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。     

基于遗传算法的机组组合研究

针对遗传算法应用于机组组合问题的具体实现技术进行了深入的研究，实现了采用不同采样空间，不同选择策略，不同适值函数和不同交叉率／变异率的遗传算法和机组组合计算程序，并对10机系统和110机系统的仿真计算进行了分析和比较。结果表明各种不同实现技术的遗传算法应用到机组组合问题具有不同程度的有效性，另外，遗传算法的不同实现技术对收敛时间，收敛代数和收敛值也有较大的影响。文中在计算研究的基础上提出了适用于机组组合问题的遗传算法的具体实现技术，为遗传算法应用到机组组合问题的实用化研究奠定了坚实的基础。     

电力系统机组组合问题的系统进化算法

提出了一种适用于解决大规模电力系统机组组合问题的新型优化算法－－系统进化算法,与常规的优化算法相比该方法具有更强的适应性和鲁棒性,能处理高维数、非凸、离散、非一的实际系统化问题。系统进化的思想具有方法论的意义,根据实际问题的不同特征可以设计不同的系统进化算法。这种方法的提出可以为复杂系统的优化规划、运行决策提供新的途径。     

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.     

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.     

火电厂内机组优化组合的改进遗传算法

本文针对常规遗传算法缺点，根据具体问题的特征，对火电厂内机组优化组组合中的遗传算法从各个环节进行了改进。实例计算表明，该方法收敛性好、适应性强、能更有效地达到或接近全局最优。     

基于退火演化算法和遗传算法的机组优化组合算法

机组组合问题是编制短期发电计划时首先要解决的问题，合理的开停机方案将带来很大的经济效益。现代电力系统对机组优化组合算法的收敛速度和解的质量要求越来越高，作者从改善传统算法这两方面着手，根据退火演化算法和遗传算法各自的特点，提出了一种用于机组优化组合的组合算法。与传统的一些优化算法相比，该组合算法具有搜索速度快，收敛性好，而且解的质量相当高。通过对实际系统的测算，验证了该方法的有效性和优越性。该方法具有良好的并行性，易于在并行计算机上实现。     

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。     

机组优化组合的遗传算法

本文对机组优化组合的遗传算法进行了研究，针对问题的特征，设计了应用方法。实例计算表明，遗传算法具有收敛性好，适应性强，能找到近乎全局最优解，它对实现机组优化组合具有实用价值。     

具有爬升约束机组组合的充分必要条件

在Lagrangian松弛框架下，很难确定机组组合问题的一个可行解是否可通过调整对偶机组组合而获得。对于具有爬升约束的机组组合调度问题来说，由于机组出力在连续的2个开机区间的耦合性，求解可行解就更困难。在Lagrangian松弛框架下，开发1个机组组合新方法的核心是如何获得1个可行的机组组合。文中采用Benders分解可行性条件严格证明了在给定时段，机组组合可行的充分必要条件：即在该时段一个相应于系统负载平衡约束和旋转各用约束的不等式组成立。该条件不需要求解经济分配问题，就可以判定机组组合的可行性。有了此条件，可在发电功率经济分配前知道机组组合是否可行，若不可行，则可通过调整机组组合状态而获得可行的组合。该条件对于构造一个求解机组组合问题的系统方法是重要且有效的。数值测试表明该条件是判定机组组合可行性的有效方法。     

基于遗传算法的无功优化模型研究

遗传算法是近十年发展起来的基于自然选择规律的一种优化方法。本文阐述了遗传算法（GAs)在电力系统无功优化中的应用。实例证明计算表明,与常规无功优化方法相比,该算法成功地解决了无功优化中变量的离散问题,避免了常规数学优化方法的局部最优现象。     

用于中期电力市场的启发式机组组合算法

提出了一种用于求解中期电力市场机组组合问题的启发式方法.该算法将局部寻优法与优先顺序法有效结合避免了丢失最优解,同时通过逐次寻优逐步缩小了寻优范围,从而提高了求解速度.该算法在东北区域电力市场的实际应用表明了其实用性和有效性.     

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。     

基于免疫算法的机组负荷优化分配研究

文章提出应用新的智能算法一免疫算法解决负荷优化分配问题。在分析负荷分配的数学模型和免疫算法特点的基础上，详细研究了基于免疫算法的负荷优化分配方法。优化问题的解对应于免疫算法中的抗体，解的优劣通过结合力的计算来评价，具有最大结合力的抗体就是问题的优化解。文中还提出应用机组持续状态时间进行编码改进，可明显加快算法的搜索速度，免疫算法中特有的基于抗体浓度更新和抗体多样性也使得算法具有很好的收敛性和搜索性能。该算法通过10台机系统进行了验证，计算结果证明免疫算法与其它优化算法相比，能更快搜索到较优解，从而为机组负荷优化分配的求解提供新的有效算法。