CN112365035A - 一种基于gis地图和非支配排序差分进化算法的优化方法 - Google Patents

一种基于gis地图和非支配排序差分进化算法的优化方法 Download PDF

Info

Publication number
CN112365035A
CN112365035A CN202011168423.6A CN202011168423A CN112365035A CN 112365035 A CN112365035 A CN 112365035A CN 202011168423 A CN202011168423 A CN 202011168423A CN 112365035 A CN112365035 A CN 112365035A
Authority
CN
China
Prior art keywords
switch
population
chromosomes
chromosome
binary
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.)
Granted
Application number
CN202011168423.6A
Other languages
English (en)
Other versions
CN112365035B (zh
Inventor
秦丽文
周杨珺
李珊
黄伟翔
李欣桐
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202011168423.6A priority Critical patent/CN112365035B/zh
Publication of CN112365035A publication Critical patent/CN112365035A/zh
Application granted granted Critical
Publication of CN112365035B publication Critical patent/CN112365035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (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

本发明公开了一种基于GIS地图和非支配排序差分进化算法的优化方法，其方法，包括：读取CIM文件，建立线路拓扑结构；设置算法参数后初始化开关配置，拟配置开关的位置用二进制染色体编码，再解码成十进制染色体作为父代种群进行计算；进行差分进化的变异及交叉计算，形成子代种群；将子代种群和父代种群混合后形成新种群；根据新种群计算每个染色体的适应度函数，根据适应度函数进行快速非支配排序后计算拥挤距离；选取N个优良的染色体作为下一代父代种群，重复种群进化过程直至到最大迭代次数。本发明提供的实施例实现自动读取GIS地图拓扑结构实现开关分段自动优化，提供一套开关优化方案。

