一种基于差分纵横交叉算法的输电线路巡检路径优化方法
【技术领域】
[0001] 本发明涉及一种输电线路巡检路径的优化方法，尤其是涉及一种基于差分纵横交 叉算法(DE-CS0)的输电线路巡检路径优化方法。
【背景技术】
[0002] 输电线路巡检对于输电线路安全稳定运行有着重要的意义，输电线路巡检路径优 化，是指在满足电力部门的巡检任务的前提下，通过对路径的寻优，从而使得巡检路径距离 最短同时兼顾杆塔的风险等级。近年来，已经有相关研究将群智能优化算法用于求解此类 此问题，如粒子群算法PS0，遗传算法(GA)，蚁群算法(AC0)等。
[0003] 虽然各种群智能优化算法在求解输电线路巡检路径优化问题方面取得了一定进 展，但仍然存在诸多不足之处：如PS0虽然收敛速度快，但随着电力系统需要巡检的规模增 大时容易出现早熟问题，GA则优化过程耗费时间长，AC0则需要调整多个控制参数，表现出 问题对参数敏感的特性。因此，针对输电线路巡检路径优化问题，设计一种全局搜索能力强 且收敛速度快的新方法有着现实的需要。
【发明内容】
[0004] 本发明所要解决的技术问题，就是提供一种能在提高全局收敛能力的同时收敛速 度仍然很快的基于差分纵横交叉算法的输电线路巡检路径优化方法。
[0005] 解决上述技术问题，本发明采用的技术方案是：
[0006] -种基于差分纵横交叉算法的输电线路巡检路径优化方法，其特征在于包括以下 步骤：
[0007] S1建立输电线路巡检路径优化问题目标函数
[0008] 输电线路巡检路径优化问题中同时考虑杆塔巡检距离和杆塔风险概率，采用的目 标函数具体形式为：
[0009] (1)
[0010]
[0011 ]其中，Fu是目标函数，D是待巡检杆塔数目，S1; 1+1为一条巡检路径中两个相邻杆塔 之间的距离，&、1分别是第i个杆塔的横坐标和纵坐标，PnPw分别是杆塔i和i+Ι的风险概 率，α和β为加权系数；
[0012] S2对公式(1)采用基于差分纵横交叉算法进行优化，包括以下子步骤：
[0013] S2-1:初始化；
[0014] S2-2:执行差分进化后进入竞争算子；
[0015] S2-3:执行横向交叉后进入竞争算子；
[0016] S2-4:执行纵向交叉后进入竞争算子；
[0017] S2-5:终止条件:如果达到指定的最大迭代次数，算法结束;否则转入步骤S2-2。
[0018] 所述的步骤S2-1初始化具体为：
[0019] Xi=(Xii,Xi2,Xi3,Xi4,......,Xi〇) 1 = 1,2,3,4, . . . . ,Μ
[0020] 其中，Xi为种群的i个粒子，表示一条巡检路径，D为待巡检杆塔数目，Μ为种群大 小。
[0021 ]所述差分纵横交叉算法中设定Maxlter为最大迭代次数。
[0022] 所述的步骤S2-2执行改进差分进化算法具体为：
[0023] 设Pd为差分算法交叉概率，nol，n〇2和n〇3分别为三个不同粒子编号，X(nol，j)，X (11〇2，」)和乂(11〇3，」)分别是父代种群中个体粒子乂(11〇1)3(11 〇2)和乂(11〇3)的第」维^为缩放 因子，P为(〇，1)之间的一个随机数，EV(i，j)为第i个粒子生成试验向量的j维，MSdJiJ)为 第i个粒子生成中庸解的j维，DS d。为差分进化算法产生的占优解；
[0024] 具体包括以下步骤：
[0025] INPUT :DSdc，M，D;
[0026] LET X-DSdc;
[0027] FOR i = lto M；
[0028] FOR j = lto D；
[0029] EV(i，j)-X(n〇l，j)+F*(X(n〇2，j)-X(n〇3，j));
[0030] IF p<Pd THEN；
[0031] MSdc(i，j)-ER(i，j);
[0032] ELSE；
[0033] MSdc(i，j)-X(i，j);
[0034] END IF；
[0035] END FOR；
[0036] END FOR
[0037] 采用竞争算子更新DSdc。
[0038] 所述的步骤S2-3执行横向交叉具体为：
[0039 ] 设B是1-D之间的一个随机排列向量，no 1和no2分别为B中的两个粒子编号，X (no 1， j)，X(n〇2, j)分别是父代种群中个体粒子X(nol)和X(n〇2)的第j维，MShdnol，j)和MSh。 (no2，j)分别是X(no 1，j)，X(no2，j)通过横向交叉生成中庸解的第j维，DShc为横向交叉产生 的占优解；
[0040]具体包括以下步骤：
[0041 ] INPUT :DShc，M，D;
[0042] LET X-DShc;
[0043] LET B = pertutate(D)；
[0044] FOR i = lto M/2；
[0045] LET nol=B(2Xi-l),no2 = B(2Xi)；
[0046] FOR j = ltoD；
[0047] 产生随机数 rie(〇，l)，r2E(〇，l)，cle(-ll)，C2e(-ll);
[0048] MShc(nol, j) =ri XX(nol, j) + ( l~ri) XX(no2, j)+ci X (X(nol, j )-X(no2, j))
[0049] MShc(no2，j) =r2 XX(no2，j) + (1-Γ2) XX(nol，j)+C2 X (X(nol，j )_X(no2，j))
[0050] END FOR；
[0051] END FOR；
[0052] 采用竞争算子更新DShc。
