摘 要：科学运用遗传算法可有效促进无功优化最优解效率快速提升，进而确保电力系统运行具有较强安全性与稳定性。同时在电力行业发展期间，电力系统规模也不断增加，这就需要针对遗传算法进行优化与创新，为强化电力系统无功优化效率提供有力支持。
关键词：遗传算法;电力系统;无功优化
随着我国电力工业已经步入了大电网、高电压和大机组的时代，电力负荷和电网容量迅速的增加，电网损耗、电压合格率等技术指标日益受到电力部门的重视，无功优化是保证电力系统安全、经济运行的一种有效手段，是降低电力网络有功损耗、提高电压质量的重要措施。遗传算法（Genetic Algorithm， GA） 是一种模拟生物进化的智能算法，借鉴生物遗传机制的一种随机化搜索方法，其主要特点是群体搜索和群体中的个体之间的信息交换，被广泛应用于求解各类问题。遗传算法近年来在优化技术领域有了很大的发展，它具备适用范围广，寻优能力强，程序实现相对简单等优点，对于一些大型、复杂非线性系统，更表现出了比传统优化方法更加独特和优越的性能，适合于求解类似于无功优化等复杂非线性优化问题。
1遗传算法
所谓遗传算法就是针对自然界中遗传选择与适者生存进化过程进行科学模拟的计算模型，属于随机搜索方法中的一种，具有群体搜索方法、群体中单体数据信息交换、不以解题信息为基础进行搜索、适应性与全局搜索性较强等特征[1]。在科学技术快速发展作用下，作为全局优化搜索方法的遗传算法，可有效解决传统搜索方法存在的各种非线性问题，使得遗传算法在机器智能化发展、人工智能、组合优化等工作中有着重要作用与地位，这也致使遗传算法逐渐成智能计算的核心技术。
2无功优化介绍及典型方法
电力系统无功优化的目的是通过调整电网中无功潮流的分布来降低有功损耗，并且保持较好的电压水平。
2.1 电力系统无功优化概述。
电力系统无功优化的基本思路是[3]：在电力系统有功负荷、有功电源及有功潮流分布已经给定的情况下，以发电机端电压幅值、无功补偿电源容量和可调变压器分接头位置作为控制变量，而以发电机无功出力、负荷节点电压幅值作为状态变量，应用优化技术和人工智能技术，在满足电力系统无功负荷的需求下，谋求合理的无功补偿点和最佳补偿容量，使电力系统安全、经济地向用户供电。无功优化涉及到无功补偿装置投入地点的选择、无功补偿装置投入容量的确定、有载调压变压器分接头的调节和发电机端电压的配合等，是一个带有大量约束条件的非线性规划问题。建立无功优化分析模型的思想是：在满足各种设备和电网运行阐述的约束条件下，充分运用现有无功调节手段，如调节发电机的无功输出、改变己有无功补偿设备（电容器）的投切容量和调节有载调压变压器分接头的基础上，以投入最少无功补偿设备的投资为目的，实现电网无功功率的合理分布。
2.2 无功优化的数学模型
电力系统的无功优化问题是一个多变量、多约束的混合非线性问题。电力系统无功优化数学模型分析方法大致包括：线性规划方法、非线性规划方法、混合整数规划方法、动态规划法。这些数学模型是通过确定目标函数、等式约束条件和不等式约束条件来建立模型求取最优解。无功优化虽然是个非线性问题，但是可以采用局部线性化的方法，将非线性目标函数和安全约束逐次线性化。自1984年KarmarKar提出用于线性规划的内点法以来，各种形式的内点法被大量引入电力系统的研究中。另外，混合整数规划方法能够有效地解决优化计算中变量的离散性问题。该方法是通过分支-定界法不断地定界以缩小可行域，逐步逼近全局最优解。动态规划法是研究多阶段决策过程最优解的一种有效方法，它按时间或空间顺序将问题分解为若干互相联系的阶段，依次对它每一阶段做出决策，最后获得整個过程的最优解。
3电力系统无功优化中遗传算法的运用
