本科毕业论文---基于遗传算法的复杂电网故障诊断方法的研究-(2).doc

毕业论文摘 要随着经济的快速发展，优质、可靠、稳定的电力供应己成为电能用户的普遍需求。然而由于自然、人为等多种因素的影响，电力系统的故障是不可避免的。特别是电力网络，由于输配电线路长期暴露在自然环境中，更是容易引发各种各样的故障，一旦电网发生故障，将会造成对用户供电的中断或供电质量的下降，甚至损坏电气设备。另一方面，在电网的规模和复杂程度不断增加的同时，自动化水平也在不断加强，越来越多的自动装置应用到电力系统中，当电网发生故障时，各级自动装置会产生大量的报警信息。这些信息不加选择地涌入控制中心，特别是同时出现多种故障信息并伴随有保护和断路器的拒动以及误动时，故障诊断问题将会变得异常复杂。本文通过对电力系统故障诊断的一些研究，主要完成了下面一些研究及分析的工作：首先是了解了电力系统故障诊断的原理及各种类型，并说明了部分解决方法；然后简要的阐述了各种方法的原理，特别是遗传算法。最后，研究基于遗传算法的故障诊断，通过保护与断路器规则建模解析并求得最优解，又通过实际案例来证明了其有效性与准确性。关键词：电力系统，故障诊断，遗传算法，目标函数，解析模型。AbstractWith the rapidly development of economy, high quality, reliable, stable power resource supply is needed widely. The power system faults are inevitable because of the influence of natural or artificial reasons. Particularly, the faults occur easily in power network as the electricity transmission and distribution lines are exposed in the natural environment. The faults will cause interruption of power supply or the quality descend, and even lead the equipment to be destroyed. On the other hand, the scale and complexity of power system are increasing, the level of automation is improving together with more and more automatic devices put into application. When the fault occurs, the automatic devices of the power system would produce a mass of alarm information and bring much difficulty to the operators for fault diagnosis, especially when the circuit breakers and relay protections have unwanted operation or fail to operate, the fault diagnosis becomes extraordinarily complex.This article based on the power system fault diagnosis some research, mainly to complete the research and analysis of some of the following tasks: First, to understand the power system fault diagnosis principle and types, and describes some of the solutions; then briefly describes each the