基于混合遗传算法的配电网络重构优化
- 格式:pdf
- 大小:190.19 KB
- 文档页数:6
基于遗传算法的配电网供电方案优化研究Study on Pow er Supply Scheme of Dist ribution Net w ork Based on Genetic A lgorit hm王艳巧(南京供电公司,江苏 南京 210012)摘 要:为了满足客户供电可靠性要求,提出了采用遗传算法对多种供电方案进行优化选择的方法,综合考虑各种因素,根据现有网络和对给定参数优化选择,实验结果表明在满足电网安全和经济运行的条件下,能够迅速地为用户制定经济上最优的供电方案。
关键词:供电方案;遗传算法;配电网;业扩报装Abstract :I n o rder to meet the reliability requirem ents o f the customer for pow er suppy ,a genetic alg or ithm is pro po sed to o ptimize pow er supply schemes co nsider ing a v ariety o f fact or s co mprehensively.A cco rding t o the ex isting netwo rk and o pt imized set paramet ers,exper imental results sho w s that the security and eco no mic requir ement s co uld be met and the optimized pow er supply scheme can be esta blished r apidly for the custo mer .Keywords :po w er supply schem e;g enetic alg or ithm (GA );distribut ion netw or k;business ex pa nding 中图分类号:T M 727 文献标识码:A 文章编号:1009-5306(2008)06-0024-03收稿日期:2008-10-31作者简介:王艳巧(1979—),女,助理工程师,研究方向为电力系统自动化。
配电网络重构的改进混合遗传算法配电网络重构的改进混合遗传算法本文提出一种基于改进的混合遗传算法的配电网重构算法,在算法中使用可操作开关支路的整数编号的排列顺序来表示染色体,并通过译码器的设计来映射染色体所对应的辐射状网络结构,避免了产生不可行解的情况,大大提高了算法的运算效率。
同时在算法中引入了局部寻优算子,改善了算法的局部寻优性能。
算例结果表明本算法是高效,可行的。
关健字网络重构;遗传算法;局部寻优算法A refined hybrid geneTIc algorithm fordistribuTIon network reconfiguraTIonZHENG Xin1,YANG Li-xi1,C.T.Tse2(1.College of Electrical Engineering,ZhengZhou University,ZhengZhou,450002,China;2.The Hong Kong Polytechnic University,Electric EngineeringDepartment,China)Abstract: This paper proposes an improved soluTIon for distribution network reconfiguration based on a refined hybrid genetic algorithm. In the algorithm the "the integer permutation" encoding is adopted with each integer representing one controllable switch. A decoder is designed to decide the final network configuration corresponding every chromosome. A local search operator is combined with the genetic algorithm which improve the local optimal capability of the algorithm. The computational result on a tested system demonstrate the algorithm is feasible and efficient.Key words: Network reconfiguration;Hybrid genetic algorithm;Local search algorithm;1 引言基于网损最小的配网重构问题是一个典型的非线性、多约束的整数组合优化问题,配电网的辐射状结构和弱环网特性是其重构的前提条件。
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。