Description

一种基于GIS地图和非支配排序差分进化算法的优化方法
技术领域
本发明涉及配网规划配置技术领域，具体涉及了一种基于GIS地图和非支配排序差分进化算法的优化方法。
背景技术
开关优化配置是配电网规划与改造的重要环节，涉及到供电可靠性和投资经济性之间的博弈问题，电力市场的发展决定了电网公司必然会追求经济性，国民经济的发展要求电网公司必须保证供电可靠性。在配电线路上配置一定数量不同类型的开关一定程度上能提高系统的供电可靠性，会相应地增加投资成本，同时，开关配置的位置也将影响到供电可靠性。因此，合理配置开关的种类、位置和数量，协调优化供电可靠性和投资经济性之间的关系，对指导配电网规划具有重要意义。
开关优化配置本质上是多目标优化问题，而上述研究均是从单目标出发，将供电可靠性的考虑以停电损失的形式加入到目标函数，然而，停电对社会效益的影响与用户类型、用电性质、用户的生产过程以及停电情况等多种因素有关，而且停电造成的间接社会影响往往难以用货币价值衡量，同时，采用单目标的处理方法不能得出各个目标间的内在联系，即使采用各目标独立寻优，在面临最终决策的过程中仍会面临考虑因素单一的局面。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于GIS地图和非支配排序差分进化算法的优化方法，实现自动读取GIS地图拓扑结构实现开关分段自动优化，提供一套开关优化方案。
为了解决上述技术问题，本发明实施例提供了一种基于GIS地图和非支配排序差分进化算法的优化方法，其特征在于，所述方法，包括：读取CIM文件，建立线路拓扑结构；设置算法参数后初始化开关配置，拟配置开关的位置用二进制染色体编码，再解码成十进制染色体作为父代种群进行计算；进行差分进化的变异及交叉计算，形成子代种群；将子代种群和父代种群混合后形成新种群；根据新种群计算每个染色体的适应度函数，根据适应度函数进行快速非支配排序后计算拥挤距离；选取N个优良的染色体作为下一代父代种群，重复种群进化过程直至到最大迭代次数。
所述读取CIM文件，包括：读取线路的CIM模型文件，获取文件中线路主干线CircuitSection、杆塔Pole、断路器Breaker、负荷开关LoadBreakSwitch、熔断器fuse的坐标位置及连接关系。
所述拟配置开关的位置用二进制染色体编码，包括：开关位置编码采用二进制染色体表示，一段染色体表示一种类型的开关，涉及的开关类型有断路器和分段开关两类，因此用两段二进制染色体的组合来表示；二进制染色体的长度为待安装开关的位置数目，染色体中数字“0”表示不安装开关，数字“1”表示安装开关。
所述再解码成十进制染色体作为父代种群进行计算，包括：将二进制转换成十进制的染色体形式。
所述设置算法参数后初始化开关配置，包括：对每个开关位置按照随机抽取的方式进行初始化，用rand函数随机产生0-1之间的数作为，如果rand产生的值大于0.5，则该位置应安装开关，置为1，否则置为0；
然后将二进制染色体解码成十进制进行寻优计算。
所述进行差分进化的变异及交叉计算，包括：差分进化通过对父代染色体进行变异和交叉操作来生成子代染色体；
控制参数缩放因子F和交叉概率CR采用自适应调整策略，即在算法初期，选取较大的值，以保持种群多样性，增强全局搜索能力，后期取值逐渐减小，进行精细的局部搜索，提高算法的精度；
F和CR由下式确定：
Figure BDA0002746520240000021
Figure BDA0002746520240000022
其中，Fmax为最大缩放因子，Fmin为最小缩放因子，gen为最大进化代数，m为当前进化代数，CRmax为最大交叉概率，CRmin为最小交叉概率。
所述将子代种群和父代种群混合后形成新种群，包括：将父代Pt和子代Qt全部个体合并成种群Rt，Rt的个数为2N。
所述根据新种群计算每个染色体的适应度函数，包括：适应度函数即为待优化的两个目标函数，计算每个染色体对应的系统电量不足期望值与投资运维成本；
最小化开关投资成本；
开关的投资成本包括开关的等年值投资费用CZ和开关的年运行维护费用CM；
Figure BDA0002746520240000031
其中，N为开关的类型数，ni为第i种开关的数量，Ci为第i种开关的单价，p为贴现率，Ti为第i种开关的使用寿命，ar为折旧维护系数；
电量不足期望值采用基于馈线分区的中压配电系统可靠性评估方法进行计算；
电量不足期望值作为可靠性的评价指标之一，综合了停电频率、停电时间和停电损失电量的影响，据此评价开关配置后的可靠性水平。
Figure BDA0002746520240000032
其中，N为负荷数量，Pi为第i个负荷的平均负荷大小，λi为第i个负荷点的平均停电频率，γi为第i个负荷点的平均停电时间。
