公开/公告号CN112949898A
专利类型发明专利
公开/公告日2021-06-11
原文格式PDF
申请/专利权人 国网上海市电力公司;
申请/专利号CN202110001733.7
申请日2021-01-04
分类号G06Q10/04(20120101);G06Q10/06(20120101);G06Q50/06(20120101);G06N3/00(20060101);G06F16/29(20190101);
代理机构32218 南京天华专利代理有限责任公司;
代理人李德溅
地址 200122 上海市浦东新区源深路1122号
入库时间 2023-06-19 11:22:42
技术领域
本发明属于多站融合这一新兴技术领域,具体地说是一种能够为多站融合项目选择最优 站址提供帮助的多站融合选址规划的优化方法。
背景技术
目前,探索利用变电站资源建设运营充换电(储能)站和数据中心站新模式,建设“多 站融合”,是坚持绿色发展、推进能源生产和消费革命、构建清洁低碳和安全高效的能源体系 的坚实支撑。与此同时,数字中国建设如火如荼,未来随着5G的进一步商用,海量异构数据 将迎来新一轮爆发式增长,5G基站、边缘数据中心的建设需求也将呈现激增趋势。多站融合 通过挖掘利用变电站资源,融合建设边缘数据中心站、充电站、5G基站、储能站、北斗基站、 分布式光伏站等多个功能站,积极拓展能源领域的新兴业务市场,全力打造通信、信息、能 源等跨行业资源共享新业态,恰与能源革命和数字革命融合发展趋势相顺应。
“多站融合”不是多个站功能的简单堆叠,而是要促进其分布式逻辑融合、结构式相辅 相成、数据式横向贯通,充分利用各类资源,在具体建设中具体包括哪些站不是固定的,需 要综合考虑该站各方面因素之后决定。“多站融合”的建设模式,有利于深入挖掘变电站资源 价值,充分利用变电站土地资源、电源、通信网络资源等服务能力,支撑变电站业务持续创 新发展。功能完善的站内架构,可实现变电站、充(换)电站、储能站、5G基站、光伏站、 北斗基站等多站的结构相互支撑和数据信息共享。
目前国内对于多站融合的研究还在起步阶段,对于包含变电站、数据中心、充电站和数 据中心在内的多站融合选址规划的研究较少。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种能够为多站融合项目选择最优站址 提供帮助的多站融合选址规划的优化方法。
本发明的目的是通过以下技术方案解决的:
一种多站融合选址规划的优化方法,其特征在于:该优化方法的步骤如下:
A、以变电站、数据中心、充电站、储能站和光伏电站构建多站融合系统架构;
B、构建变电站、数据中心、充电站、储能站和光伏电站中的各单站不同的负荷距成本 系数,以负荷距成本最小为目标,建立多站融合选址数学模型;
C、利用粒子群算法对目标函数进行优化,选出最优站址。
所述步骤A中的变电站为充电桩、数据中心、储能站及周围用户供电;储能站作为充电站、 变电站和数据中心的备用电源,提高供电可靠性;数据中心为包括周边企业、市政的客户提 供数据存储服务;充电站内的充电桩为周围电动汽车提供充电服务。
所述步骤B中的负荷距成本C
式(1)中,α
所述步骤B中的变电站的负荷距成本系数α
式(1)中:u
所述步骤B中的数据中心的负荷距成本系数α
式(4)中:
所述步骤B中的充电站的负荷距成本系数α
式中(6)中:K
所述步骤B中的光伏电站的负荷距成本系数α
式(8)中:u
所述步骤B中的多站融合选址数学模型的目标函数为:
minC=C
式(10)中:C
所述步骤B中的多站融合选址数学模型的约束条件为:
式(11)中:l
所述步骤C中的粒子群算法的速度更新公式为:
v
式(13)中:v和x分别表示为粒子在迭代过程中的速度变量和位置变量;式中包含3个权重因子:惯性因子ω,粒子群算法加速系数c
