一种基于种群性能排序选择的电力系统结构优化方法与流程

本发明涉及了一种电力系统优化方法，涉及在电力系统结构优化中的基于电力系统可靠性序列的一种基于种群性能排序选择的电力系统结构优化方法。

背景技术：

可靠性技术是在第二次世界大战后首先从航天工业和电子工业发展起来的，目前已渗透到宇航，电子，化工，机械等许多工业部门。可靠性技术渗透到电力工业和电工设备制造业始于20世纪60年代中期，以后发展的非常迅速。电力系统的功能是向用户尽可能可靠地经济地提供合格的电能，它的可靠性可定义为向用户提供质量合格，连续的电能的能力，这种能力通常用概率表示。所谓质量合格，就是指电能的频率和电压必须保持在规定范围以内。

随着电力体制改革的逐渐深入，电力系统的运营正在向着市场化的方向逐渐迈进。在此背景下要想提升电力企业的竞争力，就需要在确保电力系统安全性的前提下最大程度的降低电力系统建设以及运行中的成本。电力系统结构优化所要做的工作就是要遵照上述原则的基础上来制定结构。所以电力系统结构优化已经成为了电网发展的最主要问题，直接决定着电网的建设成本和安全性，因此对电力系统结构进行研究是非常有意义的。

电力系统结构优化最基本的原则就是确保系统的安全稳定，即保障电力系统的可靠性。保证电力线路功能处在正常状态。就算某一线路发生相应故障也不会影响到其他线路的正常供电。所以在电力系统结构优化中需要先考虑电力系统的可靠性，再考虑电力系统建设运行成本。

由于一个电力系统中存在多个电力元件，并且具有同一功能的电力元件也可能来自不同的类型，电力系统的结构优化的本质就是从各类电力元件中选择合适的电力元件，满足电力系统的可靠性和建设运行成本要求。最常见的电力系统结构优化算法是遗传算法，通过遗传算法的智能学习过程，将能够构建最优电力系统结构的电力元件数量和类型计算出来。

但是将遗传算法运用到电力系统结构优化中存在四个问题。

第一：遗传算法的第一代种群中所包含的个体数量选择是随机的，如果数量选择过少，则会造成优化不收敛，无法得到最优结构的问题，如果选择数量过多，则会是优化过程耗时过长；

第二：遗传算法的最终产生的种群总代数数量也是随机确定的，同理如果确定的种群总代数数量过多或者过少，都会造成优化结果的不精确和耗时过长；

第三：遗传算法的精确性很依赖算法初值的选择，如果选择合适的初值，则会很有效的改善算法的计算效果，但是传统遗传算法的初值也是随机确定的，从而算法的计算效果也具有一定的随机性；

第四：遗传算法的除第一代种群以外的其余代种群中所包含的个体数量选择也是随机的，或等于第一代种群所包含的个体数量，或直接取值为1000或者500，数量的确定没有科学依据。

技术实现要素：

为了解决背景技术中存在的问题，本发明提出了一种基于种群性能排序选择的电力系统结构优化方法。本发明方法从遗传算法的第一代种群包含个体数量、除第一代种群以外的其余代种群中所包含的个体数量、种群总代数数量以及遗传算法初值四个角度进行改善，从而在时间以及精度上提高传统电力系统结构优化算法，运用于在一个电力系统中不同类型、不同功能的电力元件的选择上，通过选择的电力元件构建满足可靠度要求下的平衡度方差最低的电力系统，并且若采用计算机进行计算处理的用时远远小于现有遗传算法。

如图1所示，本发明的技术方案如下：

第一步：针对电力系统，根据电力系统中电力元件的功能和类型的不同，确定每一种功能和每一种类型下的电力元件；

由不同数量的不同功能、不同类型的电力元件组建构成不同组电力系统结构，an个功能且每个功能an下的固定数量anm的类型且每个类型anm下的固定数量anmk的电力元件构成一组电力系统结构，生成大量不同的电力系统结构；

第二步：以第一步生成的所有不同的电力系统结构作为遗传算法的原始样本，原始样本中电力系统结构的数量即为样本总数，运用遗传算法进行处理，以一个电力系统结构作为遗传算法中的一个个体，利用第一选择方法修正获得遗传算法中的第一代种群包含个体数量和遗传算法初值；

