求解机组组合问题的多种群混沌蚁群算法

机组组合是一个大规模混合整数规划问题,具有高维、离散、非线性等特点,在数学上被称为NP-hard问题。国内外研究表明蚁群算法在解决组合问题时有其特有的优越性。提出的多种群混沌蚁群算法在基本蚁群算法的基础上,把蚁群分为搜索蚁、侦察蚁和工蚁,并引入了混沌量。一方面继承了蚁群算法在解决组合问题上的优越性;另一方面最大限度地克服蚁群算法本身的运算速度慢、易陷入局部最优等缺点。最后用修正后的IEEE30节点系统对算法可行性作了验证,并对算法的合理性和有效性进行了分析。结果表明,所提出的多种群蚁群算法是合理有效的。     

基于免疫算法的机组组合优化方法

机组组合是改善传统电力系统运行经济性和电力市场出清的重要手段。基于群体进化的智能优化算法存求解过程中存在计算效率低和易于早熟收敛等缺点。提出机组组合的免疫算法，利用免疫算法保持种群多样性的内在机制和免疫记忆特性改进既有的智能优化方法。新算法扩展了约束处理技术，能更好地对可行解空间搜索，采用一种由后向前、由前及后、双向迂回推进的精简程序改善个体可行解的局部最优性，同时利用优先级顺序法产生能较好反映问题先验知识的初始种群。典型算例证实新算法能获得更优的结果，具有更快的收敛速度，且在系统规模扩大时有大致线性的计算复杂性，是一种新的高效的机组组合智能优化算法。     

基于场景分析的含风电系统机组组合的两阶段随机优化

风电场输出功率具有随机性、间歇性的特点,其大规模并网发电使电力系统的调度决策面临着新的挑战。在此背景下,以日前调度为研究对象,提出了一种解决含风电系统机组组合问题的两阶段随机规划方法。该方法将发电机组的启停决策及启停决策下机组的发电计划制定视为两个阶段的决策问题,第一阶段决策对应机组启停,旨在寻求给定条件下具有最小启停成本的机组组合方式,而第二阶段决策则用于评估随机条件下已制定机组启停计划所对应次日机组运行成本的期望值,方法通过对两个阶段决策问题的统筹考虑,最终确定出机组的最佳组合方式。采用场景树模拟日前风电场输出功率预测误差的时间分布特性,并利用场景缩减技术实现在较高计算精度下模型复杂度的降低。通过对某实际26节点11机系统的分析计算验证了所提出方法的有效性。     

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.     

考虑风电的电力系统机组组合两阶段优化方法

电的随机性和波动性给电力系统的安全经济运行带来了严峻的挑战,合理的风电不确定性模型及机组组合优化方法是保证电力系统日前调度安全性和经济性的关键。为此,提出一种考虑风电的电力系统机组组合两阶段随机优化方法。根据风电出力历史数据的非参数经验分布,生成符合风电随机性和波动性的风电动态场景。考虑到场景削减过程中容易忽略的一些极端边界场景会增加系统的弃风或切负荷风险,提出以削减后的场景和极端边界场景为输入的机组组合两阶段优化模型。同时,为求解机组组合这一非线性混合整数优化问题,提出一种混合遗传纵横交叉算法的优化方法。通过实验仿真结果证明了所提模型和方法用于求解考虑风电的电力系统机组组合问题时的合理性和有效性。     

基于启发式混合整数规划法求解大规模机组组合问题

为了改进单纯的混合整数规划法在求解大规模机组组合问题时难以在合理时间内求得满意优化解的问题,提出了一种基于启发式的混合整数规划算法。该算法根据机组开停的内在机理,通过综合分析机组开停特性与负荷曲线特性,基于改进优先顺序法以确定部分整数变量,以此为基础结合混合整数规划法求解大规模机组组合问题,达到提高计算速度、扩大计算规模的目的。将所提算法应用于多个标准算例并与现有文献进行参照对比,验证了所提算法的正确性与高效性。将该算法应用于某实际电网,验证了该算法的实用性。     

考虑安全约束的机组组合免疫算法模型

根据机组组合问题的特点,尤其是电力系统中安全约束的特性,提出了一种基于改进免疫算法的机组组合算法.免疫算法的优势是处理0-1变量,该算法对免疫算法有2个改进:一是以一个抗体片段表示一个机组在调度期间的状态,并以抗体片段记忆库形式保留优秀抗体的信息;二是扩展抗体,将起作用的安全约束信息也作为抗体信息的一部分,并形成安全约束记忆库,从而模拟了调度中"人工选择起作用的约束"过程,解决了以往基于启发式算法的机组组合模型一般难以处理大规模安全约束的问题.此外,算法中采用基于群搜索优化的最优逼近变异法,减少了抗体随机变异的盲目性.最后用IEEE 118节点系统算例对所提出的方法的有效性和合理性进行了验证.     

