基于萤火虫算法和全寿命周期模型的变电站选址定容方法

技术领域

本发明涉及变电站选址定容技术领域，尤其是指基于萤火虫算法和全寿命周期模型的变电站选址定容方法。

背景技术

变电站是电力输配的枢纽，其规划决定了配电网的运行方式和电能质量。因此在电网建设前期规划中，变电站的选址定容是首要环节，直接决定整个规划项目的合理性和经济性。目前，变电站的选址定容主要基于人工判断，虽然这种方式比较灵活，但是缺少了客观性和科学性。原有选址定容方法所确定的方案受城市空间发展所限，经常出现落点困难，政策处理难度的的困境。

发明内容

本发明的目的是克服现有技术中的变电站的选址定容主要基于人工判断，导致变电站落点困难，变电站工作效率较低的缺点，提供一种基于萤火虫算法和全寿命周期模型的变电站选址定容方法。

本发明的目的是通过下述技术方案予以实现：

基于萤火虫算法和全寿命周期模型的变电站选址定容方法，包括以下步骤：

步骤1，系统初始化，根据负载预测情况确定变电站数量的最小值和最大值；

步骤2，设置变电站的数量从最小值开始，通过萤火虫算法确定最优变电站位置，并计算每个变电站的容量，完成一个变电站选址定容方案，每确定一次最优变电站位置后设置变电站的数量加一，再完成一个新的变电站选址定容方案，直到设置变电站的数量到达最大值，跳转至步骤3；

步骤3，通过全寿命周期模型计算每个变电站选址定容方案的变电站全生命周期成本，取最小的全生命周期成本的变电站选址定容方案，完成变电站的选址定容。

作为优选，所述的萤火虫算法为改进萤火虫算法，其具体为：

子步骤1，随机赋予萤火虫个体的初始位置，萤火虫个体的初始位置即为变电站初始位置，萤火虫最大光亮度I

子步骤2，计算负载到每个变电站的欧式距离，取欧式距离的最小值，得出变电站所带负荷，根据容载比和变电站设备情况确定具体配置；

子步骤3，计算全寿命周期模型的函数值并换算成萤火虫个体的适应度值，找出当前最优解，确定最亮的萤火虫位置及各萤火虫的移动方向；

子步骤4，采用位置更新公式对所有萤火虫个体进行位置更新；

子步骤5，判断萤火虫个体位置是否达到初寻解要求，如果达到这随机淘汰一半的萤火虫个体，如果未达到则不进行操作；

子步骤6，判断萤火虫个体位置是否达到最终要求，如果达到，完成萤火虫算法确定最优变电站位置，如果未达到则跳转至子步骤1。

作为优选，所述的步骤6中，如果萤火虫个体位置未达到最终要求跳转至子步骤1后，迭代次数自增1，若迭代次数到达设定的阈值，则判断通过萤火虫算法确定最优变电站位置失败。

作为优选，所述的全寿命周期模型的表达式为：

LCC＝CI+CO+CM+CF+CD

其中，CI为一次性投入成本；CO为运行成本；CM为维护成本；CF为故障成本；CD为报废残值回收成本。

作为优选，所述的CI具体如下：

其中，α为变电站馈线每公里投资造价；l

作为优选，所述的CO具体如下：

其中，β为线路的网损折算系数，

作为优选，所述的CM具体如下：

CM＝σ×CI

其中，σ为维修折算系数，范围为1％-1.5％。

作为优选，所述的CF具体如下：

其中，E

作为优选，所述的CD具体如下：

CD＝R

其中，R

本发明的有益效果是：本发明根据变电站选址定容的限制条件，提出了变电站选址定容的原则，选取全寿命周期经济模型作为变电站选址定容的目标函数，并对现有的萤火虫算法进行了改进，使得城市建设用地资源得以高效合理利用的同时，让电力设施选址定容更加科学有效，降低了变电站的建设成本，提高了变电站的工作效率。

