混沌進(jìn)化算法的梯級水電系統(tǒng)短期發(fā)電計(jì)劃

介紹了一種易于實(shí)現(xiàn)、參數(shù)少且收斂快的集群智能算法—微粒群算法,并將其應(yīng)用于梯級水電廠的短期優(yōu)化調(diào)度。提出以確定微粒群在多維空間中的最優(yōu)位置來實(shí)現(xiàn)多階段優(yōu)化調(diào)度決策的方法,并針對算法易陷入局部最優(yōu)的缺陷,引入遺傳算法中的“雜交”因子以及采用自適應(yīng)的慣性權(quán)重,以改進(jìn)其全局優(yōu)化能力。通過實(shí)際算例驗(yàn)證了該算法的有效性,從而為梯級水電廠的短期優(yōu)化調(diào)度問題提供了一種新的求解途徑。

將改進(jìn)型螞蟻算法用于梯級水電站短期優(yōu)化調(diào)度問題,并通過引入遺傳算法的交叉和變異思想以及自適應(yīng)搜索半徑方法提高了螞蟻算法的搜索能力．以最小耗水率模型為例,給出了梯級水電站短期優(yōu)化調(diào)度問題改進(jìn)型螞蟻算法的數(shù)學(xué)描述和求解的算法步驟,并通過龍羊峽-李家峽梯級水電站實(shí)例驗(yàn)證了改進(jìn)型螞蟻算法的優(yōu)越性．結(jié)果表明,與遺傳算法相比,改進(jìn)型螞蟻算法獲得了更優(yōu)的調(diào)度方案．優(yōu)化結(jié)果在取得更低耗水率的同時(shí),減少了機(jī)組的啟停次數(shù),并且使所有機(jī)組連續(xù)高效運(yùn)行,從而降低了機(jī)組的維護(hù)費(fèi)用,并增加了梯級的經(jīng)濟(jì)效益．

第9卷第4期 1992年12月 計(jì)算物理 chinesejournalofcomputhonalphysics vo1．9．no．4 dec．，1992 三峽梯級水電系統(tǒng)多地區(qū)輸電短期經(jīng)濟(jì) 但運(yùn) t，段虞榮徐明德劉建華il’lf7’ (重慶大學(xué)系統(tǒng)工程及直用數(shù)學(xué)系，重慶630044) 摘要以三峽梯級水電系統(tǒng)為背景，建立了多地區(qū)輸電的梯級水電系統(tǒng)短期優(yōu)化運(yùn)行的 網(wǎng)絡(luò)模型．采用線性與非線性最小費(fèi)用藏相結(jié)合的方法進(jìn)行梯級間的負(fù)荷分配：數(shù)據(jù)結(jié)構(gòu)采用面 向弧表示的最短路算法，速度快，內(nèi)存小。整個(gè)算法用fortran語言編程在ibmpc／xt機(jī) 上試算．結(jié)果較滿意．驗(yàn)證了模型和篼法的正確性。 關(guān)鍵蠲苧塾查皇墅塑壅’旦規(guī)瑚法最優(yōu)化方法 一 、前言 近年來，諸多文獻(xiàn)將網(wǎng)絡(luò)規(guī)劃的理

為促進(jìn)風(fēng)電更好地消納、減少傳統(tǒng)化石能源造成的污染,充分發(fā)揮梯級水電站的調(diào)節(jié)能力,制定了一種包含風(fēng)、火、梯級水電系統(tǒng)的聯(lián)合優(yōu)化調(diào)度策略。該策略確定了優(yōu)先風(fēng)電上網(wǎng)、火電平穩(wěn)出力、梯級水電補(bǔ)償運(yùn)行的調(diào)度模式,并依據(jù)該策略建立了多目標(biāo)聯(lián)合優(yōu)化模型。針對傳統(tǒng)粒子群算法存在容易陷入局部最優(yōu)解的缺點(diǎn),采用基于鯰魚效應(yīng)改進(jìn)的粒子群算法對模型進(jìn)行求解,并在matlab軟件中進(jìn)行仿真。算例的仿真結(jié)果表明,基于鯰魚效應(yīng)改進(jìn)的粒子群算法能夠有效地應(yīng)用于風(fēng)、火、梯級水電聯(lián)合優(yōu)化調(diào)度問題中,能夠發(fā)揮出梯級水電站調(diào)節(jié)特性的同時(shí)有效地增加風(fēng)電的上網(wǎng)電量、提高系統(tǒng)的綜合效益。

