一種基于遺傳模擬退火算法的電網(wǎng)線損管理評價(jià)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于遺傳模擬退火算法的電網(wǎng)線損管理評價(jià)方法。
【背景技術(shù)】
[0002] 由于電網(wǎng)結(jié)構(gòu)、社會經(jīng)濟(jì)因素等各方面的差異，不同電網(wǎng)間的線損水平存在較大 差異，為了更客觀評價(jià)線損管理水平，需根據(jù)電網(wǎng)的不同屬性劃分出幾個(gè)梯隊(duì)，將屬性類似 的電網(wǎng)聚到一個(gè)梯隊(duì)中進(jìn)行評價(jià)，各梯隊(duì)間相互獨(dú)立互不干擾，其本質(zhì)為一種聚類。
[0003] K-MEANS算法為一種簡單有效的聚類算法，但由于其在尋找聚類中心的過程中采 用了啟發(fā)式方法，對初始聚類中心的選擇較為敏感，并且，該算法需事先指定聚類個(gè)數(shù)，而 在實(shí)際應(yīng)用中往往無法準(zhǔn)確獲悉樣本的聚類個(gè)數(shù)，因此，傳統(tǒng)的K-MEANS聚類算法容易陷入 局部最優(yōu)解。
[0004] 遺傳算法(Genetic Algorithm，GA)是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳 學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法，其 引入了選擇、交叉和變異等操作，可以隨機(jī)的方式獲取最優(yōu)解，但其局部尋優(yōu)能力不足，且 存在早熟的缺陷。模擬退火算法(Simulated Annealing，SA)從某一較高初溫出發(fā)，伴隨溫 度參數(shù)的不斷下降，在局部最優(yōu)解能概率性地跳出并最終趨于全局最優(yōu)，具有很強(qiáng)的局部 搜索能力?；谶z傳模擬退火算法的聚類算法則綜合了遺傳算法與模擬退火算法的優(yōu)勢， 能以較大的概率獲得全局最優(yōu)解。

【發(fā)明內(nèi)容】

[0005] 針對上述問題，本發(fā)明提供一種基于遺傳模擬退火算法的電網(wǎng)線損管理評價(jià)方 法，劃分過程中的聚類個(gè)數(shù)在算法運(yùn)行過程中動態(tài)調(diào)整確定，彌補(bǔ)了傳統(tǒng)的K-MEANS聚類算 法對初始聚類中心敏感、難以事先確定聚類個(gè)數(shù)的不足，能以較大的概率獲取全局最優(yōu)的 劃分結(jié)果，對電網(wǎng)線損管理評價(jià)工作具有一定的參考價(jià)值。
[0006] 為實(shí)現(xiàn)上述技術(shù)目的，達(dá)到上述技術(shù)效果，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：
[0007] -種基于遺傳模擬退火算法的電網(wǎng)線損管理評價(jià)方法，其特征在于，包括如下步 驟：
[0008] 步驟一:對影響電網(wǎng)線損水平的因素進(jìn)行數(shù)學(xué)建模，包括電壓等級及層次、線路平 均長度、導(dǎo)線截面積、配變設(shè)備狀況、無功補(bǔ)償配置、負(fù)荷時(shí)間分布、單位變電容量負(fù)載率、 電網(wǎng)最大自然無功負(fù)荷系數(shù)、分壓售電量、無損電量占比、農(nóng)村面積占比、非工業(yè)GDP占比以 及供電密度，并根據(jù)應(yīng)用需要及數(shù)據(jù)質(zhì)量建立電網(wǎng)線損N維指標(biāo)向量，其中，1SNS 13;
[0009] 步驟二:在電網(wǎng)線損N維指標(biāo)向量生成的樣本集中，隨機(jī)抽取k個(gè)樣本作為初始聚 類中心，采用基于聚類中心的染色體浮點(diǎn)編碼方式，每條染色體的編碼C為:C = kcA. . .ck，基 因〇為第λ個(gè)聚類中心對應(yīng)的某電網(wǎng)線損N維向量，每個(gè)染色個(gè)體對應(yīng)一種線損管理水平的 劃分評價(jià)方式；
[0010] 步驟三:初始化算法控制參數(shù)，包括種群個(gè)體數(shù)Μ、最大進(jìn)化次數(shù)S、交叉概率Pc、變 異概率pm、溫度冷卻系數(shù)k。、退火初始溫度To、退火終止溫度Tend ;
