遺傳算法在無功優化方面應用及其改進

周帥 張紅旗

摘要：簡要說明無功優化的重要性，較為全面的綜述了運用遺傳算法進行無功優化的研究現狀，以算法改進方法分類綜述。最后，對未來遺傳算法在無功優化方面的研究方向提出自己的想法。

關鍵詞：無功優化;遺傳算法;改進方法

Abstract：Thisstudybrieflyillustratestheimportanceofreactivepoweroptimization，andcomprehensivelysummarizestheresearchstatusofreactivepoweroptimizationusinggeneticalgorithmanditsimprovedclassification.Finally，somesuggestionsonthefutureresearchdirectionofgeneticalgorithminreactivepoweroptimizationareputforward.

Keywords：reactivepoweroptimization;geneticalgorithm;improvedmethod

隨著時間的推移，經過國內外學者的研究，涌現出越來越多的無功優化算法。其大致分為經典優化算法和人工智能算法。經典優化算法主要有線性規劃法、非線性規劃法、動態規劃法、混合整數規劃法等;人工智能優化算法主要有：遺傳算法、模擬退火法、粒子群算法、神經網絡算法、蟻群算法等。

本文主要對遺傳算法在無功優化領域研究現狀及其應用進行總結，并對未來研究提出建議。

1遺傳算法基本原理

遺傳算法是模擬自然界優勝劣汰，適者生存擇優法則的一種隨機搜索算法。遺傳算法采用概率性、多路徑搜索，通過對變量編碼后的編碼串進行操作，取代了對變量的直接操作，進而可以提高處理離散變量的能力。由于遺傳算法是多路徑尋優，所以遺傳算法具有很強的全局搜索能力，同時具有很強的魯棒性、并行計算能力。但遺傳算法局部收斂能力較差，計算速度較慢，計算精度較低等缺點。

2改進遺傳算法及其應用

2.1改進自身的遺傳算法

2.1.1編碼方式的改進

遺傳算法的編碼方式有很多種，不同的編碼方式有不同的特點，根據實際需要選擇合適的編碼方式。目前常用的編碼方式有：二進制編碼，浮點數編碼，實數編碼、格雷編碼、混合編碼。

文獻[1]提出利用整實數混合編碼方式，即：利用實數編碼對連續變量進行編碼，同時采用整數編碼對離散變量進行編碼?？朔藗鹘y二進制編碼在編碼長度較短時精度較差，在編碼長度較長時搜索空間過大，過度占用內存的缺陷。

2.1.2遺傳算子的改進

選擇操作是隨機確定某一區域，將該區域內優良個體選擇出來，經過多次操作，最后由選擇出的優良個體集合作為下一代種群。傳統的選擇方法常采用賭輪盤選擇法，其基本原理是個體被選中的概率隨著適應度值的增大而增大。由于選擇的隨機性，可能會使適應度較大的個體遭到破壞。

文獻[2]提出最優保存策略基本思想是當代中最優個體不再進行變異等操作，避免最優個體在交叉、變異操作過程中遭到破壞，影響算法的最終優化結果。

遺傳算法主要依靠交叉操作產生新個體。交叉操作是通過兩個父代個體依據一定的規則將染色體的部分結構進行交換從而產生新個體，同時也是遺傳算法產生優良個體的主要途徑。常用的交叉方法有：單點交叉、兩點交叉、均勻交叉等。

文獻[3]采用分段函數的形式設置交叉率，即：以較小的交叉率保護較好的個體遭到破壞，以較大的交叉率淘汰較差的個體，從而加快遺傳算法的優化進程，優化算法的性能。

變異操作是以很小的概率改變種群中個體的基因值，從而產生從未有的基因信息或者恢復某些遭到破壞的基因信息。變異操作不僅可以維持種群多樣性，而且可以提高遺傳算法跳出“早熟”的能力。

文獻[4]提出采用自適應變焦變異，即：較好的個體縮小變異范圍變異概率，較差的個體放大變異范圍和變異概率，既能維持種群多樣性，又能避免算法陷入“早熟”。

2.2遺傳算法與其它算法結合

2.2.1小生境遺傳算法

小生境遺傳算法的基本原理是在預選機制和分享機制或排擠機制的前提下完成選擇操作，將每一代個體劃分為若干個子種群，在每個子種群中選擇優良個體組成新的種群，在每個種群內部及其它種群之間進行信息交流生成下一代個體。

文獻[5-6]將小生境技術與遺傳算法結合，不僅提高了遺傳算法的局部搜索能力，而且解決了遺傳算法后期收斂較慢的問題，既節省時間，又可提高搜索效率。

2.2.2蜜蜂進化型遺傳算法

蜜蜂進化型遺傳算法基本原理是在遺傳算法與蜜蜂繁殖進化機制相結合。充分發揮發揮蜂王在蜂群進化過程中的積極作用，通過引入其他種群蜜蜂的方法來保持種群多樣性，提高算法跳出局部最優解的概率。

