电力系统负荷经济分配的算法和程序设计.docx
《电力系统负荷经济分配的算法和程序设计.docx》由会员分享,可在线阅读,更多相关《电力系统负荷经济分配的算法和程序设计.docx(28页珍藏版)》请在咨信网上搜索。
1、 电力系统负荷经济分配的算法和程序设计电力系统负荷经济分配的算法和程序设计摘要负荷经济分配是火电厂运行优化的一个重要研究领域,在机组之间合理地优化分配负荷能够提高整个火电厂运行的经济性。针对火电厂实际的运行情况, 考虑多个实际约束条件, 建立了并行火电机组间连续多时段动态负荷优化分配的数学模型; 提出运用智能算法-粒子群算法来解决动态负荷优化分配问题, 详细介绍和研究了该算法的基本原理以及在负荷经济分配问题上的实现过程, 并针对原算法的不足, 对算法进行了改进; 根据负荷分配和算法的特性, 对初始种群的生成方法进行了改进, 同时对约束条件进行了有效处理。仿真实例表明, 该方法收敛性好, 收敛速
2、度快, 能够有效地达到或接近全局最优, 从而为火电厂机组负荷优化分配的求解提供了新的有效算法。关键词:电力系统;运行优化;经济负荷分配;粒子群算法;收敛性Power system economic load Dispatch and program designAbstractEconomic Dispatch is one of the important research fields in optimization operation of thermal power plant , and Economic Dispatch among the various units can en
3、able the whole power plant to get the best benefit. A dynamic Economic Dispatch mathematical model was constructed considering the practical constraints and sequential optimal load dispatch among parallel thermal power units. Using particle swarm algorithm to solve the problem of dynamic optimal loa
4、d dispatch was proposed. The basic theory and the implementation method of the algorithm in optimal load dispatch problem were studied in detail. Some measures were applied to imp rove the algorithm in order to avoid its weakness ; According to the special features of load dispatch and the algorithm
5、 , the way of generating the initial generation was imp roved; at the same time , constraints were processed effectively. The simulation showed that the method had good convergence high convergence speed , and could achieve the whole optimization more efficiently or could be more close to it. It was
6、 a new effective optimization algorithm f or solving optimal load dispatch among thermal power units. Key words:Power System;Optimization Operation;Economic Dispatch;Particle Swarm Algorithm;Convergence目 录 论文总页数:26页1 引言11.1 基于粒子群算法负荷优化分配11.2 其他优化算法介绍21.2.1 等微增率算法21.2.2 动态规划法31.2.3 网络流规划法31.2.4 遗传算法4
7、1.2.5 混沌优化方法41.2.6 蚁群算法52负荷优化分配的数学模型52.1 目标函数52.2 约束条件63 粒子群算法的基本原理63.1 算法原理63.2 算法的改进73.3 算法的实现步骤83.4 算法的流程图94 粒子群的算法在负荷经济分配中的应用104.1 对初始种群生成方法的改进104.2 对约束条件的处理104.3 粒子群算法的实现105 算例分析125.1 算例介绍125.2 算例仿真图形135.3 运行结果分析176 讨论17结 论17参考文献19致谢20声 明21附 录221 引言1.1 基于粒子群算法负荷优化分配优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结
