一种配电投资目标对象决策模型及其混合编码遗传算法的制作方法

1.本发明属于配电网规划管理技术领域，尤其涉及一种配电投资目标对象决策模型及其混合编码遗传算法。


背景技术：

2.在配电网投资规划过程中，涉及到的目标对象类型多种多样且数量庞大，在进行规划过程中，对于对象属性和在统筹规划进行过程中将具有联动属性的多个对象进行综合处理，一直是规划设计中的重点难点，目前常用的多目标多对象遗传算法一般针对不同对象都面临目标多，涉及的属性以及约束限制数量庞大，在进行求解运算过程中吗，对系统算力资源以及软硬件设备的要求高，运算执行的时间和能耗大等问题，在进行日趋犊砸的配电网决策设计以及日趋多样的目标优化统筹问题时，其效率和结果不尽人意，适应越来越严格的企业及市场需求。


技术实现要素：

3.本发明的目的在于，提供一种便于对大量目标对象进行投资决策管理，可以快速确定最佳或较佳投资决策量和目标对象数据，有助于提高配电网规划投资决策效率的配电投资目标对象决策模型，同时提供一种可减少对系统算力资源需求，降低对系统软硬件要求及其混合编码遗传算法。
4.为实现上述目的，本发明采用如下技术方案。
5.一种配电投资目标对象决策模型，具体内容包括：
6.对于m个配电投资目标对象，定义投资效能收益期望为r＝η
t
w；
7.其中η＝[η1,η2...ηm...ηm]
t
，ηm为第m(m∈m)个目标对象的投资效能收益期望，w＝[w1,w1...wm...wm]
t
为投资变量，wm≥0是指第m个目标对象的投资权重且
[0008][0009]
定义投资决策量am，表示第m个目标对象是否进行投资升级的决策量，若进行投资，则am＝1，若不进行投资则am＝0；且其中a为每轮投资预期的目标对象的数量，
[0010]
定义对象优先权重bm(0≤bm≤1)用于表示对第m个目标对象进行投资升级的优先度，当bm＝1则表示第m个目标对象必须要进行投资升级，当bm＝0则表示第m个目标对象可以不进行投资升级；
[0011]
定义投入系数cm表示保证第m个目标对象进行投资的投入产出平衡条件，投入产出系数cm∈[c
m-min
,c
m-max
]，其中c
m-min
是保证对第m个目标对象进行投资后的效能收入与基础工作量指出平衡的投资量，c
m-max
是第m个目标对象进行投资后的效能提升与投入平衡的投资量；
[0012]
假设在投资变量w下，第m个目标对象相应的效能损失为f(w,m)，则保证效能损失比不超过β且出现概率不超过α的条件为v＝inf{β|∫
f(w,m)≤β
ρ(r)dr≥α}，inf是指下确界；ρ(r)为目标对象概率密度函数；
[0013]
则最终决策模型goal为：
[0014]
goal＝maxr＝η
t
w；
[0015]
其对应的约束条件为：
[0016][0017]
本技术还提供用于配电投资目标对象决策模型的混合编码遗传算法，包括如下步骤：
[0018]
a、原始数据收集的步骤
[0019]
对于配电规划建设的m个投资目标对象，统计其n个采集周期内的单位投资效能收益数据，建立其投资效能收益矩阵：
[0020][0021]
其中r
mn
为第m个目标对象在第n个采集周期内的单位投资效能收益数据；分别计算各目标的单位投资效能收益期望
[0022]
若第m个目标对象具有s个关联对象，在单位成本投资下第m个目标对象相关联的第s个对象其他对象的效能变量为d
ms
(s∈s)；则第m个目标单位投资引起的效能变量为单位投资引起m个目标对象的效能期望最终值为按照效能期望最终值由大到小进行排序，得到m个目标对象的单位投资效能收益序列t，序列t中包含若干优先权重bm＝1的必要投资对象，最终得到m个目标对象的效能期望最终值序列为t＝{t1,t2...t
p
,t
m-p
...tm}；其中t1,t2...t
p
