论文推送 | UrbanPS：基于电力大数据与空间优化策略的变电站选址优化框架

Yao, Y., Feng, C., Xie, J., Yan, X., Guan, Q., Han, J., Zhang, J., Ren, S., Liang, Y., Luo, P., (2023). A site selection framework for urban power substation at micro-scale using spatial optimization strategy and geospatial big data. Transactions in GIS.

01

摘要

由于极端天气与不断增长的城市用电需求，全球逐渐面临着越来越多的能源危机。在这样的背景下，优化现有变电站的空间位置以及对新的变电站进行选址变得至关重要。然而，目前的选址方法缺乏考虑城市电力需求的时空异质性，这导致了电力能源传输不合理，进而在某些区域出现停电现象。为了最大化电网覆盖率与变压器利用率，我们提出了一种多场景微观尺度的城市变电站选址优化框架（UrbanPS）：（1）该框架使用多源空间数据和机器学习模型估计不同场景下的精细尺度居民用电负荷分布；（2）采用区域生长算法划分每个变电站的供电区域；（3）引入位置集覆盖问题和遗传算法来优化变电站的位置。UrbanPS被用于对江西省萍乡市的110千伏终端变电站进行选址优化。结果表明，在不同功耗场景下，优化结果的覆盖率和利用率接近99%。我们还发现，通过动态调节变电站运行，可以节省电力。

02

UrbanPS框架

我们所构建的UrbanPS框架进行变电站选址优化流程主要包含三个步骤：（1）基于多源空间数据和电力大数据，利用随机森林模型构建四种场景下的电力负荷与空间变量因子之间的关系，得到电力负荷的精细尺度空间分布。（2）选择终端变电站的供电指标，以变电站为初始种子点，采用区域生长算法进行邻域功率扩散，逐步分配周边的用电需求点，得到各变电站的实际供电区域；（3）基于以上两步得到的不同场景下的城市居民用电需求和变电站供电区域，根据实际城市电网覆盖特点，将变电站选址问题抽象为LSCP，结合遗传算法求解最优位置，构建变电站选址优化模型。

2.1 基于随机森林的多场景居民用电需求

考虑到城市生产生活用电负荷随季节气候变化而变化，我们考虑了四种城市用电场景。它们分别是极端耗电、冬季高峰耗电、夏季高峰耗电和平时低谷耗电。极端用电情景是指全市各乡镇所有配电变压器在不同时间段的最大电力负荷之和。冬季高峰用电情景是指1月至2月期间的最大用电负荷值。夏季高峰用电情景是指6-8月份的最大用电负荷值。而平时用电低峰期则是每年3月和10月期间获得的最大负荷值。通过随机森林模型，我们对四种不同场景下的城镇用电负荷和多源空间数据驱动因素进行了建模，并构建了各种不同用电场景下的电力拟合模型。采用R2、Pearson's r 和均方根误差（RMSE）来评价模型的拟合精度，并绘制了四种场景下100 米分辨率的电力负荷空间分布图。

2.2 基于区域生长算法的变电站供电范围划分

本研究考虑了两个区域生长条件：（1）电力需求点与变电站之间的欧氏距离小于或等于供电半径；（2）变电站的负荷率小于最大负荷率。

首先，将初始变电站位置点指定为种子点。根据生长条件判断距离变电站最近的电力需求点，如果满足条件，则将其分配到该变电站。其次，我们考虑了种子点周围8邻域需求点的生长条件，并将满足条件的需求点分配给种子点。在判断电力需求点的生长条件时，计算所有变电站到该需求点的欧氏距离。如果最近的变电站满足持续生长的条件，则将需求点分配给离它最近的变电站。否则，从近到远逐步判断，将该需求点分配给其他变电站。上述步骤循环进行，直到达到其中一个终止条件，即区域增长终止，变电站供电范围划分完成。在UrbanPS 中，有三种终止条件：变电站达到最大负荷、所有电力需求点分配完毕或超出该变电站的供电半径。

2.3 基于遗传算法的变电站位置优化

首先是问题构建部分。变电站选址优化问题可以认为是建设尽可能少的变电站覆盖更多的用电需求点。本研究根据电力负荷的空间分布和配电网的特点（变压器容量、变压器台数、功率因数、供电半径、最大负荷率），引入位置集覆盖模型（LSCP），考虑到实际变电站供电范围划分，我们以城市电网覆盖率和电网设备利用率最大化为目标，从而建立了基于LSCP 的城市变电站选址问题。该问题可表述为：在城区范围内，用最少的终端变电站数量覆盖所有电力需求点，目标是实现电网覆盖率和设备利用率最大化。

在本研究中，电网覆盖率是指得到供电的用电需求点数量与总的用电需求点数量的比值。利用率定义为变电站当前负载率与最大负载率之比。同时，UrbanPS还可以考虑通过设置容量参数Cj来优化变压器的容量。具体数学表达式如下：

目标函数：

变量的约束条件：

其中，约束条件（2）确保变电站在供电安全范围内向需求点供电，且不会发生过载。约束条件（3）限制需求点与变电站之间的欧氏距离小于或等于变电站的供电半径。约束条件（4）确保覆盖权重和利用权重之和为1。其中，Ti、Lj、R、W1和W2为常数。Cj可以由算法优化，也可以根据实际应用场景由常数指定。其他符号代表优化模型计算出的变量。

其次是优化求解部分。本研究是从N个候选位置中选P个作为变电站的最优位置，以实现电网覆盖率和配变利用率最大化。遗传算法已被证明是解决组合优化问题的有效方法本研究使用遗传算法寻找不同场景下变电站最优站址的解决方案。具体的解决步骤包含编码、初始化、确定适应度函数、选择、交叉、变异、终止迭代7步，主要包括二进制编码，锦标赛选择，单点交叉，多点变异的方式。

