高压直流分压器均压环结构优化的遗传算法策略

作者： 国自电气 时间：2024-12-10 09:03:57 阅读：28

遗传算法是一种描述自然选择和群体遗传机理的数值优化方法,具有坚实的生物学基础、鲜明的认知学意义、可实现的并行计算行为和广泛的应用价值”。遗传算法的求解过程中,候选解会在每次迭代中保留,并根据环境等某些特征因素进行适应性排列,根据对环境的适应程度对个体进行选择、交叉和变异等操作,生成新种群,新种群又作为输入参与新一轮的遗传进化。遗传算法的本质是一种迭代算法,若遗传算法的结构过于简单，则对于适应度高的个体十分敏感,并会对其不断繁殖:导致局部收敛,在非均匀的空间中去寻找最优个体,从而降低遗传算法的真实可靠性。本文采用改进的SPRGA来提高遗传算法的可靠性。

分压器沿面场强和均压环参数之间是非线性关系。神经网络具有多维非线性映射能力,能通过学习、训练输入/输出数据获得网络的权值和结构得到输入/输出数据中隐含的关系5。遗传算法具有不依赖于问题的种类、且不需要知道目标函数的具体表达式的通用的算法框架,故可以采用将神经网络与遗传算法结合的最优化技术来从数学层面解决均压环的优化问题。

1 约束条件

均压环的最佳优化结构参数是指在此结构参数下,可以满足均压环表面电场小于其起晕场强条件,直流高压分压器沿面最大场强达到最小10。

2 SPRGA遗传算法

SPRGA调整个体适应度的基本思想是小生境遗传思想,利用共享函数对个体适应度进行调节,限制个别个体的大量增加,维护种群多样性。本文的遗传染色体由3个基因位组成,每个基因的位置对应均压环的参数:（略）

采用精英保留策略,将种群进化中的最优解保留到下一代。设保留的适应值最佳的精英个体数为N,对种群中剩下的(M-N)个非精英个体引入其共享适应度,淘汰共享适应度排名靠后的N个个体;随后,将之前步骤中保留的精英个体输入种群,再进行一次遗传操作,将精英个体与种群合并得到大小为M的子代种群。精英数N选择过大会使得精英数在种群中急速增长，导致搜索速度降低;过小则可能导致优良个体的局部丢失，使得遗传不准确度提高。因此，N应该根据种群的大小合理选择,本文取N-10%M。

遗传算法中新个体的产生主要通过交叉运算变异运算作为辅助。SPRGA中为了避免近期繁殖,在进行交叉操作时,选择具有最大欧氏距离的个体对组成交叉母体进行交叉,并对传统均匀变异算法进行改进，提高算法的局部搜索能力，根据设定的变异概率与0,1间的随机数进行比较,决定跳转对基因进行减变异或加变异。

3 优化计算

3.1 均压环的电场优化

本文分别计算了士500kV直流分压器在有无均压环情况下的电场分布情况,安装均压环前后的电场大小分别为28.397、2.835kV/mm,分压器最大场强的位置从分压器盖板端部转移到均压环外表面。由此可见,安装均压环能使得高压电极附近的最大场强值明显降低。但是,初

始的均压环参数尚不能使得分压器上的最大场强值在起晕场强以下。

3.2 均压环尺寸和位置优化

直流分压器表面电场强度随均压环距地高度h的变化情况。由图略可知:均压环表面最大场强值不随h的变化而改变;而分压器表面场强最大值随着h的增大位置发生了变化，其中当场强最大值出现在高压铜棒尖角处时场强随h增大逐渐减小,当场强最大值出现在分压器盖板上端边缘处时场强随h的增大而增大。因此若要使直流高压分压器沿面最大场强达到最小,h应在4840~4857mm范围内。

图（略）给出了直流分压器表面电场强度随均压环环半径R的变化情况。由图7可知:均压环表面最大场强值下降幅度很小,而分压器表面最大场强却因为R的增大出现在分压器本体上，甚至会造成电晕放电。因此通过改变R来改善均压环电场不能达到显著效果,若要使直流高压分压器沿面最大场强达到最小,R应在430~440mm范围内。

图（略）给出了直流分压器表面电场强度随均压环管半径r的变化规律。由图8可知:均压环表面最大场强值随r的增大呈现减小趋势。考虑到实际安装施工难度和制造成本,若要使直流高压分压器沿面最大场强达到最小,r应在138~148mm范围内。

结论

为使分压器的结构合理化,本文将神经网络与遗传算法相结合,对均压环结构参数进行了优化，分别利用传统遗传算法与SPRGA对结构参数进行优化计算,发现后者所得到的优化结果更优、电场值更低。本文方法提高了设备的使用裕度,为直流输电工程优化结构参数设计提供了一条新的思路，