是优先权重bm＝1的必要投资对象效能的期望，t1≥t2≥t3≥...t
p-1
≥t
p
，t
p+1
≥t
p+2
≥...t
m-1
≥tm；
[0023]
b、基于混合编码遗传算法初始化种群并计算决策模型，基于混合编码方法中的解码方法确定最佳投资方案；
[0024]
输入为目标模型goal＝maxr＝η
t
w；
[0025]
其对应的约束条件为：
[0026]
根据系统算力资源及规划需求确定种群大小、算子参数以及迭代参数；
[0027]
使用混合编码方法生成初始化种群q＝{(u1,w1)1,(u2,w2)...(uq,wq)...(uq,wq)}；
[0028]
其中(uq,wq)是指一个投资方案，uq是投资对象量，指包含拟投资对象的集；wq是uq对应的一个投资决策量，含有所有拟投资头像的投资权重，且
[0029]
对前述配电投资目标对象决策模型的混合编码遗传算法的进一步改进或这完善还包括，，为投资决策量筛选过程中，定义一个投资转移变量v＝{v}，v＝1表示将一个单位的投资量从前一个对象转移至后一个目标对象，v＝-1表示将一个单位的投资量从后一个对象转移至前一个对象，则对于任意一个确定的投资对象量uq，其对应的所有投资策略可视为某一个初始投资策略与以下投资转移矩阵v中若干行的组合。
[0030]
其中x为投资对象量uq中投资对象的总数；
[0031]
投资转移矩阵v中的某一行表示将投资对象量uq中的某两个相邻对象之间单位投资的调整，对于非相邻对象，视为单位投资的连续调整，对于非单位投资，视为进行重复调整。
[0032]
对前述配电投资目标对象决策模型的混合编码遗传算法的进一步改进或这完善还包括，，在初始化种群生成投资对象量的过程中，任意uq作为含有p个已知投资对象和(x-p)个待选拟投资对象的组合，可以基于随机选择的方式生成初始对象数为p+1、p+2、....m的(m-p)个数据库，将其组合后即得到投资对象量的总数据库。
[0033]
对前述配电投资目标对象决策模型的混合编码遗传算法的进一步改进或这完善还包括，，在判断投资决策量的优先度时，优选从现有决策量中选择拥有最大期望效能收益的一个或多个投资决策量加入父代种群。
[0034]
其有益效果在于：
[0035]
本技术的配电投资目标对象决策模型可用于配电网多目标对象的配电投资决策，用于辅助配电网规划过程中确定最佳能够实现配电网效能提升效果的投资目标和投资方案，结合相应的编码遗传算法，可以有效提高在大量目标对象存在时对于系统的运算压力，提高效率。
附图说明
[0036]
图1是混合编码遗传算法的原理流程示意图。
具体实施方式
[0037]
以下结合具体实施例对本发明作详细说明。
[0038]
格栅理论是一种通过将不同行业或领域的问题进行综合看待，利用不同对象对于同一目标的关联影响，在多种条件或限制限制的情况下，确定能够满足复杂需求的优选决策方案的理论，在配电网建设投资过程中，涉及到的投资目标包括配电网内各配电设施、变站点节点等实体目标对象，也包括服务管理系统、数据技术储备等非实体对象，其对象类型多样，在进行规划过程中，对所有对象进行投资决策的过程中追求的效能化针对不容对象也具有完全不同的属性含义，这种情况与格栅理论中遇到的情形相似。
[0039]
前述各类实体目标对象和非实体对象在本技术中称之为配电建设过程中的投资目标对象；
[0040]
具体而言，对于m个配电投资目标对象，定义投资效能收益期望为r＝η
t
w；
[0041]
其中η＝[η1,η2...ηm...ηm]
t
，ηm为第m(m∈m)个目标对象的投资效能收益期望，w＝[w1,w1...wm...wm]
t
为投资变量，wm≥0是指第m个目标对象的投资权重且
[0042]
