基于并行遺傳算法的微電網控制方法研究

引言

作為一種全新的發電、供電方法，微電網在保障電力供應穩定性、提高電力輸送效率等方面發揮了重要作用。為確保微電網能夠穩定、持續運行，相關研究人員積極嘗試將并行遺傳算法引入微電網控制工作中，對最優控制遺傳算法變量進行優化，明確并行遺傳算法計算流程，基于MATLAB開發環境設計微電網最優控制軟件系統，通過這種方式達到“環境最優化”與“經濟最優化”雙重目標。

1 遺傳算法并行性及分類

1.1 遺傳算法固有的并行性

實際生活中，不同的物種在同一時刻以“相互獨立”的狀態進行進化，從宏觀層面來看，物種的進化即并行化過程。研究人員將物種的進化過程引入機器人深度學習領域，以遺傳算法為核心模擬物種進化過程，利用選擇操作模擬物種進化過程中的自然選擇，利用變異操作模擬物種進化過程中的基因突變。因此，遺傳算法的基礎運行邏輯中繼承了物種進化的并行性。使用遺傳算法處理數據信息時，其數量級為O（n3），這代表遺傳算法對N個染色體進行遺傳操作，其內部遺傳信息的數量級為O（n3），研究人員將其稱為“隱含并行性”。

1.2 并行遺傳算法分類

1.2.1 全局并行

全局并行作為一種直接并行化模式，主要應用于串行遺傳算法領域。全局并行模式的特點在于僅有一個群體，在該群體中，每一個個體可以自由匹配，基于群體適應度調整個體適應度，無論是遺傳匹配操作還是遺傳選擇操作，均具有全局性。該模式下，個體之間相互獨立，無須進行信息交互，針對個體的評價主要由主/從進程負責[1]。該模式通常采用同步通信技術，個體適應數據被發送給主進程之后，主進程開始計算個體絕對適應值并根據計算結果進行選擇操作，通過這種方式提高遺傳算法計算性能。

1.2.2 層次并行遺傳算法

研究人員嘗試將不同的并行遺傳算法的優勢集中，提高其搜索以及分析的復雜性，將不同遺傳算法進行混合，形成層次并行遺傳算法。該遺傳算法擁有三種基本的拓撲結構，例如將兩種并行遺傳算法混合，形成的雙層遺傳算法（圖1）。

分析圖1可以發現，該雙層遺傳算法的上層結構采用粗粒度（環形拓撲結構），下層則使用細粒度（二維網格拓撲結構），通過這種方式進化子群體。

2 最優控制遺傳算法目標函數計算

2.1 最優控制模型

與普通電網相比，微電網系統內部可調節變量較多，例如無功補償量、分布式電源輸出功率等。電力從業人員嘗試在不同的微電網運行環境中設置多項目優化模型，但是由于約束條件較為模糊，優化控制結果達不到預期值。因此，研究人員在確保微電網安全穩定運行的前提條件下，從環保性與經濟性兩方面出發，構建多項目最優控制模型，借助這種方式提高清潔能源利用率[2]。

2.1.1 最優控制目標函數

本次研究中涉及的微電網最優控制目標函數主要分為兩部分，即環保性與經濟性，其函數表達式為：

式中：x為待優化變量；G（x）為等式約束；H（x）為不等式約束；fi為第i個被優化目標。

2.1.2 經濟性目標函數

該模型中，構成經濟性目標函數的指標包括兩類：第一類是微電網建設、維護費用，研究人員將這些費用折算到建設期之中；第二類是政府為推動新能源產業發展而給予新能源發電的政策性補貼。

（1）建設期費用：

式中：CWT為微電網中風力發電設備的建設與運維成本；CPV為微電網中光伏發電設備的建設與運維成本；CFC為燃料電池成本；CMT為微型汽輪機的安裝及運維成本；CAD為維持微電網穩定運行的附加成本；常量a、b、c、d分別為風力發電機、光伏電池板、燃料電池、汽輪機的數量。

