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

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 design

Abstract

Economic Dispatch is one of the important research fields in optimization operation of thermal power plant , and Economic Dispatch among the various units can enable 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 load 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 , 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 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 (1)

1.1 基于粒子群算法负荷优化分配 (1)

1.2 其他优化算法介绍 (2)

1.2.1 等微增率算法 (2)

1.2.2 动态规划法 (3)

1.2.3 网络流规划法 (3)

1.2.4 遗传算法 (3)

1.2.5 混沌优化方法 (3)

1.2.6 蚁群算法 (3)

2负荷优化分配的数学模型 (3)

2.1 目标函数 (3)

2.2 约束条件 (4)

3 粒子群算法的基本原理 (4)

3.1 算法原理 (4)

3.2 算法的改进 (5)

3.3 算法的实现步骤 (6)

3.4 算法的流程图 (7)

4 粒子群的算法在负荷经济分配中的应用 (8)

4.1 对初始种群生成方法的改进 (8)

4.2 对约束条件的处理 (8)

4.3 粒子群算法的实现 (8)

5 算例分析 (10)

5.1 算例介绍 (10)

5.2 算例仿真图形 (11)

5.3 运行结果分析 (15)

6 讨论 (15)

结论 (16)

参考文献 (17)

致谢 (18)

声明 (19)

附录 (20)

1 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