国网新疆电力有限公司阿勒泰供电公司，新疆阿勒泰836599
摘要：科学有效地规划电力系统最小线损的网架结构，可节约投资，减少停电，降低网损，提高供电质量，是目前电力行业的一项重要任务。本文提出了一种基于遗传算法的电力系统最小线损网架结构的优化方法。
关键词：电力系统线损；网架结构；遗传算法
本文以网损为目标，采用改进的遗传算法对电力系统网架结构进行优化，虽作了一些假设，但结果提供了优化趋势。以给定电压范围内的电压为约束条件，加快了遗传算法的收敛速度，能可靠地收敛到全局最优解，从而有效解决了网架结构优化中的非线性和整数性问题。
一、遗传算法概述
遗传算法(Genetic Algorithm, 简称GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法,其基本思想是基于Darw in的进化论和Mendel的遗传学说。该算法由密执安大学教授Holland及其学生于1975年创建。它是人工智能的重要分支，是基于达尔文进化论，在微型计算机上模拟生命进化机制而发展起来的一门新学科。它根据适者生存、优胜劣汰等自然进化规则来进行搜索计算和问题求解。对许多用传统数学难以解决或明显失效的非常复杂问题，特别是最优化问题，GA提供了一个行之有效的新途径。近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业控制工程领域的成功应用，这种算法受到了广泛的关注。
1、原理。遗传算法将生物进化原理引入待优化参数形成的编码串群体中，按着一定的适值函数及一系列遗传操作对各个体进行筛选，从而使适值高的个体被保留下来，组成新的群体，新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适值不断提高，直至满足一定的极限条件。此时，群体中适值最高的个体即为待优化参数的最优解。正是因遗传算法独具特色的工作原理，使它能在复杂空间进行全局优化搜索，并具有较强的鲁棒性。另外，遗传算法对搜索空间基本上不需要什么限制性的假设(如连续、可微及单峰等)。
2、特点。同常规优化算法相比，遗传算法有以下特点：1)遗传算法是对参数的编码进行操作，而非对参数本身；2)遗传算法是从许多点开始并行操作，并非局限于一点，从而可有效防止搜索过程收敛于局部最优解；3)遗传算法通过目标函数计算适值，并不需要其它推导和附加信息，因而对问题的依赖性较小；4)遗传算法的寻优规则是由概率决定的，而非确定性的；5)遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索；6)遗传算法对所求解的优化问题没有太多的数学要求；7)遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度。
二、电力系统线损组成
1、线损的固定损失。线损的固定损失指电力设备带有电压所要消耗的电能而产生的固有损失，一般不随负荷变动而变化，但与外加电压的高低有关系，若电压是垣定的，这一损失基本上是固定的。固定损失主要包括：调相机、调压器、互感器等的铜损；发电厂、配电变压器的空载损耗；电能表电压线圈的功力损耗等。
2、线损的可变损失。可变损失是指随负荷电流的变动而变化的损失。可变损失与电流的平方成正比，电流越大，损失越大。电网中电力设备的可变损失主要包括：发电厂、变电所的主变压器及配电变压器的短路损耗；电能表电流线圈的功力损耗；进户线路的铜损等。
3、线损的其它损失。线损的其它损失是指供用电过程中由于跑、冒、滴、漏等造成的电能损失。线损统计中的不明损失主要包括：计量装置本身存在的综合性误差、装置故障、接线错误造成的损失；电力营销工作中的失误。如漏抄、漏计、计算差错、倍率差错等造成的损失；遭受窃电或带电设备绝缘不良引起漏电等造成的损失；变电所的控制、保护、信号、通风、冷却、直流充电等设备消耗的电量损失；由于抄表时间与供售电量负荷不一致造成的损失；统计线损与理论线损计算的口径不一致或由于理论计算的误差等引起的损失。
三、遗传算法的电力系统网架结构优化
1、目标函数的建立。电力系统网架结构优化问题必须在保证安全、可靠供电的前提下，对各种可能的网架、线路回路、导线截面等方案进行比较，选出最优方案或次优方案作为规划和改造的方案，其目标函数一般应考虑的因素有：投资、可靠性、环保约束、生产费用、网损。目前，规划一般都考虑投资、网损和生产费用等项。本文以网损最小为目标函数，构造目标函数。
网损最小
不等式约束可通过越界罚函数加入到目标函数中。
2、编码方式。遗传算法是一个搜索特征串空间的过程，其目的是找到具有相对高适应值的串。编码必须遵循以下原则：完备性、健全性、非冗余性。基于以上原则，本文采用遗传算法中最常用的二进制编码方法。它使用的编码符号集是由二进制符号O和l所组成的二值符号集{0，1}，它所构成的个体基因型是个二进制编码符号串。
对求解电网网架优化的问题，假设在已知可能架设线路截面积的情况下，若只考虑线路架设与否，则可将各待选线路排序，基因值为1，表示架设这条线路，否则基因值为0。
3、适应度函数的建立。适应度函数反映电网优化的目的和要求，即应能体现在满足正常运行和约束条件的前提下，使电网的线损最小。本文采用的适应度函数为：
4、计算过程。
电网优化遗传算法的计算过程分为5个部分：
1)输入原始数据。包括各电源节点发电出力受负荷、遗传算法所需的初始参数、网络节点数、已有和待架线路数、节点号和线路参数等。
2)随机确定电网线路的1组次序，经编码后形成个体。将N个个体构成遗传算法的初始种群，也可人为地给定一些初始方案。
3)考虑电网网损，计算各个体的总网损。解码得到这些初始方案的节点阻抗矩阵后，用DIST-FL0W方程求解各线路上流动的功率。根据上述所建适应度函数，得到各个体的适应函数值。
4)遗传操作。分别采用选择、交叉、变异遗传算子，对当代的按适应值排序的N个方案所对应的染色体进行遗传操作，根据给定的保留率，以上代若干最优个体直接复制到本代，随机替换种群中最差个体，以保证本代得到最优个体，生成新一代N个染色体，返回到3)，循环往复直到最后收敛。
5)输出计算结果。基于遗传算法的电力系统网架结构优化原理框图如图1所示。
5、算例。某配电网有8个负荷节点，2个电源节点，电压等级为1lOkV和35kV。将35kV电压等级线路归算至110kV侧，采用本文所述电网网架优化的遗传算法，计算结果如表1和图2所示。用网络规划求出的网架结构如图2所示。从图2、3及表1可知，采用以线损最小为目标函数的网架结构优化遗传算法，电网结构紧凑，线损率降低，取得了预期效果。
四、结语
综上所述，网损率是电力系统的一项重要经济指标。现代电力网络结构不断发展和扩大,必须考虑新建电网的合理布线,以及对原有网络进行改造的问题。通过调整网络布局,改变不合理方式,确定电力网架的最优方案,以降低网损,提高电力系统运行的经济性。而遗传算法能更好地适应电工领域优化问题的非线性、多变量和复杂程度较高等特点,得到了越来越多的应用。
参考文献：
[1]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,2014.
[2]刘莉.进化规划在配电网络多目标重构中的应用[J].哈尔滨工业大学学报,2015(02).
[3]吴耀武.基于遗传算法的电力系统电源规划模型[J].电网技术,2014(03).