遗传算法在配电变电站选址与容量配置中的应用

1. 配电变电站选址与容量配置的工程挑战

在电力系统规划中，配电变电站的选址和容量配置是一个典型的多目标优化问题。作为一名参与过多个城市电网改造的电气工程师，我深刻理解这个问题的复杂性。想象一下，你需要在方圆几十公里的区域内确定几个变电站的位置，每个位置的选择都会影响整个电网的供电可靠性、建设成本和长期运营效率。

传统的人工规划方法往往依赖工程师的经验，通过在地图上反复推敲来确定候选站址。这种方法虽然直观，但很难量化评估不同方案的整体优劣。特别是在城市密集区，可用地块有限，电缆通道资源紧张，还要考虑未来负荷增长的不确定性，人工方案往往陷入"按下葫芦浮起瓢"的困境。

2. 遗传算法在电力规划中的独特优势

2.1 生物进化启发的优化原理

遗传算法(Genetic Algorithm)模拟自然界"适者生存"的进化机制，特别适合解决像变电站选址这样的组合优化问题。我在2018年参与某开发区电网规划时首次尝试这种方法，其核心思想令人着迷：

1. 编码设计：将每个可能的变电站配置方案编码为一条"染色体"。例如，可以用一组坐标表示位置，用实数表示容量。
2. 初始种群：随机生成数十个甚至上百个初始方案，构成第一代"种群"。
3. 适应度评估：为每个方案计算综合评分（供电半径、负载均衡、投资成本等）。
4. 选择与繁殖：优秀方案获得更多"繁殖"机会，通过交叉和变异产生新一代方案。

2.2 与传统方法的对比优势

与线性规划等传统方法相比，遗传算法有几个突出特点：

• 多峰搜索能力：能同时探索解空间的不同区域，避免陷入局部最优。在南京某项目中，算法意外发现了一个被人工规划忽略的低成本方案。
• 约束处理灵活：通过惩罚函数轻松处理禁区、最小间距等复杂约束条件。
• 混合变量支持：可同时优化离散（位置）和连续（容量）变量，这正是变电站规划需要的。

3. MATLAB实现的关键技术环节

3.1 问题建模与参数定义

在MATLAB中实现该算法，首先需要建立精确的数学模型。以下是一个典型的参数定义框架：

matlab复制% 基础参数
studyArea = [0 100; 0 100]; % 研究区域范围(km)
loadPoints = rand(50,2)*100; % 50个负荷点随机分布
maxSubstations = 5; % 最多建设5个变电站

% 遗传算法参数
popSize = 100; % 种群规模
maxGen = 200; % 最大迭代次数
crossProb = 0.8; % 交叉概率
mutProb = 0.1; % 变异概率

实际工程中，负荷点数据应来自GIS系统或SCADA历史数据，而非随机生成。建议使用shapefile或Excel导入真实负荷分布。

3.2 适应度函数设计

适应度函数是算法的核心，需要平衡多个目标：

matlab复制function [fitness] = evaluateFitness(individual, loadPoints)
    % 解析个体：前N*2个是位置(x,y)，后N个是容量(MVA)
    positions = reshape(individual(1:2*N), N, 2); 
    capacities = individual(2*N+1:end);
    
    % 计算供电距离
    [~, dist] = knnsearch(positions, loadPoints);
    coverageCost = sum(dist.^2); % 平方惩罚远距离供电
    
    % 计算容量利用率
    loadPerSub = histcounts(knnsearch(positions, loadPoints), 1:N+1);
    utilization = sum(abs(loadPerSub - capacities*0.7)); % 理想负载率70%
    
    % 建设成本模型
    constructionCost = sum(capacities * 50); % 假设50万元/MVA
    
    fitness = 1/(coverageCost + utilization + constructionCost);
end

这个函数体现了电力规划的典型考量：

• 供电距离（影响线损和电压质量）
• 负载均衡（避免过载或轻载）
• 投资成本（与总容量成正比）

3.3 特殊遗传算子设计

针对变电站问题的特殊性，需要定制遗传算子：

有序交叉(OX)：

matlab复制function [child] = orderedCrossover(parent1, parent2)
    % 保持变电站编号的有序性
    N = length(parent1)/3; % 每个站含(x,y,capacity)
    points = sort(randperm(N,2));
    child = parent1;
    child(points(1):points(2)) = parent2(points(1):points(2));
    
    % 容量基因独立交叉
    capSection = randi([2*N+1, 3*N],1,2);
    child(capSection(1):capSection(2)) = parent2(capSection(1):capSection(2));
end

约束变异：

matlab复制function [mutant] = constrainedMutation(individual, studyArea)
    % 位置变异不超过研究区域
    idx = randi(length(individual)/3);
    mutant = individual;
    mutant(idx) = mutant(idx) + randn*5; % 高斯变异
    mutant(idx) = min(max(mutant(idx), studyArea(1)), studyArea(2));
    
    % 容量变异保持合理范围
    capIdx = 2*N + randi(N);
    mutant(capIdx) = mutant(capIdx) * (0.9 + 0.2*rand); % ±10%变异
    mutant(capIdx) = max(mutant(capIdx), 10); % 最小10MVA
end

