CN102708519B - 一种基于自由搜索算法的变电站优化选址方法 - Google Patents

Abstract

本发明公开了电力系统技术领域中的一种基于自由搜索算法的变电站优化选址方法。本发明首先初始化自由搜索算法的设定参数和个体初始位置；然后以个体初始位置为起点进行指定次搜索，得到指定个终点；之后计算指定个终点的目标函数值，以最小的目标函数值对应的指定终点作为本次移动的目标函数值；最后计算最小的目标函数值对应的指定终点的信息素和灵敏度，并通过信息素和灵敏度确定下一次移动的搜索起点，判断是否满足终止条件，若满足任意一条终止条件，则输出结果，否则，重复搜索过程。本发明适用于各种优化模型，收敛速度快，收敛精度高，避免了方法陷入局部最优。

Description

一种基于自由搜索算法的变电站优化选址方法

技术领域

本发明属于电力系统技术领域，尤其涉及一种基于自由搜索算法的变电站优化选址方法。

背景技术

目前，我国城市电网规划设计部门大多仍然使用传统的以方案比较为基础的变电站规划方法。这种方法就是从一组由专家指定的若干个可行方案中，通过技术经济比较择优决策。然而，由于参加比较的方案往往是规划设计人员凭经验提出，不可避免的包含着很大程度上的主观因素和局限性。

在理论探索上，变电站规划的求解主要集中在传统的数学优化方法、现代启发式方法和智能优化算法这三种途径上。

对于单站址连续选址，传统的数学优化方法主要是数值迭代法；对于多站址连续选址，传统的数学优化方法有混合整数-分枝定界法、随机终点法和交替选址-分配法等等。传统的数学优化方法无法满足规模日趋庞大、结构日趋复杂的现代电网的选址需求。

现代启发式算法包括支路交换法、层次分析法、专家决策系统法、模糊综合评判模型等等。这些方法仅适用于对目标函数的性态十分了解、或者有专家经验作参考的情况，不太适用于大型复杂的目标函数。

智能优化算法适用于模型复杂、计算速度要求高的现代电网规划中的变电站选址。已有研究将蚁群算法、粒子群算法等用于变电站优化选址中，但是这些方法在解决变电站选址问题时，收敛精度和收敛速度不能同时得到保证。

发明内容

针对上述背景技术中提到的现有选址方法在收敛精度和收敛速度上的不足，本发明提出了一种基于自由搜索算法的变电站优化选址方法。

本发明的技术方案是，一种基于自由搜索算法的变电站优化选址方法，其特征是该方法包括以下步骤：

步骤1：初始化自由搜索算法的设定参数和个体初始位置；

步骤2：以个体初始位置为起点进行指定次搜索，得到指定个终点；

步骤3：计算指定个终点的目标函数值，以最小的目标函数值对应的指定终点作为本次移动的目标函数值；

步骤4：计算最小的目标函数值对应的指定终点的信息素和灵敏度，并通过信息素和灵敏度确定下一次移动的搜索起点，判断是否满足终止条件，若满足终止条件，则输出结果，否则，返回步骤2。

所述目标函数值的计算公式为：

$\min f(X,Y)=C=C_1+C_2+C_3$

$=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left\{t\left(S_i\right)\right[\frac{r_0{(1+r_0)}^l}{{(1+r_0)}^l-1}]+u\left(S_i\right)\}+\mathrm{\α}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j\∈J_j}{\mathrm{\Σ}}{p}_i{d}_{\mathrm{ij}}\left[\frac{r_0{(1+r_0)}^l}{{(1+r_0)}^l-1}\right]+\mathrm{\β}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j\∈J_j}{\mathrm{\Σ}}{p_j}^2{d}_{\mathrm{ij}}$

