程樂園，黨彬，王鑫，劉偉，張艷來，郭和強(qiáng)

（1.國網(wǎng)安陽供電公司，河南安陽 455000；2.天津天大求實(shí)電力新技術(shù)股份有限公司，天津 300384）

電網(wǎng)規(guī)劃內(nèi)容主要是對輸電網(wǎng)和配電網(wǎng)進(jìn)行規(guī)劃，規(guī)劃的目的就是在滿足系統(tǒng)和負(fù)荷安全運(yùn)行的前提下，通過一系列衡量指標(biāo)保證網(wǎng)架的最優(yōu)解[1-3]。傳統(tǒng)的優(yōu)化算法如最短路徑法[4]、非線性規(guī)劃法[5]等，很難滿足電網(wǎng)規(guī)劃中大規(guī)模組合數(shù)學(xué)問題的優(yōu)化分析，易造成“維數(shù)災(zāi)”[6]問題。近些年來，智能優(yōu)化算法在最優(yōu)解計算方面表現(xiàn)出良好的尋優(yōu)速度和計算性能，得到了廣泛應(yīng)用，包括遺傳算法（genetic algorithm，GA）[7]、粒子群算法（particle swarm optimi?zation，PSO）[8-10]、蟻群算法（ant colony optimization，ACO）[11]、仿電磁學(xué)算法（electromagnetism-like mech?anism，ELM）[12-13]等，有效地滿足了電網(wǎng)規(guī)劃決策中尋求最優(yōu)解的問題，但這些算法同時也存在參數(shù)敏感、效率低等缺陷[14-16]。采用ELM算法通過對電網(wǎng)規(guī)劃尋優(yōu)過程離散化處理，實(shí)現(xiàn)規(guī)劃方案的可靠性和經(jīng)濟(jì)性，但ELM在尋求最優(yōu)解中忽視了種群的分布多樣性，易出現(xiàn)局部最優(yōu)、迭代不收斂的問題[17-18]?；诖?，本文利用改進(jìn)策略來彌補(bǔ)仿電磁學(xué)算法缺陷，通過建立多目標(biāo)模型，提高其在大規(guī)模離散組合中的尋優(yōu)性能。

1 基于基本ELM的改進(jìn)分析

1.1 ELM的基本原理

ELM算法是一種模擬帶電電荷相互作用提出的一種全局優(yōu)化算法[19]。ELM中將粒子作為一種帶電體，利用相應(yīng)粒子的適應(yīng)度函數(shù)值賦予粒子虛擬電荷量來模擬粒子間的矢量力，由庫克定律計算出各粒子間的矢量力，通過粒子團(tuán)指定的總矢量力方向來尋求新種群。

ELM算法尋優(yōu)過程中的帶電粒子都存在潛在解，將初始種群中的帶電粒子帶入目標(biāo)函數(shù)中，獲得相應(yīng)的電荷量，根據(jù)電衡量大小來判斷帶電粒子的優(yōu)劣度。粒子虛擬電荷量計算表達(dá)式為

式中：分別為第k次迭代的第i個粒子和對應(yīng)的最優(yōu)粒子；m、n分別為仿電磁學(xué)算法中的種群集合和粒子維度數(shù)；為第i個粒子在第k次迭代中的虛擬電荷量，隨著目標(biāo)函數(shù)減小，會不斷增大。

粒子群的總矢量力可由式（2）中計算式給出，求得粒子總矢量力值。

式（3）描述了與的接近程度，值越大，則表明越接近最優(yōu)解；表示粒子的總矢量力，是種群受力性質(zhì)的反應(yīng)，當(dāng)，則粒子i、j為引力，反之則粒子間表現(xiàn)為斥力。

