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。
4 Matlab代码实现+文章详细讲解
本文仅展现部分代码，全部代码见：
编辑
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。
编辑
5 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。