CN112085291A - 一种用于配电网规划优化的遗传算法、系统及装置 - Google Patents
一种用于配电网规划优化的遗传算法、系统及装置 Download PDFInfo
- Publication number
- CN112085291A CN112085291A CN202010986836.9A CN202010986836A CN112085291A CN 112085291 A CN112085291 A CN 112085291A CN 202010986836 A CN202010986836 A CN 202010986836A CN 112085291 A CN112085291 A CN 112085291A
- Authority
- CN
- China
- Prior art keywords
- initial value
- population
- initial
- individuals
- individual
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 230000002068 genetic effect Effects 0.000 title claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims description 37
- 238000002649 immunization Methods 0.000 claims description 21
- 230000003053 immunization Effects 0.000 claims description 21
- 229960005486 vaccine Drugs 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000011081 inoculation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 5
- 239000000427 antigen Substances 0.000 claims description 4
- 108091007433 antigens Proteins 0.000 claims description 4
- 102000036639 antigens Human genes 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 24
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000002255 vaccination Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于配电网规划优化的遗传算法、系统及装置，该方案中，在算法初期对预先输入的配电网的所有初值个体建立初始种群，在初始种群中挑选出环境适应性高的非常规初值个体组成优质种群，将剩余的初值个体分为多个基本种群，在每个基本种群中选择优质初值个体并将其加入优质种群，最后将组成优质种群的配电网的初值个体输出。可见，本发明在算法初期的时候将环境适应性高的初值个体组成优质种群，也即将初始种群中竞争力极强、容易繁衍至下一代的初值个体分类处理，再对组成优质种群之外的初值个体进行寻优，避免了传统遗传算法中“早熟”现象。
Description
技术领域
本发明涉及配电网规划优化领域，特别是涉及一种用于配电网规划优化的遗传算法、系统及装置。
背景技术
随着风能、太阳能的不断推广，分布式能源大量涌入配电网，分布式能源的引入对配电网的优化问题产生了巨大的影响，遗传算法是处理配电网优化问题可以选择的算法之一。但是现有技术中传统的遗传算法在搜索过程的初期，种群内很有可能会出现一些对环境适应度极高的非常规个体，这些个体在种群中的竞争力极强，并且很容易繁衍至下一代，而进化的下一代也很快被这种个体所控制，出现“早熟”现象。可见，如何提供一种新型的遗传算法避免传统遗传算法中的“早熟”现象是十分必要的。
发明内容
本发明的目的是提供一种用于配电网规划优化的遗传算法、系统及装置，避免了传统遗传算法中“早熟”现象。
为解决上述技术问题，本发明提供了一种用于配电网规划优化的遗传算法，包括：
将预先输入的所述配电网的所有初值个体构建为初始种群；
从所述初始种群中选择环境适应性高于预设适应度的非常规初值个体组成优质种群；
将所述初始种群中除所述非常规初值个体之外的初值个体分为多个基本种群；
分别在每组所述基本种群内选择优质初值个体并加入所述优质种群；
将构成所述优质种群的配电网的初值个体输出。
优选地，从所述初始种群中选择环境适应性高于所述预设适应度的非常规初值个体组成所述优质种群，包括：