principle method, in particular genetic algorithms. Finally, the study of fault diagnosis based on genetic algorithm, through the protection and circuit breaker rules modeling analysis and optimal solutions, but also through the practical examples to demonstrate its effectiveness and accuracy.KWYWORDS：Power system，Fault diagnosis，Genetic algorithm，Object function，Analysis modelII目 录摘 要IAbstractII第1章 绪论11.1 背景和意义11.2 国内外研究现状11.3 本文的主要内容3第2章 常见电网故障诊断方法42.1 电网故障诊断的基本概念42.1.1 保护动作类型42.1.2 故障区域识别52.2 电网故障诊断方法62.2.1 专家系统62.2.2 人工神经网络82.2.3 基于优化技术的方法92.2.3 其他技术92.3 本章小结10第3章 遗传算法的基本原理及应用113.1 遗传算法的基本原理113.1.1 基本概念113.1.2 遗传算法特点113.1.3 遗传算法的原理123.2 遗传算法的分类133.2.1 简单遗传算法（SGA）133.2.2 高级遗传算法（RGA）153.3 遗传算法在电力系统中的应用163.3.1 调度和规划的应用163.3.2 故障诊断与警报处理163.3.3 运行优化的应用173.3.4 其他领域的应用17第4章 基于遗传算法的故障诊断184.1 故障诊断的数学模型184.1.1 故障诊断的完全解析模型184.1.2 完全解析模型的目标函数204.1.3 基于遗传算法的模型求解214.1.4 诊断流程224.2 基于遗传算法的故障诊断算例分析及验证224.2.1 实际算例系统224.2.2 故障以及报警信息的分析234.2.3 故障诊断求解以及结果分析244.3 本章小结25结 论26参考文献28IV第1章 绪论1.1 背景和意义自进入21世纪以来，随着时代的飞速发展，技术的不断进步以及人类社会对电力依赖程度的加大，电力系统在社会经济占有着非常重要的地位，所以确保电网的安全可靠是电力相关部门最神圣的使命。如今的电力系统也越来越大，越来越复杂，而且有很大部分的输电线路暴露在自然环境中，导致电网中经常容易出现各种各样的复杂故障12。为了创造一个安全稳定运行的电力系统，增强供电的持续与可靠性，就需要一个优质的故障诊断系统，以便故障的及时检测与故障后的及时恢复。现如今，我国在电力系统方面还不算优秀，供电的可靠性也有待加强，电网的故障经常发生在输电线路上，特别是在超高压长距离输电线路上发生某些故障时，都需要及时发现并处理好故障问题，确保线路的安全稳定运行。而这些又需要大量的人力物力和财力，比如在山区部分的输电线路或恶劣天气下去检修等。所以必须要通过有效故障诊断系统，使电力系统发生故障时，能获取各种故障信息，故障性质，故障地点并自动评定出最优的保护动作。另外，在发生故障后，一般通过保护设备的动作情况可以进行故障元件的检测识别。不过有时也会出现不止一套的保护设备动作，更有可能是误动，这都属于元件故障诊断。发生故障时，继电保护装置会发出信号或断路器跳闸，以便快速的切除故障或发出警告信息。调度中心就会根据数据采集监控系统搜集出保护装置和开关变位信息，并提供给调度员，他们会根据所掌握的信息结合电网运行维护单位所提供的分析结果做出最后的故障分析报告。若是不能通过一定准确有效的方法来恢复故障元件，就会影响电力系统的正常运行。而且电力系统在数据传输时也会传输错误的保护动作信息。因此，还必须要有有效的分析计算方法来准确的判断出故障元件的位置，方便检测并消除事故来及时的让电力系统恢复其供电运行。1.2 国内外研究现状面对如今很多复杂的电力系统，国内外关于故障诊断方面的研究多都处在故障元件的识别与检测上，并提出了很多方法34。