电算化会计的优点范例(3篇)

电算化会计的优点范文篇1

【关键词】智能算法梯级水电站群优化调度

我国政府十分重视通过水电站群的联合优化调度提高水电站群运行效率。2007年，国务院办公厅在《节能发电调度办法（试行）》中就明确指出要对承担综合利用任务的水电厂，在满足综合利用要求的前提下尽力提高水能利用率，对流域梯级水电厂积极开展水电站群优化调度和水库群的联合调度。2013年两会期间，中国民主促进会中央委员会2013年全国政协提案建议（建议32544号）要切实加强我国水库（水电站）群调度管理，统筹做好水库群的优化调度工作，最大限度发挥其在防洪、抗旱、发电、供水、航运、生态与环境保护等方面的综合效益。

国内外实践研究表明，水电站群优化调度可增加1%～7%的发电效益。由于梯级水电站群之间具有补偿和协调能力，在合理运用相关数学方法进行水电站群负荷分配、优化调度的基础上，梯级水电站群联合优化调度不仅能够为水电相关企业获得更多的经济效益，而且能够缓解电网丰枯、峰谷矛盾，提高电网的调峰、调频的运行能力。在水电站群优化调度的过程中，由于其问题的复杂性，根据文献阅读及相关实践成果，水电站群优化调度具有多阶段、动态、非线性的特征，其目标和约束条件比较复杂，常常难以实现最优解，只能达到近似最优解。传统的优化方法如线性规划、非线性规划、逐步优化算法（POA）、动态规划等在求解过程中都存在计算时间长，求解的精度不高等问题，往往难以完全满足其约束条件和优化目标。针对水电站群优化调度的特点，国内外研究人员近几年提出了多种寻优智能算法，如模拟退化算法、粒子群优化算法、遗传算法、蚁群算法、大系统分解协调算法等，将这些寻优智能算法应用于不同的水电站群的优化调度，已取得了显著的成效。本文将通过这几种智能算法进行梳理，综合分析其存在的优劣，为后续的梯级水电站群调度智能算法的选择提供一定的理论参考。

1智能算法概述

智能算法也称之为“软计算”，是人们从自然界中得到启发，模仿其结构进行算法设计，例如人工神经网络技术、遗传算法、模拟退火算法、粒子群优化算法等都是通过这样的途径创造形成。智能算法因其对目标函数与约束条件的要求较低，且处理非凸、不可微、非连续等复杂问题上具有明显的优越性，因此在现代被越来越多应用于非结构化问题的优化求解。由于梯级水电站群之间既有水力联系，又有电力联系，比单一水电站优化调度更为复杂，具有多维、动态和非线性等特点，所以适合使用智能算法进行求解寻优，达到优化目的。

模拟退火算法、粒子群优化算法、遗传算法、蚁群算法、大系统分解协调算法在不同实例中的应用，总结如表1。

通过表1，我们看到五种常见智能算法应用的梯级水电站群和对应的优化成果，其算法已经在我国水资源丰富的南方各梯级水电站群得到广泛的应用。优化调度的结果不仅可以提高发电量、增加经济效益，还可以缩短求解时间、优化调度图和解决方程组求解困难等问题。

2智能算法优缺点比较及指标考虑

各种智能算法的优缺点比较，如表2所示。

通过表2我们可以看到这五种智能算法的优劣，在碰到不同问题结构时我们可以选用不同的算法来解决对应的问题。对于时间不敏感型的优化问题，可以选用模拟退火算法来解决；对于连续型且时间敏感度较高的问题，可以用粒子群优化算法；对于要求搜索全局极值的问题，遗传算法相对较优；而蚁群算法容易与其他优化算法相结合；而要解决“维数灾”的问题，大系统分解协调法是一个很好的途径。因此善用不同的算法做到“扬长避短”，可以显著提高智能算法使用效率。

