配电网重构中遗传算法编码策略的研究
基于遗传算法的Pareto多目标配电网重构
基于遗传算法的Pareto多目标配电网重构向佳炜;刘建华【摘要】Distribution network reconfiguration is a multi-objective optimization project,but it is generally used for single-ob-jective optimization. Therefore,a genetic algorithm based on the ecological niche idea is put forward in this paper to improve the distribution network’s economical efficiency,security and power supply reliability,in which Pareto optimizing way is adopted to obtain Pareto optimal solution and realize a different optimizing way,i.e. optimization before decision. In the period of optimiza-tion,the global convergence ability and convergent velocity of the genetic algorithm was improved by the ecological niche envi-ronment,and self-adaptive mechanism of the crossing-over rate and mutation rate. The effectiveness of this approach was proved by a case study.%配电网重构一般采用对单一目标优化，而配电网重构却是一个多目标优化问题。
配电网规划中改进遗传算法的应用研究
配电网规划中改进遗传算法的应用研究【摘要】配电网规划是配电网建设的基础，对于配电网运行、调度的优化有着重要意义，所以，采取合适的算法提高配电网规划水平十分重要。
本文结合作者多年工作经验，在介绍遗传算法、模拟退火算法和禁忌搜索算法的基础上，分析了改进遗传算法在配电网规划中的具体应用。
【关键词】改进遗传算法；配电网规划；电源规划；遗传算法配电网规划是在给定的负荷值和电源规划的基础上，结合当前的电网结构，设计最合理的线路对配电网进行扩建或改进，在保证电力系统安全稳定的前提下，最大程度地降低配电网运行的成本，提高配电网配电、输电和用电的效率，有效降低配电网线损率，提升配电网运行的经济性。
1 配电网规划中的几种算法1.1 遗传算法遗传算法是一种优化复杂函数的算法，是在1975 年由Holland 提出的，通过利用目标函数来探索最优的方向，整个计算过程中不需要进行求逆、求导等运算，能够随时加入约束条件，在多目标优化、整数非线性规划等方面应用较为广泛。
在遗传算法当中，其操作的对象是参数编码而非参数自身，可以在同一时间段内搜索多个点的编码，其编码过程是遵循随机转换规则的。
但是，遗传算法的缺点也十分明显，由于此算法中变异概率过小，染色体引入的机会过少，导致其局部搜索能力差，容易出现不可行解和早熟现象等问题。
1.2 模拟退火算法模拟退火算法是通过接受或放弃系统能量状态变化的信号来使其逐渐趋于稳定的一种算法，其基本原理是当系统能量从E1变化为E2，如果E1>E2，则系统会接受此状态；反之则随机丢弃或接受。
在经过多次迭代后，整个系统分布状态会逐渐稳定。
在模拟退火算法当中，初始值与最终状态、算法解之间都没有关系，是一种随机性全局最优化的方法，在计算过程中可以并行计算，具有渐近收敛的特性。
1.3 禁忌搜索算法禁忌搜索算法是在局部邻域搜索算法基础上发展出的一种算法，其通过利用禁忌表记录的方式，将一些搜索过程中发生的局部最优过程或最优点列入禁忌搜索的范围，缩小下一次搜索的范围，有效解决了局部邻域搜索算法的不足。
D-基于粒子群遗传算法的配电网络重构
2013年电力系统自动化学术研讨会论文集基于粒子群遗传算法的配电网络重构纪建伟，田志(沈阳农业大学 信息与电气工程学院， 辽宁省沈阳市 110161）摘要：配电网络重构是配电自动化的重要组成部分，也是优化网络，降低有功损耗的重要手段。
本文提出了一种多目标优化模型，针对单一算法求解问题的局限性，结合遗传算法的进化思想和粒子群算法的记忆性，提出了粒子群遗传算法，同时引入混合编码策略，对相应遗传操作进行改进，并通过线性权重法获得目标的搜索方向。
通过对IEEE69节点测试系统进行计算和分析，结果证明了该算法对于求解配电网重构问题的有效性和可行性。
关键词：配电网络重构；粒子群遗传算法；多目标优化0 引言配电网连接着输电网和用户网两部分，从输电网或地区发电厂接受电能，通过配电设施就地分配或按电压逐级分配给各类用户网，这是电力系统中线路最紧密的地方。
同时又因为配电网中电压等级相对较低，所以会在配电网上消耗大量的有功功率，有数据显示，配电网上损耗的有功功率占全部线路损耗的60%[1]。
因此通过配网重构方式降低配电系统的有功损耗，对减少全网网损有着重要帮助。
传统意义上的配电网网络重构是使配电网一直保持在辐射状运行状态，同时还满足馈线热容，电压降落和变压器容量等约束条件下，通过改变网络中存在的分段开关与联络开关的开闭状态组合状态 来进行重构并优化现存网络拓扑，使得配电系统内某一项或者多项目标达到最优状态，以改善配电网的潮流分布，从而达到降低系统网损、均衡系统负荷和改善电压质量的目的。
1配电网网络重构问题描述1.1 目标函数配网重构的优化目标函数有很多种，常见的有：1）以系统有功网损最小为优化目标函数 ： ∑=+=ni i i i U Q P Ri f 1222min 1 （1） 式中U i ,Q i ,P i ,R i 分别为配电网中第i 条支路的母线电压、无功功率、有功功率、电阻阻值。
