基于遺傳算法的分布式配電網供電可靠性評估方法

李思凡，王海生，胡華青，邱劍洪，張昌俊

（海南電網有限責任公司，海南 海口 570100）

0 引言

隨著社會經濟的快速發展，電力行業的供電方式發生了巨大轉變，由于傳統的發電模式對環境的污染問題，國內外展開了新能源的應用研究。在對不同清潔能源和可再生能源的利用上，以風力發電和光伏發電為主構成了現階段我國電網的主要供電類型[1]。由于可再生能源發電方式，在不同的氣候條件下產生波動較大，存在間歇式供電的可能性，影響整個電力系統的供電可靠性，需要對配電網的供電能力進行有效評估。

在傳統評估方法中只有設備發生故障后，其故障設備便無法從電網中獲取能源，導致部分電網處于無負荷狀態造成停電，以此才能對整個線路的問題進行檢查和評估。但由于單個設備的故障問題，在整個電網中無法使其保持原有運行狀態，所得的可靠性評估結果準確性會降低，影響配電網后期對不確定負荷參數的調節效果。在此背景下提出遺傳算法的評估方法設計思路，遺傳算法的主要優勢在于能夠對電網進行全局搜索，在數據疊算過程中找到最優解，利用較少特征參數得到更好的分類效果，以此評價各供電數據的優劣狀態[2]。本文在該算法的基礎上，設計分布式配電網的供電可靠性評估方法。

1 基于遺傳算法的分布式配電網供電可靠性評估方法

1.1 定點采集分布式配電網的供電數據

在電力結構發生轉變的情況下，分布式電網結構逐漸在電力系統中占據主要地位。其中，包含多種新能源的供電形式。但由于新能源的類型以可再生能源為主，其受自然特性影響的幾率較大，在供電過程中極容易發生不穩定現象[3]。因此，需要對供電數據進行可靠性評估，以保證分布式配電網的穩定運行。

在分布式配電網中分為兩個主要的數據傳輸和接收結構，即主電站和配電站，通過配電站對各個線路進行供電而產生電力數據。其經過線路的各個節點受多種因素影響，會產生有效數據和無效數據，在兩者結合的情況下，共同輸入到主電站中，讓工作人員能夠及時接收到線路的狀態信息。

但由于分布式電網的結構特性，在數據的傳輸過程中極容易出現丟失現象。因此，需要在評估的線路中設置多個遺傳網絡節點，以此對所有的數據進行統計，避免出現丟失數據對后期評估的負面作用。根據分布式配電網中的供電數據來源，在采集到的信息數據中包含大量的未知參數，若在對其供電可靠性指標性能評估時，會出現較大數據誤差，對電網運行狀態檢測產生不利影響。

1.2 基于遺傳算法批量設置電網評估體系指標

對采集數據進行多個方向的指標設置，以遺傳算法的優勢批量設計電網的供電評估體系，從中分析出多個方向的目標評價指標。遺傳算法的網絡結構需要包括多個方面，即數據輸入層和輸出層的參數，網絡結構的層數以及目標函數，根據不同的網絡結構的設計標準，在遺傳網絡中加入隱含的神經元個數[4]。

分別對不同的遺傳網絡結構進行衡量，其中輸入層和輸出層主要解決選取的指標影響因素，通過其在內的神經元個數來確定影響因素的目標數量，以此對影響電網評估準確性的若干因素進行多角度選取。在確定網絡結構中隱含層神經個數的計算方式中，對布置神經元個數分配數量為整體結構難點，一般認為網絡層級中的隱含神經元個數越多，能夠代表的隱含層數就越多，最終得到的評估準確度就越高。通過隱含層神經元的連接樣式，在設置其數據訓練速度的基礎上，對數據樣本分類成兩個選定集合，利用經驗布置公式進行神經元的個數計算，表達式為：

式中：隱含層的神經元目標數用z來表示，輸入層神經元的數量用來x表示，輸出層隱含神經元的數量用c來表示，在兩個相鄰的層級中引入相關系數用a來表示，其參數選取區間設置在a∈[1 -10]的范圍內。

根據經驗公式能夠在初步設定神經元個數中，粗略計算大致結果，以逐漸增加以及減少隱含層的神經元數值，以此疊加反復確定神經元個數的最終結果，以最小的網絡誤差結果作為最終神經元的數量個數。

在目標個數確定完成后，分別對相鄰的神經元特征進行分類，組建新的評價指標體系，并對激活的目標函數指標進行多余數據刪除，最大效果進行多級指標的設定，建立目標評價參數的模糊聚類矩陣。

1.3 建立模糊聚類矩陣量化評估供電可靠性

按照分布式配電網的連接架構，在設備好的電網評估指標體系中，對需要測定的可靠性運行模型進行評判，建立相關系數的模糊聚類矩陣，在量化處理對比結果過程中完成供電可靠性的效果評估。由于評價指標體系主要的影響因素，為并行配電網的線路連接模式，在評價過程中需要對影響供電的故障因素進行確定，分布式配電網的主要供電來源，分別為風力發電、水力發電以及光伏發電。

以此在設置的評估指標中對相互聯系的影響因素建立里連接矩陣，分別用參數wf、wg和wh代表發電來源，在極端條件下電網的崩潰次數會形成數據集合Q，運行聚類分析的模糊對比方式，對可能發生或者一定發生內的事件進行計算，表達式為：