第三步：基于第二步的结果，利用第二选择方法修正获得遗传算法中的除第一代种群以外的其余代种群中所包含的个体数量，

第四步：基于第二步和第三步的结果，利用第三选择方法修正获得遗传算法计算所需的种群代数的上限；

第五步：基于第二步～第四步的结果修正遗传算法，采用修正后的遗传算法对电力系统进行结构优化获得电力系统最优结构，确定电力系统最优结构的电力元件数量和类型，电力系统最优结构是指满足可靠度要求下的平衡度方差最低的电力系统结构，其中每一个电力系统结构的可靠度是由该电力系统结构中的各个电力元件通过蒙特卡洛算法计算得到。根据电力系统最优结构进行实施搭建电力系统。

本发明通过第二步、第三步和第四步的第一选择方法、第二选择方法和第三选择方法对传统的遗传算法进行修正，从第一代种群包含个体数量、除第一代种群以外的其余代种群中所包含的个体数量、种群代数上限以及遗传算法初值四个角度进行改善，提高了遗传算法的优化精确性，减少了遗传算法的计算时间。

所述第一步具体为：

1.1)电力系统由各个电力元件组成，根据电力元件的功能不同，确定同一种功能下的电力元件的数量；

1.2)针对同一种功能中的电力元件，根据电力元件的建设运行代价或者可靠度的不同，电力元件的建设运行代价或者可靠度是已知现有的，确定同一种功能的各种类型下的电力元件的数量。

电力元件例如为发电机、输电线路、升压变压器、降压变压器、换流器等。

不同数量的不同功能不同类型的电力元件的组成会构建多组电力系统结构，例如由三台汽轮发电机组成的电力系统结构和由三台水轮发电机组成的电力系统结构不同，属于两组电力系统结构。

电力元件按照功能分类，例如发电机是用于产生电能，输电线路是用于传输电能，升压变压器是用于提高电力的电压等级，这三种电力元件具有不同的功能，需要进行区分。根据电力元件的功能的不同，确定同一种功能下的电力元件的数量。

同一种功能下的电力元件也会来自不同类型。以发电机为例，发电机中分为汽油发电机、水力发电机、风力发电机和太阳能发电机等，而同为汽油发电机，也会因为不同的最大发电量、不同的建设运行代价而属于不同类型。针对同一功能下的电力元件的类型再次进行区分。

在本发明中，不同类型的区分主要基于两个因素：电力元件的建设运行代价以及电力元件的可靠度。如果在同一功能下的两个电力元件，表现出不同的建设运行代价或者可靠度，则认为这两个电力元件属于两种类型。根据电力元件的建设运行代价或者可靠度的不同，确定各种功能和各种类型下的电力元件的数量。

所述第二步具体为：

2.1)以电力系统结构为遗传算法的个体，从遗传算法的原始样本中选择g个作为第一代种群所包含个体的数量，遗传算法的第一代种群包含个体数量g由以下公式计算得到：

g＝in(1-pone)/in(1-p)

其中，p表示电力系统结构的数量包含概率参数，表示第一代种群包含个体数量g占遗传算法的样本总数的占比，即p＝g/遗传算法的样本总数，一般取1％或0.1％；pone表示电力系统结构的随机选择概率参数，表示选择的g个个体中至少包含性能最好的前g个遗传算法的计算样本的概率，一般取90％，99％或99.99％；in表示自然对数；

由此通过上述公式根据数量包含概率参数p和随机选择概率参数pone计算第一代种群包含个体数量g的大小。

2.2)从遗传算法的原始样本随机选择g个个体作为遗传算法的初值。

传统的遗传算法中，第一代种群包含个体的数量都是随机的，且一般取值为1000或者500等固定参数。本发明相比传统的遗传算法，科学地根据概率参数获得第一代种群包含个体数量g，能帮助后续实现准确的遗传迭代处理。

所述第三步具体为：

以电力系统结构为遗传算法的个体，从遗传算法的原始样本中选择s个作为除第一代种群以外的其余代种群所包含的个体数量，遗传算法的除了第一代种群以外的其余代种群所包含个体数量s由以下公式计算得到：

其中，e为自然对数的底数，k为第二选择设定参数，一般取10，z0、ρ、η和γ为第一、第二、第三、第四选择特性参数，表示向上取整。

综合上一代种群经过遗传算法后所包含的子代和父代的个体，即上一代种群所包含的全部的子代和父代的电力系统结构，求取每个电力系统结构的平衡度方差，将这些平衡度方差升序排列，确定第一、第二、第三、第四选择特性参数。根据第二选择设定参数和第一、第二、第三、第四选择特性参数的数值确定，就计算除第一代种群以外的其余代种群所包含的个体数量s的大小。