其中：

f(X,Y)为变电站及线路的投资、运行和网损年综合费用；

X为所有变电站位置的横轴坐标向量；

Y为所有变电站位置的纵轴坐标向量；

C为变电站及线路的投资、运行和网损年最小综合费用；

C₁为折算到每年的变电站年投资及运行费用；

C₂为折算到每年的变电站低压侧馈线的投资费用；

C₃为估算的变电站低压侧线路年网损费用；

N为已有和待建变电站的总数；

S_i为待建变电站i的容量；

t(S_i)为待建变电站i的投资费用；

u(S_i)为待建变电站i的运行费用；

α为单位长度线路投资费用；

p_j为第j点的负荷；

J_i为由变电站i供电的负荷节点的集合；

l为变电站及变电站低压侧线路的折旧年限；

r₀为贴现率；

β为网络损耗折算系数；

J为全体负荷节点的集合；

g_ij为表示负荷点j是否由变电站i供电；

d_ij为变电站i和负荷点j间供电线路的长度；

R_i为变电站i的供电半径；

W_j为负荷点j的有功负荷；

e(S_i)为待建变电站i的负载率；

为功率因数。

所述信息素的计算公式为：

P_j＝f_min/f_j

其中：

P_j为第j个个体的信息素；

f_min为所有个体在本次搜索中所取得的目标函数值的最小值；

f_j为第j个个体在本次搜索中所取得的目标函数值。

所述灵敏度的计算公式为：

S_j＝S_min+ΔS_j

其中：

S_j为第j个个体所生成的灵敏度值；

S_min为群体灵敏度下限值；

ΔS_j为第j个个体灵敏度变化值。

所述终止条件为：

a.群体寻找到的最优值f_min小于等于目标函数的实际最优值f_opt，即，f_min≤f_opt；

b.移动步的次数达到设定数量；

c.满足a或b。

所述信息素和灵敏度确定下一次移动的搜索起点的公式为：

$X_{0\mathrm{ji}}^{\&prime;}=\left\{\begin{array}{c}{X}_{0\mathrm{ji}},P_j<S_j\\ X_{\mathrm{ji}},P_j\&GreaterEqual;S_j\end{array}\right.$

其中：

X'_0ji为个体j在该移动步的搜索终点，亦即个体的移动目标位置、

下次搜索的起点；

X_0ji为个体j在该移动步的搜索起点；

X_ji为个体j在该移动步中所搜索到的最优移动终点；

S_j为个体j的灵敏度；

P_j为个体j的信息素。

本发明是基于自由搜索算法的变电站选址方法，具有以下优点：

（1）引进了一种新的变电站选址方法。该算法本身具有随机性，很好地模拟了自然界生物群体的智能行为；

（2）参数优化设置后，该算法可适用于各种优化模型，同样适合变电站选址问题；

（3）引入了信息素的概念，各个个体可以分享群体的最优经验；

（4）引入了灵敏度的概念，使得个体具有自主权，更容易避免陷入局部最优；

（5）获得最优选址的收敛速度快，收敛精度高。

附图说明

图1是基于自由搜索算法的变电站选址流程图；

图2是已有220KV变电站和110KV变电站的分布图，其中圆圈为110KV变电站，五角星为已有的220KV变电站；

图3是采取随机策略生成的某个体的初始位置，正方形表示新建220KV变电站的初始位置，五角星表示已有的220KV变电站，而圆圈表示110KV变电站；

图4是基于自由搜索算法的变电站优化选址的最优站址分布图，正方形表示新建的220KV变电站，五角星表示已有的220KV变电站，而圆圈表示110KV变电站。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本发明的技术方案步骤如下：

步骤1.初始化

步骤1.1初始化方法所用到的参数。这些参量包括自由搜索算法本身的参数以及变电站选址数学模型（即目标函数）的有关参数：变量维数n，种群规模（即种群中动物个体数）m，每个移动步（简称为一大步）之前所包含的试探性搜索（简称为一小步）次数T，终止移动步数G，邻域空间大小R；搜索区域边界，变电站的位置、容量、已带容量，负荷点的位置、负荷值等等。以及一些计数器归零：i，j等；

步骤1.2个体初始位置的选择。选取合适的个体位置初始化策略，确定各个个体的初始位置：为了缩短寻优时间，一般选取随机位置初始策略；在有专家意见的情况下，可选用固定位置初始化策略；如果可由理论分析得近似最优点位置时，可使用同一位置初始化策略；

步骤2.搜索过程（每个动物个体每次移动之前都包含T个试探性搜索小步）

步骤2.1每个动物个体从搜索起点（第一次移动时从初始位置）出发，分别进行T次试探性搜索，分别得到T个搜索终点（一个搜索终点代表一个变电站选址方案），分别计算其所对应的目标函数值（即在该变电站选址方案下，年运行、投资、损耗总费用）。完成T次试探性搜索后，选择其中目标函数值最小的搜索终点作为本次移动步所对应的目标函数值（即在该变电站选址方案下，年运行、投资、损耗总费用）；