在具体智能算法选择的过程中，应主要考虑以下几个方面的指标：

（1）求解过程兼顾计算效率、精度、收敛性等指标，尽可能满足更多约束条件，优化结果应在最大程度上收敛于全局最优解，并满足生产决策实用性和可靠性要求；

（2）在收敛于全局最优解的条件下，选择计算时间短、便于随时进行修改的算法；

（3）充分利用目标水电站群计算机网络及硬件条件，优化计算时最大限度利用现有计算机资源，在不影响求解效果的前提下，降低硬件成本。

（4）其数据的输入和输出分析便于工作人员的操作和观察，可及时与调度部门进行沟通和协商。

3总结和展望

本文讨论了几种典型智能算法在梯级水电站群中的应用和存在的优缺点，以及在选择优化方法时应考虑的几个指标。下一步工作，本文希望从各个智能优化算法的运算机制出发，结合几种算法的优良特性来进行算法的结合，为梯级水电站群优化提供更好的手段和方法。

参考文献

[1]谢维.三峡梯级水库多目标联合调度优化模型研究与实现[D].武汉：华中科技大学，2007.

[2]吴月秋，纪昌明，郑江涛.改进粒子群算法在梯级水电站优化调度研究中的应用[J].电网与清洁能源，2011，12：38-43.

[3]刘岩.模拟退火算法的背景与单调升温的模拟退火算法[J].计算机研究与发展，1996，1：4-10.

[4]徐刚，马光文.基于蚁群算法的梯级水电站群优化调度[J].水力发电学报，2005，5：7-10.

[5]徐松，陈守伦，梁伟.基于模拟退火粒子群优化算法的水电站优化调度[J].人民黄河，2010，4：104-105.

电算化会计的优点范文

【关键词】遗传算法；变电站接地网；优化设计

由于变电站接地网要起到保护变电站安全运行的作用，所以接地电阻有着非常严格的要求，变电站接地网主要是为电气设备提供一个参考地，一旦发生故障，就能够通过接地网及时的把电流放掉，保护生命与设备的安全，而且随着近些年来变电站系统的变化，一些接地网已不能达到要求，本文就先从遗传算法相关知识说起。

一、遗传算法相关知识

遗传算法是在1975年，美国的J.Holland教授提出的，主要特点是采用概率化的寻优方法，直接对结构对象进行操作，不存在求导和函数连续性的限定，能自动获取和指导优化的搜索空间；具有隐并行性和更好的全局寻优能力；到目前为止，已被人们广泛的应用到组合优化、信号处理以及人工生命等领域中。遗传算法从串集开始开始搜索，覆盖面很大，非常利于全局择优，减少了几步最优解的风险，非常易于实行并行化，不受定义域与连续可微的约束，应用范围很广泛，非常适合与较高的生存概率。基本运算过程包括数据的初始化、评价个体的适应度、选择合适的运算、交叉运算，随后是变异运算终止条件判断。

二、遗传算法下的变电站接地网优化设计研究

（一）最大接触电势基于遗传算法的求取。

在利用不等电位计算时需要同时考虑到大地区域以及导体区域，号要考虑到导体电阻以及漏电流，在计算接触点电势时假设每段的散流电流均是集中在导体的中段，支路电压直接定位端点电压的平均值。利用场路结合的思想，把接地网看成一个网络，为避免复杂的运算，采取节点电压法进行求解，这个方法也避免了计算所引起的误差。

在接地网中注入正弦工频电流Iinj后，假设导体长度非常小，并且支路电压很稳定，那么支路电压的求解公式就是Ub，k=（Un，l+Un，m）/2，式中l、m指的是支路的两个端点，所有的支路与节点都有Ub=KUn的关系。支路电压与支路散流电流关系是I=GUb，整个接地网运用节点电压法就可以达到表达式Iink-Ieq=YUn，其中Y=AZ-1AT，A是指关联矩阵，Y是指节点导纳矩阵，整理所有公式可以得到Iink=KTGKUn+YUn，最大接触电势就可以表达为UT=UGPR-UP。

利用遗传法求取最大接触电势时，随机选取20个点作为初始种群，对每一个点P（x，y）进行描述，若是矩形基地网在500m×200m范围内，那么x的取值就在±250之间，y的取值范围就在±100之间，本文采取二进制编码，对于x变量而言，可以用15位来表示，y变量可以用13位来表示，算子运用赌进行选择。

在面对优化问题是，通常需要进行反复的实验来确定交叉频率Pc和变异频率Pm，计算过程非常复杂，因此本文采取自适应计算方法。Pc=[Pcl-（Pc1-Pc2）（f，-favg）]/（fmax-favg），Pm=Pml-（Pm1-Pm2）（f，-favg）]/（fmax-favg），式中fmax是指最大适合度，favg是指平均适合度，遗传算法计算流程是：开始编码确定优化目标函数产生初始种群计算目标函数值满足条件终止选择、交叉、变异重复上一步判断确定最优解输出最优解结束。