所述第四步具体为：

根据第一代种群包含个体数量g采用以下公式的第三选择方法计算遗传算法的种群代数上限g：

其中，g为遗传算法的种群代数上限，即遗传算法运行到第g代种群后应停止计算，表示向上取整。

由于第三选择方法的数量包含概率参数和随机选择概率参数均小于第一选择方法，从而通过in(1-pone)/in(1-p)计算得到的数值大于第一代种群包含个体数量g，从而g至少为1。

所述第五步具体为：

5.1)实际遗传算法运行时，采用三个输入变量，分别为第i种功能下的第j种类型所包含的电力元件数量ni,j、第i种功能所包含的电力元件类型总数ni和整个电力系统所包含的电力元件功能总数t；

对于任意一个电力系统结构，第i种功能下的第j种类型所包含的电力元件数量ni,j、第i种功能所包含的电力元件类型总数ni和整个电力系统所包含的电力元件功能总数t的三个输入变量确定后，则该电力系统结构也固定，从而遗传算法中的电力系统结构个体即是指不同数值的ni,j、ni和t的组合。

输出变量为确定唯一的电力系统结构后，该电力系统结构具有自身的平衡度方差phd。

5.2)以遗传算法初值的g组不同的电力系统结构作为遗传算法的第一代种群的父代，g组不同的电力系统结构即为g组不同数值的三个输入变量ni,j、ni和t的组合，运行遗传算法根据当前代种群的父代进行不断交叉遗传过程后产生当前代种群的子代个体；

每一次交叉遗传过程所产生的当前代种群的子代个体，即为由新的数值的三个输入变量ni,j、ni和t构成的新电力系统结构，然后利用新电力系统结构中已知的各个电力元件的可靠度采用蒙特卡洛算法计算新电力系统结构的可靠度r，并判断：

如果新电力系统结构的可靠度r不满足可靠度要求，即小于预设的可靠度阈值，则新电力系统结构无效舍弃，再次进行交叉遗传重新产生新的电力系统结构；

如果新电力系统结构的可靠度r满足可靠度要求，即大于等于规定的可靠度，则新电力系统结构有效，保留新电力系统结构的三个输入变量ni,j，ni和t的数值组合作为可靠电力系统结构；

5.3)不断运行遗传算法，直到产生g组可靠电力系统结构，且该g组可靠电力系统结构的可靠度均满足可靠度要求，以该g组可靠电力系统结构作为当前代种群的子代结果；

由遗传算法初值的g组不同的电力系统结构和g组可靠电力系统结构的父代和子代共同组成2g组电力系统结构，计算每一个电力系统结构的平衡度方差phd，一个电力系统结构的平衡度方差phd计算为：

其中，qi表示电力系统结构中第i种功能所包含的电力元件类型总数，qi,j表示第i种功能下的第j种类型所包含的电力元件的数量，phdi是第i种功能的电力元件的平衡度，avg是该电力系统结构的t种功能的电力元件的平衡度平均值。

本发明中，遗传算法的个体性能是指该电力系统结构的平衡度方差，电力系统结构的性能好即是指电力系统结构的平衡度方差最小。

电力系统结构的平衡度是电力系统结构中的同一功能下不同类型的元件数量衡量，同一功能下但不同类型的元件数量越相等则平衡度越好。采用平衡度方差来衡量平衡度，平衡度方差越小，表明同一功能下，不同类型的元件数量差越小，则平衡度越好，性能越好。

然后从低到高选择前s组具有最低平衡度方差phd的电力系统结构，作为下一代种群的父代，回到步骤5.2)；

由此再以下一代种群的父代的s组电力系统结构不断地交叉遗传过程，再产生g组电力系统结构的可靠度均满足可靠度要求的子代，再从中选择最低平衡度方差phd最低的前s组作为下一代种群的父代。

5.4)重复上述步骤5.2)～5.3)不断迭代，直到第g代种群的父代处理获得，第g代种群的父代的s组电力系统结构中选择满足可靠度要求的平衡度方差最低的电力系统结构，以该电力系统结构作为电力系统最优结构。

通过第一选择方法得到第一代种群包含个体数量，这同时也是遗传算法第x代种群的包含个体数量，1≤x≤g。在遗传算法中，通过第二选择方法，即在遗传算法中，可以得到除第一代以外的其余代种群包含个体数量均为s，在遗传到第g代的时候，遗传算法停止运行，保留第g代种群包含个体至第五步。

本发明的有益效果是：

相对于现有技术方案，本发明方法从第一代种群包含个体数量、除第一代种群以外的其余代种群中所包含的个体数量、种群总代数数量以及遗传算法初值四个角度进行改善，从而在时间以及精度上提高现有技术方案，大大节约了运算时间，且提高了结果的精度。