所述步骤C中粒子群算法的位置更新公式为:
x
式(14)中:v和x分别表示为粒子在迭代过程中的速度变量和位置变量。
所述步骤C的具体步骤为:
C1、初始化规划区内多站融合站址的位置坐标,并设置规划区内包括负荷功率、坐标、 线路成本、贴现率、使用年限的各类参数;
C2、根据式(10)获得多站融合站址的各个坐标的初始适应度值;
C3、算出整个种群中个体最优适应度函数值和全体最优适应度函数值;
C4、粒子速度更新,根据式(13)、式(14)得到粒子更新后的速度和位置;
C5、判断迭代是否结束,即是否满足设定的收敛条件(设定的迭代系数);满足则输出最 优结果,不满足则转至C2,继续迭代。
本发明相比现有技术有如下优点:
本发明将多主体规划问题融合为统一主体规划,构建出统一标准衡量的多目标主体;且 在计算负荷距时,考虑变电站、数据中心、充电站和光伏电站的差异性,设置不同的负荷距 成本系数;将各单一电站考虑在内,以负荷距最小为目标构造各单一电站数学模型,相加后 求得多站融合选址规划模型;另利用智能算法中的粒子群算法对多站融合选址规划模型进行 计算分析,选出最优站址;实际应用中,将求得最优候选站址与现有变电站进行对比,筛选 出最适合改造的变电站,为多站融合项目的实施提供参考意见。
附图说明
附图1为本发明的多站融合选址规划的优化方法的流程图;
附图2为本发明构建的多站融合架构图;
附图3为本发明所提的粒子群算法迭代流程图;
附图4为本发明的实施例的粒子群算法收敛曲线图;
附图5为本发明的实施例的各类负荷及最优站址分布图。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
如图1所示:一种多站融合选址规划的优化方法,该优化方法的步骤如下:
A、以变电站、数据中心、充电站、储能站和光伏电站构建多站融合系统架构;
B、构建变电站、数据中心、充电站、储能站和光伏电站中的各单站不同的的负荷距成本 系数,以负荷距成本最小为目标,建立多站融合选址数学模型;
C、利用粒子群算法对目标函数进行优化,选出最优站址。
步骤A中,因为多站融合是一个复杂的概念,故本发明对多站融合系统架构进行分析。 多站融合是集变电站、充放电站、数据中心站、光伏电站和储能站为一体的信息通信和能源 环境相关基础设施及系统平台,深入融通能源、信息通信等国民经济支柱产业,实现海量边 缘计算节点的集约化建设和电力场站及通信资源的精益化利用,能有效推动5G商用以及智能 制造、智能家居等数字产品和服务市场的开发。
多站融合系统架构如附图2所示。其中,变电站为充电站、数据中心、储能站及周围用 户供电;储能站作为充电站、变电站和数据中心的备用电源,提高供电可靠性;数据中心为 包括周边企业、市政的客户提供数据存储服务;充电站内的充电桩为周围电动汽车提供充电 服务。因为储能站作为备用电源、不涉及负荷,因此在多站融合候选站址的计算中不涉及储 能站的计算。
步骤B中,本发明选址规划的主要内容是确定多站融合站址的位置,而多站融合候选站 址位置的不同对线路成本产生的影响最大。多站融合负荷中,不仅有常规用电负荷,还存在 数据中心负荷、充电站负荷等其他类型负荷。为了减少电能损耗及线路投资,同时保证供电 的稳定性,本文将负荷距成本作为优化目标,采用单一维度标准衡量多类型主体。
其中,负荷距成本C
式(1)中,α
变电站的负荷距成本系数α
式(1)中:u
数据中心的负荷距成本系数α
式(4)中:
充电站的负荷距成本系数α
式中(6)中:K
光伏电站的负荷距成本系数α
式(8)中:u
多站融合选址数学模型的目标函数为:
minC=C
式(10)中:C
多站融合选址数学模型的约束条件为:
式(11)中:l