对所述初始种群中的初值个体分别进行适应度计算；
判断所述初值个体的适应度是否大于预设适应度；
若是，则将适应度大于所述预设适应度的初值个体加入所述优质种群。
优选地，分别在每组所述基本种群内选择所述优质初值个体加入所述优质种群，包括：
使用免疫算法分别在每组所述基本种群内选择所述优质初值个体加入所述优质种群。
优选地，使用所述免疫算法分别在每组基本种群内选择所述优质初值个体加入所述优质种群，包括：
每组所述基本种群根据同一目标函数且每组所述基本种群分别根据不同的交叉概率及变异概率选择所述优质初值个体加入所述优质种群。
优选地，所述免疫算法包括：
在所述基本种群中通过抗原识别选取免疫初值个体；
提取所述免疫初值个体的抗体信息，并基于所述抗体信息制作免疫疫苗；
基于所述免疫疫苗及抗体浓度概率选择关系式在所述免疫初值个体所在的所述基本种群中选择待接种初值个体；
向所述待接种初值个体注射所述免疫疫苗，生成接种初值个体；
对所述接种初值个体和所述待接种初值个体进行适应度计算；
判断所述接种初值个体的适应度是否大于所述待接种初值个体的适应度；
若是，则将所述接种初值个体加入优质种群；
若否，则将所述待接种初值个体保留在所述基本种群，并将所述基本种群作为下一次迭代的基本种群；
重复上述步骤直至满足结束条件。
优选地，所述结束条件为在连续重复上述迭代步骤M次后，所述优质初值个体不发生变化或重复上述迭代步骤的次数达到预设次数，M为不小于2的正整数。
优选地，所述抗体信息包括：
所述抗体在所在的基本种群上的位置及所述抗体的浓度；
其中，所述抗体在所述基本种群上的位置为：
其中，xi为第i个初值个体，xj为第j个初值个体，L(xi)为第i个初值个体在所在的基本种群中的位置，N为所述基本种群中的初值个体的总个数，Z(xi)为第i个初值个体的适应度，Z(xj)为第j个初值个体的适应度，i小于等于N；
所述抗体的浓度为：
其中，D(xi)为第i个初值个体的浓度。
优选地，所述抗体浓度概率选择关系式为：
为解决以上技术问题，本发明还提供了一种用于配电网规划优化的系统，包括：
构建单元，用于根据预先输入的所述配电网的所有初值个体构建初始种群；
第一选择单元，用于从所述初始种群中选择环境适应性高于预设适应度的非常规初值个体组成优质种群；
分组单元，用于将所述初始种群中除所述非常规初值个体之外的初值个体分为多个基本种群；
第二选择单元，用于分别在每组所述的基本种群内选择优质初值个体并加入所述优质种群；
输出单元，用于将构成所述优质种群的配电网的初值个体输出。
本发明还提供了一种用于配电网规划优化的装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述所述的用于配电网规划优化的遗传算法。
本发明公开了一种用于配电网规划优化的遗传算法、系统及装置，该方案中，在算法初期对预先输入的配电网的所有初值个体建立初始种群，在初始种群中挑选出环境适应性高的非常规初值个体组成优质种群，将剩余的初值个体分为多个基本种群，在每个基本种群中选择优质初值个体并将其加入优质种群，最后将组成优质种群的配电网的初值个体输出。可见，本发明在算法初期的时候将环境适应性高的初值个体组成优质种群，也即将初始种群中竞争力极强、容易繁衍至下一代的初值个体分类处理，再对组成优质种群之外的初值个体进行寻优，避免了传统遗传算法中“早熟”现象。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中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为本发明提供的一种用于配电网规划优化的遗传算法的流程示意图；
图2为本发明提供某地区配电网系统的拓扑结构示意图；
图3为本发明提供的现有技术中某地区使用传统遗传算法的收敛过程示意图；
图4为本发明提供的一种用于配电网规划优化的遗传算法的收敛过程示意图；
图5为本发明提供的一种用于配电网规划优化的系统的结构示意图；
图6为本发明提供的一种用于配电网规划优化的装置的结构示意图。
具体实施方式
本发明的核心是提供一种用于配电网规划优化的遗传算法、系统及装置，避免了传统遗传算法中“早熟”现象。
为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，图1为本发明提供的一种用于配电网规划优化的遗传算法的流程示意图，该遗传算法包括：
S11：将预先输入的配电网的所有初值个体构建为初始种群；
S12：从初始种群中选择环境适应性高于预设适应度的非常规初值个体组成优质种群；
S13：将初始种群中除非常规初值个体之外的初值个体分为多个基本种群；
S14：分别在每组基本种群内选择优质初值个体并加入优质种群；
S15：将构成优质种群的配电网的初值个体输出。
