在线客服

咨询热线

遗传算法在电力系统无功优化中的应用

作者:未知

  摘要:文章主要针对遗传算法在电力系统无功优化中的应用进行分析,结合遗传算法,从遗传算法优化措施与在电力系统无功优化中的运用进行深入研究与探索,更好促进电力系统无功优化效率快速提升。
  关键词:遗传算法;电力系统;无功优化
  通常情况下,电力系统无功优化问题有着多变量、多目标、多约束等混合非线性特征,优化变量在有连续性变量(节点电压)的同时,也有离散性变量(无功补偿装置),这也促进了电力系统无功优化复杂性相对较强,而离散变量也使得电力系统无功优化难度不断提升。这时常见数学优化措施不能符合全局优化需求,仅可实现局部优化。在无功优化期间补偿电容器与变压器进行分组投切时,为控制离散变量提供了有力支持,进而促进了遗传算法的运用。
  1遺传算法
  所谓遗传算法就是针对自然界中遗传选择与适者生存进化过程进行科学模拟的计算模型,属于随机搜索方法中的一种,具有群体搜索方法、群体中单体数据信息交换、不以解题信息为基础进行搜索、适应性与全局搜索性较强等特征[1]。在科学技术快速发展作用下,作为全局优化搜索方法的遗传算法,可有效解决传统搜索方法存在的各种非线性问题,使得遗传算法在机器智能化发展、人工智能、组合优化等工作中有着重要作用与地位,这也致使遗传算法逐渐成智能计算的核心技术。
  2电力系统无功优化
  当前针对电力系统无功优化已经具有丰富的解决方法,即常规无功优化方法(线性设计方法、非线性设计方法等)以及人工智能分析方法。在客观因素影响下,这些无功优化方法中也存在着两种主要难点:首先,计算期间无法确保所有数据为凸函数,导致各种算法结果最终转变为局部最优解法;其次,电力系统中大多数控制变量(例如并联补偿电容器投切、变压器调节分头等)具有较强的离散性,经过传统方法处理后获得的各种控制变量中经常存在一定不足。
  3电力系统无功优化中遗传算法的运用
  电力系统使用遗传算法进行无功优化时,遗传算法主要为电力系统中的初始解,各种条件对其都具有约束与限制作用。接着利用适应数据明确函数评价的优势与不足,将较低适应值函数评价进行清除,将高适应值函数特征有效传递至下一次分析中,通过不断轮回计算得到最优解。通常情况下,对于最优价没有较多约束与限制时,利用简单遗传算法就可快速得到最优解。若想要获得真正意义上的最优解,其计算时间则相对较长。当前电力系统无功优化使用遗传算法时,主要是将遗传算法与其它算法结合使用。
  3.1编码环节
  使用遗产算法求解相应问题期间,应在位串空间上映射应问题后才可进行遗传处理,也就是根据需求对变量实施编码。常见编码方式主要为十进制与二进制两种,其中二进制编码操作具有较强直观性与简洁性,这也使得其在电力系统无功优化计算中有着较高运用频率。而在计算连续性问题时则会出现效率与精准度冲突现象,使得计算数据快速不断提升。使用十进制编码,计算效率与求解精准度不仅会快速提升,而且与其它算法的有机整合效率也相对较强。
  3.2选择环节
  所谓选择就是根据实际需求在整体中明确优势较高个体,同时将存在不足个体进行清除,其主要以适应度评估为核心逐渐形成。当个体适应性较强时,所具有的选择几率也就相对较高,常见选择方法可分为三种:
  首先,轮盘赌选择方法。由于个体具有较强适应值,因此其选中概率也就相对较大,这也有展示出自然生态选择中的“适者生存”理念,也是现阶段经常使用的选择方法。轮盘赌选择方法缺点为若存在超级个体时,会出现早熟收敛问题。
  其次,排序选择方法。这种选择法主要是结合个体具有的适应度进行排序,并以排序情况进行科学的选择,这就使得所有个体适应度与选择概率之间没有直接关系,仅与排列序号存在关联。排序选择方法的优势为可避免超级个体引发早熟收敛现象,而不足则是排类序号与个体选择概率之间的关系应提前明确,这也导致统计误差问题的出现。
  最后,两两竞争选择方法。随机在上一代计算处理个体中选择两组个体,对比个体适应度,保护适应度较高个体,清除较弱个体[2]。这种选择方法不仅可以促进配对数据库中所有个体在求解期间具有较强分散特征,还可确保进入配对库中的个体具有较大适应值。
  3.3交叉环节
  交叉就是根据相应的交叉率(0.6-0.9)将一组个体中的部分结构进行替换处理,在利用重组方法形成全新的个体,这也是遗传算法获得具有较高优势个体的主要方法。先结合电力系统无功优化实际需求随机选择较差位置,接着在将两个选择后的个体基因结构进行交换。其中均匀交叉、两点交叉以及一点交叉是交叉方法主要组成结构。
  4遗传算法的优化
  在科学技术不断发展作用下,遗传算法以及在电力系统无功优化中有了广泛的运用。通常情况下,只有参数数量在30以下的小电力系统无功优化中使用遗传算法。而想要在大规模电力系统无功优化期间使用遗传算法,就需要通过科学技术不断创新与完善遗传算法。通过无功功率分层分块优化控制技术与电力系统灵敏度分析等措施,从基础上调整遗传算法,确保算法沿着创新途径运行,不断提高越限处理效率,强化遗传算法针对性,为计算速度的提升创建科学条件。
  5结束语
  综上所述,科学运用遗传算法可有效促进无功优化最优解效率快速提升,进而确保电力系统运行具有较强安全性与稳定性。同时在电力行业发展期间,电力系统规模也不断增加,这就需要针对遗传算法进行优化与创新,为强化电力系统无功优化效率提供有力支持。
  参考文献
  [1]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.
  [2]范宏,蒋焱彬,陈斯,左路浩,周献远.考虑负荷不确定性的多目标交直流系统无功优化[J].电测与仪表,2018,55(10):52-56.
转载注明来源:https://www.xzbu.com/6/view-14912692.htm