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。
第20卷第2期2000年2月中国电机工程学报Pro ceedings of the CSEEVol.20No.2F eb.2000文章编号:0258-8013(2000)01-0066-04基于模糊遗传算法的配电网络重构刘莉,陈学允(哈尔滨工业大学,黑龙江省哈尔滨市150001)RECONFIGURATION OF DISTRIBUTION NETWORKSBAS ED ON FUZZY GENETIC ALGORITHMSLIU Li,CHEN Xue-yun(Harbin Institute of Industry150001,China)ABSTRAC T:A fuzzy genetic algorithms is proposed.FGA can improve the perfo rmance of GA by means of contr olling the crossover rate Pc and mutat ion rate Pm.It can improv e the speed of conv erg ence and avoid premature conver gence.T he status of each sw itch in distribution networks is naturally r epre-sented by a control parameter0or1.T he length of str ing is much shorter than those proposed by others.Special design on t he select of crossover position and implementation of mutation are adopted,w hich acceler ates the calculating process.KEY WORDS:fuzzy genetic algorithms;distributio n netwo rks; r econfiguration摘要:提出了一种模糊遗传算法(FGA),对交叉率和变异率进行模糊控制,有效地提高了收敛速度,避免了不成熟收敛。
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。
基于遗传算法的电网规划与优化设计随着社会的不断发展,电力作为一项重要的基础设施,已经成为人们生产生活中不可缺少的能源供应。
然而,随着人口数量和经济发展的提高,对电网的需求也在不断增加,而传统的电网设计和规划方法已经不能满足人们的需求。
因此,基于遗传算法的电网规划和优化设计逐渐成为业内一种新的、高效的解决方案。
遗传算法是一种仿生学思想的优化算法,它通过模拟进化过程,来寻找解决问题的最优解。
遗传算法的本质是对潜在的解决方案进行不断地搜索和优化,直到找到最优解。
在电网规划和优化设计中,遗传算法可以用来优化电网的网络拓扑结构、电网的分布式能源接入系统,以及优化电网的运行效率。
在电网规划和优化设计中,遗传算法可以通过以下几个步骤来进行:第一步,定义评价函数。
评价函数是遗传算法中非常重要的一步,它用来评估每一个电网设计方案的好坏,目的是找到最符合要求的电网方案。
评价函数的建立需要根据电网的实际情况和规划目标来进行,例如考虑电网的潜在负载水平、安全性、稳定性等方面。
电网规划和优化设计需要从全局的角度考虑,因此评价函数的建立也需要从整个电网系统来进行考虑。
第二步,生成初始群体。
初始群体是指由若干个随机生成的电网设计方案组成的群体,这些方案需要满足一定的约束条件,例如谷仓布置、负载均衡等条件。
在这个阶段中,需要通过遗传算法来生成一定数量的随机解,并对其进行初始化和验证,以保证不会出现无效方案。
第三步,遗传算法的操作。
遗传算法的操作包括选择、交叉和变异三个部分。
选择是指从当前群体中挑选出符合评价函数评判标准的一部分方案,进入下一代。
交叉是指随机选取一些停留在进化过程中的个体,进行部分交换形成新的解。
变异是对选出的新解引入一点随机因素,以防止算法陷入到局部最优解。
第四步,更新群体。
新的个体进入下一代之后需要重新进行评价、选择、交换和变异操作。
这个过程重复多次,直到满足预设的进化代数或者满足终止条件之后,遗传算法的求解过程结束。
基于混合编码的配电网络故障恢复遗传算法优化
倪卫标
【期刊名称】《城市轨道交通研究》
【年(卷),期】2013(016)008
【摘要】染色体的编码和适应函数的构造是遗传算法实现配电网故障恢复优化求解的关键问题,直接决定着算法效率.提出了对网络拓扑结构进行节点深度编码,对非故障失电区的切负荷控制进行0-1二进制编码的遗传算法染色体的混合编码;对故障恢复建模采用多目标优化算法,减少权重系数主观性对最优解的影响,实现多优化目标协同进化的新思路,并进行了案例仿真分析.仿真验证结果表明,建立的混合编码方法能显著减少不可行解的数量,提高了算法的收敛速度,满足配电网故障恢复的及时性需求.