4. 工程实践中的优化技巧

4.1 分层优化策略

在实际项目中，我推荐采用分层优化策略提高效率：

1. 粗筛阶段：用低精度模型快速排除明显劣质方案

   • 简化负荷模型（如按街区聚合）
   • 增大变异概率（0.15-0.2）
   • 种群规模50-80即可

2. 精修阶段：对候选方案进行精细评估

   • 采用详细负荷分布
   • 加入地形、拆迁成本等约束
   • 减小变异概率（0.05-0.1）
   • 种群规模100-150

4.2 并行计算加速

MATLAB的Parallel Computing Toolbox可大幅缩短计算时间：

matlab复制% 启用并行池
if isempty(gcp('nocreate'))
    parpool('local',4); % 使用4个核心
end

options = optimoptions('ga','UseParallel',true);
[x,fval] = ga(@fitnessfcn,nvars,[],[],[],[],lb,ub,[],options);

在某省级电网规划中，并行计算将优化时间从18小时缩短到4小时。

4.3 可视化与人工干预

良好的可视化能帮助工程师理解算法结果：

matlab复制function plotSolution(bestIndividual, loadPoints)
    positions = reshape(bestIndividual(1:2*N), N, 2);
    capacities = bestIndividual(2*N+1:end);
    
    figure;
    scatter(loadPoints(:,1), loadPoints(:,2),'b.'); hold on;
    for i = 1:N
        viscircles(positions(i,:), sqrt(capacities(i)/pi)*0.5,...
                  'Color','r','LineWidth',2);
        text(positions(i,1), positions(i,2), sprintf('%dMVA',capacities(i)),...
             'HorizontalAlignment','center');
    end
    title(sprintf('总容量: %.1fMVA',sum(capacities)));
    axis equal; grid on;
end

实践中发现，算法结果往往需要人工微调。建议保留5-10个最优解供工程师选择，而非完全依赖单一最优解。

5. 典型问题与解决方案

5.1 早熟收敛问题

表现为种群多样性快速丧失，常见于：

• 初始种群分布不均匀
• 选择压力过大（精英保留比例过高）

解决方案：

matlab复制options = optimoptions('ga',...
    'SelectionFcn',{@selectiontournament,4},... % 锦标赛选择
    'EliteCount',2,... % 精英保留数
    'MigrationInterval',20,... % 定期迁移
    'MigrationFraction',0.1); % 迁移比例

5.2 约束违反问题

当变电站位置过于接近或位于禁区内时：

matlab复制function [c, ceq] = constraints(individual)
    positions = reshape(individual(1:2*N), N, 2);
    % 最小间距约束
    c = zeros(N*(N-1)/2,1);
    k = 1;
    for i = 1:N-1
        for j = i+1:N
            c(k) = 3 - norm(positions(i,:)-positions(j,:)); % 间距≥3km
            k = k + 1;
        end
    end
    ceq = [];
end

5.3 负荷不确定性处理

采用场景分析法应对未来负荷增长的不确定性：

matlab复制% 定义多个负荷增长场景
loadScenarios = struct(...
    'low',  loadPoints*0.8,...
    'base', loadPoints,...
    'high', loadPoints*1.3);

% 修改适应度函数为期望值
function [fitness] = robustFitness(individual)
    scenarioWeights = [0.2, 0.6, 0.2]; % 场景概率
    totalFitness = 0;
    for s = {'low','base','high'}
        scenarioFitness = evaluateFitness(individual, loadScenarios.(s{1}));
        totalFitness = totalFitness + scenarioWeights(strcmp(s,{'low','base','high'}))*scenarioFitness;
    end
    fitness = totalFitness;
end

6. 完整MATLAB实现框架

以下是经过多个实际项目验证的完整代码结构：

matlab复制%% 主优化流程
function [optimalSolution] = substationPlanningGA()
    % 1. 参数初始化
    [studyArea, loadPoints, gaParams] = initParameters();
    
    % 2. 定义优化问题
    fitnessfcn = @(x)combinedFitness(x, loadPoints);
    nvars = 3*gaParams.maxSubstations; % (x,y,cap)*N
    lb = [repmat(studyArea(1,:),gaParams.maxSubstations,1),...
          ones(gaParams.maxSubstations,1)*10]'; % 最小容量10MVA
    ub = [repmat(studyArea(2,:),gaParams.maxSubstations,1),...
          ones(gaParams.maxSubstations,1)*100]'; % 最大容量100MVA
    
    % 3. 运行遗传算法
    options = optimoptions('ga',...
        'PopulationSize',gaParams.popSize,...
        'MaxGenerations',gaParams.maxGen,...
        'CrossoverFraction',gaParams.crossProb,...
        'MutationFcn',@mutationadaptfeasible,...
        'Display','iter',...
        'PlotFcn',{@gaplotbestf,@gaplotdistance});
    
    [optimalSolution,fval] = ga(fitnessfcn,nvars,...
        [],[],[],[],lb(:),ub(:),@nonlinearConstraints,options);
    
    % 4. 结果可视化
    plotParetoFront(optimalSolution, loadPoints);
end

%% 辅助函数
function [c, ceq] = nonlinearConstraints(x)
    % 如前所述的约束函数
end

function [fitness] = combinedFitness(x, loadPoints)
    % 综合多个指标的适应度函数
end

7. 工程应用案例分享

在某沿海城市新区电网规划中，我们应用该算法获得了令人惊喜的结果：

初始条件：

• 研究区域：36平方公里
• 负荷点：287个（来自用地规划）
• 允许建设：3-5座110kV变电站
• 特殊约束：避开湿地保护区

算法参数：

• 种群规模：120
• 最大代数：150
• 并行计算：8 workers

优化结果对比：

特别值得注意的是，算法推荐的一个站址位于工业区边缘，这个位置在人工规划时被认为"太偏"而被忽略。但实际上，该位置既避开了高拆迁成本区，又通过少量电缆沟改造就能实现良好覆盖。