考虑到现有技术中使用传统遗传算法进行配电网的规划优化时，在搜索的前期很有可能会出现一些对环境适应性极高的非常规个体，这些个体在种群中的竞争力极强，并且很容易繁衍至下一代，而进化的下一代也很快被这种个体所控制，出现“早熟”现象。
基于此，本申请首先将预先输入的配电网的所有初值个体构建为初始种群，然后从初始种群中选取环境适应性高于预设适应度的非常规初值个体组成优质种群，然后将除了组成优质种群的初值个体之外的其余初值个体分成多个基本初始种群，然后分别在每组基本种群中寻优，并将其加入到优质种群中，最后将优质种群中的所有配电网的初值个体输出。
具体地，在为配电网配置分布式电源时，配电网的所有初值个体可以为分布式电源的位置和容量可能产生的所有情况，请参照图2，图2为本发明提供某地区配电网系统的拓扑结构示意图，图中的7-14节点均可以连接分布式电源，假设每个节点接入的分布式电源的容量不能超过该节点的负荷量，且系统中的分布式电源的总量不大于负荷总容量的20％，计算符合配电网费用最小化的分布式电源的安装方案。将配电网的费用作为目标函数，根据上述约束条件对配电网的规划优化进行分析，求出符合配电网费用最小化的方案。首先，选出一些环境适应性高的非常规个体组成优质种群给个体，之后对除了非常规个体之外的剩余初值个体进行分组寻优，然后将每组的优质初值个体加入优质种群，本申请中在算法初期对所有初值个体进行预处理，提取出对环境适应性高的非常规个体组成优质种群，并且不对该优质种群进行运算，避免了传统遗传算法中因环境适应性高的非常规个体对下一代的控制，避免了传统遗传算法在进化过程中的“早熟”现象。
表1某地区14个节点线路阻抗数据
表2 14个节点的负荷数据
表3某地区的配电网规划优化的仿真结果
表4某地区14个节点总费用优化结果
请参照表1和表2，表1为某地区14个节点线路阻抗数据，表2为14个节点的负荷数据，且年最大负荷损耗小时数为εmax＝2000h；规划区域的单位电价为Pr＝0.6元/kWh；单位CO2和SO2的减排成本分别为P1＝0.7元/kWh和P2＝1.0元/kWh，收敛判据为ε1≤0.0001，基本种群数量为40，基于上述条件得到表3和表4，其中，表3为某地区配电网规划优化的的仿真结果，表4为某地区14个节点总费用优化结果。可见，本实施例的优化结果为在7、9、12和14节点接入分布式电源，对应的分布式电源的容量分别为100kVA、100kVA、100kVA和200kVA，接入分布式电源之前，该地区配电网的有功功耗为196.75kW，运行总费用为495.91万元；接入分布式电源之后，该地区配电网的有功功耗为163.25kW，运行总费用为459.71万元，可见接入分布式电源减少了该地区配电网的有功功耗及运行总费用。
请参照图3和图4，其中，图3为本发明提供的现有技术中使用传统遗传算法的收敛过程示意图，图4为本发明提供的一种用于配电网规划优化的遗传算法的收敛过程示意图。可见，本发明提供的用于配电网规划优化的遗传算法避免了“早熟”现象，且迭代次数明显减少，提高了迭代速度，收敛速度较快。
综上，本发明在算法初期的时候将环境适应性高的初值个体组成优质种群，也即将初始种群中竞争力极强、容易繁衍至下一代的初值个体分类处理，再对组成优质种群之外的初值个体进行寻优，避免了传统遗传算法中“早熟”现象。
在上述实施例的基础上：
作为一种优选的实施例，从初始种群中选择环境适应性高于预设适应度的非常规初值个体组成优质种群，包括：
对初始种群中的初值个体分别进行适应度计算；
判断初值个体的适应度是否大于预设适应度；
若是,则将适应度大于预设适应度的初值个体加入优质种群。
具体地，本申请中选择环境适应性高的非常规个体组成优质种群，具体通过对初始种群中的初值个体进行适应度计算，然后判断每个初值个体的适应度是否大于预设适应度，若是，则将初值个体的适应度大于预设适应度的初值个体组成优质种群。
本实施例中，对配电网配置分布式电源时，目标函数为配电网的费用，求目标函数的最小化，此时适应度计算关系式为：
其中，x为初值个体，Z(x)为初值个体对应的适应度值，C(x)为初值个体对应的目标函数值，也即在本实施例中为配电网的费用，Cmax为目标函数的预设最大值，也即是配电网的预设最大费用。
此外，若在求解目标函数的最大值时，适应度计算关系式为：
其中，x为初值个体，Z(x)为初值个体的适应度值，Cmin为所述目标函数的预设最小值。
作为一种优选的实施例，分别在每组基本种群内选择优质初值个体加入优质种群，包括：
使用免疫算法分别在每组基本种群内选择优质初值个体加入优质种群。
本实施例中，使用免疫算法分别在每组基本种群内选择优质初值个体加入优质种群，其中，免疫算法的迭代速度更快，节省了寻优的时间。
此外，本申请中分别在每组基本种群中选择优质初值个体加入优质种群，并不仅限于免疫算法，还可以选择其他可以进行寻优的传统遗传算法。