【总页数】4页(P24-27)
【作者】倪卫标
【作者单位】上海铁路局供电检测所,200071,上海
【正文语种】中文
【中图分类】U231.8
【相关文献】
1.基于配电通信网的光纤网络故障监测与恢复研究 [J], 江龙才;霍朝辉;步冬静
2.配电网络故障恢复重构的改进遗传算法 [J], 张玉春;杨成峰;曹海英;周云芳
3.基于混合编码方式的配电网故障恢复算法研究 [J], 巩伟峥;房鑫炎
4.基于遗传算法优化神经网络的智能配电网线损计算研究 [J], 胡伟楠; 王剑飞; 何志满; 何国超; 刘伟; 付绍鑫; 蒋新川; 张琳
5.基于克隆算法的船舶配电网络故障恢复研究 [J], 顾玉娥
因版权原因,仅展示原文概要,查看原文内容请购买。
基于改进遗传算法的配电网网架优化摘要: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。
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。
2004年11月系统工程理论与实践第11期 文章编号:100026788(2004)1120122206基于混合遗传算法的配电网络重构优化刘 扬,杨建军,魏立新,战 红(大庆石油学院机械科学与工程学院,黑龙江大庆163318)摘要: 以网损最小为目标函数,电压降、线路电流值和电源容量的限制为约束条件,建立了配电网络重构优化数学模型,用外部惩罚函数法将该问题转化为无约束问题Λ针对遗传算法的局限性,对适应函数进行了调整,实施了最优保留策略,改进了交叉和变异操作,并结合了模拟退火算法,从而形成了混合遗传算法,该算法能够有效地提高收敛速度,避免早熟收敛Λ优化过程中考虑了配电网自身特点,提高了计算效率Λ重构算例说明,该优化方法有效、实用Λ关键词: 配电网络;网络重构;自适应遗传算法;模拟退火;混合遗传算法中图分类号: TM744 文献标识码: A T he Op ti m izati on of D istribu ti on N etw o rk R econfigu rati onBased on H yb rid Genetic A lgo rithmL I U Yang,YAN G J ian2jun,W E I L i2x in,ZHAN Hong(M echan ical Science and Engineering Co llege,D aqing Petro leum In stitu te,D aqing163318,Ch ina)Abstract: A n op ti m izati on model of distribu ti on netw o rk reconfigu rati on is estab lished,in w h ich them in i m um netw o rk lo ss is taken as ob jective functi on,the restricti on s to the vo ltage,cu rren t and thecapacity of pow er sou rce are taken as con strain t conditi on s.T h rough the ou ter penalty functi on m ethod,the p rob lem is tran sfo rm ed to non restrain t op ti m izati on p rob lem.A i m ing at the li m itati on of geneticalgo rithm,the fitness functi on is adju sted,the op ti m ized reserved strategy is u sed,the cro ss andm u tati on m ethod are i m p roved,and si m u lated annealing algo rithm is com b ined w ith,then the hyb ridgenetic algo rithm is fo rm ed.It can i m p rove the speed of convergence and avo id p rem atu re convergence.Based on the featu res of distribu ti on netw o rk,the hyb rid genetic algo rithm is u sed to so lve the p rob lem,so the compu tati onal efficiency is i m p roved.R econfigu rati on resu lts show that the algo rithm