CN106154830A - 一种基于改进的自适应遗传算法的切机优化方法 - Google Patents

Abstract

本发明提出一种基于改进的自适应遗传算法的切机优化方法。将每一套切机优化方案作为遗传算中的个体，根据不同数目的发电机组，设置相应的遗传次数和每次进行迭代的切机优化方案个体数目，根据每套切机优化方案的适应度函数值来选取其最优的切机优化方案，并对最优的切机优化方案进行交叉和变异操作，获得新一代较优的初始切机优化方案；再依据新一代较优的初始切机优化方案的适应度函数值，选取其中更优的切机优化方案，然后再进行交叉和变异操作；重复进行上述迭代过程，直到输出最优的切机优化方案。本发明在发电机组数目较多的情况下，也不必考虑发电机组的分组问题，即可快速得出最优切机优化方案，实现快速切机。

Description

一种基于改进的自适应遗传算法的切机优化方法

技术领域

本发明属于电力系统稳定控制技术领域，具体涉及一种基于改进的自适应遗传算法的切机优化方法，为稳定控制装置优化切机的快速实现提供依据。

背景技术

随着我国经济的迅速发展，对电力的需求量也在不断的增长。电力系统的网络越来越庞大，电力系统的结构也越来越复杂。作为保证社会经济稳定发展的重要基础设施，确保电力系统的稳定运行有着非常重要的意义。

电力系统网络中发生功角失稳或频率失稳故障后，就需要稳控装置及时采取有效的切机措施。在发生故障后，为了确保电力系统失稳后可以迅速恢复稳定运行，切机量只能在一个合理区间范围内：若为过切，过切量不能过大；若为欠切，欠切量也不能过大。若切机量误差过大，则会造成电力系统功角稳定、热稳定、频率稳定问题，甚至会造成电力系统的崩溃，影响电力系统网络的安全、稳定运行。

传统稳定控制装置的切机优化方发采用的是分组穷举法。对于穷举法而言，这种方法的计算时间与发电机组个数之间呈指数型关系。因此，发电机组个数较多时，穷举法的计算时间将会很长，限制了稳控装置所能考虑的最大需切发电机组的个数，降低了运行效率。将发电机组进行分组考虑，再采用穷举法，也不能够完全保证所得出的切机优化方案为最优切机方案，可能为局部最优切机方案。

发明内容

本发明的目的在于提出一种基于改进的自适应遗传算法的切机优化方法，在发电机组数目较多的情况下，也不必考虑发电机组的分组问题，即可快速得出最优切机优化方案，实现快速切机。

为了解决上述技术问题，一种基于改进的自适应遗传算法的切机优化方法，将每一套切机优化方案作为遗传算中的个体，根据不同数目n台发电机组，设置相应的遗传次数NG和每次进行迭代的切机优化方案个体数目NP，初始化给定NP套初始切机优化方案，根据每套切机优化方案的适应度函数值来选取其最优的切机优化方案，并对最优的切机优化方案进行交叉和变异操作，获得新一代较优NP套初始切机优化方案；再依据新一代较优NP套初始切机优化方案的适应度函数值，选取其中更优的切机优化方案，然后再进行交叉和变异操作；重复进行上述迭代过程，直到输出最优的切机优化方案。

进一步，初始化给定的NP套初始切机优化方案中，有五套初始切机优化方案使用贪婪算法获得，其余的(NP-5)套初始切机优化方案由随机函数产生。

进一步，使用贪婪算法获得五套初始切机优化方案过程为：将稳控策略所确定的需切量P_L划分为两个等级范围0～P_LO和P_LO～P_Lmax，其中P_LO为稳控策略所确定的需切量历史数据的平均值，P_Lmax为稳控策略所确定的需切量历史数据中最大值；当稳控策略所确定的需切量P_L在等级范围0～P_LO内，则将n台发电机组的出力值P_i从小至大排列，按照需切量分别为1.10P_L、1.05P_L、P_L、0.95P_L、0.90P_L，通过贪婪算法求出所述五套切机优化方案；当稳控策略所确定的需切量为P_L在等级范围P_LO～P_Lmax内，则将n台发电机组的出力值P_i从大至小排列，按照需切量分别为1.10P_L、1.05P_L、P_L、0.95P_L、0.90P_L，通过贪婪算法求出所述五套切机优化方案，其中i＝1,2,3...n。

