CN111597668A - 基于遗传算法的电力路径拓扑方法 - Google Patents

基于遗传算法的电力路径拓扑方法 Download PDF

Info

Publication number
CN111597668A
CN111597668A CN202010464554.2A CN202010464554A CN111597668A CN 111597668 A CN111597668 A CN 111597668A CN 202010464554 A CN202010464554 A CN 202010464554A CN 111597668 A CN111597668 A CN 111597668A
Authority
CN
China
Prior art keywords
power path
power
path
genetic algorithm
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010464554.2A
Other languages
English (en)
Inventor
唐志强
陈思
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Weineng Technology Co ltd
Original Assignee
Jiangsu Weineng Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Weineng Technology Co ltd filed Critical Jiangsu Weineng Technology Co ltd
Priority to CN202010464554.2A priority Critical patent/CN111597668A/zh
Publication of CN111597668A publication Critical patent/CN111597668A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Physiology (AREA)

Abstract

本发明公开了基于遗传算法的电力路径拓扑方法，涉及电力路径布线技术领域。本发明包括：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；将同一地块区域内的环网柜串联形成电力路径环网结构；利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。本发明通过提升电力负载、电网建设时序与用电需求的匹配度；建立包括电力路径布设费用、线路损耗规划在内的目标函数方程，利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径；实现电路路径的优化，降低电缆线路布设投资。

Description

基于遗传算法的电力路径拓扑方法
技术领域
本发明属于电力路径布线技术领域，特别是涉及一种基于遗传算法的电力路径拓扑方法。
背景技术
电力布线过程中，一般通过人工实地勘察并记录实时数据后；然后通过多方专家初步设计规划线路，并在多次模拟铺设场景预演后，最后再实施铺设。整个过程中，效率较低、耗时较长，成本开销较大；并且由于人工布线规划过程中，并不能每一段铺设都实现最优路线，进而导致铺设线路不合理、浪费成本。
本发明提供一种基于遗传算法的电力路径拓扑方法，用于解决上述问题，实现便捷高效的电力路径拓扑。
发明内容
本发明的目的在于提供基于遗传算法的电力路径拓扑方法，通过提升电力负载、电网建设时序与用电需求的匹配度，以及电力路径布线最优路径，解决了现有的电力系统布线路径不合理的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为基于遗传算法的电力路径拓扑方法，包括如下过程：
S00：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；
Figure BDA0002512160240000011
且Lmn≤Lim；
其中，Lmn为第m座变电站的第n条电力路径的长度，Lim为预设的任一变电站的电力路径的最大长度，Lim的范围为[5,10],单位：km，ω为电力路径单位长度布设费用，x为电力排线折旧年限，t0为未来贴现率，M为电力路径上变电站的数量，Nm为当前第m个变电站的电力路径的数量，Pm为当前第m天电力路径上所带负载，
Figure BDA0002512160240000022
为电力路径线路耗损系数；
S01：在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；
S02：将同一地块区域内的环网柜串联形成电力路径环网结构；以电缆网为例，规划电力线路路径寻优；根据负荷预测获得各个子地块的负荷，确定该子地块需要的环网柜数量；根据负荷性质，确定电缆环网类型；
S03：利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。
优选地，S03具体包括如下过程：
S031：对电力路径环网结构内n各环网柜进行随机编码为[1,n]，形成一个染色体；
S032：确定用于量化染色体对目标匹配性的匹配度函数：
Figure BDA0002512160240000021
其中，Smn为第m座变电站的第n条电力路径的实际长度；
S033：确定遗传算法参数包括：种群数量M，最大代数Gmax，变异率ηm以及交叉率ηc；
S034：确定旋转轮赌次数num，每次旋转都为新群主选择一个个体，采用轮赌方式确定匹配值最大的作为父体；
其中，所述轮赌次数num范围为：[100,200]；
S035：采用交叉算子方式消除重复；
S036：采用倒位变异法，随机选择a1和a2交换位置，并将两点间数字从靠后开始倒置放置；
S037：评选并存储新群体总最优染色体，并输出最优解。
优选地，S035具体包括如下：
利用部分映射确定交叉操作的父代，将num个样本两个为一组形成num2组；从[0,1]区间内产生随机数b1和b2；另r1等于b1*num和b2*num确定两个位置，对两位置间数据交叉；同一样本中出现重复环网柜，消除重复。
优选地，S034中确定匹配值最大的作为父体具体如下：
计算各染色体匹配值mate(Vi)和群体的总匹配值；其中，i＝1,2，...，M；计算各染色体Vi的择优概率Pv＝mate(Vi)/f；计算各染色体的累计概率。
本发明具有以下有益效果：
本发明通过提升电力负载、电网建设时序与用电需求的匹配度；建立包括电力路径布设费用、线路损耗规划在内的目标函数方程，利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径；实现电路路径的优化，降低电缆线路布设投资。同时，相比于通过实际测量，减少了人工消耗，提高布线效率，规划更加灵活。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于遗传算法的电力路径拓扑方法的流程图；
图2为本发明基于遗传算法的电力路径拓扑方法中利用遗传算法获取最短电力布设路径的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为基于遗传算法的电力路径拓扑方法，包括如下过程：
S00：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；
Figure BDA0002512160240000041
且Lmn≤Lim；
其中，Lmn为第m座变电站的第n条电力路径的长度，Lim为预设的任一变电站的电力路径的最大长度，Lim的范围为[5,10]；本实施例中选择Lim＝6,单位：km，ω为电力路径单位长度布设费用，x为电力排线折旧年限，t0为未来贴现率，M为电力路径上变电站的数量，Nm为当前第m个变电站的电力路径的数量，Pm为当前第m天电力路径上所带负载，
Figure BDA0002512160240000052
为电力路径线路耗损系数；
S01：在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；实际上，根据电缆路径将各个环网柜依次连接，形成单环网或双环网电力路径；
S02：将同一地块区域内的环网柜串联形成电力路径环网结构；以电缆网为例，规划电力线路路径寻优；根据负荷预测获得各个子地块的负荷，确定该子地块需要的环网柜数量；根据负荷性质，确定电缆环网类型；
S03：利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。
请参阅图2所示，S03具体包括如下过程：
S031：对电力路径环网结构内n各环网柜进行随机编码为[1,n]，形成一个染色体；
S032：确定用于量化染色体对目标匹配性的匹配度函数：
Figure BDA0002512160240000051
其中，Smn为第m座变电站的第n条电力路径的实际长度；
S033：确定遗传算法参数包括：种群数量M，最大代数Gmax，变异率ηm以及交叉率ηc；具体的，群体规模越大，处理模式越多，陷入局部解的可能性越小，极易陷入未成熟收敛，但规模过大会增加计算量，影响算法效率，本实施例中选取80；
S034：确定旋转轮赌次数num，每次旋转都为新群主选择一个个体，采用轮赌方式确定匹配值最大的作为父体；
其中，轮赌次数num范围为：[100,200]；具体的，赌轮是按个体的适应度进行选择的，适应值大的个体则选取，适应值小的个体则去除；具体的还包括：计算各染色体匹配值mate(Vi)和群体的总匹配值；其中，i＝1,2，...，M；计算各染色体Vi的择优概率Pv＝mate(Vi)/f；计算各染色体的累计概率；
S035：采用交叉算子方式消除重复；具体的，利用部分映射确定交叉操作的父代，将num个样本两个为一组形成num2组；从[0,1]区间内产生随机数b1和b2；另r1等于b1*num和b2*num确定两个位置，对两位置间数据交叉；同一样本中出现重复环网柜，消除重复；
S036：采用倒位变异法，随机选择a1和a2交换位置，并将两点间数字从靠后开始倒置放置；
S037：评选并存储新群体总最优染色体，并输出最优解。
本发明的技术方案，通过提升电力负荷预测、电网建设时序与用电需求之间的吻合度，以及优化中压电力线路路径；实现电路路径的优化，降低电缆线路布设投资。此外，相比于通过实际测量，减少了人工消耗，提高布线效率，规划更加灵活。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (4)