2）以均衡负荷分布及供电质量为目标函数：∑==B n i i i S S n LB f 1m ax 1min 2 （2） 3）以提高供电可靠性，平均用电无效度最小的目标函数： ∑==Npi T i i N N U f 187603 （3） 式中N p 为配电系统中负荷数，N i 负荷点i 的用户数，U i 负荷点i 的年停运时间，N T 为总用户数。
基于诊断策略遗传算法的配电网络重构算法
Ａｂ ｔ ａ ｔ Ｉ ｒ ｅ ｏ ｒ ｄｕ ｅ ｔ ｏ ｒｌ ｓ，ａ ｄ ａ ｎｏ ｔｃ ｓ ｒ ｔ ｇ ａ ｅ ｅ ｅ ｉ ｌ ｏｒｔ ｓ ｒ ｃ ： ｎ ｏ ｄ ｒ ｔ ｅ ｃ ｈｅ ｐ ｗｅ ｏｓ ｉ ｇ ｓ ｉ ｔ ａ ｅ ｙ ｂ ｓ ｄ ｇ ｎ ｔｃ ａ ｇ ｉｈｍ ｏ ｉ— ｆ ｒ ｄ ｓ
第２ 第４ ５卷 期
２１ ０ ０年 １ ２月
电 力 科 学 与 技 术 学 报
．
Ｖｏ ． ５ ＮＯ ４ １２ ．
Ｄｅ ． ０ ０ ｃ２ １ ቤተ መጻሕፍቲ ባይዱ
Ｊ ０ＵＲＮＡＬ ＥＣＴ Ｃ ＰＯＷ ＥＲ ＣＩ ＯＦ ＥＬ ＲＩ Ｓ ＥＮＣＥ ＡＮＤ ＴＥＣＨＮＯＬ ＯＧＹ
基 于诊 断策 略遗传 算 法 的配 电 网络重 构 算 法
改进 遗 传 操 作 。对 优 质 基 因 进行 诊 断 ， 入 优 质 基 因 库 ； 且 将 诊 断 出 的 劣 质 基 因 （ 不 可 行 解 ） 过 打 开 回 路 和 存 并 即 通 连通 孤 岛 的方 法 ， 将其 修 复 为可 行 解 ， 而 提 高 收敛 速 度 和 遗 传 算 法 搜 索 效 率 ． 后 对 典 型 Ｉ Ｅ ３节 点 和 Ｉ Ｅ 从 最 Ｅ Ｅ３ ＥＥ
李彩 艳 ，刘建 华 ，向卫东 ，杨 翊君 。
（． 沙 理 工大 学 电 气 与 信 息 工程 学 院 ， １长 湖南 长 沙 ２ 长 沙 电业 局 ， 南 长 沙 ． 湖 ４０ ０ ； １０ ４ ４３Ｏ） １ Ｏ Ｏ
４ ０ １ ；３ １ ０ ５ ．益 阳 电业 局 ， 南 益 阳 湖
摘 要 ： 为减小网损， 提出基于诊断策略遗传算法的配电网络重构方法． 针对基因诊断策略， 提出新的编码方案，
ｏ ｎ ｎｇ ｕ ｈｅｌ ｏ ｎｄ ｃ ｎｎｅ ｔｎｇ ｔ ｓａ ｓ ｐｅ ｉ ｐ ｔ ｏ ｐｓａ ｏ ｃ ｉ ｈｅｉｌ ｎｄ ．Ｓｉ ｍｕｌ ｔｏ ｏ ｈｅｔ ｉａ ＥＥＥ ｅ ｔｎｇ ｓ ｓ ｅ ｓ ａ ｉ ｎｓｆ ｒｔ ｙｐ ｃ ｌＩ ｔ ｓｉ ｙ ｔ ｍ ｒ ｃ ｆｇ ａｔｏ ｒ ａ ｒｅ ｕｔ ｎｄ ｔ ｏ ｓ ｄ ａ ｇ ｉｈｍ ｒ ｏ ｐ ｒ ｄ ｅ ｏｎ ｉ ｕｒ １ｉ ｎ ａ ｅ ｃ ｒ ｉｄ ｏ ，ａ ｈｅ ｐｒ ｐｏ ｅ ｌ ｏｒｔ ａ ｅ ｃ ｍ ａ ｅ ｗｉｈ ｔ ｒ ｄ ｔｏｎ ｌ ｔ ｈｅ ｔ ａ ｉｉ ａ ｑｕ ｃ ａ ｈ ｅ ｃ ａ ｅ ａ ｇｏ ｉｈｍ ．Ｒｅ ｕｌｓｓ ｏｗ ｈａ ｈ ｏ ｓ ｄ ａ ｇｏ ｉｈｍ ｓ ｖ ｌｄ ｔ ｎｄ ｅ — ｉｋ ｂｒ ｎｃ — ｘ ｈ ｎｇ ｌ ｒｔ ｓ ｔ ｈ ｔ ｔ ｔ ｅ ｐｒ ｐｏ ｅ ｌ ｒｔ ｈａ ａ ｉ ｉｙ ａ ｆ ｆ ｃ ｉ ｅ ｅ ｓ ｆ ｒｒ ｄｕ ｉ ｏ ｒｌ ｓ ｅ ｔｖ ｎ ｓ ｏ ｅ ｃｎｇ ｐ ｗｅ ｏｓ ．
基于遗传算法的电力配网规划优化研究
基于遗传算法的电力配网规划优化研究电力配网规划优化是电力系统领域的重要课题，它关系到电力系统的可靠性、经济性和可持续发展。
而遗传算法作为一种优化算法，被广泛应用于电力系统领域，为电力配网规划问题的优化提供了新的思路和方法。
本文将探讨基于遗传算法的电力配网规划优化研究。
一、遗传算法的原理简介遗传算法是模拟生物进化过程的一种优化算法。
它通过模拟基因的交叉、变异和选择等操作，以寻找问题的最优解。
遗传算法的具体过程包括个体编码、初始种群的生成、适应度函数的定义、选择、交叉和变异等步骤。
二、电力配网规划问题的基本概念电力配网规划是指根据用电负荷的需求和供电条件，确定电缆、变压器等设备的类型、数量和布置，并进行线路的选线和拓展，以满足用户的需求。
电力配网规划的目标是使得整个配电网的线损最小、供电可靠性最高，且投资成本最低。
三、遗传算法在电力配网规划优化中的应用1. 个体编码在电力配网规划优化中，个体编码的任务是将待优化的变量转换为计算机可以处理的编码形式。
常见的编码方式包括二进制编码、十进制编码和实数编码等。
不同的编码方式适用于不同的问题。
2. 适应度函数的定义适应度函数用于评价每个个体的适应度，它反映了个体在解空间中的好坏程度。
在电力配网规划优化中，适应度函数可以包括线损、可靠性和投资成本等指标。
通过适应度函数的定义，可以将电力配网规划问题转化为遗传算法可以处理的优化问题。
3. 选择操作选择操作是从种群中选择适应度较高的个体作为父代，以产生下一代种群。
常见的选择操作有轮盘赌选择、锦标赛选择和随机选择等。
选择操作的目的是保留优秀的个体，并增加他们在下一代中被选择的概率。
4. 交叉操作交叉操作是将两个父代个体的染色体中的部分基因进行交换，以产生新的个体。
交叉操作的目的是产生新的个体，引入新的基因组合，并增加个体的多样性。
在电力配网规划优化中，交叉操作可以通过调整设备的类型、数量和布置等方式来实现。
5. 变异操作变异操作是对个体染色体中的基因进行微小的随机变动，以产生新的个体。
电力系统中基于遗传算法的优化调度研究
电力系统中基于遗传算法的优化调度研究电力系统的优化调度一直是电力领域最重要的问题之一。
通过研究优化调度，我们可以对电力系统进行有效的运行、规划和管理。
在此背景下，基于遗传算法的电力系统优化调度也成为了电力领域研究的热点之一。
一、遗传算法的优势遗传算法是一种仿生学启发式算法，它通过模拟自然界中进化法则的过程来搜索最优解的算法，具有以下优势：1.适应性强：遗传算法能够通过对适应度高的个体进行选择、交叉、变异等操作来产生新的个体，从而不断优化适应度。
2.全局搜索能力强：遗传算法能够通过多轮迭代搜索，逐渐趋向于全局最优解。
3.并行搜索能力强：遗传算法能够利用多核CPU或者分布式计算来进行并行计算，加速优化过程。
二、电力系统中的遗传算法优化调度电力系统是由多个电力设备组成的系统，其中包括发电机、变压器、输电线路和负荷等设备。
而电力系统优化调度的目的就是要协调各个电力设备之间的关系，使整个系统的性能指标达到最优。
在电力系统优化调度中，遗传算法可以应用于以下几个方面：1.电网调度优化电网调度是指将不同的发电机分配到不同的负荷节点上，使得整个电网满足用户需求的过程。
