遗传算法在洛阳地区电压无功优化中的应用.pdf

遗传算法在洛阳地区电压无功优化中的应用 洛阳供电公司：r-Yl萍钱伟 1引言 电力系统的无功优化可以有效地降低网络损耗，并提高系统的电压合格率，从而降低网络运行费 用，提高供电质量，对提高电网运行的经济性和稳定性具有重大意义。无功优化问题是一个多变量、多约 束的混和非线性规划问题，其操作变量既有连续变量又有离散变量，使得优化过程十分复杂。在电网中， 电抗器、电容器投切和发电机无功出力的改变必定会改变无功潮流分布，从而引起全网的网损变化，因此 需要采用全局最优算法来对全网进行无功优化。 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。 这类算法的核心思想源于这样的基本认识：生物进化过程是从简单到复杂、从低级向高级的过程，是自然 的、并发的、稳健的优化过程，这一优化过程的目标是对环境的自适应性，生物种群通过遗传变异来“优 胜劣汰”物种，从而达到进化的目的。遗传算法具有适用范围广、寻优能力强、程序实现简单等 优点，适合于求解类似无功优化等复杂非线性优化问题。 为提高洛阳地区的电网的安全运行水平，提高电压质量、降低网络损耗，减轻值班人员劳动强度， 本文把遗传算法应用于洛阳地区的无功优化系统中，实践证明该方法实用性强，离散设备动作次数少，设 备动作合理，能够有效的降低网损和提高电压合格率。 2遗传算法的特点 遗传算法最早由美国密执安大学的Holland教授提出，起源于60年代对自然和人工自适应系统的研 究。70年代De Jong基于遗传算法的思想在计算机上惊醒了大量的纯数值函数优化计算实验，在一系列研 究工作的基础上，80年代由Goldberg进行归纳总结，形成了遗传算法的框架。 遗传算法是一类可用于复杂系统优化计算的鲁棒搜索算法，与其他算法相比，主要有以下几个特 点： (1)遗传算法以决策变量的编码作为运算对象。在优化计算过程中可以借鉴生物学中染色体和基因的 概念、可以模仿自然界中生物的遗传和进化等机理，特别是对一些无数值概念或很难有数值概念、而只有 代码概念的优化问题，编码处理方式更显示出了其独特的优越性。 (2)遗传算法直接以目标函数值作为搜索信息。对很多目标函数无法或很难求导数的函数以及组合优 化问题的处理显得比较方便，因为它避开了函数求导这个障碍。再者，直接利用目标函数值或个体适应度， 也使得我们可以把搜索范围集中到适应度较高的部分搜索空间中，从而提高了搜索效率。 (3)遗传算法同时使用多个搜索点的搜索信息。从由很多个体所组成的初始群体开始最优解的搜索过 程，对这个群体进行选择、交叉、变异等运算，产生出新一代的群体，在这之中包括了很多群体信息。这 些信息可以避免搜索一些不必搜索的点，所以实际上相当于搜索了更多的点，这是遗传算法所特有的一种 隐含并行性。 (4)遗传算法使用概率搜索技术。其选择、交叉、变异等运算都是以一种概率的方式来进行的，从 而增加了其搜索过程的灵活性。虽然这种概率特性也会产生一些适应度不高的个体，但随着进化过程的进 行，新的群体中总会更多的产生出许多优良的个体，实践和理论都已证明了在一定条件下遗传算法总是以 概率l收敛于问题的最优解。 3遗传算法在无功优化的应用 37 基于遗传算法的无功优化程序流程框图如图所示，每一部分的说明如下： (1)拓扑分析等初始化处理 主要有三组数据： a状态估计软件产生的拓扑数据和状态估计结果。 b实测系统的状态。 C控制设备的状态和参数(包括变压器和无功补偿设备)。 通过这些参数，把电力系统当前的状况描述出来。 (2)产生初始群体 把变量数值转化为一个对应的二进制码，根据给定的个体数，在控制变量(包括节点电压Vi，电容 器的投切档位Dci，电抗器的投切档位Dri和变压器分接头的可调档位Bi)的上下限范围之内随机产生一组 群体，并按程序要求开辟数据存放单元来保存数据。 (3)解码，计算初始潮流 将个体解码还原为变量值，并按还原值修正网络参数变量。将群体的控制变量解码后， 用P—Q分解法进行潮流计算，求出潮流结果，如各节点的电压幅值、相角、PV节点无功出力、 支路电流等，计算优化前的网损和电压合格率。 拓扑分析等初始化结果