作为一种优选的实施例，使用免疫算法分别在每组基本种群内选择优质初值个体加入优质种群，包括：
每组基本种群根据同一目标函数且每组基本种群分别根据不同的交叉概率及变异概率选择优质初值个体加入优质种群。
考虑到使用免疫算法分别在每组基本种群内选择优质初值个体加入优质种群时，交叉概率和变异概率将直接影响算法的搜索能力，若每组使用相同的交叉概率和变异概率，则在寻找的优质初值个体相似性较大，优质初值个体的多样性较低。
基于此，本申请中每组基本种群中选择优质初值个体中分别使用不同交叉概率和免疫概率，且为了保证优质初值个体的统一性，每个基本种群选择优质初值个体中使用同一目标函数，在保证统一性的前提下，通过使用不同的交叉概率和变异概率能够搜索不同空间的优质初值个体，提高算法的全局性，提高优质初值个体的多样性。本实施例中，目标函数为配电网的费用，选取的交叉概率为0.8和0.3，变异概率为0.1和0.001。
作为一种优选的实施例，免疫算法包括：
在基本种群中通过抗原识别选取免疫初值个体；
提取免疫初值个体的抗体信息，并基于抗体信息制作免疫疫苗；
基于免疫疫苗及抗体浓度概率选择关系式在免疫初值个体所在的基本种群中选择待接种初值个体；
向待接种初值个体注射免疫疫苗，生成接种初值个体；
对接种初值个体和待接种初值个体进行适应度计算；
判断接种初值个体的适应度是否大于待接种初值个体的适应度；
若是，则将接种初值个体加入优质种群；
若否，则将待接种初值个体保留在基本种群，并将基本种群作为下一次迭代的基本种群；
重复上述步骤直至满足结束条件。
具体地，从每个基本种群的进化过程中选取免疫初值个体，并对免疫初值个体的抗体信息进行提取，并基于抗体信息用来制作免疫疫苗，在制作免疫疫苗之后，基于抗体浓度概率选择公式从每个基本种群中选择一些初值个体，作为待接种的免疫初值个体，然后对待接种的免疫初值个体执行免疫疫苗注射操作，得到接种初值个体。实施疫苗接种后，再对接种初值个体进行适应度计算，并与待接种初值个体的适应度进行对比，若接种初值个体的适应度变高，则表明免疫疫苗接种后的接种初值个体具有较优的进化基础，从而用接种初值个体代替待接种初值个体；若接种初值个体的适应度值变低，则表明免疫疫苗接种后的接种初值个体出现了进化基因退化，就需要忽略免疫疫苗接种后产生的接种初值个体，将待接种初值个体直接放入下一代进化基本种群，更新基本种群，重复上述迭代步骤直至满足结束条件。
作为一种优选的实施例，结束条件为在连续重复上述迭代步骤M次后，优质初值个体不发生变化或重复上述迭代步骤的次数达到预设次数，M为不小于2的正整数。
在本实施例中，使用免疫算法在每组基本种群中进行寻优的迭代时，满足结束条件则停止迭代，其中，结束条件为在连续重复上述迭代步骤M次后，每次优质初值个体均不发生变化或重复上述迭代步骤的次数达到预设次数。其中，M为不小于2的正整数，预设次数为500。
作为一种优选的实施例，抗体信息包括：
抗体在所在的基本种群上的位置及抗体的浓度；
其中，抗体在基本种群上的位置为：
其中，xi为第i个初值个体，xj为第j个初值个体，L(xi)为第i个初值个体在所在的基本种群中的位置，N为基本种群中的初值个体的总个数，Z(xi)为第i个初值个体的适应度，Z(xj)为第j个初值个体的适应度，i小于等于N；
抗体的浓度为：
其中，D(xi)为第i个初值个体的浓度。
本实施例在使用免疫算法进行抗原识别选择免疫初值个体，然后提取免疫初值个体的抗体信息，抗体信息包括免疫初值个体在所在基本种群上的位置及免疫初值个体的浓度，然后基于免疫初值个体在所在基本种群上的位置及免疫初值个体的浓度制作免疫疫苗。
作为一种优选的实施例，抗体浓度概率选择关系式为：
其中，抗体在基本种群上的位置为：
其中，xi为第i个初值个体，xj为第j个初值个体，L(xi)为第i个初值个体在所在的基本种群中的位置，N为基本种群中的初值个体的总个数，Z(xi)为第i个初值个体的适应度，Z(xj)为第j个初值个体的适应度，i小于等于N，PD(xi)为第i个初值个体被选中的概率。
具体地，本申请使用免疫算法在基本种群中选取优质初值个体时，选择待接种个体时需要基于抗体浓度概率选择关系式在免疫初值个体所在的基本种群中选择待接，其中，抗体浓度概率选择关系式如上述所述。
请参照图5，图5为本发明提供的一种用于配电网规划优化的系统的结构示意图，该系统包括：
构建单元1，用于根据预先输入的配电网的所有初值个体构建初始种群；
第一选择单元2，用于从初始种群中选择环境适应性高于预设适应度的非常规初值个体组成优质种群；
分组单元3，用于将初始种群中除非常规初值个体之外的初值个体分为多个基本种群；
第二选择单元4，用于分别在每组的基本种群内选择优质初值个体并加入优质种群；
输出单元5，用于将构成优质种群的配电网的初值个体输出。
本申请提供的一种用于配电网规划优化的系统与上述方法实施例描述的一种用于配电网规划优化的遗传算法具有相同的有益效果，本申请在此不再赘述。
