所属栏目：光电技术论文发表 发布时间：2019-08-26浏览量:157
电力系统机组组合是编制短期发电计划所需解决的核心问题 ，其所具有的高维数 、非凸 、离散 、非线性等特征导致迄今尚未找到确定该问题最优解的解析算法 。 采用新型群智能算法 ——— 智能水滴算法 ，动态地生成每一时段的机组可行组合方案集合 ，基于此构建水滴遍历的空间 ，并将机组组合中各类技术经济约束条件融入智能水滴的评价与更新策略机制 ，提出了机组组合问题的智能水滴算法建模机制及求解流程 。 通过大量智能水滴并行运行、共同作用 ，得到了机组组合优化方案。 将提出的模型应用于典型算例 ，计算结果证明 ，智能水滴算法能够有效解决机组组合问题 ，并且具有更强的全局搜索能力 ，收敛速度快 ，寻优迭代次数少 ，值得进一步研究探讨 。
关键词 ：机组组合 ;群智能算法 ;智能水滴算法 ;经济调度 ;全局寻优
机组组合是电力系统编制短期发电计划所面临的主要问题 ，其核心在于如何在满足各种约束条件的情况下 ，形成经济合理的启停机计划 ，以及在运行的发电机组之间经济分配负荷 ，使得包含发电机的机组启停等在内的总费用最小。由于该问题具有高维数、非凸 、离散 、非线性的特征 ，迄今尚未有最优解的解析算法的成
电力系统机组组合问题的研究吸引了国内外大量学者的关注。 目前机组组合问题的求解数学方法主要有传统算法和智能算法两类 。
(1)传统算法 ，包括优先顺序表法 、动态规划法、拉格朗日松弛法、混合整数规划法等。 优先顺序表法简单实用 ，文献[1]采用启发式的方法来处理单时段机组排序及时段间的耦合关系 ，加强了算法的有效性 ，但算法对时间段之间的耦合约束处理缺乏充分必要条件 ，只适用于小规模的在线决策机组启停状态计算 ;动态规划法应用广泛 ，文献[2]用分段法考虑负荷的不确定性和机组的停运率 ，兼顾水火电之间的协调 ，得到了较好的结果。 但是动态规划法在解决多机组系统全时段机组组合问题时不够灵活 ，容易丢失最优解 。
(2)智能算法 ，包括遗传算法 、粒子群算法 、蚁群算法等 。 遗传算法[3] 具有广泛的适应性 ，在解决机组组合问题时 ，不仅可以得到最优解 ，还可以得到一部分次优解 ，适合解决传统算法难以解决的复杂非线性优化问题 。 文献[4]对遗传算法的变异算子进行了处理 ，算法能够包含任何可转换成实际费用的约束 ，具有较好的鲁棒性 ，并且在计算速度上也令人满意。 但无论是遗传算法或是改进遗传算法 ，其本质上属于无约束优化算法 ，对约束条件的处理会影响算法效率 。 粒子群算法[5] 是典型的群智能算法 ，运用该方法解决机组组合问题时 ，原理简单 ，容易实现。 文献[6]提出一种基于粒子群的修正策略的解耦算法 ，通过粒子的调整和粒子间的信号传递改变机组启停策略 ，最终得到机组组合问题的近似最优解 ，但是粒子群算法对离散量的处理不够成熟 ，容易陷入局部最优 ，收敛速度慢 。 文献[7]基于蚁群算法解决机组组合问题 ，采用了正反馈原理 ，有效加快了进化过程 ，能成功解决机组组合问题 ，但是蚁群算法的计算时间长 ，收敛性受初值影响较大。
现代大规模电力系统发电资源多元化 ，除了有火电 、水电、核电等传统能源外 ，风电、光伏发电等新能源的加入 ，使得运营成本特性和技术约束条件更加复杂 ，智能算法的适应性强 ，能为传统优化技术难以处理的机组组合优化问题提供切实可行的解决方法 。 文献[8]提出采用基于非劣排序微分进化的多目标优化算法对含有风电场的系统经济调度问题进行求解 ，效果良好。 但是 ，智能算法仍存在寻优迭代次数多 、计算周期长、优化效率