附图说明

图1是本发明的一种流程图；

图2是现有技术的萤火虫算法流程图；

图3是本发明的改进萤火虫算法流程图。

具体实施方式

下面结合附图和实施例对本发明进一步描述。

实施例：

本发明的目的是通过下述技术方案予以实现：

基于萤火虫算法和全寿命周期模型的变电站选址定容方法，如图1所示，包括以下步骤：

步骤1，系统初始化，根据负载预测情况确定变电站数量的最小值和最大值；

步骤2，设置变电站的数量从最小值开始，通过萤火虫算法确定最优变电站位置，并计算每个变电站的容量，完成一个变电站选址定容方案，每确定一次最优变电站位置后设置变电站的数量加一，再完成一个新的变电站选址定容方案，直到设置变电站的数量到达最大值，跳转至步骤3；

步骤3，通过全寿命周期模型计算每个变电站选址定容方案的变电站全生命周期成本，取最小的全生命周期成本的变电站选址定容方案，完成变电站的选址定容。

所述的萤火虫算法为改进萤火虫算法，其具体为：

子步骤1，随机赋予萤火虫个体的初始位置，萤火虫个体的初始位置即为变电站初始位置，萤火虫最大光亮度I

子步骤2，计算负载到每个变电站的欧式距离，取欧式距离的最小值，得出变电站所带负荷，根据容载比和变电站设备情况确定具体配置；

子步骤3，计算全寿命周期模型的函数值并换算成萤火虫个体的适应度值，找出当前最优解，确定最亮的萤火虫位置及各萤火虫的移动方向；

子步骤4，采用位置更新公式对所有萤火虫个体进行位置更新；

子步骤5，判断萤火虫个体位置是否达到初寻解要求，如果达到这随机淘汰一半的萤火虫个体，如果未达到则不进行操作；

子步骤6，判断萤火虫个体位置是否达到最终要求，如果达到，完成萤火虫算法确定最优变电站位置，如果未达到则跳转至子步骤1，如果萤火虫个体位置未达到最终要求跳转至子步骤1后，迭代次数自增1，若迭代次数到达设定的阈值，则判断通过萤火虫算法确定最优变电站位置失败。

近年来，萤火虫算法作为一种高效的的仿生群体智能求解算法，被广泛地应用于电力、通信、工程设计、图像处理等诸多领域，其算法本身具有很好的收敛性和计算精度。2005年，该算法由印度学者Krishnanand等人最先提出，并取名为GSO(Glowworm SwarmOptimization)萤火虫算法，该特点是首次模仿萤火虫间的相互吸引来求解。2009年，剑桥学者Xinshe Yang对GSO萤火虫算法进行了革命性的改进，他提出了FA(FireflyAlgorithm)萤火虫算法，在这一算法中，迭代过程中用自适应变化的步长取代了固定步长。这使得FA萤火虫算法的收敛性和计算精度较GSO萤火虫算法有所提高。

FA萤火虫算法在迭代过程中用自适应变化的步长取代了固定步长，巧妙地解决了固定步长带来的群体震荡问题，提高了寻优的精度和速度。其具体算法如下：

1.初始化基本参数：萤火虫个体数量n，种群数m，空间维数D，步长因子α，最大吸引度β

2.随机初始化萤火虫的空间位置，并计算其亮度I；

3.萤火虫i向更亮的萤火虫j移动，最亮的萤火虫j随机移动；

4.更新位置并重新计算各只萤火虫的亮度I；

5.判断是否达到迭代次数或满足精度要求：否的话，迭代次数加一并返回第3步；

6.输出结果。

其中：

荧光亮度I与目标函数O的值成反比

其中，I

其中，β

位置更新：

x

其中，x

FA萤火虫算法应用到本发明的流程图如图2所示，而本发明中(如图3所示)，对FA萤火虫算法进行了改进，采用动态种群数以期在前期大种群快速粗寻优，在得到初步的解后，随机淘汰半数个体，利用小种群来减少震荡，提高速度。基于FA萤火虫算法改进而来的改进萤火虫算法虽然求解精度上有轻微下降，但可以大幅度提高求解速度。

所述的全寿命周期模型的表达式为：

LCC＝CI+CO+CM+CF+CD

其中，CI为一次性投入成本；CO为运行成本；CM为维护成本；CF为故障成本；CD为报废残值回收成本。

所述的CI具体如下：

其中，α为变电站馈线每公里投资造价；l

所述的CO具体如下：

其中，β为线路的网损折算系数，

所述的CM具体如下：

CM＝σ×CI

其中，σ为维修折算系数，范围为1％-1.5％。

所述的CF具体如下：

其中，E

所述的CD具体如下：

CD＝R

其中，R

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。