💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
🎉作者研究：🏅🏅🏅本科计算机专业，研究生电气学硕。主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者，方便大家进行学习！亲民！！！还有我开了一个专栏给女朋友的，很浪漫的喔，代码学累的时候去瞧一瞧，看一看：女朋友的浪漫邂逅。有问题可以私密博主，博主看到会在第一时间回复。
📋📋📋本文目录如下：⛳️⛳️⛳️
目录
1 概述
本文我们使用改进遗传算法解决了 n 节点系统的最优潮流问题。仅对连续控制变量，即单位有功功率输出和发电机母线电压幅度进行了建模。许多功能性操作约束，例如松弛母线有功功率限制、负载母线电压幅值限制和发电机无功约束，都包含在 GA 适应度函数中作为惩罚。引入了高级和特定于问题的算子，以提高算法的效率和准确性。
2 最优潮流问题
自从 Carpentier 将其引入为网络约束经济调度以及 Dommel 和 Tinney 将其定义为最优潮流 (OPF) 以来，OPF 问题一直是深入研究的主题。 OPF 优化电力系统运行目标函数（例如热资源的运行成本），同时满足一组系统运行约束，包括由电网规定的约束。 OPF已广泛应用于电力系统运行和规划。在电力部门重组后，OPF 已被用于评估电价的空间变化，并作为拥塞管理和定价工具。在其最一般的公式中，OPF 是一个非线性、非凸、大规模、静态优化问题，具有连续和离散控制变量。即使在没有非凸单元运行成本函数、单元禁止运行区和离散控制变量的情况下，由于存在非线性（AC）潮流等式约束，OPF 问题也是非凸的。离散控制变量的存在，例如可切换分流装置、变压器抽头位置和移相器，进一步使问题解决方案复杂化。由于这个原因，我们限制在我们的解决方案中使用离散变量。数学规划方法，如非线性规划 (NLP)、二次规划 (QP) 和线性规划 (LP) 已用于解决 OPF 问题。每天都使用基于数学规划方法的 OPF 程序来解决非常大的 OPF 问题。然而，它们不能保证收敛到一般非凸 OPF 问题的全局最优值，尽管存在一些关于 OPF 解决方案在感兴趣领域内的唯一性的经验证据。非凸 OPF 目标函数的处理以及单元禁止操作区域也给数学规划 OPF 方法带来了问题。
3 数学模型
见下面第4部分.
算法创新如下：
S.selection_type=input('遗传算法选择方法: 1. 轮盘赌选择 2. 竞争选择 3. 随机选择 4. 随机普遍取样? ');
S.cross_type=input('遗传算法交叉策略 : 1. 简单交叉 2.算术交叉 3.BLX-alpha 4. 莱特启发式 5. 线性 BGA ? ');然后在第四部分用不同策略进行对比。
这里仅展现一种策略，就是轮盘赌和算数交叉的结合，其他策略就不一一展示。
4 结论
OPF 问题的 GA 解决方案已被提出并应用于中型电力系统。 OPF 问题的 GA 解决方案的主要优点是其建模灵活性：非凸单元成本函数、禁止单元操作区域、离散控制变量和复杂的非线性约束可以轻松建模。另一个优点是它可以很容易地编码以在并行计算机上工作。 GAs 的主要缺点是它们是随机算法，并且它们为 OPF 问题提供的解决方案不能保证是最优的。另一个缺点是执行时间和所提供解决方案的质量随着染色体长度的增加而恶化，即 OPF 问题大小。利用并行计算机的力量，GA 解决方案对具有数千个节点的系统的大规模 OPF 问题的适用性还有待证明。
📝目前更新：🌟🌟🌟电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
🚀支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！👨🎓博主课外兴趣：中西方哲学，送予读者：
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。在我这个专栏记录我有空时的一些哲学思考和科研笔记：科研和哲思。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
5 Matlab代码实现
博客主页：电气辅导帮
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