在由m個粒子構(gòu)成的解域中，通過迭代算法尋求最優(yōu)解，帶電粒子按照式（4）中的移動規(guī)則來實(shí)現(xiàn)種群中粒子更新：

1.2 ELM的改進(jìn)策略

1.2.1 改進(jìn)的抗干擾種群

對傳統(tǒng)ELM的種群搜素分析可知，當(dāng)粒子間表現(xiàn)為引力時，則粒子向優(yōu)化區(qū)聚集，當(dāng)粒子間表現(xiàn)為斥力，則粒子將會進(jìn)入未搜索區(qū)域。然而，這種粒子間的區(qū)域擴(kuò)展和優(yōu)化只是一種基于粒子個體間的領(lǐng)域搜索，無法對群體展開優(yōu)化擴(kuò)展，因此尋求最優(yōu)解過程中可能導(dǎo)致局部最優(yōu)解。基于此，本文采用被動聚集思想[20]，以單個粒子為對象，考慮粒子群對單一粒子的影響因素和粒子間的相互作用力，對式（4）進(jìn)行改進(jìn)為

式中：為粒子i對種群中隨機(jī)粒子r的虛擬電荷作用力；c為被動聚集因子，當(dāng)，取值為負(fù)，反之則取正值；δ為抗干擾因子；R為約束條件，其是為了保證搜索區(qū)域能夠在特定的區(qū)間范圍內(nèi)，R存在的關(guān)系式為

式中：分別為的上限值和下限值，這樣就保證了算法在有效區(qū)域內(nèi)。同時，改進(jìn)模型有效地提高了全局尋優(yōu)能力。

1.2.2 自適應(yīng)變異策略

基本ELM算法中忽略了種群的多樣分布性，導(dǎo)致收斂速度下降，并可能出現(xiàn)局部最優(yōu)現(xiàn)象[21]。對于種群的多樣性問題，通過引入正態(tài)分布和中心極限定理來加以改善，對于種群中的粒子，帶電荷量越大，則產(chǎn)生的變異量就越小。式（7）為尋優(yōu)過程中各粒子遵循的變異方式：

式中：為的變異量；為標(biāo)準(zhǔn)差；μ為該正態(tài)分布的數(shù)學(xué)期望。當(dāng)確定了粒子電量區(qū)間后，便能保證算法具有較高的抗局部極值能力，實(shí)現(xiàn)種群多樣性算法。

1.2.3 權(quán)重自適應(yīng)控制

ELM算法中對計算參數(shù)的調(diào)取是保證算法速度的重點(diǎn)。在迭代算法后期，由于權(quán)重因子存在隨機(jī)性，往往會造成不收斂現(xiàn)象，其大小對于實(shí)現(xiàn)算法的全局搜索和局部細(xì)化有決定性作用?；诖耍胱赃m應(yīng)函數(shù)式（8）來滿足算法的全局搜索和收斂性。

式中：wmax為迭代初期算法權(quán)重中；wmin為迭代末期算法權(quán)重；k為當(dāng)前迭代數(shù)；K為算法總的迭代數(shù)。

2 IELM在多目標(biāo)電網(wǎng)規(guī)劃方案的模型構(gòu)建

2.1 目標(biāo)函數(shù)及其約束

傳統(tǒng)電網(wǎng)規(guī)劃方案中經(jīng)濟(jì)性仍然是衡量方案優(yōu)劣的一個主要指標(biāo)。本文主要考量經(jīng)濟(jì)性指標(biāo)和可靠性指標(biāo)來進(jìn)行方案校驗(yàn)，構(gòu)建的目標(biāo)模型包括電網(wǎng)投資、網(wǎng)絡(luò)損耗、停電損失等經(jīng)濟(jì)性指標(biāo)，具體的表達(dá)式為

式中：minF1和minF2分別為電網(wǎng)投資運(yùn)行費(fèi)用目標(biāo)函數(shù)和電網(wǎng)維護(hù)、改造檢修費(fèi)用目標(biāo)函數(shù)；xd為線路數(shù)；ad為線路單位造價；γ為線路折率；C為線路網(wǎng)損；Pj、Uj、Rj分別為線路運(yùn)行中的功率、電壓和電阻；Sld為線路運(yùn)行負(fù)荷的集合，L為線路中的負(fù)荷節(jié)點(diǎn)數(shù)；為線路故障率；Pl為線路出現(xiàn)該功率的概率值。

