一种多变电站运维优化规划方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种多变电站运维优化规划方法
本专利技术涉及一种多变电站运维优化规划方法，是基于多信息源的信息素描述及优化方法，在兼顾可靠性和运维条件下优化变电站运维方案，具体涉及一种基于多维数据的蚁群算法和遗传算法的多变电站运维优化方法。
技术介绍
变电站是电网的核心组成部分，结构复杂，设备数量多，对电网的安全运行具有重要作用，影响的用户数量也较多。目前对变电站维护主要依照国家规定的定期检修执行，存在维护不足降低可靠性，以及不必要维护增加成本的问题。变电站运行维护既与设备品质、变电站结构有关，又与依据变电站设备的缺陷分布、停电时间分布、运维效果量化、运维工作量等相关，以上数据类型不同、随时间变化且相互关系复杂，目前尚无较好的方法能描述上述关系；目前对于多变电站维护主要研究方法是模糊综合评判及人工神经网络等方法，存在预测效率较低、输入变量无法全面描述变电站及路径情况，容易陷入局部极值等问题。
技术实现思路
本专利技术的上述技术问题主要是通过下述技术方案得以解决的：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,q,p,t)代表对应i序号的输入信息度量(其他维度的解释见下文)，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，在算法执行初期利用蚁群算法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，在后面的迭代中采用遗传算法加快优化速度，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。本专利技术的优点有：1、多维信息素方法可扩展，对更多或更少的数据来源都可以实用。2、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；3、采用遗传算法及粒子群算法混合，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，避免现有算法无法综合平衡可行性与可靠性的缺点；4、专利技术采用局部量化分析，整体运筹优化的方式，实现局部量化与整体优化的松耦合，可通过参数的调整扩展专利应用范围。附图说明图1多变电站运维优化流程图。具体实施方式下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。实施例:按照附图1多变电站运维优化流程图。第一步：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；公式(1)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,q,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；公式(1)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。第二步：根据公式(1)的计算结果，构建根据月份的变电站信息素公式(2)中DS(l,m)为变电站的维护信息素。第三步：路径信息素公式(3)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；第四步：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，见(6)。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(7)。而对于变异操作，变异率Pm通常取值为0本文档来自技高网...

【技术保护点】
一种多变电站设备运行维护优化方法，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；式一式一中：D(i,l,k,m)表示每个变电站在特定月份l序号为i的信息素，Data(i,l,q,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1的结果，构建根据月份的变电站信息素式二式二中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：式四其中，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：式五其中，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，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，Pc＝0.6+ρ×(0.95‑0.6)   式七＝0.6+0.35×ρ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：式九约束函数为：式十步骤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，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，σ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。...

【技术特征摘要】
1.一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...

【专利技术属性】
技术研发人员：郑琰，李智敏，石峰，邝石，刘剑，林慧，刘富荣，李宏伟，苏迪，陈志刚，张慧，程生安，蔡裕，高峰，孔泉，贺云鹏，赵伟，郭楠，李阳，鲁林晓，
申请(专利权)人：国家电网公司，国网河南省电力公司郑州供电公司，河南恩湃电力技术有限公司，武汉众兴盛科技有限公司，
类型：发明
国别省市：北京;11