基于改进粒子群文化算法的机组组合联合调度研究

电力系统联合优化调度可以提高电网运行可靠性的同时提高经济和环境效益。电力系统联合优化调度主要依赖于优化算法。建立了包含火电、光伏储能的机组组合问题调度模型,并针对机组组合问题的优化求解,提出了改进的粒子群文化算法。通过个体进化和参数调整选择粒子全局最优位置,采用循环拥挤距离来控制非劣解集的大小,实现信度空间和种群空间之间的交互。最后,针对实际的电力系统,结合改进粒子群文化算法和分支定界法对火电电力系统、包含光伏电力系统和储能的机组组合问题进行求解。算例验证了该方法的有效性。     

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...     

基于分布式计算的月度机组组合高效算法设计

月度机组组合是电力系统中长期运行方式安排的重要内容。为解决传统以"内点法+混合整数规划"为核心的求解算法在解决大规模月度机组组合问题时计算效率较低的问题,本文提出了一种基于混合维度粒子群分布式算法的月度机组组合高效计算方法。混合维度粒子群算法以传统粒子群算法为基础,通过将原种群根据其混合整数变量拆分为多个互不重叠的子种群,将原串行计算问题等效转变为并行问题,从而可利用多个子计算服务器同时求解,提升计算效率。最后基于某省级电网实际数据构造的算例表明,相较于传统粒子群算法,分布式计算能大幅提高月度机组组合问题的计算效率,同时计算效率随计算服务器增加而提升,对解决当前电网规模不断扩大下的月度机组组合高效计算问题具有显著效果。     

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.     

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。     

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%。     

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。     

基于改进布谷鸟算法的火电厂机组组合优化

电力系统机组组合是一个多维,复杂的整数规划问题,利用传统方法较难求解。在通过研究布谷鸟搜索(cuckoo search)算法的基本原理,分析布谷鸟算法的优缺点基础上,结合粒子群算法,提出一种改进的布谷鸟搜索算法。通过在10机组系统中进行验证,结果表明,算法比粒子群算法、标准布谷鸟算法更好。改进的布谷鸟搜索算法同样也在收敛速度等更具有优势。     

基于混沌群粒子优化-情景约简算法的混合电力系统机组组合模型及其求解

风电等新能源发电机组的大规模并网,对传统电力系统的安全稳定运行带来了新的问题。研究了一种含有风-火-储联合运行的混合电力系统,通过构建机组组合问题模型,利用情景树方法模拟风电出力的不确定性的随机特性,将混沌群粒子优化算法引入情景约简算法,改善随机模拟结果和提高最优解的搜寻能力。算例分析结果表明,得到的机组组合方案能够尽量多调度风电机组,降低火电机组的运行成本,适应节能减排工作需要。     

粒子群优化算法在电力系统中的应用综述

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。在大量参阅国内外相关文献的基础上,简要介绍了PSO算法的工作原理,较为全面地详述了粒子群优化方法在电力系统中的应用,如电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面,并对今后可能的应用指出了研究方向。     

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。     

粒子群优化算法在电力系统中的应用

粒子群优化方法是一种基于群体智能的新型演化计算技术.它在函数优化、神经网络设计、分类、模式识别、信号处理、机器人技术等许多领域已取得了成功应用,但在电力系统中应用的研究起步较晚,关于它实际应用的报道尚不多见.文章较为全面地详述了粒子群优化方法在配电网扩展规划、检修计划、机组组合、负荷经济分配、最优潮流计算与无功优化控制、谐波分析与电容器配置、配电网状态估计、参数辨识、优化设计等方面应用的主要研究成果.随着粒子群优化理论研究的深入,它还将在电力市场竞价交易、投标策略以及电力市场仿真等领域发挥巨大的应用潜力.     

粒子群优化算法及其在机组优化组合中应用

应用粒子群优化(PSO)算法对电力系统的机组优化组合问题进行研究,介绍了算法原理,分析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并以常用的测试函数进行验证,建立了相应的数学模型,并以IEEE3机6节点电力系统为实例进行研究。分析结果表明,PSO算法较之常用的遗传算法和混沌优化等算法,在算法结构、计算时间、搜索区间控制以及收敛速度等方面具有较好的特性,验证了该方法的有效性。     

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.     

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。     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。在基本粒子群算法的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习。通过该算法进行仿真计算,证明了该算法的有效性。     

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.