火电厂负荷分配的多目标优化算法

本文研究了兼顾经济性与环保性的火电机组负荷优化分配算法。针对机组经济性和环保性分别构建负荷分配最优模型,编程求解负荷分配,得到满足约束条件的非支配解集合。然后由这些解集合构成待决策的负荷分配方案矩阵,采用逼近理想解排序法,考虑不同目标权重对于最终决策方案的影响,采用多目标融合、剔除同一层相近个体、保留不同层差异个体,建立考虑阀点效应的多目标负荷分配模型,讨论了目标权重的取值与负荷分配方案的一致性。最后将本文多目标优化算法、粒子群(PSO)算法和改进帕累托进化(SPEA)算法应用于6台机组的负荷优化分配,仿真结果表明采用本文方法可以进一步降低火电机组煤耗成本和污染物排放量,并且负荷分配方案的设定目标权重越大,优先考虑相应目标越优。     

基于改进人工蜂群动态规划的厂级负荷优化分配

针对大规模变负荷条件下燃煤机组负荷优化问题,考虑厂级负荷优化分配的全局性及实时响应需求,提出一种利用改进人工蜂群算法,在离线状态下建立全负荷区间满足动态规划算法需要的顺序优化表,进而利用动态规划中逆序分配的方法实现在线优化分配的算法。该算法能有效完成全负荷区间的负荷优化分配计算,同时降低优化分配的计算复杂性。实例计算表明,在一定的机组负荷步长下,利用改进人工蜂群算法进行离线造表能够减少造表时间,构造的优化顺序表可有效应用于机组实时在线优化,提高机组在不同负荷下运行的经济性。     

基于生物地理学算法的网厂两级经济负荷分配

提出了一种针对大规模机组的网厂两级负荷优化分配策略。首先将电网内所有机组进行分组,预先以厂内负荷优化分配的最优结果拟合虚拟电厂煤耗成本特性曲线,据此完成电网侧负荷优化分配,然后再进行厂内负荷优化分配,所提模型还兼顾了机组的阀点效应。针对虚拟电厂煤耗成本特性曲线的高度非线性,采用生物地理学算法( Bio-geography Based Optimization, BBO)来求解网厂两级负荷优化分配问题。仿真结果表明,所提优化策略能够快速高效地处理大规模机组的负荷优化分配问题,更易于寻到全局最优解。     

基于粒子群算法的火电厂机组负荷优化分配研究

负荷优化分配是火电厂运行优化的一个重要研究领域,在机组之间合理地优化分配负荷能够提高整个火电厂运行的经济性。针对火电厂实际的运行情况,考虑多个实际约束条件,建立了并行火电机组间连续多时段动态负荷优化分配的数学模型;提出运用新近发展起来的智能算法-粒子群算法来解决动态负荷优化分配问题,详细介绍和研究了该算法的基本原理以及在负荷优化分配问题上的实现过程,并针对原算法的不足,对算法进行了改进;根据负荷分配和算法的特性,对初始种群的生成方法进行了改进,同时对约束条件进行了有效处理。仿真实例表明,该方法收敛性好,收敛速度快,能够有效地达到或接近全局最优,从而为火电厂机组负荷优化分配的求解提供了新的有效算法。     

一种改进型粒子群优化算法在电力系统经济负荷分配中的应用

针对机组数不同的电力系统设计优化方案,提出将基于有效群体利用策略的粒子群算法应用到经济负荷分配问题的解决中。该改进算法通过有效改变粒子数目,并改进了速度位移方程,加快了算法的收敛速度,同时提高其收敛精度。为验证该算法的有效性,针对机组数不同的电力系统经济负荷分配进行了测试,并与其他优化算法进行了比对测试。结果证明了该算法可高效准确地找到最优解,有效避免了陷入局部最优的问题,并保证了较快的运行速度。     

基于改进PSO算法的电力系统负荷经济分配

电力系统负荷经济分配(ED)是一个高维、非凸、非线性问题,其求解过程比较复杂.对粒子群优化(PSO)算法进行改进,在目标函数中加入惩罚项来满足火电机组的约束条件,引入非线性权值递减略和惩罚因子的动态改进,并结合遗传算法(GA)中变异的思想,用来解决负荷经济分配的问题.将该方法的可行性在10台机组系统中多次检验,模拟结果表明文章所改进PSO算法具有良好的收敛性和鲁棒性.     

电网规划综合评判决策系统的设计与应用

提出了一种求解电力系统负荷经济分配问题的改进粒子群优化算法.该算法考虑了机组的爬坡约束、出力限制区约束、非光滑费用函数曲线等非线性特性,用保留可行解的方法处理负荷平衡约束条件,用自适应罚函数法处理爬坡和出力限制区约束条件,加快了算法的收敛速度,对不活动粒子的处理使算法避免了"早熟"现象.仿真计算表明,改进粒子群优化算法是一种求解负荷经济分配问题的有效方法.     

