用改进遗传算法求解水火电力系统的有功负荷分配

水火电力系统的短期有功负荷分配在电力系统的经济运行中发挥着重要的作用,从本质上讲它是一个具有复杂约束条件的非线性大型动态优化问题,处理起来十分复杂,采用传统优化算法难以得到理想的结果。文中提出对决策变量直接采用浮点数编码技术,并根据给定的概率分布进行杂交操作和实施参数变异的改进遗传算法（RGA）,用以求解此问题,最后用具体算例对该方法进行了验证。通过与二进制编码遗传算法所得结果进行对比分析,表明此法计算结果正确合理,收敛速度快,求解精度高。这也说明RGA不失为一种行之有效的优化方法,具有应用潜力。     

改进算法在电力系统多目标负荷分配中的应用

针对火电厂负荷优化分配问题,将同时考虑发电成本、污染排放和负荷调整时间三个方面,建立多目标优化组合模型.在优化算法上,提出一种小生境遗传禁忌搜索混合算法.此算法以小生境遗传算法为主体,避免传统遗传算法“早熟”和解的多样性不足的问题;并结合禁忌搜索思想,使用TSR算子进行交叉操作,改进了传统遗传算法局部搜索能力较差和收敛速度有待提高的问题.以某火电厂2台200 MW和2台300 MW机组负荷优化分配为例,将所提混合算法与其他两种传统算法进行了对比验证,结果表明此改进混合算法的有效性.     

一种解决电力系统经济负荷分配的改进的遗传算法

在研究遗传算法(Genetic Algorithm,GA)的基础上,本文提出一种应用改进的遗传算法来求解电力系统经济负荷分配的新方法,就是在给定的系统运行方式下,在可利用的机组间合理地分配出力,使全电力系统达到最大的经济性(发电成本为最小),由此来节约能源同时给电厂带来巨大的经济效益。     

求解负荷分配问题的多目标加权优化方法

针对节能减排计划下多目标优化的负荷分配问题,考虑到实际调度中对阶段性及目标值的追求,建立了多目标期望控制的负荷分配模型,并采用动态加权算法求解寻优。动态加权算法可减少主观性赋权,并能在每次迭代过程中根据目标偏差率大小自动调整权重系数,使得三类目标函数实现同时趋近于期望值。但求解时发现,动态加权求解存在多目标优化问题,为此提出了权值预估方法,经仿真算例分析验证,该方法能较好地解决复杂的电力系统负荷分配问题。     

发电机组负荷分配的遗传算法

介绍了遗传算法的机理和特点,针对电力系统非线性和水火电联合系统的经济调度不易协调的特点,将遗传算法应用于电力系统经济调度的计算,并给出了计算的一般步骤,通过对一个三机水火电联合系统的经济调度的计算,验证了遗传算法对于计算电力系统经济调度的有效性。结果表明,遗传算法对目标函数的连续性及其导数的存在性没有严格的限制,因而非常适合于电力系统的优化计算;此外,运用遗传算法解算经济调度避免了对协调方程的求解     

电站多目标负荷优化分配与决策指导

对传统意义下的厂级负荷优化分配模型进行修正,同时考虑全厂供电煤耗率、污染排全放和负荷调整时间3个目标,提出厂级负荷分配的多目标优化模型。将多目标优化方法和多属性决策结合使用,研究多目标优化指导的问题。针对非劣分层遗传算法(nondominated sorting genetic algorithmII,NSGA-II)易于局部收敛的特点,提出了并行的NSGA-II多目标优化结构,增加了Pareto前沿的多样性,为决策提供丰富的信息。引入基于基点和熵的多属性决策方法,对Pareto解集进行排序,得出最优解。对某火电厂进行实例分析,结果表明该方法能准确快速地完成多目标负荷分配优化,并给出正确的指导,具有一定的实用性。     

基于多种群遗传算法的电力系统多目标优化

为解决电力系统经济问题中的多目标问题,如煤耗和排放两个目标函数间最优解的相互冲突,协调好各目标函数,提出一种基于交互式多目标处理方法的多种群遗传算法。该算法通过追求最小总体协调度,即寻求满足总体协调度的最短"欧氏距离",来获得决策者的满意理想值;算法还引入精英策略和移民策略,提高寻优范围和效率,且能有效克服标准遗传算法通过迭代次数终止迭代、易早熟的缺陷。优化结果能体现决策者的主观意愿。实验算例验证了该算法的寻优效率,结果表明了算法的适用性和可行性。     

基于改进遗传算法的经济负荷分配

研究了遗传算法在水火电力联合系统经济调度中的应用。针对电力系统负荷分配目标的改变,建立在电力市场体制下负荷分配的数学模型;根据负荷分配问题的特点,对初始种群的生成方法进行改进,使得遗传算法在初始种群中的所有个体都是可行解;对过度满足约束条件的个体,采用了一种有效减小冗余的手段。通过数字仿真,证明了该方法的正确性与有效性。     

基于改进PSO算法的电力系统负荷经济分配

电力系统负荷经济分配(ED)是一个高维、非凸、非线性问题,其求解过程比较复杂.对粒子群优化(PSO)算法进行改进,在目标函数中加入惩罚项来满足火电机组的约束条件,引入非线性权值递减略和惩罚因子的动态改进,并结合遗传算法(GA)中变异的思想,用来解决负荷经济分配的问题.将该方法的可行性在10台机组系统中多次检验,模拟结果表明文章所改进PSO算法具有良好的收敛性和鲁棒性.     

