基于改进人工蜂群动态规划的厂级负荷优化分配

针对大规模变负荷条件下燃煤机组负荷优化问题,考虑厂级负荷优化分配的全局性及实时响应需求,提出一种利用改进人工蜂群算法,在离线状态下建立全负荷区间满足动态规划算法需要的顺序优化表,进而利用动态规划中逆序分配的方法实现在线优化分配的算法。该算法能有效完成全负荷区间的负荷优化分配计算,同时降低优化分配的计算复杂性。实例计算表明,在一定的机组负荷步长下,利用改进人工蜂群算法进行离线造表能够减少造表时间,构造的优化顺序表可有效应用于机组实时在线优化,提高机组在不同负荷下运行的经济性。     

考虑环境成本的火电厂负荷优化分配

针对除尘、脱硫、脱硝改造后火电厂负荷优化分配问题,从提高全厂综合经济效益的角度出发,提出了一种考虑环境成本的全厂负荷优化分配模型和满足电网调度实时性要求的可控搜索粒子群优化(PSO-CE)算法。基于机组实际运行数据,构建了供电煤耗和多种污染物排放浓度特性模型,根据除尘、脱硫、脱硝补偿电价和排污费用标准,建立了面向最优综合经济效益的负荷优化分配模型和自适应负荷约束条件。在标准粒子群优化算法中引入可控随机搜索的速度因子和动态调整的最大速度限制因子,使其具有平衡算法的计算耗时和寻优能力,并通过某火电厂4台机组的负荷分配仿真试验验证了该算法的有效性。     

遗传粒子群混合算法在电厂机组负荷组合优化中的应用

粒子群优化算法应用于火电厂机组组合问题中存在早熟收敛等现象,提出3方面改进的遗传粒子群混合算法:改进粒子群初始化方法,提出粒子初始化机组运行状态组合合理性判据,并初始化一定比例的粒子使其机组负荷随机在对应机组负荷上限附近赋值;采用部分解除约束结合惩罚函数的约束处理方法,对粒子进行机组负荷平衡操作,使大部分粒子满足约束条件;通过引入遗传算法中的交叉和变异操作增加了粒子的多样性,减小了算法陷入局部极值的可能性。采用改进的遗传粒子群混合算法对3机及5机火电厂机组负荷组合进行优化,仿真结果表明,优化成功率能达到100%。     

基于MATLAB工具箱的机组负荷优化分配研究

负荷优化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。为此，提出一种利用MATLAB曲线拟舍工具箱和优化工具箱进行机组负荷优化分配的方法，利用该方法对机组负荷分配中的线性规划和二次规划进行了比较，同时对通过仿真计算得到的图形和数据进行了对比，直观得出了二次规划比线性规划具有更优的分配结果的结论。该分配方法具有简洁、快速、节能效果好的特点。     

面向综合经济效益最大化的全厂负荷分配

针对除尘、脱硫、脱硝改造后全厂负荷优化分配问题,从提高综合经济效益角度出发,提出一种全厂负荷分配模型及其求解算法。基于机组实际运行数据构建供电煤耗和多种污染物排放浓度特性模型,基于除尘、脱硫、脱硝补偿电价和污染物排放费用标准,建立面向综合经济效益最大化的负荷分配模型。根据机组当前负荷构建自适应负荷上下限约束,基于磨煤机出力交替区间构建负荷禁止分配区约束,采用动态罚函数法进行约束条件处理。在标准粒子群优化算法中引入可控随机搜索的速度因子和动态调整的最大速度限制因子,平衡算法的计算开销和寻优能力。某火电厂4台机组的负荷分配仿真实验验证了所提算法的有效性。     

加速遗传算法在电厂动态负荷优化分配中的应用

针对目前电厂负荷分配非实时最优、能源浪费巨大的问题,提出了一种动态分配负荷的算法.在考虑电厂机组实际运行特点后,建立了包含辅机、启停等约束条件下的连续多时段动态负荷优化分配的数学模型;分析了标准遗传算法(SGA)在解决负荷分配问题时收敛速度慢的原因,据此对SGA进行改进,提出了基于实数编码、双倍初始种群、自适应遗传参数...     

基于改进多智能体进化算法的机组负荷优化分配

对发电机组输出功率速度限制等条件下的最优机组组合问题进行了研究,提出了基于多智能体进化算法的求解方法.首先选取二次函数作为机组煤耗量特性曲线,建立了负荷优化分配模型,同时考虑了机组运行的约束条件,并选取多智能体进化算法进行优化设计,从而达到机组组合与运行的良好协调,最后通过一个包含十台机组的火电厂负荷分配算例仿真,证明了这种新方法的可行性,获得了较满意的效果,为机组负荷优化分配问题提供了一种新的思路和方法.     

关于凝汽式机组负荷优化分配算法的讨论

分析凝汽式机组进行负荷优化分配时一些错误算法产生的根源,指出负荷优化分配应以全厂总煤耗量最小为目标,针对不同的负荷优化算法,机组煤耗特曲线应采用不同的拟合方法。该方法和结果可应用于其它火电厂的负荷优化分配。     

基于繁殖粒子群算法的火电厂负荷优化分配

针对目前火电厂负荷优化分配的问题,提出了负荷优化分配总时间的概念,并给出了具体计算公式。在标准粒子群优化算法中引入遗传算法中的杂交思想,提出了基于繁殖粒子群优化算法的负荷优化分配方法,并引入自适应惯性权重对算法进行了改进,避免了标准粒子群算法易陷入局部最优及遗传算法优化计算时间长的缺点。对算法应用在负荷优化分配中的具体问题进行了分析处理,缩短了优化计算时间,提高了算法精度。实例分析进一步验证了所提方法的有效性以及现场实用性,能够同时满足火电厂对降低成本及电网调度对负荷优化分配总时间的硬性要求。     