對于線路出現(xiàn)大規(guī)模故障而造成線路癱瘓問題，線路各側(cè)設(shè)備s、t的停運(yùn)率同樣可由式（10）來表達(dá)：

式中：Φ為線路中的節(jié)點(diǎn)數(shù)；Uimax、Uimin為i節(jié)點(diǎn)的電壓上、下限極值；PGi、PGNi和Pj、Pjmax分別為電源側(cè)（如發(fā)電機(jī)）和線路側(cè)的有功和極值；為線路d的架線極值。

2.2 多目標(biāo)模型歸一化

在目標(biāo)函數(shù)F1、F2中，可靠性和成本間存在著固有矛盾，且未考慮系統(tǒng)的N-1安全準(zhǔn)則。為此，本文采用加權(quán)法來獲得合適的全系統(tǒng)，對多個矛盾的目標(biāo)函數(shù)應(yīng)用相同的度量進(jìn)行協(xié)調(diào)，得到電網(wǎng)規(guī)劃方案的優(yōu)劣。轉(zhuǎn)化后的模型為

式中：Mk為k階段懲罰系數(shù)；NLk為網(wǎng)絡(luò)初始化一直到k階時的總線路回數(shù)；NFk為檢修維護(hù)時需斷開回路數(shù)；為第l條線路斷開時支路j的有功值和極限值。

配合IELM算法在極值問題上的求解特點(diǎn)，構(gòu)造同一度量體下的評價函數(shù)為

式中，λi為權(quán)系數(shù)。若多個Xi均能滿足函數(shù)f取得最小值，則需進(jìn)一步搜尋最優(yōu)解。

2.3 IELM在多目標(biāo)電網(wǎng)規(guī)劃實(shí)現(xiàn)

2.3.1 編碼決策變量

通過上述分析可知，傳統(tǒng)電網(wǎng)的規(guī)劃是離散型的?？紤]到電網(wǎng)整數(shù)性，本節(jié)引入十進(jìn)制方式來實(shí)現(xiàn)對進(jìn)行編碼：

式中，為進(jìn)行t次迭代時粒子k在線路走廊d中的回路數(shù)。對粒子進(jìn)行編碼后，需對每一代新種群進(jìn)行等概率離散化處理，以便符合電網(wǎng)規(guī)劃中整數(shù)離散化需求，根據(jù)式（14）進(jìn)行離散化處理：

式中，Mround為取整函數(shù)，實(shí)際計算過程中按四舍五入取整數(shù)，當(dāng)超過極限值時則取極值。

2.3.2 種群的初始化

為保證編碼決策變量給出的約束條件與種群粒子相符，同時滿足種群的均勻性、多樣性和一定的覆蓋率，對種群進(jìn)行等概率初始化：

將種群中的粒子數(shù)代入式（15），重復(fù)運(yùn)用等概率處理方法進(jìn)行迭代計算，獲得m個個體和相應(yīng)的n個變量共同組成一個矩陣Am×n，實(shí)現(xiàn)對種群區(qū)域的全覆蓋，滿足種群多樣性、分布性的需求。

當(dāng)設(shè)置種群收斂判據(jù)的迭代次數(shù)T時，需考慮算法可能造成的解的效率問題。迭代次數(shù)設(shè)置過高，則算法迭代效率下降，而次數(shù)過小，則可能得不到所需要的全局最優(yōu)解。為避免計算過程中出現(xiàn)阻滯于局部極值點(diǎn)，在確定停滯代數(shù)Tmax時，采用種群間表現(xiàn)出的差異化來作為算法的收斂判據(jù)：

當(dāng)種群中的粒子與最優(yōu)粒子性能差異在ε范圍內(nèi)時，則算法收斂。

2.3.3 IELM的執(zhí)行程序

1）設(shè)置種群規(guī)模參數(shù)m，解群差異性指標(biāo)ε，決策變量wmax、wmin等參數(shù)，并進(jìn)行初始化。

2）計算等粒子參數(shù)值，尋求最優(yōu)粒子。判斷最優(yōu)粒子性能差異在ε范圍內(nèi)，若成立，則執(zhí)行式（7），利用式（6）獲得新種群；否則回到式（6）計算。