同样，在分批次更新迭代的方式逐步实现配电系统的投资升级过程中，在进行每轮投资升级时，一般不会对所有目标对象进行投资，而是根据配电系统当前系统升级状态，选择若干的目标对象进行投资，例如，对于一般的配电网来说，一般是按照首先对输出型对象(如发电站)进行投资升级以保证未来负荷输出能力满足需求、其次对传输型对象(如变电站、输电网)进行投资升级以保证未来大电流传输的有效性、最后对功能系统(如供配电管理系统)以及输入型(如入户开关、变压器)对象进行投资升级以实现终点改造并完成整个电网的投资升级，在此过程中，为保证每次投资升级过程中，能够在充分提升本次投资实现的效能提升量的同时，降低规划设计的难度，需要对每轮投资过程中的目标对象的数目进行限制，而不是一次性对所有目标对象进行投资升级，本技术用投资决策量am表示，am为第m个目标对象是否进行投资升级的决策量，若进行投资，则am＝1，若不进行投资则am＝0；且其中a为每轮投资预期的目标对象的数量，
[0043]
在进行配电网投资过程中，对于海量的目标对象，出于满足重要节点终端或需求，在投资过程中，对于不同目标对象的投资倾向具有一定的倾向性，因此本技术中引入目标对象优先权重bm(0≤bm≤1)用于表示对第m个目标对象进行投资升级的优先度，当bm＝1则表示第m个目标对象必须要进行投资升级，当bm＝0则表示第m个目标对象可以不进行投资升级；
[0044]
进一步的，对第m个目标对象的某轮投资，若投资分配额较低，则可能会导致效能提升的属性微乎其微，但由于必要的基础工作量不可省略，因此会带来不必要的资源浪费，同时对于大多数目标对象而言，并非越多的投资聚会带来越大的效能提升，因此进一步引入投入系数cm表示保证第m个目标对象进行投资的投入产出平衡条件，投入产出系数cm∈[c
m-min
,c
m-max
]，其中c
m-min
是保证对第m个目标对象进行投资后的效能收入与基础工作量指
出平衡的投资量，c
m-max
是第m个目标对象进行投资后的效能提升与投入平衡的投资量；
[0045]
由于配电网内目标对象之间的关联性，在进行投资升级或改进过程中，因为难以实现所有基础设施以及系统的一次性同步投资升级，往往是通过分批次更新迭代的方式逐步实现配电系统的投资升级，虽然可以预见在投资升级后系统效能属性的提升，但在投资前中期，因新旧设备系统兼容性差异、设备交互维护工作量增加等原因，配电网投资后目标对象的效能指标会发生波动，这种波动可能是效能的增加也可能是减少，会直接影响配电供应的稳定性，因此有必要对投资后效能损失发生的概率和比例进行预测，效能损失发生的概率和比例与投资变量相关，定义在投资变量w下，第m个目标对象相应的效能损失为f(w,m)，则在保证效能损失比不超过β且出现概率不超过α的限制条件v＝inf{β|∫
f(w,m)≤β
ρ(r)dr≥a}，inf是指下确界；ρ(r)为目标对象概率密度函数；
[0046]
则最终决策模型goal为：
[0047]
goal＝maxr＝η
t
w；
[0048]
其对应的约束条件为：
[0049][0050]
易知的，前述配电投资目标对象决策模型为一个多决策模型模型，由于配电系统结构和属性特点，地区配电网的投资升级过程中各向效能属性指标数据均相对明确且效能变化区域与投资决策的具有直接关联，因为目标对象明确清洗，投资决策可明确指定，因此可以通过种群搜索算法进行迭代求解，通过构建初始种群，并从初始种群中选择又是个体进行配对组合形成候选后代种群，并通过这种迭代得到最有或者较优的若干组合方式，即可确定最佳或者较佳投资决策方案。
[0051]
配电投资目标对象决策是确定最佳或较佳的投资变量w＝[w1,w1...wm...wm]
t
，由于涉及到对于所有目标对象的投资及效能数据的分析，当面对配电网内庞大复杂的目标对象时，会带来极大的运算压力，但实际上由于配电网分批逐渐投资建设的特点，上述投资过程可以视为两个优化目标搜索的组合：第一步、确定由包含有最优或较优的效能收益的技术投资决策量和投资变量的若干个解集；第二步、在前述解集中确定最终需要的最佳或较佳投资方案；