8、为优化问题. 为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛速度. 爬山法精度较高,但是易于陷入局部极小. 遗传算法属于进化算法( Evolutionary Algorithms) 的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解. 遗传算法有三个基本算子:选择、交叉和变异. 但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠
9、经验.1995 年Eberhart 博士和Kennedy 博士提出了一种新的算法;粒子群优化(Particle Swarm Optimization -PSO)1 算法 . 这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。 粒子群优化算法(PSO) 也是起源对简单社会系统的模拟. 最初设想是模拟鸟群觅食的过程. 但后来发现PSO是一种很好的优化工具.经济负荷分配(Economic Dispatch,ED)是电力系统规划和运行调度中的一类典型的优化问题,其目的是在满足负荷和运行约束的条件下,最小化发电成本,对于提高系统运行的经济性和可靠性都具有重
10、要的意义。机组负荷优化分配的研究在优化理论方面, 主要有传统的数学优化方法如等微增量法2、线性规划法、动态规划法和现代演化算法如遗传算法3 、人工神经网络4 算法等。这些方法在解决负荷优化分配问题上各有优势, 但均存在着一些不足: 等微增量法对机组能耗特性曲线要求光滑连续且为凸集; 线性规划法在模型线性化时会引入误差; 动态规划法遇到高维问题很容易陷入维数灾; 遗传算法需进行交叉和变异, 收敛速度慢且易陷入局部最优; 神经网络算法同样存在当神经元个数不断增加时, 收敛变慢易陷入局部最优的问题。粒子群优化( Particle Swarm Optimization , PSO) 算法,是近年来发展
11、起来的一种新的进化算法( Evolutionary Algorithm - EA) .PSO 算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质. 但是它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作. 它通过追随当前搜索到的最优值来寻找全局最优 。PSO是蓬勃发展的进化计算技术中的一种。该算法是模拟鸟群觅食过程中迁徙和群集行为的一种演化算法。它的特点是通过群体信息共享和个体自身经验总结来修正个体行动策略。相比传统数学方法, 该算法由于基于随机搜索理论, 对目标函数没有连续
12、单调为凸等要求, 不需要导数、梯度等数学信息。相比早期演化算法, 该算法没有复杂的数学运算, 简单易实现, 计算效率高且能以较大的概率找到全局最优解。pso同遗传算法类似,是一种基于迭代的优化算法。系统初始化为一组随机解,通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)5,而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较,PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化神经网络训练,模糊系统控制以及其他遗传算法的应用领域PSO 算法目前在负荷优化分配问题上已有一些研究成果, 但都集中于电网侧以网内运行机组为研究
13、对象6。随着电力市场的逐步建立, 电网调度方式由以往的对单个机组下达负荷指令改为向整个电厂下达负荷指令, 电厂作为一个发电主体必须自行安排生产降低成本以竞价上网。因此本文以发电侧即火电厂厂内并行机组为研究对象, 将PSO 算法用于求解机组间的连续多时段负荷优化分配问题, 建立了动态的负荷分配数学模型。研究了算法的具体实现过程, 针对基本粒子群算法的局限性进行了改进, 并通过仿真实例验证了该算法的有效性。1.2 其他优化算法介绍自1989年英国电力工业实行私有化,并进行电力工业经营管理体制改革以来,电力工业就进行了打破了工业垄断,引进竞争机制的格局。从此,电力市场机制浪潮席卷全世界。在此背景下,
14、对电力系统的优化分配方法要求越来越高,算法也在不断地更新以适应社会的需要。有代表性的有动态规划法、拉格朗日松弛法、线性规划法、网络流规划法。后来又出现了很多智能化的方法,典型的有人工智能法、遗传算法、混沌优化方法、粒子群算法等。1.2.1 等微增率算法等微增率法是在1919年提出问题,1931年摸索出原则,1934男做出数学证明的,至今已有约80年历史。这种方法是一种连续的拉格朗日乘子法,简单有效。1.2.2 动态规划法1.2.3 网络流规划法1.2.4 遗传算法1.2.5 混沌优化方法混沌优化方法是具有某种随机性的智能优化方法。混沌优化方法直接采用混沌变量进行搜索,因而获得最优解的可能性更强
15、,是一种极有前途的手段。混沌优化方法的基本思想是把系统和机组的约束条件为罚函数来表示,将目标值和罚函数确定为寻优目标,然后进行搜索,搜索过程按混沌运动自身规律和特性进行,可同时得到机组的优化组合及机组负荷分配的结果。混沌优化方法除了具有遗传算法的一些特点,如可考虑目标函数的不连续性和非线性因素,可实现并进行处理,能提供更多解等以外,还具有另外一些优势,主要体现在:(1)混沌优化方法更具有可能跳出极小点。(2)达到某一精度要求,混沌优化方法具有较少计算量和较快的求解速度。(3)混沌优化方法结构简单,搜索速度快。混沌优化方法为解决负荷经济分配提供了有一个有效手段。1.2.6 蚁群算法蚁群算法是一种