进一步，选取适应度函数值为NP套切机优化方案中的最大值所对应的切机优化方案作为较优的切机优化方案，然后使用遗传算法对选择的较优的切机优化方案进行交叉和变异操作，产生出新一代较优的NP套切机优化方案。

进一步，计算适应度值的函数如公式(1)所示，

F_max＝P_max-|ΔP| (1)

公式(1)中，F_max为适应度函数的最大值，其为发电机组出力值总和P_max与实际切机量和需切量之间的误差ΔP之间的差值。

本发明与现有技术相比，其显著优点在于，本发明方法在确定初始优化切机方案时，使用贪婪算法先确定少量优化方案，然后随机生成其他优化方案，加快了收敛速度，降低了计算时间；(2)本发明对于不同数目的发电机组设定不同的最大迭代次数NG和切机优化方案数NP，在确保运行时间较短的同时，提高了最优切机优化方案的准确度；(3)本发明方法在发电机组数目较多的情况下，不需要将所有可行的切机优化方案一一列举进行比较，而是通过给定初始切机优化方案，然后进行选择、交叉以及变异操作便可以得出最优切机优化方案，当发电机组数目较多时，相对于传统穷举法而言，极大地降低了切机优化的时间，可以在短时间内得出优化切机问题的最优解，即获得最优切机优化方案。

附图说明

图1是本发明方法简易流程图。

图2是本发明方法详细流程图。

图3是本发明实验中需切量为457MW过切情况结果分析柱状图。

图4是本发明实验中需切量为2350MW过切情况结果分析柱状图。

具体实施方式

在本发明的基本思想为：将每一套切机优化方案作为遗传算中的个体，根据不同数目n台发电机组，设置相应的遗传(迭代)次数NG和每次进行迭代的切机优化方案个体数目NP，初始化给定NP套初始切机优化方案，根据每套切机优化方案的适应度函数值来选取其最优的切机优化方案，并对最优的切机优化方案进行交叉和变异操作，获得新一代较优NP套初始切机优化方案；再对一代较优NP套初始切机优化方案通过适应度函数值，选取其中更优的切机优化方案(个体)，然后再进行交叉和变异操作；重复进行上述迭代过程，直到输出最优的切机优化方案。

本发明使用遗传算法需要解决的优化切机问题如下：

对于统稳定控制装置实时采集信息的n台发电机组，每台发电机组出力值用P_i(i＝1,2,3...n)来表示，每台发电机组的切机选择情况用变量C_i(i＝1,2,3...n)来表示：C_i＝1表示第i台发电机组选择切除；C_i＝0表示第i台发电机组选择保留，根据稳控策略所确定的需切量用P_L表示，据此建立如式(1)所示的目标函数，将实际的切机优化问题转化为数学问题，将抽象的实际问题具体化，为最优切机方案的选择提供量化的依据。

ΔP＝C₁P₁+C₂P₂+...+C_n-1P_n-1+C_nP_n-P_L (1)

式(1)中，ΔP为实际切机量与需切量之间的差值，即误差值，误差值越小，表明该切机优化方案越好。根据如公式(1)所示的目标函数可以获得三种切机方案结果：ΔP＞0表示过切方案；ΔP＜0表示欠切方案；ΔP＝0表示实际切机量正好等于需切量的理想切机方案。

在对遗传算法的运算操作过程中，首先需要对n台发电机组进行编码，由于每台发电机组的切机选择情况用变量C_i(i＝1,2,3...n)来表示，仅有C_i＝1或者C_i＝0这两种状态，因此采用二进制编码的方式对n台发电机组进行编码。对于二进制编码，发电机组个数为n，则每一套切机优化方案的二进制编码的码长则为n位，编码的每一位C_i的值则代表第i台发电机组在切机优化方案中是否保留或者切除。二进制编码的方式主要优点在于编码、解码操作简单易行，交叉操作以及变异操作等遗传操作容易实现。任意一套切机优化方案(个体)二进制编码如式(2)所示，

$\begin{array}{cccccccccc}1& 0& 0& 0& 1& 1& & 1& 0& 1\\ \↓& \↓& \↓& \↓& \↓& \↓& ...& \↓& \↓& \↓\\ C_1& C_2& C_3& C_4& C_5& C_6& & C_{n-2}& C_{n-1}& C_n\end{array}---\left(2\right)$