文獻[7]將蜜蜂進化機制與遺傳算法相結合，采用自適應選擇算子，在優化過程中及時更新算法搜索空間，從而有效提高算法的搜索效率。通過引入驅逐算子，維持優化后期的種群多樣性。

2.2.3免疫遺傳算法

免疫遺傳算法是由免疫算法與遺傳算法相結合的一種傳統遺傳算法改進的方法結合兩種算法的優點，有效提高傳統遺傳算法局部搜索能力較差的問題。免疫算法是模擬生物免疫系統對有害病菌多樣性識別的算法，由于免疫算子具有選擇性、目的性、針對性，所以可以很好的克服陷入“早熟”的問題，并且免疫算法具有較強的全局搜索能力。

文獻[8]提出免疫遺傳算法是由于引入免疫機制發展而成的，依據抗體與抗原之間的親和度，最終取得最優解。由于優化過程中很好的維持種群多樣性，進而改善算法跳出局部最優解的能力。同時因為免疫系統記憶細胞的存在，還能加快搜索速度，使得算法的性能得以提升。

2.2.4模擬退火遺傳算法

模擬退火遺傳算法的基本原理是在算法優化過程中，模擬退火法不僅可以接受較好的解，還有一個以隨機接受準則為基準的較差的解，且接受較差的解的概率逐漸趨于零，從而使算法避免陷入“早熟”，最終取得全局最優解，但是模擬退火法需要多次迭代，影響算法優化效率。其中，在算法優化過程中，退火溫度控制算法的優化方向，初始溫度越高，退火速度越慢，找到全局最優解的概率就越大。

文獻[9]在交直流混合輸電系統的無功優化問題中采用模擬退火遺傳算法。在優化過程中，將遺傳算法的遺傳算子與模擬退火法的狀態產生函數相結合。模擬退火法在優化過程中實現狀態全局變化以及局部趨向移動，改善算法的性能。文獻[10]提出在模擬退火遺傳算法的基礎上引入靈敏度分析法，通過衡量和減少無功對網損的影響，縮小解的區域，從而提高算法的運行效率。

2.2.5內點法和遺傳算法相結合

內點法依據懲罰函數，沿著某條搜索路徑在內部可行域內均做一次搜索，從而獲得最優解。內點法具有搜索速度快、魯棒性強的特點，擅長解決連續問題。遺傳算法通過隨機搜索求得全局最優解，在解決離散問題上有明顯的優勢。由于無功優化問題既有連續變量，又有離散變量，所以二者結合，可大幅改善優化效果。

文獻[11]提出采用新的混合策略求解無功優化問題。該策略首先采用內點法求得問題的初始解，然后將問題劃分為連續問題和離散問題，分別用內點法和遺傳算法交替求解，二者相互利用，充分發揮兩種算法的優點。經仿真系統驗證，該混合策略在搜索速度和收斂速度都有明顯的改善。

3結語

本文主要介紹遺傳算法在無功優化方面的應用及其改進方法。依據改進遺傳算法的手段分為兩大類：遺傳算法自身參數的改進及遺傳算法與其它算法相結合。多數學者選擇改進算法自身參數，而將遺傳算法與其它算法相結合的研究相對較少。因為混合遺傳算法的優化效果較為明顯，所以在未來遺傳算法在無功優化方面的應用及其改進，遺傳算法與其它算法相結合的混合算法有很大的發展空間。

參考文獻：

[1]武曉朦，封園.采用改進遺傳算法的配電網無功優化[J].西安石油大學學報（自然科學版），2015，30（03）：95-99+11.

[2]李宏陽.基于改進遺傳算法的風電場無功優化控制策略研究[D].沈陽工業大學，2018.

[3]陳寧，牛蔚然，張健，王坤，代二剛，韓蓬.基于遺傳算法的配電網無功補償優化研究[J].電子設計工程，2017，25（06）：58-61.

[4]何宏，曹曄.改進遺傳算法在電力系統無功優化中的應用[J].無線互聯科技，2012（07）：201+203.

[5]宋佳航，孟濤，張海峰，劉亞東，羅鋒.基于小生境遺傳優化算法的配電網無功優化[J].電氣開關，2017，55（04）：63-66.

[6]毛荀，夏俊麗，張旭昶，羅亞橋.基于改進小生境遺傳算法的小水電網無功優化系統開發[J].水電與新能源，2015（04）：33-37.

[7]楊晨.基于蜜蜂進化型遺傳算法的電力系統無功優化[D].河北大學，2013.

[8]柴浩，梁洪元，杜鵬，王惠寧.基于免疫遺傳算法的電力系統無功優化[J].農業科技與裝備，2015（08）：30-33.

[9]黃俊輝，汪惟源，王海潛，李海坤.基于模擬退火遺傳算法的交直流系統無功優化與電壓控制研究[J].電力系統保護與控制，2016，44（10）：37-43.

[10]王旭斌，李鵬，竇鵬沖.基于改進遺傳模擬退火算法的電網無功優化[J].陜西電力，2013，41（07）：40-44.

[11]劉方，顏偉，DavidC.Yu.基于遺傳算法和內點法的無功優化混合策略[J].中國電機工程學報，2005（15）：67-72.