梯级水库发电优化调度搜索空间缩减法及其应用

梯级水库联合调度是对区域水资源进行直接调控的最有效措施之一,相比单库调度,可显著增加社会、经济和生态效益。针对智能算法求解梯级水库优化调度模型搜索效率较低、寻优结果不稳定等缺陷,本文基于发电调度模型中水电站最小出力以及下泄流量约束,提出了搜索空间缩减法。将其与智能算法耦合,利用优化的搜索空间产生高质量的初始种群,同时使算法在更小的搜索空间内寻优,进而提升算法的搜索效率。以典型入库流量下的某梯级水库发电优化调度为例,选用布谷鸟算法进行优化计算,对比了传统搜索空间与优化的搜索空间对算法搜索效率的影响。实例研究表明:缩小可行空间方法可进一步提升智能算法的收敛性以及求解精度,是改善梯级水库调度模型求解效率的一种实用、有效方法。     

自适应混沌整体退火遗传算法在水电站群优化调度中的应用

提出了一种基于标准遗传算法(SGA)的自适应混沌整体退火遗传算法(SCWAGA)求解梯级水电站群长期发电优化调度问题。该算法通过混沌优化生成初始解,提高初始解的质量;采用父代参与竞争的整体退火选择方式,避免种群早熟及过早收敛;利用参数自适应函数调整交叉算子和变异算子,提高算法的收敛速度以及避免算法陷入局部最优。以红水河流域水电站群为计算实例的研究结果表明,SCWAGA比SGA具有更快的收敛速度,且搜索到的全局最优解优于SGA与逐步优化算法(POA),为大规模水电系统优化调度求解提供了一种新的有效途径。     

群居蜘蛛优化算法在水电站优化调度中的应用及其效能分析

针对水电站优化调度高维、非线性、多约束以及模型不易求解的特点,本文提出将群居蜘蛛优化算法应用于水电站优化调度。算法依据群居蜘蛛的协同机制全局寻优,能够避免早熟收敛和陷于局部最优值,获得最优的水库调度决策。结合具体实例并与动态规划、遗传算法的效能进行比较,结果表明该方法不仅寻优效果好,而且稳健性强,参数少、搜索效率高,是一种有效的水电站优化调度模型的求解方法,可在实际中推广应用。     

水库发电优化调度模型的快速求解算法及应用

针对水库“以水定电”优化调度数学模型求解方法中,传统动态规划方法易陷入“维数灾”,而现代智能算法搜索效率低且易陷入局部最优解等不足。本文基于水库在高水头运行时耗水率小的特点,提出了水电站水库“以水定电”调度模型的快速求解方法——浮子算法。该方法在水电站满足保证出力和最小下泄流量等要求的前提下,尽可能提高水库调度期的运行水位以达到直接寻找优化调度解的目的。通过案例分析并与离散微分动态规划（DDDP）方法求解结果比较,本算法结果与DDDP算法十分接近,计算时间约为后者的50%。与其他算法联合使用,可在提高优化效果的同时缩短模型的求解时间,为水电站水库“以水定电”调度计划的制定和快速决策提供技术支持。     

基于变尺度混沌算法的混联水电站水库群优化调度

提出一种求解混联水电站水库群中长期优化调度问题的方法-变尺度混沌优化算法(Mutative Scale Chaos Optimization Algorithm,MSCOA).算法利用混沌运动的内在随机性、遍历性和规律性来寻找混联水电站水库群中长期最优调度计划.算法利用混沌运动的特点,将混沌变量映射到待寻优变量区间,通过尺度变换不断缩小优化变量的搜索空间,利用改变"二次搜索"的调节系数提高搜索精度以获取全局最优解.实例计算结果表明,算法可以求解具有复杂约束条件的非线性混联水电站水库群优化调度问题.算法求解精度高、收敛速度快,为解决混联水电站水库群中长期优化调度问题提供了一种新的方法.     

电动汽车充电路径不确定优化调度

电动汽车充电路径优化调度中的很多参数变量都具有不确定性,传统的优化调度方法适用性较差。为解决该问题,不确定优化方法被应用到电动汽车充电路径优化调度中,由此建立了基于随机期望值的不确定优化调度模型。鉴于传统的粒子群优化算法容易陷于局部优化和收敛速度较慢,将模拟退火算法引入并组成混合智能算法进行模型求解。对比实验证明该混合智能算法能够有效减少电动汽车车主到充电站所用的行驶距离、在充电站的等待时间和充电时间。     