所述根据适应度函数进行快速非支配排序后计算拥挤距离，包括：快速非支配排序是根据染色体的非劣水平对种群进行分层。
具体的分层方法为：基于适应度函数比较种群中任意两个染色体之间的支配与非支配关系，找到种群中所有的非支配个体，标记为第一级非支配层，剔除已标记的染色体后重复上述过程，直到种群中所有染色体都被设定相应的层级。
拥挤距离用来表征染色体之间的疏密程度，以保持染色体的多样性、防止染色体在局部堆积。
拥挤距离等于每个染色体在同一等级相邻的两个染色体组成的矩形两个边长之和：
Li＝(fm(i+1)-fm(i-1))
其中，Li为第i个染色体的拥挤距离，fm为第m个目标函数值。
所述选取N个优良的染色体作为下一代父代种群，包括：根据每个染色体的非支配层级和拥挤距离两个属性，选择优良的N个染色体形成新的父代种群。
本发明实施例提供了一种基于GIS地图和非支配排序差分进化算法的优化方法，通过自动读取GIS地图拓扑结构实现开关分段自动优化，提供一套开关优化方案，解决以开关年投资费用和缺供电量期望值为目标函数的开关配置多目标优化问题，得到开关配置的Pareto最优前沿，供决策者根据工程实际情况来选定最终的规划方案，灵活满足工程实际需要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，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它的附图。
图1是一种基于GIS地图和非支配排序差分进化算法的优化方法的流程示意图。
图2是一种基于GIS地图和非支配排序差分进化算法的优化方法的实例分析最优方案的开关配置结果示意图。
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。
实施例
参阅图1，图1是一种基于GIS地图和非支配排序差分进化算法的优化方法的流程示意图。
如图1所示，一种基于GIS地图和非支配排序差分进化算法的优化方法，其特征在于，所述方法，包括：
S101读取CIM文件，建立线路拓扑结构。
S102设置算法参数后初始化开关配置，拟配置开关的位置用二进制染色体编码，再解码成十进制染色体作为父代种群进行计算。
S103进行差分进化的变异及交叉计算，形成子代种群。
S104将子代种群和父代种群混合后形成新种群。
S105根据新种群计算每个染色体的适应度函数，根据适应度函数进行快速非支配排序后计算拥挤距离。
S106选取N个优良的染色体作为下一代父代种群，重复种群进化过程直至到最大迭代次数。
S101读取CIM文件，建立线路拓扑结构。GIS地图采用图形化方式展示电网的网架结构和连接关系，采用SVG(可伸缩的矢量图形)单线图和CIM(公共信息模型)模型进行表征。SVG单线图展示电网的拓扑连接关系，CIM模型展示元件设备的属性信息。一条馈线为一个数据文件，由变电站馈线出线开关、站房内设备、线路上开关等设备的对象组成。读取线路的CIM模型文件，获取文件中线路主干线CircuitSection、杆塔Pole、断路器Breaker、负荷开关LoadBreakSwitch、熔断器fuse的坐标位置及连接关系。
S102设置算法参数后初始化开关配置，拟配置开关的位置用二进制染色体编码，再解码成十进制染色体作为父代种群进行计算。
所述拟配置开关的位置用二进制染色体编码，包括：开关位置编码采用二进制染色体表示，一段染色体表示一种类型的开关，涉及的开关类型有断路器和分段开关两类，因此用两段二进制染色体的组合来表示；二进制染色体的长度为待安装开关的位置数目，染色体中数字“0”表示不安装开关，数字“1”表示安装开关。
在计算的时候需要将二进制染色体进行解码计算，将二进制转换成十进制的染色体形式，以减小染色体长度和搜索规模，降低计算的复杂性。
所述设置算法参数后初始化开关配置，包括：对每个开关位置按照随机抽取的方式进行初始化，用rand函数随机产生0-1之间的数作为，如果rand产生的值大于0.5，则该位置应安装开关，置为1，否则置为0；然后将二进制染色体解码成十进制进行寻优计算。
S103进行差分进化的变异及交叉计算，形成子代种群。包括：差分进化通过对父代染色体进行变异和交叉操作来生成子代染色体。
控制参数缩放因子F和交叉概率CR采用自适应调整策略，即在算法初期，选取较大的值，以保持种群多样性，增强全局搜索能力，后期取值逐渐减小，进行精细的局部搜索，提高算法的精度。
F和CR由下式确定：
Figure BDA0002746520240000061
Figure BDA0002746520240000062
其中，Fmax为最大缩放因子，Fmin为最小缩放因子，gen为最大进化代数，m为当前进化代数，CRmax为最大交叉概率，CRmin为最小交叉概率。