求解机组组合问题的帝国竞争算法

提出一种用于解决机组组合问题的改进帝国竞争算法（imperialistic competition algorithm,ICA）。种群个体（国家）分为帝国和殖民地2种类型,两者又组成新的帝国,通过帝国吸收殖民地和帝国之间对殖民地的竞争实现寻优过程。在求解机组组合问题时,首先根据波峰波谷所在时刻将日负荷曲线分割成若干小时间段,然后利用ICA依次求解,与原ICA相比,避免了机组分类不合理对于优化结果的影响,同时采用整数编码的国家个体长度相对减小。最后对10~100机6个算例进行仿真分析,结果表明,算法在较少国家个体的情况下保持了较强的搜索能力,可获得较好的计算结果,是一种有效的优化算法。     

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.     

应用于机组组合问题的启发式蚁群算法

针对机组组合(UC)的整数一实数混合规划问题,先用二次规划计算各时段不同机组组合最优负荷分配,并选取各时段煤耗最小组合构造启发式初始解,根据解提供的信息设计一种删除不合理候选运行组合的方法,大幅缩小解空间.利用最大最小蚁群算法(MMAS)在解空间中搜索机组启停策略.针对MMAS效率低搜索慢的问题,算法在迭代完成后引入局部搜索.为降低启动煤耗,在蚂蚁转移概率公式以及信息素更新表达式中加入运行机组数因子及启动煤耗惩罚项,降低启动煤耗高的组合被选中概率,进而优化各时段同时运行机组数量.仿真结果表明以上改进能够大幅提高算法求解速度,具有较强的全局寻优能力.     

A study of a unit commitment problem with transmission constraints

Unit commitment problem is an optimization problem to determine the start‐up and shut‐down schedule of thermal units while satisfying various constraints, for example, generation‐demand balance, unit minimum up/down time, system reserve, and so on. Since this problem involves a large number of 0–1 type variables that represent up/down status of the unit and continuous variables expressing generation output, it is a difficult combinatorial optimization problem to solve. The study at present concerns the method for requiring the suboptimum solution efficiently. Unit commitment method widely used solves the problem without consideration of voltage, reactive power, and transmission constraints. In this paper, we will propose a solution of unit commitment with voltage and transmission constraints, based on the unit decommitment procedure (UDP) method, heuristic method, and optimal power flow (OPF). In this method, initial unit status will be determined from random numbers and the feasibility will be checked for minimum start‐up/shut‐down time and demand‐generation balance. If the solution is infeasible, the initial solution will be regenerated until a feasible solution can be found. Next, OPF is applied for each time period with the temporary unit status. Then, the units that have less contribution to the cost are detected and will be shut down based on the unit decommitment rules. This process will be repeated until suboptimal solution is obtained. The proposed method has been applied to the IEEE 118‐bus test system with 36 generating units with successful result. © 2003 Wiley Periodicals, Inc. Electr Eng Jpn, 144(3): 36–45, 2003; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.10187     

Using immune genetic algorithm based hybrid techniques for short-term unit commitment problem

This paper presents a hybrid chaos search (CS), immune algorithm (IA)/genetic algorithm (GA), and fuzzy system (FS) method (CIGAFS) for solving short-term thermal generating unit commitment (UC) problems. The UC problem involves determining the start-up and shut-down schedules for generating units to meet the forecasted demand at the minimum cost. The commitment schedule must satisfy other constraints such as the generating limits per unit, reserve, and individual units. First, we combined the IA and GA, then we added the CS and the FS approach. This hybrid system was then used to solve the UC problems. Numerical simulations were carried out using three cases: 10, 20, and 30 thermal unit power systems over a 24 h period. The produced schedule was compared with several other methods, such as dynamic programming (DP), Lagrangian relaxation (LR), standard genetic algorithm (SGA), traditional simulated annealing (TSA), and traditional Tabu search (TTS). A comparison with an immune genetic algorithm (IGA) combined with the CS and FS was carried out. The results show that the CS and FS all make substantial contributions to the IGA. The result demonstrated the accuracy of the proposed CIGAFS approach.     

