基于遗传算法的分布式配电网供电可靠性评估方法

李思凡，王海生，胡华青，邱剑洪，张昌俊

（海南电网有限责任公司，海南 海口 570100）

0 引言

随着社会经济的快速发展，电力行业的供电方式发生了巨大转变，由于传统的发电模式对环境的污染问题，国内外展开了新能源的应用研究。在对不同清洁能源和可再生能源的利用上，以风力发电和光伏发电为主构成了现阶段我国电网的主要供电类型[1]。由于可再生能源发电方式，在不同的气候条件下产生波动较大，存在间歇式供电的可能性，影响整个电力系统的供电可靠性，需要对配电网的供电能力进行有效评估。

在传统评估方法中只有设备发生故障后，其故障设备便无法从电网中获取能源，导致部分电网处于无负荷状态造成停电，以此才能对整个线路的问题进行检查和评估。但由于单个设备的故障问题，在整个电网中无法使其保持原有运行状态，所得的可靠性评估结果准确性会降低，影响配电网后期对不确定负荷参数的调节效果。在此背景下提出遗传算法的评估方法设计思路，遗传算法的主要优势在于能够对电网进行全局搜索，在数据叠算过程中找到最优解，利用较少特征参数得到更好的分类效果，以此评价各供电数据的优劣状态[2]。本文在该算法的基础上，设计分布式配电网的供电可靠性评估方法。

1 基于遗传算法的分布式配电网供电可靠性评估方法

1.1 定点采集分布式配电网的供电数据

在电力结构发生转变的情况下，分布式电网结构逐渐在电力系统中占据主要地位。其中，包含多种新能源的供电形式。但由于新能源的类型以可再生能源为主，其受自然特性影响的几率较大，在供电过程中极容易发生不稳定现象[3]。因此，需要对供电数据进行可靠性评估，以保证分布式配电网的稳定运行。

在分布式配电网中分为两个主要的数据传输和接收结构，即主电站和配电站，通过配电站对各个线路进行供电而产生电力数据。其经过线路的各个节点受多种因素影响，会产生有效数据和无效数据，在两者结合的情况下，共同输入到主电站中，让工作人员能够及时接收到线路的状态信息。

但由于分布式电网的结构特性，在数据的传输过程中极容易出现丢失现象。因此，需要在评估的线路中设置多个遗传网络节点，以此对所有的数据进行统计，避免出现丢失数据对后期评估的负面作用。根据分布式配电网中的供电数据来源，在采集到的信息数据中包含大量的未知参数，若在对其供电可靠性指标性能评估时，会出现较大数据误差，对电网运行状态检测产生不利影响。

1.2 基于遗传算法批量设置电网评估体系指标

对采集数据进行多个方向的指标设置，以遗传算法的优势批量设计电网的供电评估体系，从中分析出多个方向的目标评价指标。遗传算法的网络结构需要包括多个方面，即数据输入层和输出层的参数，网络结构的层数以及目标函数，根据不同的网络结构的设计标准，在遗传网络中加入隐含的神经元个数[4]。

分别对不同的遗传网络结构进行衡量，其中输入层和输出层主要解决选取的指标影响因素，通过其在内的神经元个数来确定影响因素的目标数量，以此对影响电网评估准确性的若干因素进行多角度选取。在确定网络结构中隐含层神经个数的计算方式中，对布置神经元个数分配数量为整体结构难点，一般认为网络层级中的隐含神经元个数越多，能够代表的隐含层数就越多，最终得到的评估准确度就越高。通过隐含层神经元的连接样式，在设置其数据训练速度的基础上，对数据样本分类成两个选定集合，利用经验布置公式进行神经元的个数计算，表达式为：

式中：隐含层的神经元目标数用z来表示，输入层神经元的数量用来x表示，输出层隐含神经元的数量用c来表示，在两个相邻的层级中引入相关系数用a来表示，其参数选取区间设置在a∈[1 -10]的范围内。

根据经验公式能够在初步设定神经元个数中，粗略计算大致结果，以逐渐增加以及减少隐含层的神经元数值，以此叠加反复确定神经元个数的最终结果，以最小的网络误差结果作为最终神经元的数量个数。

在目标个数确定完成后，分别对相邻的神经元特征进行分类，组建新的评价指标体系，并对激活的目标函数指标进行多余数据删除，最大效果进行多级指标的设定，建立目标评价参数的模糊聚类矩阵。

1.3 建立模糊聚类矩阵量化评估供电可靠性

按照分布式配电网的连接架构，在设备好的电网评估指标体系中，对需要测定的可靠性运行模型进行评判，建立相关系数的模糊聚类矩阵，在量化处理对比结果过程中完成供电可靠性的效果评估。由于评价指标体系主要的影响因素，为并行配电网的线路连接模式，在评价过程中需要对影响供电的故障因素进行确定，分布式配电网的主要供电来源，分别为风力发电、水力发电以及光伏发电。

以此在设置的评估指标中对相互联系的影响因素建立里连接矩阵，分别用参数wf、wg和wh代表发电来源，在极端条件下电网的崩溃次数会形成数据集合Q，运行聚类分析的模糊对比方式，对可能发生或者一定发生内的事件进行计算，表达式为：

