[发明专利]基于遗传算法的分布式光伏布线多目标优化方法及装置

权利要求书

1.一种基于遗传算法的分布式光伏布线多目标优化方法，其特征在于，包括：

基于分布式光伏布线的影响因素建立分布式光伏布线的多目标优化模型，并定义各目标因子影响参数的约束条件；

建立分布式光伏布线的多目标优化模型适应度函数，选择性状优良的个体作为父代，并根据该个体的优良程度定义其遗传强度；

基于父代种群重复执行多次进化操作，达到预定进化代数后，以进化操作中具有最大适应度的个体作为最优解输出，终止并完成进化操作。

2.根据权利要求1所述的一种基于遗传算法的分布式光伏布线多目标优化方法，其特征在于，所述影响因素至少包括分布式光伏电站布置区域的场地环境、用户需求、施工难度、负载压力、电缆用量、建设成本、运行与维护费用；

将各影响因素量化为目标因子，同时获取目标因子的影响参数，为各目标因子统合设置权重系数；

所述分布式光伏布线的所述多目标优化模型以全生命周期费用最优为优化总目标，生成总目标函数。

3.根据权利要求2所述的一种基于遗传算法的分布式光伏布线多目标优化方法，其特征在于，还包括初始种群的产生：

对各目标因子的影响参数进行编码，每组影响参数组成一条染色体，即为一个个体；

随机对多组参数进行编码，建立多目标优化模型的初始种群，包括有限个个体。

4.根据权利要求3所述的一种基于遗传算法的分布式光伏布线多目标优化方法，其特征在于，建立分布式光伏布线的多目标优化模型适应度函数具体包括：

获取用户需求，量化为实际需求参数，并建立用户需求权函数；

所述多目标优化模型适应度函数等于所述用户需求权函数与所述总目标函数之和的倒数；

所述用户需求权函数用以根据用户实际需求，调节个体遗传至下一代的概率；

当所述总目标函数越小时，种群中各个体的适应度就越大，则个体的基因性状越优良。

5.根据权利要求4所述的一种基于遗传算法的分布式光伏布线多目标优化方法，其特征在于，根据多目标模型适应度的计算结果，将遗传算法的选择算子作用于各个体上，通过轮盘赌选择法，将当前种群中选取具备优良基因的父代遗传到下一代种群中；

所述遗传强度与个体的优良程度呈正比。

6.根据权利要求1所述的一种基于遗传算法的分布式光伏布线多目标优化方法，其特征在于，进化操作具体包括：通过交叉运算随机交换优良个体的基因片段，重新配对后产生下一代新个体；通过变异运算以预定义概率对优选后的种群个体进行单点基因变异；

所述随机交换包括：预定义常规概率作为产生交换的触发约束或随机进行；

所述预定义概率为变异概率，所述变异概率远小于所述常规概率；

所述单点基因变异的点位的选择包括自定义、随机触发；其中，自定义具备优先级。

7.所述根据权利要求6所述的一种基于遗传算法的分布式光伏布线多目标优化方法，其特征在于，还包括：

将经过交叉运算和变异运算之后的新一代个体重新进行选择，重新定义父代种群；

基于重新定义的父代种群再次执行进化操作，同步累积进化代数；

当达到预定进化代数后，则将进化操作中具有最大适应度的个体定义为最优解输出；

终止并完成进化操作。

8.一种基于遗传算法的分布式光伏布线多目标优化装置，其特征在于，包括：

优化约束模块：基于分布式光伏布线的影响因素建立分布式光伏布线的多目标优化模型，并定义各目标因子影响参数的约束条件；

适应选择模块：建立分布式光伏布线的多目标优化模型适应度函数，选择性状优良的个体作为父代，并根据该个体的优良程度定义其遗传强度；

基因进化模块：基于父代种群重复执行多次进化操作，达到预定进化代数后，以进化操作中具有最大适应度的个体作为最优解输出，终止并完成进化操作。