16、求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。通过建立适当的数学模型,基于故障过电流的配电网故障定位变为一种非线性全局寻优问题。2负荷优化分配的数学模型2.1 目标函数负荷优化分配指在满足机组正常运行和约束条件的前提下, 对于给定的多时段连续变化的全厂总负荷, 在各运行机组间进行最优分配, 使总发电费用达到最小。考虑T 个时段的目标函数如下: t=1,2,,T (1)式(1) 中为t 时段全厂总发电费用; N 为全厂机组台数;为t 时段第i 台机组功率; 为第i 台机组的能耗特性, 一般用二次函数近似表示。负荷分配在实际运行中,输电线路
17、的网损是必须考虑的问题,忽略网损会使负荷的分配产生严重的误差。网损计算公式如下: (2)式中为输电网络总的网损耗量;网损一般用潮流计算或者B系数法,本文中常用的是B系数法计算的,其中、为计算网损的参数。2.2 约束条件负荷平衡约束 t=1,2,T (3)机组出力上下限约束 t=1,2,T (4)机组出力速度约束 t=1,2,T (5)式(3) (5) 中, 为t 时段给定的总负荷; 为第i 台机组承载负荷的上限; 为第i台机组承载负荷的下限; 和表示第i 台机组单位时段负荷下降量的下限和上升量的上限。本文以火电厂为研究对象, 模型中没有考虑阀点效应和系统旋转备用约束这两项。3 粒子群算法的基本
18、原理3.1 算法原理如前所述,PSO模拟鸟群的捕食行为。设想这样一个场景:一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO算法最初是为了图形化的模拟鸟群优美而不可预测的运动。而通过对动物社会行为的观察,发现在群体中对信息的社会共享提供一个演化的优势,并以此作为开发算法的基础。通过加入近邻的速度匹配、并考虑了多维搜索和根据距离的加速,形成了PSO的最初版本。之后引入了惯性权重w来更好的控制开发(exploitation)和探索(explorat
19、ion),形成了标准版本。pso从这种模型中得到启示并用于解决优化问题。PSO中,每个优化问题的解都是搜索空间中的一只鸟。称之为“粒子”。“粒子(particle)”是一个折衷的选择,因为既需要将群体中的成员描述为没有质量、没有体积的,同时也需要描述它的速度和加速状态。 所有的粒子都有一个由被优化的函数决定的适应值(fitness value)7,每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。 PSO 算法中每个粒子代表解空间的一个候选解,然后通过迭代找到最优解。 解的优劣由适应度函数决定。设解空间为D 维, 总粒子数为n , 则第i 个粒子在解空
20、间的位置表示为Xi = ( xi1 , xi2 , ., xiD), Vi = ( vi1 , vi2 , ., viD) 表示第i 个粒子的搜索速度。每一次迭代中, 粒子通过跟踪两个“极值” 来更新自己。一个是粒子本身所找到的最优解, 即个体极值点pbest , 另一个是整个种群当前找到的最优解, 称之为全局极值点gbest 。粒子在找到上述两个极值后, 就根据下面两个公式来更新自己的速度与位置1 : i=1,2,,n (6) d=1,2,D (7)式(6)和(7) 中,是粒子i 在第k 次迭代中速度的d 维分量;w 是惯性权值, 其大小决定了对粒子当前速度继承的多少; C1 ,C2 称为学
21、习因子, 通常令C1= C2 = 2 ; rand1 ,rand2 是 0 , 1 之间的随机数; 是粒子i 在第k 次迭代中位置的d 维分量; 是整是粒子i 的个体极值点位置的d 维分量; 是整个群体全局极值点位置的d 维分量。为防止粒子远离搜索空间, 要限制在-Vdmax, + Vdmax 之间。每一维都用相同的设置方法。粒子通过不断学习更新, 最终飞至解空间中最优解所在的位置, 搜索过程结束, 最后输出的 就是全局最优解。3.2 算法的改进基本PSO 算法在解空间搜索时, 随着迭代次数的增加, 各个粒子越来越接近最优粒子, 粒子变得不活跃, 只能以很小甚至为0 的速度飞行, 此时粒子就会
22、失去搜索能力, 表现出强烈的“ 趋同性” 而趋于一致。由于缺乏多样性, PSO 算法的群体共享信息机制将会失去作用, 一旦最优粒子陷入局部极值点, 算法就会提早收敛。为此本文对算法作了改进。文献8 研究了惯性权值对算法性能的影响, 发现较大的值具有较强的全局搜索能力, 有利于跳出局部极小点, 而较小的值有利于算法收敛, 提出了一种随着迭代过程的进行使惯性权值线性递减的方法。本文在文献8 、 9 的基础上采用一种自适应动态改变惯性权值的方法,计算公式如下: (8)其中为最大的惯性权值,为最小的惯性权值;k为当前迭代次数,T为最大的迭代次数。取值为0.9,取值为0.4。每次迭代时指标都根据所得的适
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 电力系统 负荷 经济 分配 算法 程序设计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【可****】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【可****】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。