式(2)中，在切机优化方案中编码C_i的值为“1”时，则对应编号第i台的发电机组选择切除；其余编码C_i的值为“0”，则对应编号第i台发电机组选择保留。

在基于遗传算法求解优化切机方案时，需要给出初始解，即初始切机优化方案S_j(j＝1,2,3...NP)，给出NP套初始切机优化方案，那么遗传算法中每次进行迭代的个体数目即为NP，迭代次数D_m(m＝1,2,3...NG)，即遗传算法中最大遗传(迭代)次数为NG。

本发明方法的具体步骤如下过程：

步骤一、根据不同数目n台发电机组，设置相应的遗传(迭代)次数NG和每次进行迭代的切机优化方案个体数目NP，给定需切量P_L；

步骤二、选取遗传算法的初始解，即选取NP套初始切机优化方案，作为遗传算中的个体。

针对遗传算法求解优化切机的实际问题，需要给出初始切机优化方案作为遗传算法进行迭代的初始解，才可以得出最优切机优化方案。初始解的给定决定了遗传算法能否快速收敛，而往往初始切机优化方案是不准确的，需要采用合适的方法进行选取来提高准确度，使遗传算法迭代较少的次数便可以得出最优方案。本发明中，NP套初始切机优化方案中，有五套初始切机优化方案使用贪婪算法获得，其余的(NP-5)套初始切机优化方案(个体)由随机函数产生。

使用贪婪算法获得五套初始切机优化方案过程为：将稳控策略所确定的需切量P_L进行等级划分，针对该切机优化问题，划分为两个等级范围0～P_LO和P_LO～P_Lmax，其中P_LO为稳控策略所确定的需切量历史数据的平均值，P_Lmax为稳控策略所确定的需切量历史数据中最大值。当稳控策略所确定的需切量P_L在等级范围0～P_LO内，则将n台发电机组的出力值P_i(i＝1,2,3...n)从小至大排列，按照需切量分别为1.10P_L、1.05P_L、P_L、0.95P_L、0.90P_L，通过传统贪婪算法，求出五套较优切机优化方案作为初始解；当稳控策略所确定的需切量为P_L在等级范围P_LO～P_Lmax内，则将n台发电机组的出力值P_i(i＝1,2,3...n)从大至小排列，按照需切量分别为1.10P_L、1.05P_L、P_L、0.95P_L、0.90P_L，通过传统贪婪算法，求出五套较优切机优化方案作为初始解。

步骤三，计算每个切机优化方案的适应度函数值，将每一套切机优化方案的适应度函数值进行比较，选取适应度函数值为NP套切机优化方案中的最大值所对应的切机优化方案作为较优的切机优化方案，使用遗传算法对选择的较优的切机优化方案进行交叉和变异操作，产生出新一代较优的NP套切机优化方案。重复步骤三，直至满足迭代终止的条件，输出最优切机优化方案。

本发明根据公式(1)所述目标函数进行变换后获得适应度函数，变换过程为：

第一步：当切机优化方案为欠切时的适应度函数如公式(3)所示，

F_max1＝P_max-|ΔP| 约束条件：ΔP＜0 (3)

第二步：切机优化方案为过切时的适应度函数如公式(4)所示，

F_max2＝P_max-ΔP 约束条件：ΔP＞0 (4)

公式(4)中P_max＝P₁+P₂+P₃+...+P_n-1+P_n，即P_max为n台发电机组出力值P_i(i＝1,2,3...n)的总和，F_max1和F_max2分别为欠切和过切时的适应度函数的最大值。

第三步：将上述欠切和过切时的适应度函数进行整合，最终得到的适应度函数如公式(5)所示，

F_max＝P_max-|ΔP| (5)

公式(5)中，F_max为适应度函数的最大值，为发电机组出力值总和P_max与实际切机量和需切量之间的误差ΔP之间的差值。建立上式的适应度函数，是为切机优化方案的选择和比较提供了量化的依据。

作为迭代终止条件通常有三种：第一种是达到预先所规定的最大迭代次数NG而停止计算；第二种是在连续迭代一定次数的过程中，发现NP套切机优化方案的适应度函数最大值没有发生改变而停止计算；第三种是在连续迭代一定次数的过程中，将每一次迭代后所获得的最优切机优化方案的适应度值与NP套切机优化方案的适应度函数平均值相减，如若该数值小于某一设定的常数时，则就停止计算。

本发明可以通过以下仿真实验进一步说明。本仿真实验在计算机上，利用Matlab软件进行编程和仿真计算分析，验证了本发明相比于穷举法所体现出来的适用于在较多数目发电机组情况下快速求解优化切机问题的优势。仿真实验的实施过程为：