[0052]
具体而言，包括如下步骤
[0053]
1、原始数据收集的步骤
[0054]
配电网目标对象投资变化引起的效能变化，可以通过历史投资效能收益数据进行估计，在满足前述约束条件的前提下，通过比较历史投资效能收益数据可以得到较佳的投资目标对象组合，具体而言，对于配电规划建设的m个投资目标对象，统计其n个采集周期内的单位投资效能收益数据，可建立其投资效能收益矩阵：
[0055][0056]
其中r
mn
为第m个目标对象在第n个采集周期内的单位投资效能收益数据；
[0057]
分别计算各目标的单位投资效能收益期望由于配电网内目标对象之间的关联性，某个目标对象投资后会导致与之关联的若干对象效能指标的波动，这种波动可能是效能的增加也可能是减少，例如因新旧设备系统兼容性差异、设备交互维护工作量增加等原因，这也是在进行投资升级或改进过程中，往往是通过分批次更新迭代的方式逐步实现配电系统的投资升级的原因之一，假设第m个目标对象具有s个关联对象，假设单位成本投资下第m个目标对象相关联的第s个对象其他对象的效能变量为d
ms
(s∈s)；则第m个目标单位投资引起的效能变量为则单位投资引起m个目标对象的效能期望最终值为按照效能期望最终值由大到小进行排序，得到m个目标对象的单位投资效能收益序列t，序列t中包含若干优先权重bm＝1的必要投资对象，最终得到m个目标对象的效能期望最终值序列为t＝{t1,t2...t
p
,t
m-p
...tm}；其中t1,t2...t
p
是优先权重bm＝1的必要投资对象效能的期望，t1≥t2≥t3≥...t
p-1
≥t
p
，t
p+1
≥t
p+2
≥...t
m-1
≥tm；
[0058]
2、基于混合编码遗传算法初始化种群并计算决策模型，基于混合编码方法中的解码方法确定最佳投资方案；
[0059]
输入为目标模型goal＝maxr＝η
t
w；
[0060]
其对应的约束条件为：
[0061]
根据系统算力资源及规划需求确定种群大小、算子参数以及迭代参数；
[0062]
使用混合编码方法生成初始化种群q＝{(u1,w1)1,(u2,w2)...(uq,wq)...(uq,wq)}；
[0063]
其中(uq,wq)是指一个投资方案，uq是投资对象量，指包含拟投资对象的集；wq是uq对应的一个投资决策量，含有所有拟投资头像的投资权重，且
[0064]
在初始化种群生成投资对象量的过程中，任意uq作为含有p个已知投资对象和(x-p)个待选拟投资对象的组合，可以基于随机选择的方式生成初始对象数为p+1、p+2、....m的(m-p)个数据库，将其组合后即得到投资对象量的总数据库；
[0065]
为投资决策量筛选过程中，定义一个投资转移变量v＝{v}，v＝1表示将一个单位的投资量从前一个对象转移至后一个目标对象，v＝-1表示将一个单位的投资量从后一个对象转移至前一个对象，则对于任意一个确定的投资对象量uq，其对应的所有投资策略可
视为某一个初始投资策略与以下投资转移矩阵v中若干行的组合。
[0066]
其中x为投资对象量uq中投资对象的总数；
[0067]
投资转移矩阵v中的某一行表示将投资对象量uq中的某两个相邻对象之间单位投资的调整，对于非相邻对象，可视为单位投资的连续调整，对于非单位投资，可视为进行重复调整，籍此方法，可将任意两个投资决策量之间的调整转换为对于投资转移矩阵v中元素的重复调用，进而简化解码方法，提高混合编码遗传算法的效率；
[0068]
在判断投资决策量的优先度时，优选从现有决策量中选择拥有最大期望效能收益的一个或多个投资决策量加入父代种群；
[0069]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。