应用。因此，没有增殖和缩减策略下的进化结构中，全局收敛性与优化速度是相互对立的。
图4右边方框中的结构为有增殖和缩减策略下的进化算法迭代结构。在每一代中，每个母代方案根据增殖策略生成λ个临时候选方案。大量的临时候选方案可以有效提高种群多样性和进化算法的全局收敛性。然后，在缩减策略中，机器学习模型被用作代理模型来评估 N pλ个临时候选方案，提高评估的效率。根据评估结果，从 N pλ个临时候选方案中选择 N p个方案作为新一代的母代候选方案。新的母代方案是通过时域仿真评估的。因此，有增殖和缩减进化策略下的进化结构中，在没有增加每一代的时域仿真评估的次数的前提下，每一代的种群多样性能够有效提高。增殖和缩减进化策略有效的解决了进化算法在应用于紧急切负荷优化问题时全局收敛性和优化速度之间的矛盾。
实施例二
在一个或多个实施方式中，公开了一种增殖和缩减进化策略框架下的电网紧急切负荷进化优化***，包括：
数据获取模块，用于获取各切负荷站允许切负荷量的上下限以及电网暂态安全约束指标的边界阈值数据；
电网紧急切负荷优化模块，用于基于所述数据和进化算法模型，得到最优的电网紧急切负荷方案；其中，所述进化算法模型的工作过程包括：
初始化模型参数及母代种群，利用时域仿真评估母代种群中各紧急切负荷方案，初始训练一个代理模型；
根据增殖策略生成多个临时候选方案，并利用代理模型评估所有临时候选方案；根据临时候选方案的评估结果，预筛选设定个数的临时候选方案作为子代方案；利用时域仿真验证子代方案，将子代方案与母代方案的仿真结果进行对比，选择设定个数的最佳方案组成下一代母代种群；若迭代终止，则输出最优的电网紧急切负荷方案；否则，更新代理模型并返回到增殖过程。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了详细说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的增殖和缩减进化策略框架下的电网紧急切负荷进化优化方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于增殖和缩减进化的电网紧急切负荷优化方法，其特征在于，包括：
获取各切负荷站允许切负荷量的上下限以及电网暂态安全约束指标的边界阈值数据；基于各切负荷站允许切负荷量的上下限和电网暂态安全约束指标的边界阈值数据，以及进化算法模型，得到最优的电网紧急切负荷方案；其中，所述进化算法模型的工作过程包括：
初始化模型参数及母代种群，利用时域仿真评估母代种群中各紧急切负荷方案，初始训练一个代理模型；
根据增殖策略生成多个临时候选方案，并利用代理模型评估所有临时候选方案；根据临时候选方案的评估结果，预筛选设定个数的临时候选方案作为子代方案；利用时域仿真验证子代方案，将子代方案与母代方案的仿真结果进行对比，选择设定个数的最佳方案组成下一代母代种群；若迭代终止，则输出最优的电网紧急切负荷方案；否则，更新代理模型并返回到增殖过程；
其中，所述根据增殖策略生成多个临时候选方案，具体包括：
根据可行性准则将母代方案按照优差性分组，计算每一个方案的安全约束违反度，然后计算每一个方案的标准化安全约束违反度，最后根据标准化安全约束违反度比较不同的方案；
遍历母代种群中的每一个方案，根据优差性分组的结果对每一个方案执行对应的搜索算子并且每一个方案循环执行搜索算子λ次；如果有其他进化搜索算子，再循环执行其他搜索算子λ次，得到最终的Npλ临时候选方案；Np为种群大小，λ为增殖率。
2.如权利要求1所述的一种基于增殖和缩减进化的电网紧急切负荷优化方法，其特征在于，所述利用时域仿真评估母代种群中各紧急切负荷方案之后，以及利用时域仿真验证子代方案之后，还包括：将评估结果保存在代理模型的训练数据库中。
3.如权利要求1所述的一种基于增殖和缩减进化的电网紧急切负荷优化方法，其特征在于，初始化母代种群，具体包括：设定种群大小为Np，采用拉丁立方抽样的方法，在各切负荷站允许的切负荷量上下限的搜索空间内生成Np个初始母代方案；具体地，一个向量代表一个方案，向量中的每一个元素代表各切负荷站的切负荷量或切负荷率。
4.如权利要求1所述的一种基于增殖和缩减进化的电网紧急切负荷优化方法，其特征在于，所述利用时域仿真评估母代种群中各紧急切负荷方案，具体包括：利用时域仿真软件仿真得到***在遭受功率缺额事故后执行紧急负荷方案后电网的暂态安全指标；所述暂态安全指标至少包括：暂态功角、暂态电压和暂态频率安全指标。
5.如权利要求1所述的一种基于增殖和缩减进化的电网紧急切负荷优化方法，其特征在于，所述代理模型为采用数据驱动的机器学习模型；一个紧急切负荷方案下的切负荷向量和评估得到的暂态安全约束指标两者组成一个训练样本；切负荷向量作为输入特征并且电网暂态安全约束指标作为输出标签；所有母代方案用来训练一个多输入多输出的代理模型。
6.如权利要求1所述的一种基于增殖和缩减进化的电网紧急切负荷优化方法，其特征在于，所述利用代理模型评估所有临时候选方案，具体包括：
根据可行性准则判断各临时候选方案的可行性：
如果存在可行方案，选择最佳可行方案作为子代方案；
如果只存在不可行方案，选择最佳不可行方案作为子代方案；
如果同时存在可行方案和不可行方案，判断是否同时满足以下条件：
①最佳不可行方案仅存在一个约束被违反；②最佳不可行方案的绝对约束违反度小于最佳可行方案；③最佳不可行方案的切负荷量小于最佳可行方案；若满足，选择最佳不可行方案作为子代方案，否则，选择最佳可行方案作为子代方案。
7.如权利要求1所述的一种基于增殖和缩减进化的电网紧急切负荷优化方法，其特征在于，所述利用时域仿真验证子代方案，将子代方案与母代方案的仿真结果进行对比，选择设定个数的最佳方案组成下一代母代种群，具体包括：
利用时域仿真对子代方案进行验证，得到真正的安全约束指标；评估结果存储在代理模型训练数据库中，用于更新下一代的代理模型；
验证后的子代方案与相对应的母代方案对比，根据可行性准则，判断两个方案之间的优差性，优等方案保留进入下一代，差的方案被淘汰；同时，选取满足设定条件的被淘汰的子代方案进行存储，用于增殖过程。