主要有以下几类：逻辑处理法，人工神经网络法，专家系统以及基于优化技术方法四类。在早期的电力系统中，其故障诊断多是用的传统的逻辑处理法5，这种方法对于以前的电力系统是比较合适，因为其系统简单远没有现在这么复杂，而要想应用于现代电力系统则恐怕难以实现。自从20世纪70年代中期第一个专家系统（ES）Dendral在美国的斯坦福大学问世以后，经过近五十年的研究发展，专家系统渐渐的在各个领域开始流行起来。在电力系统方面，专家系统也占据了不小的比重，很多地方都投入实用，主要表现在电力系统故障诊断方面67。但专家系统也有缺点，比如检测诊断速度慢，知识获取困难，开发周期长，维护也相对麻烦。后来，专家们也尝试将人工神经网络（ANN）的方法运用到电力系统的故障诊断中89，但是该方法的有效性却因样本的合理选取上略显一般，对于大型的电力系统要形成一个完整的样本集非常困难，使其结果的准确性在理论上无法得到保证。同时，在处理不同的故障元件引起的相同的保护装置以及断路器动作的情况时，该方法只有一个解，这在复杂的电力系统中局限性太大。而近些年，提出基于优化技术的方法，其原理是根据按照元件故障，保护动作和开关跳闸之间的逻辑关系，将故障诊断问题表示为0-1这样无约束的规划问题，然后利用优化技术求解。本课题所研究的就是优化技术中的遗传算法（GA）在电力系统故障诊断中的研究应用1012。文献13简要的介绍了遗传算法的研究现状，它是由美国学者Holland于1975年首次提出，是模拟自然界生物进化的计算模型。遗传算法是建立在达尔文自然选择和孟德尔遗传学说基础上，通过模仿生物遗传和进化的过程，寻找对复杂困难问题的最优解的算法，所依照的是优胜略汰的进化规律。与传统的优化技术所不同的是，遗传算法对于求解问题不会涉及常规问题求解的数学过程。同时遗传算法也不需要直接对训练样本与知识规则进行选择处理，这是它对比于专家系统，人工神经网络诊断系统的最大优势。因此在电力系统的故障诊断中基于遗传算法的研究尤为重要，文献1416分别是基于遗传算法的电力系统故障诊断的解析模型与算法的三部分。第一部分主要介绍发展了电力系统故障诊断的基于遗传算法与解析模型的方法；其数学模型依然是无约束的0-1整数规划模型借助于充分利用断路器的跳 阐信息。这种模型在一定程度上解决了保护信息不完整时的电力系统的故障诊断问题。然后概述了利用实时网络拓扑分析方法来检测出故障平息后的故障区域的方法, 从而可将故障诊断缩小到这些区域之中, 以节省计算时间。第二部分在第一部分的基础上，先是提出了利用计算机自动形成故障诊断的目标函数的方法，是实现在线故障诊断分析的必要阶段，然后介绍了为浙江省供电局设计的在线故障诊断检测软件的组成结构以及功能。第三部分介绍将该软件实际应用到浙江省220kV以上电力系统时EMS信息的获取方法与模拟在线测试结果。算例分析表明该文基于保护设备与断路器故障诊断的数学模型是正确的，遗传算法的应用有效可靠，并且通过联合应用故障区域的识别法，提高了故障诊断的速度。在文献17中从提高实时性与灵活性的角度阐述了一种分层信息故障诊断法。在不失信息的可靠性和完整性的基础上，把系统采集到的信息按时间的优先级划分为以下三层：遥信变位信息，遥测信息以及 录 波信息。该诊断法介绍了采用分层信息和遗传算法的优点，论述了基于遗传算法的分层信息故障诊断法的流程，并通过模型算例来证明了方法的有效性与准确性。当然，目前国内外对于遗传算法的研究也都尚不完善，文献18就遗传算法提出了一些改进。为了提高遗传算法的收敛性，又考虑到交叉率（Pc）与变异率（Pm）的选择问题，该文献简要介绍了在个体适应度的基础上自动适应调整Pc与Pm的自适应遗传算法，在分析其不足并加以改进后提出了改进的自适应遗传算法，使其在最优解的收敛速度上有了明显提高。另外，为了更好的适应现代电力系统，提高其稳定可靠性，人们将遗传算法与其他技术结合来研究出新型算法。如文献19就是将遗传算法与人工神经网络结合提出的新方法以及文献20将免疫，混沌和遗传三个算法结合利用混沌运动的遍历性以及随机性产生初始种群，加快搜索的速度；利用免疫理论的浓度计算与调整加入新的混沌 序列补充 种群，增加了种群的多样性，避免陷入局部的最优；交叉变异结束后在最优解附近再利用混沌进行局部寻优提高结果的准确度。当然，这些研究都还不够成熟完善，要适应现在以及未来发展的电力系统应用还需要做很多方面的分析与研究。