Binary fireworks algorithm for profit based unit commitment (PBUC) problem

The deregulation of electricity markets has transformed the unit commitment and economic dispatch problem in power systems from cost minimization approach to profit maximization approach in which generation company (GENCO)/independent power producer (IPP) would schedule the available generators to maximize the profit for the forecasted prices in day ahead market (DAM). The PBUC is a highly complex optimization problem with equal, in equal and bound constraints which allocates scheduling of thermal generators in energy and reserve markets with no obligation to load and reserve satisfaction. The quality of the solution is important in deciding the commitment status and there by affecting profit incurred by GENCO/IPPs. This paper proposes a binary coded fireworks algorithm through mimicking spectacular display of glorious fireworks explosion in sky. In deregulated market GENCO/IPP has the freedom to schedule its generators in one or more market(s) based on the profit. The proposed algorithm is tested on thermal unit system for different participation scenarios namely with and without reserve market participation. Results demonstrate the superiority of the proposed algorithm in solving PBUC compared to some existing benchmark algorithms in terms of profit and number of iterations.     

竞争机制下基于改进遗传算法的火电机组启停

电力市场正逐步引入厂网分开竞价上网的竞争机制,而发电厂的发电情况与电网的经济运行有极大的关系。在这种运行模式下,火电机组的优化启停数学模型需要进一步改进。本文从发电厂利润最大化角度出发,建立火电机组启停的数学模型,并提出用优化遗传算法确定火电机组启停的方法。该方法能有效克服一般遗传算法在机组优化组合中的不足,提高了收敛速度,对发电机组优化组合问题具有实用价值。     

基于改进人工鱼群算法的大规模多目标机组组合优化

大型电力系统包含众多发电机组,且运行时需要考虑诸多方面的因素,其机组组合优化是一个多目标多约束的非线性大规模优化问题,现有方法存在诸多不足。人工鱼群算法在解决非线性优化问题时性能良好,但存在寻优效率低、可能陷入局部极值等缺点。针对这些不足,提出了改进的人工鱼群算法。该算法引入了可变视野,对人工鱼移动策略做出了调整并与遗传算法中的变异操作相结合。构建了兼顾经济性与环保性的多目标优化模型。为了解决机组规模扩大导致的计算时间过长问题,采用了分阶段的优化方法,将改进后的算法应用于启停安排阶段,确定机组启停状态后采用混合整数规划法进行负荷分配。针对最高包含1000台机组的大电网机组优化算例进行了模拟实验,实验结果表明:改进后的优化算法的收敛性和全局搜索能力均得到了提高,大规模机组组合的计算时间大大缩短。多目标条件下也取得了理想结果,验证了该方法的有效性。     

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%。     

A solution to unit commitment problem using fire works algorithm

This paper presents a new approach using swarm intelligence algorithm called Fireworks Algorithm applied to determine Unit Commitment and generation cost (UC) by considering prohibited operating zones. Inspired by the swarm behaviour of fireworks, an algorithm based on the explosion (search) process and the mechanisms of keeping the diversity of sparks has been developed to minimize the total generation cost over a given scheduled time period and to give the most cost-effective combination of generating units to meet forecasted load and reserve requirements, while adhering to generator and transmission constraints. The primary focus is to achieve better optimization while incorporating a large and often complicated set of constraints like generation limits, meeting the load demand, spinning reserves, minimum up/down time and including more realistic constraints, such as considering the restricted/prohibited operating zones of a generator. The generating units have certain ranges where operation is restricted based upon physical limitations of machine components or instability, e.g., due to steam valve or vibration in shaft bearings. Therefore, prohibited operating zones as a prominent constraint must be considered. In this paper the incorporating of complicated constraints of an optimization problem into the objective function is not considered by neglecting the penalty term. Numerical simulations have been carried out on 10 – unit 24 – hour system.     

基于改进的逆序排序法的机组组合优化算法

文章提出了改进的逆序排序法来求解机组组合优化问题.该算法从可用机组全投入运行这一可行解出发,在每次迭代过程中优化一台机组在整个调度周期内的开停状况,以最小化总生产成本或总购电成本,直到连续两次迭代的目标函数值不再减小为止.该方法的显著优点在于计算不会振荡,迭代不会发散,且每次迭代的结果均为可行解.该算法在单机组优化过程中,以机组的最小启停区间而不是单个时段为研究调度对象,缓解了组合爆炸问题,明显地加快了计算速度.     

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。