本發(fā)明涉及多電飛機電氣系統(tǒng)的運行優(yōu)化領(lǐng)域，具體地，涉及應用于多電飛機停電負荷的多目標轉(zhuǎn)供策略柔性優(yōu)化方法。

背景技術(shù)：

作為飛機動力替換的主要手段之一，多電飛機(moreelectricalaircraft，mea)概念的提出與實現(xiàn)不僅對提升燃油利用效率和飛機系統(tǒng)運行可靠性有重要作用，且其關(guān)鍵設(shè)備的集成化與部件復用對于減少建設(shè)和運維費用、增強設(shè)計柔性以及提高設(shè)備的可維護性具有深遠價值。考慮到電氣系統(tǒng)在mea供能構(gòu)成方面比重逐步提升，研究飛機電氣系統(tǒng)在運行時的安全性對保障飛機正常工作、促進航空事業(yè)的發(fā)展具有重大意義。作為孤立的小型交直流電力系統(tǒng)，boeing787的運行方式相對傳統(tǒng)電力系統(tǒng)更為簡單、固定，在每一次飛行過程中，往往只存在從待機狀態(tài)到起飛、爬升、航行、下降、滑行及著陸等運行工況的逐步切換。且在工況轉(zhuǎn)換過程中，boeing787電氣系統(tǒng)不需要改變網(wǎng)絡(luò)結(jié)構(gòu)，只存在部分負荷的投切與增減。且由于boeing787采用大量電氣裝置替代傳統(tǒng)次級功率系統(tǒng)裝置，因此其負載類型也多種多樣，主要包括電力系統(tǒng)、環(huán)境控制系統(tǒng)、除冰保護系統(tǒng)、飛行控制系統(tǒng)、監(jiān)測系統(tǒng)、導航系統(tǒng)、駕駛艙和顯示系統(tǒng)、通信系統(tǒng)、客艙裝置、推進系統(tǒng)、額外燈光、防火系統(tǒng)、飛機數(shù)據(jù)記錄系統(tǒng)、著陸齒輪系統(tǒng)、航電網(wǎng)絡(luò)、作動系統(tǒng)以及能量系統(tǒng)等17類負荷通過4臺變頻啟動發(fā)電機依次供電。由于以波音787(boeing787)為代表的mea電氣系統(tǒng)的供電冗余度較高，因此合理設(shè)計飛機在部分發(fā)電機故障時的停電負荷轉(zhuǎn)供策略對于保障運行安全尤為重要。目前多電飛機上采用的負荷轉(zhuǎn)供策略主要采用由mea電氣系統(tǒng)中的電氣負載管理中心(electricalloadcontrolunits，elcu)設(shè)定，通過既定的負載控制方程和狀態(tài)方程控制固態(tài)功率控制器和轉(zhuǎn)換繼電器動作，以供電距離最小為原則，優(yōu)先就近轉(zhuǎn)供負荷。然而，這樣的轉(zhuǎn)供策略沒有靈活考慮到mea在不同工況下運行時的實際負載需求以及轉(zhuǎn)供后的系統(tǒng)整體安全性，具有一定弊端。

針對目前多電飛機負荷轉(zhuǎn)供策略沒有考慮電氣系統(tǒng)整體的運行安全性和電能質(zhì)量的不足，本發(fā)明引入工業(yè)過程系統(tǒng)中的柔性概念，以mea電氣系統(tǒng)在不同運行狀態(tài)下的節(jié)點電壓柔性參數(shù)衡量系統(tǒng)運行的安全裕度，結(jié)合網(wǎng)絡(luò)損耗最小化需求構(gòu)建了在不同運行工況及不同發(fā)電機故障情況下的多目標非線性負荷轉(zhuǎn)供策略柔性優(yōu)化模型，通過一系列求解步驟最終得到兼具科學性、有效性，并有利于改善網(wǎng)絡(luò)運行的電能質(zhì)量和安全裕度的負荷轉(zhuǎn)供優(yōu)化策略。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種應用于多電飛機停電負荷的多目標轉(zhuǎn)供策略柔性優(yōu)化方法。