1.3 本文的主要内容1) 研究基于遗传算法的电网故障诊断的发展历程、研究现状和未来的发展趋势。2) 从电网故障诊断的目标、数据源及方法的角度，撰写电网故障诊断方法综述。3) 深入理解采用遗传算法诊断故障的方法，明确基于遗传算法的故障诊断原理后建立复杂故障情况下的目标函数，确定其诊断流程。4) 通过实际案例结果验证方法的有效性与可靠性。27第2章 常见电网故障诊断方法2.1 电网故障诊断的基本概念电力系统故障诊断是指在电网中，通过实时状态监测系统所得到的系统状态以及设备状态的各项数据和系统处理的运算结果提供的数据信息，来找出电网的故障地点位置原因以及严重程度，然后提供相关处理建议。电力系统故障诊断的基本内容包括：1) 故障的检测：根据相关监测措施手段，测量正在运行的设备的各种数据，来用作判断故障的依据。2) 故障的分析：根据系统检测到的故障信息进行一定的分析，来发现并找出故障，同时确定故障的严重程度和性质。3) 故障的评价：在故障的分析检测后，通过对故障的位置，程度以及性质对整个电力系统的影响做出一定判断，明确影响程度和故障等级。4) 故障的决定：通过故障的评价结果，对电力系统做出相关的决定，如报警停机等。根据系统的数据信息，可以将电力系统故障信息分类如下：1) 开关信息：主要包含自动重合闸 设备动作引起的开关闭合的信息与继电保护器设备动作引起的开关合闸或跳闸信息。2) 刀闸信息：目前的大部分的刀闸 信息一般都不传递给调度，只是保留在电厂的监控系统里，提供给查询使用，主要原因是其数据信息量过大。3) 保护信息：事故或故障后保护的动作信息主要包含保护软压板状态报告，保护跳闸报告，保护自检报告以及保护录 波 报告等。4) 安全自动装置信息：主要包含 备 自投，过负荷以及自动重合闸等安全自动装置的动作信息。2.1.1 保护动作类型通常故障区域内动作的保护可以分为以下3种：主保护：母线的主保护在动作时会跳开所有与该母线直接相连的断路器，变压器主保护在动作时会跳开其两端的所有断路器，线路的主保护在动作时 会跳开所有与该线路 直接相连的 断路器。近后备保护（第一后备保护）：变压器的近后备 保护 用于当 主 保 护发 生 拒 动后引起动作跳 开 变 压器两端 的所有 断路 器。线路的两个第一后备保护用于当主保护拒动时引起动作跳开线路两端的全部断路器。远后备保护（第二后备保护）：线路的远后备保护主要用作保护变压器，在相邻的区域故障而该区域的保护未 动 作时。跳开 相邻区域内的全部断路器，完成隔离并切除故障的目的。2.1.2 故障区域识别这里通过变电所为例子来说明故障区域的识别问题。变电所的网络拓扑结构可以看作是一个图G=（N，E），N是节点的集合，E是支路的集合。图G的连接分子图是所要确定的G=（N，E）。其中G属于集合G，N属于集合N，E属于集合E。一般变电站的网络拓扑结构通常是支路集合以及节点集合组合成的，其中支路又是通过一个或者是多个 串 联 的 装 置 构 成。变电所的网 络 拓 扑在发生变化时主要是支路的连 通 状 况 发生变化而引起的，而支路的断开与联通则主要取决于支路上设备的连通状况。规则A 支路的合与断的定义：“或”的 关系：支路上任何一个串联设备都是断开的状态，支路才是“不连通”。“与”的 关系：支路上所有的串联装置都是闭合的状态，支路才会是“连通”。规则B判断支路和节点是否在一个连通区域范围内的定义：1) 支路如果是连通的，那么该支路以及所在两端的节点都属于同一个区域范围。2) 支路如果是断开的，那么该支路就不属于任意一个连通的区域。孤立的节点如果是输入以及输出的节点，那么就定义成 属于相同的一个连通区域，并且这个区域只有一个节点。如果孤立的节点是属于其他的节点，那么就不用考虑。当变电站有故障发生的时候，一般只会有少数的支路发生合与断，所以在每次故障诊断的时候都检测所有的支路并确认停电范围明显是很不必要的。为了增加实时性，防止重复的工作，进一步的提高诊断效率，在诊断的模块启动时，对变电所进行一次网络 拓扑划分以及对变电所 所有的支路完成变电所的连通 区域的划分。只需要在故障信息出现时根据所跳闸的支路对该变电所进行局部的拓扑修正就可以。由于所含的开关设备闭合而引起原来断开的支路连通对网络的拓扑影响：1) 如果支路的两端都属于一个连通的子图，那么就只增加一个支路。