一种考虑网络损耗的动态经济负荷分配方法

技术领域

本发明属于智能电网技术领域，具体涉及一种考虑网络损耗的动态经济负荷分配方法。

背景技术

截止目前，学者考虑的动态经济负荷分配问题主要存在以下不足：(1)等式约束处理的效率低下；(2)未考虑约束处理对燃料成本的影响。比如Niu et al.(An efficientharmony search with new pitch adjustment for dynamic economic dispatch,2019)针对考虑网络传输损耗的情况，在修复等式约束的过程中，随机选择一个机组，然后运用强制修复技术和基于边界吸附的原则交替调节；Shen et al.(An efficient fitness-baseddifferential evolution algorithm and a constraint handling technique fordynamic economic emission dispatch,2019)提出了一种启发式修复与强制修复结合的约束修复技术，先进行强制修复后进行启发式修复，最后通过惩罚函数法修复剩下的约束违背量，以提高不可行解的修复能力。这些情况还未充分将启发式修复技术和强制修复技术的优劣势有效结合起来提高修复效率。更重要的是，都未考虑修复对成本的影响，本发明对启发式修复以及强制修复技术进行了认真的分析研究，提出了一种考虑网络损耗的新型动态经济负荷分配方法，不仅提高了经济负荷分配的可行性，而且进一步优化了经济成本，具有很高的应用及推广价值。

发明内容

鉴于此，本发明的目的在于提出一种基于改进型鲸鱼算法考虑网络损耗的动态经济负荷分配方法，以提高负荷分配的可行性以及成本的最小化。

为实现上述目的，本发明的构思是：以鲸鱼算法作为求解动态经济负荷分配问题的方法，并对其进化前期探索能力的不足进行了改进以提高鲸鱼算法在该问题上的适用性；同时通过设计高效的约束处理技术来提高负荷分配的可行性以及经济成本的最小化。

根据上述发明构思，本发明采用下述技术方案：一种基于探索性增强鲸鱼算法的动态经济负荷分配方法(Enhanced exploratory whale optimization algorithm,EEWOA)，其特征在于包括如下步骤：

(1)根据电力系统实际情况，确定目标函数和各种约束，搭建动态经济负荷分配模型；

(2)初始化参数：进化代数计数器iter、最大进化代数N

(3)构建N

(4)计算所有鲸鱼的适应度，记录具有最高适应度的鲸鱼X

(5)全局搜索：iter＝iter+1；

(6)局部搜索：i＝i+1；

(7)通过

(8)如果i＜N

(9)检验所有鲸鱼的可行性，如果不可行，进行以先粗调后精调并考虑机组效率，从随机起始点开始修复的约束处理技术；

(10)计算所有鲸鱼的适应度，并记录具有最高适应度的鲸鱼X

(11)如果搜索没有达到最大迭代次数，则返回步骤(5)；否则，停止搜索，并输出X

7a)D可依据自适应概率确定为

7b)在7a)中，探索种群空间内、外的自适应概率是依据种群的拥挤度确定的，其中，向外探索的自适应概率可表述为：

7c)在7b)中，种群的拥挤度δ

更进一步地，所述步骤(9)中的约束处理技术基于以下考虑进行设计：

9a)为提高修复效率，本发明设计了以启发式修复技术为粗调，将约束违背降至机组的出力限制内，然后通过强制修复技术在较小的约束违背量下精确求解，两者搭配能够摆脱启发式修复在违背量较小时带来的过调现象以及强制性修复在违背量较大时，得到的解很大程度上无效的情况。

9b)在9a)中，在假定一个机组未知，其他已知的情况下，粗调可描述为： p

B是网络传输损耗的系数，PD

9c)不管是在算法的进化寻优环节，还是在约束处理过程中，目的都是得到一个可行的高适应度解。因此，本发明在首次约束修复过程中，将提高解的质量作为修复技术一项考量指标，并提出了一种在求解动态经济负荷分配问题中提高解质量的方法：即在选择调节机组时根据机组的效率即机组的边际成本，选择对成本影响小的机组。在此，机组的边际成本以忽略考虑阀门效应的燃料成本函数的斜率来粗略估计机组的边际成本。

