遗传算法在无功优化方面应用及其改进
来源:用户上传
作者:
摘要：简要说明无功优化的重要性，较为全面的综述了运用遗传算法进行无功优化的研究现状，以算法改进方法分类综述。最后，对未来遗传算法在无功优化方面的研究方向提出自己的想法。
关键词：无功优化;遗传算法;改进方法
Abstract：Thisstudybrieflyillustratestheimportanceofreactivepoweroptimization，andcomprehensivelysummarizestheresearchstatusofreactivepoweroptimizationusinggeneticalgorithmanditsimprovedclassification.Finally，somesuggestionsonthefutureresearchdirectionofgeneticalgorithminreactivepoweroptimizationareputforward.
Keywords：reactivepoweroptimization;geneticalgorithm;improvedmethod
随着时间的推移，经过国内外学者的研究，涌现出越来越多的无功优化算法。其大致分为经典优化算法和人工智能算法。经典优化算法主要有线性规划法、非线性规划法、动态规划法、混合整数规划法等;人工智能优化算法主要有：遗传算法、模拟退火法、粒子群算法、神经网络算法、蚁群算法等。
本文主要对遗传算法在无功优化领域研究现状及其应用进行总结，并对未来研究提出建议。
1遗传算法基本原理
遗传算法是模拟自然界优胜劣汰，适者生存择优法则的一种随机搜索算法。遗传算法采用概率性、多路径搜索，通过对变量编码后的编码串进行操作，取代了对变量的直接操作，进而可以提高处理离散变量的能力。由于遗传算法是多路径寻优，所以遗传算法具有很强的全局搜索能力，同时具有很强的鲁棒性、并行计算能力。但遗传算法局部收敛能力较差，计算速度较慢，计算精度较低等缺点。
2改进遗傳算法及其应用
2.1改进自身的遗传算法
2.1.1编码方式的改进
遗传算法的编码方式有很多种，不同的编码方式有不同的特点，根据实际需要选择合适的编码方式。目前常用的编码方式有：二进制编码，浮点数编码，实数编码、格雷编码、混合编码。
文献[1]提出利用整实数混合编码方式，即：利用实数编码对连续变量进行编码，同时采用整数编码对离散变量进行编码。克服了传统二进制编码在编码长度较短时精度较差，在编码长度较长时搜索空间过大，过度占用内存的缺陷。
2.1.2遗传算子的改进
选择操作是随机确定某一区域，将该区域内优良个体选择出来，经过多次操作，最后由选择出的优良个体集合作为下一代种群。传统的选择方法常采用赌轮盘选择法，其基本原理是个体被选中的概率随着适应度值的增大而增大。由于选择的随机性，可能会使适应度较大的个体遭到破坏。
文献[2]提出最优保存策略基本思想是当代中最优个体不再进行变异等操作，避免最优个体在交叉、变异操作过程中遭到破坏，影响算法的最终优化结果。
遗传算法主要依靠交叉操作产生新个体。交叉操作是通过两个父代个体依据一定的规则将染色体的部分结构进行交换从而产生新个体，同时也是遗传算法产生优良个体的主要途径。常用的交叉方法有：单点交叉、两点交叉、均匀交叉等。
文献[3]采用分段函数的形式设置交叉率，即：以较小的交叉率保护较好的个体遭到破坏，以较大的交叉率淘汰较差的个体，从而加快遗传算法的优化进程，优化算法的性能。
变异操作是以很小的概率改变种群中个体的基因值，从而产生从未有的基因信息或者恢复某些遭到破坏的基因信息。变异操作不仅可以维持种群多样性，而且可以提高遗传算法跳出“早熟”的能力。
文献[4]提出采用自适应变焦变异，即：较好的个体缩小变异范围变异概率，较差的个体放大变异范围和变异概率，既能维持种群多样性，又能避免算法陷入“早熟”。
2.2遗传算法与其它算法结合
2.2.1小生境遗传算法
小生境遗传算法的基本原理是在预选机制和分享机制或排挤机制的前提下完成选择操作，将每一代个体划分为若干个子种群，在每个子种群中选择优良个体组成新的种群，在每个种群内部及其它种群之间进行信息交流生成下一代个体。
文献[5-6]将小生境技术与遗传算法结合，不仅提高了遗传算法的局部搜索能力，而且解决了遗传算法后期收敛较慢的问题，既节省时间，又可提高搜索效率。
2.2.2蜜蜂进化型遗传算法
蜜蜂进化型遗传算法基本原理是在遗传算法与蜜蜂繁殖进化机制相结合。充分发挥发挥蜂王在蜂群进化过程中的积极作用，通过引入其他种群蜜蜂的方法来保持种群多样性，提高算法跳出局部最优解的概率。