（二）遗传算法下的接地网优化计算。

所谓接地网的优化设计就是指在最大接触电势满足条件下，使得接地网的散流分布以及地表电位分布更加的完善。在实践中发现接地网导体按指数分布规律进行分布能够有效地降低地表电位梯度，而且此设计方法更加的具有安全性和经济性，因此本文接地网导体按照指数规律来进行分布，那么距离中心网孔为n级的网孔间距公式为dn=dmaxCn，式中C是指压缩比，dmax是指按规律分布的最大网孔边长，在水平导体上取N根导体，中心网间距就可以表示为：N是偶数时，dmax=L（1-C）/（1+C-2CN/2），N是奇数时，dmax=L（1-C）/2[（1+C-2CN/2）]。

即使是同一个接地网，若是采取不同的压缩比，也会产生不同的拓扑结构，求取在不同压缩比下接地网的优化最大接触电势转化为函数问题，压缩比同时考虑到纵向和横向两方面，把不同的接地网拓扑结构看成染色体，用坐标g（Cx，Cy）表示，其中Cx、Cy分别代表横向压缩比以及纵向压缩比，最大网孔结构已经确定，接地网的最大接触电势求取只需要知道Cx和Cy的值就可以，Cx和Cy的取值范围均在零到一之间，若是大于1就代表四周网孔间距大于中间网孔间距，不符合实际运用。利用二进制编码来进行变量求解，单点交叉概率Pc=0.4，变异概率设置在平均水平上，也就是Pm=0.01，反复更新直到达到收敛为止。

（三）遗传算法变电站优化计算结果。

变电站优化计算结果会根据不同的接地网而发生一些改变，若是接地网面积是230m×182m，系统的最大短路电流为24.2KA，土壤电阻率在100Ω·m，根据以上计算公式的最大接触电势为275V，按照本文的方法来布置接地网导体，导体电阻率在1.7×10-7Ω·m，所得的优化结果也就是最大接触电势是258V，优化结果非常明显。

三、结束语

综上所述，本文基于遗传算法结合基于电磁场和电路相结合的节点电压法，研究了接地网参数的数值计算，并在此基础上研究了接地网优化设计，数据表明优化后的接地网能够使得地表电位变得非常均匀，很大程度上降低了最大接触电势，并在测试时发现中心点引流方式效果更加显著。

参考文献：

[1]何智强，文习山，张科等.基于遗传算法的变电站接地网优化[J].电力自动化设备，2008，（6）：27-31.

电算化会计的优点范文

关键词：分布式电源优化配置遗传算法逻辑交叉功率损耗

中图分类号：TM715文献标识码：A文章编号：1007-3973（2013）009-083-02

1引言

分布式电源（DG）具有投资少、选址容易、减轻环境污染、多样的可再生能源种类，近年来受到了全世界的关注。现有的电力系统与分布式电源并网运行可以有效的降低线路网损，缓解电压骤变，并且供电可靠性大大提高。

在智能电网技术迅速发展的今天，分布式电源技术已经日趋成熟，将来会有更多的分布式电源并入电网中。大量分布式电源并网有诸多优点，如减少线路有功网损，节约电网投资等，但如果分布式电源并网位置和容量选择不当，将会给电网带来一些负面影响。因此，合理选择分布式发电的位置和容量十分重要。

近年来，DG的优化选址与定容问题得到了广泛关注。优化的方法包括传统优化算法和智能优化算法（如遗传算法、粒子群算法和混合智能算法等），本文作者在前述工作的基础上，首先提出一种改进交叉操作的遗传算法；以含分布式电源的配电网网损最小为目标，采用所提出的改进算法来求解分布式电源的优化选址与定容问题。

2含分布式电源的配电网优化配置的目标函数

等式约束条件为潮流约束方程。

其中，QDGi为节点注入的分布式电源的无功功率；PDGi为节点注入的分布式电源的有功功率；PL为线路支路有功功率；PDG为注入的分布式电源的额定容量；U为节点电压；PS为配电系统从输电系统购买的实际功率；PSmax为配电系统从输电系统购买的最大功率。