根據(jù)本發(fā)明提供的應用于多電飛機停電負荷的多目標轉(zhuǎn)供策略柔性優(yōu)化方法，包括如下步驟：

步驟1：根據(jù)多電飛機各個工況下負荷運行數(shù)據(jù)采用蒙特卡洛及多維聯(lián)合分布理論生成負荷場景，用以表示同一工況下的接入負荷在一定范圍內(nèi)的波動性；

步驟2：采用ward系統(tǒng)聚類法將步驟1中生成的負荷場景在保障精度的條件下進行場景削減，得到若干個典型場景以及每個典型場景所對應的概率；

步驟3：以多電飛機電氣系統(tǒng)節(jié)點電壓柔性表示運行點與可行域邊界間的距離，以系統(tǒng)節(jié)點電壓柔性最大和網(wǎng)絡(luò)損耗最小作為目標函數(shù)，以潮流約束、換流器方程約束、直流網(wǎng)絡(luò)約束以及安全性邊界為約束條件建立了多目標非線性停電負荷轉(zhuǎn)供策略柔性優(yōu)化模型；

步驟4：采用改進的nsga-ii算法求解步驟3中所構(gòu)建的多目標非線性停電負荷轉(zhuǎn)供策略柔性優(yōu)化模型，并將各場景下優(yōu)化得到的pareto前沿以場景對應概率為權(quán)重累加得到該工況運行時某位置發(fā)電機故障后的停電負荷轉(zhuǎn)供策略柔性優(yōu)化模型的pareto前沿；

步驟5：利用分類逼近理想解方法處理步驟4得到的pareto前沿最終得到此時的pareto最優(yōu)折中解，即得出該工況下某發(fā)電機故障后的負荷轉(zhuǎn)供最優(yōu)策略。

優(yōu)選地，所述步驟1包括如下步驟：

步驟1.1：多次采集系統(tǒng)在不同運行工況下的負荷數(shù)據(jù)；

步驟1.2：采用spearman相關(guān)性分析得出每一運行工況下所投入各類負荷的相關(guān)性矩陣，確定兩兩負荷間的關(guān)聯(lián)程度和關(guān)聯(lián)方向；

步驟1.3：分析所采集的負荷數(shù)據(jù)，得到每一運行工況下各類負荷的典型數(shù)據(jù)和誤差分布參數(shù)，構(gòu)成服從以各類負荷的典型數(shù)據(jù)為均值、對應誤差分布參數(shù)為方差的正態(tài)分布；

步驟1.4：對于每一運行工況，生成滿足各類對應負荷分布的蒙特卡洛隨機向量；

步驟1.5：對各個工況下的負荷相關(guān)性矩陣進行cholesky分解；

步驟1.6：將蒙特卡洛隨機向量與相關(guān)性矩陣相乘，得出滿足不確定模型精度要求的各個工況對應負荷場景集合，其中各負荷場景集合的元素數(shù)量在1000至3000范圍內(nèi)。

優(yōu)選地，所述步驟2包括：將生成的各個工況下的負荷場景集合作為集群進行聚類，并將聚類中心作為典型場景進行后續(xù)分析計算，其中削減后的典型場景數(shù)量不超過10個。

優(yōu)選地，所述步驟3包括：引入工業(yè)過程系統(tǒng)中的柔性概念與多電飛機系統(tǒng)的電氣結(jié)構(gòu)及運行要求緊密結(jié)合，定義系統(tǒng)中各節(jié)點的電壓幅值與可行域邊界之間的距離為節(jié)點電壓柔性參數(shù)，并采用節(jié)點電壓柔性參數(shù)反映多電飛機電氣系統(tǒng)運行在所述運行點時具備的可抵御電壓因不確定因素發(fā)生波動的能力，該能力即為多電飛機電氣系統(tǒng)運行的安全裕度。

優(yōu)選地，所述步驟3包括：以多電飛機電氣系統(tǒng)中各節(jié)點電壓柔性的算數(shù)平均值表示整個系統(tǒng)的節(jié)點電壓柔性指標，并以系統(tǒng)節(jié)點電壓柔性最大化及運行網(wǎng)絡(luò)損耗最小化為優(yōu)化目標，綜合考慮潮流約束、換流器約束、直流網(wǎng)絡(luò)約束以及安全性約束，求解得出負荷轉(zhuǎn)供優(yōu)化策略。

