多智能体技术在机组组合运行与管理分析中的应用

电力系统机组组合问题是一个典型的大规模混合整数的非线性组合优化问题,很难得到理论上的最优解.该文提出了求解机组组合问题的多智能体体系结构,并且提出了自治与分级管理相结合的3层MAS系统体系结构,最终通过协调Agent、任务Agent、发电Agent的协商、谈判,获得了机组组合问题的一个较为满意的解.     

多智能体搜寻者优化算法在电力系统无功优化中的应用

针对无功优化这个典型的非线性问题,提出了一种基于多Agent系统的搜寻者优化算法MASOA (Multi-agent Seeker Optimization Algorithm)来求解。该算法针对SOA算法邻域划分随意性较大,融入智能体技术,在改进SOA算法邻域划分合理性的同时,提高粒子寻优的准确度;利用SOA算法的进化机制,引入自适应思想,使新算法具有良好的非线性搜索能力,更好地适应无功优化问题。以网损最小为目标函数,在IEEE 30节点系统上进行测试,并与四种智能算法进行比较,结果表明,MASOA在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中。     

多智能体搜寻者优化算法在电力系统无功优化中的应用

针对无功优化这个典型的非线性问题,提出了一种基于多Agent系统的搜寻者优化算法MASOA (Multi-agent Seeker Optimization Algorithm)来求解.该算法针对SOA算法邻域划分随意性较大,融入智能体技术,在改进SOA算法邻域划分合理性的同时,提高粒子寻优的准确度;利用SOA算法的进化机制,引入自适应思想,使新算法具有良好的非线性搜索能力,更好地适应无功优化问题.以网损最小为目标函数,在IEEE 30节点系统上进行测试,并与四种智能算法进行比较,结果表明,MASOA在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中.     

电力市场中机组组合的智能优化算法

随着电力市场的兴起，机组优化组合问题的目标函数和约束条件都发生了重大的变化，本文提出了在电力市场机制下机组组合问题的数学模型，并运用智能优化算法－遗传算法求解，该算法不同于常规优于算法的特点在于，能够从最后一代的母体群中产生多个满足约束条件的可行方案，为电钢调度提供了极大的灵活性。而且任何可以用罚因子项表示的约束条件可以考虑到遗传算法，适合大规模及超大规模问题的求解。     

基于多智能体协调的电网自动电压控制系统研究及应用

针对如何对电力系统的电压调节设备进行实时自动协调控制,实现电网安全、优质和经济运行,利用多智能体系统(MAS)技术,建立电网电压调节设备的协调自动控制系统,并将此系统应用于安徽电网实际运行,取得良好的效果.     

启发式遗传基因算法及其在电力系统机组组合优化中的应用

本文在遗传基因算法（ＧＡ）的基础上，增加了区域变化这一重要环节，设计了一种新的启发式遗传交换操作算法。它在保留了原ＧＡ算法的同时，又具有较高的解题速度。最后，本文将这一算法用于电力系统机组组合优化，结果表明获得了近乎全局最优的解。     

分布式风电场设备多智能体状态监测系统

针对风电场监测系统结构模块化设计以及底层硬件与顶层软件系统耦合的问题,设计分布式风电场设备状态监测系统。为实现软硬件解耦,应用多智能体系统技术,增减监测对象无需变动顶层软件;同时采用傅里叶变化加小波分析方法处理各设备运行数据。该系统由两层构成:底层为数据采集及预处理系统,由各风电机组的传感器和嵌入式系统组成;顶层是面向整个风电场的数据管理系统,结合了各机组底层传感单元及预处理系统的分散特性。实际风电场运行试验结果表明,该系统能实时监测风电机组各基本单元的运行状态,且机组各运行单元之间及机组之间的监测相互独立、互不影响。     

社会演化算法在机组组合中的应用

机组组合是电力系统优化运行的一个重要方面，从数学角度讲，机组组合问题是一个多约束的NP难组合优化问题，很难得到理论上的最优解，该文将一种新的方法—社会演化算法用于解决该问题。该算法用认知主体取代了传统遗传算法的基于编码的可行解生成方式；用基于“范式学习与更新”的进化寻优机制取代了传统遗传算法中基于模仿基因的遗传和变异的进化寻优机制，使其计算效率及收敛稳定性均优于传统遗传算法。最后通过算例验证了该算法的优越性。该算法不仅为解决机组组合问题带来了新的思路和方法，在求解其它带有复杂约束条件的组合优化问题方面也有非常重要的启发意义。     

一种求解大规模机组组合问题的混合智能遗传算法

针对传统的采用二进制编码的遗传算法在求解大规模机组组合问题时收敛速度慢、易早熟等问题,作者结合机组组合问题的特点,提出了一种混合智能遗传算法.该算法以机组状态作为个体编码,结合启发式方法的自适应智能变异算子求解目标函数,显著缩小了求解问题的规模,保证了群体多样性,提高了算法的搜索效率,改善了算法的收敛性.仿真计算结果表明了该算法的有效性和实用性.     