is efficien tand p ractical.Key words: distribu ti on netw o rk;netw o rk reconfigu rati on;adap tive genetic algo rithm;si m u latedannealing;hyb rid genetic algo rithm1 引言网络重构的基本原理是在满足系统中电压、电流、电源容量等约束的前提下,通过调整网络中分段开关和联络开关的组合状态,寻找某一供电路径,以达到降低网损、消除过载、改善电压分布、提高供电可靠性的目的Λ配电网络重构问题是一个大规模非线性组合优化问题Λ目前关于配电网络重构的研究方法较多,其中遗传算法(Genetic A lgo rithm,简称GA)、模拟退火算法(Si m u lated A nnealing A lgo rithm,简称SA)等现代优化方法也得到了应用Λ但模拟退火算法收敛的关键在于退火方案的选取,若选择不当,则需要大量的随机迭代,计算量大,得到的解与最优解相差甚远Λ遗传算法的算法性能易受控制参数(如交叉率、变异率等)的影响,选择不当易陷入“早熟”,当仅依靠遗传操作进行寻优,而不利用问题的特有性质时,收敛速度收稿日期:2003212230基金项目:黑龙江省教育厅科技项目(10541008)作者简介:刘扬(1957-),男,河北秦皇岛人,教授,博士生导师,主要从事油田地面工程优化与仿真、石油机械安全评价的研究工作慢,局部寻优能力差Λ本文针对配电网络的实际情况,建立了网络重构优化数学模型,并探讨了混合遗传算法实现的技术问题,及在配电网络重构优化问题中的应用Λ2 配电网络重构优化数学模型本文的配电网络重构以网损f ′最小为目标函数,其数学模型为:m in f ′=∑Ni =1∃PL i =∑N i =1R i P 2i +Q 2i U 2i ,(1)式中∃1L i 为线路i 的有功损耗;i =1,…,N ,N 为线路总数量;R i 为线路i 的电阻;P i 为线路i 上流过的有功功率;Q i 为线路i 上流过的无功功率;U i 为线路i 的电压值Ζ不等式约束包括电压降约束、线路电流值约束和电源容量约束,即U i ≥U m in i ,(2)I i ≤I m ax i ,(3)S b ≤S m ax b ,(4)式中U m in i 为线路i 要求的最低工作电压值;I m ax i为线路i 的导线型号对应的载流量值;S b 为变电所b 的负荷值,b =1,…,B ,B 为变电所总数量;S m ax b为变电所b 的供电能力Ζ利用外部惩罚函数法[1]将式(1)~(4)转化为无约束问题Ζ先作如下定义:P =∑N i =1m in (0,U i -U m in i )2+m in (0,I m ax i -I i )2+∑Bb =1[m in (0,S m ax b -S b )]2.(5)则经惩罚函数法转换的数学模型为:m in f =f ′+M p ,(6)式中M p 为惩罚项;M 为惩罚因子Ζ此外,还应保持网络的放射性,即不形成环网,以及不出现“孤岛”的情况,即每次循环遍历的负荷节点个数应等于整个网络中总的负荷节点个数Ζ3 混合遗传算法及其在配电网络重构优化中的应用311 编码在遗传算法中,问题的解用数字串来表示,每个数字串叫做一个染色体,遗传算子也是直接对串进行操作Ζ遗传算法常用的有十进制编码和二进制编码Ζ配电网络重构的实质就是通过改变开关的开合状态来改变网络的拓扑结构,目的是找到最优的网络结构所对应的开关状态,以使网损降到最小Ζ因此,取开关状态为控制变量比较合适,将网络中的开关状态自然的用0或1表示(0表示开,1表示合),每个开关占据染色体的一位,各开关状态组合在一起,就形成了一条染色体,染色体的长度等于网络中开关数量总和Ζ312 产生初始种群随机产生p op siz e 个长度为L (L 为网络中开关数量的总和)的二进制编码,作为初始种群Ζ为了让初始种群遍及整个解空间,尽量反映搜索空间的性态,p op siz e 不能取太小,且随节点数的增多而变大,不过太大会使运算时间增加,这是我们不希望的Ζp op siz e 取染色体长度数的一个线性倍数是实际应用时经常采用的方法,如可取为L 和2L 之间的一个确定数Ζ同时为了保持网络的放射性,以及不形成“孤岛”,在配电网潮流计算程序中加入了搜索判断程序,将不符合实际运行条件的个体去掉Ζ313 确定初温及退温操作初温的确定选择t 0=K ∆的形式,其中,K 为充分大的数,∆=f m ax x -f m in s Ζ式中f m ax s 、f m in s 为初始种群中最大目标函数值和最小目标函数值Ζ退温函数选用常用的t n +1=Αt n 形式,其中0<Α<1Ζ314 确定适应函数适应函数值f it i 