步骤2.2计算各个动物个体最小的目标函数值对应的指定终点的信息素，信息素是自由搜索算法中所构造的、用来表征个体搜索结果优劣的参数；

步骤2.3计算各个动物个体最小的目标函数值对应的指定终点的灵敏度，灵敏度是自由搜索算法中所构造的、用来表征个体的感知范围（即感知其他个体信息素的灵敏程度）的参数；

步骤2.4通过信息素与灵敏度，确定该动物个体下一个移动步的搜索起点；

步骤3.终止判断

判断是否满足终止条件。若满足，则继续往下执行；若不满足，跳转到步骤2；

步骤4.输出结果：最优站址。

进一步的，方案中的目标函数，亦即变电站选址数学模型，为各种选址方案下，变电站及其线路年投资、运行、损耗的最小值。具体如下：

$\min f(X,Y)=C=C_1+C_2+C_3$

$=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left\{t\left(S_i\right)\right[\frac{r_0{(1+r_0)}^l}{{(1+r_0)}^l-1}]+u\left(S_i\right)\}+\mathrm{\&alpha;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j\&Element;J_j}{\mathrm{\&Sigma;}}{p}_i{d}_{\mathrm{ij}}\left[\frac{r_0{(1+r_0)}^l}{{(1+r_0)}^l-1}\right]+\mathrm{\&beta;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j\&Element;J_j}{\mathrm{\&Sigma;}}{p_j}^2{d}_{\mathrm{ij}}$

$i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;N;\&ForAll;j\&Element;J_i,J_1\&cup;J_2\&cup;\&CenterDot;\&CenterDot;\&CenterDot;J_N=J,g_{\mathrm{ij}}\&Element;\left\{\mathrm{0,1}\right\}$

式中：

f(X,Y)为变电站及线路的投资、运行和网损年综合费用；

X为所有变电站位置的横轴坐标向量；

Y为所有变电站位置的纵轴坐标向量；

C为变电站及线路的投资、运行和网损年最小综合费用；

C₁为折算到每年的变电站年投资及运行费用；

C₂为折算到每年的变电站低压侧馈线的投资费用；

C₃为估算的变电站低压侧线路年网损费用；

N为已有和待建变电站的总数；

S_i为待建变电站i的容量；

t(S_i)为待建变电站i的投资费用；

u(S_i)为待建变电站i的运行费用；

α为单位长度线路投资费用；

p_j为第j点的负荷（有功功率）；

J_i为由变电站i供电的负荷节点的集合；

l为变电站及变电站低压侧线路的折旧年限；

r₀为贴现率；

β为网络损耗折算系数，其中β₁为当前电价0.5，β₂为10kV线路每公里电阻，β₃为年损耗小时数5000，U为线电压，φ为相位角；

J为全体负荷节点的集合；

g_ij为表示负荷点j是否由变电站i供电，g_ij=0表示“否”，g_ij=1表示“是”；

d_ij为变电站i和负荷点j间供电线路的长度， $d_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2};$

R_i为变电站i的供电半径；

W_j为负荷点j的有功负荷；

e(S_i)为待建变电站i的负载率；

为功率因数。

进一步的，步骤1.2中的个体位置初始化策略有3种：

（1）各个个体散布于随机位置：

X_0ji＝X_mini+(X_maxi-X_mini)*random_ji(0,1)

t＝1,2,…T;k＝1,2,…,m;j＝1,2,…,m;i＝1,2,…,n

其中：

X_0ji为第j个个体的初始位置；

X_mini为第i维空间的左边界；

X_maxi为第i维空间的右边界；

random_ji(0,1)为一个大小在（0,1）之间的随机数的生成函数。

（2）各个个体散布于固定位置：

X_0ji＝a_ji，a_ji∈[X_mini,X_maxi]，j＝1,2,…,m;i＝1,2,…,n，a_ji为常数。

（3）各个个体散布于同一位置：

X_0ji＝c_i,c_i∈[X_mini，X_maxi]，j＝1,2,…,m;i＝1,2,…,n，c_i为常数。

进一步的，步骤2.1中每个搜索步都包含T个小步。每个小步的新位置是：

X_tji＝X_0ji-ΔX_tji+2×ΔX_tji×random_tji(0,1)

