云理论在变电站选址定容中应用.docVIP

云理论在变电站选址定容中应用摘要 借鉴自然界中“优胜劣汰，适者生存”的思想，提出基于云理论的智能优化算法（CTOA），并应用于变电站选址定容规划中。该算法能实现自适应控制搜索，避免了早熟收敛和易陷入局部最优等问题。最后结合实例，对其进行了优化。结果表明，CTOA搜索精度较高、收敛时间较短。 关键词 变电站 选址定容云理论 0引言 城市电网规划中，变电站的选址定容直接决定电网的结构和网络规模，从而产生不同的运行成本和安全级别。因此，变电站站址、容量的选择直接影响城市电网安全性、经济性和可靠性，具有十分重要意义。 变电站选址定容优化的方法主要有数学优化方法，传统启发式方法和智能优化算法。智能优化算法是新兴的解决大规模组合优化问题的技术，近年来得到比较广泛应用。本文在建立变电站选址定容优化模型的基础上，提出一种基于云理论的智能优化算法（CTOA）进行求解。 1变电站选址定容的目标函数 变电站选址定容的优化在于，在负荷分布已知并且满足电网可靠运行的约束下，确定变电站数量及其供电范围、最佳站址和容量，使变电站的建设运行费用和线路建设费用最小。 于是得到变电站的优化规划模型，如下所示： 式中：n为新建变电站的数目；J为负荷节点的集合，Ji表示由变电站i供电的负荷节点的集合；gij表示负荷点是否由i变电站供电，gij＝1表示“是”，gij＝0则表示“否”；m为折旧年限，r0为贴现率，ml为变电站低压侧线路折旧年限；α为单位长度线路的投资费用，β为网损折算系数；lij为第i个变电站对第j个负荷点供电的长度，Ri为第i个变电站的供电半径；Wj为负荷点j的有功，e（Si）为i个变电站的负载率，cos为功率因数；N为变电站的总数，f（Si）为第i个变电站的投资费用，u（Si）为第i个变电站的年运行费用，Si为第i个变电站的容量。 2基于云理论的优化算法（CTOA） 假设U为一个用数值表示的定量论域，C为U上的定性概念，如果定量值xU是定性概念C的一次随机实现，并且x对C的确定度μ（x）［0，1］是有稳定倾向的随机数。μ：U→［0，1］，xU，x→μ（x），则称x在论域U上的分布为云，记为C（x，μ），每一个x则称为一个云滴。若对应的论域是n维的空间，则可拓展至n维云。 2.1精英个体 精英个体指在进化过程中，适应能力最强的个体，分为当代和跨代精英。当代精英指一个进化代中适应性最强的个体，跨代精英指多个进化代中适应性最强的个体，进化的结果即为进化代中的最优跨代精英个体。 2.2优秀个体向量 优秀个体向量指对当前种群中的个体进行适应性评估后，得到的最适应个体，这些个体是产生下一代种群的母体。 2.3种群初始化 利用式子（3）、（4）随机产生新建变电站的坐标；初始En和He可选择的大一些。 xi＝Lx＋μ（Ux－Lx） （3） Yi＝Ly＋v（Uy－Ly） （4） 式中：Xi，Yi分别表示变电站i的横坐标和纵坐标。Lx（Ly），Ux（Uy）分别表示规划区坐标的最大、最小值；μ，v表示在区间［0，1］内均匀分布的随机数。 2.4选择 在父代中选择适应性较好的个体作为母体来生成子代种群，这些子代个体组成种群规模向量，适应度越高的母体所产生子代个体的规模也就越大，这体现了进化论中的优胜劣汰思想。 2.进化 （Ex，En，He）称为云模型表达的进化模型。其中Ex为种子个体，表达遗传的特性；En为进化熵，代表进化范围；He称为进化超熵，代表进化的稳定性，He越大表示不确定性越强。 2.6变异 变异指进化过程中抛弃父代种群的优秀个体，按照一定策略生成新个体并作为母体产生新种群的操作，也成为突变。 CTOA在进化式变异和突变均利用了历史搜索结果，相比于其他智能优化算法而言，优化效果极为显著。 3算例分析 天津某小区远期的负荷预测结果为228.86MW，规划中采用110kV变电站，规模为3×50MVA。110kV变电站容载比为1.8～2.0，根据容载比确定变电站总容量为［411.95，457.72］MVA，110kV变电站需要3座。 根据变电站选址定容的步骤，参数设置为：种群规模取100，种群规模向量为［35，30，20，10，10，5，5，5，5，5］，最大迭代次数imax＝100，优秀向量个体数M＝10，阈值λlocal＝2，λglobal＝5，K＝8，L＝2，初始化En＝3，He＝0.02，通过计算得到年最小费用为2786万元。 得到CTOA的平均适应度曲线，如图所示。图 CTOA平均适应度曲线 分析图2适应度曲线得出，CTOA收敛速度较快，搜索效率和精度较高。 4