CN109767034B

CN109767034B - 继电保护的定值优化方法、装置、计算机设备和存储介质

Info

Publication number: CN109767034B
Application number: CN201811598467.5A
Authority: CN
Inventors: 蔡燕春; 王莉; 张少凡; 秦绮蒨; 曹杰; 杨咏梅; 高强; 汪华; 王聪; 吴加强; 李妍红
Original assignee: Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Current assignee: Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date: 2018-12-26
Filing date: 2018-12-26
Publication date: 2021-06-18
Anticipated expiration: 2038-12-26
Also published as: CN109767034A

Abstract

本申请涉及一种继电保护的定值优化方法、装置、计算机设备和存储介质。一个实施例中的方法包括：获取电力系统运行的初始条件以及整定原则，根据初始条件以及整定原则，得到继电保护的当前定值，根据当前定值运行电力系统，得到继电保护配合关系，获取生物地理学改进算法，生物地理学改进算法基于多元拓扑和量化正交学习对生物地理学算法进行处理得到，获取电力系统运行的优化参数，将继电保护配合关系以及优化参数输入至生物地理学改进算法，得到继电保护的优化定值。通过生物地理学改进算法得到继电保护的优化定值，可以实现高效和准确地获得继电保护的优化定值，从而提高工作效率。

Description

继电保护的定值优化方法、装置、计算机设备和存储介质

技术领域

本申请涉及电力系统继电保护技术领域，特别是涉及一种继电保护的定值优化方法、装置、计算机设备和存储介质。

背景技术

继电保护系统对电力系统的安全稳定运行具有重要意义，一般基于全网所有保护的整体保护效果来评价继电保护整定方案。继电保护定值全局优化将电网所有保护动作时间之和最短作为优化目标，将保护定值的灵敏度、选择性作为约束条件进行定值全局寻优，从而得到可以使保护的整体性能最优的定值，最大限度的优化保护装置运行。

由于现代电网的规模庞大，其拓扑结构复杂多变，使得保护之间的配合关系十分复杂。为了能够反映电网的实际情况，继电保护的定值优化模型必需考虑灵敏度、选择性、潮流、保护动作特性等复杂的约束条件，这导致定值全局优化问题成为一个多约束、高维并且可能含有离散变量的复杂优化问题。传统的继电保护的定值优化工作主要依靠人工经验进行不断尝试，费时费力，导致工作效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高工作效率的继电保护的定值优化方法、装置、计算机设备和存储介质。