8.一种基于增殖和缩减进化的电网紧急切负荷优化***，其特征在于，包括：
数据获取模块，用于获取各切负荷站允许切负荷量的上下限以及电网暂态安全约束指标的边界阈值数据；
电网紧急切负荷优化模块，用于基于各切负荷站允许切负荷量的上下限和电网暂态安全约束指标的边界阈值数据，以及进化算法模型，得到最优的电网紧急切负荷方案；其中，所述进化算法模型的工作过程包括：
初始化模型参数及母代种群，利用时域仿真评估母代种群中各紧急切负荷方案，初始训练一个代理模型；
根据增殖策略生成多个临时候选方案，并利用代理模型评估所有临时候选方案；根据临时候选方案的评估结果，预筛选设定个数的临时候选方案作为子代方案；利用时域仿真验证子代方案，将子代方案与母代方案的仿真结果进行对比，选择设定个数的最佳方案组成下一代母代种群；若迭代终止，则输出最优的电网紧急切负荷方案；否则，更新代理模型并返回到增殖过程。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于增殖和缩减进化的电网紧急切负荷优化方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210287003.2A CN114389265B (zh) | 2022-03-23 | 2022-03-23 | 基于增殖和缩减进化的电网紧急切负荷优化方法及*** |
| US18/125,265 US20230307911A1 (en) | 2022-03-23 | 2023-03-23 | Method and system for optimizing power grid emergency load-shedding based on proliferation and reduction evolution |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210287003.2A CN114389265B (zh) | 2022-03-23 | 2022-03-23 | 基于增殖和缩减进化的电网紧急切负荷优化方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114389265A CN114389265A (zh) | 2022-04-22 |
| CN114389265B true CN114389265B (zh) | 2022-08-16 |
Family
ID=81205878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210287003.2A Active CN114389265B (zh) | 2022-03-23 | 2022-03-23 | 基于增殖和缩减进化的电网紧急切负荷优化方法及*** |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230307911A1 (zh) |
| CN (1) | CN114389265B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495426B (zh) * | 2023-12-29 | 2024-03-29 | 国网山西省电力公司经济技术研究院 | 一种新能源电力***运行成本快速计算方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110676849A (zh) * | 2019-11-19 | 2020-01-10 | 国网四川省电力公司经济技术研究院 | 一种孤岛微电网群能量调度模型的构建方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105356465B (zh) * | 2015-12-10 | 2017-07-21 | 中国电力科学研究院 | 一种经济性与安全性协调的输电网规划平台及应用 |
| CN107171334B (zh) * | 2017-06-23 | 2019-06-28 | 山东大学 | 事件驱动型切负荷与矫正性线路投切协调控制方法及*** |
| CN109586277A (zh) * | 2018-11-01 | 2019-04-05 | 国网新疆电力有限公司检修公司 | 多代理***分布式协调控制***及其配电网故障恢复方法 |
| CN112632840A (zh) * | 2020-12-04 | 2021-04-09 | 山东大学 | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 |
-
2022
- 2022-03-23 CN CN202210287003.2A patent/CN114389265B/zh active Active
-
2023
- 2023-03-23 US US18/125,265 patent/US20230307911A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110676849A (zh) * | 2019-11-19 | 2020-01-10 | 国网四川省电力公司经济技术研究院 | 一种孤岛微电网群能量调度模型的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230307911A1 (en) | 2023-09-28 |
| CN114389265A (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stach et al. | A divide and conquer method for learning large fuzzy cognitive maps | |