（2）無功補償成本：

通常情況下，發電側無功補償，運用并聯電容器就地補償模式。因此，研究人員將電容器固定成本折算到建設成本之中。

式中：CC為并聯電容器運行成本；Cf為電容器固定成本；T與η分別為電容器使用壽命及使用頻率；QC為分布式電源需要的無功功率總量。

（3）新能源發電補貼：

政府為扶持新能源產業發展，針對新能源發電企業給予政策補貼，通過這種方式降低新能源發電成本，其計算公式如下：

式中：PWT為一臺風力發電機輸出功率；SWT為風力發電補貼系數；PPV為一塊光伏發電電池板輸出功率；SPV為光伏發電補貼系數。

研究人員通過計算建設期費用以及新能源發電補貼具體數據，得出微電網最優控制數據。

2.1.3 環保性目標函數

本次研究中提及的微電網以清潔能源為主（風能、太陽能等），除微型汽輪機工作時會產生少量污染物之外，絕大部分能源達到“零污染物排放”標準。因此，該模型中的環保性目標函數，基于污染物排放處罰對目標函數進行量化，其表達式為：

式中：n為微電網中的微型汽輪機污染物排放量；MMTi為汽輪機工作時第i種污染物排放總量；PMTi為第i種污染物排放處罰標準。

實際工作中，由于微型汽輪機排放的污染物檢測難度較大，因此研究人員假定微型汽輪機以均衡的方式排放污染物，不會受到氣壓、溫度等因素的影響。

2.2 最優控制并行遺傳算法

2.2.1 優化定義變量

正式開始計算之前，研究人員對需要優化的變量進行定義，即：

2.2.2 計算過程

并行遺傳算法能夠有效處理離散變量問題，同時具備良好的全局尋優能力，因此可以解決混合非線性優化問題，公式（6）中的4個變量即并行遺傳算法中的個體基因，其排列結構為{XPT|XWT|WFC|WMT}。

最優控制并行遺傳算法適應度計算公式為：

式中：C為目標函數界限估計值；λi為權重系數，通常情況下，權重系數根據子目標函數重要程度進行確定。

模型構建完畢后，研究人員對該模型進行驗證，設M=100，子群體個數為4，即n=4，模型進化迭代次數MAXG=50，其中基因變異概率為0.001，即P=0.001，基因交叉概率為0.8，即Pc=0.8，具體步驟如下[3]：

（1）設置模型中分布式電源參數、目標函數以及約束條件，將微電網負荷參數代入優化控制模型中。

（2）基于二級制編碼產生基因初始種群，按照均勻劃分原則形成n個子種群。

（3）逐一對子種群中的個體進行函數計算，通過橫向對比保留適應度最大的個體。

（4）針對子種群進行不同的遺傳操作，包括選擇運算、交叉運算以及變異運算，設變異運算概率為Pm，交叉運算概率為Pc，通過計算確定各個子群體的適應值。

（5）通過遺傳遷移得到初始種群的下一代群體。本次研究中，工作人員使用單向環連接拓撲結構，將各個子群體中最優個體遷出，使用自適應遷移策略，當子群體連續S=1（遷移數量為1）無法進一步提高適應度時，接受遷移個體。通過這種方式減少個體遷移數量，令不同的子群體分布于模型中的不同區域，提高子群體多樣性，通過這種方式提高子群體進化速度。

（6）若種群遺傳代數與設定的最大值相同，則計算終止并輸出最優解，如果二者不同，則返回步驟（4）重新進行計算，其具體流程如圖2所示。

3 微電網最優控制軟件設計

研究人員基于并行遺傳算法，以微電網環保目標及經濟最優化目標作為優化對象，利用最優控制模型處理多目標優化問題。最優控制軟件的主要任務是獲取仿真平臺傳輸的參數，并利用最優控制模型尋找多目標任務最優解，將最優解參數返回仿真平臺，通過這種方式實現對于微電網的最優控制[4]。

該軟件主要由三項功能組成：參數讀取、計算最優解、返回參數。同時，設計人員為該系統搭配了一些輔助功能，例如文件退出詢問、變量查詢以及操作步驟歷史記錄查詢等。研究人員為了能夠讓用戶以更為直觀的方式了解最優解計算流程，在該軟件中添加了折線圖（圖3），利用折線圖展示子種群進化時每一代適應度最好的種群變化情況。通過這種方式讓使用者能夠更為深入地了解微電網最優控制方法的形成過程。

4 結語

為進一步提升微電網控制效率，研究人員引入并行遺傳算法，利用并行遺傳算法中的多層次并行遺傳空間，組建由具有環形拓撲結構的粗粒度以及具有二維網格拓撲結構的細粒度組成的雙層遺傳算法模型。在此基礎上，以微電網經濟性與環保性作為目標函數，構建最優控制模型，同時利用MATLAB開發環境設計微電網最優控制軟件，為確保微電網穩定運行提供技術支持。

審核編輯：劉清