随着供电质量和供电可靠性日益受到人们的重视,在系统出现永久性故障时将会引起供电区域的停电,此时制定迅速高效的故障恢复(Fault Service Restoration--FSR)策略恢复失电用户的供电并保证恢复后的配电网能够安全经济地运行是十分重要的。
配电网FSR是属于多目标、多约束的非线性组合优化问题。配电网FSR就是在将配电网中发生故障的电气设备切除以后,基于相应调度端SCADA软件平台共享数据,依据配电网当前的网络拓扑及潮流,在满足相关约束的条件下,寻找对非故障失电区恢复供电的最优方案,通过一系列分段开关操作,对配电网进行恢复性重构,在尽可能短的时间里恢复失电区用户负荷供电。
由于配网开关控制变量过多且变量本身离散、非连续,还存在某些不确定的或模糊的因素,使得配电网FSR处理过程难以用数学模型来表征,也无法运用常规的数值计算方法求得,它须依赖于许多启发性知识和调度员经验知识。AI是研究人类智能行为模仿能力的学科,可有效的实现专家的启发性和经验性知识的表达及问题求解的逻辑推理,具备解决大规模优化问题的特性。AI原理在配电网FSR处理的研究中得到了广泛的应用。根据对国内外的基于AI技术FS R的研究历史的统计分析,目前主要有如下几种基于AI技术的配电网FSR方法。
1 基于专家系统的配电网故障恢复
ES在FSR领域一度成为国际研究的热点。文献[1~2]提出了用ES方法处理FSR问题,该方法能自动生成FSR时的开关操作列表。文献[3]提出了基于规则的配电网的故障恢复ES,主要论述了基于网络拓扑的通用ES的结构及规则和知识表达方法。文献[4]基于规则的ES,利用模糊逻辑隶属度函数处理配电网FSR中多优化目标之间的冲突问题,即FSR多目标模糊ES。
文献[5]提出了基于综合智能ES的FSR方法,它的综合智能体现在结合FSR的算法集、配电管理系统的软模型、故障模式的识别和自学校的模糊恢复ES,该系统对网络结构无依赖性,可适用大规模网络和多故障条件下的恢复供电。
ES使用范围广,能满足实时要求,可用于大规模网络和多故障条件下的FSR,网络变化后只需要修改相应的知识库。但这种方法处理约束条件比较困难,且无法保证找到全局最优方案。由于ES不能处理在知识获取过程中不曾遇到过的特殊情况,难以覆盖所有的故障模式和运行方式;知识获取的工作量大,而且有些知识不易表达成规则形式等。这些都使ES的应用受到限制。
2 基于启发式搜索法的配电网故障恢复
启发式搜索法是进行配电网FSR的常用方法。启发式搜索方法的效率一般与网络结构有关,可保证获得可行FSR解,但难以保证找到最优解。与ES不同的是,启发式搜索FSR法,更加偏重于如何确定最优搜索方向。还有其它方法包括爬山法、模拟退火法和列表寻优法等,均可统称为搜索算法。
文献[6]给出了以恢复尽量多的负荷和尽量少的开关操作为代价,依据两个目标相关的启发性知识来指导FSR的决策方法。文献[7]提出联络开关的备用容量、母线间的电气距离及分段开关可向联络开关转移负荷容量三个指标,指导FSR处理决策搜索。文献[8]以FSR前后功率损耗量的增加最小为目标,给出了基于节点一阶负荷矩的配电网供电恢复的实时计算方法。文献[9]描述了一个以恢复尽可能多的失电负荷为目标,以设备不过载为主要约束的与DMS配套的配电网FSR应用系统,以馈线的备用裕度来指导FSR决策过程,FSR包括自恢复、整区、分区、负荷转移及逐区段恢复五个步骤。文献[10]提出了以启发规则、简单因素加权求和所得的代价函数作为指导FSR决策的启发式搜索法,代价函数着重考虑了馈线、变压器的负荷率等因素,倾向于分段开关操作数量最小这一优化目标,而对电压、损耗等因素没有考虑进去。
3 基于优化算法的配电网故障恢复
GA具有较好的处理非线性、非连续问题的优点,适宜于求解大规模联合优化问题,因此GA在FSR领域得到广泛的研究。