一种继电保护的定值优化方法，所述方法包括：

获取电力系统运行的初始条件以及整定原则，根据所述初始条件以及所述整定原则，得到继电保护的当前定值；

根据所述当前定值运行电力系统，得到继电保护配合关系；

获取生物地理学改进算法，所述生物地理学改进算法基于多元拓扑和量化正交学习对生物地理学算法进行处理得到；

获取电力系统运行的优化参数，将所述继电保护配合关系以及所述优化参数输入至所述生物地理学改进算法，得到继电保护的优化定值。

在一个实施例中，所述获取生物地理学改进算法，包括：

基于多元拓扑对生物地理学算法进行处理，得到第一生物地理学改进算法；

基于量化正交学习对生物地理学算法进行处理，得到第二生物地理学改进算法；

根据所述第一生物地理学改进算法和所述第二生物地理学改进算法，得到生物地理学改进算法。

在一个实施例中，所述基于多元拓扑对生物地理学算法进行处理，得到第一生物地理学改进算法，包括：

构建多元拓扑结构以及改进拷贝模式的信息传递方式；

根据所述多元拓扑结构以及所述改进拷贝模式的信息传递方式，得到第一生物地理学改进算法。

在一个实施例中，所述构建多元拓扑结构，包括：

获取各栖息地的适宜度指数，并按照适应度指数进行排序，得到排序后的编号；

在所述排序后的编号中通过均匀抽样进行处理，得到环形拓扑的混合度；

获取全局拓扑，根据所述环形拓扑的混合度以及所述全局拓扑，得到多元拓扑结构。

在一个实施例中，所述改进拷贝模式的信息传递方式为

其中，H_i为迁入解，H_e为迁出解，H_r为不等于H_i和H_e的随机个体，

是[0，1]之间的随机数。

在一个实施例中，所述基于量化正交学习对生物地理学算法进行处理，得到第二生物地理学改进算法，包括：

获取量化正交学习的父代个体，根据所述父代个体得到解空间的下界以及解空间的上界；

根据所述解空间的下界以及所述解空间的上界，将解空间进行量化，得到量化后的变量；

将所述量化后的变量进行平均划分处理，得到多个子块；

根据各子块进行正交试验，求取最优水平组合，得到第二生物地理学改进算法。

在一个实施例中，所述获取量化正交学习的父代个体，包括：

在每次迭代生成的下一代种群中随机选取量化正交学习的父代个体。

一种继电保护的定值优化装置，所述装置包括：

第一信息获取模块，用于获取电力系统运行的初始条件以及整定原则，根据所述初始条件以及所述整定原则，得到继电保护的当前定值；

第二信息获取模块，用于根据所述当前定值运行电力系统，得到继电保护配合关系；

改进算法获取模块，用于获取生物地理学改进算法，所述生物地理学改进算法基于多元拓扑和量化正交学习对生物地理学算法进行处理得到；

定值优化模块，用于获取电力系统运行的优化参数，将所述继电保护配合关系以及所述优化参数输入至所述生物地理学改进算法，得到继电保护的优化定值。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据所述当前定值运行电力系统，得到继电保护配合关系；

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据所述当前定值运行电力系统，得到继电保护配合关系；

上述继电保护的定值优化方法、装置、计算机设备和存储介质，通过获取电力系统运行的初始条件以及整定原则，根据初始条件以及整定原则，得到继电保护的当前定值，根据当前定值运行电力系统，得到继电保护配合关系，获取生物地理学改进算法，生物地理学改进算法基于多元拓扑和量化正交学习对生物地理学算法进行处理得到，获取电力系统运行的优化参数，将继电保护配合关系以及优化参数输入至生物地理学改进算法，得到继电保护的优化定值，通过生物地理学改进算法得到继电保护的优化定值，可以实现高效和准确地获得继电保护的优化定值，从而提高工作效率。

附图说明

图1为一个实施例中继电保护的定值优化方法的流程示意图；

图2为一个实施例中基于多元拓扑对生物地理学算法进行改进步骤的流程示意图；

图3为一个实施例中多元拓扑的示意图；

图4为一个实施例中基于量化正交学习对生物地理学算法进行改进步骤的流程示意图；

图5为一个实施例中迁入解、迁出解及生成解的空间位置图；

图6为一个实施例中生物地理学改进算法与生物地理学算法收敛曲线的对比示意图；

图7为一个实施例中继电保护的定值优化装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种继电保护的定值优化方法，包括以下步骤：

步骤102，获取电力系统运行的初始条件以及整定原则，根据初始条件以及整定原则，得到继电保护的当前定值。

电力系统运行的初始条件包括电网结构、设备参数、运行方式等，整定原则是指根据行业相关标准进行整定计算的基本规则，比如各级电网设定的优先级顺序。

步骤104，根据当前定值运行电力系统，得到继电保护配合关系。

继电保护的配合关系是指继电保护中各个保护之间的关联关系，比如保护Ⅱ段与相邻保护I段配合。根据当前定值运行电力系统，得到继电保护配合关系。将保护定值的灵敏度、选择性等作为约束条件进行定值全局寻优，从而得到可以使保护的整体性能最优的定值，最大限度的优化保护装置运行。对于一个具体保护，一个配合点表示一个配合状态，包括动作定值和动作时间，比如，配合状态为保护Ⅱ段与相邻保护I段配合。

步骤106，获取生物地理学改进算法，生物地理学改进算法基于多元拓扑和量化正交学习对生物地理学算法进行处理得到。

BBO(Biogeography-based optimization，生物地理学优化)算法作为一种人工智能优化算法，具有结构简单、参数鲁棒性强等特点。基于多元拓扑和量化正交学习的生物地理学改进算法，一方面，引入多元拓扑迁移策略修改原始迁移算子，可以提高全局搜索能力；另一方面，引入量化正交学习算子，扩大算法的潜在搜索空间，提高了算法的寻优能力。

步骤108，获取电力系统运行的优化参数，将继电保护配合关系以及优化参数输入至生物地理学改进算法，得到继电保护的优化定值。

电力系统运行的优化参数是指电力系统的优化目标，比如将电网所有保护动作时间之和最短作为优化目标。优化定值是指通过生物地理学改进算法进行优化，得到的定值。选定需要整定的保护范围，比如从第I段保护定值开始，依据保护的配合关系，由后往前根据定值整定原则计算各保护当前段定值。如果遇到环网且出现了死锁，则记录该出现死锁的环网上的所有保护，继续进行当前段其他可以计算的保护的定值计算，若再遇到环网且出现死锁，则同样记录该出现死锁的环网上的所有保护。当当前段所有可以计算的保护定值均已计算完毕后，则所有与死锁相关的保护也均已记录下来。比如可以选择最少开环点作为优化目标，将这些保护及其配合关系输入至生物地理学改进算法中，得到开环点的优化定值。然后进行下一段定值的优化，当所有段所有保护的定值均完成后，则定值优化工作结束。

