一种求解机组组合问题的新型改进粒子群方法

将电力系统中机组组合这一复杂的多约束混合整数规划问题分解为具有整型变量和连续变量的两个优化子问题，提出采用改进离散二进制粒子群算法和标准粒子群算法相结合的双层嵌套方法,分别对外层机组的启、停状态变量和内层功率经济分配进行交替迭代优化求解。同时在算法中引入基于机组优先顺序的变异技术和修补策略，能有效地处理机组最短启、停时间约束，并提高算法的全局寻优能力和计算效率。通过对10机系统的算例计算，并同其他算法的结果进行比较分析，仿真结果表明新方法求解精度高、收敛速度快，从而验证了新方法的可行性和有效性。     

一种适合于电力系统机组组合问题的混合粒子群优化算法

该文针对机组组合问题，提出了一种新的混合粒子群优化算法。该算法包含3个重要的方面：通过在算法迭代过程中对松弛后的0、1变量与机组有功出力变量并行地进行优化，避免了由于决策变量过多造成的维数灾难题；引入变动阈值，解决了在寻优过程中粒子的值出现振荡时可能会丢失机组有效启停状态的问题：在粒子群优化算法中引入启发式变异技术，有效地处理了机组启、停时间的约束并提高了粒子群优化算法的全局收敛能力。文中通过对2个算例的计算及与其他算法进行的比较结果，验证了所提出的混合粒子群优化算法具有更好的全局收敛性。     

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。     

直流锅炉快速变负荷磨煤机启停优化

针对大型机组频繁变负荷时磨煤机快速响应的自动启停问题,构建了磨煤机启停过程数学模型.针对该模型特性,对标准粒子群算法进行改进,并对磨煤机启停优化过程进行仿真试验,得到经改进粒子群算法优化后的磨煤机启停状态.将仿真计算得到的磨煤机出力电耗与某电厂1 000 MW机组磨煤机现场运行数据进行对比,结果显示优化后的磨煤机启停组合方式能满足机组运行对磨煤机出力的要求,磨煤机每天可节电6.8％.     

基于改进离散粒子群算法的电力系统机组组合问题

提出一种新的离散粒子群算法。结合改进的自学习策略优化粒子群算法适用于求解电力系统中的机组组合（unit commitment,UC）问题。算法将UC问题分解为具有整型变量和连续变量的2个优化子问题,采用离散粒子群优化和原对偶内点法相结合的双层嵌套方法对外层机组启、停状态变量和内层机组功率经济分配子问题进行交替迭代优化求...     

面向启发式调整策略和粒子群优化的机组组合问题

提出一种启发式调整策略和粒子群优化相结合的新方法求解电力系统中的机组组合(UC)问题.算法将UC问题分解为具有整型变量和连续变量的两个优化子问题,采用离散粒子群优化和等微增率相结合的双层嵌套方法对外层机组启、停状态变量和内层机组功率经济分配子问题进行交替迭代优化求解.同时构造了关机调整和替换调整两个启发式搜索策略对优化结果进行进一步局部微调以提高算法解决UC问题的全局寻优能力和计算效率,从而有效改善解的质量.以10～100台机组组成的5个测试系统为算例,通过与其他算法结果进行比较分析,验证了该方法的可行性和有效性.仿真结果表明该方法解决大规模机组组合问题具有求解精度高和收敛速度快的优势.     

蚁群算法在电力系统机组优化组合中的应用研究

采用模拟进化优化算法———蚁群优化算法来求解机组最优启停问题。引入了状态、决策、路径等概念,把机组最优启停问题设计成蚁群算法模式,通过附加惩罚项来处理各种约束,用tabu表限制不满足约束的状态,使得蚂蚁的搜索总在可行域内进行,对算法的搜索进程起到了有效的引导作用。仿真证明利用蚁群优化算法求解机组最优启停问题是可行的、有效的。     

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PSO-GA算法的电力系统机组组合研究

机组组合优化问题是一个大规模、多约束、非线性的混合整数规划问题,因此求解非常困难。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO算法的优势在于操作简单,可调参数少易于实现而又功能强大。该文采用二进制粒子群优化方法解决机组状态组合问题,用遗传算法结合启发式技术解决经济分配问题,并对最小开停机时间及启停费用进行了处理,使得运算速度大大加快。方法的可行性在10台机组系统中检验。模拟结果表明文章所提出的算法具有收敛速度快及解的质量高等优点。     

基于PSO-GA算法的电力系统机组组合研究

机组组合优化问题是一个大规模、多约束、非线性的混合整数规划问题,因此求解非常困难.粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域.PSO算法的优势在于操作简单,可调参数少易于实现而又功能强大.该文采用二进制粒子群优化方法解决机组状态组合问题,用遗传算法结合启发式技术解决经济分配问题,并对最小开停机时间及启停费用进行了处理,使得运算速度大大加快.方法的可行性在10台机组系统中检验.模拟结果表明文章所提出的算法具有收敛速度快及解的质量高等优点.     