改进PSO算法在电力系统机组组合中的运用

采用改进的PSO算法实现在机组组合中的运用,避免了其他算法产生“维数灾”的缺点。通过实例进行仿真计算表明,该方法能够快速的求解,具有有效性和实用性     

应用MAS解决基于利润的机组组合问题研究

电力系统引入放松管制的市场运行机制之后,形成一种基于利润的机组组合问题:①优化目标从费用最小转为利润最大;②各发电公司从自身利益出发,可以不完全满足中心调度的要求。针对以上特点,提出一种基于多Agent系统的解决方法。仿真结果表明,该方法能够适应解决现代电力系统机组组合问题的新需要,能够获得更大的经济效益。     

基于改进的逆序排序法的机组组合优化算法

文章提出了改进的逆序排序法来求解机组组合优化问题.该算法从可用机组全投入运行这一可行解出发,在每次迭代过程中优化一台机组在整个调度周期内的开停状况,以最小化总生产成本或总购电成本,直到连续两次迭代的目标函数值不再减小为止.该方法的显著优点在于计算不会振荡,迭代不会发散,且每次迭代的结果均为可行解.该算法在单机组优化过程中,以机组的最小启停区间而不是单个时段为研究调度对象,缓解了组合爆炸问题,明显地加快了计算速度.     

A multi‐agent approach to unit commitment

This paper proposes a multiagent system to power system unit commitment problems. Multiagent is a new paradigm for developing software applications. Coordinating the behavior of autonomous agents is a key issue in agent‐oriented programming techniques today. Recently, agents are being used in an increasingly wide variety of applications, ranging from comparatively small systems such as E‐mail filters to large, open, complex systems such as air traffic control. Though some agent frameworks have been proposed in the power system field, the number of studies is limited. In this paper, we developed a power system unit commitment application by multiagent architecture. Our multiagent system has the following characteristics: (1) The system consists of a single facilitator agent, two mobile agents, and one or more generator agents which are elements of power system network. (2) The facilitator agent is developed to act as a manager for the process by using the singleton design pattern. The mobile agents migrate to generator‐agents to increase or decrease their power generations. The generator agents have their operational data. (3) Message object is developed to communicate between the agents using KQML‐like object. The proposed approach is applied to a simple model system, and the results show that the multiagent system is an efficient decentralized approach for solving power system unit commitment problems. © 2002 Wiley Periodicals, Inc. Electr Eng Jpn, 141(2): 41–47, 2002; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.10057     

风电与储能系统互补下的火电机组组合

针对具有风电和火电机组的电力系统,在储能系统配置给定的前提下,提出通过储能尽量消除风电不确定性并部分以备用形态出现的研究思路,建立了火电机组组合2层优化决策模型。上层问题以火电机组组合成本最小为目标,下层问题以储能系统对电网中电能时空平移和提供备用所得收益最大为目标,以储能系统消除不确定性程度为满足对象,其中计及了自动发电控制(AGC)机组和非AGC机组的特性,以及系统频率调节效应的作用。基于分解协调的原理,通过上、下层问题的交替迭代对该模型予以求解,决策储能系统充/放电功率、调控范围及机组启停方案。该方法可在减少火电机组备用容量的同时,提升系统应对不确定性的能力,通过10机组系统验证了模型和方法的有效性。     

竞争机制下基于改进遗传算法的火电机组启停

电力市场正逐步引入厂网分开竞价上网的竞争机制,而发电厂的发电情况与电网的经济运行有极大的关系。在这种运行模式下,火电机组的优化启停数学模型需要进一步改进。本文从发电厂利润最大化角度出发,建立火电机组启停的数学模型,并提出用优化遗传算法确定火电机组启停的方法。该方法能有效克服一般遗传算法在机组优化组合中的不足,提高了收敛速度,对发电机组优化组合问题具有实用价值。     

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。     

A study of a unit commitment problem with transmission constraints

Unit commitment problem is an optimization problem to determine the start‐up and shut‐down schedule of thermal units while satisfying various constraints, for example, generation‐demand balance, unit minimum up/down time, system reserve, and so on. Since this problem involves a large number of 0–1 type variables that represent up/down status of the unit and continuous variables expressing generation output, it is a difficult combinatorial optimization problem to solve. The study at present concerns the method for requiring the suboptimum solution efficiently. Unit commitment method widely used solves the problem without consideration of voltage, reactive power, and transmission constraints. In this paper, we will propose a solution of unit commitment with voltage and transmission constraints, based on the unit decommitment procedure (UDP) method, heuristic method, and optimal power flow (OPF). In this method, initial unit status will be determined from random numbers and the feasibility will be checked for minimum start‐up/shut‐down time and demand‐generation balance. If the solution is infeasible, the initial solution will be regenerated until a feasible solution can be found. Next, OPF is applied for each time period with the temporary unit status. Then, the units that have less contribution to the cost are detected and will be shut down based on the unit decommitment rules. This process will be repeated until suboptimal solution is obtained. The proposed method has been applied to the IEEE 118‐bus test system with 36 generating units with successful result. © 2003 Wiley Periodicals, Inc. Electr Eng Jpn, 144(3): 36–45, 2003; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.10187     

基于解集动态分析含风电接入的多目标机组组合研究

风电的大规模接入给多目标节能减排发电调度带来了新的机遇和挑战。由于风电场出力具有随机性,采用置信区间简化风电场景模拟数量,考虑到多目标模型的复杂性,利用Benders分解技术对模型进行降维,设计一种基于解集动态分析的多目标自适应优化算法对降维后的多目标主问题进行求解,并提出一种提高模型整体求解效率的预处理机制加速收敛。仿真结果表明所提方法能够有效求解含风电的多目标机组组合问题,并验证了所提多目标算法和预处理机制在求解模型中的优势。     

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%。