面向智慧小镇建设的机房电气管线多目标优化布置方法

张 威

（北京北控京奥建设有限公司，北京102199）

北京延庆区作为2022年冬奥会的场地，需要以科学技术为背景，打造一个以绿色能源为中心，以物联网智能感知技术为骨架的数字云小镇。由于我国还没有建设该类城镇的经验，因此在这个过程中，不可避免地需要重新设计电气管线的排布，使其能够适应物联网感知技术的应用，并能够在协调调配电力资源的基础上，降低村镇地下施工对电力系统与管线埋设的不良影响[1]。

文献[2]总结分析了以往的电气管线优化布置方法，以此提出了一个包括年平均管线损耗、管网弹性力比较、电力幅域加权平均值的指标分析，并将这些指标分别进行变量优化，构成了一个优化算法，但是这种算法缺乏有关于管线的电气特性指标，难以与电气布置相融合，实用性较差。文献[3]将BIM 技术应用于建筑管线布置中，可以直观展示管线综合排布及机房局部布置，简化了建筑电气管线网络的设计步骤，但该方法运算量较大，有待进一步完善。文献[4]为了解决建筑环境中的多管道布局问题，设计了一种基于概率选择生成的初始路径管道，并采用协同进化和人工蜂群算法进行求解，研究了人工蜂群协同进化算法在多管道自动布局中的应用，但该算法只能针对单目标进行分析，无法解决过于复杂的问题。

本文基于以上文献，基于多目标优化的算法，提出了一种机房电气管线的布置方法，实现了对管线布置的安全性优化，并设计实验，验证该算法的性能优于常规的3 种算法。

1 设计机房电气管线布置方法

1.1 设置电气管线约束条件

在智慧小镇内，由于地理环境的特殊性，能够对电气管线的安全性构成威胁的指标主要包括电压均值、单位时间内电流量、电气管线损耗恢复能力。设计机房电气管线的布置优化方法，需要提前分析以上3 点指标的约束条件，并建立约束优化模型，式（1）～式（3）为这3 点约束指标的计算方法。

式中：Fu表示电压均值在电气管线优化布置中的适应度；np表示该模型中电气管线的总数量，一般将其分为横向管线与纵向管线2 种；Ii表示电气管线的电流均值；Ri表示电气管线的总电阻[5]。在计算以上电压均值的过程中，需要综合考虑管线所能够承受的电流量与电线总电阻的问题，除此以外，管线长度也是可以影响电压均值的指标之一。在计算单位时间内电流量时，可以通过式（2）计算其适应度。

式中：Fi表示在单位时间内一段管线能够流通的电流量的适应度；np表示该模型中电气管线的总数量，一般将其分为横向管线与纵向管线2 种[6]；Ti表示电气流通管线对其造成的压力；Sp表示管线的总长度，以米做单位[7]。电气管线损耗恢复能力的适应度计算如式（3）所示。

式中：Fs表示电气运行时管线损耗恢复能力的适应度；Fumax表示电气运行时管线的电压均值最大值，其取值范围为［0，1］；Fumin表示电气运行时管线的电压均值最小值，其取值范围为［5，8］；Fi表示电气运行时管线的电流量均值；Ir表示电气运行时管线的电阻均值[8]。除此以外，还需要详细设置管线之间的夹角系数、线头松动指数、周边土体平衡量等系数，使多目标规划过程中的评价不会受到这些系数的干扰。

1.2 优化管线布置全局搜索

在设计电气管线的多目标优化布置时，可以适当以安全性为基础，约束电气流速的平衡条件，保证其能够处于正常值的范畴。在适应度函数中加入以上函数，以保证得到的算法能够求得全局最优解。结合上文中设置的优化目标，可以得到管线优化的取值范围为Si=｛S1，S2，…，Si｝[9]。其中，S1表示第一个优化的全局目标，以此类推Si表示第i个优化的全局目标。在针对性地进行目标优化时，可以适当使用编码的方式进行管线直径的计算与优化[10]，其编码方式如图1所示。

图1 电气管线优化编码Fig.1 Optimal coding of electrical pipelines

如图1所示，在电气管线中设置初始的连接状态，可以通过设定连接集解的方式，在双序列的编码中，I1和I2表示在该段电气管线中电流信息编码的具体信息[11]，U1和U2表示在该段电气管线中电压信息编码的具体信息。在I1和I2之后，还有若干个电流信息编码，直至编码到Ii，再重新倒序编码，返回到I2和I1[12]。电压编码中同样如此，在U1和U2之后直至Ui，然后从Ui返回到U2和U1。这样的编码形式被称为电气管线的初始信息，也可以称其为基因编码。想要实现管线布置的全局搜索最优解，需要将以上编码交叉操作，将其优点互相杂交，直至出现一种效率更高、条件更好的解，其交叉操作的方式如图2所示。