3基于改进交叉操作遗传算法求解流程

3.1遗传算法的基本原理

生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生的物种能够适应周围环境变化。遗传算法的基本思想是根据生物进化产生的。

3.2改进交叉操作的遗传算法

由于遗传算法存在的缺点：稳定性差，易早熟，收敛速度慢。为弥补简单遗传算法在分布式发电优化配置求解中存在的不足，笔者下面提出了几点改进措施：

（1）逐步递减交叉率和递增变异率。

（2）逻辑交叉，即通过对经选择操作所选的两个父代个体分别进行逻辑或运算和与运算，产生两个新的子代个体，经大量实验运算表明，这种运算不但可以避免早熟，而且会对解空间扩大搜索范围。

3.3改进遗传算法的计算步骤

结合笔者提出的思想，基于改进遗传算法的的分布式发电优化配置的具体计算步骤如下：

（1）开始进化。

（2）输入系统的初始数据。

（3）由混沌函数产生初始种群。

（4）计算个体的适应度值。

（5）保存适应度值最大的个体，不让其参加交叉、变异过程。

（6）根据选择原则选出个体。

（7）让已选择的个体参与交叉过程。

（8）对参与交叉后的种群进行变异操作。

（9）对变异后种群中的个体再次计算适应度函数值，并从父代种群和子代种群两个最优个体中选择出较好的个体，插入到子种群中。

（10）判断是否满足进化终止准则，如果满足就转到（11），否则转至（4）继续进行遗传过程。

（11）终止进化，输出搜索结果。

4算例分析

本文以IEEE13节点标准系统为例进行了仿真分析。假设网络中允许接入分布式电源的节点为节点2-节点13。关于多种群遗传算法参数的选取如下：各种群群体大小为M=60，交叉率Pc为0.8，变异率Pm为0.02，最优解连续不变最大代数W=5，最大迭代次数T=50。

原系统的功率损耗为175.595KW，并入系统中的DGs可供选择的容量分别为500，1000，1500和2000KW。第一步，并入一台DG后，通过运行MATLAB程序，并入一台DG的最优安装位置和容量分别为母线8和2000KW，功率损耗降至123.409KW。第二步，并入两台DG后，获取的最优安装位置和容量为在母线8和12上分别安装一台容量为2000KW的DG，功率损耗降至84.440KW。通过多次运行MATLAB程序表明：继续增加并入系统的DG的台数，对降低功率损耗的效果不明显，并且，如果负荷发生改变（减少负荷），母线电压会高于最大允许电压值。

5结论

本文提出了以网损最小为基础，采用改进交叉操作的遗传算法对分布式电源选址和定容问题进行求解的优化方法，以使得加入分布式电源以后线路网络损耗达到最优，抑制了遗传算法收敛速度比较慢，算法稳定性比较差，易早熟等缺点，大大提高了算法收敛到全局最优解的速度和收敛的精度，并针对标准测试系统进行了仿真计算与分析，三个算例结果表明，该算法是行之有效的。同时表明，该系统并入一台或者两台分布式电源可以有效的降低线路损耗，系统并入多台分布式电源虽然增加了投资，但对降低功率损耗的效果不明显。因此，系统中并入多台分布式电源是不合理的。

参考文献：

[1]梁才浩，段献忠.分布式发电及其对电力系统的影响[J].电力系统自动化，2001，25（12）：53-56.

[2]梁有伟，胡志坚，陈允平.分布式发电及其在电力系统中的应用研究综述[J].电网技术，2003，27（12）：71-88.

[3]刘殿海.电源优化规划理论研究及应用[D].北京：华北电力大学，2006.

[4]陈海焱，陈金富，段献忠.含分布式电源的配电网潮流计算[J].电力系统自动化，2006，30（1）：35-40.

[5]徐荆州.分布式发电对配网可靠性的影响分析[D].南京：东南大学，2007.

[6]王秀丽，王锡凡.遗传算法在输电系统规划中的应用[J].西安交通大学学报，1995，29（8）：1-16.

[7]席裕庚，柴天佑.遗传算法综述[J].控制理论与应用，1996，13（6）：697-708.

[8]丁永生，任立红.人工免疫系统：理论与应用[J].模式识别与人工智能，2000，l3（l）：52-59.