一种配电投资目标对象决策模型及其混合编码遗传算法制造技术

本发明专利技术属于配电网规划管理技术领域，尤其涉及一种配电投资目标对象决策模型及其混合编码遗传算法。具体内容包括：定义投资决策量，定义对象优先权重，定义投入系数，建立终决策模型。本申请还提供用于配电投资目标对象决策模型的混合编码遗传算法，包括如下步骤：原始数据收集，基于混合编码遗传算法初始化种群并计算决策模型，本申请的配电投资目标对象决策模型可用于配电网多目标对象的配电投资决策，用于辅助配电网规划过程中确定最佳能够实现配电网效能提升效果的投资目标和投资方案，结合相应的编码遗传算法，可以有效提高在大量目标对象存在时对于系统的运算压力，提高效率。提高效率。提高效率。

【技术实现步骤摘要】
一种配电投资目标对象决策模型及其混合编码遗传算法


[0001]本专利技术属于配电网规划管理
，尤其涉及一种配电投资目标对象决策模型及其混合编码遗传算法。

技术介绍

[0002]在配电网投资规划过程中，涉及到的目标对象类型多种多样且数量庞大，在进行规划过程中，对于对象属性和在统筹规划进行过程中将具有联动属性的多个对象进行综合处理，一直是规划设计中的重点难点，目前常用的多目标多对象遗传算法一般针对不同对象都面临目标多，涉及的属性以及约束限制数量庞大，在进行求解运算过程中吗，对系统算力资源以及软硬件设备的要求高，运算执行的时间和能耗大等问题，在进行日趋犊砸的配电网决策设计以及日趋多样的目标优化统筹问题时，其效率和结果不尽人意，适应越来越严格的企业及市场需求。

技术实现思路

[0003]本专利技术的目的在于，提供一种便于对大量目标对象进行投资决策管理，可以快速确定最佳或较佳投资决策量和目标对象数据，有助于提高配电网规划投资决策效率的配电投资目标对象决策模型，同时提供一种可减少对系统算力资源需求，降低对系统软硬件要求及其混合编码遗传算法。
[0004]为实现上述目的，本专利技术采用如下技术方案。
[0005]一种配电投资目标对象决策模型，具体内容包括：
[0006]对于M个配电投资目标对象，定义投资效能收益期望为R＝η
T
w；
[0007]其中η＝[η1,η2...η
m
...η
M
]T
，η
m
>为第m(m∈M)个目标对象的投资效能收益期望，w＝[w1,w1...w
m
...w
M
]T
为投资变量，w
m
≥0是指第m个目标对象的投资权重且
[0008][0009]定义投资决策量a
m
，表示第m个目标对象是否进行投资升级的决策量，若进行投资，则a
m
＝1，若不进行投资则a
m
＝0；且其中A为每轮投资预期的目标对象的数量，
[0010]定义对象优先权重b
m
(0≤b
m
≤1)用于表示对第m个目标对象进行投资升级的优先度，当b
m
＝1则表示第m个目标对象必须要进行投资升级，当b
m
＝0则表示第m个目标对象可以不进行投资升级；
[0011]定义投入系数c
m
表示保证第m个目标对象进行投资的投入产出平衡条件，投入产出系数c
m
∈[c
m
‑
min
,c
m
‑
max
]，其中c
m
‑
min
是保证对第m个目标对象进行投资后的效能收入与基础工作量指出平衡的投资量，c
m
‑
max
是第m个目标对象进行投资后的效能提升与投入平衡的投资量；
[0012]假设在投资变量w下，第m个目标对象相应的效能损失为f(w,m)，则保证效能损失比不超过β且出现概率不超过α的条件为V＝inf{β|∫
f(w,m)≤β
ρ(r)dr≥α}，inf是指下确界；ρ(r)为目标对象概率密度函数；
[0013]则最终决策模型Goal为：
[0014]Goal＝maxR＝η
T
w；
[0015]其对应的约束条件为：
[0016][0017]本申请还提供用于配电投资目标对象决策模型的混合编码遗传算法，包括如下步骤：
[0018]A、原始数据收集的步骤
[0019]对于配电规划建设的M个投资目标对象，统计其N个采集周期内的单位投资效能收益数据，建立其投资效能收益矩阵：
[0020][0021]其中r
mn
为第m个目标对象在第n个采集周期内的单位投资效能收益数据；分别计算各目标的单位投资效能收益期望
[0022]若第m个目标对象具有S个关联对象，在单位成本投资下第m个目标对象相关联的第s个对象其他对象的效能变量为d
ms
(s∈S)；则第m个目标单位投资引起的效能变量为单位投资引起M个目标对象的效能期望最终值为按照效能期望最终值由大到小进行排序，得到M个目标对象的单位投资效能收益序列T，序列T中包含若干优先权重b
m
＝1的必要投资对象，最终得到M个目标对象的效能期望最终值序列为T＝{T1,T2...T
p
,T
M
‑
p
...T
M
}；其中T1,T2...T
p
是优先权重b
m
＝1的必要投资对象效能的期望，T1≥T2≥T3≥...T
p
‑1≥T
p
，T
p+1
≥T
p+2
≥...T
M
‑1≥T
M
；
[0023]B、基于混合编码遗传算法初始化种群并计算决策模型，基于混合编码方法中的解码方法确定最佳投资方案；
[0024]输入为目标模型Goal＝maxR＝η
T
w；
[0025]其对应的约束条件为：
[0026]根据系统算力资源及规划需求确定种群大小、算子参数以及迭代参数；
[0027]使用混合编码方法生成初始化种群Q＝{(u1,w1)1,(u2,w2)...(u
q
,w
q
)...(u
Q
,w
Q
)}；
[0028]其中(u
q
,w
q
)是指一个投资方案，u
q
是投资对象量，指包含拟投资对象的集；w
q
是u
q
对应的一个投资决策量，含有所有拟投资头像的投资权重，且
[0029]对前述配电投资目标对象决策模型的混合编码遗传算法的进一步改进或这完善还包括，，为投资决策量筛选过程中，定义一个投资转移变量V＝{v}，v＝1表示将一个单位的投资量从前一个对象转移至后一个目标对象，v＝
‑
1表示将一个单位的投资量从后一个对象转移至前一个对象，则对于任意一个确定的投资对象量u
q
，其对应的所有投资策略可视为某一个初始投资策略与以下投资转移矩阵V中若干行的组合。
[0030]其中x为投资对象量u
q
中投资对象的总数；
[0031]投资转移矩阵V中的某一行表示将投资对象量u
q
中的某两个相邻对象之间单位投资的调整，对于非相邻对象，视为单位投资的连续调整，对于非单位投资，视为进行重复调整。
[0032]对前述配电投资目标对象决策模型的混合编码遗传算法的进一步改进或这完善还包括，，在初始化种群生成投资对象量的过程中，任意u
q...

