混合遗传-模拟退火算法在有功最优潮流计算中的应用.pdfVIP

电工数学进展 =△丑△＆垃§避签．选至l自也叠丛趔塑§趟鲢 一坦塑 混合遗传一模拟退火算法在有功最优潮流计算中的应用 包海龙 陈章潮 (上海交通大学电气工程系．上海200030) 摘要 本文冉涯台遗传一攮搬鼍火算法应用千电力系统有功量优■蕾计算。并对算法中的黼■、韧蛤化方 法以及变长度编码的仿真等方面盎行了研究．通过对胁30节点系统的舅试，证啊了谖算法的有效性． 关t字；有功量优黼遗传算法横挂鼍火算法漫台遗传一攮撤墨火算法 1前言 最优潮流问题(0砸malpow日Flow—OPD，通常可以利用高压电阿的物理特性给予解耦处 理，使之分解成两个子问题，即有功最优潮流(∞PF)和无功量优潮漉(Q姗．传统的优化算 法，如非线性瘦划、线性规划、二次规划算法，在处理此类问息时，存在着两方面的局限性z 其一，算法的有效性与初始点的选择有关，一旦初始点选择不当，将使算法堆以收敛：其=， 采用基于梯度的寻优方法，在很多情况下会陷于局部最优而不是全局量优． 模拟进化优化方法但vo嘶olIⅢyAl鲷咖m一队)是近年来发晨起来韵一种随机优化技术，它 将自然界中的“物竟天择、优胜劣汰”的进化方法应用于工程实际问曩，有效地克服了传统优 化算法的缺陷，取得了理想的效果．目前，已有文献介绍了EA在电力系统量优潮流计算方面的 应用：石立宝等n】将进化规划∞涮恤彻aIyPro鲫m—EP)引入有功量优潮流计算中：马晋我等瑚 提出用遗传算法(G∞舐c^lg口油m—G^)求解电力系统无功优化问曩．然而，由于自身理论发晨 的不完善性，EP和GA在实际应用中仍然存在着一些不足之处，如收敛效果不佳，优化结果穗 定性较差等．针对这些问题，当前较为流行的解决方法是将GA和模搬运火算法(S面d由d- AI烈柚雌舢■∞ach—HGsA)，K．Pwm一将该算法引入电力系统优化领域，成功地解决了经济 调度问题和火电机组的启停计划。 本文将在前人研究的基础上，利用HGSA求解有功最优潮流问置口姗，并对算法中的群 规模、初始化方法以及变长度编码的仿真等方面进行了研究． 2混合遗传一模拟退火算法的基本原理 2．1遗传算法 GA是一种自适应的随机搜索优化方法，其基本思路是：初始产生一些方案，通过方案间信 息的交叉和变异产生新方案，并按某一标准作出取舍，如此重复直至求揭满意的解．GA主要由 编码、初始化、评价、选种和基因操作等步骤组成，每个环节的具体含义可参阅文献【51． ．160， 2．2模拟退火算法 SA模拟熔融物体的退火过程来寻求问题的最优解，其核心思想是“概率接受准则”：即每 次迭代产生的新方寨，如果优于旧方案，则直接接受它；如果不如1日方案，则按一定的概率予 以接受。M曲Dpolis提出了如下接受准则： P=曲(，，唧(一％]) 式中，P为接受概率；△F=F’一F为新旧方案间的评价函数值之差：瓦是第．i}次迭代的温度 水平，可由下式给出： 疋=，‘。1’瓦 (2) 其中，丁为初始控制温度，可根据具体情况选取，一般和评价函数值在同一数量级； r是降温 系数，一般取为(O．90～099)。 23混合遗传一模拟退火算法 HGSA将上述两种算法相结合：以GA控制寻优方向，从而加快搜索进程；用SA解决局部 收敛问题，以提高搜索精度．这一算法具有较高的效率和广泛的适用性l 3有功最优潮流(P_0PF)的数学模型 3．1目标函数 本文以全系统的功率总耗量最小作为目标函数： 簟 碍1 ‘ (3) F=蜕z(圪)=∑eq磁+以％+cf