相对于现有技术方案，本发明方法运用于在一个电力系统中不同类型、不同功能的电力元件的选择上，通过选择的电力元件构建满足可靠度要求下的平衡度方差最低的电力系统，并且用时远远小于现有技术方案。

附图说明

图1是本发明方法的逻辑框图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明的实施例如下：

第一步：针对电力系统，根据电力系统中电力元件的功能和类型的不同，确定每一种功能和每一种类型下的电力元件；已知电力元件的功能共6种，每一种功能各包含的3种不同类型的电力元件，每一种类型的电力元件数量不定。由不同数量的不同功能、不同类型的电力元件组建构成不同组电力系统结构，由一种数量的不同功能、每个功能下一种数量的不同类型、每一类型下一种数量的电力元件组建构成一组电力系统结构，即三方面的数量组合构成一组电力系统结构的表征，从而随机生成大量不同的电力系统结构。

第二步：以第一步生成的所有不同的电力系统结构作为遗传算法的原始样本，原始样本中电力系统结构的数量即为样本总数，运用遗传算法进行处理，以一个电力系统结构作为遗传算法中的一个个体，利用第一选择方法修正获得遗传算法中的第一代种群包含个体数量和遗传算法初值。

选择数量包含概率参数为0.1％，随机选择概率参数为99.99％，计算得到第一代种群包含个体数量为4603。

第三步：基于第二步确定的第一代种群包含个体数量，运用遗传算法的原理，利用第二选择方法修正遗传算法中的除第一代种群以外的其余代种群所包含的个体数量的确定。

第二选择设定参数为10，第一、第二、第三、第四选择特性参数依次为7.7998、1.5094、-0.679和10，计算得到其余代种群所包含的个体数量为292。

第四步：基于第二步和第三步的第一选择方法和第二选择方法，利用第三选择方法修正遗传算法的种群总代数数量的确定。

选择数量包含概率参数为0.01％，随机选择概率参数为99.999％，计算得到种群总代数数量为5代。

第五步：基于第二步、第三步和第四步的第一选择方法、第二选择方法和

第三选择方法的结果修正遗传算法，采用修正后的遗传算法对电力系统进行结构优化获得电力系统最优结构，确定电力系统最优结构的电力元件数量和类型，电力系统最优结构是指满足可靠度要求下的平衡度方差最低的电力系统结构，其中每一个电力系统结构的可靠度是由该电力系统结构中的各个电力元件通过蒙特卡洛算法计算得到。根据电力系统最优结构进行实施搭建电力系统。

定义可靠度要求为0.96，即电力系统结构的可靠度大于等于0.96，则该电力系统结构有效。

随机选择不同数值的ni,j、ni和t，计算该电力系统结构的平衡度方差和可靠度，依次进行交叉遗传过程，直到产生第g代父代，则第g代父代的292组电力系统结构，选择其中满足可靠度要求下的平衡度方差最低的电力系统结构，就是电力系统最优结构。

最终确定的电力系统最优结构为第1种功能下包含3种不同类型的电力元件各1件，第2种功能下包含3种不同类型的电力元件各2件，第3种功能下包含3种不同类型的电力元件各1件，第4种功能下包含3种不同类型的电力元件各3件，第5种功能下包含3种不同类型的电力元件各2件，第6种功能下包含3种不同类型的电力元件各1件。计算所用时间为85秒。

实施例验证

利用传统的电力系统结构优化算法进行计算，其中针对电力系统结构的可靠度以及性能的计算公式不变，遗传算法参数不变，选择每一个种群所包含个体数量为1000。

最后计算得到的电力系统最优结构为第1种功能下包含3种不同类型的电力元件各1件，第2种功能下包含3种不同类型的电力元件各2件，第3种功能下包含3种不同类型的电力元件各1件，第4种功能下包含3种不同类型的电力元件各3件，第5种功能下包含3种不同类型的电力元件各2件，第6种功能下包含第1种类型的电力元件为2件和第2类型的电力元件为1件，和本发明得到的电力系统最优结构不一致，但本发明的电力系统最优结构的平衡度方差小于传统的电力系统结构优化算法，所以本发明的电力系统最优结构要优于传统的电力系统结构优化算法得到的电力系统最优结构，由此证明了本发明的计算的准确性。

传统的电力系统结构优化算法求取电力系统最优结构的时间为1250秒，约为本发明所用时间的14倍，由此也证明了了本发明的计算的有效性

由此可见，本发明具有更加准确的精确度，而且求取所用的时间大大缩减，更适用于现实的实际情况，其技术效果显著突出。