上述继电保护的定值优化方法中，通过获取电力系统运行的初始条件，根据初始条件以及整定原则，得到继电保护的当前定值，根据当前定值运行电力系统，得到继电保护配合关系，获取生物地理学改进算法，生物地理学改进算法基于多元拓扑和量化正交学习对生物地理学算法进行处理得到，获取电力系统的优化参数，将继电保护配合关系以及优化参数输入至生物地理学改进算法，得到继电保护的优化定值，通过生物地理学改进算法得到继电保护的优化定值，可以实现高效和准确地获得继电保护的优化定值，从而提高工作效率。

在一个实施例中，获取生物地理学改进算法，包括：基于多元拓扑对生物地理学算法进行处理，得到第一生物地理学改进算法；基于量化正交学习对生物地理学算法进行处理，得到第二生物地理学改进算法；根据第一生物地理学改进算法和第二生物地理学改进算法，得到生物地理学改进算法。生物地理学改进算法一方面引入多元拓扑迁移策略来修改原始迁移算子，可提高全局搜索能力；另一方面，引入量化正交学习算子，扩大了算法的潜在搜索空间，可提高算法的寻优能力。

在一个实施例中，如图2所示，基于多元拓扑对生物地理学算法进行处理，得到第一生物地理学改进算法，包括：步骤202，构建多元拓扑结构以及改进拷贝模式的信息传递方式；步骤204，根据多元拓扑结构以及改进拷贝模式的信息传递方式，得到第一生物地理学改进算法。由于双向全局拓扑和直接拷贝式的信息传递，少数几个优质解的信息将会像病毒传播一样复制到各候选解中。虽然该机制可以快速提高部分解的质量，但各个候选解会很快地出现同质化，导致求解结果易陷入局部最优。因此，从改进拓扑结构和拷贝模式两方面对生物地理学算法进行改进。

在一个实施例中，构建多元拓扑结构，包括：获取各栖息地的适宜度指数，并按照适应度指数进行排序，得到排序后的编号；在排序后的编号中通过均匀抽样进行处理，得到环形拓扑的混合度；获取全局拓扑，根据环形拓扑的混合度以及全局拓扑，得到多元拓扑结构。环形拓扑的混合度用于表征在原始迁移算子中混入环形拓扑的比例，可以根据所求定值优化问题的特点，通过调节环形拓扑的混合度来平衡算法的局部探索能力和全局能力。

多元拓扑包括全局拓扑和环形拓扑，如图3所示。图3(a)为全局拓扑，每个个体和其它所有个体均有连接；图3(b)为环形拓扑，每个个体只与相邻两个个体相连。将种群按照一定比例分为两个小组A和B，小组A和B中种群分别基于全局拓扑和环形拓扑进行迁移操作。在对种群进行分组时保证A、B组有大致相同的解质量水平，具体实现流程如下：1)将所有个体按照HSI(habitat suitability index，栖息地适应度指数)从高到低排序并依次编号，HSI最高的个体编号为1，最低的编号为NP；2)采用均匀抽样技术在区间[1，NP]中选取NP_b个整数；3)将编号等于所抽取出整数的个体划入小组B，其余划入小组A。为表征在原始迁移算子中混入环形拓扑的比例，定义B组种群数目和A组种群数目之比为环形拓扑混合度，

其中NP_b是小组B中种群数量。引入α的目的是为了可以根据所求优化问题的特点，通过调节α来平衡算法的局部探索能力和全局能力。

虽然A、B两小组基于完全不同的拓扑进行迁移操作，两小组并没有信息隔绝。第一，在每次信息迁移中尽管H_i、H_e来自于同一小组，H_r是在所有个体中随机选取产生；第二，每次迭代结束后会混合A、B两小组个体，并在下次迭代迁移过程开始之前重新分组。由于以上两个原因，两小组个体仍然能够分享信息，并互相协作共同趋向更优的解空间。

