[发明专利]一种多变电站运维优化规划方法

摘要

本发明公开了一种多变电站设备运行维护优化方法，它基于多维信息素方法，提出了依据变电站设备的缺陷分布、停电时间分布、运维效果量化、运维工作量量化四个输入量的多维信息素的设备运行维护模型；基于遗传算法以及粒子群算法的迭代应用，以多变电站整体可靠性为目标函数，运维成本为约束条件确定变电站的综合维护权重，在多个变电站上得到最优的运维方案。本发明结合遗传算法及粒子群算法进行变电站运维综合权重的确定，采用迭代综合寻优由粒子群算法进行大范围优化，遗传算法实现局部优化，充分利用算法各自的搜索优化特性，避免陷入局部最优，可以实现在运维班组工作负荷约束条件下的多变电站整体可靠性最优。

主权项

一种基于多维信息素蚁群算法与遗传算法的多变电站设备运行维护优化方法，应用该方法的变电站属于同个电压等级，包括以下步骤：步骤1：输入变量信息素的计算，依据变电站的缺陷分布、停电时间分布、运维效果量化、运维工作量量化四个输入量进行信息素的量化；式一中：D(i,l,m)表示每个变电站在投入运行后特定月份l序号为i的信息素，而Data(i,l,p,t)代表对应i序号的输入信息度量，即缺陷分布、停电时间分布、运维效果量化、运维工作量的度量；i为量化的输入信息内容序号，缺陷分布、停电时间分布、运维效果量化、运维工作量分别为1,2,3,4；r为黄金分割数0.618；l为月份的序号，取值范围1～12；m为变电站序号；q为变电站数量；n为设备当前运行的年份；式一左半部分为该变电站本身的输入变量信息素特征，而右边为所有变电站该输入变量的信息素特征；步骤2：根据步骤一的结果，构建根据月份的变电站信息素式二中DS(l,m)为变电站的维护信息素；步骤3：路径信息素式三中DR(l,Idx)为路径的信息素；l的含义参见式一，Idx为线路的序号；Time(l,Idx)为路线Idx在工作时间内的平均通过时间；TimeMin(l)以及TimeMax(l)分别为所有路径中最小以及最大的平均通过时间；步骤4：采用蚁群算法进行信息素的更新；将所有变电站与路径进行编号，则(c,d)代表从c点到d点的路径：其中，路径(c,d)在时刻h的信息素轨迹强度为τcd(h)，而蚂蚁e在该路径上留下的单位信息素数量的持久性为ρ(0≤ρ＜1)；h为迭代次数；的初始值为DR(l,Idx)；τcd(h)的初始值为(DS(l,c)+DS(l,d))/2；蚁群蚂蚁的个数为E，与运维队伍个数相同；对应的蚂蚁转移概率为：其中，U为可行项顶点集，α及β分别表示蚂蚁在运动过程中所积累的信息素及启发式因子的权重因子，均设置为1；而ηcd表示选择元素d的期望程度，取值为待选路径信息素的倒数；以正态分布函数为基础设定ρ值，如式六；其中x为正整数，σ为变电站节点的个数，而是ρ值取0.382时x的界限；步骤5：遗传算法对于交叉算子Pc，其典型取值为0.6～0.95；在本应用中采用稳态选择方式，见式七；而对于变异操作，变异率Pm通常取值为0.001～0.01；式八给出变异算子；Pm＝0.01‑0.009×ρ                                            式八遗传算法的目标函数定义为：其中D*为执行遗传算法后的量化信息素；约束函数为：步骤6：算法边界从蚁群算法到遗传算法存在一个优化边界，这里采用ρ值作为判据，将整个优化过程分为3个阶段，见式十一；第一阶段和第二阶段的分界点划分蚁群算法和遗传算法的连接；第二阶段和第三阶段的分界点划分遗传算法的精度判断，一旦达到该分界点，则本次优化结束；为避免陷入死循环，最大优化次数为变电站的节点数；根据正态分布函数的特征，在第1阶段时ρ值变化非常缓慢，在算法执行初期尽量保证信息的完整，体现了慢启动的特点；而在σ这个拐点后急剧下降，在后面的优化中速度加快，符合算法的设计思想；步骤7：将当前正在优化的变电站从节点集中去掉，返回步骤4进行下一个优化节点的判断，直至所有变电站的优化顺序都排列。