2.4 评估现有变电站的空间分布情况

根据现有变电站的位置和电力负荷空间分布结果，采用区域生长算法划分每个变电站的供电区域。同时揭示了现有变电站覆盖和未覆盖的需求点以及现有变电站的负荷率。最后，电网覆盖率和变压器利用率的计算公式如下：电网覆盖率和变压器利用率的计算公式如下：

k表示现有变电站的索引号；γk表示变电站覆盖的电力需求点；D表示所有电力需求点；Wk表示变电站实际输出的有功功率；Mk表示变电站可输出的最大有功功率。

03

实验及结果

3.1 精细尺度用电负荷空间分布

本研究所构建的用电功率拟合模型具有较高的精度，拟合精度R2为0.453，RMSE为0.010，Pearson's r 为0.694。如图1所示，萍乡市4个不同用电场景总负荷按季节呈依次递减的趋势，呈现出较大的差异。极限用电场景下各个区域用电负荷都比较大，中心城区用电负荷最大，达到991.686MW，其次是卫星城（莲花县）665.377MW和工业区642.611MW。冬季用电高峰期用电需求整体下降，中心城区用电负荷为752.045MW，中心城区、卫星城、工业区依旧是用电负荷最大的区域。夏季用电高峰期与平时用电低峰期用电需求相对较小，中心城区、工业区、旅游景区和卫星城（上栗县）4个区域夏季用电负荷高于平时，这是由于炎热的夏季居民开空调耗电增加所致。而卫星城（莲花县）夏季用电负荷316.682MW，平时用电负荷375.379MW，出现明显的平时用电高于夏季用电的特殊情况。

图1. 4个不同场景下精细尺度用电功率制图。(a)极限用电；(b)冬季用电高峰期；(c)夏季用电高峰期；(d)平时用电低峰期。

3.2 现有变电站空间分布评价分析

对萍乡市现有23个变电站的覆盖率和利用率进行评估，4个不同场景下覆盖率、利用率分别为71%—95%，75%—99%，均存在不同程度的供电不足以及电网设备利用率较低的问题。如图2所示，卫星城（莲花县）在4个不同场景下缺电现象都较为严重。在极限场景下卫星城（莲花县）有58.27%的用电需求区域无法得到供电，缺电最为严重，冬季用电高峰期为42.07%，而夏季用电高峰期与平时用电低峰期这一比率分别为29.30%与30.53%。其余区域在极限和冬季高峰期场景下存在部分缺电现象。极限用电情况下缺电比较严重，电网覆盖率仅为71.39%，中心城区、卫星城（上栗县）、旅游景区均存在大面积缺电状况，该场景下极易导致萍乡市大面积停电事故。冬季高峰期情况下电网覆盖率为89.66%，在中心城区南部、旅游区东北部出现供电短缺。这两个用电需求比较高的场景电网覆盖率很低，有着接近99%的高配变利用率。而夏季高峰期与平时低峰期场景下，电网覆盖率接近95%可以满足大部分区域供电，仅卫星城（莲花县）存在缺电现象。这两个场景下变电站配变利用率比较低，其中夏季高峰期利用率为91.41%，平时低峰期利用率为75.51%。

图2. 萍乡现有110kV变电站在不同场景下覆盖和未覆盖的需求点。同一颜色的需求点由同一变电站供电。

3.3 多场景优化结果

如表1和图3所示，4个不同场景下优化结果的覆盖率和利用率可以达到99%~100%，基本可以覆盖到所有的用电需求点，同时在一定程度上提高了电网设备利用率，降低变压器损耗。极限场景下现有的23个变电站覆盖率仅为71.39%，优化结果的覆盖率可以达到99.47%，提高接近30%，需要42个变电站可以满足此场景下的城市用电需求，卫星城（莲花县）北部、东北部和西南部，工业区南部都需要新建变电站增加电能供给。冬季用电高峰期场景下现有23个变电站覆盖率为89.66%，优化结果的覆盖率为99.46%，提高接近10%，变电站增设的位置主要在卫星城以及旅游景区南部，需要28个变电站满足此场景下的用电需求。夏季用电高峰期场景下现有的23个变电站覆盖率94.49%，利用率91.41%，而优化结果23个变电站这两个指标都接近100%。中心城区关闭2-3座变电站，工业区南部，卫星城（莲花县）南部需要新增变电站。调整变电站的空间位置可以提高电网覆盖以及电网设备利用率。平时用电低峰期场景下现有23个变电站覆盖率94.49%，利用率75.51%，优化结果只需要20个变电站即可达到接近100%的覆盖率和利用率，在卫星城（莲花县）和旅游景区需要增加变电站提供电能，其它区域可以不同程度的关闭一些变电站。

图3. 萍乡市不同场景下变电站位置及其覆盖和未覆盖需求点的空间分布，同一颜色的需求点由同一变电站供应。

04

结果与讨论

针对城市新城区变电站的空间规划与用电高峰期电力短缺问题，本研究从大规模城市电网覆盖的角度提出了UrbanPS 框架，将最大覆盖率和利用率作为优化目标。在中国萍乡进行了变电站选址优化，结果验证了所提方法的理论和实际贡献。结果表明，UrbanPS有助于分配电力资源，有效缓解了快速发展城市高峰时段的电力短缺问题。建议通过动态调整不同变电站的运行来合理分配电力资源。本研究的结果可为中国城市新城区的电网规划提供参考。