Unit commitment using Lagrangian relaxation and particle swarm optimization

Unit commitment (UC) is a NP-hard nonlinear mixed-integer optimization problem. This paper proposes ELRPSO, an algorithm to solve the UC problem using Lagrangian relaxation (LR) and particle swarm optimization (PSO). ELRPSO employs a state-of-the-art powerful PSO variant called comprehensive learning PSO to find a feasible near-optimal UC schedule. Each particle represents Lagrangian multipliers. The PSO uses a low level LR procedure, a reserve repairing heuristic, a unit decommitment heuristic, and an economic dispatch heuristic to obtain a feasible UC schedule for each particle. The reserve repairing heuristic addresses the spinning reserve and minimum up/down time constraints simultaneously. Moreover, the reserve repairing and unit decommitment heuristics consider committing/decommitting a unit for a consecutive period of hours at a time in order to reduce the total startup cost. Each particle is initialized using the Lagrangian multipliers obtained from a LR that iteratively updates the multipliers through an adaptive subgradient heuristic, because the multipliers obtained from the LR tend to be close to the optimal multipliers and have a high potential to lead to a feasible near-optimal UC schedule. Numerical results on test thermal power systems of 10, 20, 40, 60, 80, and 100 units demonstrate that ELRPSO is able to find a low-cost UC schedule in a short time and is robust in performance.     

基于改进飞蛾扑火算法的单时刻参数可变机组组合优化

机组组合属于高维、离散、非凸的混合整数非线性规划问题,具有NPhard特点。提出结合二进制粒子群算法与混沌飞蛾扑火算法的单时刻参数可变机组组合优化方法,将总时刻机组组合问题依次、逐一分解为单时刻启停状态主问题与单时刻经济分配子问题,对主、子问题分别运用二进制粒子群算法与改进飞蛾扑火算法进行交替迭代求解以提升求解速率。运用参数可变策略与优先次序法概率调整策略对算法参数及候选解进行修正,以提升算法运行效率及候选解质量。测试结果表明,本文所提方法具有良好的运算速率及收敛精度,能有效求解大规模机组组合问题。     

系统分解协调算法的抽水蓄能电站优化调度

建立了包含抽水蓄能电站的电网统一调度优化模型,即以调度周期内火电燃料成本为最小目标函数,满足系统及各机组约束条件。利用系统分解协调思想,开发了一个结合拉格朗日松弛方法和粒子群优化算法的混合算法,将原优化问题分解为两层优化问题。上层拉格朗日算子优化利用次梯度算法求解,下层各子问题利用粒子群优化算法求解,经过迭代寻优得到最优对偶解后,利用一个启发式算法求得满足系统约束及各机组运行约束的原问题的可行解。最后通过算例验证了模型的合理性及算法的有效性。     

电力系统机组组合问题的闭环粒子群算法

针对标准粒子群优化（PSO）算法易陷入局部最优解的缺点,提出了闭环PSO（CLPSO）算法。算法引入经典控制理论中的反馈机制和闭环控制概念,将每个粒子视为被控对象,根据每一步得到的适应值通过PID控制器动态调整惯性权重,以满足搜索过程中粒子时时变化的需求。该策略极大地保证了粒子多样性,提高了算法的全局搜索能力。将CLPSO算法应用到机组组合问题中,同时结合新的策略以降低问题维数和保证寻优过程中粒子的可行性。仿真结果验证了所提出的算法在解决机组组合问题上的有效性。     

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。     

含维变异的量子粒子群算法在无功优化中的应用

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解这个缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索。无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题。本文考虑到优化过程中避免陷入局部最优,应用含维变异QPSO算法并结合动态调整罚函数的方法来解决无功优化问题。并对标准IEEE-30节点系统进行仿真计算,并与QPSO、PSO、GA算法进行了比较,表明该算法能够获得更好的全局最优解。