[0011] 步驟四：對初始種群的各不同個(gè)體，分別依據(jù)聚類中心，根據(jù)歐式距離最小原則進(jìn) 行樣本聚類，計(jì)算各不同個(gè)體的適應(yīng)度值；
[0012] 步驟五:對種群中的個(gè)體進(jìn)行選擇、交叉、變異操作，對新產(chǎn)生的個(gè)體計(jì)算其適應(yīng) 度值，進(jìn)行模擬退火算法操作，生成新的種群；
[0013] 步驟六:當(dāng)進(jìn)化次數(shù)小于最大進(jìn)化次數(shù)S時(shí)，返回步驟五;否則，轉(zhuǎn)到步驟七；
[0014]步驟七:若溫度指標(biāo)低于終止溫度Tend，則算法終止，對現(xiàn)有種群中的最優(yōu)個(gè)體進(jìn) 行解碼，獲取最佳的聚類個(gè)數(shù)與聚類中心，再進(jìn)行樣本聚類將待評價(jià)電網(wǎng)的線損管理水平 劃分到不同的梯隊(duì)中；若溫度指標(biāo)高于終止溫度T end，則執(zhí)行降溫操作并返回步驟五；
[0015] 步驟八:在線損管理水平的同一梯隊(duì)中，依據(jù)線損值的大小進(jìn)行評價(jià)，線損值的高 低對應(yīng)線損管理水平的高低，各梯隊(duì)間評價(jià)相互獨(dú)立。
[0016] 首先通過計(jì)算線損影響因素指標(biāo)，形成電網(wǎng)線損指標(biāo)向量樣本集，隨機(jī)抽取若干 樣本作為初始聚類中心，進(jìn)行可變聚類中心的浮點(diǎn)編碼，并將聚類個(gè)數(shù)添加到染色體編碼 中作為首個(gè)基因位，求解最優(yōu)個(gè)體并解碼以確定聚類個(gè)數(shù)及聚類中心，將待評價(jià)電網(wǎng)的線 損管理水平劃分到不同的梯隊(duì)中，在同一梯隊(duì)中根據(jù)線損值的大小進(jìn)行管理評價(jià)，線損值 較小的則認(rèn)為其管理水平較優(yōu)。本發(fā)明在評價(jià)的過程中融合了遺傳算法與模擬退火算法的 思想，消除了傳統(tǒng)聚類算法中對初始聚類中心敏感、易陷入局部最優(yōu)的缺陷，且無需事先指 定聚類個(gè)數(shù)，能以較大的概率找到全局最優(yōu)的線損同類劃分結(jié)果。
[0017]優(yōu)選，步驟四中，對于染色體中選定的k個(gè)聚類中心，將電網(wǎng)線損指標(biāo)向量幻根據(jù) 歐氏距離最小的原則歸入聚類中心即：
[0018] |xi-ca| | =min| | xi-cj | | (j = l ,2, . . . ,k)
[0019] 其中，χΑ電網(wǎng)線損各影響因素指標(biāo)開$成的N維向量，且X1=(X11,X12, . . . ,χιν)，χιι ~xiN分別對應(yīng)于N個(gè)影響因素指標(biāo)數(shù)值。
[0020] 其中，根據(jù)類內(nèi)距離最小、類間距離最大的聚類目標(biāo)定義適應(yīng)度為/ = ·^，其中 X+J
[0021] 本發(fā)明的有益效果是:本發(fā)明將基于遺傳模擬退火的聚類算法應(yīng)用到電網(wǎng)線損管 理評價(jià)工作中，首先將待評價(jià)電網(wǎng)劃分為幾個(gè)不同的梯隊(duì)，再在同一梯隊(duì)中根據(jù)線損值的 大小進(jìn)行管理水平評價(jià)。劃分過程中的聚類個(gè)數(shù)在算法運(yùn)行過程中動態(tài)調(diào)整確定，彌補(bǔ)了 傳統(tǒng)的K-MEANS聚類算法對初始聚類中心敏感、難以事先確定聚類個(gè)數(shù)的不足，能以較大的 概率獲取全局最優(yōu)的劃分結(jié)果，對電網(wǎng)線損管理評價(jià)工作具有一定的參考價(jià)值。
【附圖說明】
[0022] 圖1是本發(fā)明一種基于遺傳模擬退火算法的電網(wǎng)線損管理評價(jià)方法的流程圖。
【具體實(shí)施方式】
[0023]下面結(jié)合附圖和具體的實(shí)施例對本發(fā)明技術(shù)方案作進(jìn)一步的詳細(xì)描述，以使本領(lǐng) 域的技術(shù)人員可以更好的理解本發(fā)明并能予以實(shí)施，但所舉實(shí)施例不作為對本發(fā)明的限 定。