请参照图6，图6为本发明提供的一种用于配电网规划优化的装置的结构示意图，该装置包括：
存储器6，用于存储计算机程序；
处理器7，用于执行计算机程序时实现上述的用于配电网规划优化的遗传算法。
本申请提供的一种用于配电网规划优化的系统与上述方法实施例描述的一种用于配电网规划优化的遗传算法具有相同的有益效果，本申请在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种用于配电网规划优化的遗传算法，其特征在于，包括：
将预先输入的所述配电网的所有初值个体构建为初始种群；
从所述初始种群中选择环境适应性高于预设适应度的非常规初值个体组成优质种群；
将所述初始种群中除所述非常规初值个体之外的初值个体分为多个基本种群；
分别在每组所述基本种群内选择优质初值个体并加入所述优质种群；
将构成所述优质种群的配电网的初值个体输出。
2.如权利要求1所述的用于配电网规划优化的遗传算法，其特征在于，从所述初始种群中选择环境适应性高于所述预设适应度的非常规初值个体组成所述优质种群，包括：
对所述初始种群中的初值个体分别进行适应度计算；
判断所述初值个体的适应度是否大于预设适应度；
若是，则将适应度大于所述预设适应度的初值个体加入所述优质种群。
3.如权利要求1所述的用于配电网规划优化的遗传算法，其特征在于，分别在每组所述基本种群内选择所述优质初值个体加入所述优质种群，包括：
使用免疫算法分别在每组所述基本种群内选择所述优质初值个体加入所述优质种群。
4.如权利要求3所述的用于配电网规划优化的遗传算法，其特征在于，使用所述免疫算法分别在每组基本种群内选择所述优质初值个体加入所述优质种群，包括：
每组所述基本种群根据同一目标函数且每组所述基本种群分别根据不同的交叉概率及变异概率选择所述优质初值个体加入所述优质种群。
5.如权利要求4所述的用于配电网规划优化的遗传算法，其特征在于，所述免疫算法包括：
在所述基本种群中通过抗原识别选取免疫初值个体；
提取所述免疫初值个体的抗体信息，并基于所述抗体信息制作免疫疫苗；
基于所述免疫疫苗及抗体浓度概率选择关系式在所述免疫初值个体所在的所述基本种群中选择待接种初值个体；
向所述待接种初值个体注射所述免疫疫苗，生成接种初值个体；
对所述接种初值个体和所述待接种初值个体进行适应度计算；
判断所述接种初值个体的适应度是否大于所述待接种初值个体的适应度；
若是，则将所述接种初值个体加入优质种群；
若否，则将所述待接种初值个体保留在所述基本种群，并将所述基本种群作为下一次迭代的基本种群；
重复上述步骤直至满足结束条件。
6.如权利要求5所述的用于配电网规划优化的遗传算法，其特征在于，所述结束条件为在连续重复上述迭代步骤M次后，所述优质初值个体不发生变化或重复上述迭代步骤的次数达到预设次数，M为不小于2的正整数。
7.如权利要求5所述的用于配电网规划优化的遗传算法，其特征在于，所述抗体信息包括：
所述抗体在所在的基本种群上的位置及所述抗体的浓度；
其中，所述抗体在所述基本种群上的位置为：
其中，xi为第i个初值个体，xj为第j个初值个体，L(xi)为第i个初值个体在所在的基本种群中的位置，N为所述基本种群中的初值个体的总个数，Z(xi)为第i个初值个体的适应度，Z(xj)为第j个初值个体的适应度，i小于等于N；
所述抗体的浓度为：
其中，D(xi)为第i个初值个体的浓度。
8.如权利要求5所述的用于配电网规划优化的遗传算法，其特征在于，所述抗体浓度概率选择关系式为：
其中，所述抗体在所述基本种群上的位置为：
其中，xi为第i个初值个体，xj为第j个初值个体，L(xi)为第i个初值个体在所在的基本种群中的位置，N为所述基本种群中的初值个体的总个数，Z(xi)为第i个初值个体的适应度，Z(xj)为第j个初值个体的适应度，i小于等于N，PD(xi)为第i个初值个体被选中的概率。
9.一种用于配电网规划优化的系统，其特征在于，包括：
构建单元，用于根据预先输入的所述配电网的所有初值个体构建初始种群；
第一选择单元，用于从所述初始种群中选择环境适应性高于预设适应度的非常规初值个体组成优质种群；
分组单元，用于将所述初始种群中除所述非常规初值个体之外的初值个体分为多个基本种群；
第二选择单元，用于分别在每组所述的基本种群内选择优质初值个体并加入所述优质种群；
输出单元，用于将构成所述优质种群的配电网的初值个体输出。