图2 编码交叉优化Fig.2 Coding cross optimization

如图2所示，经过交叉编码后，得到的编码结构可能会发生优化现象，也有可能会出现回退现象，此时就需要将被优化后的编码挑选出来，集中在一个外部档案中，以便随时查看与计算[13]。同时还可以将交叉过后的档案集解通过种群迭代的方式传递到下一代，通过增加新个体的方式增强全局最优解的搜索效率。

1.3 建立多目标优化电气管线模型

根据上文中的内容，设计智慧小镇中机房电气管线的多目标优化流程如图3所示。

图3 算法设计流程Fig.3 Algorithm design flow chart

综上所述，想要实现多目标的机房电气管线布置优化，就像也要根据以上约束条件建立规划目标，同时通过管线模型实现目标函数的优化，其数学模型可以表示为

式中：g1和g2可以表示目标函数的约束条件。将其进行多目标优化的条件累计[14]，可以得到：

式中：xij表示从节点i到节点j中的管线参数，n表示管线的个数[15]。且通常情况下，当xij大于0 时，则表示从节点i到节点j存在多条管线，当xij等于0时，则表示从节点i到节点j存在一条管线，当xij小于0 时，则表示从节点i到节点j不存在管线。

2 实验与分析

2.1 实验准备

本实验根据以上设计的多目标优化布置方法，对其在智慧小镇机房中铺设的电气管线安全性能进行探究，并与常规的3 种方法相对比，判断该多目标优化的方法是否存在安全性能的优化。将文中设计的多目标优化方法设置为实验组，将常规的3种方法设置为对照组1～对照组3。在工程设计的软件中设置20 根横向与纵向的管线，其中两两一组，将横向的管线设置为L 组，将纵向的管线设置为M组，并将其分别编号如图4所示。

图4 机房电气管线铺设简图Fig.4 Schematic diagram of electrical pipeline laying in machine room

如图4所示，横向管线与纵向管线交叉的集中区域为电气管线的节点，本实验共有4 个节点。在多目标优化的算法中设置初始种群数量为200，循环次数为1000，假设每次循环后向种群中添加10个新的个体。将以上1000 次循环实验作为数据集，并在交叉验证中分成若干个不同的组别，以N重交叉验证的方式验证该管线布置方法的解集优化程度。

2.2 算法测试

为了测试文中设计的多目标优化算法与常规的3 种算法的适应性，将其运用在机房电气管线布置的实验中，分别将以上数据集分为5 份与10 份，并计算其适应参数。

根据表1 和表2 中的测试结果可知，在五重交叉验证中，实验组数据集的平均适应度为47.776，而3 个对照组的平均适应度分别为41.932、40.386、40.462。在十重交叉验证中，实验组数据集的平均适应度为58.835，而3 个对照组的平均适应度分别为52.393、51.796、50.988。因此可知文中设计的多目标优化算法更好，能够适应不同情况下的机房电气管线布置，使项目施工更安全。

表1 五重交叉验证Tab.1 Five-fold cross-validation

表2 十重交叉验证Tab.2 Ten-fold cross-validation

2.3 机房电气管线布置安全性测试

使用计算机计算在一切理想的前提下，图3 中机房电气管线布置完成后的安全指标，然后使用文中设计的多目标优化方法，得到该方法下的量化评价指标。接着将常规的3 种优化方法同样应用在该目标下，得到如图5所示的管线布置安全性测试结果。

图5 管线布置安全性测试Fig.5 Safety test of pipeline layout

根据图5所示的管线布置安全性测试可知，量化指标在1000 次迭代中有着不同的结果，4 组实验的实际指标与最优指标对比结果如表3所示。

如表3 可知，实验组的平均量化指标最贴近最优指标，因此可以得到判断：文中通过多目标优化算法得到的机房电气管线布置方法拥有更好的安全性能，可以在工程施工时有更好的安全防护效果。

表3 结果对比Tab.3 Comparative results

3 结语

为了实现安全性能的提升，设计一个基于多目标优化的机房电气管线布置方法，并设计实验模拟该种方法在电气管线工程中的作用。通过对比实验可以得知，这类多目标优化的电气管线布置算法优于常规的三种管线布置方法，能够更贴合实际的管线布置工程。同时，其在实际应用时，安全性的量化指标也更贴合理论的最优指标。因此可知，该种基于多目标优化的管线布置方法实现了其优化目的，提高了管线布置的合理性与科学性。