基于并行遗传算法的微电网控制方法研究.docx

摘?要：

微电网快速普及背景下，如何对微电网进行高效控制成为电力从业人员重点关注的问题。鉴于此，引入并行遗传算法技术，构建微电网最优控制模型，确定微电网控制约束条件，并以此为基础设计微电网最优控制软件，借助该软件实现对于微电网的有效控制。

关键词：

并行遗传算法；微电网；并行性

0?引言

作为一种全新的发电、供电方法，微电网在保障电力供应稳定性、提高电力输送效率等方面发挥了重要作用。为确保微电网能够稳定、持续运行，相关研究人员积极尝试将并行遗传算法引入微电网控制工作中，对最优控制遗传算法变量进行优化，明确并行遗传算法计算流程，基于MATLAB开发环境设计微电网最优控制软件系统，通过这种方式达到“环境最优化”与“经济最优化”双重目标。

1?遗传算法并行性及分类

1.1?遗传算法固有的并行性

实际生活中，不同的物种在同一时刻以“相互独立”的状态进行进化，从宏观层面来看，物种的进化即并行化过程。研究人员将物种的进化过程引入机器人深度学习领域，以遗传算法为核心模拟物种进化过程，利用选择操作模拟物种进化过程中的自然选择，利用变异操作模拟物种进化过程中的基因突变。因此，遗传算法的基础运行逻辑中继承了物种进化的并行性。使用遗传算法处理数据信息时，其数量级为O（n3），这代表遗传算法对N个染色体进行遗传操作，其内部遗传信息的数量级为O（n3），研究人员将其称为“隐含并行性”。

1.2?并行遗传算法分类

1.2.1?全局并行

全局并行作为一种直接并行化模式，主要应用于串行遗传算法领域。全局并行模式的特点在于仅有一个群体，在该群体中，每一个个体可以自由匹配，基于群体适应度调整个体适应度，无论是遗传匹配操作还是遗传选择操作，均具有全局性。该模式下，个体之间相互独立，无须进行信息交互，针对个体的评价主要由主/从进程负责。该模式通常采用同步通信技术，个体适应数据被发送给主进程之后，主进程开始计算个体绝对适应值并根据计算结果进行选择操作，通过这种方式提高遗传算法计算性能。

1.2.2?层次并行遗传算法

研究人员尝试将不同的并行遗传算法的优势集中，提高其有哪些信誉好的足球投注网站以及分析的复杂性，将不同遗传算法进行混合，形成层次并行遗传算法。该遗传算法拥有三种基本的拓扑结构，例如将两种并行遗传算法混合，形成的双层遗传算法（图1）。

分析图1可以发现，该双层遗传算法的上层结构采用粗粒度（环形拓扑结构），下层则使用细粒度（二维网格拓扑结构），通过这种方式进化子群体。

2?最优控制遗传算法目标函数计算

2.1?最优控制模型

与普通电网相比，微电网系统内部可调节变量较多，例如无功补偿量、分布式电源输出功率等。电力从业人员尝试在不同的微电网运行环境中设置多项目优化模型，但是由于约束条件较为模糊，优化控制结果达不到预期值。因此，研究人员在确保微电网安全稳定运行的前提条件下，从环保性与经济性两方面出发，构建多项目最优控制模型，借助这种方式提高清洁能源利用率[2]。

2.1.1?最优控制目标函数

本次研究中涉及的微电网最优控制目标函数主要分为两部分，即环保性与经济性，其函数表达式为：

式中：x为待优化变量；G（x）为等式约束；H（x）为不等式约束；fi为第i个被优化目标。

2.1.2?经济性目标函数

该模型中，构成经济性目标函数的指标包括两类：第一类是微电网建设、维护费用，研究人员将这些费用折算到建设期之中；第二类是政府为推动新能源产业发展而给予新能源发电的政策性补贴。

（1）建设期费用：

式中：CWT为微电网中风力发电设备的建设与运维成本；CPV为微电网中光伏发电设备的建设与运维成本；CFC为燃料电池成本；CMT为微型汽轮机的安装及运维成本；CAD为维持微电网稳定运行的附加成本；常量a、b、c、d分别为风力发电机、光伏电池板、燃料电池、汽轮机的数量。

（2）无功补偿成本：

通常情况下，发电侧无功补偿，运用并联电容器就地补偿模式。因此，研究人员将电容器固定成本折算到建设成本之中。

式中：CC为并联电容器运行成本；Cf为电容器固定成本；T与η分别为电容器使用寿命及使用频率；QC为分布式电源需要的无功功率总量。

（3）新能源发电补贴：

政府为扶持新能源产业发展，针对新能源发电企业给予政策补贴，通过这种方式降低新能源发电成本，其计算公式如下：

式中：PWT为一台风力发电机输出功率；SWT为风力发电补贴系数；PPV为一块光伏发电电池板输出功率；SPV为光伏发电补贴系数。

研究人员通过计算建设期费用以及新能源发电补贴具体数据，得出微电网最优控制数据。

2.1.3?环保性目标函数

本次研究中提及的微电网以清洁能源为主（风能、太阳能等），除微型汽轮机工作时会产生少量污染物之外，绝大部分能源达到“零污染物排放”标准。因此，该模型中的环保性目标函数，基于污染物排放处罚对目标函数进行量化，