2) 如果支路的两端节点最开始属于不相同的两个连通子图G1和G2，那么就合并这两个子图G1与G2成为一个新的连通子图，这个包括G1和G2的全部支路以及节点，同样包括。由于所包括的开关设备断开而引起原连通支路不连通时对网络拓扑影响：1) 如果支路的两端节点之间依然有连通子图的存在，那么所拥有的节点数量不会变，支路上会缺少。2) 由于支路的断开引起会被分裂成两个连通子图G1和G2，这两个端点不会再存在连通路径，而是分别属于G1以及G2，这里有可能会有一个 节点成为孤立的节点，如果该节点是输入与输出的节点，那么就保留。这样一来，当有开关关断或闭合时，就只需要对几条有关支路进行判断，即可以快速的得到新的网络拓扑结构。变电所网络拓扑结构一般通过停电区域的划分可以分成多个连通的区域，再进一步经过电源点的检测来确定停电的区域以及带电的区域，所有这些无源的连通区域并不是代表有故障点就会被保护切除，而是包括下列五种情况：1) 停运设备区。2) 由于保护以及开关误动作导致的被误操作断电的区域。3) 由于有设备发生故障，导致保护误操作的切除的区域。4) 由于上一级的元件设备故障被切除而导致停电的区域。5) 由于下一级的元件设备故障，开关或者是保护拒动导致本级后备动作，本级元件被断电，并且和下一级元件同样断开的情况。2.2 电网故障诊断方法2.2.1 专家系统专家系统（ES）在人工智能的领域中是最成功并且发展最早的一个方法，它是通过各项有机连接来利用计算机的技术将各专业领域的专家经验和理论知识融合，使其达到解决各领域问题的能力。专家系统法有谓词逻辑表达法，基于框架的知识表达法，语意网络表达法，以及产生式规则表达法等多种表达法。图1 专家系统的完整结构目前研究最多也较成熟的一个复杂电网故障诊断方法就是专家系统法，它有着比较成熟的理论体系及研究，并且能很有效稳定的模拟出在故障诊断中的分析检测过程。其中图1为专家系统的完整结构。在电力系统故障诊断上，根据其知识的表达和推算方法的不同，专家系统主要分为两类：1) 基于启发式规则推理。2) 结合正反推理的系统。图2 专家系统的发展这些基于专家系统的诊断方法的主要特点是可以快速有效的把保护设备和断路器的相关动作和运行人员的检测诊断经验通过规则表达出来，在确保诊断系统的准确性和实时性同时能给出相应的结论的情况下，在其知识库中修改或者删减增加一些合适的规则，在故障诊断中，适合中小型的电力系统和电站的故障诊断。作为发展最早的人工智能系统之一，专家系统虽然已经有着较为成熟的理论知识体系，但是也存在很多缺陷在实际的应用中。其中要去的完整的知识库是专家系统在故障诊断中的一大难题。同时，专家系统的容错能力也有待提升，这方面可以通过将模糊集的理论与其相结合，对知识库进行模糊的推理使专家系统得到改善，这是专家系统在故障诊断方法近近几年发展的主要目标以及趋势。2.2.2 人工神经网络人工神经网络（ANN）是模拟人类神经系统处理信息以及传输过程的一种人工智能技术方法。在提出模拟神经元方法以后，人工神经网络（ANN）迅速的发展成为人工智能技术的又一个重要方法。人工神经网络的出现为处理非线性问题提供了一条新的道路。目前在人工神经网络的实际应用中，80%到90%的人工神经网络模型主要是采用BP（Back Propagation)，以下简称BP网络或是它的变化形式。相比于专家系统，人工神经网络最大的优点就是采用了神经元和它们之间有向权重链接来隐含处理相关问题的理论知识，同时也有具有以下一些特点：1) 自我组织，学习能力强， 能够学习并适应各种不确定关系系统的特性。2) 容错能力较强，能够充分的达到任意较为复杂的非线性关系。3) 神经元间的计算性具有独立性，所有的定量与定性的相关信息都均匀分布在网络内神经元里。4) 人工神经网络采用了分布处理法，使计算能力得到提升。随着人工神经网络的不断发展，人工神经网络在电力系统中的应用越来越开始活跃。其中第一届的人工神经网络（ANN）在电力系统中的应用就于1991年在美国召开。目前来说，在电力系统的故障诊断中，人工神经网络（ANN）的应用主要集中在以下几方面：1) 电力系统的负荷预测；2) 故障诊断与警报的处理；3) 可预测性分析与状态的估计；4) 动静态的安全稳定性估计；5) 电力系统的无功优化；6) 暂态稳定控制与运行监测系统。