基于广义蚁群算法的电力系统经济负荷分配

提出了一种可用于求解一般形式的非凸、非线性约束优化问题的广义蚁群算法，以用于求解复杂的非凸、非线性电力系统经济负荷分配问题，与用于组合优化的蚁群算法类似，该算法运用了正反馈，分布式计算和贪婪式启发搜索，基于不动点理论，给出了该算法收敛的充分条件，多个算例结果表明，文中提出的算法是有效可行的。     

实数编码的遗传算法在厂级负荷优化分配中的应用

提出了一种改进的实数编码遗传算法来解决厂级负荷优化问题。选取了简单且符合电厂实际的数学模型和机组煤耗特性的拟合方法。在遗传操作上，突破了传统的选择-交叉-变异模式，采用了融入交叉和变异的双个体组进化来进行选择操作，以及固定替代的变异操作。针对负荷优化问题高维、约束条件多、对实时性要求高的特点，文中提出了对初始群体的随机产生过程加入边界约束的方案。迭代过程结束后，在小邻域内用枚举法搜索更优的值，进一步提高了算法的准确性。仿真结果证明，改进后的遗传算法简单、高效、全局搜索能力强，具有较高的实用价值。     

优势群体主导型遗传算法在负荷经济调度中的应用

建立了负荷优化分配的数学模型,针对简单遗传算法缺陷,根据具体问题特征提出一种以优势群体为主导的改进遗传算法,并应用于对多台机组的ELD问题进行优化计算。仿真结果表明该方法可以有效避免遗传操作中不可行解的产生,收敛性好,能以更高的精度达到或接近全局最优。同时在数学模型中考虑了汽轮机的阀点效应,结果显示,计及阀点效应后,系统总消耗增加,各机组之间的负荷功率分配发生了较大变化。因此,在建立负荷优化分配模型时阀点效不应忽略。     

适用于电力系统短期经济调度的遗传算法

从广义遗传算法的全局收敛性和胞腔排除遗传算法的高效性等两方面,介绍遗传算法在电力系统短期经济调度中的应用现状和发展趋势。     

基于免疫遗传算法的环境经济负荷调度

介绍以目标函数为抗原,以问题解为抗体,利用进化策略进行群体更新的免疫遗传算法。讨论环境经济负荷调度多目标函数优化问题,给出利用免疫遗传算法解决这一问题的主要步骤。利用一个含有5个电力生产单元的燃煤电力系统模型验证了该算法的可行性和有效性。并与遗传算法和Hop fie ld神经网络进行比较分析,证实了该算法解决该类问题的优化性和快速收敛性。     

基于改进遗传算法的水电经济调度

传统遗传算法求解电力系统水电经济调度时效率不高,故提出了一种改进遗传算法。该算法采用实数编码,将染色体表示成矩阵形式;并设计了基因行算术交叉算子、基因行变异算子和基因列调整算子三种改进遗传算子,方便了在遗传过程中对约束条件的处理,提高了算法的搜索效率;改进的选择方式较好地避免了有用遗传信息的丢失。仿真结果表明,该算法与传统遗传算法相比,提高了计算效率,有利于获得全局最优解。     

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。     

基于自调节粒子群算法的电力系统经济负荷分配

带阀点效应的经济负荷分配问题具有不连续、不可导、非凸、非线性的目标函数,同时还受到电力平衡和运行约束的制约,很难应用经典数学算法求解。针对忽略网损的经济负荷分配问题,文章提出了一种自调节粒子群算法,通过可行化调整机制保证解的可行性,同时采用自适应变异算子提高解的多样性,防止算法早熟收敛,提高算法的寻优速度。为验证算法的有效性,文中对多个经济负荷分配问题进行了测试,与其它智能算法的比较结果证明该算法可以有效找到可行解,避免陷入局部最优,能实现问题的快速求解。     

火电厂厂级负荷分配的多目标优化和决策研究

火电厂的负荷优化分配系统通常是以机组煤耗特性为基础的,其经济分配对应于满足稳态工况下全厂发电成本最低的要求。对于自动发电控制方式下的厂级负荷运行分配还要满足调整时间的要求,以尽可能快的速度满足目标负荷的调整。考虑机组运行的经济性和快速性,将基于进化算法的多目标优化技术与多属性决策方法联合运用,针对火电厂厂级负荷优化分配的问题进行研究。对于多目标优化问题,采用改进的非支配解排序的多目标遗传算法,求出Pareto最优解,由Pareto最优解构成决策矩阵,使用客观赋权的信息熵方法对最优解的属性进行权值计算,然后用逼近理想解的排序方法进行多属性决策研究,对Pareto最优解给出排序。文中给出了10台机组负荷分配的优化设计算例。