[0024] 一種基于遺傳模擬退火算法的電網(wǎng)線損管理評價(jià)方法，如圖1所示，包括如下步 驟：
[0025] 步驟一:對影響電網(wǎng)線損水平的因素進(jìn)行數(shù)學(xué)建模，包括電壓等級及層次、線路平 均長度、導(dǎo)線截面積、配變設(shè)備狀況、無功補(bǔ)償配置、負(fù)荷時(shí)間分布、單位變電容量負(fù)載率、 電網(wǎng)最大自然無功負(fù)荷系數(shù)、分壓售電量、無損電量占比、農(nóng)村面積占比、非工業(yè)GDP占比以 及供電密度，并根據(jù)應(yīng)用需要及數(shù)據(jù)質(zhì)量建立電網(wǎng)線損N維指標(biāo)向量，其中，1SNS 13;
[0026] 步驟二:在電網(wǎng)線損N維指標(biāo)向量生成的樣本集中，隨機(jī)抽取k個(gè)樣本作為初始聚 類中心，采用基于聚類中心的染色體浮點(diǎn)編碼方式，每條染色體由k個(gè)聚類中心及聚類數(shù)目 k的編碼組成，基于聚類中心的染色體浮點(diǎn)編碼為C為:C = k(u. . .ck，基因 α為第λ個(gè)聚類中 心對應(yīng)的某電網(wǎng)線損Ν維向量，k也即為該染色體的聚類個(gè)數(shù)，每個(gè)染色個(gè)體對應(yīng)一種線損 管理水平的劃分評價(jià)方式；
[0027]步驟三:初始化算法控制參數(shù)，包括種群個(gè)體數(shù)M、最大進(jìn)化次數(shù)S、交叉概率Pc、變 異概率Pm、溫度冷卻系數(shù)k。、退火初始溫度TO、退火終止溫度Tend ;
[0028] 步驟四：對初始種群的各不同個(gè)體，分別依據(jù)聚類中心，根據(jù)歐式距離最小原則進(jìn) 行樣本聚類，計(jì)算各不同個(gè)體的適應(yīng)度值；
[0029] 優(yōu)選，此步驟中，對于染色體中選定的k個(gè)聚類中心，將電網(wǎng)線損指標(biāo)向量幻根據(jù) 歐氏距離最小的原則歸入聚類中心即：
[0030] |xi-ca| | =min| | xi-cj | | (j = l ,2, . . . ,k)
[0031] 其中，χι為電網(wǎng)線損各影響因素指標(biāo)形成的N維向量，且χι=(χιι,χ?2, . . . ,χιν)，χιι ~xiN分別對應(yīng)于N個(gè)影響因素指標(biāo)數(shù)值。
[0032] 根據(jù)類內(nèi)距離最小、類間距離最大的聚類目標(biāo)定義適應(yīng)度為/ = ，其中 1 +J
[0033] 步驟五:對種群中的個(gè)體進(jìn)行選擇、交叉、變異操作，對新產(chǎn)生的個(gè)體計(jì)算其適應(yīng) 度值，進(jìn)行模擬退火算法操作，生成新的種群；
[0034] 步驟六:當(dāng)進(jìn)化次數(shù)小于最大進(jìn)化次數(shù)S時(shí)，返回步驟五;否則，轉(zhuǎn)到步驟七；
[0035] 步驟七:若溫度指標(biāo)低于終止溫度Tend，則算法終止，對現(xiàn)有種群中的最優(yōu)個(gè)體進(jìn) 行解碼，獲取最佳的聚類個(gè)數(shù)與聚類中心，再進(jìn)行樣本聚類將待評價(jià)電網(wǎng)的線損管理水平 劃分到不同的梯隊(duì)中；若溫度指標(biāo)高于終止溫度T end，則執(zhí)行降溫操作并返回步驟五；
[0036] 步驟八:在線損管理水平的同一梯隊(duì)中，依據(jù)線損值的大小進(jìn)行評價(jià)，線損值的高 低對應(yīng)線損管理水平的高低，各梯隊(duì)間評價(jià)相互獨(dú)立。
[0037] -般的，步驟一中對影響電網(wǎng)線損水平的因素進(jìn)行數(shù)學(xué)建模，具體為：
[0038] (1)電壓等級及層次Ydydj的數(shù)學(xué)模型計(jì)算公式為：
[0039] Y〇ydj= Σ Lossi
[0040] 其中，i = 500~lOkV內(nèi)各電壓等級;Lossi為待劃分電網(wǎng)全范圍內(nèi)i電壓等級分壓 線損率；
[0041] (2)線路平均長度Y