人工神经网络在电力系统故障诊断中的主要应用问题是：人工神经网络不具备相应的表达电力系统拓扑结构的相关能力，仅能在具有固定的接线的中小型电网中得到应用，所以说怎样设计出能应用于大型电网的人工神经网络故障诊断系统依然是现在的研究发展趋势。图3就是人工神经网络在电力系统故障诊断中的模型。图3 三层前向人工神经网络模型2.2.3 基于优化技术的方法随着电力系统的不断进步，专家们研究出很多故障诊断方法技术。虽然都还不够成熟，理论体系尚不够完整，但前景很不错，值得进一步研究。其中基于优化技术的故障诊断方法是把电网故障诊断问题建立成一种解析的数学模型，将其描述成为0-1的整数规划问题。主要包括遗传算法，粒子群算法，模拟退火算法以及免疫进化算法等，其中遗传算法就是本文研究的重点。基于优化技术的诊断方法主要特点是在模型的原理上比较严密，很适合信息比较完整的电力系统故障诊断。另外基于优化技术的也存在许多的不足，主要有以下几方面：1) 在形成目标函数的过程中，对于如何建立一个合理的电力系统故障诊断的解析模型，在考虑到多级的后备保护时会有些困难。2) 因为在寻求最优解的过程中，存在一些随机因素的影响，导致优化技术有时会丢失最优解。3) 因为优化技术需要迭代计算，所以其诊断速度是一个很大的影响因素。2.2.3 其他技术除了以上这些故障诊断技术。还有以下相关诊断技术：模糊集理论、小波分析法、Petri网络以及粗糙集理论技术等一些，同时从数据采集的层面上进行区分还有很多相关技术方法，另外也通过多种方法结合创造出更适合现代复杂的电网系统的故障诊断技术，例如遗传算法与模拟退火技术相结合或是专家系统与人工神经网络结合的一种诊断方式，如图4所示就是人工神经网络专家系统结合的一种新方法。图4 人工神经网络专家系统的总体结构2.3 本章小结在研究遗传算法在电力系统故障诊断中的研究之前，本章首先介绍了故障诊断的基本概念与结构，了解了什么是电力系统故障诊断，并说明了故障诊断的一些相关内容，通过变电所的例子来说明故障区域的识别原理。然后简单介绍了故障诊断中专家系统以及人工神经网络，并说明其特点与存在的问题，以及未来的发展趋势。最后还给出了目前存在的其他一些故障诊断方法。通过本章的知识，我们明确了电力系统故障诊断的地位以及重要性。第3章 遗传算法的基本原理及应用遗传算法（GA）是通过模拟Darwin的生物进化理论的遗传学与自然选择的生物进化过程的计算模型，是一种通过模拟自然进化过程，然后搜索出最优解的方法，它最开始是美国密歇根州大学的J.Holland教授在1975年首次提出的，并出版发行了很具影响的Adaptation in Natural and Artificial Systems一书，J.Holland所提出的GA为简单遗传算法（SGA）。3.1 遗传算法的基本原理3.1.1 基本概念遗传算法（GA）是一种随机的搜索方法，它借鉴于生物界的进化规律（优胜略汰与适者生存）演化而来的。主要特点是不存在函数连续性和求导的限制，能直接对结构对象进行操作，并且具有更好的全局搜索最优解能力和内在的隐并行性。采用概率化的寻找最优解方法，能自动调整搜索方向并获取指导优化的搜索范围，没有规则的约束性。GA的这些性质，被广泛的应用于现代社会的各个领域，是现代智能计算中的重要技术分支。3.1.2 遗传算法特点遗传算法（GA）具有以下一些特点：1) 与传统的一些优化算法不同，遗传算法不是从单个解数据进行的，是从问题的串集解开始搜索。这样的覆盖面积大，利于整体选择最优。2) 遗传算法对搜索范围内的多个解开始筛选评估，能同时处理种群中的多个个体，减少了一定的风险，同时也让遗传算法更好的实现优化。3) 遗传算法只用适应函数值来筛选个体，不用搜索范围的知识或者是其他的信息，在这个基础上进行操作。适应度函数在它的定义域内可以任意的设置，不受连续可微的限制。4) 遗传算法采用的是概率的变化规律来处理其搜索方向。5) 遗传算法具有自主的学习以及适应性，并且有着良好的自我组织能力。另外遗传算法作为解决搜索问题的一种通用方法，所以GA又具有搜索算法的一些共同特点：最初是组成一组初始解，然后通过一些相应的适应性条件计算出这些解的适应度，再根据适应度的特点保留一些初始解，并且筛选掉其他无效解。