其中：

X_tji为第j个个体在第t小步移动后的位置；

ΔX_tji为第j个个体在第t小步移动中的移动距离，并且

ΔX_tji＝R_ji×(X_maxi-X_mini)×random_tji(0,1)，t＝1，2,…T；j＝1，2,…m；i＝1，2,…n；

获得各小步的目标函数值（即在该变电站选址方案下，年运行、投资、损耗总费用）：f_tj＝f(X_tji)，t＝1,2,…T；j＝1,2,…m;i＝1,2,…n；

完成T小步后，获得各个个体每个移动步的目标函数值f_j（即在该变电站选址方案下，年运行、投资、损耗总费用）：f_j＝min(f_tj)，t＝1,2,…,T;j＝1,2,…,m。

进一步的，步骤2.2中生成信息素的公式为：

P_j＝f_min/f_j

其中：

P_j为第j个个体的信息素；

f_min为所有个体在本次搜索中所取得的目标函数值的最小值，

f_min＝min(f_j)，j＝1,2,…,m表示取f₁，f₂，……，f_m中的最小值，

作为该移动步中整个群体的最优函数值；

f_j为第j个个体在本次搜索中所取得的目标函数值。

进一步的，步骤2.3中生成灵敏度的公式为：

S_j＝S_min+ΔS_j

其中：

S_j为第j个个体所生成的灵敏度值；

S_min为群体灵敏度下限值；

ΔS_j为第j个个体灵敏度变化值，并且ΔS_j＝(S_max-S_min)×random_j(0,1)，

S_max＝P_max＝max(P_j)，S_min＝P_min＝min(P_j)，其中S_max、S_min、P_max、P_min分别表示灵敏度的最大值、最小值以及信息素的最大值和最小值。

进一步的，步骤2.4中确定个体移动位置的方法是：

$X_{0\mathrm{ji}}^{\&prime;}=\left\{\begin{array}{c}{X}_{0\mathrm{ji}},P_j<S_j\\ X_{\mathrm{ji}},P_j\&GreaterEqual;S_j\end{array}\right.,$ j＝1,2,…,m；i＝1,2,…,n，

其中：

X′_0ji表示动物个体j在该移动步的搜索终点，亦即个体的移动目标位

置、下次搜索的起点；

X_0ji表示动物个体j在该移动步的搜索起点；

X_ji表示动物个体j在该移动步中所搜索到的最优移动终点；

S_j、P_j分别表示动物个体j的灵敏度与信息素。

进一步的，步骤3中，判断搜索过程的终止条件有以下3种：

（1）已得到最优值（在本方法中为最小值）：f_min≤f_opt，其中，f_min为群体所寻找到的最优值，f_opt为目标函数的实际最优值（部分目标函数的实际最优值可由数学分析取得）；

（2）已达到预先设置的终止移动步数：g≥G，其中，g为群体实际累计移动步数，G表示预先设置的终止移动步数；

（3）满足前两者中的任一个条件：针对具体问题，终止条件（1）可能预先知道最优值，也可能不能预先知道最优值，此时有：(f_min≤f_opt)‖(g≥G)。

某地区现状年全社会用电量为132.18亿KWH，预测年全社会用电量为291.19亿KWH，同时预测年的该地区的总有功负荷为4911MW。在该区220kV电压等级中，已有变电站14座，总容量为3780MVA，在以规划年110kV变电站规划的基础上进行规划，新建220kV变电站10座，220kV电压等级变电站为24座，用该算法确定这10座变电站的地址。