優(yōu)選地，所述步驟3中構(gòu)建模型目標函數(shù)及約束條件時需要結(jié)合變頻啟動發(fā)電機故障前的多電飛機實際運行工況和變頻啟動發(fā)電機的故障位置，根據(jù)該工況下的負荷特征和故障后的網(wǎng)絡(luò)結(jié)構(gòu)特點列出方程。

優(yōu)選地，所述步驟4包括：

步驟4.1：改進排序適應度策略；改進排序適應度策略在排序過程中綜合考慮個體的非支配排序值和支配層解密度，通過求和的方式為個體的新虛擬適應度賦值求解新虛擬適應度，計算公式如下：

ζk＝μk+ρk

式中：ζk表示第i層個體k的新虛擬排序適應度值，μk表示非支配排序值，而ρk表示非支配層個體k的上級支配層解密度；

步驟4.2：改進算術(shù)交叉算子；改進算術(shù)交叉算子結(jié)合種群個體非支配排序信息產(chǎn)生依據(jù)算法收斂速度自適應變化的交叉算子，求解交叉算子和個體交叉的計算公式如下：

式中：μa為第t代父代個體a的非支配排序值，μb為第t代父代個體b的非支配排序值，c為交叉算子；為第t+1代子代個體a的基因表達式，為第t代子代個體a的基因表達式，為第t代子代個體b的基因表達式，為第t+1代子代個體b的基因表達式；其中c將趨于常數(shù)0.5；

步驟4.3：自適應交叉及變異概率；自適應變異及交叉概率定義，當種群個體適應度趨于一致或局部最優(yōu)時，增加交叉及變異概率，否則降低交叉及變異概率，且降低精英個體的相應概率，使優(yōu)良個體能保留到下一代，求解自適應交叉概率及自適應變異概率，計算公式如下：

式中：pc為自適應交叉概率，pm為自適應變異概率，fmax為種群中個體的最大適應值，favg為種群中個體的平均適應值，f為待交叉兩個體中的較大適應值，f′為待變異個體的適應值，pc1,pc2分別為交叉概率系數(shù)，pm1,pm2分別為變異概率系數(shù)。

步驟4.4：改進分層策略；改進分層策略在個體排序期間對已排序個體進行計數(shù)，當總量達到n時便停止排序，n為正整數(shù)。

優(yōu)選地，所述步驟5包括：

步驟5.1：pareto解集中的各個解做雙目標值趨同化及歸一化處理，將二類目標函數(shù)值轉(zhuǎn)化為范圍為[0，1]的高優(yōu)指標形式，得到參數(shù)矩陣zn×2，計算公式如下：

式中：zi,1為第i個pareto解的節(jié)點電壓柔性適應度修正值，f1,i為第i個pareto解的節(jié)點電壓柔性適應度原始值，zi,2為第i個pareto解的網(wǎng)絡(luò)損耗適應度修正值，f2,i為第i個pareto解的網(wǎng)絡(luò)損耗適應度原始值；

步驟5.2：將參數(shù)矩陣zn×2每列最大值記為最優(yōu)解z⁺，最小值記為最劣解z^-，通過計算各個解與最優(yōu)及最劣解之間的距離，對聯(lián)合接近程度進行排序從而以取值最大者為最優(yōu)折中解，具體計算公式如下：

式中：ci為第i個pareto解的聯(lián)合接近程度值，zi,j為第i個pareto解的第j類適應度修正值，其中第一類為節(jié)點電壓柔性適應度修正值，第二類為網(wǎng)絡(luò)損耗適應度修正值。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

1.本發(fā)明應用多場景技術(shù)表示系統(tǒng)運行時負荷的波動性并將場景結(jié)果加權(quán)求和，避免采用某具體負荷值代入優(yōu)化模型求解形成負荷轉(zhuǎn)供策略的特殊性，提高了模型的普適性。