最后对筛选出来的解进行操作处理，得到新的解。3.1.3 遗传算法的原理遗传算法是优化技术中一个迭代的过程，并且在每一次的迭代中都会保留一组预备解。然后按照这些解的优异性来进行排列，通过遗传算子中的交叉以及变异来对其运算求解出新的预备解，一直重复该过程，直到求出满足收敛为止。主要包括两个方面：1) 怎样从现有的解集中筛选出一些解（选择算子）来产生其后代。2) 使用哪种遗传算子来对筛选出的解进行运算操作。3.1.3.1 选择算子使用什么形式的方法对于形成匹配集对遗传算法在性能上有着非常大的影响，可以通过把前一代种群中的串集的适应度，按照从高到低的顺序进行排列，取排在最前面的串形成匹配集，但是这样一来就不方便找到整体的最优解，有可能会导致匹配集中的串的所对应的解在其范围内会比较的集中。所以使用随机性的方法来构成匹配集是一种相对来说很好的方法。但是必须要保证适应值在匹配集中的串数值较大，这样才能有繁殖的机会。目前有一种比较好的方法就是采用随机的方式两两竞争，这样保证了所加入匹配集中的那些串有比较大的适应值。除了两两竞争的方法外，还有窗口法以及轮转法等。3.1.3.2 交叉与变异交叉的主要目的是可以把两个串中较优良的遗传到下一代的某个串中去，使该串拥有优于其上一代的性能。如果交叉之后得到的后代性能不好，那么就可以在此后的选择过程中，将本代选择抛弃，匹配集中只选择性的保留较好的串。寻求最优的搜索过程主要就是通过交叉来得以实现的，它是遗传算法中最重要的算子，所以一般说它发生的概率会比较大。变异的主要目的是可以使在运算过程中遗失的某个重要数据得以恢复。因为在遗传中，如果出现某一代的串的某些数字均是0，那么它的后代的所有串中该位数将一直为0，不会有1的出现，不论选择和交叉的如何进行。就是说l这个数字信息丢失了，必须通过变异才可将这个1恢复。但变异的概率应比较小，如果发生的概率达到50%以上，那么遗传算法就会变成随机搜索了，GA的一些重要的计算能力和数据特性将不会存在了。目前的研究表示，使用下面的两断点的交叉方式会比上述的单断点的交叉方式具有更好的效果。对于C和D中的数字：C1 l|0 0 1 0 1|1 1 1 0 1 ；Dl 0|0 1 1 1 0|0 1 1 1 1 ，其中，第3位与第8位是断点，就是交叉点。两断点交叉之后可以得到：C1 1 0 1 1 1 0 1 1 1 0 1 ；D1 0 0 0 1 0 1 0 1 1 1 1 ，变异就是串的某个数字发生变化。比如A改变成A：A=0 1 0 1 1 0 1A=0 1 1 1 1 0 1A是 A的第三位数字发生变异后的结果。变异可在串的一位或者是多个位上发生，但通常使用一位变异的方法。变异的概率Pm一般来说都给得比较小，一般在千分之一和十分之一之间，所以变异的数字的位置都是随机确定。3.1.3.3 收敛判据遗传算法的收敛判据是属于启发式的，常规的数学方法在数学上都有着比较严格的收敛判据。遗传算法的范围比较广，因为其没有使用梯度等一些信息。可是遗传算法同时要形成数学上严格的收敛判据是比较困难的。目前所使用的判据比较多，比如从最优解的方面所确定的收敛判据，在连续得到的解集中的最优解无变化就会认定GA是收敛的；或者通过所使用的计算机容量限制与计算时间来确定的判据，就是所给与的每一代解集中的串的数量与迭代的次数；或者是解集中的最优解的适应度跟其平均适应度之差所占的百分比小于所给定的允许值等判据。3.2 遗传算法的分类目前专家们已提出很多不同类型及形式的遗传算法，总的来说可以把这些算法整理为两种，简单遗传算法（SGA）与高级遗传算法（RGA）。3.2.1 简单遗传算法（SGA）简单遗传算法（SGA）的基本运算过程如下：1) 初始化：首先令进化代数的计数器初始值t=0，然后设置最大的进化代数T，随机的生成M个单位让它们作为初始的种群P(0)。2) 个体评价：计算出种群P(t)中的每一个个体的适应度。3) 选择运算：选择操作就是建立在种群中每一个个体的适应度评估的基础之上，将选择算子作用到群体。选择运算的主要目的就是把优化后的个体直接遗传到下一代或者是通过交叉配对来产生新的个体然后再遗传到下一代之中去。4) 交叉运算：交叉是指把两个父代个体的一部分结构加以更换重组然后生成的新个体的操作。将交叉算子作用到种群中。