图2画出了该地区已有变电站的分布图。

基于自由搜索算法的变电站选址的步骤如下：

步骤1.初始化

步骤1.1初始化参量：

变量维数n=10；

种群规模m=40；

搜索小步数T=40；

终止移动步数G=300；

邻域空间大小R_1×40＝[1,1,…1,3,3,…3,10,10,…10]；

搜索区域边界X_min=400，X_max=560。Y_min=4000，Y_max=4150；

α=0.1；β=0.1；l=15；r₀=0.5

步骤1.2个体的初始位置。选取的初始化策略（1）（或者初始化策略（2）、（3）），确定各个个体的初始位置，如图3所示；

步骤2.搜索过程

步骤2.1在起始点的基础上，进行T次试探搜索，并分别计算每次搜索所对应的目标函数值。完成T次试探搜索后，得到该移动步对应的目标函数值；

步骤2.2生成各个个体的信息素；

步骤2.3生成各个个体的灵敏度；

步骤2.4比较信息素与灵敏度，确定下一步搜索的起始点；

步骤3.终止判断

判断是否满足终止条件。本例以终止条件（2）为终止条件。若已搜索了300步，则继续往下执行；若还未搜索到300步，则跳转到步骤2；

步骤4.输出结果：最优站址：

（513.79,4132.15）；（551.84,4062.63）；（452.75,4016.58）；（508.80,4063.53）；（522.57,4069.14）；（502.83,4074.17）；（492.92,4060.88）；（524.70,4062.41）；（518.48,4059.73）；（540.34,4060.85），如图4所示。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于自由搜索算法的变电站优化选址方法，其特征是该方法包括以下步骤：

步骤1：初始化自由搜索算法的设定参数和个体初始位置；

步骤2：以个体初始位置为起点进行指定次搜索，得到指定个终点；

步骤3：计算指定个终点的目标函数值，以最小的目标函数值对应的指定终点作为本次移动的目标函数值；

步骤4：计算最小的目标函数值对应的指定终点的信息素和灵敏度，并通过信息素和灵敏度确定下一次移动的搜索起点，判断是否满足终止条件，若满足终止条件，则输出结果，否则，返回步骤2；

所述步骤1包括：

步骤1.1初始化方法所用到的参数；这些参数包括自由搜索算法本身的参数以及变电站选址数学模型，即目标函数的有关参数：变量维数n，种群规模，即种群中动物个体数m，每个移动步，简称为一大步，之前所包含的试探性搜索，简称为一小步的次数T，终止移动步数G，邻域空间大小R；搜索区域边界，变电站的位置、容量、已带容量，负荷点的位置、负荷值，以及一些计数器i，j归零；

步骤1.2个体初始位置的选择；选取合适的个体位置初始化策略，确定各个个体的初始位置：为了缩短寻优时间，选取随机位置初始策略；在有专家意见的情况下，选用固定位置初始化策略；如果能够由理论分析得近似最优点位置时，则使用同一位置初始化策略；

所述步骤2包括：

步骤2.1每个动物个体从搜索起点，即第一次移动时从初始位置出发，分别进行T次试探性搜索，分别得到T个搜索终点，一个搜索终点代表一个变电站选址方案，分别计算其所对应的目标函数值，即在该变电站选址方案下，年运行、投资、损耗总费用；完成T次试探性搜索后，选择其中目标函数值最小的搜索终点作为本次移动步所对应的目标函数值，即在该变电站选址方案下，年运行、投资、损耗总费用；

步骤2.2计算各个动物个体最小的目标函数值对应的指定终点的信息素，信息素是自由搜索算法中所构造的、用来表征个体搜索结果优劣的参数；

步骤2.3计算各个动物个体最小的目标函数值对应的指定终点的灵敏度，灵敏度是自由搜索算法中所构造的、用来表征个体的感知范围，即感知其他个体信息素的灵敏程度的参数；

步骤2.4通过信息素与灵敏度，确定该动物个体下一个移动步的搜索起点；

所述步骤1.2中的个体位置初始化策略有3种：

(1)各个个体散布于随机位置：

X_0ji＝X_min i+(X_max i-X_min i)*random_ji(0,1)

t＝1,2,…T；k＝1,2,…,m；j＝1,2,…,m；i＝1,2,…,n

其中：

X_0ji为第j个个体的初始位置；

X_min i为第i维空间的左边界；

X_max i为第i维空间的右边界；

random_ji(0,1)为一个大小在(0,1)之间的随机数的生成函数；

(2)各个个体散布于固定位置：

X_0ji＝a_ji,a_ji∈[X_min i,X_max i]，j＝1,2,…,m；i＝1,2,…,n，a_ji为常数；

(3)各个个体散布于同一位置：

X_0ji＝c_i,c_i∈[X_min i,X_max i]，j＝1,2,…,m；i＝1,2,…,n，c_i为常数；

进一步的，步骤2.1中每个搜索步都包含T个小步，每个小步的新位置是：

X_tji＝X_0ji-ΔX_tji+2×ΔX_tji×random_tji(0,1)