在电网调度优化中，遗传算法可以通过对负荷分配方案进行搜索，得出最优的负荷分配方案，从而达到降低电网运行成本和提高电网安全性能的目的。
2.输电线路优化输电线路是连接各个电力设备之间的关键链路，它的合理规划和设计对整个系统的运行起到至关重要的作用。
在输电线路优化中，遗传算法可以通过对输电线路的配置、设备参数的优化等方面进行搜索，得出最优的输电线路规划方案，从而降低输电成本，提高输电效率。
3.发电机组优化发电机组是电力系统的重要部分之一，它的合理配置和负荷控制十分关键。
在发电机组优化中，遗传算法可以通过对发电机组开关、输出功率等控制策略进行搜索，得出最优的发电机组运行策略，从而降低发电成本，提高发电效率。
三、研究现状及展望在电力系统优化调度中，遗传算法已经得到了广泛的应用，取得了一定的研究成果。
遗传算法在电力系统优化中的应用研究
遗传算法在电力系统优化中的应用研究电力系统是一个复杂而庞大的系统，涉及发电、输电和配电等多个环节。
优化电力系统的运行和调度是提高电力系统效率和经济性的重要任务之一。
为了解决电力系统中的优化问题，如经济调度、负荷预测和容量调度等，遗传算法被广泛应用于电力系统优化研究中。
本文将介绍遗传算法的原理、优化电力系统中的常见问题以及遗传算法在电力系统优化中的应用。
遗传算法是一种模拟自然生物遗传和进化过程的优化算法。
该算法通过模拟自然界中的进化和遗传机制，逐步优化问题的解决方案。
遗传算法主要包括基因编码、适应度函数、选择、交叉和变异等几个关键步骤。
在遗传算法中，问题的解被编码成一个个体，称为染色体。
染色体由一串基因组成，每个基因代表问题解的一个部分。
通过对解空间进行适应度评估，可以确定每个个体的适应度，即问题解的优劣程度。
选择操作是根据个体的适应度，选择一定数量的个体作为下一代的种群。
交叉操作通过交换染色体上的基因片段来产生新的个体。
变异操作则随机改变染色体中的一个或多个基因。
通过迭代进行选择、交叉和变异等操作，直到达到预定条件，从而得到问题的最优解。
在电力系统优化中，常见的问题包括经济调度、负荷预测和容量调度等。
经济调度是指在满足供需平衡的前提下，使电力系统的运行成本最小化。
负荷预测是指通过对历史负荷数据的分析与建模，预测未来一段时间内的负荷需求，以便更好地安排发电和输电计划。
容量调度是指通过对电力系统的潮流计算，确定各个节点的输电容量，以确保电力系统的稳定运行。
遗传算法在解决这些问题上具有很好的优势。
首先，遗传算法具有全局优化能力。
电力系统问题的解空间通常非常庞大，传统优化方法往往容易陷入局部最优解。
而遗传算法通过全局搜索的方式，能够更好地找到问题的全局最优解。
其次，遗传算法具有自适应性和自学习能力。
在优化求解过程中，遗传算法能够自动适应问题的特点和求解难度，通过选择、交叉和变异等操作进行优化。
同时，通过不断迭代和进化，遗传算法能够不断学习和改进解决方案，提高整体性能和效率。
电力系统中基于遗传算法的优化调度策略研究
电力系统中基于遗传算法的优化调度策略研究电力系统是现代社会运转的一个重要基础设施。
为保证供电的稳定和经济运行，如何进行合理的调度是值得研究的问题。
随着电力系统规模的不断扩大和负荷的日益增加，传统方法已经不能满足实际需求，因此，研究一种高效可靠的优化调度策略是非常必要的。
遗传算法是一种模拟自然进化过程的优化方法，具有全局寻优能力和强大的适应性，被广泛应用于各个领域。
在电力系统调度问题中，遗传算法被证明是一种有效的求解方法。
电力系统调度问题需要解决的是如何在保证电力系统运行安全稳定的前提下，最优地分配各个发电机的出力。
这是一个复杂的优化问题，很难通过人工经验进行有效的求解。
传统的方法大多采用线性规划、整数规划等数学方法，这些方法虽然在一定程度上能够解决问题，但是很难处理复杂的约束条件和非线性问题。
遗传算法由于具有全局搜索的特性，能够在多维、多目标、非线性、多约束和难以求得精确解的复杂优化问题中发挥极大的作用。
这种算法通过模拟自然进化过程来寻找最优解，具有从大量解空间中寻找最优解的能力。
在电力系统中，基于遗传算法的优化调度策略主要有以下几个方面：1.基于遗传算法的调度模型遗传算法将问题转化为一个编码问题，通过算法模拟自然进化过程来进行问题求解。
传统的电力系统调度模型采用的是优化模型。
但是，这种模型很难考虑到电力系统中各种复杂的因素，如系统稳定性、电力质量、经济性等。
基于遗传算法的调度模型则可以有效的考虑到这些方面。
2.遗传算法的参数确定遗传算法中如何选择参数是一个非常重要的问题。
不同的参数选择会影响算法的收敛速度和准确度。
因此，如何确定参数是优化调度策略的关键之一。
针对不同的电力系统，需要选择合适的参数来进行优化求解。
3.遗传算法的运算实现在电力系统中，遗传算法运算的时间和效率对求解的结果具有很大的影响。
因此，如何改进遗传算法的实现方式，提高计算效率是必要的。
近年来，随着计算机硬件技术的不断进步，遗传算法的实时求解和并行计算得到了广泛应用。
配电网网络重构算法的研究
２配 电网重构的计算方法介绍
在 满 足 各 种 运 行 约 束 条 件 下 ， 网 损 以 最 小 为 主 要 目标 的 进 行 配 电 网 重 构 。 着 随 配 电 系统 的迅 速 发 展 ， 期 的 穷 举 法 （ 开 早 打 个 开 关 ， 合 一 个 开 关 ， 成 辐射 网 络 ， 闭 形 然后 计 算 潮 流 ， 复上 述 步 骤 ， Байду номын сангаас 求 出最 重 直 优解 ） 于开 关 数 量 众 多 ， 得 计 算 量 过 于 由 使 庞 大 ， 致 计 算 时 间过 长 。 导
一
