一种用于机组组合问题的改进双重粒子群算法

为了更经济快速地解决机组组合问题,提出一种改进双重粒子群优化(particle swarm optimization,PSO)算法,包含离散部分和连续部分。离散PSO分时段优化机组的启停状态,在种群更新时加入了临界算子,改进了可行解的判别条件,各机组出力最低值的和要在一定程度上低于负荷需求值,并考虑机组启停时间的向前继承和向后约束。连续PSO用于启停状态确定过程中和确定后的负荷分配,考虑功率平衡约束、热备用约束和机组的出力上下限约束。求解经济负荷分配时,利用罚函数的方法满足机组的爬坡速率约束,最后得到煤耗最小值。采用2个24时段的算例进行仿真,实验结果表明新算法减少了搜索量,提高了收敛速度,并为机组组合问题提出了新思路。     

基于搜索+调整的两阶段萤火虫算法求解机组组合问题

提出了一种新颖的基于搜索+调整的两阶段萤火虫算法求解机组组合问题。算法将机组组合求解流程分解为具有离散变量和连续变量的两个优化问题,通过二进制编码的萤火虫算法求解含离散变量的机组启停主问题,利用改进的实数编码萤火虫算法解决连续变量的负荷经济分配子问题,采用调整策略校核和修复约束,实现主子问题的交替迭代求解。算法通过启发式的约束调整策略,以及两种编码方式实现了离散变量和连续变量的分解优化,提高了机组组合问题求解的效率和精度。通过对6个不同规模算例的计算及与其他经典算法的对比,验证了所提算法的有效性和优越性。     

电网规划综合评判决策系统的设计与应用

提出了一种求解电力系统负荷经济分配问题的改进粒子群优化算法.该算法考虑了机组的爬坡约束、出力限制区约束、非光滑费用函数曲线等非线性特性,用保留可行解的方法处理负荷平衡约束条件,用自适应罚函数法处理爬坡和出力限制区约束条件,加快了算法的收敛速度,对不活动粒子的处理使算法避免了"早熟"现象.仿真计算表明,改进粒子群优化算法是一种求解负荷经济分配问题的有效方法.     

基于原-对偶内点法和混合整数规划法的机组组合问题研究

电力系统机组组合能带来显著的经济效益,随着电力市场的不断发展,在电力系统优化运行中变得尤为重要。然而电力系统机组组组合问题是一个大规模、非凸、非线性混合整数优化问题,至今仍然没有找到一种理想的优化算法。因此针对其特点,采用了原-对偶内点法和混合整数规划法相结合的算法,首先利用混合整数规划法形成伴随规划来处理离散变量,再通过内点法求解伴随规划子问题和负荷经济分配,充分发挥了两种算法在求解机组组合问题上的优势。文中对标准10机组24时段系统算例进行了仿真测试并与之前的各种优化算法进行了对比,结果表明了本文算法模型解决机组组合问题的有效性和优越性。     

含风电场的电力系统机组组合问题随机模拟粒子群算法

由于风电具有随机性,含有风电场的机组组合问题不再是一个常规意义下的确定性问题。利用传统的方法也难获得既经济又有较高可靠性的解。本文建立了基于机会约束规划的含风电场的电力系统机组组合的数学模型,以概率的形式描述相关约束条件,并把组合问题分为内外两层优化子问题求解。外层为机组的启停状态优化,用离散粒子群算法求解,并引入启发式搜索策略,有效提高了机组状态优化效率;内层为负荷经济分配,考虑到风电的不可靠性,利用随机模拟的改进粒子群算法求解,防止种群过早收敛于局部最优解,并确保发电计划的可行性。通过10机系统的算例计算,并与其他文献方法比较,结果表明该算法对解决含有风电场的电力系统机组组合的问题是行之有效的。     

基于混沌粒子群算法的火电厂厂级负荷在线优化分配

机组负荷优化分配是降低发电厂能耗水平的重要技术手段,该文针对厂级负荷在线优化分配对算法速率和精度的要求,提出一种新的机组负荷实时分配模型,分别给出了机组自动发电控制和厂级负荷分配方式下负荷响应速率约束方程,并提出一种自适应约束边界,可显著提高算法计算效率,在满足电网对机组负荷品质要求的前提下实现全厂煤耗量最小的目标。提出采用混沌粒子群算法来求解实时负荷优化分配问题,采用自适应惯性权重以加快算法收敛速度,在粒子群算法解的邻域内进行混沌优化搜索,避免算法陷入局部极值点。文中给出了厂级负荷在线优化分配算法步骤,并进行了算例分析,验证了所提模型和算法的有效性。     

基于场景树和机会约束规划的含风电场电力系统机组组合

为了解决风电的随机波动性给含大规模风电场电力系统机组组合问题求解带来的影响,采用马尔科夫链原理描述风速变化的规律,并将它与场景树技术相结合,对风电的不确定性进行数学建模。同时基于机会约束规划建立了含风电场机组组合问题的随机数学模型,包含外层机组启停状态优化和内层机组间负荷经济分配两层优化子问题。在求解模型时,将离散粒子群算法(DPSO)与等微增率准则相结合,对两层优化问题进行交替迭代求解;同时提出开停机调整策略改善解的特性。对一个含风电场的10常规机组系统进行算例分析,验证了所提出数学模型和求解方法的合理性和有效性。     

改进混沌离散粒子群与等微增率的机组组合优化

针对火电机组组合问题具有非线性、离散性、随机性以及高维、非凸等特点,提出一种适用于求解大容量火电机组组合优化问题的改进混沌离散粒子群优化算法。基于改进混沌离散粒子群算法来确定机组启停决策变量,采用跟踪负荷变化并引入修正策略来修正机组启停决策变量,提高算法的效率和解的精度。采用Kuhn-Tucker最优性条件对等微增率进行改进,使其分配结果满足爬坡及出力上下限要求。通过改进的混沌离散粒子群与等微增率混合嵌套,分别对外层机组启、停状态变量和内层负荷分配进行交替迭代优化。仿真算例表明,所提出的算法在求解机组组合问题时具有较强的全局搜索能力和适应性。     

基于灰狼优化算法的火电机组负荷优化分配经济性研究

火电机组运行负荷优化分配问题直接影响着整个电网的经济性运行,对供电可靠性、稳定性和安全性都至关重要。为此,针对传统算法在负荷优化分配上存在收敛性差以及容易陷入局部最优解的问题,提出了一种灰狼优化算法(GWO)用于火电机组运行负荷的优化分配中的方案,并以三台火电机组进行负荷优化分配为例,建立以机组煤耗量最小为优化目标的数学模型,验证了算法的收敛性和实用性。最后使用灰狼优化算法(GWO)与传统遗传算法(GA)对比求解,结果表明,所提方法制定的负荷分配方案最优,能够很好地实现了机组的最经济化运行。     

用于机组组合优化的蚁群粒子群混合算法

提出了一种用于求解机组组合优化问题的蚁群粒子群混合优化算法。通过将机组组合解编码为机组操作序列,降低了蚁群算法搜索的难度,使其空间复杂度由指数型降为线性型,使采用蚁群算法求解更大规模的机组组合问题成为可能。采用协同粒子群算法求解多时段负荷的经济分配问题时,用一个粒子群处理一个时段的优化问题,通过共享粒子群间的惩罚项解决了机组爬升率的约束问题。10机和20机系统的仿真实验和分析结果验证了该方法正确性、有效性和优越性。