遗传?蚁群算法的配电网状态估计

摘 要： 针对单一遗传算法或者蚁群算法无法获得理想配电网状态估计结果，根据组合优势互补原理，提出基于遗传?蚁群算法的配电网状态估计方法。首先对当前配电网状态估计现状进行分析，并构建配电网状态数学模型，然后利用全局寻优性能强的遗传算法对配电网状态数学模型进行求解，最后采用局部寻优能力强的蚁群算法对遗传算法的解进行精细搜索，得到配电网状态的最优估计值。实验结果表明，该算法综合利用了遗传算法和蚁群算法的优点，有效避免了两种算法各自存在的不足，获得了更优的配电网状态估计结果。

关键词： 配电网； 状态估计； 遗传算法； 蚁群算法

中图分类号： TN915.853?34； TP212 文献标识码： A 文章编号： 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

随着各种电器设备的增加，人们对配电网的可靠性要求更高，而配电网状态估计可以帮助管理人员了解配电网当前以及将来的变化态势，引起了人们的广泛关注[1]。

配电网络状态估计是一种多约束组合优化问题，针对该问题，许多学者投入了大量的时间，展开了深入的研究，提出一些性能良好的配电网状态估计算法[2]。配电网状态估计最初是基于加权最小二乘算法（Weight Least Square，WLS）进行求解，首先对配电网状态估计问题进行抽象，构建一个数学模型，然后采用WLS算法得到配电网状态值[3]，WLS算法虽然简单，易得到配电网状态的解，但在建模过程中对问题进行了简化，如假设配电网状态是线性变化趋势，这与实际配电网状态的变化特点不太相符，因为配电网状态与天气、政策、季节等因素有关，不仅具有线性变化的特点，而且具有突变性、偶然性等非线性变化趋势，这样WLS算法进行配电网状态估计，其通用性差，估计误差大，结果不可靠[2，4]。针对WLS算法的局限性，学者们对其进行了相应的改进，出现一些非线性的配电网状态估计算法，如神经网络、隐马尔可夫模型、贝叶斯网络等，它们可以对配电网状态线性变化趋势估计，利用这些方法进行配电网状态估计，其估计的结果更优[5?7]。近几年有学者采用遗传算法、蚁群算法等[8?10]对配电网状态估计问题进行求解，通过不断迭代搜索得到配电网状态估计的最优解，然而单一算法无法对复杂、大规模的配电网状态进行准确估计[11]。

针对单一遗传算法或者蚁群算法的不足，结合优势互补原理，提出一种遗传?蚁群算法的配电网状态估计方法。首先构建配电网状态数学模型，然后利用遗传算法对配电网状态数学模型进行求解，最后采用蚁群算法对遗传算法的解进行精细搜索，最后对算法的效果进行测试，测试结果表明，遗传?蚁群算法避免了单一算法的不足，能够获得更优的配电网状态估计结果。

1 配电网状态估计的数学模型

2.3 遗传?蚁群算法

遗传算法无反馈机制，局部搜索能力差，蚁群算法缺乏初始信息素浓度，前期搜索速度慢，因此将两者进行组合，可以实现优势互补，遗传?蚁群算法的工作步骤为：

（1） 设置遗传算法、蚁群算法初始参数。

（2） 根据配电网状态估计初始化种群。

（3） 计算个体的适应度函数值，并计算个体进入下一代的概率，选择部分优秀个体进入下一代。

（4） 采用自适应交叉和变异概率产生新的个体，并计算其适应度函数值，选择父代和子代较优者进入下一代。

（5） 满足遗传算法结束条件就停止执行，转而执行蚁群算法。

（6） 选取遗传算法20%的优秀个体作为蚁群算法初始信息。

（7） 根据蚁群算法的工作步骤得到配电网状态估计最优值。

3 配电网状态估计的效果测试

为了分析遗传?蚁群算法的配电网状态估计效果，选择一个配电网系统作为测试对象，采用4核3.2 GHz CPU，8 GB内存，Win 7的计算机作为测试平台，利用VC 6.0++编程实现遗传?蚁群算法，选择遗传算法、蚁群算法在相同实验条件下进行配电网状态估计对照实验。遗传?蚁群算法和对比算法的配电网电压及电流进行估计的结果如图5所示。

对图5的实验结果进行分析和对比可以发现，遗传?蚁群算法的配电网电压和电流的估计精度要高于单一的遗传算法和蚁群算法，其测量值与估计值没有太大差别，估计偏差完全忽略，这主要是由于遗传?蚁群算法利用了遗传算法的全局搜索能力优点，可以很快发现配电网的电压和电流的可行解，然后采用蚁群算法对配电网的电压和电流可行解进行精细搜索，综合利用了两种算法的优点，避免了各自的不足，有效降低了配电网的电压和电流估计误差，准确反映了配电网状态的变化态势，得到了理想的配电网状态估计结果。

在配电网状态估计的实际应用中，尤其对于规模较大的配电网，执行速度比较重要，成为评价配电网状态估计算法性能的一个重要指标，为了测试各算法的执行速度，遗传?蚁群算法和对比算法均运行5次，统计它们求解时间，具体如图6所示。

遗传?蚁群算法比其他算法的运行时间少，获得了更高的配电网状态估计效率，可以满足配电网状态估计的实时性，具有更高的实际应用价值。

4 结 语

配电网状态估计受到多种因素的影响，利用单一算法进行配电网状态的估计，单一算法均有各自的局限性，导致估计结果误差较大，为此提出一种遗传?蚁群算法的配电网状态估计方法，结果表明，遗传?蚁群算法不仅具有两种算法的优势，而且较好地弥补了各自的缺陷，获得了更优的配电网状态估计结果，与对比算法相比较，遗传?蚁群算法的配电网状态估计求解的速度更快，为配电网状态估计提供了一种新的研究思路。

参考文献

[1] 于尔铿.电力系统状态估计[M].北京：水利电力出版社，1995.

[2] 卫志农，顾杵，鞠平，等.三相辐射配网状态估计方法[J].中国电机工程学报，2000，20（3）：84?87.

[3] 许琼，王媛媛，史晓楠.基于增量最小二乘算法的配电网状态估计[J].西安科技大学学报，2008，28（3）：547?550.

[4] 裴玮，盛d，孔力，等.分布式电源对配网供电电压质量的影响与改善[J].中国电机工程学报，2008，28（13）：152?157.

[5] 李清政，钟建伟.基于神经网络法的配电网状态估计[J].河北建筑科技学院学报，2006，23（3）：83?86.

[6] 王斌，丁晓群，沈茂亚.带变异算子的PSO算法在配电网状态估计中的应用[J].江苏电机工程，2006，25（4）：18?20.

[7] 黄若霖，王宽，詹开翅.基于自适应免疫粒子群优化算法的配电网状态估计[J].电力系统保护与控制，2009，37（11）：54?57.

[8] 刘健，程红丽，毕鹏翔.配电网的简化模型[J].中国电机工程学报，2001，21（12）：77?82.

[9] 王超学，吕志奇，董慧，等.基于改进蜜蜂进化型遗传算法的含分布式电源的配电网重构[J].电力系统保护与控制，2012，40（15）：52?56.

[10] 王韶，周鑫.应用层次聚类法和蚁群算法的配电网无功优化[J].电网技术，2011，35（8）：161?167.

[11] 许琼，代粉蕾.基于改进遗传算法的配电网状态估计[J].航空计算技术，2008，38（3）：107?110.