3）判斷種群進(jìn)化是否達(dá)到最大進(jìn)化代數(shù)，若滿足條件，則輸出“不收斂”計算結(jié)果；若進(jìn)化進(jìn)入停滯代數(shù)，則實(shí)行變異策略。

4）迭代終止，得到和相應(yīng)的函數(shù)，通過對進(jìn)行解碼獲得電網(wǎng)規(guī)劃最優(yōu)解。

3 算法實(shí)例驗(yàn)證

利用圖1中的18節(jié)點(diǎn)初始網(wǎng)絡(luò)系統(tǒng)進(jìn)行IELM算法的測試。系統(tǒng)原設(shè)10個節(jié)點(diǎn)，現(xiàn)在需增加到18個節(jié)點(diǎn)。系統(tǒng)基準(zhǔn)功率100 MV·A，系統(tǒng)中的各節(jié)點(diǎn)和相應(yīng)負(fù)荷參見文獻(xiàn)[22]，采用2×LGJ-300線路型號。

圖1 系統(tǒng)的初始網(wǎng)絡(luò)Fig.1 The initial network of the system

基于Matlab測試平臺進(jìn)行防治運(yùn)算，表1為選定的可靠性測試指標(biāo)。

表1 節(jié)點(diǎn)系統(tǒng)的指標(biāo)Table 1 The index of the node system

為檢驗(yàn)方案的優(yōu)越性，將本文確定的全系統(tǒng)與原始全系統(tǒng)進(jìn)行計算比較，獲得的結(jié)果見表2所示。

表2 節(jié)點(diǎn)系統(tǒng)計算結(jié)果Tab.2 The calculation results of the node system

通過IELM的逐步求解分析，獲得解碼后的電網(wǎng)規(guī)劃方案如圖2所示。

圖2 節(jié)點(diǎn)系統(tǒng)的網(wǎng)絡(luò)優(yōu)化結(jié)構(gòu)Fig.2 Network optimization structure of the node system

從表2中獲得的數(shù)據(jù)分析可知，在保證電網(wǎng)運(yùn)用經(jīng)濟(jì)型運(yùn)營成本時，缺電成本出現(xiàn)了增長，而降低缺電成本后，雖然保證了電網(wǎng)規(guī)劃方案的可靠性，但運(yùn)用成本又有所提升。因此這都不是獲得的最優(yōu)解。同時，電網(wǎng)方案實(shí)際應(yīng)用中，更側(cè)重于對經(jīng)濟(jì)型的要求，而采用IELM算法保證了電網(wǎng)方案的經(jīng)濟(jì)型指標(biāo)在建立模型的誤差范圍內(nèi)，且基于本文所建立的全系統(tǒng)在滿足最優(yōu)解的經(jīng)濟(jì)性約束時，同樣保證了方案的可靠性。此外，利用IELM建立的電網(wǎng)規(guī)劃最優(yōu)方案同時保證了電網(wǎng)架構(gòu)的N和N-1安全。

為驗(yàn)證IELM在求解多目標(biāo)電網(wǎng)規(guī)劃優(yōu)選方案的有效性，選擇一個有46節(jié)點(diǎn)系統(tǒng)作為對比對象，該系統(tǒng)當(dāng)前有46條輸電線路，預(yù)計3年內(nèi)增加至76條。2個測試系統(tǒng)的參數(shù)信息見文獻(xiàn)[23]。設(shè)權(quán)重系統(tǒng)λ1=0.5、λ2=0.2、λ3=0.3，分別引入IELM和GA算法對2種不同的系統(tǒng)求解。對比結(jié)果見表3和圖3。