基于遗传算法的小水电站优化调度方法的研究与实践

针对以发电为主的小水电站单库和串联小水电站群，以水电站的发电引用流量为决策变量，以水电站在调度周期内发电量最大为目标，分别建立了优化调度的数学模型。基于浮点数编码的改进遗传算法用于对模型的优化计算，从而提高了算法的搜索效率。基于VC 编程设计了小水电站运行调度智能算法系统软件，用类CbestGA封装了求解一般水库调度问题的遗传算法，并应用于一个实际的小水电站调度，实验结果说明了遗传算法用于水库优化调度的可行性和有效性。     

基于人工鱼群算法的水库优化调度研究

针对当前各种启发式算法,如遗传算法(GA),粒子群算法(PSO),模拟退火算法(SA)等在求解水库优化调度中的不足,提出了将新型的集群智能算法-人工鱼群算法AFSA(Artificial Fish School Algorithm)用于求解水库优化调度问题。该算法通过模拟鱼群的一些基本行为,如捕食、聚群、追尾,来求解问题的最优解。根据水库优化调度问题的情况及数学模型,给出了基于人工鱼群算法的水库优化调度的求解策略,详细讨论了求解步骤,最后给出了实验仿真结果。结果表明该算法具有较强的局部搜索能力,同时也有更高的搜索效率,与其它方法相比,该算法能够找到更优解,验证了该算法的可行性和有效性。     

变尺度混沌优化算法在梯级水电站水库优化调度中的应用

利用变尺度混沌优化算法(Mutative Scale Chaos Optimization Algorithm,MSCOA)对梯级水电站水库调度问题进行优化调度。主要思想是利用混沌运动的随机性,由Logistic方程随机生成混沌序列;将其载波到包含水电站目标函数可行域S的一个区域;利用随机性、遍历性和规律性,不断缩小优化变量的搜索空间和提高搜索精度进行全局寻优,从中搜索属于可行域S的解;同时在搜索中引入解向量优选,将解向量中那些接近全局最优解的分量找出,构成一个新的向量,代入目标函数中进行计算,从而找出全局最优解,最终求出水电站水库发电调度的最优调度线。实例计算结果表明,算法可以求解具有复杂约束条件的非线性梯级水电站水库优化调度问题。算法求解精度高,具有较大的实用价值,为求解梯级水电站水库优化调度问题提供了一种有效算法。     

基于人工鱼群算法的水库优化调度研究

针对当前各种启发式算法,如遗传算法(GA),粒子群算法(PSO),模拟退火算法(SA)等在求解水库优化调度中的不足,提出了将新型的集群智能算法-人工鱼群算法AFSA(Artificial Fish School Algorithm)用于求解水库优化调度问题.该算法通过模拟鱼群的一些基本行为,如捕食、聚群、追尾,来求解问题的最优解.根据水库优化调度问题的情况及数学模型,给出了基于人工鱼群算法的水库优化调度的求解策略,详细讨论了求解步骤,最后给出了实验仿真结果.结果表明该算法具有较强的局部搜索能力,同时也有更高的搜索效率,与其它方法相比,该算法能够找到更优解,验证了该算法的可行性和有效性.     

梯级水电站优化调度方法综述

梯级水电站的优化调度一直是水电优化调度和水火电力系统发电计划中的难点。经过多年的发展,梯级水电优化调度的数学模型日益精确,逐渐贴近实际。文中比较了梯级水电优化调度的确定性模型和随机模型,并着重探讨了确定性模型。由于模型的复杂性,从理论上找到全局最优解存在困难,对算法提出很高的要求。文中对各种用于求解梯级水电站优化调度的算法进行了综述,将其分为经典算法、现代智能优化算法和混合算法三类,比较了各类算法的优缺点。在经典算法中,逐次规划法的应用较为广泛。同时,以遗传算法为代表的智能算法在求解梯级水电优化调度问题时也取得了比较令人满意的结果,成为当前研究的热点。伴随着世界范围内电力市场改革热潮的兴起,新的市场环境给传统的梯级水电优化调度提出了新的要求,市场环境下的梯级水电优化调度成为一个新的发展方向。     

基于微粒群算法的梯级水电厂短期优化调度研究

介绍了一种易于实现、参数少且收敛快的集群智能算法—微粒群算法,并将其应用于梯级水电厂的短期优化调度。提出以确定微粒群在多维空间中的最优位置来实现多阶段优化调度决策的方法,并针对算法易陷入局部最优的缺陷,引入遗传算法中的“杂交”因子以及采用自适应的惯性权重,以改进其全局优化能力。通过实际算例验证了该算法的有效性,从而为梯级水电厂的短期优化调度问题提供了一种新的求解途径。     