S104将子代种群和父代种群混合后形成新种群。将父代Pt和子代Qt全部个体合并成种群Rt，Rt的个数为2N。
S105根据新种群计算每个染色体的适应度函数，根据适应度函数进行快速非支配排序后计算拥挤距离。
适应度函数即为待优化的两个目标函数，计算每个染色体对应的系统电量不足期望值与投资运维成本。
最小化开关投资成本。
开关的投资成本包括开关的等年值投资费用CZ和开关的年运行维护费用CM；
Figure BDA0002746520240000063
Figure BDA0002746520240000071
其中，N为开关的类型数，ni为第i种开关的数量，Ci为第i种开关的单价，p为贴现率，Ti为第i种开关的使用寿命，ar为折旧维护系数。
电量不足期望值采用基于馈线分区的中压配电系统可靠性评估方法进行计算。
电量不足期望值作为可靠性的评价指标之一，综合了停电频率、停电时间和停电损失电量的影响，据此评价开关配置后的可靠性水平。
Figure BDA0002746520240000072
其中，N为负荷数量，Pi为第i个负荷的平均负荷大小，λi为第i个负荷点的平均停电频率，γi为第i个负荷点的平均停电时间。
快速非支配排序是根据染色体的非劣水平对种群进行分层。
具体的分层方法为：基于适应度函数比较种群中任意两个染色体之间的支配与非支配关系，找到种群中所有的非支配个体，标记为第一级非支配层，剔除已标记的染色体后重复上述过程，直到种群中所有染色体都被设定相应的层级。
拥挤距离用来表征染色体之间的疏密程度，以保持染色体的多样性、防止染色体在局部堆积。
拥挤距离等于每个染色体在同一等级相邻的两个染色体组成的矩形两个边长之和：
Li＝(fm(i+1)-fm(i-1))
其中，Li为第i个染色体的拥挤距离，fm为第m个目标函数值。
S106选取N个优良的染色体作为下一代父代种群，重复种群进化过程直至到最大迭代次数。根据每个染色体的非支配层级和拥挤距离两个属性，选择优良的N个染色体形成新的父代种群。在此基础上开始新一轮的差分操作，形成新的子代种群Qt+1，重复种群进化过程直至到最大迭代次数。
本实施例通过自动读取GIS地图拓扑结构实现开关分段自动优化，提供一套开关优化方案，解决以开关年投资费用和缺供电量期望值为目标函数的开关配置多目标优化问题。
参阅图2，图2是一种基于GIS地图和非支配排序差分进化算法的优化方法的实例分析最优方案的开关配置结果示意图。
以系统某条线路为例说明。
非支配排序差分进化算法的参数设置如下：种群规模为500，迭代次数为200，交叉率为0.9，变异率为0.12。开关的参数设置如下：断路器单价为3万元/台、负荷开关2.5万元/台，熔断器4000元/台，设备的使用寿命为20年，年运维费用按总投资费用的3％计算；贴现率为10％。应用非支配排序差分进化算法对该线路进行开关优化配置并计算出最优配置方案。系统可靠性指标及经济性指标如表1所示。图2为最优配置方案对应的开关配置结果。
最优化方案技术经济指标
Figure BDA0002746520240000081
本发明实施例提供了一种基于GIS地图和非支配排序差分进化算法的优化方法，通过自动读取GIS地图拓扑结构实现开关分段自动优化，提供一套开关优化方案，解决以开关年投资费用和缺供电量期望值为目标函数的开关配置多目标优化问题，得到开关配置的Pareto最优前沿，供决策者根据工程实际情况来选定最终的规划方案，灵活满足工程实际需要。
本领域普通技术人员可以理解上述实施例的各种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，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，RandomAccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于GIS地图和非支配排序差分进化算法的优化方法进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于GIS地图和非支配排序差分进化算法的优化方法，其特征在于，所述方法，包括：
读取CIM文件，建立线路拓扑结构；
设置算法参数后初始化开关配置，拟配置开关的位置用二进制染色体编码，再解码成十进制染色体作为父代种群进行计算；
进行差分进化的变异及交叉计算，形成子代种群；
将子代种群和父代种群混合后形成新种群；
根据新种群计算每个染色体的适应度函数，根据适应度函数进行快速非支配排序后计算拥挤距离；
选取N个优良的染色体作为下一代父代种群，重复种群进化过程直至到最大迭代次数。
2.根据权利要求1所述的方法，其特征在于，所述读取CIM文件，包括：