9d)在9c)中，在降低计算复杂度的情况下，不失一般性。机组的边际成本可表述为： diff(p

9e)对于动态经济负荷分配问题，由于爬坡约束的影响，机组各时刻具有高度的耦合性，一般而言，从起始时刻开始修复的约束处理方法很难保持种群的多样性，因此本发明提出了基于随机起始时刻开始修复的约束处理技术，即对每一个待修复的个体在日前调度的一天24小时中，随机选择一个时刻开始向两边进行修复。

本发明的考虑网络损耗的动态经济负荷分配方法与现有技术相比较，具有的优点在于：第一，该方法能够在鲸鱼算法进化前期自适应增强种群的多样性，从而保证了算法进化后期的求解精度和收敛效率；第二，为了提高不可行解的修复效率，设计了一种高效的修复模式，先经过启发式修复粗调约束违背量，然后通过强制修复技术精确求解，这两个修复阶段的有机结合能够有效提高不可行解的修复能力；第三，首次赋予约束处理技术提高解质量的能力，将其作为约束处理技术的一项考量指标，以往的约束处理技术，仅仅考虑修复能力；第四，为了保证不可行解在被修复之后能改善种群多样性，提出了从任一个随机时刻作为起始点的修复策略。

附图说明

图1是本发明的考虑网络损耗的动态经济负荷分配方法流程图。

具体实施方式

下面结合附图和优选的实施例，对本发明做进一步的详细阐述。

实施例一：

参见图1，本发明考虑网络损耗的动态经济负荷分配方法，其特征在于如下具体步骤：

(1)根据电力系统实际情况，确定目标函数和各种约束，搭建动态经济分配模型；

(2)初始化参数：进化代数计数器iter、最大进化代数N

(3)构建N

(4)计算所有鲸鱼的适应度，记录具有最高适应度的鲸鱼X

(5)全局搜索：iter＝iter+1；

(6)局部搜索：i＝i+1；

(7)通过

(8)如果i＜N

(9)检验所有鲸鱼的可行性，如果不可行，进行以先粗调后精调并考虑机组效率，从随机起始点开始的约束处理技术；

(10)计算所有鲸鱼的适应度，并记录具有最高适应度的鲸鱼X

(11)如果搜索没有达到最大迭代次数，则返回步骤(5)；否则，停止搜索，并输出X

1.所述步骤(7)中

1)依据自适应概率确定为

2)在1)中，探索种群空间内、外的自适应概率是依据种群的拥挤度确定的，其中，向外探索的自适应概率可表述为：

3)在2)中，种群的拥挤度δ

2.所述步骤(9)中的约束处理技术基于以下考虑的：

1)为提高修复效率，本发明设计了以启发式修复技术为粗调，将约束违背降至机组的出力限制内，然后通过强制修复技术在较小的约束违背量下精确求解，两者搭配能够摆脱启发式修复在违背量较小时带来的过调现象以及强制性修复在违背量较大时，得到的解很大程度上无效的情况。

2)在1)中，在假定一个机组未知，其他已知的情况下，粗调可描述为：p

B是网络传输损耗的系数，PD

3)不管是在算法的进化寻优环节，还是在约束处理过程中，目的都是得到一个可行的高适应度解。因此，本发明在首次约束修复过程中，将提高解的质量作为修复技术一项考量指标，并提出了一种在求解动态经济负荷分配问题中提高解质量的方法：即在选择调节机组时根据机组的效率即机组的边际成本，选择对成本影响小的机组。在此，机组的边际成本以忽略考虑阀门效应的燃料成本函数的斜率来粗略估计机组的边际成本。

4)在3)中，在降低计算复杂度的情况下，不失一般性。机组的边际成本可表述为：diff(p

5)对于动态经济负荷分配问题，由于爬坡约束的影响，机组各时刻具有高度的耦合性，一般而言，从起始时刻开始修复的约束处理方法很难保持种群的多样性，因此本发明提出了基于随机起始时刻开始修复的约束处理技术，即对每一个待修复的个体在日前调度的一天24小时中，随机选择一个时刻开始向两边进行修复。

实施例二：

参见图1，动态经济负荷分配问题的具体求解步骤如下：

(1)确定目标，确定优化模型

以所有火力发电机组的总燃料成本最小为优化目标，考虑阀点效应以及网络损耗的数学模型包括目标函数和约束，描述如下：

其中，

(2)厘清约束条件，确定约束关系

p

p

其中，

在上述模型中，式(1)为待优化的目标；式(2)至式(5)是约束条件，其中，式(2)是机组的容量限制约束；式(3)和(4)是机组的爬坡约束；式(5)是考虑网络损耗的有功功率平衡约束。