公式中，對分布式配電網中的主要影響因素，分別用f和g以及h來表示，在其對應的接收數據中含有對應矩陣，表示為wf和wg以及wh；每組數據的正常負荷值用wik和wac以及wvl來表示。根據配電網中各組負荷的變化，對比常態和故障的信號數據區別，當故障數據計算結果大于常態值時，表示該對比關系的可靠度較低；在矩陣對比結果中其最終結果小于常態值，即可認定為供電線路的可靠性更高。

至此，通過配電網的位置定點，采集分布式配電網中的供電數據，基于遺傳算法批量設置電網評估體系指標，按照多個層級的指標評估目標方向，建立模糊聚類矩陣量化評估供電可靠性，完成基于遺傳算法的分布式配電網供電可靠性評估方法設計。

2 實驗分析

2.1 選擇配電網線路

為驗證此次設計的配電網可靠性評估方法具有實際意義，在選定的分布式配電網中進行供電數據的篩選，以實驗測試的方法對存在的線路故障進行評估，確定不同線路中故障的電力負荷。供電可靠性的評估目的主要是在發生故障時，能夠通過其他區域內的設備進行負荷切換，以此保證不同線路中的電源正常供電，防止大面積的線路停電現象。本次實驗以IEERETS測試平臺為基礎，在選取某省持續運行的配電線路中，進行供電可靠性的評估測試，該線路中每個連接首端的負荷一致，包括光伏發電站和風力發電站兩個類型。

光伏發電站和風力發電站分別接入節點，在每條線路中變壓器的額定電壓容量在120-260kW范圍內。對于整體線路中出現的故障點位置進行配電設備劃分，以劃分測試區域內的主要線路走向確定待評估對象，主要線路共三條。其中電力負荷隔離開關共計18個，配電變壓器共計24個，以同條線路中平均分配6個隔離開關和8個變壓設備為前提，對每個供電路徑進行約束條件設置，使其能夠在分布式配電網范圍內產生的供電數據滿足額定電壓范圍。

2.2 配電線路可靠性評估過程

此次實驗的目的主要是為了在選取的配電網中，對三條主線路的電壓負荷進行可靠性評估，通過多個配電設備和裝置進行數據采集，作為線路中最高電壓的評估基礎信息，以有效對照高負荷電壓的變化過程。實驗開始前選擇兩組傳統的評估方法，同時在三組線路接收數據后，進行有效電量的可靠性評估，分別對劃定區域內的負荷電壓進行測量，其中線路I1的電壓負荷最高為240kW，I2線路和I3線路的電壓負荷分別為130kW和180kW。將三組評估方法分別運用在主線路中，對采集到的電力數據進行評估，在20s的檢測時間內是否能夠找到對應的最高負荷電壓，具體結果如下圖1所示。

圖1 不同方法的配電線路電壓評估對比

根據圖1所示，在對配電線路中三條主線的電壓負荷進行測量時，隨著電壓負荷的不斷增加，不同評估方法對最高電壓的評估結果各不相同。本文設計的方法可以在設定的數據采集間隔中，直接找到三條線路的最高負荷點，進行有效評估；而兩組傳統方法評估的數據結果，與最高點電壓負荷有一定差距，尤其是線路I1中的負荷數據相差巨大。綜合實驗結果表明：當線路負荷過高時容易出現線路故障，本文的方法能夠在極短時間內完成線路的最高負荷評估，為線路的安全運行提供數據支持，具有實際應用意義。

2.3 可靠性評估結果分析

為進一步驗證本文設計的評估方法能夠和電力負荷具備更高的匹配度，分別將三組線路的實際測量結果輸入至測試平臺中，模擬實際分布式配電網的供電運行效果，整個持續運行時間超過8小時，在多輪測試過程中對線路的電力負荷進行評估。以每個20s為一次評估間隔，在線路超過220kW時，若持續運行6小時會發生線路故障，從而線路的電力負荷值被消除，即I1線路中會出現線路故障，實際的檢測結果中會出現空白數據，具體評估方法下對應的可靠性結果如下表1所示。

表1 配電網線路可靠性評估結果（電力負荷kW）

根據表中內容所示，在本文方法的應用下，三條線路的評估結果能夠和真實數據進行匹配，基本上沒有出入，而兩組傳統方法的負荷評估值與真實數據存在差距，在電力事故發生時不能保證及時排查。綜合實驗結果表明：將不同的評估方法應用在分布式電網中，對電力負荷數值進行評估，通過評估結果對故障線路進行排查，本文的方法能夠對高壓負荷作出準確評估，具有實際應用意義。

3 結語

本文在遺傳算法的基礎上，分別設置分布式配電網的采集節點，通過隱藏層中的神經元個數，建立多個級別的電網供電可靠度評價指標體系，以此選擇適合評估的指標函數，在模糊聚類的區間范圍中建立隸屬度矩陣，進行多個層次的可靠度效果評價。實驗測試結果表明：選擇不同的分布式發電站測試對象，以多條線路的電力負荷值為評估目標，本文的方法能夠將實際值與故障數據進行匹配，完成配電線路的故障排查和定點評估。