2.本發(fā)明采用蒙特卡洛和多維聯(lián)合分布結(jié)合的方式進行場景生成，考慮了多個不確定變量之間的模糊關(guān)系，所生成的負荷場景能夠體現(xiàn)實際運行需求，具有科學性。

3.本發(fā)明引入工業(yè)過程系統(tǒng)中的柔性概念，利用節(jié)點電壓柔性表示系統(tǒng)運行的安全裕度，考慮了多電飛機系統(tǒng)對安全性和電能質(zhì)量的要求，同時結(jié)合網(wǎng)損最小化目標提出了考慮運行經(jīng)濟性與安全性的決策目標函數(shù)。

4.本發(fā)明采用改進nsga-ii算法求解模型，針對傳統(tǒng)nsga-ii算法在個體選擇的過程中引入輪盤賭策略與精英策略共存的方式，容易造成少數(shù)優(yōu)良個體在種群中迅速繁殖、降低種群多樣性的弊端，且在同一非支配層中沒有考慮個體周圍擁擠密度差別，容易產(chǎn)生重復個體，且算法計算步驟冗余等問題，提出了結(jié)合解密度信息的改進排序適應度策略、改進算術(shù)交叉算子、自適應交叉及變異概率以及改進分層策略，提高了算法的計算速度以及收斂性。

5.本發(fā)明采用topsis法選取pareto前沿的最優(yōu)折中解，具有很強的普適性和擴展性。

附圖說明

通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本發(fā)明的其它特征、目的和優(yōu)點將會變得更明顯：

圖1為boeing787配電系統(tǒng)結(jié)構(gòu)圖；

圖2為本發(fā)明中的方法流程框圖；

圖3為待機工況下各類負荷需求場景圖，其中“—”為負荷場景曲線，“*”為負荷典型數(shù)據(jù)；

圖4為改進nsga-ii算法的pareto前沿示意圖。

具體實施方式

下面結(jié)合具體實施例對本發(fā)明進行詳細說明。以下實施例將有助于本領(lǐng)域的技術(shù)人員進一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應當指出的是，對本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變化和改進。這些都屬于本發(fā)明的保護范圍。

根據(jù)本發(fā)明提供的應用于多電飛機停電負荷的多目標轉(zhuǎn)供策略柔性優(yōu)化方法，包括如下步驟：

步驟1：根據(jù)已有的各工況下負荷運行數(shù)據(jù)采用蒙特卡洛及多維聯(lián)合分布理論生成大量負荷場景，用以體現(xiàn)在某一工況下多電飛機電氣系統(tǒng)中各類負荷的隨機波動性，場景總數(shù)在1000至3000范圍內(nèi)；

步驟2：在保證負荷不確定模型精度的前提下，利用ward系統(tǒng)聚類法將步驟1中生成的大量負荷場景聚類削減為若干典型場景及對應概率，聚類后的典型場景數(shù)目一般不超過10類；

步驟3：根據(jù)多電飛機類型確定所研究的電氣系統(tǒng)結(jié)構(gòu)，構(gòu)建該系統(tǒng)在某工況運行時某位置的單臺發(fā)電機故障后的停電負荷轉(zhuǎn)供策略多目標非線性柔性優(yōu)化模型；

步驟4：考慮到優(yōu)化模型的決策變量眾多且目標函數(shù)與約束條件均非線性，對于步驟2場景削減后得到的系統(tǒng)在某一工況下運行時的各個典型負荷場景分別代入步驟3所述模型中，采用改進nsga-ii(non-dominatedsortinggeneticalgorithm-ii)算法求解步驟3所構(gòu)建的各個優(yōu)化模型，并將各場景下優(yōu)化得到的pareto前沿以場景對應概率為權(quán)重累加得到該工況運行時某位置發(fā)電機故障后的停電負荷轉(zhuǎn)供策略柔性優(yōu)化模型的pareto前沿；

步驟5：利用分類逼近理想解方法(techniquefororderpreferencebysimilaritytoidealsolution，topsis)處理步驟4得到的pareto前沿最終得到此時的pareto最優(yōu)折中解，即得出該工況下某發(fā)電機故障后的負荷轉(zhuǎn)供最優(yōu)策略。

