分层遗传算法的优点在于：
　　

1) 动态编码：下层染色体的编码长度、设计变量的变化范围和精度等随着上层染色体

的编码动态的调节变化。
　　

2) 抑制早熟：同层中不同模块进行并行的遗传操作，且相对独立，能有效增强群体的

多样性，如果其中一个子模块陷入局部最优，可以通过其它模块的进化跳出局部搜索，在
全局范围内进行搜索

.

　　

3) 动态调整遗传因子：每个子模块之间的关系相对独立，所以选择、交叉、变异、种群

大小、进化代数等遗传操作可以在程序实现时动态的变化。
　　

3 数据流程图

　　变压器设计涉及大量的数据，各种材料的数据，初始参数以及最后输出数据等，故需
要合理、有序的加以管理，图

2 为数据流程图。

　　

4 电力变压器电磁优化设计软件开发

　　本文完成了

35kV、63kV、110kV、220kV 四个电压等级油浸式电力变压器的电磁优化设

计程序，并通过与手工设计的计算结果比较，验证了程序的正确性和有效性。
　　

1) 电压等级选择模块

　　设计者进入软件后首先需要选择电压等级，如图

3 所示，使用者在四个子模块中进行

具体的参数设置，以便进一步计算优化，在子模块中用户也可以重新选择电压等级从而跳
到另一个电压等级的子模块设计中去。
　　

2) 数据库管理

　　不同电压等级变压器的数据库是不一样的，故各自有独立的数据库，数据库所包含的
内容如图

4 所示。用户可以对数据库里的参数进行修改，比如图 4 对 35kV 等级变压器饼式

线圈和层式线圈的材料数据进行了分开管理，所有的管理都是基于文本文件操作完成，减
少数据冗余度，以便于优化程序计算时候读取，提高计算速度。
　　

3) 主界面模块

　　主界面如图

5 所示，在主界面中，用户可以管理所选择的电压等级的数据库、进行变压

器设计、产品管理等，此时其它电压等级的数据库则被软件自动屏蔽。
　　

4) 变压器主要性能指标输入模块

　　由于不同电压等级的变压器优化计算的参数设置不尽相同，且每种电压等级的计算模
块是相互独立运行的，每次用户只能看到和操作所选电压等级的计算参数设置子界面，其
它界面则自动屏蔽，如图

6 和 7 所示。

　　

5)优化计算和结果查看

　　参数设置全部完成后才可以进行优化计算，只要有数据没输入即会自动提示，优化计
算完成后可以以文本格式和

EXCEL 电子表格两种形式查看优化结果，如图 8 所示，其中文

本形式的结果方便设计人员快速查看优化结果的优劣，而电子表格形式的结果是以变压器
厂常用的模版输出的，方便设计人员找出各个变量所在的位置，同时也方便公司做出快速
的竞标报价等商业性质的活动。
　　

5 实例验证

　　本文是在满足所有约束条件下取成本最少为最佳方案。以

220 kV 两圈无载变压器优化

取单层

GA 种群个体数 300，迭代次数为 70，双层 GA 取第一层种群个体为 10，第一层迭

代次数为

10，第二层种群个体为 21，第二层迭代次数也为 10。如表 1 所示改进的 MLGA 比

单层传统

GA 成本节省了 3.02%，比手工设计方案节约 9.48%。图 9 为单层遗传算法和分层

遗传算法的适应度值比较，可以看出双层

GA 跟单层 GA 相比更早收敛和找到较优解。

　　

6 结论

　　本文研究了分层遗传算法的原理，将分层遗传算法应用于电力变压器优化的问题中，