基于遗传算法的电力负荷分配方法

摘 要：不同供电线路的用电负荷分配的合理与否，对企业用电费用有着直接的影响。文章以历史用电数据为基础，利用遗传算法，为企业寻找最优化的电力负荷分配方案提供了解决方法。

关键词：MD电费；最大需求负荷；电力负荷分配

引言

企业用电电费由基本电费及实际用量电费两部分组成。基本电费主要由契约（最大）用电负荷（MD）决定。用电企业的每月用电量的峰值决定了当月MD电费。按照定义，有功电表以连续15分钟稳定最大负荷记录作为本月实际负荷的最大值，且只进不退，按此值对照MD进行收费。文章以某钢铁厂用电数据为例，下文简称冷轧薄板厂，做如下分析。按照供电合同电力公司对冷轧薄板厂T1、T2两路供电线路分别收取MD费用。如图1所示，其中N1至N13共13个用电单元的电力负荷可以在T1线路及T2线路之间自由切换。其中13个用电单元的电力负荷具有完全不同的负荷特性。冷轧薄板厂供电线路系统如图1所示。如何最优化分配电力负荷，如何尽可能的让负荷平稳，这是文章研究的方向。

2 遗传算法简介

众所周知，在进化过程中，每个种群将会面临一系列复杂的变异和环境选择，只有能适应环境变化的变异体才能继续生存下去，同时，对于生存有利的突变会随着存活下来的个体的染色体传给其下一代。在遗传算法中，用一组染色体的集合模拟解的集合，用评价函数来模拟自然筛选。通过评价函数而筛选存活下来的解可以进行“产生突变的繁殖”，产生不同的下一代解集，然后再对下一代解集用评价函数进行筛选，选出下一代最优解，并与上一代最优解进行比较，看哪一个更合适，合适的那个解再用来繁殖下一代，如此反复，直到得出符合要求的最优解。其实现方法如下：（1）根据具体问题确定可行解域，确定一种编码方法，能用数值串或字符串表示可行解域的每一解。（2）对每一解应有一个度量好坏的依据，它用一函数表示，叫做适应度函数，适应度函数应为非负函数。（3）确定进化参数群体规模、交叉概率、变异概率、进化终止条件。

3 遗传算法在电力负荷分配中的应用

3.1 收集历史数据

本案例收集了2013年4月冷轧薄板厂的13个用电单元的每分钟用电数据用以模拟历史工单模型。

3.2 参数设置

求解的遗传算法的参数设定如下：

种群大小：M=40

最大代数：G=15

交叉率=1，交叉概率为1能保证种群的充分进化。

变异率=0.1，一般而言，变异发生的可能性较小。

3.3 实验结果

采用matlab编程，计算机代入历史数据，运行15代，历时约100分钟，运行结果如下。（1）如图2所示种群MD平均值及最优值均处于下降趋势，其中种群MD平均值由24.47MW下降至24.16MW。种群最优值由23.98MW下降至23.86MW。（2）從第15代运行结果可以得出，排列在前11位的最优排列，对应两种排列组合方式，如下：

4 结束语

根据上述的电力负荷最佳分配方式，冷轧薄板厂在1#、2#主变间重新分配用电单元，通过2014年3月至8月的试验运行，总MD平均值由原来的24.45MW降至24.06MW，与仿真结果相符，平均每月为冷轧薄板厂节约支出电费3.2万元，效果喜人。

作者简介：刘兆炼（1981-），2004年6月毕业于上海电力学院，学士学位，2013年起就读上海交通大学机械与动力工程学院工程硕士，现就职于宝山钢铁股份有限公司，三电技术区域工程师，职称：工程师。