隨著市場化的推進(jìn),水電不久將走向市場,傳統(tǒng)上以發(fā)電量最大為準(zhǔn)則的優(yōu)化調(diào)度,已不適應(yīng)新形勢下的水電經(jīng)濟(jì)運(yùn)行。文中探討了市場環(huán)境下水電站(群)短期(日)優(yōu)化調(diào)度的效益最大問題,建立了相應(yīng)的數(shù)學(xué)模型,為水電公司在日前市場上科學(xué)地申報(bào)次日各時(shí)段容量提供了依據(jù)。并通過實(shí)例對比分析,驗(yàn)證了所給出的模型的合理性和有效性。

以二倍體遺傳算法為基礎(chǔ),設(shè)計(jì)了一種梯級水電廠自動發(fā)電控制(agc)算法。該算法既可用于離線制定梯級水電廠的日發(fā)電計(jì)劃,又可用于梯級水電廠的實(shí)時(shí)發(fā)電控制。算法中,出力限制條件在負(fù)荷分配方案的編碼中自動滿足,其它約束條件如負(fù)荷平衡、水量平衡(考慮梯級水庫間的水流流達(dá)時(shí)間)等則在計(jì)算個(gè)體適應(yīng)值時(shí)予以考慮。算法程序設(shè)計(jì)簡單,收斂速度快。仿真計(jì)算驗(yàn)證了該算法的有效性

研究電力市場環(huán)境下梯級水電廠短期預(yù)發(fā)電計(jì)劃問題,建立競標(biāo)電價(jià)預(yù)測的二次移動平均模型,在此基礎(chǔ)上討論了梯級水電廠短期(日)優(yōu)化調(diào)度的效益最大問題,并建立了相應(yīng)的數(shù)學(xué)模型和約束條件,并用逐次優(yōu)化算法求解,為梯級水電公司在日前交易市場上科學(xué)地申報(bào)次日各時(shí)段的電價(jià)和電量提供了依據(jù)。算例表明,模型合理,效益顯著。

建立一種梯級水電站中長期水庫優(yōu)化調(diào)度模型,利用混沌優(yōu)化算法對梯級水電站中長期水庫調(diào)度問題進(jìn)行優(yōu)化計(jì)算。實(shí)例計(jì)算結(jié)果表明,該算法可求解復(fù)雜約束條件的非線性梯級水電站水庫優(yōu)化調(diào)度問題,精度高、收斂速度快,為求解梯級水電站水庫優(yōu)化調(diào)度提供了一種有效算法。

針對梯級水電站優(yōu)化調(diào)度的復(fù)雜問題,結(jié)合差分進(jìn)化算法和混合蛙跳算法各自優(yōu)勢,提出一種新的混合差分進(jìn)化算法。該算法將差分進(jìn)化策略嵌入到混合蛙跳算法框架中,對整個(gè)群體循環(huán)進(jìn)行分組進(jìn)化與混合操作,而在每個(gè)分組內(nèi)部按照差分進(jìn)化策略對個(gè)體不斷進(jìn)行更新。數(shù)值實(shí)驗(yàn)表明該算法具有較強(qiáng)的全局搜索能力,克服了基本差分進(jìn)化算法易早熟收斂的缺點(diǎn)。將該算法應(yīng)用于梯級水電站中長期優(yōu)化調(diào)度實(shí)例,并與傳統(tǒng)動態(tài)規(guī)劃法進(jìn)行比較分析,進(jìn)一步驗(yàn)證了其可行性與有效性。