公式中，对分布式配电网中的主要影响因素，分别用f和g以及h来表示，在其对应的接收数据中含有对应矩阵，表示为wf和wg以及wh；每组数据的正常负荷值用wik和wac以及wvl来表示。根据配电网中各组负荷的变化，对比常态和故障的信号数据区别，当故障数据计算结果大于常态值时，表示该对比关系的可靠度较低；在矩阵对比结果中其最终结果小于常态值，即可认定为供电线路的可靠性更高。

至此，通过配电网的位置定点，采集分布式配电网中的供电数据，基于遗传算法批量设置电网评估体系指标，按照多个层级的指标评估目标方向，建立模糊聚类矩阵量化评估供电可靠性，完成基于遗传算法的分布式配电网供电可靠性评估方法设计。

2 实验分析

2.1 选择配电网线路

为验证此次设计的配电网可靠性评估方法具有实际意义，在选定的分布式配电网中进行供电数据的筛选，以实验测试的方法对存在的线路故障进行评估，确定不同线路中故障的电力负荷。供电可靠性的评估目的主要是在发生故障时，能够通过其他区域内的设备进行负荷切换，以此保证不同线路中的电源正常供电，防止大面积的线路停电现象。本次实验以IEERETS测试平台为基础，在选取某省持续运行的配电线路中，进行供电可靠性的评估测试，该线路中每个连接首端的负荷一致，包括光伏发电站和风力发电站两个类型。

光伏发电站和风力发电站分别接入节点，在每条线路中变压器的额定电压容量在120-260kW范围内。对于整体线路中出现的故障点位置进行配电设备划分，以划分测试区域内的主要线路走向确定待评估对象，主要线路共三条。其中电力负荷隔离开关共计18个，配电变压器共计24个，以同条线路中平均分配6个隔离开关和8个变压设备为前提，对每个供电路径进行约束条件设置，使其能够在分布式配电网范围内产生的供电数据满足额定电压范围。

2.2 配电线路可靠性评估过程

此次实验的目的主要是为了在选取的配电网中，对三条主线路的电压负荷进行可靠性评估，通过多个配电设备和装置进行数据采集，作为线路中最高电压的评估基础信息，以有效对照高负荷电压的变化过程。实验开始前选择两组传统的评估方法，同时在三组线路接收数据后，进行有效电量的可靠性评估，分别对划定区域内的负荷电压进行测量，其中线路I1的电压负荷最高为240kW，I2线路和I3线路的电压负荷分别为130kW和180kW。将三组评估方法分别运用在主线路中，对采集到的电力数据进行评估，在20s的检测时间内是否能够找到对应的最高负荷电压，具体结果如下图1所示。

图1 不同方法的配电线路电压评估对比

根据图1所示，在对配电线路中三条主线的电压负荷进行测量时，随着电压负荷的不断增加，不同评估方法对最高电压的评估结果各不相同。本文设计的方法可以在设定的数据采集间隔中，直接找到三条线路的最高负荷点，进行有效评估；而两组传统方法评估的数据结果，与最高点电压负荷有一定差距，尤其是线路I1中的负荷数据相差巨大。综合实验结果表明：当线路负荷过高时容易出现线路故障，本文的方法能够在极短时间内完成线路的最高负荷评估，为线路的安全运行提供数据支持，具有实际应用意义。

2.3 可靠性评估结果分析

为进一步验证本文设计的评估方法能够和电力负荷具备更高的匹配度，分别将三组线路的实际测量结果输入至测试平台中，模拟实际分布式配电网的供电运行效果，整个持续运行时间超过8小时，在多轮测试过程中对线路的电力负荷进行评估。以每个20s为一次评估间隔，在线路超过220kW时，若持续运行6小时会发生线路故障，从而线路的电力负荷值被消除，即I1线路中会出现线路故障，实际的检测结果中会出现空白数据，具体评估方法下对应的可靠性结果如下表1所示。

表1 配电网线路可靠性评估结果（电力负荷kW）

根据表中内容所示，在本文方法的应用下，三条线路的评估结果能够和真实数据进行匹配，基本上没有出入，而两组传统方法的负荷评估值与真实数据存在差距，在电力事故发生时不能保证及时排查。综合实验结果表明：将不同的评估方法应用在分布式电网中，对电力负荷数值进行评估，通过评估结果对故障线路进行排查，本文的方法能够对高压负荷作出准确评估，具有实际应用意义。

3 结语

本文在遗传算法的基础上，分别设置分布式配电网的采集节点，通过隐藏层中的神经元个数，建立多个级别的电网供电可靠度评价指标体系，以此选择适合评估的指标函数，在模糊聚类的区间范围中建立隶属度矩阵，进行多个层次的可靠度效果评价。实验测试结果表明：选择不同的分布式发电站测试对象，以多条线路的电力负荷值为评估目标，本文的方法能够将实际值与故障数据进行匹配，完成配电线路的故障排查和定点评估。