遺傳?蟻群算法的配電網(wǎng)狀態(tài)估計(jì)

摘 要： 針對單一遺傳算法或者蟻群算法無法獲得理想配電網(wǎng)狀態(tài)估計(jì)結(jié)果，根據(jù)組合優(yōu)勢互補(bǔ)原理，提出基于遺傳?蟻群算法的配電網(wǎng)狀態(tài)估計(jì)方法。首先對當(dāng)前配電網(wǎng)狀態(tài)估計(jì)現(xiàn)狀進(jìn)行分析，并構(gòu)建配電網(wǎng)狀態(tài)數(shù)學(xué)模型，然后利用全局尋優(yōu)性能強(qiáng)的遺傳算法對配電網(wǎng)狀態(tài)數(shù)學(xué)模型進(jìn)行求解，最后采用局部尋優(yōu)能力強(qiáng)的蟻群算法對遺傳算法的解進(jìn)行精細(xì)搜索，得到配電網(wǎng)狀態(tài)的最優(yōu)估計(jì)值。實(shí)驗(yàn)結(jié)果表明，該算法綜合利用了遺傳算法和蟻群算法的優(yōu)點(diǎn)，有效避免了兩種算法各自存在的不足，獲得了更優(yōu)的配電網(wǎng)狀態(tài)估計(jì)結(jié)果。

關(guān)鍵詞： 配電網(wǎng)； 狀態(tài)估計(jì)； 遺傳算法； 蟻群算法

中圖分類號(hào)： TN915.853?34； TP212 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）19?0165?04

Abstract： Since the single genetic algorithm or ant colony algorithm can′t obtain the desired estimation results of power distribution network state， an estimation method of power distribution network state based on genetic algorithm and ant colony algorithm is proposed according to the principle of complementary advantages. The current estimation situation of the power distribution network state is analyzed. The mathematical model of power grid state is constructed， and solved by means of the genetic algorithm with good global optimization ability. And then the ant colony algorithm with good local optimization ability is used to search the solution of genetic algorithm finely， so as to obtain the optimal estimation value of the power distributed state. The experimental results show that the proposed algorithm uses the advantages of genetic algorithm and ant colony algorithm fully， avoids the shortcomings of the two algorithm effectively， and obtains better state estimation result of power distribution network.

Keywords： power distribution network； state estimation； genetic algorithm； ant colony algorithm

0 引 言

隨著各種電器設(shè)備的增加，人們對配電網(wǎng)的可靠性要求更高，而配電網(wǎng)狀態(tài)估計(jì)可以幫助管理人員了解配電網(wǎng)當(dāng)前以及將來的變化態(tài)勢，引起了人們的廣泛關(guān)注[1]。

配電網(wǎng)絡(luò)狀態(tài)估計(jì)是一種多約束組合優(yōu)化問題，針對該問題，許多學(xué)者投入了大量的時(shí)間，展開了深入的研究，提出一些性能良好的配電網(wǎng)狀態(tài)估計(jì)算法[2]。配電網(wǎng)狀態(tài)估計(jì)最初是基于加權(quán)最小二乘算法（Weight Least Square，WLS）進(jìn)行求解，首先對配電網(wǎng)狀態(tài)估計(jì)問題進(jìn)行抽象，構(gòu)建一個(gè)數(shù)學(xué)模型，然后采用WLS算法得到配電網(wǎng)狀態(tài)值[3]，WLS算法雖然簡單，易得到配電網(wǎng)狀態(tài)的解，但在建模過程中對問題進(jìn)行了簡化，如假設(shè)配電網(wǎng)狀態(tài)是線性變化趨勢，這與實(shí)際配電網(wǎng)狀態(tài)的變化特點(diǎn)不太相符，因?yàn)榕潆娋W(wǎng)狀態(tài)與天氣、政策、季節(jié)等因素有關(guān)，不僅具有線性變化的特點(diǎn)，而且具有突變性、偶然性等非線性變化趨勢，這樣WLS算法進(jìn)行配電網(wǎng)狀態(tài)估計(jì)，其通用性差，估計(jì)誤差大，結(jié)果不可靠[2，4]。針對WLS算法的局限性，學(xué)者們對其進(jìn)行了相應(yīng)的改進(jìn)，出現(xiàn)一些非線性的配電網(wǎng)狀態(tài)估計(jì)算法，如神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型、貝葉斯網(wǎng)絡(luò)等，它們可以對配電網(wǎng)狀態(tài)線性變化趨勢估計(jì)，利用這些方法進(jìn)行配電網(wǎng)狀態(tài)估計(jì)，其估計(jì)的結(jié)果更優(yōu)[5?7]。近幾年有學(xué)者采用遺傳算法、蟻群算法等[8?10]對配電網(wǎng)狀態(tài)估計(jì)問題進(jìn)行求解，通過不斷迭代搜索得到配電網(wǎng)狀態(tài)估計(jì)的最優(yōu)解，然而單一算法無法對復(fù)雜、大規(guī)模的配電網(wǎng)狀態(tài)進(jìn)行準(zhǔn)確估計(jì)[11]。