目标 ， 满 足 负 荷 需 求 的 情 况 下 计 算 最 优 在 （） 转移负荷集合的 求取及节点合并 。 ３ 候选 潮 流 ， 得 网环 支路 的 电 流分 布 ， 求 然后 将 电 （） 选 转 移 负荷 受 电路 径 电气 距 离 ｚ ４候 流 最 小 的 支路 断 开 ， 从而 解 开 一 个 环 ， 并且 的计 算 ， 考 虑支 路越 限 条件 和 候选 可 合分 并 重新 计算 最 优 潮 流 ， 如此 重 复 ， 至 配 电 网 直 段开 关集 合的 求 取 。 变 成 辐 射 网 。 算 法 中计 算 一 次 开 关 由合 该 （ ） 环 顺序 ： 理 完 网络上 所 有的单 环 ５解 处 然后 将 候选 可 合分 段开 关 集 合里 的开 关 至开 需要 计 算 一 次 潮 流 ， 算 量 较 大 ， 计 该算 后 ， 法 与 解 环 的 次 序 有 关 ， 同 的解 环 次 序 同 不 按 电压 差从 大 到小 排 序 ， 从大 至 小处 理完 所 有分 段 开 关 。 样 可 以导 致 不 同 的 重 构 结 果 。 ２ ３人工 智能 算法 ． 该方法应用到ＩＥ ６ 配电系统 中， ＥＥ９ 计 用 于 配 电 网重 构 问 题 的 人 工 智 能 算 法 算 ７ 潮 流 和 电 气距 离 后 即 可 求 得最 优 解 ， 次 主要 有 神 经 网络 算法 【， 传 算法 ［， 拟 退 在计 算 量 和计 算 速 度 上 有 很 大 的 提 高 。 ４遗 】 ５模 】 火 法 和 蚁 群 算 法 『。 经 网络 算 法 的 精 度 ７神 Ｊ 主要 取决 于 样本 ， 获得 完整 的 样本 较 困难 且 ４结论 本 文 简 单 介 绍 了配 电网 重 构 求 解 目标 需 要 较长 的 时 问来训 练 样 本 。 模拟 退火 算 法 可以 获得 全 局 最优 解 ， 存在 算 法依 赖 参数 和 和 计 算 方 法 ， 以看 出 配 电 网络 重 构 本 质 可 计 算 量大 的缺 点。 传 算法 可 以将 支路 的 开 上 是 负 荷 再 分 配 的一 个 过 程 。 路 交 换 法 遗 直 关状态 （／ ） ｏ １直接 用于 染色 体编码 ， 过模 拟 和 最 优 流 法 属 于 启 发 式 方 法 ， 算 速 度较 通 计 生 物进 化 的繁 殖 、 叉 、 异操 作 ， 交 变 尝试 改 变 快 ， 算 结 果 往 往 受 初 始 操 作 顺序 影 响 ， 计 无 各 开 关 状 态 ， 找 网损 最 小 的 网络 结 构 ， 寻 而 法 求 得 最 优 解 。 工 智 能 方 法 众 多 ， 敛速 人 收 不 且 容 易收 敛于 最 优解 ， 因而 遗传 算 法应 用较 度 慢 是 这 些 方 法 的 通 病 ， 适 用 于 大 规 模 多 ， 其 也存 在 以下 不足 ： 但 一是 收敛 速 度慢 、 配 电 网 系 统 的 网络 重 构 ； 流 支 路 电气 剖 交 易发生 退 化和 早 熟收 敛现 象 ； 是 产生 包含 分 算 法 属 于 物 理 算 法 ， 够 避 免 不 收 敛 或 一 能 者 难 收 敛 的情 况 ， 算 速 度 较快 ， 用于 大 计 适 闭环 和 孤 岛 的 不可 行解 。 型 配 电 网络 重 构 问 题 。 依据 启发 式 、 智能 算 法 和 物 理 算 法 的 特 点 ， 多 种 方 法 组 合 起 将 ３改进 的配 电网重构计算方法 ３ １改进 的支 路交 换法 ． 来 以 解决 配 电 网络 重 构 和 对 不 同 求解 目标 当 闭合 一个 联 络开 关 后 ， 形成 一 个单 寻 找 最 优 算 法 应 是 今 后 的研 究 的 课 题 。 将 环 网 。 用 单 环 网潮流 算 法计 算 单环 网 虚拟 运 流 ， 据流 过 各个 环 网开 关 的虚 拟 流模 值 由 根 参考文献 小 到 大排 序 ， 此 来确 定 要 打 开 的 开 关 。 由 判 ［ １ 鹏 翔 ， 健 ， 文 元 ． 电 网 络 ｆ 的 ］毕 刘 张 配 构 断是 否 满足 约 束 ， 若没 有 ， 则打 开 这条 支 路 ， 研 究 ［ ． 力系 统 自动 化 ，０ １２ （４ ： Ｊ电 ］ ２ ０ ， ５１） ５ ４～ ６ ０． 否 则不 打开 此 开关 ， 而 打开 流过 虚 拟 流次 转 最低 的支路 开关 ， 进行 判断 ， 直到 无过载 和 电 ［］刘 健 ， ２ 毕鹏 翔 ， 海鹏 ． 杂 配 电 网简 化 董 复 分 析 与 优 化 ［ 】 北 京 ： 国 电 力 出 版 Ｍ ． 中 压越 限 。 过 虚 拟 流概 念 的 引入 ， 减 少 计 通 可 算 步 骤 以及 潮 流 分布 的 计算 ， 提高 了效 率 。 社 ， ０ ２． ２０ ３ ２ 交流 支 路 电气 剖 分算 法 ． ［］邓 佑 满 ， 伯 明 ， 年 德 ． 电 网络 重 构 ３ 张 相 配 文 献 ［由 负 荷 受 电 剖 分 路 径 电 气 距 离 ８ ］ 的 最 优流 模 式算 法 ｆ】电网 技术 ，９ ５ Ｊ。 １９ ， （ 荷 功 率 由根 节 点 供 给 时 电 气 路 径 的 长 负 １ （ ）４ ～５ ． ９ ７ ： ７ Ｏ 短） 指标 构造 一种 物 理 寻优 方 法 。 方 法 在 ［】毕 天 妹 ， 以 信 ， 其 逊 ． 工 智 能 技术 该 ４ 倪 杨 人 在输 电 网络 故 障 诊 断 中的 应 用述 评 ［】 Ｊ． 合环 操 作 形 成 的 闭 环 中根 据 电气 距 离 为 负 荷 分 配 供 电路 径 ， 而 确 定应 断 开 的 支 路 ， 从 电 力 系统 自动 化 ，０ ０ ２ （） ｌ ～１ ． ２ ０ ，４２： １ ６ 使损耗 降到最低。 算方法如下 ： 计 ［】刘 莉 ， 学 允 ． 于 模 糊 遗 传 算 法 的 配 ５ 陈 基 （） １ 目标 函数 为 有 功 网损 ， 电 网重构 ［ ． Ｊ 电机工 程学 报 ，００ ２（） 】 ２ ０ ，０２：
基于遗传算法的配电网络重构的研究的开题报告
基于遗传算法的配电网络重构的研究的开题报告一、研究背景随着社会经济的不断发展和人们生活水平的提高，电力质量和电能供应可靠性已成为电力系统重要的问题。
而配电网络重构是提高电力系统可靠性和经济性的重要手段之一，它通过对配电网络的节点、线路进行调整和改造，达到优化电网供电质量和节约电网运行成本的目的。
而遗传算法是一种模拟自然遗传和进化思想的计算模型，具有广泛的应用领域和优异的搜索性能。
因此，将遗传算法应用于配电网络重构中，将会有效地提高配电网络重构的效果。
二、研究内容和目标本研究的主要内容为：采用遗传算法对配电网络进行重构，实现优化节点和线路的布置以及优化整个电网的拓扑结构，从而提高电网的可靠性和经济性。
具体而言，本研究将重点考虑以下几个方面：1. 建立配电网络重构的数学模型；2. 设计遗传算法的基本流程和算子，包括选择、交叉、变异等；3. 进行配电网络重构实验，对不同的问题进行分析和解决；4. 对比不同的算法，评估遗传算法在配电网络重构中的优越性。
三、研究意义通过本研究，可以为配电网络重构提供一种新的优化方式，有效地提高电网的供电质量和经济性。
同时，本研究的成果还可以为电力系统的规划和设计提供重要的参考。
四、研究方法和步骤本研究的主要研究方法为数学建模和算法设计。
具体而言，实验的步骤包括：1. 收集相关数据，建立配电网络重构的数学模型；2. 设计遗传算法的各个算子及流程，实现对配电网络的优化；3. 进行配电网络重构实验，并对实验结果进行分析；4. 对比不同算法，评估所设计的遗传算法的优越性；5. 对实验结果进行总结和归纳，提出针对性的优化建议。
五、预期成果本研究的主要预期成果包括：1. 建立配电网络重构的数学模型；2. 设计并实现遗传算法进行配电网络重构；3. 分析实验结果，评估所设计的遗传算法的优越性；4. 提出针对性的优化建议，为电力系统设计和规划提供参考。
基于遗传算法的电网规划优化方法研究
基于遗传算法的电网规划优化方法研究电网规划是指在满足电力需求的前提下，利用现有的技术和条件，合理分配和利用电力资源，采用最优方案规划电力设施和设备的位置、容量及制度。
基于遗传算法的电网规划优化方法是将遗传算法引入到电网规划优化中，以寻找符合优化目标的电网规划方案。
遗传算法是一种基于自然遗传进化的随机优化搜索算法，其核心思想是将问题的解表示为染色体，利用遗传操作（包括选择、交叉和变异）模拟自然界的进化过程，达到优化搜索的目的。
在电网规划中，可以将电网规划方案编码为染色体，以适应度函数作为遗传算法的优化目标函数，通过不断进化优化得到最优解。
基于遗传算法的电网规划优化方法首先需要定义电网规划的优化目标，例如最小化建设成本、最大化供电可靠性、最大化供电效率等。
然后，将电网规划方案转换为染色体编码并生成初始种群。
针对电网规划问题的特点，需要合理设计遗传算法的选择、交叉和变异操作，不断演化得到更优的解集。
同时，基于遗传算法的电网规划优化方法也面临一些挑战。
首先是适应度函数的设计问题，需要考虑多个因素的综合影响，权衡不同指标的重要性，并确定合适的权重关系。
其次是算法的参数设置问题，如种群大小、交叉概率、变异概率等，需要根据实际问题进行合理的选择。
此外，在实际应用中，电网规划问题还包括多个优化目标的决策问题，这需要运用多目标遗传算法等高级优化方法进行求解。
在电力系统规划中，遗传算法已经被广泛应用于输电线路选线、变电站规划、输电网结构优化等诸多方面，具有很高的应用价值。
随着电网技术的发展和对电力供应的不断要求提高，基于遗传算法的电网规划优化方法也将得到更广泛的应用。
基于改进的遗传算法的电力电网优化研究
基于改进的遗传算法的电力电网优化研究电力电网是现代社会最重要的基础设施之一，其安全、稳定、可靠的运行对国家经济、社会发展乃至人民日常生活都具有至关重要的意义。
因此，如何优化控制电力电网的运行，提高其效率和可靠性，一直是电力行业和相关领域的热门研究课题之一。
遗传算法是一种被广泛应用于求解复杂问题的智能算法。
其思路是基于仿生学，模拟自然界中物种进化的过程，通过选择、交叉、变异等操作，逐渐优化达到解决问题的效果。
在电力电网问题的优化研究中，遗传算法也被广泛应用。
然而，传统的遗传算法在求解电力电网优化问题时，面临着多种挑战。
首先，电力电网运行的特殊性使得问题模型非常复杂，需要充分考虑各种电力流、电压、负荷等因素的影响。
其次，电力电网的可靠性要求非常高，任何决策都需要充分考虑风险和稳定性。
因此，需求一个更加有效的、能够应对复杂问题的改进遗传算法来解决这一难题。
近些年来，大量科研工作者在改进遗传算法方面做出了重要贡献。
其中，最具代表性的是改进的基因变异算子和选择策略。
基因变异算子是指在群体的某个体上进行单点变异或多点变异操作，使得个体的基因信息发生变化，从而增强全局搜索能力。
而选择策略则是在群体中选出适应度最高的个体，以此保留优秀的基因信息和探索新的解空间，加速算法收敛速度。
此外，考虑到电力电网的多目标优化性质，在解决电力电网优化问题时需要考虑多个目标指标。
因此，将改进的遗传算法与多目标优化技术相结合，又是一种有效的解决方案。
例如，可以将改进的遗传算法与NSGA-II算法、MOEA算法等结合，形成混合优化算法，提高电力电网优化问题求解的准确性和鲁棒性。
在实际工程应用中，改进的遗传算法已经被应用于电力电网优化问题的求解。
例如，在电网脆弱性分析中，有学者采用改进的遗传算法，以节点负载和电压稳定性指标为评价，对电力电网进行了多目标优化，优化结果表明，该算法具有很好的多目标拓扑优化能力和较快的计算速度，对电力电网的优化具有较高的实用性。
基于粒子群克隆遗传算法的配电网络重构研究的开题报告
基于粒子群克隆遗传算法的配电网络重构研究的开题报告一、选题背景随着电力系统的发展和智能化的应用，配电网的重构问题受到了越来越多的关注。
配电网重构是指在满足配电网正常运行的基础上，通过更改配电网线路、开关变压器配置等参数，使得配电网的经济性、可靠性、安全性等指标得到优化和提高。
目前，国内外学者和工程技术人员针对配电网重构问题已经开展了大量的研究工作。
然而，由于配电网结构复杂，传统的优化算法难以在可接受的时间内求解最优解，因此需要寻找一种更加优秀的算法。
二、研究目的和意义本文将基于粒子群克隆遗传算法，探讨配电网重构问题的最优化解法，从而提高配电网的经济性、可靠性、安全性等指标。
三、研究内容和研究方法1.研究内容（1）研究配电网重构的理论基础和相关知识。
（2）分析不同算法在配电网重构中的适用性及其优点和缺点。
（3）提出一种基于粒子群克隆遗传算法的优化方法，并将其应用于配电网重构中。
（4）对比分析该方法与其他常用算法在解决配电网重构问题上的效果。
2.研究方法（1）搜集文献，了解配电网重构的理论基础和相关知识。
（2）研究不同算法在配电网重构中的适用性及其优点和缺点。
（3）分析粒子群克隆遗传算法的优缺点，并提出适于配电网重构的算法流程。
（4）编写程序，将粒子群克隆遗传算法应用于配电网重构实例中，以验证该算法的有效性和优越性。
（5）对比分析该算法和其他常用算法在解决配电网重构问题上的效果，评估模型的可行性和可靠性。
四、预期成果通过粒子群克隆遗传算法，本文将实现对配电网在经济性、可靠性、安全性等方面的最优化重构，提高配电网的运行效率。
同时，也将为配电网重构问题的研究提供一种新的解决方案，进一步推动智能电力系统技术的发展和应用。
五、可行性分析本文所提的基于粒子群克隆遗传算法的配电网重构方案是在合理、有效的基础上由多算法结合形成的，该方案在实验中得到了初步验证，具有可行性和可靠性。
六、开题计划阶段 | 工作要点------|------第一阶段| 阅读相关文献，了解配电网重构的理论基础和相关知识。
基于改进遗传算法的配电网规划的研究的开题报告
基于改进遗传算法的配电网规划的研究的开题报告1.研究背景和意义随着电力需求的不断增长，配电网规划成为电力系统建设中不可或缺的一环。
传统的配电网规划方法主要是基于经验或规则制定设计方案，其存在着一定的局限性。
因此，提高配电网规划的设计效率和精度，成为了当前电力领域的一个重要研究方向。
改进遗传算法是一种有效的优化算法，以其具有全局搜索、自适应、高效等特点而被广泛应用于配电网规划领域。
该算法将优秀的染色体代表作为进化的方向，通过不断的遗传变异和选择筛选找到最优解，可快速寻找适合的配电网方案，从而提高配电网规划的设计效率和精度。
因此，本文旨在探究如何利用改进遗传算法优化配电网规划，以提高配电网建设的质量和效率。
2.研究目标和内容（1）研究配电网规划的现状及优化方法，了解当前配电网规划存在的问题和改进的可能性。
（2）研究改进遗传算法的原理和具体实现方法。
（3）将改进遗传算法应用于配电网规划中，并比较其与传统方法的优劣之处。
（4）通过实验仿真，验证改进遗传算法在配电网规划中的有效性和优越性。
（5）提出针对配电网规划优化的改进遗传算法，并探索其未来的应用前景。
3.研究方法（1）文献调研法：了解配电网规划的现状、设计方法和相应的优化算法，查阅相关文献资料，了解该领域的最新研究成果。
（2）理论分析法：对改进遗传算法进行理论分析，探究其优化原理及应用条件。
（3）仿真实验法：基于改进遗传算法，进行配电网规划仿真实验，对不同算法及参数设置的仿真结果进行分析比较，验证优化算法的可行性和可靠性。
4.论文结构（1）绪论：阐述论文的研究背景和意义、研究目标和内容、研究方法、论文结构等。
（2）配电网规划的现状和问题：分析配电网规划的现状和问题，揭示传统方法的局限性，为后续研究提供参考。
（3）改进遗传算法的原理和应用：介绍改进遗传算法的原理、基本操作、编码方式和优化策略，为后续配电网规划优化提供基础知识。
（4）基于改进遗传算法的配电网规划优化：基于改进遗传算法，针对配电网规划的优化目标建立数学模型，并通过仿真实验验证算法的有效性和优越性。
浅析遗传算法在我国配电系统网络中的应用
遗传算法在配电网供电恢复中的应用综述
遗传算法在配电网供电恢复中的应用综述莫小燕Ξ 张粒子 黄弦超(华北电力大学电力工程系,北京 102206)摘 要:本文综合阐述了对于将遗传算法应用于供电恢复问题的一些文献中的大致思想,分类讨论了简单遗传算法、改进遗传算法以及遗传算法与其它算法相结合的混合智能算法在配电网供电恢复问题中的应用,并展望了今后遗传算法在供电恢复领域应用的发展方向。
关键词:配电网;供电恢复;遗传算法;配电自动化;电力系统 配电网一般采取的是闭环设计开环运行的方式,线路之间通过正常方式下常开的联络开关彼此相连。
因此当故障或者设备检修时,可通过一系列开关操作将故障或检修影响导致失电的负荷转由其他馈线供电,从而减小停电负荷,提高可靠性。
供电恢复程序的主要作用是帮助调度员对故障恢复供电过程进行决策,其目的就是在保证配网呈辐射状、保证电压和潮流不越限等前提下,在较短的时间内计算并选择出最优的供电恢复路径。
作为配电自动化的一项重要功能,供电恢复的目标是寻求一条最优路径,尽可能降低由故障或检修引起的停电负荷以及因转移负荷到产生的开关操作费用和附加网损。
因此,供电恢复问题的本质就是具有多约束的组合优化问题。
目前使用的方法主要有专家系统方法[1]、数学规划方法[2]、启发式方法[3]～[5]、遗传算法[6]～[14]等。
这些方法各有利弊:专家系统方法所用到的知识库的建立与集成耗时多、花费大,并且专家经验通常不可能覆盖所有情况;供电恢复问题属于NP 难问题,如果使用数学规划方法采用的模型不够精确,一般情况下不仅计算量很大而且得不到全局最优解;完全通过启发式搜索算法表现不稳定且通常只能得到局部最优解,在全局优化上表现不理想。
遗传算法虽然在一般情况下搜索空间较大,计算时间较长,但是具有良好的鲁棒性、灵活性,特别适合组合优化问题的特点。
1.遗传算法及其特点遗传算法(G enetic Algorithm ,简称G A)[15]是1975年由美国教授John.H.H olla nd 和他的同事共同研究出的。
浅谈DG配电网规划中遗传算法的应用
浅谈DG配电网规划中遗传算法的应用配电网规划的目的是在已知的电力负荷以及电源规划的基础上，依照现有电力网络合理地对电网进行完善，使其可以达到经济的最大化。
分布式电源简称为DG，可对能源危机有所缓解，并且可以对供电故障有所改变，确保电力供应的稳定高效。
将DG加入到配电网中，DG的容量以及位置的确定对规划有所影响，合理进行DG的位置与容量的明确对配电网有着很大的积极意义。
1 含DG的配电网规划简介1.1 分布式电源和配电网的协调规划配电网规划是一类目标众多的规划问题，增加了DG后，使规划的难度以及维数都得到了提高。
以往传统的方法是先进行DG的容量与位置的确定，再据此进行配电网的规划，这是一类纵向规划方式。
然而，DG与配电网架在配电网中有着相互影响的作用，凡是一个有所变化对另一个也会产生一定的作用，因此纵向规划已经不能使规划达到最佳状态。
采取协调规划的方式，建立出配电网和分布式电源的科学关联，一同进行协调、规划，从而使整体规划达到完美。
协调规划不但可以保证规划的整体性，而且计算简便，节省大量的计算时间。
1.2 含DG的配电网模型含DG的配电网在进行规划时常常是以稳定性和经济性综合评定最佳为目标。
本文以经济效益为基础，对环境效益进行考虑，依据DG的污染物与其他形式的区别，将DG所减少的污染治理费作为奖励因子添加到目标函数中，可以得到目标函数为：式中：f1是配电线路以及DG建设与运行年费；f2是停电损失费用；f3是DG环境效益；ω是权重因子；n0规划节点数；N是安装DG节点数；r0是折射率；T是投资回收期限；gi和ui分别是建设费以及运行年费；c1是单位线路的维修和造价；lj，k是线路长度；A[j，k]是投资决策变量。
ΔPj，k是线路有功损耗，τmax是最大负荷小时数；c2是电价；λ是单位长线路故障率；c3j是j处停电损失；γ是DG的环境效益，是CO2、NOx、SO2等排放减少量和治理成本的乘积，即：在进行配电网规划过程中有着诸多的约束条件，例如节点电压、电流、网络连通性、网络辐射性、DG容量等约束。
遗传算法在配电网网架优化中的验证
遗传算法在配电网网架优化中的验证摘要：对遗传算法进行简单描述，根据其特点对遗传算法做出改进。
在转移概率的改进中，本文实现了参数、与最大迭代次数Nmax的联动性；在信息素挥发因子的改进中，提出一种基于自适应的挥发因子；进而明确改进遗传算法的配电网网架优化步骤后，并经过仿真验证该方法的可行性和有效性。
0 前言遗传算法是一种高效的、并行全局搜索方法，它能够在整个优化过程中自动搜索知识空间中的解，并能够自适应的控制整个搜索过程以求最优解空间。
遗传算法通过优胜劣汰的生存原则，从潜在的优化方案中逐次产生最优解的方案。
在遗传算法的迭代过程中，它会通过不断地复制、变异及交叉得到比初始染色体更好的适应度值，如同自然界中的不断进化，遗传算法的过程导致种群中个体的不断进化，并得到比原个体更加适应环境的新个体。
1 遗传因子1.1 选择过程选择过程又称为复制过程，是从群体中按照优胜劣汰原则选择或者复制优良个体组成新群体的操作。
选择是建立在适应度值计算的基础之上，而个体适应度值是从目标函数转换得出。
轮盘赌方法又称为适应度比例法，是遗传算法中最为常用的选择方法。
它是通过每个个体适应度的概率决定下一代个体存留的可能性。
在每一轮的选择过程中会随机产生0到1之间的数值，并将该数值作为选择指针确定选择个体，因此，当个体适应度较大时，其被选择的概率就越大。
这一概率值可以表示为1-1：其中，Pi为个体i的选择概率；fi为个体i的适应度值；N为群体规模大小。
根据式1-1可以看出，如果个体适应度值越大，则个体被选择的概率就越大。
1.2 交叉过程交叉过程是对自然界中生物进化中遗传基因重组变异的仿真，也是遗传操作中的核心部分，通过交叉过程，可以将父代两个个体间的部分结果分解重构，并生成新的个体。
通过交叉操作得到的新个体能够更加适用于约束环境，加强算法的搜索能力，使算法性能得以提高。
均匀交叉的交叉过程更为广泛，染色体上面的每个基因编码都可作为潜在的交叉点。
基于gatbx遗传算法工具箱的配电网优化重构_李绍坚
根据同样的策略分析肇庆地区 6 个 220kV 片区内其他 110kV 变电站内备自投 两种不同策略对肇庆电网暂态稳定性的影 响，两种策略对暂态稳定的影响对比分析 如下表 1。
表 1 两种策略三个指标对比
备用线路，这种策略会损失部分负荷，即 使是短期，对用户来说，仍然影响很大。 因而可以得出如下结论：在静态潮流收敛 性良好的情况下，建议采用常规的带负荷 投切备自投投切策略。
基于 gatbx 遗传算法
工具箱的配电网优化重构
李绍坚 1 莫铭瑞 2 １，南宁供电局 ５３００３１；２，广西大学电气工程学院 ５３０００４
摘要
本文介绍配电网的基本原理及其研究意义， 简略说明遗传算法在配电网优化重构中的一 般过程和 ｇａｔｂｘ 遗传算法工具箱的部分函数。 本文算例部分运用 ｇａｔｂｘ 遗传算法工具箱函数， 算例结果说明 ｇａｔｂｘ 遗传算法工具箱在配电网 优化重构应用是有效的。 关键词
图 1 遗传算法在配电网网络重构的 流程图
gatbx遗传算法工具箱提供了强大的遗 传算法函数，其包括种群的建立，函数适 应度计算，选择函数，变异算子，交叉 算子等。
创建种群函数有 crtbase，crtbp 与 crtrp 三种函数。本文采用 crtbp 函数，其功能是 创建任意离散随机种群；
适应度计算函数有 ranking 和 scaling 函数。Ranking 函数为常用的基于秩的适 应度计算；
利用配电网网络的特点，将配电网分 解为一系列的环路，建立以环路为基础的 遗传算法，使得遗传算法在可行域内搜 索，效率大大提高。本文结合 gatbx 遗传 算法工具箱的使用，仅需设计一个底层的 潮流算法子函数，可大大减轻程序设计的 强度。算例证明 gatbx 遗传算法工具箱用 于配电网优化重构是可行的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
的不可行解 ，严重影响了Ｇ 的计算效率 。 Ａ 基因将其值取 反，产生不可行解后，再按 定的方式将不可行解消除。 对于 图ｌ 所示 的配 电系统 ，一 共有ｌ ６ 条 支 路 ， 一 般 认 为 每 条 支 路 上 均 有 开 采用 这种 编码 方式 ，相 对于 传统 的 关 ， 按 上 述 编 码 方 法 ， 染 色 体 长 度 为 二进制 编码 方式 而言 ，产 生初始 解 以及 １ ，该配 电系统Ｇ 空间将有２ ６ Ａ ＝３ ７ ８ ２ ５ 个 经 过交 叉变 异产 生的候 选解 中不 可行 解 染 色 体 。通 过 组 合 数 学 可 以 得 出 图 １ 的 的 比例 大大 降低 。但是 复杂 的配 电系 统 中 配 电系 统 Ｇ 表 现 型 个 体 为 １０ Ａ ９ 个 。 有 效 环 路 间存在 公共 开关 的可 能 ，故各环 路 候 选 解 只 占 １０３７８ ０ ７８ 。 这 表 明 ： ９／２６： ． ９％ ５ 对应 基 因块 可能 重叠 。因此 ，这 种一 个 按照传 统 的二进 制编 码方 式进 行编 码 ， 联 络 开 关 对 应 一 个 环 网 ， 一 个 环 网 内 只 在Ｇ 运行 过程 中 ，只能 产生 非常 少的可 允许有 一个 断开 开关 的编码 方 式 ，在 存 Ａ 行 解 ，因此 按这 种编 码方 式 ，搜索 效率 在 公共 开关 的系 统 中，仍然 会产 生一 些
一
是 非 常低 的 。 不可行解 。 ３ 基 于 环 路 的 ２ 制编 码 ． 进 ３ ２ 一 个 回 路 对 应 一 个 环 路 的 编 码 ． 配 电网在 正常运行 时呈放射形，并且 策略 每个节点的负荷都必须有 电能的供给，因 文献 ［］ 出一种新 的环路 的概念 ， ３提 即环 路 指 的是 配 电网 的 开 关全 部 闭合 时 ， 此配网中开关 的开合并不是任意组合 的。 为 了 提 高有 效 侯 选 解 比例 ，很 多 文 章提 出 在网络 中形成 的 闭环 回路 ，有２ 种形式 ： 了基于环路的２ 进制编码策略 ，对于 （ ）从配 电网的一个 电源节 点出发 ，每 １ 环路，不 同的文章定义不同， 由此也产生 个节 点只经过一次，到达另一个 电源节点 了不 同 的编码 方 式 。 的环为第一类环 ； （ ）从配 电网的某一 ２ ３ １ 一 个联络 开关对 应一个 环路 的 个节 点出发 ，每个节点只经过一次 ，又回 ． 编码 策 略 到这个节点的环称为第二类环 。 对 图 ｌ 示 的 网络 ， 按 照 文 献 … 中环 所 文献 ［ ，４ 提 出采 用构 成 同一环路 １ ］ 的开 关在 同一基 因块 内、相邻 开 关在 染 路 的 定 义 ，对 应 的 三 个 环 路 为 ［ １ ９ １ ５ ０ 色 体 中相 邻 的 染 色 体 编 码 策 略 。文 献 ７ ］ ［ １ ６ ５ ２ ： ［ １ ６ ； ６ １ １ １ ］ １ ３ ４ ４ １ ２ ［ ，４ 中 一 个 环 路 对 应 着 一 个 联 络 开 １ １ ］ １ ］ ３ ２ 。而按照文献 ［］ ３ 环路 的定义 ，则 关 。如果 一个 联络 开关 合上 ，则 会构 成 图１ 中含有五个环路 ，分别是 ［ １ １５ ０９ ７ 个 小环 ， 必须在 此环 中打 开一 个分 段 ６ ； ［ １ １ １ ２ ； ［ ２ ３ ４ １ ３ ］ ６ １ ６ ５ １ ］ １ ４ １ 开关 ，使 配 网保持 辐射 型 。采用 这种 编 １］ ［ ５ １ １１ Ｏ １］ ［ ２ ； １ ０ ９ ７ ｌ ６ １ ２ ； ２ ３ ４ 码策 略 ，不可 行解 数 目大大 降低 。文 献 ｌ ３ １ ６ １ ０ ５ 。其中前４ ４ １ ５ １ １ ７９ １ ］ 个环 ［］ 图１ １对 的配 电系统编码如表 １ 所示。 路为第一类环 ，第５ 个环为第二类环。 表１ 图１ 的编码 结果 文 献 ［］ 生 初 始解 的方 法 为 ： （） ３产 １令 基 因块 环路 开关 染色体 所有基因值均 为ｌ （） ； ２ 按顺序判 断各环路 （） ２ １ 中是否有 断开的开关 ，如果没有 ，则随机 （） ３ １ 断开该环路中任一个开关 ，这样可 以保证 Ｉ １ （） ４ Ｏ 不 形 成 闭 环 ； 如 果 已经 存 在 ，不 论 几 个 ， （４ １） １ 都不再操作，因为当一个环路与其它环路 （３ １） １ 有公共开关时，可 能出现一个环路中断开 （ ） ｎ １ 多个开关 的情况，但不会行成孤岛。 Ｉ Ｉ ２ （６ １） Ｏ 按这 种方 法产 生 的初始 解都 为可行 （ ５ １） １ 解 。这 种 方 法 避 免 了 文 献 ［］ 的初 始 解 １中 （） ７ ｌ 出现 不可 行解 情况 ，但 是在 交叉 和变 异 Ｉ Ｉ Ｉ ３ （） ９ １
１ 引 言 ．
配 电系统 具有 闭环 结构 、开环运 行 的特 点 ，包含 了大量 的常合分 段开 关及 少 量 常 开 的 联 络 开 关 。 在 正 常 的 运 行 条 件 下 ，配 电调 度 员根据 运行情 况进 行 开 关 操 作 以 调 整 网 络 结 构 。通 过 配 电 网 网 络 重构 ，一 方面平 衡 负荷 ，消除 过载 ， 提 高 供 电 电 压 质 量 ； 另 一 方 面 降 低 网 损 ，提 高系 统的经 济性 。配 电网络重 构 是提 高配 电系统安 全性 和经 济性 的重 要 手段 。理 论上 ，在 满足 各种运 行 约束条 件 下 ，以 网损 最 小为 目标 的配 电网络 重 构 问题 是一个 非线 性组 合优 化 问题 。其 中作 为优化 变量 的开 关数量 巨大 ，穷 举 搜索将面 临 “ 组合爆炸 ”问题 。 遗传算法 （ｅ ｅ ｉ ｌ ｏ ｉ ｈ ，缩写 ｇ ｎ ｔ ｃ ａ ｇｒ ｔｍ 为Ｇ ） Ａ 是模拟生物进 化过程的计算模 型， 由于Ｇ 的整体搜 索策 略和优 化 时不依 赖 Ａ 梯 度信 息 的特 点 ，使其 在 自适应 控制 、 组合优 化和 模式 识别 等方面 得到 了广 泛 应 用 。近 几 年 来 ， 不 少 学 者 将 Ｇ 应 用 于 Ａ 以网损 最低 为 目标 的配 电网重构 中 。 由 于Ｇ 并不 直接作 用于 待求变 量本 身 ，而 Ａ 是 先 将 待 求 变 量 进 行 编 码 ，然 后 Ｇ 对 这 Ａ 些编码 进行 交叉 、变 异等操 作 ，从 而找 到最 优解 ，所 以在使 用Ｇ 前必须 先选 择 Ａ 种编 码方 法 。一般 说来 ， 由于Ｇ 的鲁 Ａ 棒 性 ， 它 对 编 码 的要 求 并 不 苛 刻 。但 是 ，Ｇ 中 编 码 的 策 略 或 方 法 对 遗 传 操 Ａ 作 ， 尤 其 是 对 于 交 叉 操 作 的 功 能 有 很 大 的影 响 ，在 很 多情况 下 ，编码 形式 也就 决定 了交叉 操作 。本 文将针 对现 有 的遗 传算 法编码方式 的计算效率进行 分析 。 ２ 传 统 的２ 制编 码 ． 进 用 ２ 制 表 示 时 ，一 般 将 网 络 中 的 开 进 关状态用０ 表示 ，每个开关占染色体 的 和１ １ ，０ 表分闸状态 ，１ 位 代 代表合 闸状态 ， 各支路状态组合在一起就形成 了一条染色 体 ， 染色 体 的长 度 为 网络 中 开关 的数 目。 如图１ 所示的馈线系统的开关状态可用二进 制表示为：［１０ １１０１ １０ 。种方案简 １１ １１１ １１１］ 洁 明 了 ，但 在 Ｇ 的 运 行 过程 中会 产 生 大 量 Ａ
…
…
…
…
…
…
…
…
…
…
。
皇王研霾．＿ （ｌ （ （ （
配 电网重 构中．俸 算法编玛策略宥饼究 逭 与
三峡 大学电气与新能源学院 叶 婧 赵辛欣
【 摘要】遗传算法 由于其较 强的鲁棒 性，在 配电网重构 中得到 了应用。遗传算法 的编码策略对整个算 法的计 算效率有极大的影响 ，介绍 了遗传算法 （ Ｍ 在配电网重 Ｇ 构 中常见的几种编码策略 ，分析 了它们的性能 ，并指出 了 有待进一步研 究的问题。 【 关键词】遗传算法；配 电网重构 ；编码 ；计算效率