随着科学技术的发展及大众生活水平的提升，电力已成为人们日常生活中不可缺少的能源。
电力系统无功优化问题则是求解广东深圳专业踝关节训练器产品设计公司建筑结构设计中钢结构设计的重要性与策略过程中比较复杂的混合优化问题，也是最优潮流中的重点内容。
本次研究从传统遗传算法的概念入手，详细介绍改进遗传算法在无功优化系统中的应用步骤及求解方法，以期为类似研究提供一定指导。

　　关键词：遗传算法；最优无功补偿；电力系统
　　DOI：10.16640/j.cnki.37-1222/t.2017.12.206
　　随着市场经济的发展和人民群众能源环保意识增强，电力系统运行经济性问题受到更多人的重视和关注。
如何在确保电力系统安全运行的前提下，合理优化配置资源、降低运行损耗，成为研究的重点问题。
电力系统无功优化属于多目标、多变量的混合非线性规划问题，其操作变量呈现连续性、离散性的特征，导致优化过程过于复杂。
遗传算法是一种依托自然选择与遗传机制产生的搜索算法，非常适用于求解电力系统无功优化问题。
传统的遗传算法在具体应用中存在收敛速度慢等缺陷，因此，笔者针对无功优化问题的特点及传统遗传算法存在的问题，在编码、交叉/交异操作等方面进行改进，并详细介绍无功优化求解步骤。
研究发现，采用改进后的遗传算法能有效提升算法收敛速度，改善算法的优化结果及适用性，便于在全局得到最优解。

　　1 概述遗传算法
　　遗传算法是指依据生物界净化规律演化出现的随机性搜索方法，将遗传算法用于电力系统中，能借助多渠道搜索，获取最优的解[1]。
20世纪70年代，美国Michigan大学多数教授开始研究遗传算法，随之引起社会各界的重视及关注，并在全世界范围内掀起研究热潮。
其中，D.E.Goldberg的贡献最大，他不仅创建网上的GA体系，也成为将其用于搜索、优化等多个领域[2]。
现阶段，GA已发展成为一种成熟、适用性强的优化算法，其生物进化过程见图1。
以图1的循环圈群体为起点，通过一定的竞争，一部分群体被淘汰，另外一部分则发展成为种群。
遗传算法正是基于自然法则产生的全局收敛算法，其依据当前解和部分随机信息产生新解，对全局优化及函数含义解析的问题，彰显出遗传算法的优越性。

　　遗传算法在求解中先把实际优化的问题编码为成串符号，并将具体问题的目标函数转换成染色体适应函数，随机产生一大批初始染色体，依据这些染色体的适应函数值执行繁殖、变异等操作并产生下一代染色体。
交叉、变异遗传操作借助随机交换不同染色体之间的信息，以此获取最优染色体。
经过逐代遗传，即可产生一批适应函数值较高的染色体，最终把上述染色体解码还原即可获得原问题解。

　　2 改进遗传算法在无功优化中的应用
　　想要解决配电力系统无功优化问题，解决相关问题时，需利用数学计算方法实现。
因此，创建适合电力系统运行情况的数学模型是关键。
众所周知，无功补偿旨在降低网损耗并提升电压合格率，无功优化重点在于选择最佳的方案，在确保电压质量的基础上，使系统有功网损处于最小状态。

　　2.1 遗传算法改进步骤
　　2.1.1 实施十进制编码
　　已有遗传算法普遍使用二进制编码，其具有操作简单、直观的优点，且能与无功优化控制变量的离散性相互适应。
但二进制编码需占据较大空间，编码、解码需花费较长时间，还容易产生无效解。
此外，二进制编码时常因海明悬崖问题导致控制变量突然变大，进而影响算法的搜索能力及稳定性[3]。
使用十进制整数编码，能把多种类型变量展开相对独立的编码处理，确保遗传算法任何解均包括信息不同的若干条子染色体。
这种方法对控制变量多、类型复杂、范围区别大的无功优化问题非常适合。
因发电机端电压在控制中心选定离散值，所以，无功补偿设备投入组数、发电机电压等均通过十进制整数编码，即：
　　极易推出相对应的解码：
　　上述公式中，表示变量实际数值；N代表变量总状态数，依次代表变量上限和下限值；为变量当前状态值。