步驟1中的所述利用蒙特卡洛及多維聯(lián)合分布理論生成多電飛機電氣系統(tǒng)負荷場景的方法，具體過程如下：

步驟1.1：定義同一工況下的運行的負荷數(shù)據(jù)集合分別為負荷總量為nl類，每個負荷集合中含有n個數(shù)據(jù)。其中集合p和集合q中的元素可表示為lp,i,lq,j(1≤i,j≤n)；

步驟1.2：對所有集合中的數(shù)據(jù)進行升序排序。以兩個負荷集合：集合p和集合q為例，利用式(1)依次計算兩兩集合各元素間的排行差分參數(shù)，形成差分集合d，第i個差分元素表示為di；

di＝lp,i-lq,i(1)

步驟1.3：將差分集合d帶入式(2)求解負荷變量之間的秩相關(guān)系數(shù)ρp,q；

步驟1.4：查閱秩相關(guān)系數(shù)檢驗臨界值表，得出兩組負荷數(shù)據(jù)之間在一定置信水平下的相關(guān)性系數(shù)rp,q；

步驟1.5：對同一工況下投運的所有負荷采用步驟1.1到步驟1.4的方法求出負荷之間的相關(guān)性系數(shù)，最終形成該工況下的負荷相關(guān)系數(shù)矩陣r；

步驟1.6：假設(shè)飛機在每一工況下的實際負荷數(shù)據(jù)與典型數(shù)據(jù)間的誤差近似服從正態(tài)分布。通過對各類負荷數(shù)據(jù)進行統(tǒng)計分析，得到在某工況下的各類負荷的典型數(shù)據(jù)以及其誤差的正態(tài)分布情況，第k類負荷數(shù)據(jù)按照式(3)表示為：

式中：為第k類負荷的典型數(shù)據(jù)，δlk表示第k類負荷的實際誤差且因此可以認為

步驟1.7：由于步驟1.6形成的某工況下的各類負荷均服從正態(tài)分布，即由各類負荷構(gòu)成的多維聯(lián)合分布的邊緣分布已知，因此可以推論此多位聯(lián)合分布服從多元聯(lián)合正態(tài)分布；

步驟1.8：根據(jù)各維度上的負荷分布的概率密度函數(shù)生成依次服從相關(guān)正態(tài)分布的蒙特卡洛隨機向量xi；

步驟1.9：對表征各維度負荷相關(guān)關(guān)系的相關(guān)系數(shù)矩陣r進行cholesky分解得到矩陣r′；

步驟1.10：計算得到場景si，si＝xi·r′，其中si＝(li,1,li,2,…,li,17)。

上述步驟2所述采用ward系統(tǒng)聚類法進行負荷場景削減以及形成場景概率，具體過程如下：

步驟2.1：將生成的若干場景各自作為一個集群，分別表示為ξi＝{si}∈s(1≤i≤ns)，根據(jù)式(4)計算每個集群的重心；

ns表示生成的場景總量，s為場景集合，ni表示集群i中場景總數(shù)。

步驟2.2：以任意兩個集群ξp,ξq合并后的重心作為合并后形成的新集群ξp∪q的中心，利用式(5)計算集群兩兩組合的離差平方和；

步驟2.3：若essp∪q為集群ξp與其余任意集群合并后的最小離差平方和，則集群ξp,ξq合并生成新的集群；

步驟2.4：重復步驟2.1到步驟2.3，直到集群數(shù)目不變終止；

步驟2.5：利用式(6)計算得出場景削減后聚類生成的典型場景概率。

nc為場景聚類數(shù)目，其中每一個集群所包含的原始場景數(shù)目為nk，相應的聚類集群中心即為待研究的典型場景sc,k(1≤k≤nc)，一般使得nc≤10。

上述步驟3所述構(gòu)建多電飛機在某工況運行時某位置的單臺發(fā)電機故障后的停電負荷轉(zhuǎn)供策略多目標非線性柔性優(yōu)化模型，具體步驟如下：

步驟3.1：根據(jù)boeing公司關(guān)于boeing787客機的參數(shù)手冊繪制boeing787配電系統(tǒng)結(jié)構(gòu)圖，見附圖1所示；

