基于智能优化算法的输电线路路径优化问题的研究

发布时间：2017-07-29 13:12

  本文关键词：基于智能优化算法的输电线路路径优化问题的研究

  更多相关文章： 输电线路 路径优化 蚁群算法 遗传算法

【摘要】：日常生活和生产活动每时每刻都在消耗着电力,电力系统可以说是现代社会生活的命脉,由于需求量的急剧增加,新的输电线路需要建设。输电线路的前期设计对于后期的施工、建成后的使用及运行维护情况都影响很大,因此设计一条既经济合理又保证电力安全运行的线路十分重要。传统设计方法既耗时费力又往往得不到较好的线路,本文欲借助Google Earth和CAD技术进行辅助设计,改善优化结果,提高效率。输电线路在地球表面呈线形,因此优化目标相当于是在一个三维表面上寻找一条满足各项要求的最优线路。输电线路路径优化时,要考虑的影响因素有许多,有地形地貌信息、建筑及社会因素、工程技术条件等,是一个多目标规划的复杂问题。传统的数学规划方法在面对多目标多约束的问题时,求解难度很大,而近年来才迅速发展起来的智能优化算法,在处理这一类复杂问题时有很大的优势,因为智能优化算法并不是求精确最优解,而是求近似精确的满意解,以损失一部分精确度为代价,换取计算的效率。本文是考虑输电线路路径优化问题时,将需要考虑的约束因素进行取舍,简化模型便于优化和计算,意在先设计出一条大致满意的线路,给设计人员以参考,后续在考虑细节上可以再进行更改。本文将模型简化为求在三维表面上,两点之间的最短距离。使用栅格模型,在实际的地表上,用Google Earth提取地理信息数据,然后进行处理计算,将地形和所初步设计的线路模拟显示出,最后再通过坐标的反转换,将最终的线路显示在Google Earth上。在计算所提出模型中最优线路时,本文介绍了两种方法,蚁群算法和遗传-蚁群混合算法。蚁群算法和遗传算法都是来源于生物界的近似算法,都有较强的计算效率和较好的收敛效果。本文先用蚁群算法进行了路径优化,根据文中实际问题需要,并做出了一定的改进和创新,将信息素存留在栅格模型的单元格上,减少计算量也降低了计算空间。另外,考虑到坡度的限制,本文中在计算路径长度时,在海拔距离差上加入了一个权重来避免陡坡。由于遗传算法在栅格模型图中,生成初始解时容易有大量的非可行解,且在变异和交叉中容易造成路径中断,不适合单独使用在本文问题中,但遗传算法又有较好的全局搜索能力,因此,将两者结合起来使用。先使用蚁群算法生成初始解,再通过遗传算法进行交叉和变异操作,其中在变异操作中,融合了蚁群算法,加快了算法的收敛速度。通过这两种算法的混合,吸收各自的优点,加快了搜索速度和提高解的质量。本文的创新点主要在于以下几点:(1)将输电线路路径优化问题建立一个适宜在计算机上进行模拟计算的模型。(2)运用智能优化算法,即改进后的遗传-蚁群混合算法求解路径优化问题。(3)本文应用实验室所开发的一种面向电力行业的输电线路的选址与优化的三维CAD系统,在此系统上进行数据提取、路径优化以及优化结果的显示。
【关键词】：输电线路 路径优化 蚁群算法 遗传算法
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TM75
【目录】：

• 摘要6-8
• Abstract8-10
• 第一章 绪论10-15
• 1.1 研究背景与研究意义10-11
• 1.2 国内外对输电线路优化问题的研究现状11-13
• 1.2.1 输电线路路径选择的基本要求11-12
• 1.2.2 国内外对输电线路优化问题的研究12-13
• 1.3 本文内容及创新点13-15
• 第二章 输电线路优化模型构建15-26
• 2.1 输电线路优化15-17
• 2.1.1 输电线路的基本概念15
• 2.1.2 输电线路设计时应注意的影响因素15-16
• 2.1.3 输电线路优化的目标和特点16-17
• 2.2 路径优化17-22
• 2.2.1 路径优化的基本问题17-19
• 2.2.2 常用的解决路径优化问题的算法19-22
• 2.3 输电线路路径优化模型构建22-25
• 2.3.1 输电线路路径优化模型分析22-23
• 2.3.2 栅格模型和矢量模型23-24
• 2.3.3 地图单元格24-25
• 2.4 本章小结25-26
• 第三章 基于蚁群算法的线路优化26-36
• 3.1 蚁群算法简介26-29
• 3.1.1 蚁群算法的基本原理26-27
• 3.1.2 基本蚁群算法的数学模型27-29
• 3.2 蚁群算法应用于输电线路路径优化29-34
• 3.2.1 下一步可行点集30-31
• 3.2.2 蚂蚁的选择策略31
• 3.2.3 信息素更新规则31-34
• 3.3 本章小结34-36
• 第四章 基于遗传-蚁群混合算法的线路优化36-46
• 4.1 遗传算法简介36-38
• 4.1.1 遗传算法的基本原理36-37
• 4.1.2 基本遗传算法的数学模型37-38
• 4.2 遗传-蚁群混合算法应用于输电线路优化38-45
• 4.2.1 编码40
• 4.2.2 变异算子40-41
• 4.2.3 交叉算子41
• 4.2.4 适应度函数41-42
• 4.2.5 选择算子42-45
• 4.3 本章小结45-46
• 第五章 实例分析46-56
• 5.1 实例应用平台46-49
• 5.1.1 Google Earth47
• 5.1.2 ACIS/HOOPS平台47-48
• 5.1.3 路径优化的实现过程48-49
• 5.2 数据获取和转化处理49-52
• 5.3 三维地形重构显示52-53
• 5.4 优化路径53-55
• 5.4.1 模拟地形中显示优化路径53-54
• 5.4.2 Google Earth上显示优化路径54-55
• 5.5 本章小结55-56
• 第六章 总结与展望56-58
• 6.1 总结56-57
• 6.2 展望57-58
• 参考文献58-61
• 攻读学位期间的论文发表及项目参与情况61-62
• 致谢62

【参考文献】

中国期刊全文数据库 前10条

1 张潇方;张应应;;克强指数反映中国经济现实状况的优越性研究[J];统计与决策;2014年22期

2 李安洪;;电力线路设计中线路路径选择问题研究[J];通讯世界;2014年12期

3 杨清四;;海拉瓦技术在输电线路工程中的应用[J];硅谷;2012年15期

4 潘杰;王雪松;程玉虎;;基于改进蚁群算法的移动机器人路径规划[J];中国矿业大学学报;2012年01期

5 马立广;曹彦荣;;Google Earth COM API及KML技术在旅游管理信息系统开发中的应用[J];地球信息科学学报;2010年06期

6 毛克;刘江龙;刘永强;;Google Earth三维选线技术在高压送电线路中的应用[J];电力勘测设计;2010年04期

7 何娟;涂中英;牛玉刚;;一种遗传蚁群算法的机器人路径规划方法[J];计算机仿真;2010年03期

8 刘学;刘希玉;;基于HOOPS/ACIS的三维园林设计系统[J];合肥学院学报(自然科学版);2008年04期

9 郑团结;景钦刚;;基于海拉瓦—洛斯达技术的输电线路优化设计与应用研究[J];水电能源科学;2007年06期

10 吉根林;遗传算法研究综述[J];计算机应用与软件;2004年02期

，

本文编号：589328