机组组合问题的两阶段优化算法

针对电力系统机组组合问题(UC)高维、非凸、非线性的特点,提出了一种两阶段优化方法(LR-DE).利用拉格朗日松弛算法(LR)对UC问题进行解耦,将多机优化问题转化为单机优化问题的重复计算,使模型简化,利用动态规划法和次梯度法求出对偶解对应的拉格朗日乘子;根据对偶解信息设定拉格朗日乘子更新空间,并利用微分进化算法(DE)进行搜索,全面考虑所有约束条件,不断缩小对偶间隙,求出最优的机组组合状态.算例分析表明,该算法优化效果好,搜索能力强,能较好解决大规模机组组合优化问题.     

系统分解协调算法的抽水蓄能电站优化调度

建立了包含抽水蓄能电站的电网统一调度优化模型,即以调度周期内火电燃料成本为最小目标函数,满足系统及各机组约束条件。利用系统分解协调思想,开发了一个结合拉格朗日松弛方法和粒子群优化算法的混合算法,将原优化问题分解为两层优化问题。上层拉格朗日算子优化利用次梯度算法求解,下层各子问题利用粒子群优化算法求解,经过迭代寻优得到最优对偶解后,利用一个启发式算法求得满足系统约束及各机组运行约束的原问题的可行解。最后通过算例验证了模型的合理性及算法的有效性。     

基于改进拉格朗日乘子修正方法的逆序排序机组组合

机组组合与经济调度是两个不同范畴的优化决策问题,其优化过程在概念上有本质的区别。用经济调度中的拉格朗日乘子对机组组合中的乘子进行修正有概念含混的误区。文章在阐明机组组合与经济调度中拉格朗日乘子的差异及作用机理的基础上,提出了一种新的逆序排序机组组合中拉格朗日乘子的修正方法,并对机组的搜索范围及机组运行的经济指标作了相应的改进,使原有算法在精度和计算速度上均得到了显著提高。20机、26机及110机测试系统的计算结果表明了文中的改进方法是有效的,进一步增强了机组组合对大规模系统的适应性。     

一种用于分解协调无功优化的全分邻近中心算法

针对无功优化分解协调模型求解中增广拉格朗日函数不可分的问题,在邻近中心算法基础上提出一种适用于特殊等式约束优化问题、可实现所有步骤分解计算的全分邻近中心算法。该算法通过邻近函数构造平滑同时可分的拉格朗日函数,并通过最优梯度更新拉格朗日乘子,只需要在相邻分区之间交换边界节点信息即可实现全网无功优化的分解协调计算。与通过对偶梯度更新拉格朗日乘子的分解算法相比,它不但可以直接确定计算所用参数,而且可以大大提高收敛速度。算例结果表明,所提算法可以实现全网无功优化的分解协调计算,并且其计算效率远高于基于辅助问题原理的分解协调算法。     

电力系统机组组合问题的改进粒子群优化算法

机组组合问题是一个大规模的非线性混合整数规划问题.文章首先对机组组合问题的0、1变量进行松弛,应用罚函数方法将此问题转化为一个非线性连续变量的规划问题,并应用改进粒子群优化算法求解.该算法在标准的粒子群优化算法的基础上,每个粒子速度和位置的更新不仅考虑自身个体极值和全局极值的信息,还考虑其它粒子所包含的信息.通过收敛性分析可知,若合适地选择算法的控制参数,该算法能较好地收敛到最优解.算例表明文章所提出的算法具有解的质量高、收敛速度快的优点.     

基于自适应系统优化算法的机组组合

算法采用系统分解理论将系统约束松弛,把机组组合问题分解为2层优化问题.上层通过拉格朗日乘子的自适应调整来协调单个机组的子系统,下层采用遗传算法求解单个机组独立的子系统优化问题.对拉格朗日乘子的自适应调整明显减少了对偶间隙的振荡现象,对遗传算法中交叉变异算子自适应的调整有效地克服了早熟现象.算例表明可行解的质量高、收敛速度快,与传统算法相比具有更高的自适应性,适用于大规模、复杂系统的机组组合问题的求解.     