电力系统使用遗传算法进行无功优化时，遗传算法主要为电力系统中的初始解，各种条件对其都具有约束与限制作用。接着利用适应数据明确函数评价的优势与不足，将较低适应值函数评价进行清除，将高适应值函数特征有效传递至下一次分析中，通过不断轮回计算得到最优解。通常情况下，对于最优价没有较多约束与限制时，利用简单遗传算法就可快速得到最优解。若想要获得真正意义上的最优解，其计算时间则相对较长。当前电力系统无功优化使用遗传算法时，主要是将遗传算法与其它算法结合使用。
3.1编码环节
使用遗产算法求解相应问题期间，应在位串空间上映射应问题后才可进行遗传处理，也就是根据需求对变量实施编码。常见编码方式主要为十进制与二进制两种，其中二进制编码操作具有较强直观性与简洁性，这也使得其在电力系统无功优化计算中有着较高运用频率。而在计算连续性问题时则会出现效率与精准度冲突现象，使得计算数据快速不断提升。使用十进制编码，计算效率与求解精准度不仅会快速提升，而且与其它算法的有机整合效率也相对较强。
3.2选择环节
所谓选择就是根据实际需求在整体中明确优势较高个体，同时将存在不足个体进行清除，其主要以适应度评估为核心逐渐形成。当个体适应性较强时，所具有的选择几率也就相对较高，常见选择方法可分为三种：
首先，轮盘赌选择方法。由于个体具有较强适应值，因此其选中概率也就相对较大，这也有展示出自然生态选择中的“适者生存”理念，也是现阶段经常使用的选择方法。轮盘赌选择方法缺点为若存在超级个体时，会出现早熟收敛问题。
其次，排序选择方法。这种选择法主要是结合个体具有的适应度进行排序，并以排序情况进行科学的选择，这就使得所有个体适应度与选择概率之间没有直接关系，仅与排列序号存在关联。排序选择方法的优势为可避免超级个体引发早熟收敛现象，而不足则是排类序号与个体选择概率之间的关系应提前明确，这也导致统计误差问题的出现。
最后，两两竞争选择方法。随机在上一代计算处理个体中选择两组个体，对比个体适应度，保护适应度较高个体，清除较弱个体[2]。这种选择方法不仅可以促进配对数据库中所有个体在求解期间具有较强分散特征，还可确保进入配对库中的个体具有较大适应值。
3.3交叉环节
交叉就是根据相应的交叉率（0.6-0.9）将一组个体中的部分结构进行替换处理，在利用重组方法形成全新的个体，这也是遗传算法获得具有较高优势个体的主要方法。先结合电力系统无功优化实际需求随机选择较差位置，接着在将两个选择后的个体基因结构进行交换。其中均匀交叉、两点交叉以及一点交叉是交叉方法主要组成结构。
3.4遗传算法的优化
在科学技术不断发展作用下，遗传算法以及在电力系统无功优化中有了广泛的运用。通常情况下，只有参数数量在30以下的小电力系统无功优化中使用遗传算法。而想要在大规模电力系统无功优化期间使用遗传算法，就需要通过科学技术不断创新与完善遗传算法。通过无功功率分层分块优化控制技术与电力系统灵敏度分析等措施，从基础上调整遗传算法，确保算法沿着创新途径运行，不断提高越限处理效率，强化遗传算法针对性，为计算速度的提升创建科学条件。
4结束语
通常情况下，电力系统无功优化问题有着多变量、多目标、多约束等混合非线性特征，优化变量在有连续性变量（节点电压）的同时，也有离散性变量（无功补偿装置），这也促进了电力系统无功优化复杂性相对较强，而离散变量也使得电力系统无功优化难度不断提升。这时常见数学优化措施不能符合全局优化需求，仅可实现局部优化。在无功优化期间补偿电容器与变压器进行分组投切时，为控制离散变量提供了有力支持，进而促进了遗传算法的运用。
参考文献
[1]李宏阳.基于改进遗传算法的风电场无功优化控制策略研究[D].沈阳工业大学，2018.
[2]范宏，蒋焱彬，陈斯，左路浩，周献远.考虑负荷不确定性的多目标交直流系统无功优化[J].电测与仪表，2018，55（10）：52-56.