读取线路的CIM模型文件，获取文件中线路主干线CircuitSection、杆塔Pole、断路器Breaker、负荷开关LoadBreakSwitch、熔断器fuse的坐标位置及连接关系。
3.根据权利要求1所述的方法，其特征在于，所述拟配置开关的位置用二进制染色体编码，包括：
开关位置编码采用二进制染色体表示，一段染色体表示一种类型的开关，涉及的开关类型有断路器和分段开关两类，因此用两段二进制染色体的组合来表示；
二进制染色体的长度为待安装开关的位置数目，染色体中数字“0”表示不安装开关，数字“1”表示安装开关。
4.根据权利要求1所述的方法，其特征在于，所述再解码成十进制染色体作为父代种群进行计算，包括：
将二进制转换成十进制的染色体形式。
5.根据权利要求1所述的方法，其特征在于，所述设置算法参数后初始化开关配置，包括：
对每个开关位置按照随机抽取的方式进行初始化，用rand函数随机产生0-1之间的数作为，如果rand产生的值大于0.5，则该位置应安装开关，置为1，否则置为0；
然后将二进制染色体解码成十进制进行寻优计算。
6.根据权利要求1所述的方法，其特征在于，所述进行差分进化的变异及交叉计算，包括：
差分进化通过对父代染色体进行变异和交叉操作来生成子代染色体；
控制参数缩放因子F和交叉概率CR采用自适应调整策略，即在算法初期，选取较大的值，以保持种群多样性，增强全局搜索能力，后期取值逐渐减小，进行精细的局部搜索，提高算法的精度；
F和CR由下式确定：
Figure FDA0002746520230000021
Figure FDA0002746520230000022
其中，Fmax为最大缩放因子，Fmin为最小缩放因子，gen为最大进化代数，m为当前进化代数，CRmax为最大交叉概率，CRmin为最小交叉概率。
7.根据权利要求1所述的方法，其特征在于，所述将子代种群和父代种群混合后形成新种群，包括：
将父代Pt和子代Qt全部个体合并成种群Rt，Rt的个数为2N。
8.根据权利要求1所述的方法，其特征在于，所述根据新种群计算每个染色体的适应度函数，包括：
适应度函数即为待优化的两个目标函数，计算每个染色体对应的系统电量不足期望值与投资运维成本；
最小化开关投资成本；
开关的投资成本包括开关的等年值投资费用CZ和开关的年运行维护费用CM；
Figure FDA0002746520230000031
其中，N为开关的类型数，ni为第i种开关的数量，Ci为第i种开关的单价，p为贴现率，Ti为第i种开关的使用寿命，ar为折旧维护系数；
电量不足期望值采用基于馈线分区的中压配电系统可靠性评估方法进行计算；
电量不足期望值作为可靠性的评价指标之一，综合了停电频率、停电时间和停电损失电量的影响，据此评价开关配置后的可靠性水平；
Figure FDA0002746520230000032
其中，N为负荷数量，Pi为第i个负荷的平均负荷大小，λi为第i个负荷点的平均停电频率，γi为第i个负荷点的平均停电时间。
9.根据权利要求1所述的方法，其特征在于，所述根据适应度函数进行快速非支配排序后计算拥挤距离，包括：
快速非支配排序是根据染色体的非劣水平对种群进行分层；
具体的分层方法为：基于适应度函数比较种群中任意两个染色体之间的支配与非支配关系，找到种群中所有的非支配个体，标记为第一级非支配层，剔除已标记的染色体后重复上述过程，直到种群中所有染色体都被设定相应的层级；
拥挤距离用来表征染色体之间的疏密程度，以保持染色体的多样性、防止染色体在局部堆积；
拥挤距离等于每个染色体在同一等级相邻的两个染色体组成的矩形两个边长之和：
Li=(fm(i+1)-fm(i-1))
其中，Li为第i个染色体的拥挤距离，fm为第m个目标函数值。
10.根据权利要求1所述的方法，其特征在于，所述选取N个优良的染色体作为下一代父代种群，包括：
根据每个染色体的非支配层级和拥挤距离两个属性，选择优良的N个染色体形成新的父代种群。
CN202011168423.6A 2020-10-28 2020-10-28 一种基于gis地图和非支配排序差分进化算法的优化方法 Active CN112365035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011168423.6A CN112365035B (zh) 2020-10-28 2020-10-28 一种基于gis地图和非支配排序差分进化算法的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011168423.6A CN112365035B (zh) 2020-10-28 2020-10-28 一种基于gis地图和非支配排序差分进化算法的优化方法