[0053] 所述的步骤S2-4执行纵向交叉为：
[0054]设B是1-D之间的一个随机排列向量，纵向交叉概率为Pv。nol和n〇2分别为B中的两 个杆塔编号，乂0，11〇1)4〇，11〇2)分别是父代种群中个体粒子乂〇)的第11 〇1维和第11〇2维， MSVC(j，no 1)是X( j，no 1)，X( j，n〇2)是纵向交叉生成中庸解的第j维，DSVC为纵向交叉产生的 占优解；
[0055] 具体包括以下步骤：
[0056] INPUT :DSVC，M，D;
[0057 ] X<-DSvc;
[0058] LET B = pertutate(D)；
[0059] FOR i = lto D/2；
[0060] 产生一个随机数pe(〇，l);
[0061] IF p<Pvc THEN LET nol =B(2X i-1) ,and no2 = B(2Xi)；
[0062] FOR j = lto D；
[0063] 产生一个随机数re (〇，l);
[0064] MSVC( j，nol)-r · X(j，nol) + (l_r) · X(j，no2);
[0065] END FOR；
[0066] END IF；
[0067] END FOR；
[0068] 采用竞争算子更新DSVC;
[0069] 上述纵向交叉操作概率Pvc取0.2~0.8。
[0070] 所述的步骤S2-2，S2_3和S2-4中的进入竞争算子具体为：
[0071] (1)计算中庸解MS和父代种群X中每个粒子的适应度，计算公式如下：
[0072]
(2)
[0073] 其中，RC为每个粒子中杆塔重复的数量，γ为惩罚系数。
[0074] (2)如果中庸解MS(i)优于它的父代X(i)，则DS(i)-MS(i);否则DS(i)-X(i);
[0075] 具体步骤如下：
[0076] FOR i = lto Μ；
[0077] 根据公式(2)评估MS(i)和X(i);
[0078] IF MS(i)优于它的父代X(i)THEN;
[0079] DS(i)-MS(i);
[0080] ELSE DS(i)-X(i);
[0081] END IF；
[0082] END FOR。
[0083] 与现有技术相比，本发明具有如下显著的效果：
[0084] (1)本发明提出的DE-CS0算法控制参数少，求解速度快，解决了群智能算法普遍容 易陷入局部最优的共性关键问题。
[0085] (2)本发明的DE-CS0方法在解决同时考虑杆塔风险概率和路径最短的多目标输电 线路巡检路径问题时，同时具备良好的全局逼近能力和快速的收敛性能，对提高线路巡检 规划水平和提高巡检效率有重要的实际工程意义。
【附图说明】
[0086] 图1 DE-CS0算法流程图；
[0087] 图2为CS0巡线路径图；
[0088] 图3为DE-CS0巡线路径图。
【具体实施方式】
[0089]如表1所示的一个20杆塔系统参数表，该系统杆塔数量D = 20，杆塔X坐标、Y坐标以 及杆塔风险概率如表1所示。
[0090] 本发明的实施例中采用的种群大小M = 50,最大迭代次数为Maxlter = 3000,纵向 交叉概率Pvc; = 〇. 65，惩罚系数γ = 120，α和β都设为〇. 5，算法运行重复50次。
[0091] 表1 20杆塔系统参数表
[0092]
[0093]
[0094] 如图1所示是本发明的基于差分纵横交叉算法的输电线路巡检路径优化方法在20 杆塔系统实施例中的算法流程，包括以下步骤：
[0095] S1建立输电线路巡检路径优化问题目标函数
[0096] 输电线路巡检路径优化问题中同时考虑杆塔巡检距离和杆塔风险概率，采用的目 标函数具体形式为：
[0097] (1)
[0098]
[0099] 其中，是目标函数，D是待巡检杆塔数目，SM+1为一条巡检路径中两个相邻杆塔 之间的距离，&上分别是第i个杆塔的横坐标和纵坐标，分别是杆塔i和i+1的风险概 率，α和β为加权系数。
[0100] S2对公式(1)采用基于差分纵横交叉算法进行优化，包括以下子步骤：
[0101] S2-1 :初始化；
[0102] S2-2:执行差分进化后进入竞争算子；
[0103] S2-3:执行横向交叉后进入竞争算子；
[0104] S2-4:执行纵向交叉后进入竞争算子；
[0105] S2-5:终止条件:如果达到指定的最大迭代次数，算法结束;否则转入步骤S2-2。
[0106] 所述的步骤S2-1初始化具体为：
[0107] Xi=(Xii,Xi2,Xi3,Xi4,......,Xi〇) 1 = 1,2,3,4, . . . . ,Μ
[0108] 其中，Xi为种群的i个粒子，表示一条巡检路径，D为待巡检杆塔数目，Μ为种群大 小。
[0109]所述差分纵横交叉算法中设定Maxi ter为最大迭代次数。
[0110] 所述的步骤S2-2执行改进差分进化算法具体为：
[0111] 设Pd为差分算法交叉概率，nol，n〇2和n〇3分别为三个不同粒子编号，X(nol，j)，X (11〇2，」)和乂(11〇3，」)分别是父代种群中个体粒子乂(11〇1)3(11 〇2)和乂(11〇3)的第」维^为缩放 因子，P为(〇，1)之间的一个随机数，EV(i，j)为第i个粒子生成试验向量的j维，MSdJIJ)为 第i个粒子生成中庸解的j维，DS d。为差分进化算法产生的占优解。
[0112]具体包括以下步骤：
[0113] INPUT :DSdc，M，D;
[0114] LET X-DSdc;
[0115]