如下表1所示的发电机组数据算例，共有19台发电机组的相应数据。从算例中选择发电机组，当考虑19台发电机组时，发电机组序号分别为1～19；当考虑18台发电机组时，发电机组序号分别为1～18；以此类推，直至当考虑11台发电机组时，发电机组序号分别为1～11。对于发电机组数目不同的情况，分别应用穷举法和本发明方法进行优化切机问题的计算，对比分析相同条件下两种方法的计算时间以及计算结果。

在计算过程中，为了确保模拟运行结果的可靠性和准确性，根据实际情况，选取两个需切量P_L值进行计算，分别为457MW和2350MW，从需切量P_L的值较小和较大时分别进行验证。

表1发电机组数据算例

发电机组	出力/MW	发电机组	出力/MW	发电机组	出力/MW	发电机组	出力/MW
								发电机组1	420	发电机组6	230	发电机组11	85	发电机组16	40
发电机组2	395	发电机组7	185	发电机组12	65	发电机组17	35
								发电机组3	375	发电机组8	145	发电机组13	55	发电机组18	30
发电机组4	350	发电机组9	135	发电机组14	50	发电机组19	25
								发电机组5	240	发电机组10	100	发电机组15	45

通过采用本发明方法对算例模拟运行，根据不同发电机组的数目n来设定合适的迭代次数NG和每一次进行迭代的切机优化方案数目NP，相应的参数设置可以见下表2，交叉率系数k₁、k₂分别为0.5和0.9，变异率系数k₃、k₄分别为0.02和0.05，在Matlab软件中进行模拟运行。

表2发电机组数目与迭代次数和迭代切机优化方案数目对照表

发电机组数目/台	迭代次数	方案数目	发电机组数目/台	迭代次数	方案数目
						19	40	40	14	40	20
18	40	40	13	30	20
						17	40	40	12	30	20
16	40	30	11	30	20
						15	40	20

如表2所示，设定模拟运行的参数：根据不同发电机组的数目n来设定合适的迭代次数NG和每一次进行迭代的切机优化方案数目NP。对于不同数目的发电机组，方法中交叉率系数k₁、k₂分别为0.5和0.9，变异率系数k₃、k₄分别为0.02和0.05，虽然发电机组数目不同，但是k₁、k₂、k₃和k₄的取值不进行变化，降低本发明方法的复杂性，节省算法的运行时间，通过Matlab软件的仿真运行结果如表3～表6所示：

表3需切量为457MW过量切机的仿真运行结果

表4需切量为457MW欠量切机的仿真运行结果

表5需切量为2350MW过量切机的仿真运行结果

表6需切量为2350MW欠量切机的仿真运行结果

对于穷举法而言，由上述模拟运行结果表3～表6可见，在同一参数下，过量切机和欠量切机两种切机情况的运行时间基本一致。从而可以得到以下结论：

(1)当发电机组数目较少时，穷举法运行时间较短，并且运行时间随发电机组数目成指数关系增长，发电机组数目为11台时，运行时间为7～10个毫秒，而发电机组数目为19台时，运行时间则增长到1400～1700个毫秒，故穷举法不适用于发电机组数目较多的情况，不能够实现快速求出最优切机优化方案。

(2)在相同发电机组数目、不同需切量的情况下，穷举法的运行时间基本一致，说明需切量的大小对穷举法的运行时间没有影响。

对本发明方法而言，由上述模拟运行结果表3～表6可见，在同一参数下，过量切机和欠量切机两种切机情况的运行时间基本一致。从而可以得到以下结论：

(1)本发明方法的运行时间与需切量无关，只与迭代次数NG和每一次进行迭代的切机优化方案数目NP有关，而这两个参数的设置又与发电机组的数目有关。

(2)当发电机组数目相同时，设置相同的迭代次数NG和每一次进行迭代的切机优化方案数目NP，虽然需切量不同，但是运行时间是接近的。当发电机组数目较多时，由于搜索范围较大，需要迭代次数NG和每一次进行迭代的切机优化方案数目NP设置为比较大的值才可以保证足够收敛，确保每次运行结果的精度，因此运行时间相对来说较长；当发电机组数目较少时，由于搜索范围较小，迭代次数NG和每一次进行迭代的切机优化方案数目NP设置为比较小的值即可足够收敛，确保每次运行结果的精度，因此运行时间大大缩短。