　　2.1.2 设计合理的适应度函数
　　不同选择方法对遗传算法的收敛性产生重要影响，收敛代数与选择强度呈反比例，较高的选择强度虽能提升适应度，促进收敛，但过高则会导致收敛加快，影响最终解的质量。
在遗传算法前期运用轮盘赌法，不单可以保留轮盘赌法利用较大概率选择高适应度个体优势，确保种群在算法前期逐步净化。
同时，可运用其广东深圳专业全身伽马刀产品设计公司影响医疗网络的五大医疗趋势随机性的特征，预防优秀个体在种群内快速扩散，也能避免算法结果发生严重震荡，有助于进行全局搜索[4]。
后期种群逐渐趋于收敛状态，适应度相差并不大，根据适应度分配轮盘赌法也变成盲目搜索，此时，整个算法中均利用精英保留策略，这在算法前期理论方面能保障全局收敛。
使用轮盘赌法过程中，适应度函数利用线性实施交换，其公式为：
　　其中，表示种群平均适应度；依次表示个体原始、变换适应度；分布代表种群最大及最小适应度。
后期借助锦标赛法，适应度函数就是目标函数。

　　2.1.3 使用交叉/变异率调节法
广东深圳专业医疗产品造型工业产品设计论医疗器械档案的收集与管理　　依托Sigmoid函数自适应调整交叉/变异率调节法：
　　上述公式中，表示交叉/变异率取值的下限值，代表其取值的上限值。

　　2.2 �z传算法求解过程
　　遗传算法用于无功优化问题中，可将其理解为电力系统下一组初始潮流解受不同约束条件的限制，借助目标函数评估其优劣，评价值过低则被淘汰，只有评价值高才有机会迭代到下一代，最终取得最优解。
遗传算法解决无功优化问题过程中，想要随机产生一组初始潮流解，随之对其染色体实施编码，通过选择、变异等操作进行重新组合，以此产生最优个体，上述操作重复进行，直至满足终止进化要求为止，得到趋于最优的一组解。
对求解无功优化遗传算法来说，它与一般遗传算法最大的区别如下：实施求解操作时要对电力系统潮流进行计算，在计算个体适应度函数值前需进行潮流计算，从而获得系统有功网损、状态变量等信息，上述环节就是潮流计算、无功优化迭代过程。
实施无功优化操作时，需要展开潮流计算，即：对不同个体计算一次适应度，就要进行针对性的潮流计算。
尝试用的潮流算法主要包括P-Q分解法、牛顿-拉夫逊法，后者具有良好的收敛性能，前者可将有功和无功功率迭代分开进行，求解速度较快[5]。
通常情况下，多数电广东深圳专业医疗器械工业产品设计中美医疗器械侵权中医疗机构性质之争力系统并非处于难以收敛的病态网络，因此，本研究选择P-Q法作为无功优化潮流的计算方法。
实施潮流计算时，如果在规定的迭代次数中并未收敛，则将其适应度设定为零，换言之，就是把目标函数设置为较大值。
依托遗传算法无功优化计算步骤如下：（1）输入原始数据及遗传算法具体参数；（2）求解整个系统的初始潮流，并对控制变量实施染色体编码，随机获得初始群体；（3）对群体内不同个体展开潮流计算，求得它们的适应度函数；（4）实施选择、变异等操作，组成新一代群体，判定是否满足终止进化准则，若不达标，则转向步骤（3）继续，直至获得优化结果，其流程见图2。

　　3 结论
　　综上所述，在电力系统无功优化方面应用遗传算法，能有效提升最优解的计算效率，对确保电力广东深圳专业开普医疗产品设计公司关于工业设计未来发展的思考系统安全运行、降低电能损耗产生重要影响。
但随着电力系统的发展及电网规模日益扩大，已有的遗传算法已无法满足大规模电网解决无功优化问题的需求。
本次研究从遗传算法的概念入手，结合电网无功优化补偿设备的需求，对传统遗传算法实施改进，利用混合选择算子及调整交叉/变异率改善电力系统的收敛性能，以期为电力系统的发展提供一定指导。

　　参考文献：
　　[1]李晖.基于遗传算法的配电网无功优化探讨[J].中国电力教育，2014，17（06）：251-252.
　　[2]张之昊，武建文，李平等.应用于农村配电网的测量点与补偿点分离式无功补偿设备及其优化配置[J].电工技术学报，2015，30（03）：205-213.
　　[3]张甫，郜洪亮，王爱芳等.基于协同进化遗传算法的电压优化与治理研究[J].电测与仪表，2014，51（16）广东深圳专业医用产品开广东深圳专业医用器械研发工业产品设计时尚产品设计研发及其推广探究发公司工业产品设计工业设计与经济发展刍议：25-30.
　　[4]刘宁宁，王佐勋.基于遗传算法的家庭无功补偿智能控制与仿真[J].齐鲁工业大学学报，2015，11（02）：66-70.
　　[5]王希宝.基于遗传算法的遂宁地区某10kV配电线路无功优化[J].四川水力发电，2015，17（05）：127-130，135.