文献[7]将蜜蜂进化机制与遗传算法相结合，采用自适应选择算子，在优化过程中及时更新算法搜索空间，从而有效提高算法的搜索效率。通过引入驱逐算子，维持优化后期的种群多样性。
2.2.3免疫遗传算法
免疫遗传算法是由免疫算法与遗传算法相结合的一种传统遗传算法改进的方法结合两种算法的优点，有效提高传统遗传算法局部搜索能力较差的问题。免疫算法是模拟生物免疫系统对有害病菌多样性识别的算法，由于免疫算子具有选择性、目的性、针对性，所以可以很好的克服陷入“早熟”的问题，并且免疫算法具有较强的全局搜索能力。
文献[8]提出免疫遗传算法是由于引入免疫机制发展而成的，依据抗体与抗原之间的亲和度，最终取得最优解。由于优化过程中很好的维持种群多样性，进而改善算法跳出局部最优解的能力。同时因为免疫系统记忆细胞的存在，还能加快搜索速度，使得算法的性能得以提升。 2.2.4模拟退火遗传算法
模拟退火遗传算法的基本原理是在算法优化过程中，模拟退火法不仅可以接受较好的解，还有一个以随机接受准则为基准的较差的解，且接受较差的解的概率逐渐趋于零，从而使算法避免陷入“早熟”，最终取得全局最优解，但是模拟退火法需要多次迭代，影响算法优化效率。其中，在算法优化过程中，退火温度控制算法的优化方向，初始温度越高，退火速度越慢，找到全局最优解的概率就越大。
文献[9]在交直流混合输电系统的无功优化问题中采用模拟退火遗传算法。在优化过程中，将遗传算法的遗传算子与模拟退火法的状态产生函数相结合。模拟退火法在优化过程中实现状态全局变化以及局部趋向移动，改善算法的性能。文献[10]提出在模拟退火遗传算法的基础上引入灵敏度分析法，通过衡量和减少无功对网损的影响，缩小解的区域，从而提高算法的运行效率。
2.2.5内点法和遗传算法相结合
内点法依据惩罚函数，沿着某条搜索路径在内部可行域内均做一次搜索，从而获得最优解。内点法具有搜索速度快、鲁棒性强的特点，擅长解决连续问题。遗传算法通过随机搜索求得全局最优解，在解决离散问题上有明显的优势。由于无功优化问题既有连续变量，又有离散变量，所以二者结合，可大幅改善优化效果。
文献[11]提出采用新的混合策略求解无功优化问题。该策略首先采用内点法求得问题的初始解，然后將问题划分为连续问题和离散问题，分别用内点法和遗传算法交替求解，二者相互利用，充分发挥两种算法的优点。经仿真系统验证，该混合策略在搜索速度和收敛速度都有明显的改善。
3结语
本文主要介绍遗传算法在无功优化方面的应用及其改进方法。依据改进遗传算法的手段分为两大类：遗传算法自身参数的改进及遗传算法与其它算法相结合。多数学者选择改进算法自身参数，而将遗传算法与其它算法相结合的研究相对较少。因为混合遗传算法的优化效果较为明显，所以在未来遗传算法在无功优化方面的应用及其改进，遗传算法与其它算法相结合的混合算法有很大的发展空间。
参考文献：
[1]武晓朦，封园.采用改进遗传算法的配电网无功优化[J].西安石油大学学报（自然科学版），2015，30（03）：95-99+11.
[2]李宏阳.基于改进遗传算法的风电场无功优化控制策略研究[D].沈阳工业大学，2018.
[3]陈宁，牛蔚然，张健，王坤，代二刚，韩蓬.基于遗传算法的配电网无功补偿优化研究[J].电子设计工程，2017，25（06）：58-61.
[4]何宏，曹晔.改进遗传算法在电力系统无功优化中的应用[J].无线互联科技，2012（07）：201+203.
[5]宋佳航，孟涛，张海峰，刘亚东，罗锋.基于小生境遗传优化算法的配电网无功优化[J].电气开关，2017，55（04）：63-66.
[6]毛荀，夏俊丽，张旭昶，罗亚桥.基于改进小生境遗传算法的小水电网无功优化系统开发[J].水电与新能源，2015（04）：33-37.
[7]杨晨.基于蜜蜂进化型遗传算法的电力系统无功优化[D].河北大学，2013.
[8]柴浩，梁洪元，杜鹏，王惠宁.基于免疫遗传算法的电力系统无功优化[J].农业科技与装备，2015（08）：30-33.
[9]黄俊辉，汪惟源，王海潜，李海坤.基于模拟退火遗传算法的交直流系统无功优化与电压控制研究[J].电力系统保护与控制，2016，44（10）：37-43.
[10]王旭斌，李鹏，窦鹏冲.基于改进遗传模拟退火算法的电网无功优化[J].陕西电力，2013，41（07）：40-44.
[11]刘方，颜伟，DavidC.Yu.基于遗传算法和内点法的无功优化混合策略[J].中国电机工程学报，2005（15）：67-72.
转载注明来源:https://www.xzbu.com/1/view-14705332.htm