步驟3.2：以運行時的節(jié)點電壓幅值在電壓可行域內(nèi)與可行域邊界之間的距離表示系統(tǒng)此時的電壓安全裕度，定義此距離為節(jié)點電壓柔性，利用式(7)以最大化系統(tǒng)節(jié)點電壓柔性為優(yōu)化模型的目標函數(shù)之一，同時考慮到運行經(jīng)濟性要求，以最小化系統(tǒng)網(wǎng)絡(luò)損耗為優(yōu)化模型的另一個目標函數(shù)，具體表達式見式(8)；

f1為最大化系統(tǒng)節(jié)點電壓柔性指標，f2為最小化系統(tǒng)有功網(wǎng)損。而εi表示節(jié)點i的電壓柔性指標，εi∈[0,1]，ui表示節(jié)點i的電壓幅值，yij＝gij+jbij,δij分別表示節(jié)點i和j之間的導納矩陣系數(shù)和電壓相角差，其中δij＝δi-δj-αij；δi為節(jié)點i的電壓相角，δj為節(jié)點j的電壓相角，αij為節(jié)點i、j間的導納矩陣相角；

步驟3.3：設(shè)定系統(tǒng)運行需要滿足式(9)表示的潮流約束，式(10)表示的換流器方程及直流網(wǎng)絡(luò)基本方程約束，以及式(11)表示的安全運行約束；

pgi,qri分別表示節(jié)點i發(fā)出的有功和無功功率；pli,qli分別表示節(jié)點i的交流負荷有功和無功功率；而udk、idk分別為與節(jié)點i相連的直流節(jié)點k的直流節(jié)點電壓及直流節(jié)點電流，由于mea系統(tǒng)中不含逆變網(wǎng)絡(luò)，因此該項取負號；為換流器的功率因數(shù)角；sb、sd則分別為mea系統(tǒng)中的節(jié)點集合及直流節(jié)點集合。

d1k、d2k為換流器的基本方程，d3k為換流器控制方程，其余則為直流網(wǎng)絡(luò)基本方程，常規(guī)換流器的控策略主要有定電流、定電壓、定功率、定控制角以及定變比控制五類。一般地，在b787電力系統(tǒng)中主要采用定變比、定控制角及定功率的控制方式。其中，uk為表示節(jié)點k的電壓幅值,kdk表示直流節(jié)點k連接的換流變壓器變比，θdk為節(jié)點k的換流器控制角(觸發(fā)角或熄滅角)，xck為節(jié)點k連接的換流器換相電阻，kγ為換相重疊引入系數(shù)，一般取0.995；而gdjk為消去聯(lián)絡(luò)節(jié)點后的直流網(wǎng)絡(luò)節(jié)點k、j間的電導矩陣元素。

pgi,u,pgi,l分別為節(jié)點i上發(fā)電機發(fā)出的有功功率上下限值，而qgi,u,qgi,l則為節(jié)點i上發(fā)電機發(fā)出的無功功率上下限值，ui,u,ui,l分別表示節(jié)點i的電壓運行上、下限值，δui.u,δui.l分別表示ui,u,ui,l的最大期望裕度值，pij.u為節(jié)點i、j間線路輸送功率上限，

上述步驟4所述根據(jù)改進nsga-ii算法求解優(yōu)化模型，具體改進步驟如下：

步驟4.1：改進排序適應度策略；改進排序適應度策略在排序過程中綜合考慮個體的非支配排序值和支配層解密度，通過求和的方式為個體的新虛擬適應度賦值，按照式(12)求解新虛擬適應度。

ζk＝μk+ρk(12)

ζk表示第i層個體k的新虛擬排序適應度值，μk表示非支配排序值，而ρk表示非支配層個體k的上級支配層解密度。

步驟4.2：改進算術(shù)交叉算子；改進算術(shù)交叉算子結(jié)合種群個體pareto非支配排序信息產(chǎn)生依據(jù)算法收斂速度自適應變化的交叉算子，根據(jù)式(13)求解交叉算子。根據(jù)式(14)進行個體交叉。

