一种基于混合智能算法的火电厂负荷优化分配方法

技术领域

本发明涉及电力系统自动化技术领域，尤其涉及一种基于混合智能算法的火电厂负荷优化分配方法。

背景技术

电力系统的经济负荷分配(Economic Load Dispatch，ELD)是电力系统负荷规划和运行调度中的典型优化问题之一，解决好此类优化问题可有效提高电力系统运行的经济性以及可靠性。该问题的优化目标是针对一定配网范围内的各机组进行合理的负荷分配，使其目标系统在满足负荷需求、运行约束要求等条件下，所产生的发电成本降至最低。

20世纪80年代以来，人工智能技术取得飞速发展，产生了一些新颖的智能优化算法，这些智能算法通过模拟或揭示某些自然界的现象或过程而建立并得到发展，为解决复杂问题提供了新的思路和手段。这些智能优化算法与严格的数学优化方法不同，它更适宜处理高维、离散、非凸的非线性问题，并且具有良好的全局收敛性、不受求解对象函数特性限制等优点，被广泛应用于ELD优化问题求解。但每种智能算法都有它的利弊之处，考虑到遗传算法具有强大的全局搜索能力，单纯形算法具有强大的局部搜索能力。因此，提出将这两种智能算法优势互补、协同合作，进而实现火电厂负荷优化分配。其中，遗传算法依靠单纯形算法的局部搜索优势改善其后期收敛速度慢、最优解精度不高的缺点；遗传算法搜索后的群体为单纯形算法提供了较优的初值，满足其对初值要求较高的需求。

发明内容

针对现有技术的缺陷，本发明提供一种基于混合智能算法的火电厂负荷优化分配方法，实现火电厂负荷优化分配，使收敛速度加快，最优解精度提高。

本发明采用如下技术方案：

一种基于混合智能算法的火电厂负荷优化分配方法，包括以下步骤：

步骤1、产生初始种群：

遗传算法拟采用实数编码方式，对含N台机组的负荷分配问题，在各台机组功率极限区间内且满足功率平衡的条件下，随机产生2N+1个个体分别记为F

步骤2、选适应度函数，计算个体适应度值：

遗传算法在迭代过程中要进行个体的优胜劣汰，个体优劣的评价函数至关重要，该评价函数称为适应度函数。一般情况下，适应度函数值越大认为个体越优秀，遗传到下一代的可能性也越大。因此，针对负荷优化问题应选目标函数的倒数最为其适应度函数，表示如下：

式中：eval(F)是个体F的适应值；F(P

步骤3、遗传操作：

初始种群生成后，遗传算法就可以开始迭代进化了，进化过程是通过遗传操作来完成的，遗传操作按选择运算、交叉运算和变异运算三个步骤进行，每一代经过遗传操作后对个体适应度值进行比较，为下一代运算提供最优的个体。

步骤4、判断GA算法的迭代次数是否达到X，若未达到则转至步骤2，若达到则转至下一步。

步骤5、选取最优的前N+1个个体即F

步骤6、依据各方案的函数值选出最优方案、最差方案、次差方案和除去最差方案以外的折中方案。

步骤7、对各方案利用NM算法规则执行反射、扩张、压缩及收缩等操作。

步骤8、判断NM算法的迭代次数是否达到Y，若未达到则转至步骤6，若达到则转至下一步。

步骤9、判断是否满足收敛条件，若满足则优化结束，输出最优解(最优的电厂负荷分配方案)，若不满足则转至步骤2。

该方法考虑到遗传算法具有强大的全局搜索能力，单纯形算法具有强大的局部搜索能力。遗传算法依靠单纯形算法的局部搜索优势改善其后期收敛速度慢、最优解精度不高的缺点，而遗传算法搜索后的群体为单纯形算法提供了较优的初值，满足了其对初值要求较高的需求。因此，将这两种智能算法优势互补、协同合作，进而实现火电厂负荷优化分配。

本发明的有益效果：

遗传算法依靠单纯形算法的局部搜索优势改善其后期收敛速度慢、最优解精度不高的缺点，而遗传算法搜索后的群体为单纯形算法提供了较优的初值，满足了其对初值要求较高的需求，两种智能算法优势互补、协同合作，进而更好地实现火电厂负荷优化分配。

附图说明

图1为本发明的基于混合智能算法的火电厂负荷优化分配方法的流程图；

图2为加速遗传算法与本发明的混合智能算法的煤耗进化过程比较。

具体实施方式

下面结合附图和实施例对本发明进行详细描述：

如图1所示为一种实现火电厂负荷优化分配的混合智能算法的流程图，其步骤如下：

步骤1、产生初始种群：

遗传算法拟采用实数编码方式，对含N台机组的负荷分配问题，在各台机组功率极限区间内且满足功率平衡的条件下，随机产生2N+1个个体分别记为F

步骤2、选适应度函数，计算个体适应度值：

遗传算法在迭代过程中要进行个体的优胜劣汰，个体优劣的评价函数至关重要，该评价函数称为适应度函数。一般情况下，适应度函数值越大认为个体越优秀，遗传到下一代的可能性也越大。因此，针对负荷优化问题应选目标函数的倒数最为其适应度函数，表示如下：

式中：eval(F)是个体F的适应值；F(P

步骤3、遗传操作：

初始种群生成后，遗传算法就可以开始迭代进化了,进化过程是通过遗传操作来完成的，遗传操作按选择运算、交叉运算和变异运算三个步骤进行，每一代经过遗传操作后对个体适应度值进行比较，为下一代运算提供最优的个体。

步骤4、判断GA算法的迭代次数是否达到X，若未达到则转至步骤2，若达到则转至下一步。

步骤5、选取最优的前N+1个个体即F

步骤6、依据各方案的函数值选出最优方案、最差方案、次差方案和除去最差方案以外的折中方案。

步骤7、对各方案利用NM算法规则执行反射、扩张、压缩及收缩等操作。

步骤8、判断NM算法的迭代次数是否达到Y，若未达到则转至步骤6，若达到则转至下一步。

步骤9、判断是否满足收敛条件，若满足则优化结束，输出最优解(最优的电厂负荷分配方案)，若不满足则转至步骤2。

实施例1：

选取系统总负荷P

表1在600MW负荷下两种算法优化结果比较

可见，两种算法的最优结果都比较接近于理论最优值219.7t/h，但本发明的混合智能算法略优于加速遗传算法，精度更高。

加速遗传算法与本发明的混合算法煤耗进化过程如图2所示，由图可见，加速遗传算法优化代数大概为300次时趋向于收敛，而本发明的混合算法优化代数不到100次便趋向于收敛，因此本发明的混合智能算法精度更高，且收敛更快。