是遗传算法指导搜索方向的依据,首先应保证适应函数值不为负,其次,因为在轮盘321第11期基于混合遗传算法的配电网络重构优化赌选择过程中,适应函数值大的染色体被选中的概率大,因此目标函数的优化方向对应适应函数值增加的方向Ζ网络重构的目标函数是网损最小,属于最小值优化问题,应加以调整Ζ本文采用的变换方式如下[2]:f it i=exp-f i-f m int(7)式中f i为染色体对应的目标函数值;f m in为当前代进化群体中最小目标函数值;t为温度参数Ζ应注意,经此变换后进化过程中每代的最大适应函数值均为1Ζ当采用轮盘赌方式进行选择复制时,调整后的适应函数在温度高时(遗传算法早期)计算出的各染色体适应函数值差异较小,因此染色体被选择复制的概率相近,这样避免了个别好的染色体充斥整个种群,造成早熟;而当温度不断下降时,目标函数值相近的染色体适应函数值差异逐渐增大,从而使得优秀染色体的优势更加明显,避免了种群进化停滞不前Ζ315 遗传算法的选择复制根据适应函数值的大小进行群体选择,选择方法采用常用的轮盘赌选择法Ζ因简单遗传算法不具有全局收敛性[2],因此对算法进行改动,实施了最优保留策略,即运算开始时,把初始种群中最大适应函数值对应的染色体记录在染色体数组的第0位(如ch r[0]),每代进化完后,计算出ch r[0]染色体在当前温度下对应的适应函数值,如果小于1,则把当前代最大适应函数值对应的染色体赋给ch r[0];如果等于1,则不进行操作Ζ染色体ch r[0]只起记录功能,不参与遗传运算Ζ实施了最优保留策略的遗传算法将收敛到全局最优解Ζ316 基因操作——交叉、变异本文采用改进的自适应交叉、变异操作,其交叉率P c和变异率P m的计算公式为:P c=k1+k2(f it m ax-f it′i),(f it m ax-f it avg)f it′i≥f it avg,k3,f it′i<f it avg.(8)P m=k4+k5(f it m ax-f it i),(f it m ax-f it avg)f it i≥f it avg,k6,f it i<f it avg.(9)式中k1、k2、k3、k4、k5、k6为常数,且k3=k1+k2,k6=k4+k5;f it m ax、f it avg分别为当前代进化群体的最大和平均适应函数值;f it′i为两个交叉个体中较大的适应函数值Ζ这样在操作过程中,适应函数值小的个体,具有较大的交叉率和变异率,这样有利于加快搜索速度,且最大适应函数值对应染色体的交叉率和变异率不为零,而为一较小值Ζ当遗传算法陷入问题的局部极值时,即f it avg→f it m ax时,根据式(8)和(9),适应函数值较大的个体对应的P c、P m也将增大,这样有利于避免“早熟”Ζ但太大的P c、P m有可能造成解空间过于分散,甚至可能导致原有的解被破坏Ζ为此,一旦f it m ax-f it avg<Ε2时,就固定P c、P m值,以避免原有解空间被完全破坏Ζ交叉操作时,因两点交叉比单点交叉具有更好的空间搜索能力,而又比均匀交叉的破坏能力低,因此采用两点交叉Ζ当普通交叉方法的两个父个体在交叉范围内的基因相同时将不能产生新个体,为了增强算法的搜索能力,本文中交叉方法采用的是部分随机两点交叉[3](Partially R andom ized22Po in t C ro ssover),该方法主要分成两步:第一步,按照标准的两点交叉产生两个子个体;第二步,在其中一个子个体中随机选择一段长度为l PRC的基因代码,并以一定概率P PRC变化其中模板位置上的基因,使该子个体发生变化Ζ如图1所示Ζ其中可以定义P PRC=l PRC (2・N CS),N CS为在长度为l PRC的基因代码中,两个染色体具有相同基因位的数量Ζ这样定义的P PRC具有一定的适应性,因为在初始种群中各二进制位产生0、1的概率相同,因此N CS的均值为l PRC 2,从而P PRC=1(当N CS<l PRC 2时,同样取P PRC=1),当程序运行到末期时,N CS逐渐趋于l PRC,从而P PRC趋于015Ζ同时为了避免该方法产生过大的破坏作用,两个子个体是否进入下一代采用如下的判断策略:如果生成的两个子个体中至少有一个个体的适应函数值大于或等于两个父个体中较高的适应函数值,则两个子个体同时进入下一代;否则,较好的父个体和较好的子个体进入下一代Ζ变异操作时,如果采用普通的单点变异就会造成配电网络形成环网或出现“孤岛”的情况,因此,变异421系统工程理论与实践2004年11月图1 部分随机两点交叉示意图操作时其它基因位需作相应变化,设选中了染色体的某一位进行变异,如0变1,与此同时,应将该染色体中另外一个或几个为1的相关位变成0,反之亦然Ζ这样操作可以避免大量不可行解的产生,提高计算效率Ζ317 模拟退火操作以经过遗传算法选择复制、交叉、变异操作的群体作为模拟退火算法的初始群体,运用基于M etropo lis 判别准则的复制策略,产生下一代群体Ζ即在染色体的邻域中随机产生新个体j ,i 和j 竞争进入下一代群体的准则采用M etropo lis 判别准则:令∃f =f it i -f it j ,若∃f ≤0,则把染色体j 复制到下一代群体;否则产生[0,1]之间的随机数r ,如果r <exp (-∃f t n ),则同样把染色体j 复制到下一代群体,否则,把染色体i 复制到下一代群体Ζ基于M etropo lis 判别准则的复制策略,在接受优质解的同时,有限度的接受劣质解,保证了群体的多样性,进一步避免了算法陷入局部最优解的可能性Ζ318 终止规则算法终止规则要满足两个条件:首先,染色体数组的第0位ch r [0]连续q 代没有发生变化;其次,惩罚项M p 应小于Ε1Ζ当同时满足这两个条件时,即可认为算法收敛,停止计算,输出最优解Ζ319 算法计算过程ST EP 1 给定群体规模p op siz e ,和算法中其它系数值,具体如下:惩罚因子M 0,以及惩罚因子放大系数c ,确定初温时的系数K ,退温时的系数Α,交叉和变异操作时的系数k 1、k 2、k 3、k 4、k 5、k 6、l PRC ,对P c 、P m 实施固定时的系数Ε2,算法终止规则中的q 和Ε1;ST EP 2 随机产生p op siz e 个染色体作为初始种群p op (0),计算各染色体的目标函数值,确定初温,令算法迭代次数n =0,初始最优解s 3=f m in ,并用ch r [0]记录下最优染色体,用g 表示该染色体保持的代数,令g =1;ST EP 3 根据染色体的适应函数值,按当前各染色体的交叉概率P c 执行遗传算法的交叉操作,生成种群p op ′(n );ST EP 4 根据染色体的适应函数值,按当前各染色体的变异概率P m 执行遗传算法的变异操作,生成种群p op ″(n );ST EP 5 执行基于M etropo lis 判别准则的复制策略,生成种群p op (n );ST EP 6 计算各染色体的适应函数值,采用轮盘赌方法进行群体选择,生成下一代种群p op (n +1),同时实施最优保留策略(计算出ch r [0]染色体在当前温度和惩罚因子下对应的适应函数值,如果小于1,则更新ch r [0],并令s 3=f m in ,g =1;如果等于1,则令g =g +1);ST EP 7 判断g 是否大于q ,惩罚项M p 是否小于Ε1,如果是,则停止计算,输出优化结果Ζ此时的ch r [0]为最优开关状态组合,s 3为最小网损Ζ否则,执行ST EP 8ΖST EP 8 执行退温操作,t n +1=Αt n ,并增大罚因子,M r +i =c M r ,令n =n +1,返回ST EP 3Ζ混合遗传算法的结构流程图见图2Ζ4 算例根据本文算法,用C ++B u ilder 510编制了网络重构程序,并以大庆油田某区块6kV 配电线路为例进行了试算Ζ计算信息如下:此系统共有3个变电所、338条线段、129台变压器和26个开关Ζ计算时染色体长度L 等于开关总数26,令群体规模p op siz e =2L =52,算法中各系数确定如下:惩罚因子M 0=5,惩罚因子放大系数c =115,选择确定初温系数K =20,退温操作系数Α=018,交叉操作系数k 1=012、k 2=016、k 3=k 1+k 2=018、l PRC =5,变异操作系数k 4=0101、k 5=011、k 6=k 4+k 5=0111,为防止解空间被破坏,当Ε2=015f it avg 时,交叉率和变异率固定为012和0101,算法终止规则中q =20,Ε1=0101Ζ521第11期基于混合遗传算法的配电网络重构优化图2 混合遗传算法的结构流程图优化结果见表1Ζ从优化结果中可以看到,不但配电网网损率降低了117%,而且配电网末端电压质量得到了明显改善Ζ表1 系统优化前后对比表配电网功率总损耗(kw )配电网网损率(%)配电网末端最大压降(%)处于打开状态的开关处于闭合状态的开关优化前250.2465.97.966K 2、K 6、K 9、K 10、K 14、K 17、K 18、K 19、K 21、K 22、K 24K 1、K 3、K 4、K 5、K 7、K 8、K 11、K 12、K 13、K 15、K 16、K 20、K 23、K 25、K 26优化后177.7244.24.408K 2、K 6、K 7、K 10、K 14、K 15、K 18、K 20、K 22、K 24、K 25、K 26K 1、K 3、K 4、K 5、K 8、K 9、K 11、K 12、K 13、K 16、K 17、K 19、K 21、K 235 结论本文对遗传算法的操作进行了改进,尽量避免了早熟收敛现象Λ此外混合遗传算法的搜索行为还可以通过初温和退温函数加以控制Λ该算法结合了遗传算法和模拟退火算法的特点,两种算法的搜索能力得到了相互补充,使算法在优化能力、效率和可靠性方面得到了提高Λ在求解过程中,用开关状态作为染色体的编码,简洁明了,同时考虑了配电网络自身特点,极大地提高了计算效率Λ621系统工程理论与实践2004年11月参考文献:[1] 施光燕,董加礼.