一種基於縱橫交叉算法的電力系統經濟調度優化方法
2023-05-29 10:46:46 2
一種基於縱橫交叉算法的電力系統經濟調度優化方法
【專利摘要】本發明公開了一種基於縱橫交叉算法的電力系統經濟調度優化方法，所述縱橫交叉算法是一種全新的群智能優化算法，主要包括橫向交叉算子和縱向交叉算子。其中，橫向交叉將多維尋優空間拆分成一半種群大小的超立方體，每對配對父代粒子在各自的超立方體子空間及其外緣搜索子代；縱向交叉以一定概率對種群中不同維執行算數交叉搜索；兩種交叉產生的中庸解通過競爭算子獲得的佔優解會呈鏈式反應迅速蔓延至在整個種群中，從而大大加快進化速度。本發明的有益效果在於：本發明的縱橫交叉算法全局搜索能力強、收斂速度快，不僅適於求解非線性高維函數優化問題，也適於求解實際工程大規模複雜優化問題。
【專利說明】-種基於縱橫交叉算法的電力系統經濟調度優化方法
【技術領域】
[0001] 本發明涉及一種電力系統經濟調度優化方法，尤其是涉及一種基於縱橫交叉算法 (CSO)的電力系統經濟調度優化方法。
【背景技術】
[0002] 電力系統經濟調度對電力系統安全經濟運行有著重要的意義，作為電力系統一個 典型的優化問題，經濟調度（ED)是指在滿足電力調度需求以及各種約束條件下，將負荷優 化分配給不同機組，從而使全系統的燃料消耗量或發電總費用最小。經濟調度是一個非凸、 非線性、高維度的複雜優化問題，近年來，許多相關研究將群智能優化算法用於求解此類此 問題，如粒子群算法PS0,遺傳算法（GA)等，人工蜂群算法（ABC)、和聲搜索算法（HAS)，電磁 仿真學算法（ELM)，引力搜索算法（GSA)，蟻群算法（ACO)、細菌覓食算法（BFO)等等。
[0003] 雖然各種群智能優化算法在求解非線性複雜問題方面取得了一定進展，但仍然存 在諸多不足之處：如PSO雖然收斂速度快，但在求解大規模ED優化問題時容易出現早熟問 題，GSA、GA則優化過程耗費時間長，而其他一些算法如ABC、ACO、BFO則需要調整多個控制 參數，表現出問題對參數敏感的特性。此外，一些群智能優化算法為保持種群多樣性，往往 不得不犧牲收斂速度或採用比較複雜的算法結構。迄今為止，沒有哪一種群智能優化算法 在求解各類複雜優化問題時能夠表現出絕的優勢。如何在提高全局收斂能力的同時不犧牲 收斂速度仍然是群智能優化算法的研究熱點和挑戰。
【發明內容】
[0004] 本發明所要解決的技術問題，就是提供一種能在提高全局收斂能力的同時收斂速 度仍然很快的基於縱橫交叉算法的電力系統經濟調度優化方法。
[0005] 解決上述技術問題，本發明採用的技術方案是：
[0006] -種基於縱橫交叉算法的電力系統經濟調度優化方法，其特徵在於包括以下步 驟：
[0007] Sl建立經濟調度數學模型
[0008] 經濟調度數學模型包括目標函數和約束條件，目標函數採用考慮燃料費用最低， 約束條件包括功率平衡約束和機組出力約束；
[0009] 考慮閥點效應的機組燃料費用的目標函數具體形式為：
【權利要求】
1. 一種基於縱橫交叉算法的電力系統經濟調度優化方法，其特徵在於包括以下步驟： Sl建立經濟調度數學模型 經濟調度數學模型包括目標函數和約束條件，目標函數採用考慮燃料費用最低，約束 條件包括功率平衡約束和機組出力約束； 考慮閥點效應的機組燃料費用的目標函數具體形式為：
其中Fi是發電機組i的燃料費用函數；Pi是火電機組i的有功出力；N是火電機組臺 數；分別是火電機組i的燃料費用係數；ei、fi分別是火電機組i的閥點效應係數； 功率平衡約束要求公式（1)滿足：
其中是系統總負荷需求；Pd是系統總傳輸網損； 機組出力約束要求發電機組出力Pi滿足： Pimin<Pi<Pimax⑶； 其中Pimin和Pimax分別是火電機組i的最小有功出力和最大有功出力； S2對公式（1)採用基於縱橫交叉算法進行優化，包括以下子步驟： S2-1 :初始化； S2-2 :執行橫向交叉後進入競爭算子； S2-3 :執行縱向交叉後進入競爭算子； S2-4 :終止條件：如果達到指定的最大迭代次數，算法結束；否則轉入步驟S2-2。
