梯級(jí)水庫(kù)發(fā)電優(yōu)化調(diào)度的改進(jìn)粒子群算法應(yīng)用研究

針對(duì)粒子群算法易陷入局部最優(yōu)的缺點(diǎn),提出了一種雙適應(yīng)度方法、動(dòng)態(tài)鄰域算子和隨機(jī)動(dòng)態(tài)調(diào)整慣性權(quán)重機(jī)制有機(jī)結(jié)合的混合改進(jìn)策略。算例計(jì)算表明,該改進(jìn)策略能增強(qiáng)粒子的局部收斂能力,加快算法的收斂速度,便于處理復(fù)雜約束條件,為求解具有復(fù)雜約束條件的非線性規(guī)劃問(wèn)題提供了一種簡(jiǎn)單有效的方法。文中探討了梯級(jí)水電站優(yōu)化調(diào)度的相關(guān)問(wèn)題,考慮了豐枯分時(shí)電價(jià)因素,建立了梯級(jí)水電站長(zhǎng)期優(yōu)化調(diào)度數(shù)學(xué)模型,并應(yīng)用改進(jìn)粒子群算法進(jìn)行求解。實(shí)際梯級(jí)水電站計(jì)算表明,該模型使枯水期大部分時(shí)間出力均勻平穩(wěn),豐水期能兼顧防洪和蓄水的不同要求,有利于電力系統(tǒng)的穩(wěn)定運(yùn)行。改進(jìn)粒子群算法計(jì)算速度快、收斂精度高,為梯級(jí)水電站長(zhǎng)期優(yōu)化調(diào)度提供了一種簡(jiǎn)單實(shí)用的求解方法。

粒子群優(yōu)化算法是通過(guò)粒子記憶、追隨當(dāng)前最優(yōu)粒子,并不斷更新自己的位置和速度來(lái)尋找問(wèn)題的最優(yōu)解。為了克服標(biāo)準(zhǔn)粒子群算法存在著早熟收斂、難以處理問(wèn)題約束條件等缺點(diǎn),本研究對(duì)遞減慣性權(quán)值進(jìn)行了改進(jìn),將其表示為粒子群進(jìn)化速度與群體平均適應(yīng)度方差的函數(shù);給出了適合pso算法的約束處理機(jī)制,提出了一種改進(jìn)自適應(yīng)粒子群算法,并將其應(yīng)用于水庫(kù)優(yōu)化調(diào)度中。實(shí)例計(jì)算并與經(jīng)典方法相比,表明該方法原理簡(jiǎn)單、易編程實(shí)現(xiàn),能以較快的速度收斂于全局最優(yōu)解。

本文提出了一種基于懲罰改進(jìn)的蟻群最優(yōu)化算法,并應(yīng)用于水庫(kù)群的梯級(jí)調(diào)度優(yōu)化研究中。本算法以蟻群蜂群算法中群體協(xié)作的反饋機(jī)制、隨機(jī)搜索的性態(tài)多樣性思想、優(yōu)良的全局搜索能力、并行計(jì)算性及較強(qiáng)的魯棒性為基礎(chǔ),進(jìn)行問(wèn)題空間的全局尋優(yōu);同時(shí)針對(duì)梯級(jí)調(diào)度優(yōu)化中常見(jiàn)的多維變量約束條件,借鑒模擬退火算法思想,在目標(biāo)函數(shù)中構(gòu)造了懲罰因子,使得帶約束問(wèn)題轉(zhuǎn)化為了純粹的優(yōu)化問(wèn)題。經(jīng)實(shí)例驗(yàn)證,本算法具有普遍的梯級(jí)調(diào)度優(yōu)化解決能力,并與傳統(tǒng)的遺傳算法及人工粒子群算法相比,具有更好的精度、收斂速度和尋優(yōu)能力。

水是生命之源,也是生產(chǎn)的重要根本,環(huán)境生態(tài)的基礎(chǔ)配備,在近幾年的經(jīng)濟(jì)發(fā)展和國(guó)家建設(shè)中,針對(duì)水力發(fā)電的策略也有了相關(guān)的技術(shù)人員安排,有效的推進(jìn)可再生能源發(fā)電的合理性和完備性,提升電力系統(tǒng)運(yùn)行狀態(tài)的綜合性和靈活性,促進(jìn)該種發(fā)電形式的有效開(kāi)展。本文就基于改進(jìn)蟻群算法的梯級(jí)水庫(kù)群優(yōu)化調(diào)度研究進(jìn)行分析和歸納。