鑒于梯級水電站優(yōu)化運(yùn)行的高復(fù)雜度、強(qiáng)非線性、多約束等特點(diǎn),構(gòu)建了基于峰谷分時(shí)電價(jià)下的梯級水電站日最大發(fā)電效益模型。針對遺傳算法(ga)等傳統(tǒng)智能算法對復(fù)雜模型求解易陷入局部最優(yōu)的問題,提出一種水循環(huán)算法(wca)與水位廊道約束耦合、降低約束復(fù)雜度、規(guī)范尋優(yōu)空間的方法,并以湖北某梯級短期優(yōu)化調(diào)度為背景進(jìn)行建模仿真,將計(jì)算結(jié)果分別與ga和粒子群算法(pso)所得結(jié)果進(jìn)行比較。實(shí)例研究表明,wca計(jì)算的總效益在豐、平、枯典型日分別比ga和pso計(jì)算值約高5.65%、3.15%、0.80%,迭代收斂速度更快,求解能力更強(qiáng),為解決梯級水電站優(yōu)化調(diào)度問題提供了新思路。

考慮到短期優(yōu)化調(diào)度中電網(wǎng)限定了峰平谷段出力比,將目前較成熟的動態(tài)規(guī)劃算法作了改進(jìn),選用梯級發(fā)電總收入最大為目標(biāo)建立了數(shù)學(xué)模型,并用fo-dp算法尋求出寶興河梯級水電站短期最優(yōu)運(yùn)行方式。計(jì)算結(jié)果表明,該方法能夠較好的解決短期優(yōu)化調(diào)度問題,具有一定的實(shí)用價(jià)值。

電網(wǎng)負(fù)荷需求量隨著氣候、環(huán)境的變化而變化,在很大程度上存在著不確定性,而目前制定的發(fā)電計(jì)劃都是根據(jù)以往的經(jīng)驗(yàn)進(jìn)行制定的,給出的計(jì)劃出力與實(shí)際負(fù)荷水平存在較大的偏差。由于存在偏離發(fā)電計(jì)劃的偏差,如果單純地按照發(fā)電計(jì)劃發(fā)電,會導(dǎo)致電能的不平衡,從而影響電網(wǎng)的正常運(yùn)行。為了描述這種偏差,采用模糊集理論來描述負(fù)荷的不確定性,構(gòu)建了一個(gè)基于模糊負(fù)荷的梯級水電站發(fā)電耗水量最小的短期優(yōu)化調(diào)度數(shù)學(xué)模型,利用模糊區(qū)間的概念來研究不同模糊置信水平下梯級水電站的優(yōu)化調(diào)度問題。同時(shí)研究入庫徑流量、發(fā)電耗水量、棄水量、水頭變化等因素,全面考慮蓄水量、棄水量、發(fā)電流量、發(fā)電水頭之間的關(guān)系及其對水電站正常運(yùn)行的影響,以及各級水電站間的相互影響,用二次曲線表達(dá)式描述水電站水頭特性關(guān)系,既能準(zhǔn)確描述水電站水庫特性,又能減少優(yōu)化問題的決策變量個(gè)數(shù),提高求解效率。最后以一個(gè)三級水電站為例,通過遺傳算法求解所建模型,利用置信區(qū)間的概念分析負(fù)荷在不同置信水平下的優(yōu)化情況,結(jié)果表明了所建優(yōu)化調(diào)度數(shù)學(xué)模型的正確性和可行性。

以水電站運(yùn)行成本最小為目標(biāo),提出了一種用差分進(jìn)化算法(differentialevolution,de)實(shí)現(xiàn)大型水電站最優(yōu)運(yùn)行的方法。差分進(jìn)化算法是一種基于群體的多目標(biāo)進(jìn)化算法,通過群體內(nèi)個(gè)體間的合作與競爭產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索。將改進(jìn)的方法應(yīng)用于水電站經(jīng)濟(jì)運(yùn)行,模型考慮了機(jī)組能量特性差異,并能在旋轉(zhuǎn)備用、啟停成本、氣蝕振動區(qū)、機(jī)組可用性等約束條件下,制定出電站日內(nèi)96段最優(yōu)運(yùn)行計(jì)劃。計(jì)算表明,該方法避免了動態(tài)規(guī)劃等算法處理多約束、大型優(yōu)化問題的困難,同時(shí)提高了進(jìn)化算法的精度。

