遺傳算法在電力系統無功優化中的應用

喬君

摘? 要：科學運用遺傳算法可有效促進無功優化效率快速提升，進而確保電力系統運行具有較強安全性與穩定性。同時在電力行業發展期間，電力系統規模也不斷增加，這就需要針對遺傳算法進行優化與創新，為強化電力系統無功優化效率提供有力支持。

關鍵詞：遺傳算法;電力系統;無功優化

隨著我國電力工業已經步入了大電網、高電壓和大機組的時代，電力負荷和電網容量迅速的增加，電網損耗、電壓合格率等技術指標日益受到電力部門的重視，無功優化是保證電力系統安全、經濟運行的一種有效手段，是降低電力網絡有功損耗、提高電壓質量的重要措施。遺傳算法（Genetic Algorithm， GA） 是一種模擬生物進化的智能算法，借鑒生物遺傳機制的一種隨機化搜索方法，其主要特點是群體搜索和群體中的個體之間的信息交換，被廣泛應用于求解各類問題。遺傳算法近年來在優化技術領域有了很大的發展，它具備適用范圍廣，尋優能力強，程序實現相對簡單等優點，對于一些大型、復雜非線性系統，更表現出了比傳統優化方法更加獨特和優越的性能，適合于求解類似于無功優化等復雜非線性優化問題。

1遺傳算法

所謂遺傳算法就是針對自然界中遺傳選擇與適者生存進化過程進行科學模擬的計算模型，屬于隨機搜索方法中的一種，具有群體搜索方法、群體中單體數據信息交換、不以解題信息為基礎進行搜索、適應性與全局搜索性較強等特征[1]。在科學技術快速發展作用下，作為全局優化搜索方法的遺傳算法，可有效解決傳統搜索方法存在的各種非線性問題，使得遺傳算法在機器智能化發展、人工智能、組合優化等工作中有著重要作用與地位，這也致使遺傳算法逐漸成為智能計算的核心技術。

2無功優化介紹及典型方法

電力系統無功優化的目的是通過調整電網中無功潮流的分布來降低有功損耗，并且保持較好的電壓水平。

2.1 電力系統無功優化概述。

電力系統無功優化的基本思路是[3]：在電力系統有功負荷、有功電源及有功潮流分布已經給定的情況下，以發電機端電壓幅值、無功補償電源容量和可調變壓器分接頭位置作為控制變量，而以發電機無功出力、負荷節點電壓幅值作為狀態變量，應用優化技術和人工智能技術，在滿足電力系統無功負荷的需求下，謀求合理的無功補償點和最佳補償容量，使電力系統安全、經濟地向用戶供電。無功優化涉及到無功補償裝置投入地點的選擇、無功補償裝置投入容量的確定、有載調壓變壓器分接頭的調節和發電機端電壓的配合等，是一個帶有大量約束條件的非線性規劃問題。建立無功優化分析模型的思想是：在滿足各種設備和電網運行闡述的約束條件下，充分運用現有無功調節手段，如調節發電機的無功輸出、改變己有無功補償設備（電容器）的投切容量和調節有載調壓變壓器分接頭的基礎上，以投入最少無功補償設備的投資為目的，實現電網無功功率的合理分布。

2.2 無功優化的數學模型

電力系統的無功優化問題是一個多變量、多約束的混合非線性問題。電力系統無功優化數學模型分析方法大致包括：線性規劃方法、非線性規劃方法、混合整數規劃方法、動態規劃法。這些數學模型是通過確定目標函數、等式約束條件和不等式約束條件來建立模型求取最優解。無功優化雖然是個非線性問題，但是可以采用局部線性化的方法，將非線性目標函數和安全約束逐次線性化。自1984年KarmarKar提出用于線性規劃的內點法以來，各種形式的內點法被大量引入電力系統的研究中。另外，混合整數規劃方法能夠有效地解決優化計算中變量的離散性問題。該方法是通過分支-定界法不斷地定界以縮小可行域，逐步逼近全局最優解。動態規劃法是研究多階段決策過程最優解的一種有效方法，它按時間或空間順序將問題分解為若干互相聯系的階段，依次對它每一階段做出決策，最后獲得整個過程的最優解。

