基于改进遗传算法的配电网架无功优化规划

《基于改进遗传算法的配电网架无功优化规划》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于改进遗传算法的配电网架无功优化规划任旭阳华北水利水电大学电力学院摘要：提出一种改进的遗传算法应用于配电网网架优化规划的方法。选取发电机端电压、变压器档位和无功补偿容量作为控制变量形成染色体，随机产生包含N个染色体的种群，并且验证染色体对应的具体数值的电力网络潮流计算满足收敛条件，通过改进的遗传算法对该种群运算，产生新的染色体种群，经过一系列循环计算，最后得到使0标函数最优的染色体，将该染色体转化成具体的数值输出。并用一个经典的案例验证丫算法的可行性；同时通过和常规遗传算法对比，证明了算法的优越性。关键词：改进遗传算法;无功优化;潮流计算;作者简介：任旭阳（1991-）,女，

2、硕士研究生，控制工程专业，研究方向：电力系统规划与安全运行。ReactivepoweroptimizationplanningbasedonimprovedgeneticalgorithmRENXuyangSchoolofElectricPower,NorthChinaUniversityofWaterResourcesandElectricPower;Abstract：Thearticleintroduceaimprovedgeneticalgorithmaboutfacereactivepoweroptimization.Achromosomeiscomposedofgen

3、eratorvoitage、transformertappositionandreactivecompensationcapacity.,theygeneratedatrandomapopulationcontainingNchromosomes.Tverifyifthefiguressatisfytheconditionofconvergencebyloadflowcalcuiation.Theiprocessdatabytheimprovedgeneticalgorithmtogenerateagroupofchromosomes,afterloopcomputation,

4、Icangettheoptimalsolution.Andtheimprovedgeneticalgorithmisusedinclassiccase.Themethodisdemonstratedtobebetterbycontrastingwithgeneticalgorithm.Keyword：improvedgeneticalgorithm;reactivepoweroptimization;loadflowcalcuiation;0引言随着科学技术的进步和经济的不断发展，电力系统不断向超高压、长距离、大容量方向发展。现代电网规模庞大、结构复杂、电压等级高，在运行中一旦

5、发生事故，会给国民生产带来严重的损失。因此，电力系统的经济安全运行円益受到重视。降低网络损耗、提高供电质量、保证系统安全、提高经济效益己成为电力部门面临的实际问题，也是电力系统研究的主要课题之一。本文研宄的内容是系统稳态运行时，有功潮流给定的情况下的无功运行优化问题。本文将有功损耗为目标函数，利用改进的遗传算法、最优保存策略、Metropolis判别准则的复制操作，取得了较好的优化效果。1配电网架优化的数学模型本文采用的目标函数为系统有功网损最小，同时将状态变量（节点电压及发电机无功出力）写成罚函数形式。其数学模型如下。目标函数：罚函数:约束条件:等式约束为节点功率平衡方程式:

6、式中:P,、Q,为节点i处注入的有功、无功功率;V：、V.,为节点i,j的电压幅值;G&Bp(hj分别为节点之间的电导、电纳电压相角差。控制变量不等式约束方程式为：状态变量不等式约束为:式中:L为可调变压器分接头位罝;Q(i为容性无功补偿容量;V。为发电机机端电压;\为节点电压;Qq为发电机无功出力。2遗传算法的改进2.1编码策略本次研宄中依据控制变量连续离散兼有的特点，引入混合编码的方式。用整数表示变压器分接头档位和无功补偿装置投入的组数，染色体用二进制编码，用实数表示发电机机端电压的实际值，染色体用浮点数表示。两类取值均在艽规定的变化范围之闪。取发电机端电压、无功补偿容量

7、、变压器分接头位置，表示成染色体：2.2适应度函数适应度函数要反映无功优化的A的和要求，为适应A标函数取最小值的特点，根据编码的特点在不同阶段选择不同的适应度函数。网架优化的目标函数是年总费用最小，属于最小值优化的问题，因此，木文采用的适应度函数如下。交叉操作适应度函数:式中，f(x)是适应度函数，Cw是一个足够大的数，以保证适应度的值为非负;F(x)是目标函数。变异操作应度函数：2.3选择选择是遗传算法的关键，它模拟了生物进化过程中自然选择的规律。选择是由某种方法从从群体中选择N个个体放入