10.一种用于配电网规划优化的装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述的用于配电网规划优化的遗传算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010986836.9A CN112085291A (zh) | 2020-09-18 | 2020-09-18 | 一种用于配电网规划优化的遗传算法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010986836.9A CN112085291A (zh) | 2020-09-18 | 2020-09-18 | 一种用于配电网规划优化的遗传算法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112085291A true CN112085291A (zh) | 2020-12-15 |
Family
ID=73738176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010986836.9A Pending CN112085291A (zh) | 2020-09-18 | 2020-09-18 | 一种用于配电网规划优化的遗传算法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085291A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
| CN105512726A (zh) * | 2015-12-11 | 2016-04-20 | 中国船舶重工集团公司第七一九研究所 | 基于免疫遗传优化的可靠性分配方法及装置 |
| CN108053250A (zh) * | 2017-12-15 | 2018-05-18 | 北京理工大学 | 一种基于遗传算法的变压器价格优化方法及装置 |
| CN108964124A (zh) * | 2018-07-19 | 2018-12-07 | 国网江苏省电力有限公司宿迁供电分公司 | 增量配电网中计及电价响应的分布式电源并网优化配置方法 |
| CN111027769A (zh) * | 2019-12-10 | 2020-04-17 | 中国电建集团福建省电力勘测设计院有限公司 | 基于遗传-模拟退火混合算法的分布式电源选址定容优化方法 |
-
2020
- 2020-09-18 CN CN202010986836.9A patent/CN112085291A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
| CN105512726A (zh) * | 2015-12-11 | 2016-04-20 | 中国船舶重工集团公司第七一九研究所 | 基于免疫遗传优化的可靠性分配方法及装置 |
| CN108053250A (zh) * | 2017-12-15 | 2018-05-18 | 北京理工大学 | 一种基于遗传算法的变压器价格优化方法及装置 |
| CN108964124A (zh) * | 2018-07-19 | 2018-12-07 | 国网江苏省电力有限公司宿迁供电分公司 | 增量配电网中计及电价响应的分布式电源并网优化配置方法 |
| CN111027769A (zh) * | 2019-12-10 | 2020-04-17 | 中国电建集团福建省电力勘测设计院有限公司 | 基于遗传-模拟退火混合算法的分布式电源选址定容优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张晓林: ""基于改进遗传算法的热轧钢作业调度系统的研究"", 中国优秀硕士学位论文全文数据库信息科技辑》, pages 140 - 96 * |
| 许国根等: "《最优化方法及其MATLAB实现》", 31 May 2018, 北京航空航天大学出版社, pages: 339 - 341 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109413710B (zh) | 基于遗传算法优化的无线传感器网络的分簇方法及装置 | |
| CN108809697B (zh) | 基于影响力最大化的社交网络关键节点识别方法及系统 | |
| CN101626576B (zh) | 一种参数配置模板的生成方法及利用模板配置参数的方法 | |
| CN110929399A (zh) | 基于BIRCH聚类和Wasserstein距离的风电出力典型场景生成方法 | |
| CN115618249A (zh) | 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法 | |
| CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