步骤C中,把多站融合站址位置的两个坐标各作为一个变量,对应的粒子群算法的搜索 空间就为二维空间,空间中的每个点即代表着多站融合站址的一个可行位置。在搜索过程中, 粒子的适应度值代表着多站融合站址规划的负荷距成本。把粒子当前的位置代入目标函数中 计算出其当前适应度值,这个适应度值用来评价解的优劣程度,也就是多站融合站址位置的 好坏,适应度值越低表明负荷距成本越低,也就是多站融合站址的位置越优。在搜索空间中, 存在着一个最优的点,这个点适应度值最低,对应着多站融合站址的最优位置,最终目的就 是要让粒子通过搜索找到最优点。
步骤C中粒子群算法的速度更新公式为:
v
式(13)中:v和x分别表示为粒子在迭代过程中的速度变量和位置变量;式中包含3个权重因子:惯性因子ω,粒子群算法加速系数c
步骤C中的粒子群算法的位置更新公式为:
x
式(14)中:v和x分别表示为粒子在迭代过程中的速度变量和位置变量。
步骤C的具体步骤为:
C1、初始化规划区内多站融合站址的位置坐标,并设置规划区内包括负荷功率、坐标、 线路成本、贴现率、使用年限的各类参数;
C2、根据式(10)获得多站融合站址的各个坐标的初始适应度值;
C3、算出整个种群中个体最优适应度函数值和全体最优适应度函数值;
C4、粒子速度更新,根据式(13)、式(14)得到粒子更新后的速度和位置;
C5、判断迭代是否结束,即是否满足设定的收敛条件,收敛条件指设定的迭代系数;满 足则输出最优结果,不满足则转至C2,继续迭代。
实施例
本发明以某市开发区为例,验证本文研究结果的正确性与合理性。该地区东西跨度30km, 南北跨度25km,根据当地的规划与发展,拟建立一座集变电站、数据中心、充电站、光伏电 站、储能站为一体的多站融合站。该地区常规用电负荷和充电负荷较多,还有一定量的数据 中心负荷与光伏电站负荷。因为储能站不涉及负荷,因此在多站融合站址选择的计算中不涉 及储能站的计算。
本发明采集了该地区各类主要负荷的位置坐标与负荷,分布数据如表1-表4所示。线路 单位长度投资成本为20万元/km,贴现率取0.08,线路折旧年限为16年,光伏电池折旧年 限为10年,供电可靠性修正系数
表1常规用电负荷分布数据
表2数据中心负荷分布数据
表3充电负荷分布数据
表4光伏电站负荷分布数据
利用步骤C提供的粒子群算法,对多站融合选址规划模型进行求解,设置最大迭代次数 设为100(收敛条件),最优选址结果如表5所示,收敛情况如图4所示、各类负荷及最优站 址分布图如图5所示。
表5最优选址结果表
由图4可知,运用粒子群算法求解多站融合选址规划模型时,收敛速度较快,目标函数 在迭代次数达到30次左右趋于收敛状态,求得最优站址及最小负荷距成本。由图5可知,最 优站址地理位置位于所有负荷中心位置,即该站点到各负荷距离之和相对较小。
综上所述,本发明将多主体规划问题融合为统一主体规划,以负荷距成本为目标函数, 构建统一标准衡量包括变电站、数据中心、充电站和光伏电站在内的多目标主体。并且,本 发明利用粒子群算法对多站选址进行计算分析,选出最优站址。实际应用中,可将求得最优 候选站址与现有变电站进行对比,筛选出最适合改造的变电站,为多站融合项目的实施提供 参考意见。
以上所述仅是本发明的优选实施方式,而非对其限制;应当指出,尽管参照上述实施例 对本发明进行了详细说明,本领域的普通技术人员应当理解,其依然可以对上述各实施例所 记载的技术方案进行修改,或对其中部分或者全部技术特征进行等同替换;而这些修改和替 换,并不使相应的技术方案的本质脱离本发明各实施例的范围,均落入本发明保护范围之内; 本发明未涉及的技术均可通过现有技术加以实现。
机译: 融合式的可变焦立体照片浏览器中的融合类型优化方法,以及应用该公式的融合立体照片浏览器
机译: 一种控制站的控制方法,一种终端站的控制方法,一种控制站,一个终端站以及一种计算机可读存储介质
机译: 一种控制站的控制方法,一种终端站的控制方法,一种控制站,一个终端站以及一种计算机可读存储介质