最优化方法[M ].北京:高等教育出版社,2001.78-81.SH I Guang 2yan ,DON G J ia 2li .M ethods of Op ti m izati on [M ].Beijing :H igher Educati on P ress ,2001.78-81.[2] 邢文训,谢金星.现代优化计算方法[M ].北京:清华大学出版社,1999.181-182.X I N G W en 2xun ,X IE J in 2x ing .M odern Op ti m izati on Compu tingM ethods [M ].Beijing :T singhua U n iversity P ress ,1999.181-182..[3] J ir íKubal ík ,J ir íL azan sky .A new genetic operato r m ain tain ing popu lati on diversity [J ].A IP ConferenceP roceedings ,2001,573(1):338-348.(上接第48页)的问题转化为多类分类问题Λ同时,在讨论了现有的多类分类器不足的基础上,提出了一种基于可行域解析中心的多类分类器:M 2A C M Λ实验结果说明了M 2A C M 具有强的泛化能力,同时也说明了本文提出的时间序列预测方法是有效的且有较高的实用性Λ参考文献:[1] Peter J .B rockw ell et a l .T i m e Series :T heo ry and M ethods ,Sp ringer 2V erlag W o rld Pub lish ing Co rpo rati on ,1991.[2] 安鸿志.非线性时间序列分析[M ].上海科学技术出版社,1998.A n Hongzh i .N on 2linear T i m e Series A nalysis (In ch inese )[M ].Shanghai Science P ress ,1998.[3] Bai 2L ing zhang ,et a l .M u ltireso lu ti on fo recasting fo r fu tu re trading u sing w avelet decompo siti on s [J ].IEEE T ran son N eu ral N etw o rk s ,2001,12(4):765-775.[4] Khalaf A M ,et a l .T i m e series p redicti on u sing a hyb rid model of neu ral netw o rk and F I R filter [A ].P roc I JCNN ’98[C ],1975-1980,1998.[5] O fer D ekel ,Yo ram Singer .M u lticlass learn ing by p robab ilistic em beddings [J ].A dvances in N eu ral Info rm ati onP rocessing System s ,2002,15:945-952.[6] E rin A ll w ein ,et a l .R educing m u lticlass to b inary :a un ifying app roach fo r m argin classifiers [J ].Jou rnal ofM ach ineL earn ing R esearch ,2001,1(2):113-141.[7] E rin J B reden steiner ,et a l .M u lticatego ry classificati on by suppo rt vecto r m ach ines [EB OL ].h ttp : mpa .itc .itb ib li o papers b reden steiner 99m u lticatego ry .pdf .[8] A Smo la ,et a l .A dvances in L arge M argin C lassifiers [M ].T he M IT P ress ,Cam b ridge ,M assachu setts ,2000.[9] T B T rafalis ,et a l .A n analytic cen ter m ach ine [J ].M ach ine L earn ing ,2002,46(1 3):203-223.721第11期基于混合遗传算法的配电网络重构优化。