浅析遗传算法在电力系统中的应用

李亚巍

摘 要：文章首先对遗传算法的基本概念进行阐述，然后对文献中提出的各类遗传算法在电力系统中的不同应用进行述评，分析了它们在不同电力系统问题中的应用特点及改进措施，促进遗传算法在该研究领域的进一步发展。

关键词：遗传算法；电网规划；无功优化；故障恢复；故障定位；优化调度

遗传算法是基于基因遗传学原理而实现的一种搜索算法，通过基因选择、生殖、交叉、变异，不断进化以接近最优解。随着电力系统规模的不断扩大以及复杂度的提高，传统求解方法暴露出越来越多的问题，遗传算法以其独有的特点和优势在电力系统有关问题的求解中异军突起，在电网规划、无功优化、故障恢复等问题中得到了广泛应用。

1 遗传算法概述

遗传算法首先要进行编码，编码的质量对求解有很大影响，通常选取二进制编码。由于数制转换的问题，也可用十进制。究竟哪一种编码更好，要根据具体的问题来决定。下一章中出现了诸如整数编码、十进制整数与实数混合编码的形式，都是针对特定的问题进行的相应调整。

适应度函数用来评价染色体的优劣，对算法的性能有一定的影响。下一章在算法应用时多将目标函数作为适应度函数。由于实际问题的复杂性，为了尽快找到最优解，常引入罚因子，以加速寻找最优解。

在遗传算法中，控制参数主要包括染色体的长度、种群的数目、遗传操作的概率等。实际中，控制参数的选择常依赖于经验。下一章中有对种群数目、交叉率及变异率取值的讨论，各文献提出了相应的解决方案，对各指标的合适取值进行了限定。

遗传算法的核心就是各种遗传操作方式，基本操作包括：（1）生殖：将适应函数值大的染色体直接复制到下一代。常用轮转法，方法相对公平，但受随机性的影响，可能会漏选当前最优个体。（2）交叉：互换两个染色体某一对应位置的符号，形成两个新染色体。（3）变异：将某一位或某几位基因值逆变，形成一个新染色体。保证种群中遗传基因的多样性。

相比于其它优化方法，遗传算法采用编码串进行操作，问题的表述和求解更为灵活，算法在整个解空间中寻优，具备全局搜索特性，不要求函数连续性和可导，适用范围更广。基于上述优点，近年来遗传算法已广泛应用于解决电力系统中的实际问题[1]。

2 遗传算法在电力系统中的应用

2.1 遗传算法在电网规划中的应用

文献[2]首次将遗传算法引入电力系统规划领域，提出了改善收敛性的有关措施。如将好的品种以100%的概率直接遗传到下一代；去掉一条线路时加入一条更优的线路等。算例分析中对种群数目、保留优良品种的数量以及交叉率的大小进行了探讨，具有较好的启发性。文献[3]利用整数编码，以添加线路回数作为决策变量。遗传操作采用模板以提高随机性，模板长度和染色体长度相同，模板与染色体中每个元素对应，模板单元的值为1时，染色体对应的元素参与操作，否则不变。染色体采用循环数组的结构。最后对18节点算例进行求解，计算时间提高了6-10倍，改进措施价值明显。文献[4]将协同进化思想引入配网规划，提出基于协同遗传算法的配网规划方案。多个种群之间使用不同的目标函数，采用不同交叉率和变异率，分别在不同解空间中进行搜索，各个种群之间通过优秀个体转移以达到协同进化的作用。最后算例的结果也验证了改进算法的价值。

2.2 遗传算法在无功优化中的应用

文献[5]采用十进制整数与实数混合编码。选择算子采用两两竞争策略，从父辈染色体中随机选取两个个体，保存优秀个体，淘汰较差个体。群体规模方面，前期使用大的群体规模，以获得更多解空间的信息，然后再还原到正常群体规模，有助于最优解的获得。基于基因片间的均匀杂交，充分发挥每个控制变量的作用。文献[6]引入移民和人工选择的思想，采用多种群遗传算法求解。各子种群进行不同的遗传操作，提高算法的全局搜索能力。子种群和精华种群之间进行双向流动，促进基因的传播。算例分析证明了多种群遗传算法在寻优效率和迭代次数方面的优势。文献[7]采用十进制整数进行编码，把模拟退火、模糊逻辑和免疫算法相融合，通过退火免疫方法对抗体进行选择，交叉和变异算子利用模糊逻辑获得，采用免疫系统的自我调节机制和免疫记忆功能提高遗传算法的全局搜索能力，提高种群多样性，避免陷入局部解。

2.3 遺传算法在其他电力系统问题中的应用

文献[8]将遗传算法用于故障定位，将个体分为雄性和雌性两类，异性之间进行远缘繁殖。引入助长算子，对种群个体进行一定概率的助长。针对配电网呈辐射状的特点，基于分级处理的思想，将全部配网分为主干支路和若干独立区域，分别进行故障定位，然后全局寻优，显著减少了计算量。文献[9]利用遗传算法求解电力系统有功优化调度。求解分两步，先用遗传算法确定机组组合，再用等微增率求解负荷的优化分配。求解机组组合时，将约束条件分开处理，或直接在遗传操作中考虑，或用惩罚函数加到目标函数中，有效提高了计算速度。文献[10]将遗传算法用于求解故障恢复，提出改进小生境遗传算法，构造多目标故障恢复模型，包括网络损耗、节点最低电压幅值、负荷恢复量和开关操作次数，对问题进行优化，显著改善了解的收敛性。

上述文献列举了遗传算法在电力系统中的广泛应用，可以看到这些应用并不是单纯的套用标准遗传算法的计算流程，而是针对电力系统中实际存在的问题，进行相应调整，这些改进的遗传算法在实际应用中均表现出了很好的收敛性，具有实用价值。

3 结束语

文章首先介绍了遗传算法的基本概念，然后结合具体文献，分述了遗传算法在电力系统不同领域中的应用。着重介绍了遗传算法在电网规划以及无功优化方面的发展，同时也囊括了遗传算法在故障恢复、经济调度、故障定位等方面的应用。值得注意的是，遗传算法也存在自身的缺点和不足，因此在实际应用中，往往会根据实际情况进行相应改进，实例证明这些改进方法是可行而且有效的。

参考文献

[1]李长河.人工智能及其应用[M].北京：机械工业出版社，2006：286-309.

[2]王秀丽，王锡凡.遗传算法在输电系统规划中的应用[J].西安交通大学学报，1995，29（8）：1-9.

[3]岑文辉，赵庆，戴文祥.遗传算法及在电网规划中的应用[J].电力系统及其自动化学报，1995，7（2）：1-9.

[4]盛四清，王浩.用于配电网规划的改进遗传算法[J].电网技术，2008，32（17）：69-72.

[5]张粒子，舒隽，等.基于遗传算法的无功规划优化[J].中国电机工程学报，2000，20（6）：5-8.

[6]周双喜，郑智，等.基于多种群遗传算法的无功规划[J].电力系统及其自动化学报，2007，19（6）：66-71.

[7]刘科研，盛万兴，李运华.基于改进免疫遗传算法的无功优化[J].电网技术，2007，31（13）：11-16.

[8]严太山，崔杜武，陶永芹.基于改进遗传算法的配电网故障定位[J].高电压技术，2009，35（2）：255-259.

[9]石琦，等.遗传算法在电力系统日有功优化调度中的应用[J].电力系统及其自动化学报，2002，14（2）：56-59.

[10]马志刚.基于改进小生境遗传算法的配电网故障恢复[M].河北：华北电力大学，2009.