A Preliminary Study of Genetic Algorithms——Taking Power System Active Power Optimization as an Example (2)

Previous article : https://blog.csdn.net/m0_43401436/article/details/106564397

I can hardly recognize my own code. . .

The complete code is as follows, it can be run directly after installing matpower. The notes are written clearly, and you should be able to read them clearly in conjunction with the previous one.

clc
clear
%%
mpc=loadcase('case6ww');
bus=mpc.bus;%节点参数
branch=mpc.branch;%支路参数
gen=mpc.gen;%发电机参数
NG=size(gen,1);%发电机数目
%%
pgMax=1*gen(:,9);
pgMin=1*gen(:,10);%机组最大最小出力

gencost=mpc.gencost;%发电机花费参数
costa=gencost(:,5);
costb=gencost(:,6);
costc=gencost(:,7);
%% GA参数
size=30;%种群规模
NP=50;%进化多少代
cost=zeros(1,size);%每个个体的花费
fv=0;%初始最优值的适应函数值取0
D=zeros(NP,4);%用来记录每代的最优解,平均值，最差解,最优解是否为可行解
%% GA Process
%% 种群初始化
pg=(pgMax-pgMin).*rand(NG,size)+pgMin;
pg=[pg;zeros(3,size)];%再加3行，分别是4适应函数值、5是否为可行解、6燃料花费

%% 判断是否为可行解
for i=1:size
    for j=1:NG
        mpc.gen(j,2)=pg(j,i);
    end
    results=runpf(mpc);
    if results.success==1
        if (sum(results.gen(:,2)>=pgMin)==NG)&&(sum(results.gen(:,2)<=pgMax)==NG)%机组出力不越限
            pg(5,i)=1;
            pg(1:NG,i)=results.gen(1:NG,2);%实际计算结果赋值过来
            cost(i)=sum((pg(1:NG,i).^2)'*costa+pg(1:NG,i)'*costb+ones(NG,1)'*costc);%燃料花费
            pg(4,i)=1/cost(i);%适应函数值
            pg(6,i)=cost(i);%燃料花费
        else
            pg(5,i)=0;
            pg(4,i)=0;
        end
    else
        pg(5,i)=0;
        pg(4,i)=0;%非可行解适应函数值为0
    end  
end

%% 进化（包括：个体选择、交叉、变异）
for i=1:NP
    
    %个体选择——锦标赛选择法
    M=zeros(NG+3,size);%用来存储优胜者的中间矩阵
        for j=1:size
            A=randperm(size,2);%随机获取1~N范围的两个数
            if pg(4,A(1))<=pg(4,A(2))%适应度大的保留下来
                M(:,j)=pg(:,A(2));
            else
                M(:,j)=pg(:,A(1));
            end 
        end
        
        pg=M;%直接把优胜者种群作为新种群；或者也可以在竞争过程中把竞争失败的替换成胜利的
        
     %交叉
     proc=0.75;%交叉概率——从所有个体中取75%进行交叉操作
     NC=floor(proc*size);%交叉操作的个体数
     NC=NC-mod(NC,2);%保证是偶数
     tempCross=randperm(size,NC);%执行交叉操作的个体
     pointCross=randperm(NG,1);%随机生成交叉点
     alpha=rand(pointCross,1);
     for k=1:0.5*NC
         pgCross1=alpha.*pg(1:pointCross,2*k-1)+(1-alpha).*pg(1:pointCross,2*k);
         pgCross2=alpha.*pg(1:pointCross,2*k)+(1-alpha).*pg(1:pointCross,2*k-1);
         pg(1:pointCross,2*k-1)=pgCross1;
         pg(1:pointCross,2*k)=pgCross2;
     end
     
     %变异——每次取一定量个体进行变异
     prom=0.05;
     NM=floor(prom*size)+1;%变异个体数
     idM=randperm(size,NM);%变异个体编号
     pointMu=randperm(NG,1);%随机生成变异位置
     tempM=rand(1);%变异方向随机
     for j=idM
         if tempM>0.5
             pg(pointMu,j)=pg(pointMu,j)+0.01*pgMax(pointMu);
         else
             pg(pointMu,j)=pg(pointMu,j)-0.01*pgMax(pointMu);
         end
     end
     
     %判断子代是否可行
    for k=1:size
        
        mpc.gen(1:NG,2)=pg(1:NG,k);
        results=runpf(mpc);
        
        if results.success==1
            if (sum(results.gen(:,2)>=pgMin)==3)&&(sum(results.gen(:,2)<=pgMax)==3)
                pg(5,k)=1;
                pg(1:NG,k)=results.gen(1:NG,2);%实际计算结果赋值过来
                cost(k)=sum((pg(1:NG,k).^2)'*costa+pg(1:NG,k)'*costb+ones(NG,1)'*costc);%燃料花费
                pg(4,k)=1/cost(k);%适应函数值
                pg(6,k)=cost(k);%燃料花费
            else
                pg(5,k)=0;
                pg(4,k)=0;
            end
        else
            pg(5,k)=0;
            pg(4,k)=0;%非可行解适应函数值为0
        end  
    end
    
    %排序获取当前代的结果
    [Q,IX]=sort(pg,2);%sort默认竖着排，1——竖着排；2——横着排
    D(i,1)=Q(4,size);%sort默认升序，所以这是适应函数最大值
    D(i,2)=mean(Q(4,:));%适应函数平均值
    D(i,3)=Q(4,1);%适应函数最小值 
    D(i,4)=pg(5,IX(4,size));%IX(4,size)得到的是最优解在原矩阵E中的索引，5对应的是表示是否为可行解的那一列
    D(i,5)=pg(6,IX(4,size));%最优解燃料花费
    if D(i,1)>fv && D(i,4)==1
        fv=D(i,1);%更新最优解目标函数值
        costopt=1/fv;
        xm=[pg(1:3,IX(4,size));pg(5,IX(4,size))];%最优解对应的自变量值,是否为可行解
    end  
end
%所有代进化完毕
%% 画图
k=1;
for i=1:NP  %各代都画出来
    if D(i,4)==1
        N(k,:)=D(i,:);%如果第i代最优解是可行解，存储改最优解的全部信息，这里的N矩阵是未预先定义的，因为D里面存储的未必都是可行解
        k=k+1;
    end
end

plot(1./N(:,1),'r*');%这里取了个导数，变成了花费，看得更清楚一些，其实实际上直接用燃料花费作为适应度函数还方便一些，花费小的保留下来
legend('最优值');

The output effect diagram is as follows, which is not very beautiful, but the general meaning is there. If you want to use it, you need to adjust the parameters yourself.

$Theend.$