基于改进粒子群优化算法的负荷分配方法研究

针对多目标粒子群优化算法求解负荷优化分配问题时所出现的最优解分布不均,局部最优等问题,引入了精英交叉算子并基于拥挤度对非劣解集进行排序,给出了精确计及网损时的机组出力等式不等式约束处理方法。最后在有无网损两种情况下针对3机组系统进行负荷优化分配。仿真结果表明改进后的粒子群优化算法寻优能力得到提升,同样利用模糊隶属度函数筛选Pareto解集得到的结果明显优于常规粒子群优化算法,有效降低了发电成本及污染物排放,且求解结果严格满足约束条件。     

基于共享免疫粒子群算法的电力系统无功优化

针对电力系统无功优化中的粒子群算法计算效率较低,而且易陷入局部最优解等问题,将共享免疫粒子群算法应用到无功优化中,该算法在进行初始化时,运用正交的思想,使得粒子分布均匀;并用记忆粒子和克隆选择来更新粒子,这样可以很好地保持优化过程中粒子群的多样性。经过算例计算证明,共享免疫粒子群算法与其他算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

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.     

基于改进飞蛾扑火算法的单时刻参数可变机组组合优化

机组组合属于高维、离散、非凸的混合整数非线性规划问题,具有NPhard特点。提出结合二进制粒子群算法与混沌飞蛾扑火算法的单时刻参数可变机组组合优化方法,将总时刻机组组合问题依次、逐一分解为单时刻启停状态主问题与单时刻经济分配子问题,对主、子问题分别运用二进制粒子群算法与改进飞蛾扑火算法进行交替迭代求解以提升求解速率。运用参数可变策略与优先次序法概率调整策略对算法参数及候选解进行修正,以提升算法运行效率及候选解质量。测试结果表明,本文所提方法具有良好的运算速率及收敛精度,能有效求解大规模机组组合问题。     

电力系统机组组合问题的闭环粒子群算法

针对标准粒子群优化（PSO）算法易陷入局部最优解的缺点,提出了闭环PSO（CLPSO）算法。算法引入经典控制理论中的反馈机制和闭环控制概念,将每个粒子视为被控对象,根据每一步得到的适应值通过PID控制器动态调整惯性权重,以满足搜索过程中粒子时时变化的需求。该策略极大地保证了粒子多样性,提高了算法的全局搜索能力。将CLPSO算法应用到机组组合问题中,同时结合新的策略以降低问题维数和保证寻优过程中粒子的可行性。仿真结果验证了所提出的算法在解决机组组合问题上的有效性。     

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.     

火电机组启停机经济调度新算法

合理的开停机方案能带来经济效益，提出一种混合模拟退火－遗传算法模型进行火电机组的优化启停计划调度，采用十进制编码，无需解码，可减少计算误差的时间，由于引入了模拟退火算法，使得这种算法能接受新特性，不仅改进了忆部收敛性且能加速寻优过程，最终可得到近于全局最优的解，经算例验算表明，该算法可以满足安全可靠的多种约束条件下，较好地改善机组启停计划的经济性，是安排火电机组启停机计划的一种可行方法。     

HSA based solution to the UC problem

Unit-commitment (UC) as a complicated problem needs powerful methods to solve. This paper presents the use of harmony search algorithm (HSA), a recently developed meta-heuristic algorithm, in order to obtain optimal solution for the UC problem. The proposed algorithm has simple implementation and provides optimal solutions in a reasonable time. The method is tested using small and large scale test cases in the literature. Numerical results show that the proposed algorithm can find better solutions in comparison with conventional methods and it is an efficient way to solve UC problems especially in large-scale power systems.     

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。     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

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。     

基于双重混合粒子群算法的配电网重构

为进一步优化配电网运行结构,将混合蛙跳思想引入粒子群算法,结合配电网结构简化、支路分组,提出一种基于双重混合粒子群算法的配电网重构策略。为提高粒子搜索效率、防止算法早熟,首先,等效简化配电网结构图,对支路分组,缩短编码维数;其次,将各粒子依据一定规则分组,采用基于混合蛙跳思想的二进制粒子群算法进行支路组搜索,且对粒子历史最优值进行多次分组,组内搜索采用二进制粒子群搜索算法。运用该方法分别对IEEE33节点配电系统和136节点配电系统进行仿真,并与遗传算法和粒子群遗传混合算法进行对比分析,结果表明该方法收敛速度快,可得到最优网络重构结果,有效降低网损。