μa為個體a的pareto非支配排序值，μb為個體b的pareto非支配排序值。在算法運行的前期，由于種群個體分布不均勻，交叉算子c的變化較大。然而隨著演變持續(xù)進化，子代群體中的個體將趨于同一pareto前沿，因此c將趨于常數(shù)0.5。

步驟4.3：自適應交叉及變異概率；自適應變異及交叉概率定義，當種群個體適應度趨于一致或局部最優(yōu)時，增加交叉及變異概率，反之適當降低，且對于精英個體則降低相應概率，使優(yōu)良個體能保留到下一代。依據(jù)式(15)及式(16)進行自適應交叉概率及自適應變異概率的計算。

fmax為種群中個體的最大適應值，favg為種群中個體的平均適應值，f為待交叉兩個體中的較大適應值，f′為待變異個體的適應值，pm1,pm2分別為交叉概率系數(shù)，pm1,pm2分別為變異概率系數(shù)。

步驟4.4：改進分層策略；改進分層策略在個體排序期間對已排序個體進行計數(shù)，當總量達到n時便停止排序，以提高算法的計算速度。

上述步驟5所述利用topsis選取pareto最優(yōu)折中解，具體步驟如下：

步驟5.1：分別采用式(17)及(18)對pareto解集中的各個解做雙目標值趨同化及歸一化處理，將二類目標函數(shù)值轉(zhuǎn)化為范圍為[0，1]的高優(yōu)指標形式，得到參數(shù)矩陣zn×2。

步驟5.2：以每列最大值為最優(yōu)解z⁺，最小值為最劣解z^-，通過計算各個解與最優(yōu)及最劣解之間的距離，并利用式(19)對聯(lián)合接近程度進行排序從而以取值最大者為最優(yōu)折中解。

下面結(jié)合附圖以及實施例對本發(fā)明中的技術(shù)方案做更加詳細的說明。

本實施例用于對一個具有4臺變頻啟動發(fā)電機，8臺配電及換流變壓器的20節(jié)點boeing787電氣系統(tǒng)在不同運行工況及不同發(fā)電機故障時的停電負荷轉(zhuǎn)供最優(yōu)策略計算。具體流程如圖2所示。

本實施例包括：多次采集boeing787電氣系統(tǒng)在待機、起飛、爬升、航行、下降、滑行以及著陸等7個不同工況下的含各類負荷運行數(shù)據(jù)，利用spearman相關(guān)性分析法構(gòu)建不同工況下投入的負荷相關(guān)性矩陣，分析實際負荷運行數(shù)據(jù)構(gòu)建不同工況下投入的各類負荷的典型數(shù)據(jù)及誤差分布，利用蒙特卡洛及多維聯(lián)合分布生成大量負荷場景，利用ward系統(tǒng)聚類對負荷場景進行場景削減得出若干典型場景及其對應概率值，構(gòu)建以最大化節(jié)點電壓柔性和最小化網(wǎng)絡(luò)損耗為目標、以潮流約束、換流器方程約束、直流網(wǎng)絡(luò)約束以及安全性約束為約束條件的多目標非線性優(yōu)化模型，利用改進nsga-ii算法求解得出系統(tǒng)在某工況運行時某位置發(fā)電機故障狀態(tài)下的停電負荷轉(zhuǎn)供策略的pareto前沿，利用topsis分析法得出此時的pareto最優(yōu)折中解。本實施例采用spss軟件進行數(shù)據(jù)分析，采用matlab進行算法編程。其中：

所述利用spearman相關(guān)性分析得出系統(tǒng)在不同運行工況下的投入負荷的相關(guān)性矩陣，以boeing787運行在待機狀態(tài)為例，計算過程如下：

分析具體運行需求，可知boeing787共有電力系統(tǒng)、環(huán)境控制系統(tǒng)、除冰保護系統(tǒng)、飛行控制系統(tǒng)、監(jiān)測系統(tǒng)、導航系統(tǒng)、駕駛艙和顯示系統(tǒng)、通信系統(tǒng)、客艙裝置、推進系統(tǒng)、額外燈光、防火系統(tǒng)、飛機數(shù)據(jù)記錄系統(tǒng)、著陸齒輪系統(tǒng)、航電網(wǎng)絡(luò)、作動系統(tǒng)以及能量系統(tǒng)等17類負荷在不同工況下投入部分或全部負載運行。所求boeing787系統(tǒng)在待機工況下的相關(guān)性矩陣如式(20)所示。