低等问题 ，针对这种情况 ，本文采取一种新型群智能算法 ——— 智能水滴算法 (Intelligent Water Drop Algorithm ，简称 IWD )来解决火电机组调度组合问题 。智能水滴算法自 2007 年由伊朗学者 Hamed Shah‐Hosseini 提出以来[9 ] ，已成功解决了旅行商问题、多背包问题等。 在解决机组组合问题时 ，较之其他群智能算法 ，智能水滴算法会根据当前时段的约束条件 ，动态生成智能水滴遍历空间 ，将技术经济约束条件的处理融入智能水滴的评价与更新策略机制中 ，并且在迭代中 ，动态计算迭代速度 ，因而收敛速度更快 ，优化效率更高 ，策略选择更为合理智能。
1 智能水滴算法
1 .1 基本原理
智能水滴算法通过智能水滴本身含沙量、速度以及环境含沙量的变化 ，决定下一路径方案的选择。 若某一路径含沙量较多 ，则下一次该路径被选择的概率降低 ;反之亦然。
1 .2 实现过程
智能水滴算法分为三个主要过程 ：IWD 路径选择过程 ;IWD 属性更新过程 ;环境因素更新过程。 智能水滴算法具体策略[9 ] 详述如下。
1 .2 .1 IWD 路径选择策略
智能水滴算法模拟信息正反馈原理 ，其进行路径选择时会倾向于选择含沙量较少的路径 ，而不是含沙量较多的路径。 为实现这一选择机制 ，引入均匀分布的路径选择概率 ，对于 IWD 可能选择的多个下一位置 ，每个位置以一定的概率被选择 。 若 pIWD (i ，j )表示智能水滴在位置 i 时选择 j每个智能水滴具有两项动态属性 ：soilIWD 和 velocityIWD 分别表征水滴运动过程中携带的含沙量和水滴本身的速度 。 对于每个 IWD 而言 ，这两项属性是随着运动过程不断变化的约束条件的处理机组组合问题与 TSP 问题相比 ，约束类型更为复杂 ，对于不同类型的约束条件需要采取不同的处理策略 ，才能提高优化效率。
(1)等式约束。机组组合问题中等式约束的处理较为简单 ，通过等式处理 ，可以得到初始待选状态集合 。 将 n 台机组组合成各种状态 ，计算每个状态下发电机的最大和最小出力之和 ，得到该状态下有功的上限值和下限值 ，并与与该时段的系统负荷进行比较。 若一种状态的下限值大于最大负荷 ，或上限值小于最小负荷 ，则将该状态舍去 ，将其标志位置 1 ，表示不可选 ，否则将其标志位置0 ，表示待选。
(2)不等式约束。采取一种动态的方案灵活处理机组组合问题中的不等式约束。通过记录每一智能水滴当次迭代历史路径 ，自动生成下一时段候选城市集合的 Available 表 ，其包含所有满足约束的待选状态 ，排除不满足约束条件的状态。在第 i 个时段 ，根据该水滴在前 i - 1 个时段的决策构成的路径 ，检验第 i 个时间段下各待选状态是否满足第 i 个时段下的所有约束条件 。 若该状态满足约束条件 ，则将该状态标志位置 0 ，表示待选 ，将其序号记录到 Available 表中 ;若该状态不满足约束条件 ，则将该状态标志位置 1 ，表示不可选 。 同一时段的任意两个 Available 表之间没有直接联系 ，故同一时段的任意两个 Available 表中的状态数是动态的。
3 .2 求解流程
4 算例与分析
均满足约束要求 ，说明智能水滴算法能够有效解决机组启停策略制定问题 。从发电费用来看 ，智能水滴算法下的发电费用明显小于优先顺序表下的发电费用 ，其原因在于优先顺序表下的启停顺序以单一经济指标进行排序 ，当负荷变化时按照此顺序投切机组 ，不能综合全时段的负荷变化情况 ，启停策略制定可选方能从全局出发 ，在负荷变化平缓的时段 ，有次序地投切大小机组 ，因此发电费用明显小于优先顺序表法下的发电费用。综合考虑启停机策略和总费用因素后可知 ，智能水滴算法的全局寻优能力强 ，得到的机组组合比传统的优先顺序表法更为经济合理 ，切合实际情况。