針對單一遺傳算法或者蟻群算法的不足，結(jié)合優(yōu)勢互補(bǔ)原理，提出一種遺傳?蟻群算法的配電網(wǎng)狀態(tài)估計(jì)方法。首先構(gòu)建配電網(wǎng)狀態(tài)數(shù)學(xué)模型，然后利用遺傳算法對配電網(wǎng)狀態(tài)數(shù)學(xué)模型進(jìn)行求解，最后采用蟻群算法對遺傳算法的解進(jìn)行精細(xì)搜索，最后對算法的效果進(jìn)行測試，測試結(jié)果表明，遺傳?蟻群算法避免了單一算法的不足，能夠獲得更優(yōu)的配電網(wǎng)狀態(tài)估計(jì)結(jié)果。

1 配電網(wǎng)狀態(tài)估計(jì)的數(shù)學(xué)模型

2.3 遺傳?蟻群算法

遺傳算法無反饋機(jī)制，局部搜索能力差，蟻群算法缺乏初始信息素濃度，前期搜索速度慢，因此將兩者進(jìn)行組合，可以實(shí)現(xiàn)優(yōu)勢互補(bǔ)，遺傳?蟻群算法的工作步驟為：

（1） 設(shè)置遺傳算法、蟻群算法初始參數(shù)。

（2） 根據(jù)配電網(wǎng)狀態(tài)估計(jì)初始化種群。

（3） 計(jì)算個(gè)體的適應(yīng)度函數(shù)值，并計(jì)算個(gè)體進(jìn)入下一代的概率，選擇部分優(yōu)秀個(gè)體進(jìn)入下一代。

（4） 采用自適應(yīng)交叉和變異概率產(chǎn)生新的個(gè)體，并計(jì)算其適應(yīng)度函數(shù)值，選擇父代和子代較優(yōu)者進(jìn)入下一代。

（5） 滿足遺傳算法結(jié)束條件就停止執(zhí)行，轉(zhuǎn)而執(zhí)行蟻群算法。

（6） 選取遺傳算法20%的優(yōu)秀個(gè)體作為蟻群算法初始信息。

（7） 根據(jù)蟻群算法的工作步驟得到配電網(wǎng)狀態(tài)估計(jì)最優(yōu)值。

3 配電網(wǎng)狀態(tài)估計(jì)的效果測試

為了分析遺傳?蟻群算法的配電網(wǎng)狀態(tài)估計(jì)效果，選擇一個(gè)配電網(wǎng)系統(tǒng)作為測試對象，采用4核3.2 GHz CPU，8 GB內(nèi)存，Win 7的計(jì)算機(jī)作為測試平臺(tái)，利用VC 6.0++編程實(shí)現(xiàn)遺傳?蟻群算法，選擇遺傳算法、蟻群算法在相同實(shí)驗(yàn)條件下進(jìn)行配電網(wǎng)狀態(tài)估計(jì)對照實(shí)驗(yàn)。遺傳?蟻群算法和對比算法的配電網(wǎng)電壓及電流進(jìn)行估計(jì)的結(jié)果如圖5所示。

對圖5的實(shí)驗(yàn)結(jié)果進(jìn)行分析和對比可以發(fā)現(xiàn)，遺傳?蟻群算法的配電網(wǎng)電壓和電流的估計(jì)精度要高于單一的遺傳算法和蟻群算法，其測量值與估計(jì)值沒有太大差別，估計(jì)偏差完全忽略，這主要是由于遺傳?蟻群算法利用了遺傳算法的全局搜索能力優(yōu)點(diǎn)，可以很快發(fā)現(xiàn)配電網(wǎng)的電壓和電流的可行解，然后采用蟻群算法對配電網(wǎng)的電壓和電流可行解進(jìn)行精細(xì)搜索，綜合利用了兩種算法的優(yōu)點(diǎn)，避免了各自的不足，有效降低了配電網(wǎng)的電壓和電流估計(jì)誤差，準(zhǔn)確反映了配電網(wǎng)狀態(tài)的變化態(tài)勢，得到了理想的配電網(wǎng)狀態(tài)估計(jì)結(jié)果。

