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,