[发明专利]一种基于遗传算法的变压器价格优化方法及装置

说明书

一种基于遗传算法的变压器价格优化方法及装置，属于启发式算法领域。本发明首先录入基本参数，选定可优化变量；利用随机过程生成伪初始种群，设定适应度函数和阈值；选出适应度较高个体进行重组和运算，用运算结果组成下一代种群；重复直到伪初始种群中最佳适应度达到阈值，将最佳适应度个体取出；将这些个体作为初始种群重新设定适应度函数、迭代次数N，将种群中价格最低的10个不同的个体输出。一种基于遗传算法的330kV及以下常规结构变压器设计优化装置包括参数输入模块、遗传引擎模块、参数计算与检查模块和方案输出模块。本发明能有效解决使用随机过程很难得到可行解的问题，同时使变压器各项指标合格的前提下生产成本最小化。

技术领域

本发明涉及一种基于遗传算法的变压器价格优化方法及装置，特别涉及一种在多约束、动态约束等条件限制下的多维离散变量优化的方法及装置，属于启发式算法领域。

背景技术

变压器是电网中很重要的电器设备，在电能远送和利用中担负着不可缺少的任务。变压器通常由各个部件组合而成，包括线圈、铁芯等等，一个变压器的正常运行需要其组成部件满足各种约束条件，包括匝数、阻抗、磁通等多种要求，同时为了良好的适应各种工作条件，对于不同的温度、压强等条件，变压器也要满足相应的不同约束。因此，如何在满足多种条件约束，甚至是随某些变量而改变的动态约束的前提下，能够尽量减少变压器各器件的总制作价格，在工业生产中变得愈发重要。此外，出于对实际情况的考虑，变压器的各种器件的选择是相对有限的，这就导致了构成变压器的各参数的取值范围可能是很小且离散的，这无疑给变压器价格的优化问题增加了新的难度。

对于这类优化问题，工程设计领域主要在两个方面进行，包括线性领域和非线性领域，对应的约束优化算法主要分为确定性算法和启发式算法，其中，启发式算法由于其良好的全局搜索能力，逐渐成为研究的热点。启发式算法(heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。现阶段，启发式算法以仿自然体算法为主，主要有蚁群算法、模拟退火法、遗传算法等。

其中，遗传算法通过模仿自然界生物进化的过程对问题进行优化。但遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。在实际应用中，遗传算法容易产生早熟收敛的问题。采用何种选择方法既要使优良个体得以保留，又要维持群体的多样性，一直是遗传算法中较难解决的问题。因此，为了解决现有启发式方法中存在的这些问题，同时也为了处理多维动态约束和离散解空间造成的可行解难求得的情况，本发明对常规遗传算法做出了相应的改进，以求得到对约束处理能力更强、寻优能力更加稳定的遗传算法。

发明内容

本发明的目的在于提供一种基于遗传算法的330kV及以下常规结构变压器设计优化方法及装置，在多维动态约束和离散解空间的条件下，针对实际情况中绕组之间的参数难以形成符合约束的统一方案的问题，利用改进后的两步遗传算法求解符合各项指标的变压器设计方案，并最大程度地降低变压器主材电磁线、硅钢片、变压器油等成本。

本发明的目的是通过以下技术方案实现的：

一种基于遗传算法的变压器价格优化方法，包括以下步骤：

步骤一：根据生产要求录入各项基本参数，选定变压器参数中的可优化变量；

步骤二：利用随机过程生成伪初始种群，并为伪初始种群设定适应度函数和适应度阈值；

步骤三：不断选出伪初始种群中适应度较高的个体进行重组和运算，用运算结果组成下一代种群；

步骤四：重复步骤三直到伪初始种群中具有最佳适应度的个体达到了适应度阈值，将其取出并放入初始种群中；