本文結(jié)合梯級(jí)水庫(kù)中長(zhǎng)期發(fā)電優(yōu)化調(diào)度問(wèn)題,針對(duì)差分演化算法在進(jìn)化過(guò)程中,其適應(yīng)度的進(jìn)化模式未考慮進(jìn)化的外部環(huán)境與進(jìn)化成分之間的內(nèi)在聯(lián)系,借鑒生態(tài)學(xué)對(duì)個(gè)體生存環(huán)境與種群競(jìng)爭(zhēng)的關(guān)系,提出了協(xié)同差分演化算法在梯級(jí)水庫(kù)中長(zhǎng)期發(fā)電優(yōu)化調(diào)度中的應(yīng)用。通過(guò)實(shí)例驗(yàn)證,結(jié)果表明該算法具有可靠性與合理性,提高了計(jì)算精度和計(jì)算效率,為高維、復(fù)雜的梯級(jí)水庫(kù)中長(zhǎng)期發(fā)電優(yōu)化調(diào)度模型提供了一個(gè)新的求解途徑。

分析了人工魚(yú)群算法存在的問(wèn)題,提出一種改進(jìn)人工魚(yú)群算法,并將其用于梯級(jí)水庫(kù)群的優(yōu)化調(diào)度.其改進(jìn)思想是采用動(dòng)態(tài)調(diào)整人工魚(yú)視野和步長(zhǎng)的方法,較好地平衡了人工魚(yú)群算法的全局搜索能力和局部搜索能力的矛盾;在此基礎(chǔ)上,針對(duì)算法局部更新策略引起的更新操作前后個(gè)體空間位置變化較大,降低收斂速度這一問(wèn)題,在局部更新時(shí)采用了閾值選擇的策略.通過(guò)實(shí)例驗(yàn)證了該改進(jìn)算法的有效性,并對(duì)改進(jìn)算法的閾值參數(shù)進(jìn)行了率定.

針對(duì)梯級(jí)水庫(kù)群優(yōu)化調(diào)度的大系統(tǒng)多維多階段優(yōu)化決策問(wèn)題提出改進(jìn)的蟻群算法。為提高算法搜索效率采用新的信息素更新策略——ant-proportion,綜合考慮全局和局部信息。以漫灣—大朝山梯級(jí)水電站優(yōu)化調(diào)度為例,計(jì)算結(jié)果表明,改進(jìn)算法與基本蟻群算法相比具有更好的優(yōu)化結(jié)果和收斂速度,與逐步優(yōu)化法相比可靠有效。

為了進(jìn)一步增強(qiáng)微粒群算法的優(yōu)化性能,提出了一種改進(jìn)微粒群算法,并將其用于求解梯級(jí)水庫(kù)群的優(yōu)化調(diào)度。該算法引進(jìn)了類(lèi)似遺傳算法的交叉和變異算子來(lái)提高搜索效率,其中交叉是微粒在解空間中的位置以一定的概率隨機(jī)進(jìn)行算術(shù)交叉,變異是微粒以一定的概率隨機(jī)使速度矢量的某一維分量變?yōu)?。為了加速收斂,初始微粒群生成時(shí)采用了有條件的隨機(jī)自動(dòng)生成方式,并利用懲罰函數(shù)法來(lái)處理邊界條件和其它非等式約束。實(shí)例計(jì)算結(jié)果表明,改進(jìn)微粒群算法具有比常規(guī)動(dòng)態(tài)規(guī)劃法和常規(guī)微粒群算法更快的計(jì)算速度,且優(yōu)化調(diào)度結(jié)果比較滿意。