提出一種基于ｌａｇｒａｎｇｉａｎ松馳技術(shù)的梯級水電系統(tǒng)優(yōu)化調(diào)度算法，能夠綜合處理離散運(yùn)行區(qū)間、最小啟停機(jī)時(shí)間等離散約束、水庫間的水力耦合網(wǎng)絡(luò)約束以及水頭影響?；趯?shí)際系統(tǒng)數(shù)據(jù)的數(shù)值驗(yàn)證表明了本算法的有效性和實(shí)用性。

通過對電力負(fù)荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負(fù)荷預(yù)測模型。首先利用混沌理論將雜亂無章的歷史數(shù)據(jù)進(jìn)行相空間重構(gòu),找出其中的潛在規(guī)律,并粗選預(yù)測參考點(diǎn);然后利用蟻群優(yōu)化算法,考慮距離因素和相點(diǎn)演化的相關(guān)性因素,對粗選的預(yù)測參考點(diǎn)作進(jìn)一步精選,提高其質(zhì)量;最后采用gm(1,1)灰色模型得到預(yù)測日的負(fù)荷數(shù)據(jù)。實(shí)際算例驗(yàn)證了提出的方法具有較好的預(yù)測精度。

本文以三峽梯級水電系統(tǒng)為背景,建立了梯級水電系統(tǒng)多地區(qū)輸電的短期優(yōu)化運(yùn)行網(wǎng)絡(luò)模型;采用線性與非線性最小費(fèi)用流算法相結(jié)合的算法進(jìn)行梯級間的負(fù)荷分配;數(shù)據(jù)結(jié)構(gòu)采用面向弧表示的最短路算法,速度快,內(nèi)存小。整個(gè)算法用fortran語言編程在ibmpc/xt微機(jī)上試算,結(jié)果較滿意,驗(yàn)證了本文所提出的網(wǎng)絡(luò)模型及算法的正確性。

以三峽梯級水電系統(tǒng)為背景,建立了多地區(qū)輸電的梯級水電系統(tǒng)短期優(yōu)化運(yùn)行的網(wǎng)絡(luò)模型,采用線性與非線性最小費(fèi)用流相結(jié)合的方法進(jìn)行梯級間的負(fù)荷分配;數(shù)據(jù)結(jié)構(gòu)采用面向弧表示的最短路算法,速度快,內(nèi)存小。整個(gè)算法用fortran語言編程在ibmpc/xt機(jī)上試算,結(jié)果較滿意,驗(yàn)證了模型和算法的正確性。

梯級水電站中長期經(jīng)濟(jì)調(diào)度是一個(gè)典型非線性優(yōu)化問題，通常要求在滿足復(fù)雜的水力、電力約束條件，兼顧求解效率的同時(shí)實(shí)現(xiàn)梯級發(fā)電量最大。為有效解決這一問題，通過改進(jìn)標(biāo)準(zhǔn)蝙蝠算法（batalgorithm，ba）更新策略和引入差分進(jìn)化算法（differentialevolution，de）變異、選擇操作，提出一種改進(jìn)的蝙蝠算法（improvedbatalgorithm，iba）。對標(biāo)準(zhǔn)蝙蝠算法更新策略進(jìn)行以下改進(jìn)：1）蝙蝠個(gè)體脈沖頻率不隨種群迭代而更新；2）蝙蝠個(gè)體脈沖發(fā)射率和脈沖音量隨種群迭代而更新；3）無條件接受全局搜索產(chǎn)生的新解，有條件接受局部搜索產(chǎn)生的新解；4）改進(jìn)飛行速度公式，縮小新個(gè)體與當(dāng)前種群最優(yōu)個(gè)體的偏離值。同時(shí)，針對蝙蝠算法種群多樣性差、易陷入局部最優(yōu)的缺點(diǎn)，引入差分進(jìn)化算法中的變異、選擇操作，實(shí)現(xiàn)動態(tài)控制變異概率。建立兼顧梯級最小出力最大化的梯級總發(fā)電量最大模型，利用大渡河流域瀑布溝、深溪溝、枕頭壩一級梯級水電站經(jīng)濟(jì)調(diào)度問題實(shí)例，從流域長系列徑流資料中選取典型年，對iba的主要控制參數(shù)（縮放因子、最大迭代次數(shù)）進(jìn)行測試與分析。采用iba、ba、逐步優(yōu)化算法（poa）對同一典型年進(jìn)行模擬調(diào)度。從枯期出力特征、梯級發(fā)電量、算法運(yùn)行時(shí)間3項(xiàng)指標(biāo)綜合來看，對于復(fù)雜的梯級水電站經(jīng)濟(jì)調(diào)度問題，改進(jìn)的蝙蝠算法能夠在枯水期給電網(wǎng)提供盡可能大而穩(wěn)定的出力，同時(shí)縮短計(jì)算時(shí)間，獲得更高精度解。