文献[11~12]讨论了应用简单GA实现的多目标下的优化方案。文献[13]提出了基于多台微机的并行GA故障恢复解决方案。它先将网络中的负荷进行编号,编码时采用十进制编码方式,编码字符串的长度与网络中负荷点的数目一致,字符串中的字符表示该位置对应的负荷的上游负荷或电源的编号,评价函数考虑了电源容量裕度及负荷恢复量两个主要的目标和约束。文献[14]提出了ES与GA混合的配电网FSR算法,采用ES来搜索停电区域与供电路径,计算供电裕度等,从而形成初始解集,进一步用GA来执行网络重构。算例表明当网络规模大时,计算速度太慢。文献[15]讨论了正常状态下以网损最小、负荷平衡、及电压质量最好为目标的网络重构的GA实现,以及在应用GA中具体问题的解决。文献[16]以未恢复的失电区负荷最小、网络有功损耗最小为优化目标,采用RS理论来处理优化目标,联络开关、电容器组及负荷的状态进行二进制编码,形成解字符串,实现进化算法。
4 基于模糊数学理论的配电网故障恢复
文献[17~18]将模糊评估方法用于处理FSR。启发式搜索一般可以找出多组可行解,因此需要用某些评估方法未决定哪个方案最优。为了选出最优方案,某些约束条件可以适当放宽,因此常将评估规则模糊化。通常考虑如下四个隶属度函数:开关操作次数的隶属度函数,备用馈线负载程度的隶属度函数,负荷转供的隶属度函数,事故准备裕度的隶属度函数。模糊推理的一般过程为:按上述隶属度函数计算各自的隶属度,然后利用各自的评估规则对方案进行模糊评估,最后对各项评估结果加权求和以选取最优方案。
文献[19]将FSR划分成五个基本恢复模式:自恢复、单区恢复、二分区恢复、三分区恢复、负荷转移恢复。以开关操作个数差别在三个之内的解作为约束,在此基础之上形成决策解集。文中对各个评价目标模糊化,将各目标的模糊评价值的加权和作为解的最后综合评价,确定出最优恢复。
这类先形成有约束的FSR解集,再对所有解集择优的方法,缩小解集的空间、清晰、易懂,并可对最后解做出较好的解释。在FSR解集有效完备的情况下,可充分保证得到最优解。
5 其他的配电网故障恢复方法
ANN的解决非线性问题的能力及快速性的特点使其在配电网FSR的研究中获得了一定的应用。ANN的最大特点是可以通过样本的训练将输入与输出之间的非线性关系存储在神经元的权值中。文献[20]中用一个FNN实现台北某配电网的FSR问题,首先将失电区的分支划分成A、B、C三类,馈线负荷归一化值作为FNN神经网络的输入,输出为各支持分支及支持馈线在FSR后的开关状态。考虑到实际要求的结果应为开关的分/合状态,文中输出归一化值是一个变化的值P,当输出大于或等于P时,归一化为1,即开关应闭合,否则取为0,即开关保持分的状态。P初始值开始逐渐降低,对每个值对应的方案的可行性验证,直到得到FSR方案为止。
由于基于ANN的FSR重构不需要进行潮流计算,也不用对开关操作的降损效果进行估算,利用ANN可以大大降低配电网重构的时间。然而ANN算法依赖于提供的训练样本,要得到所有可能的负荷模式及其对应的最优配电网结构是困难的,训练样本也需要大量的时间,而且对于配电网运行方式或拓扑结构方式改变的情况,训练样本要重新构造。
文献[21]提出了以开关操作次数最少和网损最小为目标的TS技术实现的启发式搜索配电网络FSR重构算法。
文献[22]提出了一种多目标的配电网FSR算法。算法由包括FSR局部网的构造、可行FSR决策集的形成、决策集的评价三个基本步骤组成。恢复局部网构造根据失电区的负荷量确定所须的最小的故障分区,有效的缩小解集搜索范围,采用决策树的算法形成解集。所有解集的评价综合了失电损失、开关操作代价等六个目标,以简单求和的方法将六个目标综合。依据综合目标函数即可评价出FSR决策解。文献[23]只是在基本FSR解存在时,对所有基本解进行评价,如基本解不存在时,则制定目标函数,采用混合整数编程法进行求解。