1.基于遗传算法的电力路径拓扑方法，其特征在于，包括如下过程：
S00：将电力路径布设费用、线路损耗规划在内，建立施工总费用的目标函数方程；
Figure FDA0002512160230000011
且Lmn≤Lim；
其中，Lmn为第m座变电站的第n条电力路径的长度，Lim为预设的任一变电站的电力路径的最大长度，Lim的范围为[5,10],单位：km，ω为电力路径单位长度布设费用，x为电力排线折旧年限，t0为未来贴现率，M为电力路径上变电站的数量，Nm为当前第m个变电站的电力路径的数量，Pm为当前第m天电力路径上所带负载，
Figure FDA0002512160230000012
为电力路径线路耗损系数；
S01：在电力路径网络中，测算各变电站所在地块区域内的的负载情况，并根据负载情况确定环网柜数量以及位置；
S02：将同一地块区域内的环网柜串联形成电力路径环网结构；
S03：利用遗传算法对电力路径环网结构优化，提取约束条件、获取最短电力布设路径。
2.根据权利要求1所述的基于遗传算法的电力路径拓扑方法，其特征在于，S03具体包括如下过程：
S031：对电力路径环网结构内n各环网柜进行随机编码为[1,n]，形成一个染色体；
S032：确定用于量化染色体对目标匹配性的匹配度函数：
Figure FDA0002512160230000013
其中，Smn为第m座变电站的第n条电力路径的实际长度；
S033：确定遗传算法参数包括：种群数量M，最大代数Gmax，变异率ηm以及交叉率ηc；
S034：确定旋转轮赌次数num，每次旋转都为新群主选择一个个体，采用轮赌方式确定匹配值最大的作为父体；
其中，所述轮赌次数num范围为：[100,200]；
S035：采用交叉算子方式消除重复；
S036：采用倒位变异法，随机选择a1和a2交换位置，并将两点间数字从靠后开始倒置放置；
S037：评选并存储新群体总最优染色体，并输出最优解。
3.根据权利要求2所述的基于遗传算法的电力路径拓扑方法，其特征在于，S035具体包括如下：
利用部分映射确定交叉操作的父代，将num个样本两个为一组形成num/2组；从[0,1]区间内产生随机数b1和b2；另r1等于b1*num和b2*num确定两个位置，对两位置间数据交叉；同一样本中出现重复环网柜，消除重复。
4.根据权利要求2或3所述的基于遗传算法的电力路径拓扑方法，其特征在于，S034中确定匹配值最大的作为父体具体如下：
计算各染色体匹配值mate(Vi)和群体的总匹配值；其中，i＝1,2，...，M；计算各染色体Vi的择优概率Pv＝mate(Vi)/f；计算各染色体的累计概率。
CN202010464554.2A 2020-05-28 2020-05-28 基于遗传算法的电力路径拓扑方法 Pending CN111597668A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010464554.2A CN111597668A (zh) 2020-05-28 2020-05-28 基于遗传算法的电力路径拓扑方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010464554.2A CN111597668A (zh) 2020-05-28 2020-05-28 基于遗传算法的电力路径拓扑方法

