基于改進遺傳算法的油田配電網無功優化
加入技術交流群
選擇是最具有自然進行特色的操作之一，它是從所有母體中選取部分個體組成繁殖庫的過程。作為交叉和變異的前提，選擇過程應保證越優良的個體越有較大的幾率被選中，而適應值低的個體漸漸被淘汰，即所謂的“優勝劣汰”。
選擇操作是建立在對個體的適應度評價的基礎之上，有時直接關系到收斂速度問題。采用兩兩競爭的選擇策略，首先從群體中隨機選取兩個個體比較適應度，將其中適應度最高的個體遺傳到下一代群體中；然后將上述過程重復M次，就可得到繁殖庫所需的M個個體。
該種選擇策略使每個個體入選繁殖庫的概率與其適應值不直接成比例。所以它能使群體在解空間上有較好的分散性，使得個別大適應度值的個體在種群中不會出現大量繁殖的現象，同時又保證了加入繁殖庫中的個體有較好的適應值。另外兩兩競爭選擇策略對個體適應度是否取正值無特別要求，因此可直接用問題的目標函數當作適應度函數。
由于選擇、交叉、變異等遺傳操作的隨機性，為了防止在進化過程中得到的最優個體被其破壞，采取保存最優個體策略，即當前群體中適應度最高的個體不參與交叉和變異運算而直接進入下一代，該策略的實施保證算法的收斂。
3．3 交叉和變異算子的改進
交叉是遺傳算法中尋找最優個體的最主要手段，也是遺傳算法區別于其他優化方法的主要標志。變異是避免“近親繁殖”，保持群體多樣性，實現多路徑搜索，以避免局部收斂，恢復丟失的或尋找尚未得到的優良信息的主要工具，它是以較小的概率使密碼串中的某碼位產生突變。
傳統遺傳算法中交叉率Pc和變異率Pm取值是恒定的，在處理復雜的多變量優化問題時效率不高，并且存在“早熟”的可能性。為此采用自適應遺傳算法，自適應PC、Pm能夠提供相對某個解的最佳Pc、Pm。該算法在保持群體多樣性的同時，可保證遺傳算法的收斂能力，有效提高其優化能力。
3．3．1 交叉方式的改進
在交叉方式上，把個體適應度大于群體平均適應度的個體對應于較低的交叉率，使該解得以保護進入下一代：對于低于平均適應度的個體，相對于較高的交叉率，使該解被淘汰。在自適應遺傳算法中，交叉率按式(7)進行自適應調整：本文引用地址：http://www.104case.com/article/188666.htm
式中：Pc1為上一代群體交叉率；Rc2為下一代群體交叉率；fmax為群體中的最大適應度值；fav為群體中的平均適應度值；f′為準備交叉的2個個體中較大的適應度值。
3．3．2 變異方式的改進
類似于交叉操作，這里采用改進的自適應遺傳算法。變異率Pm按式(8)進行自適應調整：
式中：Pm1為上一代群體變異率；Pm2為下一代群體變異率。
3．4 終止判據的改進
遺傳算法對初始解沒有要求，一般是通過預先設置進化代數來結束循環的，為了防止對于預先設置的代數還沒有收斂，可以在產生初始解的同時，用部分約束條件來檢驗，將不滿足條件的解重新生成，直到達到群體規模。
在遺傳算法迭代求解過程中，有時最優解可能在未達到最大遺傳代數的時候就已經出現，此時應及時從迭代過程中跳出。針對這種情況提出了最大遺傳代數N與最優個體適應值連續保持不變的最小保留代數Np相結合的終止迭代準則，在給定的遺傳代數限定范圍內來搜索最優解，并確定該解經過后面的多次迭代后仍為最優，則退出進化。否則繼續搜索，直到滿足最優個體最小保留代數為止。如果在最大遺傳代數N限定范圍內沒有滿足最優個體最小保留代數的解，則輸出當前得到的最優解。
4 計算實例
為驗證改進算法的有效性，對比計算實際油田配電網的無功優化。該實際配電網是10 kV變電所向外供配電的輻射狀配電網絡，有47個節點，46條支路，變壓器18臺，電容補償點5個。用前推回代法計算初始潮流結果為：有功網損251．68 kW，網損率5．83％，電壓合格率72．5l％采用傳統的遺傳算法和改進的遺傳算法對其計算，計算結果如表l所示。
從表l計算結果可看出，優化前初始網損率為5．83％，而且大部分節點電壓較低。分別使用傳統遺傳算法和改進遺傳算法進行無功優化，不僅可降低全網的有功損耗和網損率，降低全網的運行費用，而且帶來更高的節點電壓合格率，實現以最少的投入來獲取最佳電壓質量和顯著經濟效益的目標。同時從表l還可看出，改進遺傳算法具有更快的尋優速度，從而可以提高計算效率，節省計算時間。算例結果驗證了改進遺傳算法的實用性和有效性。
5 結語
針對油氣田配電網無功優化的特點，對傳統遺傳算法主要在選擇操作、交叉和變異算子、終止判據等核心操作上進行改進。改進的遺傳算法繼承了傳統遺傳算法的優點，克服了傳統遺傳算法容易不收斂或早熟、收斂速度慢等方面的不足，在油田配網無功優化補償中獲得了較好的效果。通過算例的計算表明該改進遺傳算法是有效可行的。
評論