其中：

X_tji为第j个个体在第t小步移动后的位置；

ΔX_tji为第j个个体在第t小步移动中的移动距离，并且

ΔX_tji＝R_ji×(X_max i-X_min i)×random_tji(0,1)，t＝1,2,…T；j＝1,2,…m；i＝1,2,…n；

获得各小步的目标函数值(即在该变电站选址方案下，年运行、投资、损耗总费用)：f_tj＝f(X_tji)，t＝1,2,…T；j＝1,2,…m；i＝1,2,…n；

完成T小步后，获得各个个体每个移动步的目标函数值f_j，即在该变电站选址方案下，年运行、投资、损耗总费用：f_j＝min(f_tj)，t＝1,2,…,T；j＝1,2,…,m。

2.根据权利要求1所述的一种基于自由搜索算法的变电站优化选址方法，其特征是所述目标函数值的计算公式为：

$\begin{array}{c}\min f(X,Y)=C=C_1+C_2+C_3\\ =\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left\{t\left(S_i\right)\right[\frac{r_0{(1+r_0)}^l}{{(1+r_0)}^l-1}]+u\left(S_i\right)\}+\mathrm{\&alpha;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j\&Element;J_i}{\mathrm{\&Sigma;}}{p}_j{d}_{\mathrm{ij}}\left[\frac{r_0{(1+r_0)}^l}{{(1+r_0)}^l-1}\right]+\mathrm{\&beta;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j\&Element;J_i}{\mathrm{\&Sigma;}}{p_j}^2{d}_{\mathrm{ij}}\end{array}$

其中：

f(X,Y)为变电站及线路的投资、运行和网损年综合费用；

X为所有变电站位置的横轴坐标向量；

Y为所有变电站位置的纵轴坐标向量；

C为变电站及线路的投资、运行和网损年最小综合费用；

C₁为折算到每年的变电站年投资及运行费用；

C₂为折算到每年的变电站低压侧馈线的投资费用；

C₃为估算的变电站低压侧线路年网损费用；

N为已有和待建变电站的总数；

S_i为待建变电站i的容量；

t(S_i)为待建变电站i的投资费用；

u(S_i)为待建变电站i的运行费用；

α为单位长度线路投资费用；

p_j为第j点的负荷；

J_i为由变电站i供电的负荷节点的集合；

l为变电站及变电站低压侧线路的折旧年限；

r₀为贴现率；

β为网络损耗折算系数；

J为全体负荷节点的集合；

g_ij为表示负荷点j是否由变电站i供电；

d_ij为变电站i和负荷点j间供电线路的长度；

R_i为变电站i的供电半径；

W_j为负荷点j的有功负荷；

e(S_i)为待建变电站i的负载率；

为功率因数。

3.根据权利要求1所述的一种基于自由搜索算法的变电站优化选址方法，其特征是所述信息素的计算公式为：

P_j＝f_min/f_j

其中：

P_j为第j个个体的信息素；

f_min为所有个体在本次搜索中所取得的目标函数值的最小值；

f_j为第j个个体在本次搜索中所取得的目标函数值。

4.根据权利要求1所述的一种基于自由搜索算法的变电站优化选址方法，其特征是所述灵敏度的计算公式为：

S_j＝S_min+ΔS_j

其中：

S_j为第j个个体所生成的灵敏度值；

S_min为群体灵敏度下限值；

ΔS_j为第j个个体灵敏度变化值。

5.根据权利要求1所述的一种基于自由搜索算法的变电站优化选址方法，其特征是所述终止条件为：

a.群体寻找到的最优值f_min小于等于目标函数的实际最优值f_opt，即，f_min≤f_opt；

b.移动步的次数达到设定数量；

c.满足a或b。

6.根据权利要求1所述的一种基于自由搜索算法的变电站优化选址方法，其特征是所述信息素和灵敏度确定下一次移动的搜索起点的公式为：

$X_{0\mathrm{ji}}^{\&prime;}=\left\{\begin{array}{c}{X}_{0\mathrm{ji}},P_j<S_j\\ X_{\mathrm{ji}},P_j\&GreaterEqual;S_j\end{array}\right.$

其中：

X'_0ji为个体j在该移动步的搜索终点，亦即个体的移动目标位置、下次搜索的起点；

X_0ji为个体j在该移动步的搜索起点；

X_ji为个体j在该移动步中所搜索到的最优移动终点；

S_j为个体j的灵敏度；

P_j为个体j的信息素。