在一个实施例中，改进拷贝模式的信息传递方式为

是[0，1]之间的随机数。基于非直接拷贝式的信息以及以优质解H_e为基，

作为H_e上的扰动考虑，构建改进拷贝模式的信息传递方式，可以防止种群过快地同质化，保证H_i能够获得优质信息，还能接收可行域内的其它信息。

在一个实施例中，如图4所示，基于量化正交学习对生物地理学算法进行处理，得到第二生物地理学改进算法，包括：步骤402，获取量化正交学习的父代个体，根据父代个体得到解空间的下界以及解空间的上界；步骤404，根据解空间的下界以及解空间的上界，将解空间进行量化，得到量化后的变量；步骤406，将量化后的变量进行平均划分处理，得到多个子块；步骤408，根据各子块进行正交试验，求取最优水平组合，得到第二生物地理学改进算法。假设H₁和H₂分别是量化正交学习的父代个体，其中，H₁＝[x_1,1,x_1,2,...,x_1,n-1,x_1,n]，H₂＝[x_2,1,x_2,2,...,x_2,n-1,x_2,n]，L和U分别是H₁、H₂所确定的解空间的下界和上界，其中，解空间下界可以表示为L＝[min(x_1,1,x_2,1),min(x_1,2,x_2,2),...,min(x_1,n,x_2,n)]，解空间上界可以表示为U＝[max(x_1,1,x_2,1),max(x_1,2,x_2,2),...,max(x_1,n,x_2,n)]。将解空间量化为Q个水平并采用矩阵A来表示，矩阵A第i行第j列元素为a_ij，a_ij的表达式为：

式中1≤i≤Q,1≤j≤n，u_j和l_j是向量U和L的第j个元素。矩阵A的n列对应解空间中的n维优化变量，第j列的Q个元素对应第j个变量的Q个水平，水平具体指的可以是取值。由于实际优化问题中优化变量个数很多，无法将每个优化变量单独作为一个因素来进行正交试验设计，求取最优水平组合，即内部区域最优解，其中因素具体指的可以是变量。因此将n维变量[x₁，x₂，…，x_n]平均划分为M个子块F_i(1≤i≤M)，每个子块包含n/M个变量，[x₁,x₂,...,x_n]＝[F₁F₂…F_M-1F_M]。每个子块F_i作为一个因素，每个因素有Q个水平，利用正交试验设计求取M因素Q水平下的最优水平组合，把最优水平组合对应的解作为内部区域的最优解。

在一个实施例中，获取量化正交学习的父代个体，包括：在每次迭代生成的下一代种群中随机选取量化正交学习的父代个体。若每次迁移过程都进行一次正交学习，这样会带来较大的额外开销，特别是当种群规模较大时。因此，为减少开销，仅在每次迭代生成的下一代种群中随机选取两父代个体进行量化正交学习，用量化正交学习得到的优质解替换父代个体，保证更优的解进入到下一代。

在一个实施例中，继电保护的定值优化是指将电网所有保护动作时间之和最短作为优化目标，将保护定值的灵敏度、选择性等作为约束条件进行定值全局寻优，从而得到可以使保护的整体性能最优的定值，最大限度的优化保护装置运行。由于现代电网的规模庞大，其拓扑结构复杂多变，使得保护之间的配合关系十分复杂。为了能够反映电网的实际情况，继电保护的定值优化需考虑灵敏度、选择性、潮流、保护动作特性等复杂的约束条件，这导致继电保护的定值优化问题成为一个多约束、高维并且可能含有离散变量的复杂优化问题。

BBO(Biogeography-based optimization，生物地理学优化)算法作为一种人工智能优化算法，具有结构简单、参数鲁棒性强等特点，且在求解不同优化问题时呈现出来的潜力和优点已经通过马尔科夫理论和动态系统模型进行了分析和证明，从而在众多科学领域都得到了广泛应用。基于BBO算法求解继电保护的定值优化问题，根据BBO算法仍存在的缺陷有针对性地改进BBO算法，使得改进算法相较于其它众多优化算法，能够计算出更好的继电保护定值方案，同时在收敛速度、鲁棒性等方面也具有一定的优势。

针对继电保护的定值优化问题，提出一种基于多元拓扑和量化正交学习的生物地理学改进算法，通过改进的BBO算法来解决继电保护定值问题。一方面，改进的BBO算法引入多元拓扑迁移策略来修改原始迁移算子，以提高全局搜索能力；另一方面，引入量化正交学习算子，扩大算法的潜在搜索空间，从而提高算法的寻优能力。