文献[24]提出将petri网与启发式原理结合应用于配电网FSR的新方法。文献[25]首先根据实际经验和启发性规则,建立了Petri网模型,然后将FSR问题的分析方法转换Petri网的矩阵分析法进行分析,计算快,利于FSR处理的快速性。文献[26]Petri网应用于FSR的新方法:该算法主要由断开连接过程和恢复供电过程2个部分组成,其优点是可实现并行计算。在Petri网的初始状态中往往存在多个令牌,且某些迁移点有可能被同时激活,所以令牌可能同时在不同的路径下传送。它类似于并行推理过程,可同时得到数个求解路径。因此,Petri网适用于求解多故障、网络备用容量不足条件下的恢复供电。该算法的缺点是与网络的结构关系紧密,网络结构一旦发生变化,其算法必须修改。
6 结语
综合比较上述的方法,各个领域的FSR方法各有优缺点。优化算法计算量大,计算速度慢,任意陷入局部最优解;启发式搜索算法和ES主要基于模型和规则进行推理,计算速度快,但必须限定搜索的范围,避免盲目搜索;模糊技术用于进行FSR要与其他的方法相结合;ANN难以搜索到足够多的训练样本。另外,对于不同的网络,由于拓扑结构差异,负荷变化差异,如低谷负荷与高峰负荷,网络的潮流也不一样。对于每一种FSR算法,针对不同的网络,或简单的网络与大型复杂网络,各种算法也会表现出不同的性能。对于简单网络,有启发式搜索法直接快速,遗传算法未必有优势,而对于复杂的网络,遗传算法将体现出其全局寻优的优越性。为此,近年来出现了将多种算法相结合的趋势的混合算法,如遗传算法与专家系统相结合,启发式搜索与模糊推理相结合,遗传算法与模拟退火法相结合等。它们有助于克服单个算法自身的缺点,求取更好的FSR策略,缩短形成方案的时间。
就配电网建设的发展趋势来看,单一的算法己不再适用于自动化程度逐步提高的配电网FSR系统,只有紧密结合配电网建设的实际情况,充分利用现有设备,将人工智能和数学方法有机结合起来,才是最终的发展方向。
摘要：随着人民生活水平的提高和国民经济的发展对供电可靠性提出了更高的要求。配电网故障恢复重构作为配电自动化的核心功能,是提高供电可靠性的有效途径。本文对现有的各种配电网故障恢复算法进行了深入的研究,比较了其优缺点,并给出了配电网故障恢复重构的发展方向。
关键词：配电网,故障恢复,网络重构
参考文献
[1] T.Sakaguchi,K.Matsumolo.Develop-ment of A Knowledge Based System for Power System Restoration.IEEE Trans.on Power Apparatus and Systems,1983(2):320～329.
[2] Young-Moon Park,Kwang-Ho Lee.Appllication of Expert System to Power System Restoration In Sub-control Center.IEEE Trans.on Power Systems,1997,12(2):629～635.
[3] Heung-Jae Lee.A Restoration aid expert system for distribution substations.IEEE Trans.On Power Delivery,1996,11(4):1765～1770.
[4] Mendiola,M.C;etc.Fuzzy expert sys-tem for distribution system restoration and contingency operation[J].Proceedings of EMPD'95.1995,1:73～79.