| Alam et al. | Artificial bee colony algorithm with self-adaptive mutation: a novel approach for numeric optimization | |
| CN115391385A (zh) | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 | |
| Berizzi et al. | The use of genetic algorithms for the localization and the sizing of passive filters | |
| CN107257307B (zh) | 基于Spark的并行化遗传算法求解多终端协同接入网络方法 | |
| CN112631612B (zh) | 一种基于遗传算法的kubernetes云平台配置的优化方法 | |
| CN112085291A (zh) | 一种用于配电网规划优化的遗传算法、系统及装置 | |
| Ramirez-Rosado et al. | A new model for optimal electricity distribution planning based on fuzzy set techniques | |
| CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
| Consoli et al. | Heuristic approaches for the quartet method of hierarchical clustering | |
| CN113947321A (zh) | 一种分布式信息能源网络拓扑结构构建方法和系统 | |
| CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
| CN113344140A (zh) | 一种基于剪枝条件的不确定数据序列扫描方法及系统 | |
| CN111242803A (zh) | 基于多种群遗传算法的风机排布方法及装置 | |
| CN116358594B (zh) | 一种车辆路径的规划方法和装置 | |
| CN117933464A (zh) | 一种风电场的规划方法、控制装置和介质 | |
| CN109727150B (zh) | 一种用于多人在线学习平台的社区识别方法 | |
| CN117349341A (zh) | 一种基于模拟退火遗传算法的数据挖掘方法及系统 | |
| CN114707299A (zh) | 一种基于邻域方向诱导策略的差分进化算法 | |
| CN115375042A (zh) | 一种居民用户集群负荷预测方法、系统、设备及介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230410 Address after: Room 1503-1506, Unit 1, No. 168 Century Avenue, Nanyuan Street, Hangzhou City, Zhejiang Province, 311100 Applicant after: Yuhang branch of Hangzhou Electric Power Design Institute Co.,Ltd. Applicant after: State Grid Zhejiang Electric Power Co., Ltd. Hangzhou Yuhang District Power Supply Co. Applicant after: HANGZHOU POWER SUPPLY COMPANY, STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Address before: 311100 18F, ideal building, 168 Century Avenue, Nanyuan street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Yuhang branch of Hangzhou Electric Power Design Institute Co.,Ltd. Applicant before: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co. Applicant before: HANGZHOU POWER SUPPLY COMPANY, STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. |
|
| TA01 | Transfer of patent application right |