(一)多元拓扑迁移策略的引入

迁移过程是BBO算法的核心环节，该过程决定了当代种群生成的下一代种群在解空间的分布，从而决定各代种群在解空间中的位置更新轨迹，与BBO算法性能息息相关。因此分析迁移过程的特点是改进算法的关键，迁移过程包括以下特点：(1)根据λ_i选择迁入解H_i，H_i质量越差，λ_i越大，被选中接受其它个体信息的概率越大；再根据μ_i选择迁出解H_e，H_e质量越好，μ_i越大，被选中给其它个体信息的概率越大。因此，迁入解信息趋向来自少数几个优质解。(2)对于任意H_e，其信息可能迁移到其它NP－1个候选解中的任意一个；同时对于任意H_i，其信息有可能来自于其它NP－1个迁出解，表明个体间信息流动基于双向全局拓扑实现。(3)H_i直接拷贝H_e中的信息来提高自己的解质量。

根据网络传播理论，信息在全局拓扑中的传播速度最快。由于双向全局拓扑和直接拷贝式的信息传递，少数几个优质解的信息将会像病毒传播一样复制到各候选解中。虽然该机制可以快速提高部分解的质量，但各个候选解会很快地出现同质化，导致求解结果易陷入局部最优。针对该缺陷，将改进拓扑和拷贝模式作为切入点，提出一种基于多元拓扑的迁移策略。

(二)量化正交学习的引入

以三维的情况为例，如图5所示，设H_i和H_e分别为(x₁，y₁，z₁)、(x₂，y₂，z₂)，迁移过程生成的新个体一定在(x₁，y₂，z₁)、(x₂，y₁，z₁)、(x₁，y₁，z₂)、(x₂，y₂，z₁)、(x₂，y₁，z₂)、(x₁，y₂，z₂)中，这些个体均位于H_i与H_e所确定的长方体的顶点位置。可见迁移过程不能搜索到长方体的内部区域，而实际问题中最优解往往位于内部区域。忽略搜索内部区域会限制算法的全局搜索能力，不利于算法的求解质量。引入量化正交学习让算法能够系统地探测整个解空间，为算法提供具有竞争力的候选解。

为验证改进的BBO算法的性能，选用数学领域中一组用于评估优化算法性能的标准测试函数。该组标准测试函数具有多样函数特征，涵盖了单峰、多峰、可导、不可导、凸、非凸、噪声等主要性质，能够更全面地验证算法在不同应用场景下的性能。该组测试函数分别用f₁-f₂₄来表示，其中f₁-f₁₂属于单峰函数，主要用于考察算法的局部搜索能力；f₁₃-f₂₄是多峰函数，主要用于考察算法的全局搜索能力。算法相关参数设置如表1所示：

表1算法相关参数设置

为消除随机性，优化算法对每个测试函数分别进行40次独立实验，计算重复独立实验得到的40个优化计算结果的均值和方差。另外为了进一步验证算法之间的差异性，采用威尔科克秩和检验在显著性水平为5％的情况下，检验算法之间的差异性，并得到计算结果最优的算法。

分别利用基本BBO算法和改进后的BBO算法来计算每个测试函数的最优值，由于两种算法都采用同样的初始种群和同样的终止判据，因此任何计算结果的差别都可以归结于算法的影响。两种算法分别在每个测试函数上实验得到的均值和方差如表2所示，利用威尔科克秩和检验来检验两个算法求解结果之间是否具有显著性差异，表中符号“+”,“－”和“＝”分别代表改进BBO算法得到的求解结果好于、差于和接近基本BBO算法得到的求解结果，其中较好的求解结果在表中用加粗表示。表中最后一行符号“w/t/l”代表改进BBO算法分别在w个、t个和l个测试函数上解质量优于基本BBO算法。从表2中可以看出，在24个标准测试函数中，除了f₄和f₅，改进BBO算法的求解结果均优于基本BBO算法。另外在单峰函数和多峰函数上的表现，改进算法的求解质量都优于基本BBO算法，也就是说改进BBO算法不仅能够提高算法的局部搜索能力和搜索精确度，而且可以改善算法的全局搜索能力，避免算法陷入局部最优。

表2改进BBO算法与基本BBO算法求解结果统计对比表

除了求解质量，收敛特性也是评价优化算法性能的重要指标。图6给出了基本BBO算法和改进BBO算法在9个较有代表性的标准测试函数上实验得到的收敛曲线，可以看出，改进BBO算法收敛速度明显快于基本BBO算法。