【技术保护点】

【技术特征摘要】
1.一种配电投资目标对象决策模型，其特征在于，具体内容包括：对于M个配电投资目标对象，定义投资效能收益期望为R＝η
T
w；其中η＝[η1,η2...η
m
...η
M
]
T
，η
m
为第m(m∈M)个目标对象的投资效能收益期望，w＝[w1,w1...w
m
...w
M
]
T
为投资变量，w
m
≥0是指第m个目标对象的投资权重且定义投资决策量a
m
，表示第m个目标对象是否进行投资升级的决策量，若进行投资，则a
m
＝1，若不进行投资则a
m
＝0；且其中A为每轮投资预期的目标对象的数量，定义对象优先权重b
m
(0≤b
m
≤1)用于表示对第m个目标对象进行投资升级的优先度，当b
m
＝1则表示第m个目标对象必须要进行投资升级，当b
m
＝0则表示第m个目标对象可以不进行投资升级；定义投入系数c
m
表示保证第m个目标对象进行投资的投入产出平衡条件，投入产出系数c
m
∈[c
m
‑
min
,c
m
‑
max
]，其中c
m
‑
min
是保证对第m个目标对象进行投资后的效能收入与基础工作量指出平衡的投资量，c
m
‑
max
是第m个目标对象进行投资后的效能提升与投入平衡的投资量；假设在投资变量w下，第m个目标对象相应的效能损失为f(w,m)，则保证效能损失比不超过β且出现概率不超过α的条件为V＝inf{β∫
f(w,m)≤β
ρ(r)dr≥α}，inf是指下确界；ρ(r)为目标对象概率密度函数；则最终决策模型Goal为：Goal＝maxR＝η
T
w；其对应的约束条件为：2.用于权利要求1所述的配电投资目标对象决策模型的混合编码遗传算法，其特征在于，包括如下步骤：A、原始数据收集的步骤对于配电规划建设的M个投资目标对象，统计其N个采集周期内的单位投资效能收益数据，建立其投资效能收益矩阵：其中r
mn
为第m个目标对象在第n个采集周期内的单位投资效能收益数据；分别计算各目标的单位投资效能收益期望
若第m个目标对象具有S个关联对象，在单位成本投资下第m个目标对象相关联的第s个对象其他对象的效能变量为d
ms
(s∈S)；则第m个目标单位投资引起的效能变量为单位投资引起M个目标对象的效能期望最终值为按照效能期望最终值由大到小进行排序，得到M个目标对象的单位投资效能收益序列T，序列T中包含若干优...

【专利技术属性】
技术研发人员：刘汇川，马倩，徐佳琪，唐杰，俞晓荣，冯伟，赵辛，王鑫，
申请(专利权)人：国网江苏省电力有限公司泰州供电分公司，
类型：发明
国别省市：