表3 不同算法的結(jié)算結(jié)果對比Fig.3 Comparison of results of different algorithms

圖3 不同算法收斂曲線對比Fig.3 Comparison of convergence curves of different algorithms

從圖3中可以看出，采用IELM算法有效地避免了GA算法在進(jìn)化后期存在的收斂振蕩問題，且IELM具有更高的尋優(yōu)效率。GA算法中，設(shè)定種群規(guī)模和迭代次數(shù)均2倍于ELM算法時，所得到解仍然出現(xiàn)局部最優(yōu)，而IELM不管是初始種群規(guī)模，或者是設(shè)計的迭代次數(shù)均低于GA算法，計算結(jié)果的獲優(yōu)率卻高于GA算法，在節(jié)省預(yù)算空間和時間的同時，容錯率更高。

4 結(jié)語

1）基于基本ELM在求解電網(wǎng)規(guī)劃方案中存在的解域狹小，引入被動聚集思想來實(shí)現(xiàn)單個粒子的解域拓展；針對算法迭代后期的不收斂性、易限于局部收斂，建立了權(quán)重的自適應(yīng)控制函數(shù)；為避免算法出現(xiàn)早熟收斂，運(yùn)用搜索范圍動態(tài)縮減法來滿足預(yù)期收斂速度和全局尋優(yōu)效果。

2）IELM算法有效提高了基本ELM算法的抗局部極值能力和全局尋優(yōu)效率，算法可以考慮多種目標(biāo)函數(shù)和約束條件，獲得的最優(yōu)解具備優(yōu)良的收斂性，能有效兼顧多目標(biāo)電網(wǎng)規(guī)劃中的可靠性和經(jīng)濟(jì)性因素，為多目標(biāo)電網(wǎng)規(guī)劃方案提供了一個全新的全局優(yōu)化算法。

3）相較于GA算法等，采用IELM算法在解決電網(wǎng)規(guī)劃方案的非線性組合優(yōu)化過程中，在收斂效率、操作適應(yīng)性和全局最優(yōu)解方面具有顯著優(yōu)勢，為大規(guī)模電網(wǎng)規(guī)劃優(yōu)化問題的求解開辟了一條新途徑。

參考文獻(xiàn)

[1]譚穎，呂智林，李捷.基于改進(jìn)ELM的風(fēng)/光/柴/儲獨(dú)立微網(wǎng)分布式電源多目標(biāo)容量優(yōu)化配置[J].電力系統(tǒng)保護(hù)與控制，2016（8）：63-70.TAN Ying，Lü Zhilin，LI Jie.Based on the improved ELM wind/light/wood/store independent micro network distribut?ed power multi-objective optimal allocation of capacity[J].Power System Protection and Control，2016（8）：63-70.

[2]姜惠蘭，安星，王亞微，等.基于改進(jìn)NSGA2算法的考慮風(fēng)機(jī)接入電能質(zhì)量的多目標(biāo)電網(wǎng)規(guī)劃[J].中國電機(jī)工程學(xué)報，2015（21）：5405-5411.JIANG Huilan ，AN Xing，WANG Yawei，et al.Based on the improved NSGA2 algorithm considering the fan power quality access to the network planning multi-objective[J].Proceedings of the CSEE，2015（21）：5405-5411.

[3]宋春麗，劉滌塵，吳軍，等.基于改進(jìn)和聲搜索算法的電網(wǎng)多目標(biāo)差異化規(guī)劃[J].電力自動化設(shè)備，2014（11）：142-148.SONG Chunli，LIU Dichen，WU Jun，et al.Based on the improved harmony search algorithm of the multi-objective differential of transmission network planning[J].Electric Power Automation Equipment，2014（11）：142-148.

[4]王世亮.基于改進(jìn)量子粒子群算法的智能電網(wǎng)多目標(biāo)優(yōu)化規(guī)劃研究[D].蘭州：蘭州理工大學(xué)，2014.

[5]孔祥聰，周步祥，汝銳銳，等.改進(jìn)GAAA算法在多目標(biāo)電網(wǎng)規(guī)劃中的應(yīng)用[J].電力系統(tǒng)及其自動化學(xué)報，2013（6）：112-116.KONG Xiangcong，ZHOU Buxiang，RU Ruirui，et al.Improved GAAA algorithm in the application of multiobjective planning[J].Proceedings of the CSU-EPSA，2013（6）：112-116.