針對高維、復(fù)雜的梯級水庫優(yōu)化調(diào)度在求解時(shí)易出現(xiàn)\"維數(shù)災(zāi)\"或陷入局部最優(yōu)解的問題,本文提出了基于免疫進(jìn)化算法的粒子群優(yōu)化算法,該算法充分利用了免疫進(jìn)化算法的全局搜索特性和粒子群算法的局部搜索能力,克服了粒子群尋優(yōu)中對初始種群的依賴和易陷入局部最優(yōu)的不足。通過實(shí)例計(jì)算表明,應(yīng)用該算法求解梯級水庫優(yōu)化調(diào)度問題,結(jié)果可靠、合理,計(jì)算效率高,從而為求解高維,復(fù)雜的梯級水庫優(yōu)化調(diào)度提供了新的思路。

針對梯級水電站短期優(yōu)化調(diào)度的不確定性問題,研究了不確定性因素的概率分布規(guī)律,并根據(jù)實(shí)際系統(tǒng)的運(yùn)行要求,給出了概率分布密度函數(shù)的假設(shè)檢驗(yàn)方法。探索發(fā)電用水量與各種隨機(jī)因素的互動關(guān)系及影響機(jī)理,構(gòu)建了一種新的計(jì)及概率的梯級水電站短期優(yōu)化調(diào)度策略。把災(zāi)變理論、混沌優(yōu)化思想和基本粒子群算法結(jié)合起來,形成一種混合粒子群算法。該算法擴(kuò)大了種群的搜索空間,增加了種群的多樣性,改善了基本粒子群算法擺脫局部極值點(diǎn)的能力,并能從理論上證明其依概率收斂至全局最優(yōu)解。將混合粒子群算法嵌入蒙特卡羅隨機(jī)模擬中對本文提出的模型進(jìn)行求解,求解方法簡單有效。仿真結(jié)果表明,該策略能較好地處理不確定性條件下梯級水電站的短期優(yōu)化調(diào)度問題。

在河流上游已建有調(diào)節(jié)庫容的水電站,在下游續(xù)建二級電站時(shí),總是希望二級電站的設(shè)計(jì)流量和已建電站相同,落差盡可能高,裝機(jī)容量盡可能大,以適應(yīng)外來電源或火電電源為基荷的小電網(wǎng)調(diào)峰需要.但在實(shí)際上往往受到各種條件的限制,達(dá)不到理想的目的.在開發(fā)二級電站時(shí),更多的情況是選出機(jī)組的設(shè)計(jì)流量略大于一級電站設(shè)計(jì)流量.這樣一來,電網(wǎng)高峰期兩級電站同時(shí)發(fā)電上網(wǎng)

提出一種求解梯級水電站中長期優(yōu)化調(diào)度問題的方法一蟻群算法（antcolonyalgorithm，aca）．算法模擬了螞蟻群體覓食路徑的搜索過程來尋找梯級水電站中長期最優(yōu)調(diào)度計(jì)劃．算法把問題解抽象為螞蟻路徑，利用狀態(tài)轉(zhuǎn)移、信息素更新和鄰域搜索以獲取最短路徑即最優(yōu)解．實(shí)例計(jì)算結(jié)果表明，算法可以求褲一具有復(fù)雜約束條件的非線性梯級優(yōu)化調(diào)度問題．算法求解精度高、收斂速度快，為解決梯級水電站中長期優(yōu)化調(diào)度問題提供了一種有效的方法．圖1表2參8