基于粒子群修正策略的机组组合解耦算法

机组组合问题是电力系统优化运行的一个难点,理论上难以得到最优解。提出了一种基于粒子群修正策略的解耦算法。首先采用集结投影次梯度的拉格朗日松弛算法得到机组组合的对偶解;然后依据对偶信息中的备用乘子及对偶组合状态建立粒子群优化空间;而后利用无约束的标准粒子群优化算法实现拉格朗日乘子的局部更新,通过粒子的调整和粒子间信息的传递改变机组启停,进而修正拉格朗日对偶解,最终得到机组组合问题的近似最优解。6个系统的仿真计算验证了该方法的求解速度及计算精度。     

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.     

基于改进二进制粒子群与动态微增率逐次逼近法混合优化算法的水电站机组组合优化

针对水电站机组组合问题具有高维、非凸、离散、非线性等特点,提出了一种适用于求解大容量、多机组巨型水电站机组组合问题的改进二进制粒子群优化算法,改进了粒子概率变换和位置更新方程,使其具有更强的全局寻优能力和更快的收敛速度。通过将改进二进制粒子群算法与动态微增率逐次逼近法混合嵌套,分别对水电站外层机组组合和内层机组间负荷分配进行交替迭代优化来求解水电站机组组合问题。同时引入启发式机组最短开停机时间修补策略和基于机组启停优先顺序表的系统备用容量修补技术,有效处理了多重约束条件,提高了算法的收敛速度和寻优能力。以三峡水电站为工程应用背景进行了实例研究,并与DP和BPSO算法以及实际耗水量进行了比较分析,结果表明所提算法简单快速,优化效果较好,具有较强的工程实用价值。     

基于改进二进制粒子群与动态微增率逐次逼近法混合优化算法的水电站机组组合优化

针对水电站机组组合问题具有高维、非凸、离散、非线性等特点,提出了一种适用于求解大容量、多机组巨型水电站机组组合问题的改进二进制粒子群优化算法,改进了粒子概率变换和位置更新方程,使其具有更强的全局寻优能力和更快的收敛速度.通过将改进二进制粒子群算法与动态微增率逐次逼近法混合嵌套,分别对水电站外层机组组合和内层机组间负荷分配进行交替迭代优化来求解水电站机组组合问题.同时引入启发式机组最短开停机时间修补策略和基于机组启停优先顺序表的系统备用容量修补技术,有效处理了多重约束条件,提高了算法的收敛速度和寻优能力.以三峡水电站为工程应用背景进行了实例研究,并与DP和BPSO算法以及实际耗水量进行了比较分析,结果表明所提算法简单快速,优化效果较好,具有较强的工程实用价值.     

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。     

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.     

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。     

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。     

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。     

求解机组组合问题的改进离散粒子群算法

电力系统机组组合问题是一个高维数、离散、非线性的大规模复杂工程优化问题.文中提出了一种基于改进离散粒子群优化算法求解机组组合问题的新方法.首先采用新的策略生成粒子,以保证所有生成的粒子均为满足基本约束条件的可行解,使整个算法只在可行解区域进行优化搜索;然后引入优化窗口的概念和启发式的规则以缩短计算时间和提高优化精度.仿真结果表明所提出的算法具有解的质量高、收敛速度快的特点,充分证明了它能很好地解决机组组合问题.     

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...     

基于混沌遗传混合优化算法的短期负荷环境和经济调度

环境和经济短期负荷调度主要由在调度周期内的最优机组组合和负荷分配组成,该文将优先次序法、遗传算法与混沌优化相结合,以应用到电站机组环境／经济运行优化问题中,在混沌遗传算法中采用递阶基因结构,将控制基因用于机组组合全局粗寻优,参数基因用于负荷分配局部优化, 基因修正与罚函数相结合解决约束问题,采用混沌扰动避免遗传算法早熟,运用基于线性搜索的混沌局部优化方法,加快算法的收敛速度和降低计算时间,优化计算结果可以同时得到最优机组组合及负荷最优分配,为实际调度系统提供了一个良好的方法。     

LINGO在电力系统机组组合优化中的应用

电力系统机组组合是一个高维数、非凸、离散、非线性的混合整数优化问题。本文介绍了LINGO软件优化方法及在电力机组组合优化中的应用。建立电力系统机组组合的优化模型,结合3母线电力系统实例,采用LINGO求解优化模型,验证了该方法的可行性和有效性。LINGO为电力机组组合优化提供了一个新的方法,具有很好的应用前景。     

一种机组优化组合问题的遗传算法

火力发电厂的发电机组优化组合问题具有高维数、非凸、离散、非线性、多约束的特点,增加了求解的复杂性。讨论了机组优化启停的遗传算法,通过可行性检查使初始解群中的所有个体都是可行解,也使求解过程中建立了一种从不可行解域到可行解域的映射关系,这样可以大大减少无效的遗传搜索过程。实例计算表明,该方法收敛性好,适应性强,计算速度快,能够使计算的结果更加有效地接近全局最优解。     

基于蚁群优化算法的机组最优投入

机组最优投入问题（optimal Unit Commitment,UC)是寻求1个周期内各个负荷水平下机组的最优组合方式及开停机计划，使运行费用为最小。该问题是一个高维数、非凸的、离散的、非线性的优化问题，很难找出理论上的最优解，但由于它能带来显著的经济效益，所以受到了国内外很多学者的广泛关注。作者尝试采用一种新型的模拟进化优化算法－－蚁群优化算法（ACO）来求解该问题。首先，利用状态、决策及作者提出的路径概念把UC设计成类似于旅行商（TSP）问题的模式，从而可以方便地利用ACO来求解。其次，由于ACO处理的是无约束优化问题，对于UC这一约束优化问题，提出了不同的方法来处理各种约束。用tabu表限制不满足旋转备用约束和机组最小启／停时间约束的状态；通过附加惩罚项来处理线路N安全性约束。数值算例验证了此算法的可行性和有效性。