(3)选用本实施例的优化方法求解考虑网络损耗的动态经济负荷分配的优化解，其方法就是通过改进型鲸鱼算法在决策变量的可行域内进行进化计算，从而求出最优解或次优解，若解不在可行域内通过提出的约束处理技术进行修复。

实施例三：

本实施例针对2个不同规模的电力系统调度案例，利用本发明求出满足约束条件的最优解或次优解。

(1)问题概况

按照上述技术方案以5、10机组案例为应用背景进行示例说明，5、10机组单元的基本信息，日前负荷需求以及网络传输损耗系数如表1至表6所示。实验在Windows 10系统平台，处理器Intel(R)Core(TM)i5-9400F CPU@2.9GHZ，内存8.00GB以及Matlab2018a 开发环境下进行。种群大小为30，函数评估次数为d*20000，d是决策变量的维数；对 EEWOA来说，根据灵敏度实验p

表1 5机组实例基本信息

表2 5机组日前负荷需求预测

表3 5机组实例对应的传输损耗系数B

表4 10机组实例机组基本信息

表5 10机组日前负荷需求预测

表6 10机组实例对应的传输损耗系数B

(2)优化结果对比分析

为了使比较具有普适性，对每个算法各运行25次，并与文献中的算法进行了对比，具体如下：SA[1](Panigrahi et al.Simulated Annealing Technique for DynamicEconomic Dispatch，2007),PS[2](Alsumait et al.An improved Pattern Search basedalgorithm to solve the Dynamic Economic Dispatch problem with valve-pointeffect,2010),AIS[3](Hemamalini et al. Dynamic economic dispatch usingartificial immune system for units with valve-point effect, 2011),CMAES[4](Manoharan et al.Covariance matrix adapted evolution strategy algorithm-basedsolution to dynamic economic dispatch problems,2009),SOA-SQP[5](Sivasubramani et al.Hybrid SOA-SQP algorithm for dynamic economic dispatchwith valve-point effects,2010),ABC[6](Hemamalini et al.Dynamic economicdispatch using artificial bee colony algorithm for units with valve-pointeffect,2011),PSO-SQP[7](Elaiw et al. Hybrid DE-SQP and hybrid PSO-SQP methodsfor solving dynamic economic emission dispatch problem with valve-pointeffects，2013)，HGABF[8](Elattar et al.A hybrid genetic algorithm and bacterialforaging approach for dynamic economic dispatch problem，2015)，MSL[9](Hemamalini et al.Dynamic economic dispatch using Maclaurin series basedLagrangian method, 2010),MBDE[10](Zhang et al.Multi-elite guide hybriddifferential evolution with simulated annealing technique for dynamiceconomic emission dispatch,2015),GWO[11](Sattar et al. Ramp rate handlingstrategies in dynamic economic load dispatch(DELD)problem using grey wolfoptimizer(GWO),2019),HIS,DHS,HS-NPSA and MHS[12](Li et al.A harmony searchvariant and a useful constraint handling method for the dynamic economicemission dispatch problems considering transmission loss,2019),IBFA[13](Pandit et al.An improved bacterial foraging algorithm for combined static/dynamic environmental economic dispatch,2012), SPS-DE[14](Shen et al.Anefficient fitness-based differential evolution algorithm and a constrainthandling technique for dynamic economic emission dispatch,2019)。结果如表7至表8所示(包括目标值和可行性两部分)，本发明对5、10机组调度实例求出的最优解如表9至表10所示。从表7以及表8可以得出：与其他智能算法相比EEWOA不仅收敛精度更高，而且具有可靠的可行性。这得益于算法的多样性与开采性的有机结合，首先，EEWOA 的自适应探索性的捕食机制提高了种群的多样性，在约束处理过程中通过随机时刻开始修复保持了种群的多样性，提高了算法的寻优广度；其次，机组效率的考虑增强了算法收敛精度，提高了算法的寻优深度。同时，根据最优解的各种约束的违背量：机组容量约束违背量V

表7 5机组实例各算法求解结果对比

V

表8 10机组实例各算法求解结果对比

V

表9 EEWOA算法求出的5机组实例最好解

表10 EEWOA算法求出的10机组实例最好解

这些实施例仅用于说明本发明而不用于限制本发明的范围。另外本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样属于本申请所附权利要求书所限定的范围之内。