应该理解的是，虽然图1-2、4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2、4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种继电保护的定值优化装置，包括：第一信息获取模块702、第二信息获取模块704、改进算法获取模块706和定值优化模块708，其中：第一信息获取模块，用于获取电力系统运行的初始条件以及整定原则，根据初始条件以及所述整定原则，得到继电保护的当前定值；第二信息获取模块，用于根据所述当前定值运行电力系统，得到继电保护配合关系；改进算法获取模块，用于获取生物地理学改进算法，生物地理学改进算法基于多元拓扑和量化正交学习对生物地理学算法进行处理得到；定值优化模块，用于获取电力系统运行的优化参数，将继电保护配合关系以及优化参数输入至生物地理学改进算法，得到继电保护的优化定值。

在一个实施例中，改进算法获取模块包括：拓扑改进单元，用于基于多元拓扑对生物地理学算法进行处理，得到第一生物地理学改进算法；量化正交单元，用于基于量化正交学习对生物地理学算法进行处理，得到第二生物地理学改进算法；综合单元，用于根据第一生物地理学改进算法和第二生物地理学改进算法，得到生物地理学改进算法。

在一个实施例中，拓扑改进单元用于构建多元拓扑结构以及改进拷贝模式的信息传递方式；根据多元拓扑结构以及改进拷贝模式的信息传递方式，得到第一生物地理学改进算法。

在一个实施例中，拓扑改进单元用于获取各栖息地的适宜度指数，并按照适应度指数进行排序，得到排序后的编号；在排序后的编号中通过均匀抽样进行处理，得到环形拓扑的混合度；获取全局拓扑，根据环形拓扑的混合度以及全局拓扑，得到多元拓扑结构。

在一个实施例中，拓扑改进单元中构建的改进拷贝模式的信息传递方式为

是[0，1]之间的随机数。

在一个实施例中，量化正交单元用于获取量化正交学习的父代个体，根据父代个体得到解空间的下界以及解空间的上界；根据解空间的下界以及解空间的上界，将解空间进行量化，得到量化后的变量；将量化后的变量进行平均划分处理，得到多个子块；根据各子块进行正交试验，求取最优水平组合，得到第二生物地理学改进算法。

在一个实施例中，量化正交单元用于在每次迭代生成的下一代种群中随机选取量化正交学习的父代个体。

关于继电保护的定值优化装置的具体限定可以参见上文中对于继电保护的定值优化方法的限定，在此不再赘述。上述继电保护的定值优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种继电保护的定值优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现任一实施例中继电保护的定值优化方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现任一实施例中继电保护的定值优化方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种继电保护的定值优化方法，所述方法包括：

根据所述当前定值运行电力系统，根据各相邻保护之间的动作关联关系，所述动作关联关系包括动作定值和动作时间，得到继电保护配合关系；

获取电力系统运行的优化参数，所述优化参数指电力系统的优化目标，将电网所有保护动作时间之和最短作为优化目标，选定需要整定的保护范围，将所述需要整定的保护范围的继电保护配合关系以及所述优化参数输入至所述生物地理学改进算法，得到继电保护的优化定值。

2.根据权利要求1所述的方法，其特征在于，所述获取生物地理学改进算法，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于多元拓扑对生物地理学算法进行处理，得到第一生物地理学改进算法，包括：

构建多元拓扑结构以及改进拷贝模式的信息传递方式；

4.根据权利要求3所述的方法，其特征在于，所述构建多元拓扑结构，包括：

5.根据权利要求3所述的方法，其特征在于，所述改进拷贝模式的信息传递方式为

是[0，1]之间的随机数。

6.根据权利要求2所述的方法，其特征在于，所述基于量化正交学习对生物地理学算法进行处理，得到第二生物地理学改进算法，包括：

将所述量化后的变量进行平均划分处理，得到多个子块；

7.根据权利要求6所述的方法，其特征在于，所述获取量化正交学习的父代个体，包括：

8.一种继电保护的定值优化装置，其特征在于，所述装置包括：

第二信息获取模块，用于根据所述当前定值运行电力系统，根据各相邻保护之间的动作关联关系，所述动作关联关系包括动作定值和动作时间，得到继电保护配合关系；

定值优化模块，用于获取电力系统运行的优化参数，所述优化参数指电力系统的优化目标，将电网所有保护动作时间之和最短作为优化目标，选定需要整定的保护范围，将所述需要整定的保护范围的继电保护配合关系以及所述优化参数输入至所述生物地理学改进算法，得到继电保护的优化定值。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。