為了解決使用常規(guī)方法繪制水庫(kù)發(fā)電調(diào)度圖時(shí),典型水文年的樣本容量有限、水文特征的代表性具有局限性的問(wèn)題,引入了文化粒子群算法,采用信仰空間吸收種群的知識(shí)經(jīng)驗(yàn),形成規(guī)則引導(dǎo)種群進(jìn)化,充分利用歷史實(shí)測(cè)資料繪制調(diào)度圖。通過(guò)實(shí)例研究,獲得了較常規(guī)方法更優(yōu)的結(jié)果,為優(yōu)化方法在水電站中長(zhǎng)期調(diào)度中的應(yīng)用提供了一條新途徑。

針對(duì)pso算法中的早熟收斂問(wèn)題,提出一種文化粒子群算法(cpso)并將pso納入文化算法模型作為群體空間的進(jìn)化方式,引入一種局部隨機(jī)搜索算子實(shí)現(xiàn)信念空間的知識(shí)結(jié)構(gòu)并指導(dǎo)算法的演化過(guò)程,在保持種群多樣性的同時(shí)提高算法的全局尋優(yōu)性能。將cpso應(yīng)用于某梯級(jí)水電站的優(yōu)化調(diào)度中,結(jié)果表明,cpso可很好地兼顧計(jì)算速度及求解精度,為梯級(jí)水庫(kù)優(yōu)化調(diào)度提供了一條全新途徑。

針對(duì)以發(fā)電為主的梯級(jí)小水電群,以各水庫(kù)的發(fā)電引用流量為決策變量,建立了以發(fā)電量最大為目標(biāo)的梯級(jí)小水電群優(yōu)化調(diào)度數(shù)學(xué)模型;設(shè)計(jì)了pso算法和apso算法的工程實(shí)現(xiàn)方法,具體包括編碼設(shè)計(jì)、迭代方法設(shè)計(jì)以及慣性權(quán)重設(shè)計(jì)等;通過(guò)一個(gè)具有兩庫(kù)串聯(lián)的梯級(jí)小水電群實(shí)例,將pso算法和apso算法的仿真尋優(yōu)過(guò)程進(jìn)行了比較,結(jié)果顯示兩種算法是有效的,并且apso算法具有更強(qiáng)、更快的全局搜索能力;將apso算法的仿真結(jié)果與同一條件下的ga算法的仿真結(jié)果進(jìn)行了比較,結(jié)果顯示apso算法的仿真結(jié)果更優(yōu),更能充分利用水能資源。

基于改進(jìn)粒子群算法的水電站水庫(kù)優(yōu)化調(diào)度研究——針對(duì)粒子群優(yōu)化算法容易陷入局部最優(yōu)解的問(wèn)題，提出一種基于模擬退火機(jī)制的改進(jìn)粒子群優(yōu)化算法，并將其引入水庫(kù)調(diào)度領(lǐng)域，設(shè)計(jì)了基于該算法的水電站水庫(kù)優(yōu)化調(diào)度問(wèn)題的求解方法。計(jì)算實(shí)例表明，該方法采用并行搜...

【水利水電工程】 梯級(jí)水庫(kù)群發(fā)電優(yōu)化調(diào)度評(píng)述 李小芹1,李延頻 2 ,趙夢(mèng)蝶 2 ,張澤中 3 (1.中國(guó)農(nóng)業(yè)大學(xué),北京100083;2.華北水利水電學(xué)院,河南鄭州450011; 3.西安理工大學(xué),陜西西安710048) 摘　要:總結(jié)了水庫(kù)群發(fā)電優(yōu)化調(diào)度的研究過(guò)程,并對(duì)現(xiàn)有研究方法的優(yōu)缺點(diǎn)進(jìn)行了歸納,分析了梯級(jí)水庫(kù)群發(fā)電調(diào)度 研究面臨的問(wèn)題及發(fā)展趨勢(shì),指出今后研究的策略為:研究多年調(diào)節(jié)水庫(kù)年末消落水位變化規(guī)律;應(yīng)用新的模擬進(jìn)化算 法,求解發(fā)電調(diào)度模型,制訂發(fā)電計(jì)劃;研究梯級(jí)水庫(kù)長(zhǎng)期負(fù)荷分配的最優(yōu)準(zhǔn)則、數(shù)學(xué)模型及求解方法,在梯級(jí)水庫(kù)間合 理分配電網(wǎng),下達(dá)發(fā)電任務(wù);研究梯級(jí)水庫(kù)調(diào)度圖的制訂以及發(fā)電會(huì)商系統(tǒng)的開(kāi)發(fā)建設(shè);開(kāi)發(fā)發(fā)電調(diào)度軟件系統(tǒng)。 關(guān)　鍵　詞:優(yōu)化調(diào)度;發(fā)電;梯級(jí)水庫(kù)群 中圖分類(lèi)號(hào):tv697.1　　　