基于免疫禁忌混合算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出了一种基于免疫禁忌混合算法的多目标模糊优化潮流计算的新方法。该方法运用模糊集理论来构造评价函数,实现了多目标优化问题向单目标优化问题的转化,兼顾了各子目标,保证了较高的整体优化水平;采用求解精度高、使用灵活的免疫禁忌混合算法来进行单目标寻优,准确地获取了符合实际的全局最优解。通过对IEEE 30节点系统进行多次多目标最优潮流仿真计算,并将计算结果分别与单目标最优潮流计算及采用粒子群算法、免疫算法等其它算法的结果进行比较和分析,验证了该方法是解决电力系统多目标最优潮流问题的一种有效方法。     

Optimal Power Flow Using a Hybrid Optimization Algorithm of Particle Swarm Optimization and Gravitational Search Algorithm

Abstract—This article presents a hybrid algorithm based on the particle swarm optimization and gravitational search algorithms for solving optimal power flow in power systems. The proposed optimization technique takes advantages of both particle swarm optimization and gravitational search algorithms by combining the ability for social thinking in particle swarm optimization with the local search capability of the gravitational search algorithm. Performance of this approach for the optimal power flow problem is studied and evaluated on standard IEEE 30-bus and IEEE 118-bus test systems with different objectives that reflect fuel cost minimization, voltage profile improvement, voltage stability enhancement, power loss reduction, and fuel cost minimization with consideration of the valve point effect of generation units. Simulation results show that the hybrid particle swarm optimization–gravitational search algorithm provides an effective and robust high-quality solution of the optimal power flow problem.     

基于量子粒子群算法的电力系统无功优化

量子粒子群算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解.首次将量子粒子群算法用于电力系统无功优化中,以网损最小为目标函数,在IEEE30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于量子粒子群(QPSO)...     

基于免疫粒子群优化算法的梯级水电厂间负荷优化分配

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及疫苗接种原理,改进了粒子群优化算法的全局寻优能力,提高了收敛速度。在分析梯级水电厂间负荷分配的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的负荷优化分配方法,建立了数学模型,给出了具体求解步骤。经实例验证,IA-PSO算法得出的负荷分配方案优于PSO算法的计算结果,且算法后期收敛速度快,从而为梯级水电厂间负荷优化分配问题提供了一条新的求解途径,可应用于更广泛的优化问题。     

基于改进蝙蝠算法的风蓄联合优化运行研究

由于风电的波动性和不确定性,大规模并网将对电力系统稳定运行产生较大的影响。将风电和抽水蓄能电站联合优化运行,以输出功率标准差最小为目标函数,建立了风电-抽水蓄能联合优化运行模型。风蓄联合优化运行模型是一个典型的高维、非线性优化问题,涉及复杂的风电、水电多决策变量。为有效解决这一问题,引入佳点集方法对蝙蝠算法进行改进,分别通过粒子群算法、蝙蝠算法、改进蝙蝠算法模型进行了求解。最后通过算例验证了改进蝙蝠算法的有效性,证明了风电-抽水蓄能联合优化运行模型的可行性,可有效缓解风电并网的局限性。     

考虑风电置信区间的水风火短期优化调度方法

风电出力的不确定性影响电网的稳定运行,大规模风电并网后“弃风”问题突出。为了充分考虑风电出力的不确定性,本文提出基于风电置信区间的风-水-火短期联合调度运行方法。利用梯级水电站启停灵活、爬坡速度快等优点平抑风电出力波动,构建了发电成本最小与清洁能源消纳最大的多目标优化调度模型。基于分层求解思想,将模型分为风电运行层、水电调度层与火电调度层,并提出了集成非参数法、启发式算法与改进的粒子群算法的总体求解框架,实现了模型的快速求解。某区域电网短期调度模拟运行结果表明,所提方法求解速度快,仅需83.5 s,在满足电力系统安全稳定运行约束与清洁能源消纳最大的前提下,水电、风电多发45.56万kWh,煤耗成本减少23.33万元。     

基于带辅助搜索空间的改进二进制粒子群算法的微网经济负荷分配研究

研究了包括光伏电池、风机、微型燃气轮机、柴油发电机、燃料电池在内的微网的发电特性,考虑电压越限、功率平衡、微电源出力限制等约束条件,建立了以发电经济成本最小、环境成本最小的多目标微网经济负荷分配模型。针对二进制粒子群算法易"早熟"、容易陷入局部最优解的缺点,构造辅助搜索空间,改进二进制粒子群算法来求解该复杂非线性优化问题。对孤岛运行模式下的一个小型的含多种微电源的微网系统算例进行研究,仿真结果验证了模型的正确性和算法的有效性。