[5] 葛朝强,唐国庆,王磊.综合智能式的故障恢复专家系统[J].电力系统自动化.2000(2):17～22.
[6] Yuan Yih Hsu.H.M.Huang,H.C.Kuo.Distribution system service res-toration using a heuristic search approach.IEEE Trans.on Power Delivery,1992,7(2):734～740.
[7] Miu,K.N,etc.Fast service restoration for large-scale distribution systems with priority customers and constraints.IEEE Trans.on Power Systems,1998,13(3):789～795.
[8] 杨明皓,黄单.配电网供电恢复的实时计算方法[J].电力系统自动化,2000,24(5):45～48.
[9] 陈竟成,徐德超,于尔铿.配电网故障恢复系统[J].电力系统自动.2000,24(4):46～51.
[10] Wu,J.S.,Tomsovic,Kevin,L.,etc.A heuristic search approach to feeder switching operations for overload,faults,unbalanced flow and maintenance.IEEE Trans.on Power Delivery,1991,6(4):1579～1586.
[11] 梁勇,张焰,候志俭.遗传算法在配电网重构中的应用[J].电力系统及其自动化学报,1998,12(4):29～34.
[12] 盛四清,梁志瑞,张文勤,等.基于遗传算法的地区电网停电恢复[J].电力系统自动化,2001,25(8):53～55.
[13] Fukuyama,Y,H-D Chiang.A parallel genetic algorithm for service restora-tion in electric power distribution systems.Proc[J].Of1995IEEE Inter-national Conference,1996,18(2):111～119.
[14] Fukuyama,Y,et al.A hybrid system for service restoration using expert system and genetic algorithm.Proc.of ISAP'96,International Conference on ISAP:394～398.
[15] Augugliaro A.Service restoration in compensated distribution networks using a hybrid genetic algorithm[J].Electric Power Systems Research,1998,46(1):59～66.
[16] Song,Y.H,Wang,G.S,et al.Evolution-ary approach to distribution networks reconfiguration for energy saving[J].14th International conference and Ex-hibition on Electricity Distribution,1997,5:33/1～33/8.
[17] 葛朝强,唐国庆,王磊.人工智能技术在配电网故障后恢复供电中的应用[C].迈向新世纪的高校电力科技——1999年全国高校电力系统自动化专业学术年会论文集,1044～1051.
[18] 刘天滇.超高压大系统最优恢复计划的多目标模糊决策法[J].电力系统自动化,2000,24(15):27～31.
[19] Seung-Jae Lee,Seong-II Lim,et al.Service Restoration of primary Distri-bution systems based on fuzzy evalu-ation of multi-criteria.IEEE Trans.on Power Systems,1998,13(3):1156～1163.
[20] Hsu,Y-Y,Huang,H-M.Distribution system service restoration using the artificial neural network approach and pattern recognition method.IEEE Proc.On Generation,Transmission and Distribution,1995,142(3):251～256.
[21] 李海锋,张尧,等.配电网故障恢复重构算法研究[J].电力系统自动化,2001,25(8):34～47.
[22] Popovic,D.S;Ciric,R.M.A multi-objective algorithm for distribution networks restoration.IEEE Trans.on Power Delivery,1999,14(3):1134～1141.
[23] Ciric,R.M,et al.A multi-object al-gorithm for distribution networks restoration.Power Engineering Society1999Winter Meeting,IEEE,1999,2:1163～1167.
[24] Jaw-Shyang Wu.A petri-net algo-rithm for multiple contingencies of distribution system operation.IEEE Trans.on power systems,1998,13(3):1164～1171.
[25] Huang,C.M,et al.A Petri Nets model for fast substation service restoration[J].Proceedings of EMPD'98,1998,2:473～478.
[26] WU J.S,et al.A Petri net algorithm for scheduling of generic restoration actions.IEEE Trans.on Power Systems,1997,12(1):69～76.