基于改进型离散粒子群算法变电检修计划优化

基于改进型离散粒子群算法变电检修计划优化

何超胜

（珠海电力建设工程有限公司广东省珠海市519000）

摘要：优化变电检修计划，可以获得更加经济和理想的检修计划方案。基于这种认识，本文提出了一种基于粒子随机变异思想的改进型离散粒子群算法，能够对变电检修计划模型进行优化。从计划的优化效果来看，采用该算法可以降低变电检修成本，并使检修工作效率得到提高，因此可以为变电检修带来更多的效益。

关键词：改进型离散粒子群算法；变电检修；随机变异思想

变电设备一旦发生故障，就会影响电力系统的正常运行。所以还要加强变电检修计划的制定，从而减少设备故障的产生，并且有效避免设备经常满载或超载运行，继而使电网运行风险得到有效降低。而能否制定合理的变电检修计划，将直接影响变电检修工作的经济性和效果。因此，还应加强对变电检修计划的优化算法研究，以便科学的开展变电检修工作。

1变电检修计划优化需求

从本质上来讲，变电检修计划为一个多目标、多约束的非线性问题，需要实现混合整数的规划。然而就目前来看，大多数优化算法仅能用于进行检修安排的单目标优化，无法实现对经济性和可靠性目标的统筹规划。相比较而言，粒子群算法具有收敛速度快、寻优能力强等特点，所以在解决电力问题上得到了广泛应用。采用离散离子群算法，在粒子达到离散空间的早熟收敛局部最优解位置时，将不断有其他粒子向该处靠拢。经过一段时间后，该位置将将出现大量粒子，发生粒子群聚集现象。如果局部最优解位置存在大量粒子，此时离散速度不会再导致序列交换操作的产生，所以粒子会失去继续寻优的能力[1]。如下式（1），为离散离子群算法的基本公式，式中xt指的是第t次迭代离散位置解，vt则为此时粒子离散速度，pi,t则是个体极值离子，pt是全局极值粒子，c1、c2、c3指的是相应权值，在[0,1]范围内取值。

（1）

在解决变电检修计划优化问题时，采用离散粒子群算法虽然能够使离散序列排列问题得到解决，但是需要扩大粒子群规模，容易出现局部最小和早熟收敛的问题。因此采取该种方法无法保证最优解集的多样性，寻优能力较弱，难以实现全局最优解的更新。

2基于改进型离散粒子群算法变电检修计划优化

结合变电检修计划优化需求和现有算法问题，可以先建立优化模型，然后提出离散粒子群算法的改进算法，从而确立新的计划优化流程，更好的解决计划优化问题。

2.1优化模型分析

在变电检修计划优化模型建立上，还应结合变电站地理位置等因素展开分析。因为在传统检修计划制定上，都需要结合地理位置因素进行检修工作的安排。结合多年检修专业实践工作经验，可以完成检修工作的量化和分类，从而完成能够进行问题优化求解的目标数学函数的建立。如式（2）所示，为检修成本的优化目标函数M，式中cp则为单位人工成本，j指的是检修计划中各项工作合并后的工作量，X,Y指的是检修公司地理位置坐标，（xi,yi）为第i个检修工作变电站地理位置，（xj,yj）为第j个检修工作变电站地理位置，风险成本以惩罚项的形式计入函数。从成本构成上来看，应包含检修用工成本、物流运输成本和风险成本，材料成本不在计划优化范围内，通过将各项合并归属到第i项，则能得到目标函数。