GA中起关键作用的就是交叉算子。5) 变异运算：将变异算子作用到种群。就是对群体中的个体串的一些基因上的基因做出相应的变动。群体P(t)再经过选择、交叉、计算之后得到下一代的种群P(t 1)。6) 终止条件判断：若t=T,则以进化过程中得到的最大适应度个体作为最优解，最后计算终止。简单遗传算法的步骤如图5所示。图5 遗传算法方框图在遗传算法的优化准则中，通常会根据处理的问题不同而有不一样的确定方法，一般的判断条件用有以下几种规则：1) 在群体中的个体的最大适应度值高于初始预设值；2) 在群体中的个体的平均适应度值高于初始预设值；3) 代数高于初始预设值。3.2.2 高级遗传算法（RGA）高级遗传算法与简单遗传算法的步骤基本是一样的，只有变异与交叉的方法不同，高级遗传算法一般采用两断点交叉或者是均匀交叉的方法。不同于简单遗传算法，高级遗传算法的变异概率以及交叉概率是可变的，通过遗传算法的原理可知，在迭代之前，变异概率比较小，交叉概率比较大，这样才能确定计算过程的稳定进行。在迭代的后期，解群中的 串 已渐渐的趋于稳定，可能收敛于局 部的最优解，这时交 叉的作用已经开始慢慢减小，其发生的概率 可降低，而变异的 概率应该给定得略大点，方便之后有机会跳出局部的最优解，进入新的搜索范围。本文采用的交叉 概率以及变异概率随迭代次数的增加而改变的方程是：两式中：迭代的次数：交叉概率在第t次 迭代时的数值：交叉 概率的初 始值：变异概率在第t次迭代时的数值：变异 概率的初 始值：允许的最大迭代次数可以发现，交叉概率是随着迭代的次数增加而呈现出线性递减趋势的，其最小允许值在达到最大允许迭代次数时为0.6。而变异的概率是随着迭代次数的增加而呈现线性增加的趋势，其值在达到最大允许迭代次数时为0.1。简单遗传算法和高级遗传算法有很多差异，主要的区别有如下两点：1) 简单遗传算法只有变异和交叉，但是高级遗传算法中还有很多新的算子，实现其算子的方式是不一样的。2) 简单遗传算法中的变异和交叉算子它们发生的概率是固定不变的，但是高级遗传算法的概率则具有可变性。在高级遗传算法开始计算的时候，一般来说给定的交叉算子概率Pc的值比较大，而变异算子的概率Pm值较小，通过计算，交叉算子概率Pc减小和变异算子概率Pm增大，一直到Pm和Pc都达到其预先设定好的最大和最小范围。通过多种不同的结构，因为所选择的方法和遗传算法的多种多样的实现方法，又可以得到很多不同形式的简单遗传算法和高级遗传算法。3.3 遗传算法在电力系统中的应用目前，随着科学的进步，遗传算法正迅速的发展起来，已经开始广泛的应用于各个领域，例如工程控制、工程优化、故障诊断、人工智能、对策论、机器学习、模式识别、分子生物学、计算机等领域，都取得了不错的成绩。而且现在国际上经常召开设有遗传算法的专题会议，这种会议基本是每两年就会召开一次，使得遗传算法的研究已经成为国际学术界的一大热门话题。特别是在电力系统中，GA的作用越来越大。近些年提出的基于优化技术的方法，它们的基本理念思路就是根据保护动作的信息来将电网的故障诊断问题表示成0-1的规划问题，之后就会利用基于遗传算法的技术进行求解。以下就是作者所总结的一些遗传算法在电力系统中的应用。3.3.1 调度和规划的应用遗传算法（GA）在解决调度和规划这样的组合问题上是比较实用的。在一般的电力系统中，这类问题通常其涉及规模都很大，普通的技术方法中很少能保证求得整体最优解的，还有些方法也常因为要求计算信息多，计算量太大导致无法使用于大型的电力系统。而遗传算法（GA）则在这方面提供了一种不错的方法，在一定的程度上克服了传统方法在约束处理，局部搜索以及适应度函数标等方面存在的不足。所以总的来说，GA在已广泛的应用于发电规划，检修计划，机组最优组合以及网络规划等方面。3.3.2 故障诊断与警报处理通过保护动作，元件故障以及开关跳闸之间的逻辑联系，可以将故障的诊断问题表示为无约束的01规划问题。最近几年来有关文献提出了应用遗传苏、模拟退火算法以及模拟分子进化优化方法来求解这个问题。参考文献中对几个算例的系统的测试结果表明，遗传算法在计算的效率问题上比其它两种方法要更好一些。对于故障诊断，一般会对故障提出多个假设，然后就会需要对于所提出的这些假设进行计算验证。但是经常导致的结果是多种方法总会得到同一个结论，如