Publications (1)

Publication Number Publication Date
CN111597668A true CN111597668A (zh) 2020-08-28

Family

ID=72185867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010464554.2A Pending CN111597668A (zh) 2020-05-28 2020-05-28 基于遗传算法的电力路径拓扑方法

Country Status (1)

Country Link
CN (1) CN111597668A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114297811A (zh) * 2021-12-31 2022-04-08 烟台东方威思顿电气有限公司 基于约束多目标优化的低压台区拓扑识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503844A (zh) * 2016-10-19 2017-03-15 国网山东省电力公司济阳县供电公司 一种采用遗传算法的电力线路路径寻优方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503844A (zh) * 2016-10-19 2017-03-15 国网山东省电力公司济阳县供电公司 一种采用遗传算法的电力线路路径寻优方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114297811A (zh) * 2021-12-31 2022-04-08 烟台东方威思顿电气有限公司 基于约束多目标优化的低压台区拓扑识别方法
CN114297811B (zh) * 2021-12-31 2023-09-12 烟台东方威思顿电气有限公司 基于约束多目标优化的低压台区拓扑识别方法

Similar Documents

Publication Publication Date Title
CN110852627B (zh) 配电网灾后抢修决策方法和装置
CN110348048B (zh) 基于考虑热岛效应负荷预测的配电网优化重构方法
CN111178619A (zh) 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN106503844B (zh) 一种采用遗传算法的电力线路路径寻优方法
CN106941256B (zh) 计及mpsc和mccc的配电网主变联络结构优化规划方法
Wen et al. Power system load modeling by learning based on system measurements
CN110414810B (zh) 计及失负荷风险的多端智能软开关优化配置方法及系统
CN111313403B (zh) 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法
CN106127304A (zh) 一种适用于配电网网络拓扑设计方法
CN108880886A (zh) 一种跨区域电力系统保护通信网规划方法
CN110245799B (zh) 考虑负荷柔性需求的配电网架结构过渡的多目标规划方法
CN113095648A (zh) 基于数据驱动的配电网故障停电风险指标评估方法及系统
CN107276664A (zh) 基于门限式负载的混合虚网映射方法
CN111597668A (zh) 基于遗传算法的电力路径拓扑方法
CN104505832A (zh) 一种中压配电网低损耗运行方式确定方法
CN107563641B (zh) 一种计及灾害偏好的配电网抗灾多场景差异化规划方法
CN111935762A (zh) 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统
Wei et al. Transmission network planning with N-1 security criterion based on improved multi-objective genetic algorithm
CN108334950A (zh) 一种应用单亲遗传算法的配电网络重构方法
CN105740980A (zh) 一种含柔性直流输电系统的交直流混合电网优化规划方法
CN111083577B (zh) 一种电力通信拓扑结构优化方法
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN114330940B (zh) 用于pcb电镀任务排序问题的多目标混合蜘蛛猴优化方法
CN110571791B (zh) 一种新能源接入下的输电网规划的优化配置方法
CN111027738B (zh) 一种基于遗传算法的电力通信光缆敷设优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200828

RJ01 Rejection of invention patent application after publication