針對(duì)粒子群優(yōu)化算法容易陷入局部最優(yōu)解的問(wèn)題,提出一種基于模擬退火機(jī)制的改進(jìn)粒子群優(yōu)化算法,并將其引入水庫(kù)調(diào)度領(lǐng)域,設(shè)計(jì)了基于該算法的水電站水庫(kù)優(yōu)化調(diào)度問(wèn)題的求解方法。計(jì)算實(shí)例表明,該方法采用并行搜索機(jī)制,計(jì)算速度快、全局尋優(yōu)的可靠性較高,具有較好的應(yīng)用前景。

為了提高粒子群優(yōu)化(particleswarmoptimization,pso)算法的計(jì)算精度和計(jì)算效率,避免\"早熟\

針對(duì)梯級(jí)水電站群長(zhǎng)期優(yōu)化調(diào)度發(fā)電量最大模型,提出了一種自適應(yīng)混合粒子群進(jìn)化算法(ahpso)。該算法引入混沌思想生成初始解,并定義了粒子能量、粒子能量閾值、粒子相似度和粒子相似度閾值來(lái)描述算法的自適應(yīng)變化以及群體進(jìn)化程度,同時(shí)結(jié)合遺傳變異思想進(jìn)行粒子操作,最后提出了一種基于鄰域的隨機(jī)貪心策略以解決算法后期進(jìn)化速度慢的缺點(diǎn)。以瀾滄江下游梯級(jí)水電站群為計(jì)算實(shí)例的結(jié)果表明,ahpso比基本粒子群算法有更好的收斂性和優(yōu)化結(jié)果,計(jì)算時(shí)間比逐步優(yōu)化算法少,且優(yōu)化結(jié)果相近,是一種可供選擇的計(jì)算方法。

針對(duì)蟻群算法在求解過(guò)程中出現(xiàn)初期信息素匱乏、易陷入局部最優(yōu)解的問(wèn)題,結(jié)合梯級(jí)水庫(kù)優(yōu)化調(diào)度的特點(diǎn),提出了基于免疫進(jìn)化的蟻群算法。該混合算法充分利用了免疫進(jìn)化算法的全局快速收斂性和蟻群算法的正反饋性,提高了求解效率。實(shí)例計(jì)算表明該混合算法在求解梯級(jí)水庫(kù)優(yōu)化調(diào)度問(wèn)題時(shí),與逐次逼近動(dòng)態(tài)規(guī)劃相比較,結(jié)果合理、可靠,計(jì)算效率較高,從而為求解高維、復(fù)雜的梯級(jí)水庫(kù)優(yōu)化調(diào)度提供了一條新的求解思路。

針對(duì)粒子群算法容易早熟和易于陷入局部極值的缺點(diǎn),提出一種梯級(jí)水電站優(yōu)化調(diào)度的模糊自適應(yīng)粒子群算法.在該算法中將慣性權(quán)值表示為粒子群進(jìn)化速度因子和群體適應(yīng)度方差的模糊函數(shù),在每次迭代過(guò)程中動(dòng)態(tài)改變慣性權(quán)值,以適應(yīng)非線性優(yōu)化搜索過(guò)程.針對(duì)違反約束的粒子,設(shè)計(jì)了一種動(dòng)態(tài)空間調(diào)整策略來(lái)修復(fù)約束要求.為了驗(yàn)證算法的性能,用2個(gè)測(cè)試函數(shù)和擁有4個(gè)水電站的系統(tǒng)進(jìn)行了測(cè)試,在求解精度和速度上與標(biāo)準(zhǔn)粒子群算法和改進(jìn)慣性權(quán)值線性遞減粒子群算法進(jìn)行了對(duì)比,結(jié)果表明模糊自適應(yīng)粒子群算法收斂速度快、精度高.