| Han et al. | Surrogate modeling-based multi-objective dynamic VAR planning considering short-term voltage stability and transient stability | |
| Dehghani et al. | Adaptive network reliability analysis: Methodology and applications to power grid | |
| Urgun et al. | Importance sampling using multilabel radial basis classification for composite power system reliability evaluation | |
| Su et al. | Deep belief network enabled surrogate modeling for fast preventive control of power system transient stability | |
| Yang et al. | System reliability analysis with small failure probability based on active learning Kriging model and multimodal adaptive importance sampling | |
| WO2023005700A1 (zh) | 模型数据混合驱动的电网可靠性快速计算方法及装置 | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| Yin et al. | Data‐driven approach for real‐time distribution network reconfiguration | |
| CN114389265B (zh) | 基于增殖和缩减进化的电网紧急切负荷优化方法及*** | |
| Xu et al. | Risk‐averse multi‐objective generation dispatch considering transient stability under load model uncertainty | |
| Bhowan et al. | Ensemble learning and pruning in multi-objective genetic programming for classification with unbalanced data | |
| Lopez-Garcia et al. | Power flow analysis via typed graph neural networks | |
| CN114511063A (zh) | 电力数据预测模型构建方法、装置、设备、介质及程序 | |
| Xue et al. | Improving the efficiency of NSGA-II based ontology aligning technology | |
| Orouskhani et al. | Multi-objective evolutionary clustering with complex networks | |
| Jiang et al. | A novel binary-addition simplified swarm optimization for generalized reliability redundancy allocation problem | |
| Li et al. | Inequality constraint handling in genetic algorithms using a boundary simulation method | |
| Dong et al. | Automatic design of arithmetic operation spiking neural P systems | |
| Jin et al. | Recursive identification for fractional order hammerstein model based on adels | |
| Kalyani et al. | Static security assessment in power systems using multi-class SVM with parameter selection methods | |
| Singh et al. | Hybrid particle swarm optimization for pure integer linear solid transportation problem | |
| Han et al. | An efficient genetic algorithm for optimization problems with time-consuming fitness evaluation | |
| Chen et al. | A new multiobjective evolutionary algorithm for community detection in dynamic complex networks | |
| Chen et al. | Availability analysis and optimal design of multistate weighted ${k} $-out-of-${n} $ systems with component performance requirements |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |