CN104091214A - 一种基于量子遗传算法的10kV配网无功优化方法 - Google Patents

Abstract

本发明提供了一种基于量子遗传算法的10kV配网无功优化方法，首先构建有功网损最小的模型，对所述控制变量进行量子比特概率幅编码来构建模型解空间的个体，而不是直接采用控制变量数值本身进行编码，由于概率幅含义为全部可能状态的等概率相加，因此采用概率幅进行量子编码的长度，能够小于传统二进制编码的长度，从而提高算法的计算效率。并且本方法提出新的量子交叉的方法，进行量子旋转门更新的两个体的更新目标互相，能够改善种群多样性，避免个体收敛于自身的局部最优解的情况。因此本发明能够缩短运算周期，提高计算效率，有机会跳出局部最优解，进入新的搜索空间，使得算法最终收敛于全局最优解。

Description

一种基于量子遗传算法的10kV配网无功优化方法

技术领域

本发明涉及电力技术领域，尤其涉及一种基于量子遗传算法的10kV配网无功优化方法。

背景技术

配电网是直接向用电客户供电的电力网络，10KV配电线路的电压质量显得尤为重要。作为影响电压的重要因素之一，解决好配电网络无功补偿的问题，对电网的安全性和降损节能有着重要意义。

配网无功补偿主要通过调节有载调压分接头和无功补偿容量投切控制器来实现，目前，无功优化方法主要是智能方法，智能方法的代表之一是遗传算法但遗传算法的计算效率低、优化速度慢、但参数选取不当时，会过早收敛于局部最优解。

因此现在需要新型的遗传算法以缩短运算周期提高计算效率，有机会跳出局部最优解，进入新的搜索空间，使得算法最终收敛于全局最优解。

发明内容

本发明提供了一种基于量子遗传算法的10kV配网无功优化方法，本发明能够缩短运算周期，提高计算效率，有机会跳出局部最优解，进入新的搜索空间，使得算法最终收敛于全局最优解。

为了实现上述目的本发明提供了以下技术特征：

一种基于量子遗传算法的10kV配网无功优化方法，包括：

构建电能有功网损最小的模型，模型的约束条件为系统潮流约束，潮流约束中的变量约束包括控制变量的约束条件和状态变量的约束条件；

基于量子遗传算法对所述控制变量进行量子比特概率幅编码，构建模型的个体，控制变量的参数不同，个体也随之不同；

随机产生初始种群，将初始种群作为当前种群；

对当前种群中的每个个体进行测量，获得每个个体的测量值，对每个个体进行适应度计算获得适应值；获得种群中最优个体及最优适应值、局部最优个体及局部适应值；

判断是否达到终止进化条件；

当达到终止进化条件则输出最优个体及最优适应值；

当未达到终止进化条件，则以随机抽取当前种群中两个个体，及与两个个体对应的局部最优解，将两个个体的局部最优解互换，利用量子交叉方法产生新个体，将新个体加入当前种群获得新种群，将新种群作为当前种群，再对当前种群中的每个个体进行测量，直到达到终止进化条件。

优选的，基于量子遗传算法对所述控制变量进行量子比特概率幅编码，构建模型的个体包括：

采用k个量子比特来表示分布式电源发电机机端电压，k取决于分布式电源发电机机端电压的量化精度；

采用l个量子比特的有载可调变压器变比分接头档位，l取决于接头调控范围的最大值；

采用m个量子比特的无功补充装置投切组数，m取决于投切组数调控范围的最大值；

将k个量子比特的分布式电源发电机机端电压、l个量子比特的有载可调变压器变比分接头档位和m个量子比特的无功补充装置投切组数，组成一个控制变量的个体。

优选的，对每个个体进行适应度计算获得适应值包括：

对每个个体进行测量，得到二进制编码，获得二进制个体；

在所述约束条件下，将所述二进制个体解码为十进制个体；

对种群每个十进制个体利用潮流计算方法进行计算，获得所有变量的值；

利用变量值代入适应度函数，获得适应值。

优选的，将两个个体的局部最优解互换，利用量子交叉方法产生新个体包括：

将其中一个个体作为第一个体，另外一个作为第二个体，与第一个体对应的局部最优解为第一最优目标，与第二个个体对应的局部最优解为第二最优目标；

将第一最优目标作为第二个体的局部最优目标，对第二个体进行一次量子旋转门更新；

将第二最优目标作为第一个体的局部最优目标，对第一个体进行一次量子旋转门更新；

还原各自的局部最优目标，生成新个体。

优选的，终止进化条件包括：

当前种群达到预设代数、所有个体适应值均一致或预设数量代数的适应值没有得到改善。

优选的，还包括：

当达到终止进化条件后，还输出所有变量的值。

本发明提供了一种基于量子遗传算法的10kV配网无功优化方法，首先构建有功网损最小的模型，对所述控制变量进行量子比特概率幅编码来构建模型解空间的个体，而不是直接采用控制变量数值本身进行编码，由于概率幅含义为全部可能状态的等概率相加，因此采用概率幅进行量子编码的长度，能够小于传统二进制编码的长度，从而提高算法的计算效率。

并且本方法提出新的量子交叉的方法，进行量子旋转门更新的两个体的更新目标互相，能够改善种群多样性，避免个体收敛于自身的局部最优解的情况。因此本发明能够缩短运算周期，提高计算效率，有机会跳出局部最优解，进入新的搜索空间，使得算法最终收敛于全局最优解。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种基于量子遗传算法的10kV配网无功优化方法的流程图；

图2为本发明实施例公开的又一种基于量子遗传算法的10kV配网无功优化方法的流程图；

图3为本发明实施例公开的又一种基于量子遗传算法的10kV配网无功优化方法的流程图；

图4为本发明实施例公开的又一种基于量子遗传算法的10kV配网无功优化方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在详细介绍本发明之前首先说明一下量子遗传算法，该算法是以量子计算的概念和理论为基础，用量子位编码来表示个体，用量子旋转门更新完成进化搜索，具有种群规模小、同时兼顾种群多样性和改善进化方向的能力、收敛速度快。本发明将量子遗传算法应用于10kV配网无功优化，针对该问题，提出相应的编码方式、量子交叉方式，来提高算法的效率和全局最优解的概率，下面介绍本发明的具体实施方式：

如图1所示，本发明提供了一种基于量子遗传算法的10kV配网无功优化方法，包括：

步骤S101：构建电能有功网损最小的模型，模型的约束条件为系统潮流约束，潮流约束中的变量约束包括控制变量的约束条件和状态变量的约束条件；

控制变量是随机产生的，约束条件是电网运行或者设备预先设定的，潮流约束，即有功平衡，无功平衡，及相关变量的限制约束。

步骤S102：基于量子遗传算法对所述控制变量，进行量子比特概率幅编码构建模型的个体，控制变量的参数不同，个体也随之不同；

步骤S103：随机产生初始种群，将初始种群作为当前种群。

步骤S104：对当前种群中的每个个体进行测量，获得每个个体的测量值，对每个个体进行适应度计算获得适应值；获得种群中最优个体及最优适应值、局部最优个体；

在求解适应值的过程中可以获得种群中的最优个体和大于最优个体对应的最优适应值，依据多个局部最优个体及与其对应的局部适应值，将满足所有约束条件，或者与约束条件相比出现越界行为，越界幅值最小的者为最优个体。

步骤S105：判断是否达到终止进化条件；

本发明中，可以选取三种条件作为终止进化条件：

第一种：当前种群达到预设代数；初始种群每更新一代，则增加一次代数，当当前种群达到预设规定的代数后，则终止进化，理论上认为，更新预设代数后，便可出现最优化个体，所以达到预设代数后，便停止进化，预设代数为人为依据现有技术经验得出的。

第二种：所有个体适应值均一致；

当所有的个体的适应值均一致，则表明此时各个个体之间的都是类似的，无最优个体之分，所以此时便无需再进行更新和优化。

第三种：预设数量代数的适应值没有得到改善，第三种为即便进行预设数量的更新后，个体的适应值没有得到改善，还是不能够得到一个最优个体，此时则终止进化条件，因为即便再更新，也不会有更优个体出现了，所以便停止进化。

步骤S106：当达到终止进化条件则输出最优个体及最优适应值；当达到终止进化条件后，还会输出所有变量的值。即进行潮流计算的后获得的结果。

步骤S107：当未达到终止进化条件，则随机抽取当前种群中两个个体，及与两个个体对应的局部最优解，将两个个体的局部最优解互换，利用量子交叉方法产生新个体，将新个体加入当前种群获得新种群，将新种群作为当前种群，再进入步骤S104。

当未达到终止条件，则要继续更新和进化当前种群，为了避免产生局部最优解，本发明采用量子交叉算法对初始种群进行更新。优选的，将两个个体对应的局部最优个体进行交换，产生新种群。

本发明通过量子个体编码方式缩短传统二进制编码的长度，提高算法的计算效率；将量子理论引入到遗传算法中改善种群的多样性，针对同一优化问题所采用的种群数小于基本遗传算法；提出新的量子交叉的方法，将交叉概念融合到量子旋转门更新中，能够解决10kV配网的无功优化方案中计算效率低、有可能收敛到局部最优解的问题，还能够得到10kV配网无功优化配置及变压器分接头最佳位置。

优选的，上述步骤S101中基于量子遗传算法对所述控制变量进行量子比特概率幅编码构建控制变量的个体，如图2所示，包括：

步骤S201：采用k个量子比特来表示配网中分布式电源发电机机端电压，k取决于分布式电源发电机机端电压的量化精度；

将分布式电源发电机机端电压数值用量子比特编码，采用Uq表示，电压实数值可转化为k位二进制码，每一位二进制码用一位量子比特来表示，k取决于量化精度。例如：k值为2，其量化精度为1/2^k＝0.25；每个量子比特同时用概率幅α，β来表示，概率幅用来表示个体的可能状态的概率。

步骤S202：采用l个量子比特的有载可调变压器变比分接头档位，l取决于接头调控范围的最大值；

可调分压器变比分接头的档位采用Tq表示，有多个调控范围，用来调节分压器，使变压器工作在正常范围内，例如：调控范围有7档，则2^l>＝7，l＝3，一个量子比特代表一位二进制码。

步骤S203：采用m个量子比特的无功补充装置投切组数，m取决于投切组数调控范围的最大值；

无功补充装置投切组数采用Nq表示，编码方法同分接头档位量子编码。

步骤S204：将k个量子比特的分布式电源发电机机端电压Uq、l个量子比特的有载可调变压器变比分接头档位Tq和m个量子比特的无功补充装置投切组数Nq，组成一个控制变量的个体。

将分布式电源发电机机端电压Uq、分接头档位Tq和投切组数Nq组合形成一个控制变量个体，即[Uq Tq Nq]。

本发明采用量子个体编码方式，相当于传统二进制编码的方式而言，缩短了长度，方便了处理器进行运算。

优选的，步骤S103中对每个个体进行适应度计算获得适应值，如图3所示，包括：

步骤S301：对每个个体进行测量得到二进制编码，获得二进制个体；

步骤S302：在所述约束条件下，将所述二进制个体解码为十进制个体；

步骤S303：对种群每个十进制个体利用潮流计算方法进行计算，获得所有变量的值；

步骤S304：利用变量值构建适应度函数，求解适应度函数获得适应值。

如图4所示，优选的，将两个个体的局部最优解互换，利用量子交叉方法产生新个体包括：

步骤S401：将其中一个个体作为第一个体，另外一个作为第二个体，与第一个体对应的局部最优解为第一最优目标，与第二个个体对应的局部最优解为第二最优目标；

步骤S402：将第一最优目标作为第二个体的局部最优目标，对第二个体进行一次量子旋转门更新；

步骤S403：将第二最优目标作为第一个体的局部最优目标，对第一个体进行一次量子旋转门更新；

步骤S404：还原各自的局部最优目标，生成新个体。

量子交叉优化算法，即将第一最优个体，作为第二个体的最优目标，将第二最优个体作为第一个体的最优目标，按新的目标进行更新，所以第一个体便不会再局限于自己的第一最优个体，第二个体也不会局限于自己的第二最优个体，每次更新的时候，都会产生新的个体进行更换，所以不会局限于局部最优解，而且还使种群具有多样性，解决了现有技术中局部最优解的问题。

下面介绍本发明的一种具体实施例，包括如下的步骤：

1、采集电网运行参数，运行参数包括：电网拓扑、线路参数、变电站参数、各种运行方式下的各节点负荷参数、发电机参数、节点电压允许运行范围、无功补偿设备参数、所有控制变量的约束条件、状态变量的约束条件；

2、构造由系统控制变量组成的个体，随机产生初始种群。

a、量子个体编码

本发明提出一种新的量子个体编码，将各控制变量用概率幅来表示。

$\left[\begin{array}{cccc}\mathrm{\α}1& \mathrm{\α}2& \·\·\·& \mathrm{\αk}\\ \mathrm{\β}1& \mathrm{\β}2& \·\·\·& \mathrm{\βk}\end{array}\right]$

用k个量子比特表示分布式电源发电机机端电压(k取决于实数精度)；

$\left[\begin{array}{cccc}\mathrm{\α}1& \mathrm{\α}2& \·\·\·& \mathrm{\αl}\\ \mathrm{\β}1& \mathrm{\β}2& \·\·\·& \mathrm{\βl}\end{array}\right]$

用l个量子比特表示有载可调变压器变比分接头档位(l取决于接头调控范围)；

$\left[\begin{array}{cccc}\mathrm{\α}1& \mathrm{\α}2& \·\·\·& \mathrm{\αm}\\ \mathrm{\β}1& \mathrm{\β}2& \·\·\·& \mathrm{\βm}\end{array}\right]$

用m个量子比特表示无功补偿装置投切组数(m取决于投切组数调空范围)。

由此一个完整的染色体可以表示为Xq＝[Uq Tq Nq]

b、初始化种群，种群规模为n。种群Xq(t)＝{Xq^t ₁,Xq^t ₂,…,Xq^t _n}，其中Xq^t _j表示为t代第j个染色体。种群中全部染色体的所有基因概率幅α，β的初值，全部为其平方和等于1。表示一个染色体的含义为全部可能状态的等概率相加。

c、对初始种群中的个体进行一次测量，以获得一组确定的解R(t)＝{γ^t ₁,γ^t ₂,…,γ^t _n}，其中γ^t _j为t代种群中第j个染色体的测量值，表现形式为长度是k+l+m的二进制码，其中每一位为0或1，根据量子比特的概率幅|α|²、|β|²测量得到的。测量过程为：随机产生一个0～1之间的数，若它大于概率幅的平方，则测量结果取值为1，否则取值为0。由此将量子个体转变成二进制个体，变成二进制的个体后，才能计算其适应度的值。

3、对R(t)中的每个个体进行适应度评价

在控制变量约束范围内，将二进制个体解γ^t _j解码为十进制个体解。

根据上述步骤中提供的数据，对种群的每个十进制个体，采用牛顿-拉夫逊潮流计算方法求解潮流方程，可得到所有状态变量的值，包括各个节点的电压和相角。

4、以配电网有功损耗作为优化过程中的适应度函数：

$f=P(V,\mathrm{\θ})=\underset{i-1}{\overset{n}{\mathrm{\Σ}}}{V}_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}})$

其中V为节点电压幅值，θ为节点电压相角，G为节点间的电导，B为节点间的电纳，n为所有节点数，计算得到适应度函数值，将适应度函数值作为适应值。

记录种群的最优个体Xqgbest及其适应值、每个个体进化过程中局部最优个体Xqpbest_j及其适应值。最优个体的选择，需要考虑模型中的所有约束，如有违反变量约束的情况，则以没有越界或越界较小者为优。

5、判断是否满足终止进化准则(可取为进化过程达到一定代数或所有个体适应值均一致或连续若干代目标函数值没有得到改善)，若获得了满意的解或达到结束条件则中止，转步骤6，如果不满足则转步骤7继续；

6、输出优化结果包括各控制变量、状态变量的值、系统潮流水平以及系统有功损耗等，结束。

7、以随机或轮盘赌的方式抽取个体进行量子交叉，量子交叉具体步骤如下：

通过随机或轮盘赌方式挑选出的个体XqA和XqB，以个体XqA的局部最优目标XqpbestA作为个体XqB的局部最优目标，对个体XqB进行一次量子旋转门的更新。以个体XqB的局部最优目标XqpbestB作为个体XqA的局部最优目标，对个体XqA进行一次量子旋转门的更新。还原各自的局部最优目标，从而产生新种群。对新种群中的所有个体进行一次测量，进入步骤3。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于量子遗传算法的10kV配网无功优化方法，其特征在于，包括：

构建电能有功网损最小的模型，模型的约束条件为系统潮流约束，潮流约束中的变量约束包括控制变量的约束条件和状态变量的约束条件；

基于量子遗传算法对所述控制变量进行量子比特概率幅编码，构建模型的个体，控制变量的参数不同，个体也随之不同；

随机产生初始种群，将初始种群作为当前种群；

对当前种群中的每个个体进行测量，获得每个个体的测量值，对每个个体进行适应度计算获得适应值；获得种群中最优个体及最优适应值、局部最优个体及局部适应值；

判断是否达到终止进化条件；

当达到终止进化条件则输出最优个体及最优适应值；

当未达到终止进化条件，则以随机抽取当前种群中两个个体，及与两个个体对应的局部最优解，将两个个体的局部最优解互换，利用量子交叉方法产生新个体，将新个体加入当前种群获得新种群，将新种群作为当前种群，再对当前种群中的每个个体进行测量，直到达到终止进化条件。

2.如权利要求1所述的方法，其特征在于，基于量子遗传算法对所述控制变量进行量子比特概率幅编码，构建模型的个体包括：

采用k个量子比特来表示分布式电源发电机机端电压，k取决于分布式电源发电机机端电压的量化精度；

采用l个量子比特的有载可调变压器变比分接头档位，l取决于接头调控范围的最大值；

采用m个量子比特的无功补充装置投切组数，m取决于投切组数调控范围的最大值；

将k个量子比特的分布式电源发电机机端电压、l个量子比特的有载可调变压器变比分接头档位和m个量子比特的无功补充装置投切组数，组成一个控制变量的个体。

3.如权利要求1所述的方法，其特征在于，对每个个体进行适应度计算获得适应值包括：

对每个个体进行测量，得到二进制编码，获得二进制个体；

在所述约束条件下，将所述二进制个体解码为十进制个体；

对种群每个十进制个体利用潮流计算方法进行计算，获得所有变量的值；

利用变量值代入适应度函数，获得适应值。

4.如权利要求1所述的方法，其特征在于，将两个个体的局部最优解互换，利用量子交叉方法产生新个体包括：

将其中一个个体作为第一个体，另外一个作为第二个体，与第一个体对应的局部最优解为第一最优目标，与第二个个体对应的局部最优解为第二最优目标；

将第一最优目标作为第二个体的局部最优目标，对第二个体进行一次量子旋转门更新；

将第二最优目标作为第一个体的局部最优目标，对第一个体进行一次量子旋转门更新；

还原各自的局部最优目标，生成新个体。

5.如权利要求1所述的方法，其特征在于，终止进化条件包括：

当前种群达到预设代数、所有个体适应值均一致或预设数量代数的适应值没有得到改善。

6.如权利要求3所述的方法，其特征在于，还包括：

当达到终止进化条件后，还输出所有变量的值。