[6]李鵬，劉成斌，姜濤，等.智能電網(wǎng)下的電網(wǎng)安全性與穩(wěn)定性[J].電網(wǎng)與清潔能源，2013（2）：33-37，42.LI Peng，LIU Chengbin，JIANG Tao，et al.The safety and stability of power grid under smart grid[J].Power System and Clean Energy，2013（2）：33-37，`42.

[7]伍力，吳捷，鐘丹虹.多目標(biāo)優(yōu)化改進(jìn)遺傳算法在電網(wǎng)規(guī)劃中的應(yīng)用[J].電力系統(tǒng)自動化，2000，（12）：45-48.WU Li，WU Jie，ZHONG Danhong.Multi-objective opti?mization genetic algorithm is improved in the application of the power grid planning[J].Automation of Electric Power Systems，2000（12）：45-48.

[8]王金全，黃麗，楊毅.基于多目標(biāo)粒子群算法的微電網(wǎng)優(yōu)化調(diào)度[J].電網(wǎng)與清潔能源，2014（1）：49-54.WANG Jinquan， HUANG Li， YANG Yi.Microgrid optimizationschedulingbasedonmulti-targetparticleswarm optimization[J].Power System and Clean Energy，2014（1）：49-54.

[9]吳欣，盛四清，曹林.基于改進(jìn)簡化粒子群算法的多目標(biāo)輸電網(wǎng)規(guī)劃[J].陜西電力，2012，（05）：30-33，47.WU Xin，SHENG Siqing，CAO Lin.Based on the improve?ment of multi-target transmission grid planning for the sim?plified particle swarm algorithm[J].Shaanxi Electric Pow?er，2012（5）：30-33，47.

[10]曹承棟，常鮮戎，劉艷.考慮地理因素的改進(jìn)量子粒子群算法在多目標(biāo)電網(wǎng)規(guī)劃中的應(yīng)用[J].電網(wǎng)技術(shù)，2012（3）：134-139.CAO Chengdong，CHANG Xianrong，LIU Yan.Consider the geographical factors of improved quantum particle swarm optimization（pso）algorithm in the application of multi-objective planning[J].Power System Technology，2012（3）：134-139.

[11]符楊，孟令合，胡榮，等.改進(jìn)多目標(biāo)蟻群算法在電網(wǎng)規(guī)劃中的應(yīng)用[J].電網(wǎng)技術(shù)，2009（18）：57-62.FU Yang，MENG Linghe，HU Rong，et al.Improved multi-objective ant colony algorithm in the application of power grid planning[J].Power System Technology，2009（18）：57-62.

[12]吳杰康，郭壯志.基于仿電磁學(xué)算法的梯級水電站多目標(biāo)短期優(yōu)化調(diào)度[J].中國電機(jī)工程學(xué)報，2010，30（31）：14-21.WU Jiekang，GUO Zhuangzhi.Electromagnetism-like mechanism based multi-objective short-term optimization scheduling for cascade hydro plants[J].Proceedings of the CSEE，2010，30（31）：14-21.

[13]王學(xué)友，周步祥，付錦，等.分布式電源優(yōu)化配置的仿電磁學(xué)算法[J].電力系統(tǒng)及其自動化學(xué)報，2012，24（4）：134-138.WANG Xueyou，ZHOU Buxiang，F(xiàn)U Jin，et al.Electromagnetism-like mechanism based on optimal placement of dis-tributed generation[J].Proceedings of the CSUEPSA，2012，24（4）：134-138.

[14]何永秀，朱茳，羅濤，等.城市電網(wǎng)規(guī)劃自然災(zāi)害風(fēng)險評價研究[J].電工技術(shù)學(xué)報，2011，26（12）：205-210.HE Yongxiu，ZHU Jiang，LUO Tao，et al.Risk assess?ment of natural disaster in urban electric power network planning[J].Transactions of China Electrotechnical Soci?ety，2011，26（12）：205-210.