基于混沌遗传和模糊决策算法的多目标负荷经济调度

提出一种可同时得到电力系统最优机组组合和多目标负荷分配结果的混沌遗传和模糊决策算法.结合改进优先顺序法、启发式遗传算法、混沌优化和模糊决策的优点,按改进的优先顺序法确定各时段运行的机组序列,用启发式遗传算法确定机组组合状态,并对交叉率和变异率进行模糊决策.在负荷分配中,考虑单一经济目标和多目标优化2种决策模型,用遗传算法进行并行搜索,同时在最优点附近利用混沌优化的遍历性进行局部寻优,避免遗传算法陷入局部最优,有效提高了收敛速度.将所提算法分别应用于10机和30机系统中,结果表明,该算法较好地处理了电力系统负荷经济调度的各种约束条件,减少了不可行解,加快了收敛速度.     

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。     

基于混沌粒子群算法的火电厂厂级负荷在线优化分配

机组负荷优化分配是降低发电厂能耗水平的重要技术手段,该文针对厂级负荷在线优化分配对算法速率和精度的要求,提出一种新的机组负荷实时分配模型,分别给出了机组自动发电控制和厂级负荷分配方式下负荷响应速率约束方程,并提出一种自适应约束边界,可显著提高算法计算效率,在满足电网对机组负荷品质要求的前提下实现全厂煤耗量最小的目标。提出采用混沌粒子群算法来求解实时负荷优化分配问题,采用自适应惯性权重以加快算法收敛速度,在粒子群算法解的邻域内进行混沌优化搜索,避免算法陷入局部极值点。文中给出了厂级负荷在线优化分配算法步骤,并进行了算例分析,验证了所提模型和算法的有效性。     

计及阀点效应负荷经济分配的杂交粒子群算法

提出了一种用于求解复杂的非凸、非线性具有阀点效应的火电有功负荷经济分配问题的杂交粒子群算法（HPSO）。HPSO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,并在此基础上将遗传算法的杂交思想引入到PSO算法当中,使其避免局部最优。算例的仿真结果表明：本文的算法有效、可行,可望应用于更广泛的优化问题。     

基于混合智能算法的电力系统经济负荷分配

为解决复杂、不连续、不可导、非线性的电力系统经济负荷分配（economic load dispatch,ELD）问题,提出粒子群算法（particle swarm optimization,PSO）结合单纯形算法（simplex method,NM）的混合智能算法（simplex method-particle swarm optimization,NMPSO）。利用NMPSO解决ELD问题时,综合考虑了发电机组的阀点效应和系统网损,使ELD更接近实际情况,充分利用 PSO 随机性的全局寻优能力和 NM快速确定性的局部寻优能力,弥补了 PSO和NM分别单独应用时的不足。仿真结果表明,NMPSO应用于ELD问题,具有较好的优化效果。     

基于混沌模拟退火神经网络模型的电力系统经济负荷分配

在传统混沌神经网络模型的基础上，提出了一种具有衰减混沌噪声的混沌模拟退火神经网络模型(CSA-DCN)。该模型结合了Hopfield神经网络(HNN)与模拟退火算法(SA)的优点，并引入通过Logistic映射迭代函数产生的衰减混沌噪声，从而使该模型可以有效地解决高维、离散、非凸的非线性约束优化问题。例如电力系统经济负荷分配(ELD)问题，在考虑网损、阀点效应的情况下，将该模型应用于解决ELD问题。通过多个算例仿真计算表明，该模型的算法是可行和有效的。CSA-DCN模型是一种适用性很强的优化模型，可以应用于电力系统或其它行业系统的优化问题中。     

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。     

基于自调节粒子群算法的电力系统经济负荷分配

带阀点效应的经济负荷分配问题具有不连续、不可导、非凸、非线性的目标函数,同时还受到电力平衡和运行约束的制约,很难应用经典数学算法求解。针对忽略网损的经济负荷分配问题,文章提出了一种自调节粒子群算法,通过可行化调整机制保证解的可行性,同时采用自适应变异算子提高解的多样性,防止算法早熟收敛,提高算法的寻优速度。为验证算法的有效性,文中对多个经济负荷分配问题进行了测试,与其它智能算法的比较结果证明该算法可以有效找到可行解,避免陷入局部最优,能实现问题的快速求解。     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

基于改进HPSO算法的风电场内部无功优化研究

双馈风电机组(DFIG)是当前风电场的主流机型之一,具有有功功率和无功功率可解耦控制的优点。将风电场中每一台DIFG机组作为单独的连续无功源,以每台DIFG机组无功出力为控制变量,把双馈风电场内部有功网损设为目标函数建立无功优化模型。为了减少风电场内部有功网损并稳定节点电压,在基本粒子群(PSO)算法的基础上引入了自适应权重和遗传算法中的杂交概念,提出了一种混合PSO算法,并将该方法应用于风电场内部无功优化模型求解。以华北地区某风电场为例,在MATLAB软件中采用改进HPSO算法对所建立的无功优化模型进行了求解,求解结果与基本PSO算法和线性递减权重的PSO算法相比,改进HPSO算法收敛速度更快且结果更优,验证了文中模型和算法的正确性。     

Optimum cost of generation for maximum loadability limit of power system using hybrid particle swarm optimization

To estimate voltage stability, maximum loadability limit (MLL) is one approach. MLL is the margin between the operating point of the system and the maximum loading point. The optimum cost of generation for MLL of power system can be formulated as an optimization problem, which consists of two steps namely computing MLL and the optimum cost of generation for MLL. This paper utilizes the hybrid particle swarm optimization, which incorporates the breeding and subpopulation process in genetic algorithm into particle swarm optimization. The implementations of HPSO to test systems show that it converges to better solution much faster.