自动发电控制下的火电厂厂级负荷优化分配

为适应目前我国电网的调度模式,提出在自动发电控制(AGC)指令变动下的厂级负荷优化分配方法。以一个具有5台机组、总装机容量为1 200 MW的火电厂为运行单元,对其运行数据进行经济性计算,实时拟合出各机组煤耗特性曲线,建立在AGC指令下,厂级负荷优化分配的数学模型,并采用微粒群算法来解决动态负荷优化分配问题。最后给出了该电厂在满足不同的AGC指令下,非AGC机组进行负荷优化分配的供电煤耗率结果。计算结果表明,采用这种分配模型,可使全厂供电煤耗率减少0.2~0.4 g/(kW×h)。     

基于粒子群算法的电力系统经济负荷分配研究

电力系统经济负荷分配,是指在满足电力系统或发电机组运行约束条件的基础上,在各台机组间合理地分配负荷以达到最小化发电成本的目的,是经济调度中非常重要的问题。粒子群算法是一种源于对鸟群捕食的行为研究的进化计算技术,具有全局优化能力强、收敛性好和编程实现简单等优点。将粒子群算法应用于电力系统经济负荷分配问题的研究中,通过对实际算例进行仿真测试,证实该算法可有效解决经济负荷分配问题,性能对比显示,该算法求得的解优于传统优化算法所求得的解。     

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。     

电力系统经济负荷分配的量子粒子群算法

本文首次将量子粒子群算法用于电力系统经济负荷分配中。该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。同时该算法的进化方程中不需要速度向量,而且进化方程的形式更简单,参数较少且容易控制。对两个算例进行仿真测试,证实该算法可有效解决经济负荷分配问题;性能对比显示,该算法求得的解优于已有的改进粒子群算法及其它优化算法所求得的解。本文为量子粒子群算法用于经济负荷分配的实用化研究奠定了必要的理论基础。     

动态系统实现火电厂机组负荷优化分配

利用连续型Hopfield神经网络(CHNN)可以将负荷优化分配问题转化为求解多变量非线性动态系统的稳态值。文中直接将负荷上下限约束条件作为神经元激活函数，构造出了通用的网络拓扑结构，理论和仿真试验证明了该方法能够全局收敛。并通过动态仿真手段获取稳态负荷优化分配结果。通用软件包开发和仿真过程表明该方法简单、可靠且适用。     

Different time-scale approaches to the real power dispatch ofthermal units

Different time-scale approaches to the dispatch problem are proposed for the centralized control of real power. In particular, the problem of optimally sharing a time-varying load among the committed thermal units of an electrical power system is addressed. It is shown that the real power dispatch of the thermal units is handled at different time scales as a dynamic problem where rate of change limits , environmental constraints, and the security constraints of the traditional static approach are taken into account. The adoption of the same general model guarantees the coherency of the results in the three phases of day-before scheduling, advance dispatch, and online dispatch. A modified gradient projection algorithm, which suitably exploits some good second-order information, has been adopted for the solution of the large-scale problem arising from the discretization of the dynamic model. The resulting procedure is capable of solving the very large day-before scheduling (more than 2000 variables and 4000 constraints for the Italian EHV system) in a few minutes, as well as providing the solution of the advanced dispatch problem in no more than 10 s even when a corrective rescheduling is required     

电力系统动态优化调度的两级协调方程算法

本文基于动态负荷瓶颈分析方法，研究了电力系统动态优化调度的前瞻约束问题，分析了响应能力约束的作用，在此基础上，提出了动态优化调度的两级协调方程算法。通过对不同梯阶功率增量需求全速响应和非全速响应发电单元子集合的恰当处理，使此算法的两级优化都能应用协调方程算法顺利解算。此算法对负荷曲线陡峻段落及高负荷水平上行段落和低负荷水平下行段落都能有效地进行解算，这些段落在动态优化调度上是有难度的。此算法能很好地与经典的协调方程式法接轨。     

Teaching learning based optimization for economic load dispatch problem considering valve point loading effect

This paper presents a novel teaching learning based optimization (TLBO) technique to solve economic load dispatch (ELD) of the thermal unit without considering transmission losses. The proposed methodology can take care of ELD considering nonlinearity such as valve point loading. The objective of economic load dispatch is to determine the optimal power generation of the units to meet the load demand, such that the overall cost of generation is minimized, while satisfying different operational constraints. TLBO is a recently developed evolutionary algorithm based on two basic concepts of education namely teaching phase and learning phase. At first, learners improve their knowledge through the teaching methodology of teacher and finally learners increase their knowledge by interactions among themselves. The effectiveness of the proposed algorithm has been verified on three different test systems with equality and inequality constraints. Compared with the other existing techniques demonstrates the superiority of the proposed algorithm.     

Optimal dynamic economic dispatch of generation: A review

This paper presents a review of the research of the optimal power dynamic dispatch problem. The dynamic dispatch problem differs from the static economic dispatch problem by incorporating generator ramp rate constraints. There are two different formulations of this problem in the literature. The first formulation is the optimal control dynamic dispatch (OCDD) where the power system generation has been modeled as a control system and optimization is done in the optimal control setting with respect to the ramp rates as input variables. The second one is a later formulation known as the dynamic economic dispatch (DED) where optimization is done with respect to the dispatchable powers of the committed generation units. In this paper we first outline the two formulations, then present an overview on the mathematical optimization methods, Artificial Intelligence (AI) techniques and hybrid methods used to solve the problem incorporating extended and complex objective functions or constraints. The DED problem in deregulated electricity markets is also reported.