(3)根据运行情况来看，当发电机组数目为11台的运行时间和发电机组数目为19台的运行时间相差不大，相差约30～40ms左右，实际需切量与理想切机量会有偏差，都处于合理偏差范围值之内，而且每次运行输出结果都相对接近，运行结果相对稳定，结果可以作为优化切机方案使用。

对于穷举法和本发明方法，由上述模拟运行结果表3～表6可见，采用每一种算法，在相同的发电机组数目和需切量下模拟运行，过量切机和欠量切机两种切机情况的运行时间基本一致，故只对过切情况下，对穷举法与本发明方法在相同的发电机组数目和需切量下的运行结果进行对比分析。

需切量为457MW和2350MW时，过切情况下穷举法与本发明方法的运行结果对比柱状图，分别如图2、图3所示，由图可以看出：

(1)当发电机组数目n≤12台，穷举法的运行时间优于本发明方法的运行时间。本发明方法的运行时间为穷举法的运行时间的2～3倍。由于发电机组数目较少，求解搜索范围较小，而本发明方法需要求解特定初始切机优化方案、对每套切机优化方案进行二进制编码、选择操作、交叉操作、变异操作，因此，增加了算法运行时间。

(2)当发电机组数目n>12台，本发明方法的运行时间优于穷举法的运行时间。穷举法的运行时间为本发明方法运行时间的1～30倍，而且随着发电机组数目n的增加，运行时间的差距越来越明显。当发电机组数目n较多时，求解搜索范围较大，穷举法的运行时间随发电机组数目成指数关系增长，而本发明方法可以快速求出最优切机优化方案。

综上所述，本发明方法在求解发电机组数目较多情况下的切机优化问题明显优于穷举法，可以快速求解出切机优化最优方案，并且经过实例进行了验证，为稳定控制装置优化切机的快速实现提供了理论指导，为切机优化问题的求解提出了一种创新的解决思路。

Claims (5)

1.一种基于改进的自适应遗传算法的切机优化方法，其特征在于，将每一套切机优化方案作为遗传算中的个体，根据不同数目n台发电机组，设置相应的遗传次数NG和每次进行迭代的切机优化方案个体数目NP，初始化给定NP套初始切机优化方案，根据每套切机优化方案的适应度函数值来选取其最优的切机优化方案，并对最优的切机优化方案进行交叉和变异操作，获得新一代较优NP套初始切机优化方案；再依据新一代较优NP套初始切机优化方案的适应度函数值，选取其中更优的切机优化方案，然后再进行交叉和变异操作；重复进行上述迭代过程，直到输出最优的切机优化方案。

2.如权利要求1所述基于改进的自适应遗传算法的切机优化方法，其特征在于，初始化给定的NP套初始切机优化方案中，有五套初始切机优化方案使用贪婪算法获得，其余的(NP-5)套初始切机优化方案由随机函数产生。

3.如权利要求2所述基于改进的自适应遗传算法的切机优化方法，其特征在于，使用贪婪算法获得五套初始切机优化方案过程为：将稳控策略所确定的需切量P_L划分为两个等级范围0～P_LO和P_LO～P_Lmax，其中P_LO为稳控策略所确定的需切量历史数据的平均值，P_Lmax为稳控策略所确定的需切量历史数据中最大值；当稳控策略所确定的需切量P_L在等级范围0～P_LO内，则将n台发电机组的出力值P_i从小至大排列，按照需切量分别为1.10P_L、1.05P_L、P_L、0.95P_L、0.90P_L，通过贪婪算法求出所述五套切机优化方案；当稳控策略所确定的需切量为P_L在等级范围P_LO～P_Lmax内，则将n台发电机组的出力值P_i从大至小排列，按照需切量分别为1.10P_L、1.05P_L、P_L、0.95P_L、0.90P_L，通过贪婪算法求出所述五套切机优化方案，其中i＝1,2,3...n。

4.如权利要求1所述基于改进的自适应遗传算法的切机优化方法，其特征在于，选取适应度函数值为NP套切机优化方案中的最大值所对应的切机优化方案作为较优的切机优化方案，然后使用遗传算法对选择的较优的切机优化方案进行交叉和变异操作，产生出新一代较优的NP套切机优化方案。

5.如权利要求4所述基于改进的自适应遗传算法的切机优化方法，其特征在于，计算适应度值的函数如公式(1)所示，

F_max＝P_max-|ΔP| (1)

公式(1)中，F_max为适应度函数的最大值，其为发电机组出力值总和P_max与实际切机量和需切量之间的误差ΔP之间的差值。