[15]劉旭娜，肖先勇，汪穎，等.用戶友好電網(wǎng)規(guī)劃模型與方法的研究[J].電力系統(tǒng)保護(hù)與控制，2010，38（23）：196-202.LIU Xuna，XIAO Xianyong，WANG Ying，et al.The study of programming model and method of customer friendly power network[J].Power System Protection and Control，2010，38（23）：196-202.

[16]王茜，張粒子，舒雋，等.基于閾值選擇策略的改進(jìn)混合蛙跳算法在電網(wǎng)規(guī)劃中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2011，39（3）：34-39.WANG Qian，ZHANG Lizi，SHU Jun，et al.Application of improved shuffled frog leaping algorithm based on threshold selection strategy in transmission network planning[J].Power System Protection and Control，2011，39（3）：34-39.

[17]付錦，周步祥，王學(xué)友，等.改進(jìn)仿電磁學(xué)算法在多目標(biāo)電網(wǎng)規(guī)劃中的應(yīng)用[J].電網(wǎng)技術(shù)，2012，36（2）：141-146.FU Jin， ZHOU Buxiang， WANG Xueyou， etal.Application of improved lectromagnetism-like mechanism in multi-objective power network planning[J].Power System Technology，2012，36（2）：141-146.

[18]王淳，萬衛(wèi)，程虹，等.多階段輸電網(wǎng)絡(luò)最優(yōu)規(guī)劃的模擬植物生長算法[J].高電壓技術(shù)，2009，35（4）：937-942.WANG Chun，WAN Wei，CHENG Hong，et al.Plant growth simulation algorithm for the optimal multistage transmission network planning[J].High Voltage Engineering，2009，35（04）：937-942.

[19]顧潔，秦玥，包海龍，等.基于熵權(quán)與系統(tǒng)動力學(xué)的配電網(wǎng)規(guī)劃動態(tài)綜合評價[J].電力系統(tǒng)保護(hù)與控制，2013，41（1）：76-83.GU Jie，QIN Yue，BAO Hailong，et al.Comprehensive and dynamic evaluation ofthe distribution network planning based on entropy weight and system dynamics[J].Power System Protection and Control，2013，41（1）：76-83.

[20]韓曉慧，王聯(lián)國.輸電網(wǎng)優(yōu)化規(guī)劃模型及算法分析[J].電力系統(tǒng)保護(hù)與控制，2011，39（23）：143-148，154.HAN Xiaohui，WANG Lianguo.Review of transmission network optimal planning model and algorithm[J].Power System Protection and Control，2011，39（23）：143-148，154.

[21]李鑫濱，朱慶軍.一種改進(jìn)粒子群優(yōu)化算法在多目標(biāo)無功優(yōu)化中的應(yīng)用[J].電工技術(shù)學(xué)報，2010，25（7）：137-143.LI Xinbin，ZHU Qingjun.Application of improved particle swarm optimization algorithm to multi-objective reactive power optimization[J].Transactions of China Electrotechni?cal Society，2010，25（7）：137-143.

[22]毛玉賓，王秀麗，王錫凡.多階段輸電網(wǎng)絡(luò)最優(yōu)規(guī)劃的遺傳算法[J].電力系統(tǒng)自動化，1998，22（12）：13-19.MAO Yubin， WANG Xiuli， WANG Xifan.Genetic algorithm for the optimal multistage transmission network planning[J].Automation of Electric Power Systems，1998，22（12）：13-19.

[23]石立寶，徐國禹.基于自適應(yīng)進(jìn)化規(guī)劃的電網(wǎng)多目標(biāo)優(yōu)化運(yùn)行[J].中國電機(jī)工程學(xué)報，2000，20（8）：31-36.SHI Libao，XU Guoyu.A new method of self-adaptive evo?lutionary programming on multi-objective optimal opera?tion of power system[J].Proceedings of the CSEE，2000，20（8）：31-36.