基于遗传算法和粒子群算法的潮流计算比较（Matlab代码实现）

目录

1 概述

2 粒子群算法

3 遗传算法

4 潮流计算运行结果

5 参考文献

6 Matlab代码实现

---

1 概述

电力系统潮流是指系统中的所有运行参数总体,其中包括各个发电机与负荷的功率及其电流、各母线电压的大小与相位、各个线路与变压器等元件所通过的电流、功率及其损耗。
潮流计算是根据已知的电网结构和运行条件来确定系统运行形态的分析系统稳态运行的计算。它是电气工程长期研究的重要课题。

本文讲解基于遗传算法和粒子群算法的潮流计算比较（Matlab代码实现）

2 粒子群算法

受Reynols和 Heppner的模型的启发，1995年,电子工程学博士 Russell Eherhart和社会心理学博士James Kennedy提出了粒子群算法[3-4]粒子群算法模拟小鸟在觅食的过程中通过共享信息找到食物位置的行为来解决问题.在此算法中将小鸟食物的位置对应成问题空间解的位置,小鸟对应成无质量无体积的“粒子”,小鸟在觅食过程中的信息共享和相互协作对应成粒子间的信息共享和相互协作﹐在信息共享的同时粒子调整运动方向和速度,从而快速搜寻到最优解.    

                                         图１ 粒子群算法流程图

3 遗传算法

遗传算法具有很多优点:(1)可全局搜索,不易陷入局部最优解;(2)编码多样化,很多问题都可以用遗传算法解决;(3)可并行随机搜索﹐且搜索范围逐渐缩小; (4)适应度的函数很灵活,可离散可连续,求导微分方面也不限制;(5)很复杂的问题也能使用遗传算法,且结果可靠;(6)兼容性、可扩展性强,可以和很多其他算法融合使用.随着科技的进步,以及对各算法研究的深入,很多算法研究到一定程度缺陷也越明显,要想规避某算法的缺陷,与其他算法融合使用形成新的算法是很好的方法,而遗传算法就是一个比较好的合作算法.

4 潮流计算运行结果

部分代码：

%% 基于遗传算法和粒子群算法的潮流计算比较（Matlab代码实现）
clc;
clear;
close all;
%% 随机数种子
rng('default')
rng(1)
%%
addpath(genpath('matpower7.0'))
%%
data.mpc=case9;
data.numBranch=length(data.mpc.branch(:,1));
data.distance=xlsread('线型.xlsx',2);
data.Line=xlsread('线型.xlsx',1);
data.numLine=length(data.Line(:,1));
data.base=100;
data.lamdaLoss=25; %损耗成本系数
%% 算法参数设置
dim=data.numBranch;
%%
lb=zeros(1,dim);
ub=ones(1,dim);
fobj=@aimFcn_1;
option.lb=lb; %下限
option.ub=ub; %上限
option.dim=dim;%决策变量个数
if length(option.lb)==1 %判断是否成立，如果成立就往下进行
    option.lb=ones(1,option.dim)*option.lb; %统一长度，每个决策变量对应一个lb和ub
    option.ub=ones(1,option.dim)*option.ub; %统一长度，每个决策变量对应一个lb和ub
end
option.fobj=fobj;
option.showIter=0;
%% 算法参数设置
% 基本参数
option.numAgent=20;        %初始解个体数 越大越好
option.maxIteration=20;    %最大迭代次数 越大越好
option.popSize=option.numAgent;
option.lenTS=option.numAgent*5;  %禁忌长度
% 遗传算法
option.p1_GA=0.85;
option.p2_GA=0.1;
% 粒子群算法
option.w_pso=0.1;
option.c1_pso=1;
option.c2_pso=1;
str_legend=[{'GA'},{'PSO'}];
%% 初始化种群个体
x=ones(option.numAgent,option.dim);
y=ones(option.numAgent,1);
for i=1:option.numAgent
    x(i,:)=option.lb+rand(1,option.dim).*(option.ub-option.lb);
    [y(i),~,x(i,:)]=option.fobj(x(i,:),option,data);
end
% 使用算法求解
rng(1)
[bestY(1,:),bestX(1,:),recording(1)]=GA(x,y,option,data);
rng(1)
[bestY(2,:),bestX(2,:),recording(2)]=PSO(x,y,option,data);
%%
figure
hold on
for i=1:length(recording)
    plot((recording(i).bestFit),'LineWidth',2)
end
xlabel('迭代次数')
ylabel('适应度值')
legend(str_legend)
title('适应度函数曲线')
 
%% 输出结果
str='GA算法优化结果'
[~,result1]=option.fobj(bestX(1,:),option,data);
str='PSO算法优化结果'
[~,result2]=option.fobj(bestX(2,:),option,data);
str='随机方案'
[~,result5]=option.fobj(bestX(2,:)*0+1,option,data);

5 参考文献

部分理论文献来源于网络文献，如有侵权请联系删除。