基于遗传算法的电力路径拓扑方法技术

本发明专利技术公开了基于遗传算法的电力路径拓扑方法，涉及电力路径布线技术领域。本发明专利技术包括：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；将同一地块区域内的环网柜串联形成电力路径环网结构；利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。本发明专利技术通过提升电力负载、电网建设时序与用电需求的匹配度；建立包括电力路径布设费用、线路损耗规划在内的目标函数方程，利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径；实现电路路径的优化，降低电缆线路布设投资。

【技术实现步骤摘要】
基于遗传算法的电力路径拓扑方法
本专利技术属于电力路径布线
，特别是涉及一种基于遗传算法的电力路径拓扑方法。
技术介绍
电力布线过程中，一般通过人工实地勘察并记录实时数据后；然后通过多方专家初步设计规划线路，并在多次模拟铺设场景预演后，最后再实施铺设。整个过程中，效率较低、耗时较长，成本开销较大；并且由于人工布线规划过程中，并不能每一段铺设都实现最优路线，进而导致铺设线路不合理、浪费成本。本专利技术提供一种基于遗传算法的电力路径拓扑方法，用于解决上述问题，实现便捷高效的电力路径拓扑。
技术实现思路
本专利技术的目的在于提供基于遗传算法的电力路径拓扑方法，通过提升电力负载、电网建设时序与用电需求的匹配度，以及电力路径布线最优路径，解决了现有的电力系统布线路径不合理的问题。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为基于遗传算法的电力路径拓扑方法，包括如下过程：S00：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；且Lmn≤Lim；其中，Lmn为第m座变电站的第n条电力路径的长度，Lim为预设的任一变电站的电力路径的最大长度，Lim的范围为[5,10],单位：km，ω为电力路径单位长度布设费用，x为电力排线折旧年限，t0为未来贴现率，M为电力路径上变电站的数量，Nm为当前第m个变电站的电力路径的数量，Pm为当前第m天电力路径上所带负载，为电力路径线路耗损系数；S01：在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；S02：将同一地块区域内的环网柜串联形成电力路径环网结构；以电缆网为例，规划电力线路路径寻优；根据负荷预测获得各个子地块的负荷，确定该子地块需要的环网柜数量；根据负荷性质，确定电缆环网类型；S03：利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。优选地，S03具体包括如下过程：S031：对电力路径环网结构内n各环网柜进行随机编码为[1,n]，形成一个染色体；S032：确定用于量化染色体对目标匹配性的匹配度函数：其中，Smn为第m座变电站的第n条电力路径的实际长度；S033：确定遗传算法参数包括：种群数量M，最大代数Gmax，变异率ηm以及交叉率ηc；S034：确定旋转轮赌次数num，每次旋转都为新群主选择一个个体，采用轮赌方式确定匹配值最大的作为父体；其中，所述轮赌次数num范围为：[100,200]；S035：采用交叉算子方式消除重复；S036：采用倒位变异法，随机选择a1和a2交换位置，并将两点间数字从靠后开始倒置放置；S037：评选并存储新群体总最优染色体，并输出最优解。优选地，S035具体包括如下：利用部分映射确定交叉操作的父代，将num个样本两个为一组形成num2组；从[0,1]区间内产生随机数b1和b2；另r1等于b1*num和b2*num确定两个位置，对两位置间数据交叉；同一样本中出现重复环网柜，消除重复。优选地，S034中确定匹配值最大的作为父体具体如下：计算各染色体匹配值mate(Vi)和群体的总匹配值；其中，i＝1,2，...，M；计算各染色体Vi的择优概率Pv＝mate(Vi)/f；计算各染色体的累计概率。本专利技术具有以下有益效果：本专利技术通过提升电力负载、电网建设时序与用电需求的匹配度；建立包括电力路径布设费用、线路损耗规划在内的目标函数方程，利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径；实现电路路径的优化，降低电缆线路布设投资。同时，相比于通过实际测量，减少了人工消耗，提高布线效率，规划更加灵活。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的基于遗传算法的电力路径拓扑方法的流程图；图2为本专利技术基于遗传算法的电力路径拓扑方法中利用遗传算法获取最短电力布设路径的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1所示，本专利技术为基于遗传算法的电力路径拓扑方法，包括如下过程：S00：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；且Lmn≤Lim；其中，Lmn为第m座变电站的第n条电力路径的长度，Lim为预设的任一变电站的电力路径的最大长度，Lim的范围为[5,10]；本实施例中选择Lim＝6,单位：km，ω为电力路径单位长度布设费用，x为电力排线折旧年限，t0为未来贴现率，M为电力路径上变电站的数量，Nm为当前第m个变电站的电力路径的数量，Pm为当前第m天电力路径上所带负载，为电力路径线路耗损系数；S01：在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；实际上，根据电缆路径将各个环网柜依次连接，形成单环网或双环网电力路径；S02：将同一地块区域内的环网柜串联形成电力路径环网结构；以电缆网为例，规划电力线路路径寻优；根据负荷预测获得各个子地块的负荷，确定该子地块需要的环网柜数量；根据负荷性质，确定电缆环网类型；S03：利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。请参阅图2所示，S03具体包括如下过程：S031：对电力路径环网结构内n各环网柜进行随机编码为[1,n]，形成一个染色体；S032：确定用于量化染色体对目标匹配性的匹配度函数：其中，Smn为第m座变电站的第n条电力路径的实际长度；S033：确定遗传算法参数包括：种群数量M，最大代数Gmax，变异率ηm以及交叉率ηc；具体的，群体规模越大，处理模式越多，陷入局部解的可能性越小，极易陷入未成熟收敛，但规模过大会增加计算量，影响算法效率，本实施例中选取80；S034：确定旋转轮赌次数num，每次旋转都为新群主选择一个个体，采用轮赌方式确定匹配值最大的作为父体；其中，轮赌次数num范围为：[100,200]；具体的，赌轮是按个体的适应度进行选择的，适应值大的个体则选取，适应值小的个体则去除；具体的还包括：计算各染色体匹配值mate(Vi)和群体的总匹配值；其中，i＝1,2，...，M；计算各染色体Vi的择优概率Pv＝mate(Vi)/f；计算各本文档来自技高网...

【技术保护点】
1.基于遗传算法的电力路径拓扑方法，其特征在于，包括如下过程：/nS00：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；/n

【技术特征摘要】
1.基于遗传算法的电力路径拓扑方法，其特征在于，包括如下过程：
S00：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；



且Lmn≤Lim；
其中，Lmn为第m座变电站的第n条电力路径的长度，Lim为预设的任一变电站的电力路径的最大长度，Lim的范围为[5,10],单位：km，ω为电力路径单位长度布设费用，x为电力排线折旧年限，t0为未来贴现率，M为电力路径上变电站的数量，Nm为当前第m个变电站的电力路径的数量，Pm为当前第m天电力路径上所带负载，为电力路径线路耗损系数；
S01：在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；
S02：将同一地块区域内的环网柜串联形成电力路径环网结构；
S03：利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。


2.根据权利要求1所述的基于遗传算法的电力路径拓扑方法，其特征在于，S03具体包括如下过程：
S031：对电力路径环网结构内n各环网柜进行随机编码为[1,n]，形成一个染色体；
S032：确定用于量化染色体对目标匹配性的匹配度函数：

其中，Smn为第m座变电站的第n条电力路径...

【专利技术属性】
技术研发人员：唐志强，陈思，
申请(专利权)人：江苏蔚能科技有限公司，
类型：发明
国别省市：江苏;32