基于改进遗传算法的无功优化.pdf

《基于改进遗传算法的无功优化.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第34卷第3期东北电力大学学报Vol_34．No．32014年6月JournalOfNortheastDianliUniversityJun．，2014文章编号：1005—2992(2014)03-0048—06基于改进遗传算法的无功优化尹星月，闰旭2，刘欣2，汪春龙(1．东北电力大学电气工程学院，吉林吉林132012；2．长春供电公司，长春130000；3．牡丹江供电公司，黑龙江牡丹江157000)摘要：遗传算法的基础上对其局限性进行改进，使该算法在电力系统无功优化的应用中具有一定优越性。通过改进编

2、码和选择算子，自适应的交叉变异概率等策略，并引入基于模拟退火策略的适应度函数和混沌算法，使得改进遗传算法高速、准确的收敛于最优解，改善了传统遗传算法易陷入收敛性差、效率低的弊端。在此基础上建立无功优化数学模型，介绍了该算法具体实现步骤，并将其应用于IEEE30节点，证明所提算法是可行和有效的。关键词：无功优化；遗传算法；混沌算法；收敛性中图分类号：TM733文献标识码：A无功优化是通过调节发电机端电压、可调变压器变比和并联补偿电容器等设备，使得电网在满足安全性约束的条件下，实现有功损耗最小化。无功优化

3、问题是一个离散的、有约束非线性组合优化问题，在这一研究领域内已有多种方法。如粒子群算法、模拟退火法，混合混沌算法等等，但这些算法或多或少的存在运算速度慢、计算量大、收敛性差等诸多问题。本文针对以上问题提出遗传算法(GA)与混沌算法结合的方法，将混沌搜索应用于遗传算法中进行混合优化，具体操作方式是遗传算法种群进行一次迭代(选择，交叉、变异)之后，随机抽取染色体总数目的三分之一进行混沌搜索，并将所搜索到的值与原值进行比较，优于原值则保留，否则维持原值。除此之外，比较所有遗传算法中的染色体，将最优染色体取代

4、最差染色体，这样既可以提高遗传算法的精度，又不失染色体多样性。最后应用于与IEEE30节点测试系统中，最终得到较优结果。1算法简介1．1遗传算法遗传算法是由美国的Holland于20世纪70年代提出的一种概率搜索算法，它模拟自然界生物进化机制随机化搜索，可以有效地利用已有的信息处理来搜索那些有希望改善解质量的串。适用于处理传统搜索方法难于解决的复杂优化问题。遗传算法运算过程包括编码，选择，交叉，变异等。1．1．1编码编码是遗传算法中首先要面对的问题，通过编码把待求问题的可行解转换成遗传算法中的染色体，

5、待求解和染色体要逐一对应，才能把求解的问题代入遗传算法。最常用编码方式的是二进制编码和实数编码，它是由二进制符号0和1对求解的问题进行编码，染色体的构成是包含0和1的一个字符串。收稿日期：2014—03—10作者简介：尹星月(1990一)，女，吉林省吉林市人，东北电力大学电气工程学院在读硕士研究生，主要研究方向：电力系统无功优化及静态电压稳定．第3期尹星月等：基于改进遗传算法的无功优化49无功优化的控制变量为发电机机端电压、无功电容补偿器的出力以及可调变压器分接头变比，编码形式如下：[，⋯IQ，Q⋯Q

6、cⅣI，⋯]其中，，晓⋯为发电机机端电压；Q，Q晓⋯Q为并联电容器无功出力；T，⋯为可调变压器分接头变比。1．1．2适应度函数在遗传算法中，解的优劣程度用适应度函数进行评估。由于求解的问题有所不同，适应度函数的设计也有所差异，适应度通常是目标函数的一个函数。适应度高的个体遗传到下一代的几率就很大，相反适应度小的个体就容易被淘汰，通过每一代个体对适应度的评估，适应度高的个体逐步占满种群。本文参考文献[5]选取了基于模拟退火策略的适应度函数。模拟退火算法来源于固体退火原理，将固体加温至充分高，再慢慢冷却。

7、加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。适应度函数如下：1Fitnessexp()，(1)系数t为模拟退火温度，初始设定为5．0，算法每迭代一次，t乘以一个系数，更新一次，如：t=t×0．99，(2)在这种算式下，适应度不仅取决于目标函数F的值，而且与迭代次数也有关系。但t的存在使得后面产生的个体出现F值大，适应度值也大的情况。这一措施，有利于保护较优个体。由于t值的系数很小，因此只会影响到较优的个体，而不会

8、导致那些很差的个体因为t而使适应度函数值过大。1．1．3选择选择也常常被称作复制，通过对适应度函数的评估，使适应度好、生命力强的个体遗传到下一代，通过选择算子(通常为基于适应度的函数)对整个种群执行优胜劣汰的操作。选择操作是为了避免有用遗传信息在群体进化过程中被丢弃，提高全局收敛性和计算效率。常用的选择算子有赌轮盘选择均匀排序选择、最佳保留选择。本文采用赌轮盘选择(P。=F／∑F)，其中F为第i个个体适应度，∑F为种群适应度之和。1．1．4交叉在自然界中