Publications (2)

Publication Number Publication Date
CN112365035A true CN112365035A (zh) 2021-02-12
CN112365035B CN112365035B (zh) 2022-05-24

Family

ID=74510827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011168423.6A Active CN112365035B (zh) 2020-10-28 2020-10-28 一种基于gis地图和非支配排序差分进化算法的优化方法

Country Status (1)

Country Link
CN (1) CN112365035B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239289A (zh) * 2021-05-28 2021-08-10 山东大学 一种群组活动推荐方法、系统、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067074A (zh) * 2016-05-27 2016-11-02 嘉兴国电通新能源科技有限公司 一种通过优化链路的开关状态来提升电网系统鲁棒性的方法
CN108090828A (zh) * 2017-12-20 2018-05-29 东莞理工学院 一种基于遗传算法的汇率分析方法
US20190205493A1 (en) * 2017-12-30 2019-07-04 Arteris, Inc. Synthesizing topology for an interconnect network of a system-on-chip with intellectual property blocks
CN110414810A (zh) * 2019-07-16 2019-11-05 华北电力大学 计及失负荷风险的多端智能软开关优化配置方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067074A (zh) * 2016-05-27 2016-11-02 嘉兴国电通新能源科技有限公司 一种通过优化链路的开关状态来提升电网系统鲁棒性的方法
CN108090828A (zh) * 2017-12-20 2018-05-29 东莞理工学院 一种基于遗传算法的汇率分析方法
US20190205493A1 (en) * 2017-12-30 2019-07-04 Arteris, Inc. Synthesizing topology for an interconnect network of a system-on-chip with intellectual property blocks
CN110414810A (zh) * 2019-07-16 2019-11-05 华北电力大学 计及失负荷风险的多端智能软开关优化配置方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239289A (zh) * 2021-05-28 2021-08-10 山东大学 一种群组活动推荐方法、系统、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN112365035B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Ganguly et al. Multi-objective particle swarm optimization based on fuzzy-Pareto-dominance for possibilistic planning of electrical distribution systems incorporating distributed generation
Najafi et al. A framework for optimal planning in large distribution networks
Maghouli et al. A multi-objective framework for transmission expansion planning in deregulated environments
Ganguly et al. A novel multi-objective PSO for electrical distribution system planning incorporating distributed generation
CN110232642B (zh) 一种面向停电风险预防的拓扑规划与优化方法及装置
CN108154249B (zh) 一种馈线终端优化配置方法及装置
Mahdavi et al. Transmission expansion planning considering network adequacy and investment cost limitation using genetic algorithm
CN105046354A (zh) 基于多代理的配电网规划场景模拟生成方法及其系统
CN112365035B (zh) 一种基于gis地图和非支配排序差分进化算法的优化方法
CN112734041A (zh) 考虑随机充电负荷的电动汽车充电网络机会约束规划方法
CN114297811B (zh) 基于约束多目标优化的低压台区拓扑识别方法
CN115774933A (zh) 基于分布估计算法的配电网保护布点优化方法及系统
CN106503814B (zh) 一种计及可靠性的配电变压器组年度检修计划生成方法
Hong et al. Genetic algorithm based network reconfiguration for loss minimization in distribution systems
Shayeghi et al. DCGA based-transmission network expansion planning considering network adequacy
Assis et al. Transmission expansion planning of large power networks via constructive metaheuristics with security constraints and load uncertainty analysis
CN117473683A (zh) 一种中压配电网网格规划方法及相关装置
Şenyiğit et al. Transmission expansion planning based on a hybrid genetic algorithm approachunder uncertainty
CN107563641A (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
CN110932270A (zh) 一种包含柔性开关的配电网故障恢复方法和装置
CN105550947A (zh) 一种配电网络重构方法
CN112487710B (zh) 一种配电网保护配置优化方法及系统
CN115526393A (zh) 一种基于变电工程关键影响因素筛选的造价预测方法
Vitorino et al. Network reconfiguration to improve reliability and efficiency in distribution systems
CN111884335B (zh) 一种基于分段开关重要程度的馈线自动化终端优化方法

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
GR01 Patent grant
GR01 Patent grant