針對(duì)梯級(jí)水電站短期優(yōu)化調(diào)度的不確定性問(wèn)題,研究了不確定性因素的概率分布規(guī)律,并根據(jù)實(shí)際系統(tǒng)的運(yùn)行要求,給出了概率分布密度函數(shù)的假設(shè)檢驗(yàn)方法。探索發(fā)電用水量與各種隨機(jī)因素的互動(dòng)關(guān)系及影響機(jī)理,構(gòu)建了一種新的計(jì)及概率的梯級(jí)水電站短期優(yōu)化調(diào)度策略。把災(zāi)變理論、混沌優(yōu)化思想和基本粒子群算法結(jié)合起來(lái),形成一種混合粒子群算法。該算法擴(kuò)大了種群的搜索空間,增加了種群的多樣性,改善了基本粒子群算法擺脫局部極值點(diǎn)的能力,并能從理論上證明其依概率收斂至全局最優(yōu)解。將混合粒子群算法嵌入蒙特卡羅隨機(jī)模擬中對(duì)本文提出的模型進(jìn)行求解,求解方法簡(jiǎn)單有效。仿真結(jié)果表明,該策略能較好地處理不確定性條件下梯級(jí)水電站的短期優(yōu)化調(diào)度問(wèn)題。

利用廣義蟻群算法對(duì)梯級(jí)水庫(kù)進(jìn)行優(yōu)化調(diào)度,采用以水量平衡方程為主要約束的隨機(jī)自動(dòng)生成方式生成初始蟻群,并利用懲罰函數(shù)法處理邊界條件和其他非等式約束。實(shí)例結(jié)果表明,該算法搜索能力強(qiáng)、精度高、可靠、有效實(shí)用。

將混沌和變尺度思想引入粒子群算法中,提出一種變尺度混沌粒子群算法,并將其應(yīng)用于梯級(jí)水電站水庫(kù)優(yōu)化調(diào)度中.該算法采用混沌初始化粒子的位置和速度;再利用混沌提高了種群的多樣性和粒子搜索的遍歷性;最后采用變尺度思想,根據(jù)搜索進(jìn)程不斷縮小優(yōu)化變量的搜索空間,來(lái)改善pso算法擺脫局部極值點(diǎn)的能力,提高算法的全局優(yōu)化能力.計(jì)算結(jié)果表明:變尺度混沌粒子群優(yōu)化算法求解精度高,可以求解具有復(fù)雜約束條件的非線性梯級(jí)水電站水庫(kù)優(yōu)化調(diào)度問(wèn)題.

梯級(jí)水庫(kù)優(yōu)化調(diào)度模型的求解一直是水利學(xué)科需要深入研究的基本問(wèn)題。使用改進(jìn)布谷鳥(niǎo)算法求解梯級(jí)水庫(kù)優(yōu)化調(diào)度模型是一種新思路。布谷鳥(niǎo)算法是近年來(lái)提出的一種新穎的啟發(fā)式全局搜索算法,該算法參數(shù)少、魯棒性強(qiáng)、搜索效率高,已得到廣泛的研究和應(yīng)用。對(duì)標(biāo)準(zhǔn)布谷鳥(niǎo)算法的尋優(yōu)機(jī)制作了闡述,并嘗試在算法進(jìn)化過(guò)程中采用動(dòng)態(tài)發(fā)現(xiàn)概率以及引入變異機(jī)制對(duì)標(biāo)準(zhǔn)算法進(jìn)行改進(jìn),提出了改進(jìn)的布谷鳥(niǎo)算法,并將其應(yīng)用于某梯級(jí)水庫(kù)優(yōu)化調(diào)度中。以實(shí)例驗(yàn)證了布谷鳥(niǎo)算法在梯級(jí)水庫(kù)優(yōu)化調(diào)度中的可行性和有效性,提出的改進(jìn)策略可有效克服標(biāo)準(zhǔn)算法中的\"早熟\"現(xiàn)象,改進(jìn)算法搜索效率更高,尋優(yōu)結(jié)果更穩(wěn)定。