（2）

2.2优化算法改进分析

在变电检修计划优化方面，相较于其他智能优化算法，离散粒子群算法的结构相对简单，同时只需要调整较少的参数，得到的最优值收敛情况可以满足实际工程需要，所以还要选用该种算法[2]。结合算法存在的问题，可以引入随机变异思想进行算法改建，即结合变电检修计划优化结果的离散化特征，采用特殊编码方式进行粒子结构设计，然后利用计算机进行算法求解，从而实现模型的优化求解。不同于连续性求解算法，采用该种改进的随机变异离散离子群算法需要采用特殊方法进行粒子进化更新，即在粒子速度比最大速度大的情况下，使粒子速度等于最大速度vmax；在粒子速度比最小速度小的情况下，使粒子速度等于最小速度vmin。满足该条件时，可以将位置设定为“1”，否则设定为“0”。结合相关要求进行判断，可以完成计算。具体来讲，就是由于需通过计算迭代获得优化的检修计划方案，所以需要完成能够实现优化问题适应的粒子编码机制的制定，完成n×n阶为“0”和“1”矩阵的粒子构造，用于进行第n项待优化的检修工作。在粒子中的n×n位置，将会产生随机的数据“0”或“1”。利用计算机实现算法迭代前，应当确保各粒子矩阵各列中仅存在一个“1”。在某列的某行为“1”的情况下，还应对该行中属于矩阵对角线的数据进行处理，确保其也为“1”。比如在第i列m行上的数据为“1”的情况下，对应的m行的数据也应当为“1”。采取该种编码方式，就是为了将第i项检修计划归属到第m项中，实现两项合并，继而在迭代求解的过程中顺利解决离散粒子群规模过大的问题。

2.3计划的优化流程

从算法应用流程上来看，首先与功能当输入变电站带检修设备的信息、网格参数信息和约束条件，然后实现粒子种群的初始化处理，得到随机生成的初始位置和速度。对各粒子的目标函数进行计算，则能确定个体的适应度，然后随机选择存入外部档案的非支配解作为粒子的历史全局最优位置，对粒子的位置和速度进行更新，然后进行个体最优位置的更新[3]。在此基础上，通过更新非支配解，可以引入逐级变电站归属机制，实现路径就近归属，继而得到最近位置的检修变电站。从算法流程上来看，在实际开展变电站检修工作的过程中，还应完成检修工作的合理归并，依次排列检修变电站的工作顺序，避免将各项工作都但城市公司总部出发。结合检修工作的实际需求，还要完成检修总部到第一项工作的变电站XX的计算，然后在以该变电站为中心进行检修工作行驶路径的分析。

2.4计划的优化效果

为确定算法的应用效果，还要将其与离散粒子群算法、多目标遗传算法相比较，以IEEERTS-79节点系统为例展开仿真分析，对算法的可行性进行验证。该系统包含24个节点和32台变压器，以节点13为平衡节点，将检修周期设置为1个月，以天为时段，检修班组数量不超过3个，然后进行5000h模拟。从仿真结果来看，采用改进的算法，可以在第34次迭代时完成达到规模上限的最优解集的搜索，而采用离散粒子群算法、多目标遗传算法分别需要在第40次和第49次才能完成算法收敛。结合得到的检修计划优化结果可知，采用改进算法搜索到的计划检修成本为185万元，而采用离散粒子群算法、多目标遗传算法分别需要225万元和291万元。由此可见，采用改进型离散粒子群算法进行变电检修计划优化，可以同时满足经济性和可靠性要求。

结论

通过研究可以发现，在变电检修计划制定上，可以采用基于改进型离散粒子群算法对变电检修计划模型进行优化，实现对计划经济性目标和可靠性目标的综合考量。通过求解模型，则能得到分布均匀的最优解集，完成最佳变电检修计划方案的制定。因此相信在变电检修方面，该种算法可以得到有效运用。

参考文献

[1]崔晓丹,李威,李碧君等.输变电设备检修计划决策技术评述[J].电网与清洁能源,2015,31(12):18-26.

[2]王正宇,金尧,蒋传文等.考虑光伏储能和可控负荷的配电网检修计划优化[J].电网与清洁能源,2015,31(11):74-82+88.

[3]刘文颖,谢昶,文晶等.基于小生境多目标粒子群算法的输电网检修计划优化[J].中国电机工程学报,2013,33(04):141-148+19.