2. 根據權利要求1所述的基於縱橫交叉算法的電力系統經濟調度優化方法，其特徵在 於：所述的步驟S2-1初始化具體為： 設定火電機組臺數N，系統負荷總需求，種群大小M，最大迭代次數Maxlter，縱向交 叉概率Pv。，在機組最小有功出力和最大有功出力範圍內隨機產生初始化種群，並保存在矩 陣X中； 所述的步驟S2-2執行橫向交叉具體為： (1) 獲取父代種群X:第一代為初始化種群，其它代均為縱向交叉產生的佔優解矩陣 DSvc; (2) 對父代種群X中所有個體粒子不重複隨機配對，方法為：在1至M之間產生M個不 重複的整數序列，將配對序號保存在矩陣B中； (3) 按順序從矩陣B中取出相鄰兩個數作為父代配對粒子的序號i，j; (4) 假定父代粒子X(i)和X(j)在第d維進行橫向交叉，則它們的子代繁殖採用如下公 式： MShc(i,d) =r!XX(i, ^ + (It1)XX(j, ^+C1X(X(i,d)-X(j,d)) (4)； MShc(j,d) =r2XX(j,d) + (l-r2)XX(i,d)+c2X(X(j,d)-X(i,d)) (5)； 其中，de(1，唚，1'1，1'2是0?I之間的隨機數；Cl，c2是-I?I之間的隨機數；X(i，d)，X(j，d)分別是父代種群中個體粒子X(i)和X(j)的第d維，MShc;(i，d)和MShc;(j，d)分別是 X(i，d)和X(j，d)通過橫向交叉產生的第d維子代； M (5) 重複步驟（3)和步驟（4) ，最終獲得橫向交叉產生的中庸解，保存在中庸解矩 陣MSh。中； (6) 採用競爭算子，獲取橫向交叉佔優解，保存在DSh。中； 具體包括以下步驟： INPUT:DSvc,M,D； LETX-DSvc ; LETB=pertutate(M)//對I-M之間的整數進行隨機排列； FORi=ItoM/2 ； LETnol=B(2Xi-1)，no2 =B(2Xi); FORj=ItoD; 產生隨機數Ae(〇,I)，r2e(〇,I)，Cle(-11)，c2e(-11); MShc(nol,j) = !T1XXOioI,j) +(I-Ir1)XX(no2,j)+C1X(X(nol,j)-X(no2,j)) MShc(no2,j) =r2XX(no2,j) +(It2)XX(nol,j)+c2X(X(nol,j)-X(no2,j)) ENDFOR； ENDFOR； 採用競爭算子更新DSh。； 所述的步驟S2-3執行縱向交叉具體為： (1) 獲取父代種群X，其等於橫向交叉產生的佔優解矩陣DSh。； (2) 對父代種群X每一維進行歸一化，歸一化公式如下：
其中，de(l，N)，X(i，d)是種群X中個體粒子X(i)第d臺機組的有功出力，Pdniin是第d臺機組最小有功功率，Pdmax是第d臺機組最大有功功率； (3) 對種群中所有的維進行不重複兩兩隨機配，方法為：在1至N之間產生N個不重複 的整數序列，將配對序號保存在矩陣B中； (4) 按順序從矩陣B中取出相鄰兩個數即為配對的維序號屯，d2 ; (5) 種群中所有的個體粒子X(i)在縱向交叉概率匕。條件下，根據公式（7)產生 X(M1)的子代MSvc (i，dl): MSvc (i，(I1) =r·X(i，(I1) + (l-r) ·X(i，d2),ie(1，M)，d"d2eN(1，D) (7) 其中，re(〇，l)，MSvc;(i，dl)是個體粒子X(i)的第Cl1維和第d2維通過縱向交叉產生 的第Cl1維子代； (6) 重複步驟（4)和和步驟（5)f次； (7) 對MSv。進行反歸一化，反歸一化公式如下： MSvc (i，d) =MSvc (i，d)X(Pdmax-Pdniin) +Pdniin (8); 最終獲得縱向交叉產生的中庸解，保存在中庸解矩陣MSv。中； (8) 採用競爭算子，獲取縱向交叉佔優解，保存在DSV。； 具體包括以下步驟： INPUT:DShc,M,N； X-DShc ; 歸一化X; LetB=ipertutate(N).對I-N之間的整數進行隨機排列； FORi=ItoN/2 ； 產生一個隨機數Pe(〇，1); IFp<PvcTHENLetnol=B(2Xi-1),andno2 =B(2Xi)； FORj=ItoM; 產生一個隨機數re(〇，l); MSvc(j,nol) ^r·X(j,nol) + (l-r) *X(j,no2)； ENDFOR； ENDIF； ENDFOR； 對MSv。進行反歸一化操作； 採用競爭算子更新DSV。； 上述縱向交叉操作概率Pv。取〇. 2?0. 8。
3.根據權利要求2所述的基於縱橫交叉算法的電力系統經濟調度優化方法，其特徵在 於：所述的步驟S2-2和S2-3中的進入競爭算子具體為： (1) 計算中庸解矩陣和父代種群X中每個粒子的適應度，計算公式如下：
(9)； 其中：Pf為罰函數係數； (2) 如果中庸解MS⑴優於它的父代X(i)，則DS⑴一MS⑴；否則DS⑴一X(i); 具體步驟如下： FORi=ItoM； 根據公式（9)評估MS(i)和X(i); IFMS⑴優於它的父代X⑴THEN; DS(i) -MS(i); ELSEDS(i) -X(i); ENDIF； ENDFOR。
【文檔編號】G06Q50/06GK104239961SQ201410338761
【公開日】2014年12月24日 申請日期:2014年7月16日 優先權日:2014年7月16日
【發明者】孟安波 申請人:廣東工業大學