一种多站融合选址规划的优化方法

摘要

本发明公开了一种多站融合选址规划的优化方法，该方法步骤如下：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。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；另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，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。

说明书

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。