3電力系統無功優化中遺傳算法的運用

電力系統使用遺傳算法進行無功優化時，遺傳算法主要為電力系統中的初始解，各種條件對其都具有約束與限制作用。接著利用適應數據明確函數評價的優勢與不足，將較低適應值函數評價進行清除，將高適應值函數特征有效傳遞至下一次分析中，通過不斷輪回計算得到最優解。通常情況下，對于最優解沒有較多約束與限制時，利用簡單遺傳算法就可快速得到最優解。若想要獲得真正意義上的最優解，其計算時間則相對較長。當前電力系統無功優化使用遺傳算法時，主要是將遺傳算法與其它算法結合使用。

3.1編碼環節

使用遺產算法求解相應問題期間，應在位串空間上映射后才可進行遺傳處理，也就是根據需求對變量實施編碼。常見編碼方式主要為十進制與二進制兩種，其中二進制編碼操作具有較強直觀性與簡潔性，這也使得其在電力系統無功優化計算中有著較高運用頻率。而在計算連續性問題時則會出現效率與精準度沖突現象，使得計算數據快速不斷提升。使用十進制編碼，計算效率與求解精準度不僅會快速提升，而且與其它算法的有機整合效率也相對較強。

3.2選擇環節

所謂選擇就是根據實際需求在整體中明確優勢較高個體，同時將存在不足個體進行清除，其主要以適應度評估為核心逐漸形成。當個體適應性較強時，所具有的選擇幾率也就相對較高，常見選擇方法可分為三種：

首先，輪盤賭選擇方法。由于個體具有較強適應值，因此其選中概率也就相對較大，這也有展示出自然生態選擇中的“適者生存”理念，也是現階段經常使用的選擇方法。輪盤賭選擇方法缺點為若存在超級個體時，會出現早熟收斂問題。

其次，排序選擇方法。這種選擇法主要是結合個體具有的適應度進行排序，并以排序情況進行科學的選擇，這就使得所有個體適應度與選擇概率之間沒有直接關系，僅與排列序號存在關聯。排序選擇方法的優勢為可避免超級個體引發早熟收斂現象，而不足則是排類序號與個體選擇概率之間的關系應提前明確，這也導致統計誤差問題的出現。

最后，兩兩競爭選擇方法。隨機在上一代計算處理個體中選擇兩組個體，對比個體適應度，保護適應度較高個體，清除較弱個體[2]。這種選擇方法不僅可以促進配對數據庫中所有個體在求解期間具有較強分散特征，還可確保進入配對庫中的個體具有較大適應值。

3.3交叉環節

交叉就是根據相應的交叉率（0.6-0.9）將一組個體中的部分結構進行替換處理，在利用重組方法形成全新的個體，這也是遺傳算法獲得具有較高優勢個體的主要方法。先結合電力系統無功優化實際需求隨機選擇較差位置，接著在將兩個選擇后的個體基因結構進行交換。其中均勻交叉、兩點交叉以及一點交叉是交叉方法主要組成結構。

3.4遺傳算法的優化

在科學技術不斷發展作用下，遺傳算法以及在電力系統無功優化中有了廣泛的運用。通常情況下，只有參數數量在30以下的小電力系統無功優化中使用遺傳算法。而想要在大規模電力系統無功優化期間使用遺傳算法，就需要通過科學技術不斷創新與完善遺傳算法。通過無功功率分層分塊優化控制技術與電力系統靈敏度分析等措施，從基礎上調整遺傳算法，確保算法沿著創新途徑運行，不斷提高越限處理效率，強化遺傳算法針對性，為計算速度的提升創建科學條件。

4結束語

通常情況下，電力系統無功優化問題有著多變量、多目標、多約束等混合非線性特征，優化變量在有連續性變量（節點電壓）的同時，也有離散性變量（無功補償裝置），這也促進了電力系統無功優化復雜性相對較強，而離散變量也使得電力系統無功優化難度不斷提升。這時常見數學優化措施不能符合全局優化需求，僅可實現局部優化。在無功優化期間補償電容器與變壓器進行分組投切時，為控制離散變量提供了有力支持，進而促進了遺傳算法的運用。

參考文獻

[1]李宏陽.基于改進遺傳算法的風電場無功優化控制策略研究[D].沈陽工業大學，2018.

[2]范宏，蔣焱彬，陳斯，左路浩，周獻遠.考慮負荷不確定性的多目標交直流系統無功優化[J].電測與儀表，2018，55（10）：52-56.