基于改进遗传算法的阻尼控制器协调控制

遗传算法是模拟自然界进化过程搜索最优解的计算模型，遗传算法以其简单、通用、鲁棒性强和适于并行分布处理等特点及广泛的应用潜力，已经在许多领域中得到应用，而且越来越受到国际学术界的普遍重视，遗传算法已成为解决人工智能中一些困难问题的重要工具。

遗传算法是一种群体型操作，该操作以群体中的所有个体为对象。选择(selection)、交叉(crossover)和变异(mutation)是遗传算法的三个主要操作算子，它们构成了遗传操作(geneticopera-tion)，使遗传算法具有了其他传统方法所没有的特性。遗传算法中包含了如下五个基本要素:参数编码；初始群体的设定；适应度函数的设计；遗传操作设计；控制参数设定(指群体大小和遗传操作的概率)。

但是遗传算法存在一定的局限性[233]，主要的缺点就是进化过程中存在退化以及往往只能收敛到较优解，只有较少概率收敛到最优解。本节针对遗传算法的特点，以及多机系统阻尼低频振荡的实际情况，提出了一种改进的遗传算法。

由于电力系统的实际运行方式经常发生变化，基于一种运行方式所配置的阻尼控制器参数可能在其他运行方式下失效甚至恶化系统的稳定性。因此应综合考虑各种弱阻尼的运行方式，协调配置控制器参数，保证各种运行方式下系统都能保持稳定，基于这种思路设计的控制器参数才有可能在实际中得到应用[121]。

上述阻尼控制器的参数整定可以看作一个多参数约束优化问题。由于遗传算法的目标函数可以是待优化参数的非显式函数，目标函数可以设为

j为弱阻尼运行方式个数，n为关键振荡模式的个数，ξi为振荡模式的阻尼比，z为待整定的参数，约束条件包括待整定各个参数的范围，以及各个阻尼比的最小限制，数学形式可表述为

图4.17 改进遗传算法的流程图

阻尼控制器的增益K的典型范围为[0.01，50]，时间常数T1、T2、Tf的典型范围为[0.01，5]；时间常数Tw取为3。对式(4-23)表述的优化问题求解，求出的参数即为闭环系统中阻尼控制器的协调优化参数。

改进遗传算法的具体的流程图如上图4.17所示。