在配電網(wǎng)狀態(tài)估計(jì)的實(shí)際應(yīng)用中，尤其對于規(guī)模較大的配電網(wǎng)，執(zhí)行速度比較重要，成為評價(jià)配電網(wǎng)狀態(tài)估計(jì)算法性能的一個(gè)重要指標(biāo)，為了測試各算法的執(zhí)行速度，遺傳?蟻群算法和對比算法均運(yùn)行5次，統(tǒng)計(jì)它們求解時(shí)間，具體如圖6所示。

遺傳?蟻群算法比其他算法的運(yùn)行時(shí)間少，獲得了更高的配電網(wǎng)狀態(tài)估計(jì)效率，可以滿足配電網(wǎng)狀態(tài)估計(jì)的實(shí)時(shí)性，具有更高的實(shí)際應(yīng)用價(jià)值。

4 結(jié) 語

配電網(wǎng)狀態(tài)估計(jì)受到多種因素的影響，利用單一算法進(jìn)行配電網(wǎng)狀態(tài)的估計(jì)，單一算法均有各自的局限性，導(dǎo)致估計(jì)結(jié)果誤差較大，為此提出一種遺傳?蟻群算法的配電網(wǎng)狀態(tài)估計(jì)方法，結(jié)果表明，遺傳?蟻群算法不僅具有兩種算法的優(yōu)勢，而且較好地彌補(bǔ)了各自的缺陷，獲得了更優(yōu)的配電網(wǎng)狀態(tài)估計(jì)結(jié)果，與對比算法相比較，遺傳?蟻群算法的配電網(wǎng)狀態(tài)估計(jì)求解的速度更快，為配電網(wǎng)狀態(tài)估計(jì)提供了一種新的研究思路。

參考文獻(xiàn)

[1] 于爾鏗.電力系統(tǒng)狀態(tài)估計(jì)[M].北京：水利電力出版社，1995.

[2] 衛(wèi)志農(nóng)，顧杵，鞠平，等.三相輻射配網(wǎng)狀態(tài)估計(jì)方法[J].中國電機(jī)工程學(xué)報(bào)，2000，20（3）：84?87.

[3] 許瓊，王媛媛，史曉楠.基于增量最小二乘算法的配電網(wǎng)狀態(tài)估計(jì)[J].西安科技大學(xué)學(xué)報(bào)，2008，28（3）：547?550.

[4] 裴瑋，盛鹍，孔力，等.分布式電源對配網(wǎng)供電電壓質(zhì)量的影響與改善[J].中國電機(jī)工程學(xué)報(bào)，2008，28（13）：152?157.

[5] 李清政，鐘建偉.基于神經(jīng)網(wǎng)絡(luò)法的配電網(wǎng)狀態(tài)估計(jì)[J].河北建筑科技學(xué)院學(xué)報(bào)，2006，23（3）：83?86.

[6] 王斌，丁曉群，沈茂亞.帶變異算子的PSO算法在配電網(wǎng)狀態(tài)估計(jì)中的應(yīng)用[J].江蘇電機(jī)工程，2006，25（4）：18?20.

[7] 黃若霖，王寬，詹開翅.基于自適應(yīng)免疫粒子群優(yōu)化算法的配電網(wǎng)狀態(tài)估計(jì)[J].電力系統(tǒng)保護(hù)與控制，2009，37（11）：54?57.

[8] 劉健，程紅麗，畢鵬翔.配電網(wǎng)的簡化模型[J].中國電機(jī)工程學(xué)報(bào)，2001，21（12）：77?82.

[9] 王超學(xué)，呂志奇，董慧，等.基于改進(jìn)蜜蜂進(jìn)化型遺傳算法的含分布式電源的配電網(wǎng)重構(gòu)[J].電力系統(tǒng)保護(hù)與控制，2012，40（15）：52?56.

[10] 王韶，周鑫.應(yīng)用層次聚類法和蟻群算法的配電網(wǎng)無功優(yōu)化[J].電網(wǎng)技術(shù)，2011，35（8）：161?167.

[11] 許瓊，代粉蕾.基于改進(jìn)遺傳算法的配電網(wǎng)狀態(tài)估計(jì)[J].航空計(jì)算技術(shù)，2008，38（3）：107?110.