所述分析系統(tǒng)運行在不同工況下的投入負荷的典型數(shù)據(jù)及誤差分布，以boeing787運行在待機狀態(tài)為例，計算結(jié)果如表(1)：

表1待機工況下接入的各類負荷數(shù)據(jù)及誤差分布參數(shù)

所述利用蒙特卡洛及多維聯(lián)合分布生成負荷場景及利用ward系統(tǒng)聚類法進行場景削減，以boeing787運行在待機狀態(tài)為例，計算過程如下：

負荷多元聯(lián)合正態(tài)分布特點采用蒙特卡洛算法模擬生成1000個場景，并通過ward系統(tǒng)聚類法縮減至8個典型代表性場景，其場景圖如圖3所示，對應發(fā)生概率見表(2)。

表2待機工況下各類負荷需求場景概率表

所述構(gòu)建boeing787電氣系統(tǒng)在不同工況運行時不同發(fā)電機故障位置的停電負荷轉(zhuǎn)供策略多目標非線性優(yōu)化模型以及采用，以運行于待機狀態(tài)且按照圖1所示的節(jié)點1位置上的vsfg_l1發(fā)電機故障為例，計算過程如下：

根據(jù)飛機電能質(zhì)量標準mil-std-704f以及boeing公司專業(yè)手冊的相關(guān)要求，在本實施例中4臺vfsg的額定容量均為250kw，有功出力范圍為[50，225]kva，無功出力范圍為[5，25]kvar，對應230vac、115vac、270vdc以及28vdc電壓等級的節(jié)點電壓運行上下限依次為[208.0，244.0]v、[108.0，118.0]v、[250.0，280.0]v以及[22.0，29.0]v，各節(jié)點電壓相角上下限為[0°，10°]，換流變壓器換向電阻和控制角分別為0.25ω及17°，配電電纜單位長度電阻為電抗為3.71×10-3ω/m，單位長度電抗為3.28×10-9h/m，單位長度電感為3.28×10-12f/m。本算例中設(shè)定最大進化代數(shù)imax＝100，種群規(guī)模n＝80，eps＝0.01，交叉概率系數(shù)分別為pc1＝0.6,pc2＝0.9，變異概率系數(shù)為pm1＝0.05,pm2＝0.15。

基于boeing787在待機工況下的不同負荷場景及相應概率，應用改進nsga-ii算法求解在節(jié)點1的vsfg_l1故障后的負荷最優(yōu)轉(zhuǎn)供方案，運行100代后得到的pareto前沿如圖4所示。

所述利用topsis分析法求解pareto最優(yōu)折中解，以運行于待機狀態(tài)且按照圖1所示的節(jié)點1位置上的vsfg_l1發(fā)電機故障為例，計算過程如下：

應用topsis綜合分析法對上述pareto解集進行評價，計算得出對應最優(yōu)折中解如表(3)所示。與傳統(tǒng)直接將停電負荷轉(zhuǎn)移至某一正常工作發(fā)電機組供電的策略相比，可以明顯看出，優(yōu)化后的轉(zhuǎn)供方案有效減少33.30％系統(tǒng)網(wǎng)損，并將系統(tǒng)的節(jié)點電壓柔性指標提高了39.77％，不僅提高了運行經(jīng)濟性、滿足了部分負載對電能質(zhì)量的要求，而且有效擴大了系統(tǒng)運行的安全裕度。

表3采用優(yōu)化策略與傳統(tǒng)策略對比表

以上對本發(fā)明的具體實施例進行了描述。需要理解的是，本發(fā)明并不局限于上述特定實施方式，本領(lǐng)域技術(shù)人員可以在權(quán)利要求的范圍內(nèi)做出各種變化或修改，這并不影響本發(fā)明的實質(zhì)內(nèi)容。在不沖突的情況下，本申請的實施例和實施例中的特征可以任意相互組合。