遗传算法在电力设备检修优化中的应用研究

摘要：针对传统检修方法存在的弊端，以电力设备检修费用最小化及系统可用输变电容量最大化为目标，建立了考虑多种约束条件的检修计划优化数学模型，并采用遗传算法求解优检修模型。

关键词：电力设备；遗传算法；检修优化；检修计划

中图分类号：TP312 文献标识码：A 文章编号：1009-3044（2012）30-7321-02

电力设备优化检修的核心是状态检修，状态检修计划涉及到一个多目标多约束的数学优化问题，包括很多不确定因素，如故障的随机性，电价的波动，负荷变化的不确定性；传统的状态检修算法对最优目标及约束条件表达式要求极严格，但是在设备状态检修决策优化模型中，最优目标和部分约束条件无法用严格的变量表达式表达，又由于电力系统中存在众多的检修设备，且自变量矩阵的元素多，采用传统的优化算法难以同时满足收敛速度及解最优化。因此，为了进一步提高电力系统供电的可靠性，安全性及经济性，必须采用先进的算法对现有的设备检修计划进行优化，本文将遗传算法应用到在电力设备状态检修优化中，利用自适应交叉和变异不断修正自适应函数，加快了收敛时间，优化后的检修计划明显减少了停电次数、停电范围及停电量。

1 电力设备检修优化

1.1 目标函数

以最小的电力设备检修费用、最大的系统可用输变电容量为目标，建立电力设备检修优化模型如下：

1.2 约束条件

为了检修工作能合理有序的开展，并保证系统的安全可靠运行，检修计划优化问题包括大量的约束条件。

1）检修时间约束

2）地理位置顺序检修约束

3）同时检修约束

4）节点功率平衡

5）线路传输极限约束

设备因检修而退出运行，电网潮流分布会改变，有可能导致转供线路的传输功率过载，故必须对线路通过潮流计算进行校验。

6）检修人员及检约束修时间

7）互斥约束

2 遗传算法的求解

采用遗传算法求解电力设备检修最优化的流程如图1所示，在求解前，将需要顺序检修和同时检修的设备分为一组，选取同一组中检修持续时间最长的设备首先进行检修，在目标函数中通过增加惩罚函数项的方法对其他约束不等式进行处理。

首先对原始数据进行染色体编码和信息矩阵处理，接着确定发电计划、检修计划、最优目标函数及约束条件，使用增加惩罚函数项的方法处理不满足的约束，之后使用处理后的约束条件和目标函数计算出群体的适应度函数值，再对父代进行选择、交叉、变异，选出新一代个体，再重新计算其适应度函数，把最优个体保存代数和最大遗传代数作为终止条件，只要满足其中一个条件，就终止迭代，输出最后的优化结果。

其中，遗传算法的个体编码采用二进制编码表示检修起始日期的方式，每个设备的一次检修对应一组起始时段，随机生成一定数量的染色体，组成了初始种群，种群规模M取为 100，其中各染色体上的基因分别对应电力设备的编号，各位基因的随机排列组成的染色体代表对应的检修计划，最大遗传代数 为400 代，群体中的适应度是各部分经济数据加权求和并取倒数而得到，适应函数为Pc和变异概率 Pm，采用横向交叉，在父代中随机选中两个个体作为配对编码串，再设置个体的交叉位置，将两个配对编码串按照交叉位置进行交叉替换，在选择操作中，为了把选中的优化个体保留下来并且直接遗传到下一代，以适应度函数的大小作为选择依据，在变异操作中，先随机确定基因变异的位置，再用事先设定的变

异概率来对基因座的基因进行变异，当变异率很小时，解群体的稳定性好，但容易陷入局部最优解，为了避免收敛速度过慢及容易陷入局部最优解，采用自适应调整方法对交叉变异概率进行改进。

3 结束语

使用本文提出的方法对变压器及路进行检修计划优化计算，软件开发可以使用MATLAB遗传算法工具箱进行，在模型求解过程中，将逐次逼近算法与启发式搜索的优点结合起来，检修安排的初始结果是使用启发式搜索，再将该结果作为逐次逼近算法的初始可行解，通过循环不断的迭代，逐步寻找最优解，从而能够获得满足各类等式与不等式约束的最优结果，因此，将遗传算法应用到电力设备检修优化中，具有良好的应用前景。

参考文献：

[1] 李明.变电站状态检修决策模型与求解[J].中国电机工程学报，2012（25）.

[2] 林灵兵.供电设备检修计划优化模型和算法[J].电力自动化设备，2012（8）.

[3] 马仲能.基于电力设备全寿命周期成本最优的检修策略研究[J].电力系统保护与控制，2011（16）.

[4] 旭锋.供电设备检修优化算法及其在地区电网中的应用[J].电网技术，2009（14）.