发电机组组合负荷优化分配算法的分析

发电机组组合负荷优化分配算法的分析

摘要:在经过国内外长期的研究和应用,目前已出现了很多有价值的负荷优化分配方法。对目前国内外出现的机组组合负荷优化分配算法进行了比较全面的分析与总结,将其分为传统优化算法、现代智能优化算法、群体智能仿生算法等三类,阐述了各种算法的基本原理,并对其各种算法优缺点作了分析和比较,从而为相关课题的研究提供了参考。

关键词:机组组合负荷分配优化算法

1 引言

燃煤火力发电目前仍是电力能源生产的主要形式,随着电力体制改革方案的逐步实施,厂网分开、竞价上网正在逐步走向深入,电力企业的思维模式、工作方式、管理体制都面临新的考验,竞争将更加激烈。目前电力企业成本较高,利润不高,依靠设备改造、电价改革来提高经济效益的空间又比较有限,所以研究机组组合的负荷优化分配算法即如何在全厂机组组合方式一定的情况下,全面考虑全厂各运行机组的煤耗特性,从而合理地分配各机组所带负荷,使全厂总的煤耗量最小。因此,研究大型火力发电厂多台机组间实时负荷优化分配算法具有重要的现实意义。

2 传统的负荷优化分配算法

传统优化算法是指早期国内采用的负荷优化分配算法,包括启发式方法、动态规划法、等微增率法、穷举法、混合整数规划法、拉格朗日松弛法等。

2.1 启发式方法

启发式方法是最早使用的一类优化方法,这种方法没有严格的理论依据,依靠直观的判断或实际调度的经验寻求最优解。启发式方法在机组组合问题中的应用有局部寻优法和优先级表法。局部寻优法是从一个尽可能好的初始解出发,在其邻域内寻优,通过迭代求得最优解或次优解。优先级表法将系统可调度的机组按某种经济特性指标事先排出顺序,根据系统负荷大小按这种顺序依次投切机组。两种方法计算速度快,占用内存少,但常常找不到最优解。优先顺序法既可单独使用,也可与动态规划法等方法结合使用。

2.2 动态规划法

动态规划法是将一个给定的问题分解为几个子问题,然后依次解决各个子问题,最后一个子问题的最优解就是该问题的最优解。该方法具有的优点:对目标函数的形态和约束条件没有特殊的要求;对电厂机组负荷分配数学模型进行离散分步求解,即可快速求出全局最优解。但不足的是:对于机组数较多的电力系统,计算比较繁琐,必须采用近似方法简化,因此不可避免地会丢失最优解,而且容易陷入“维数灾”;而且要求所求解的问题具有明显的阶段性,难于考虑与时间有关的约

束条件和机组爬坡速率等限制。

2.3 等微增率法

等微增率法是以数学极值理论来为基础,用海赛矩阵来判断,实现机组组合的负荷优化分配,该方法具有简单明了、使用方便、易于掌握等优点,是目前电力系统实行负荷调度的主要方法。但该方法为了达到系统标准煤耗最小,煤耗量曲线必须满足下凹的特征,如果表现出上凸的特征,利用等微增率法计算出的机组负荷分配方案是极大值,这一严格的要求使得等微增率法在实际调度中的应用大打折扣。

2.4 穷举法

穷举法是把各机组负荷情况都输入计算机,进行煤耗计算,然后比较结果找出最优解。穷举法对实测性能曲线的每个工况点进行计算,避免了人为拟合造成的误差,具有简单、直接和精度高等特点,但由于其运行时间长,而不能用于实时计算,但可以作为参照算法与其他优化方法的结果进行对照。

2.5 混合整数规划法

混合整数规划法是根据电厂提供的机组热力试验数据,构造出一组描述系统实际过程的数学模型,并用非线性规划方法求得最优方案的一种复杂解算方法。它具有的优点:从理论上讲,不需要加入过多的限制和假设就可以直接求解机组组合问题的数学模型,从而能找到全

局最优解。而其缺点是:算法比较繁杂,为得到比较高的效率,需要精心设计分支策略和求下界算法;在实际运用中,直接使用计算量太大,必须对问题进行分解。

2.6 拉格朗日松弛法

拉格朗日松弛法是一类整数组合优化算法,解决大系统的优化问题时,随着机组数的增加,计算量近似线性增长,克服了维数障碍。该方法在实际运用中的难点是由于目标函数的非凸性,用对偶法求解存在对偶间隙,需要根据对偶问题的优化解,采取一定措施构造原问题的优化可行解。在其迭代过程中有可能出现奇异或振荡现象,需采取措施加快收敛;而且考虑到某些约束条件(如机组爬坡速率),会使计算复杂化。

3 现在智能化负荷分配算法

当遇到较为复杂的优化问题,如目标函数具有不光滑、离散等特性,或目标函数是典型的多峰值函数,传统的优化算法难以胜任,须借助智能优化算法来完成优化问题的求解。智能优化算法是以计算机发展为基础,衍生出的全局搜索范畴的优化算法,包括遗传算法、人工神经网络法、模拟退火算法、禁忌搜索算法、混沌算法等。

3.1 遗传算法

遗传算法是一种根据生物界进化规律演化而来的随机化搜索方法,具有很强的全局搜索能力。将算法应用于机组组合负荷优化问题,具有方案选择灵活、对目标函数无特殊要求、运算速度快、使用方便等特点,能够实现机组负荷的在线动态优化分配。其缺点是:算法对新空间的探索能力是有限的,也容易收敛到局部最优解;当问题涉及到大量个体的计算,计算时间是个问题;因为算法属于随机类算法,需要多次运算,结果的可靠性差,不能稳定的得到解。

3.2 人工神经网络

人工神经网络是指用计算机仿真的方法,从物理结构上模拟人脑神经系统的结构和功能,从而使系统具有人脑的某些智能。该方法在理论上可以充分趋近任意复杂的非线性函数。神经网络具有高度平行的结构,所以采用平行分布处理方法,比常规方法具有更强的鲁棒性和容错能力,使得快速进行大量计算成为可能。基于这些优点,人工神经网络较好地解决了具有不确定性、严重非线性、时变和滞后的复杂系统的建模和控制问题[8]。

3.3 模拟退火算法

模拟退火算法是模拟金属退火过程的一种通用概率优化算法,可用在一个大的搜寻空间内找寻问题的最优解。模拟退火算法求得的解与初始解状态(是算法迭代的起点)无关。模拟退火算法,已在理论上被证明是一种以概率收敛于全局最优解的全局优化算法,具有渐近收敛