楼茜.docVIP

节能调度的目标与算法设计 楼茜 指导老师：刘东 （上海交通大学 电气工程系，上海市 200240；） 摘 要：节能调度的大环境形势下，要求电力系统调度具有更加精确的建模与有效的算法。本文为此引入一种群智能仿生进化优化算法——粒子群算法（PSO）。基本PSO算法具有算法简单，参数少的优点。本文在基本PSO算法的基础上，分析其初始条件的选取以及惯性权重变化对算法结果的影响，提出初始条件平均化，并取抛物线型惯性权重函数，同时结合入另一种智能算法——模拟退火算法，提高了PSO算法寻求全局最优解的能力，优化了电力系统节能调度的建模算法。 关键词： 节能调度 粒子群算法 惯性权重 模拟退火算法 全局最优解 1．引言 2007年8月，国家发展改革委员会、环保总局、电监会、能源办联合颁布了《节能发电调度办法（试行）》（国办发[2007]53号文），旨在改革现行发电调度方式，减少能源消耗和污染物排放。节能调度俨然已成为上至国家机关，下至高校企业研究的热点，各类研究文献也从各个方面提出对节能调度实现的相关模式与算法。 文献[1]分析了节能调度与现行发电量调度方式的差异，以及对电力市场不同利益主体的影响，从市场大环境的角度对节能减排的实施性提出了借鉴意见；文献[9]从引入新的用电调度角度，在传统发电调度模式中融入用电激励、可中断负荷等用电调度方式，采用启发式动态规划算法求解，提高了新能源（风能）在电网中的利用率；文献[10]从经济负荷分配角度，采用遗传算法研究AGC的功率调配问题和包含AGC的机组组合，并针对遗传算法的不足提出了一种速度更快、效果更好的改进算法。 文献[2][3][4][8][11]均从采用粒子群算法（PSO）角度，对电力调度优化算法提出了改进方案。文献[2]将PSO算法与禁忌搜索算法相结合，提高了算法的全局搜索能力；文献[3]?把“分群”和“灾变”的思想引入PSO算法，应用于水火电力系统短期发电计划优化；文献[8]在PSO算法中加入了第3种极值指导粒子搜索方向，并有效应用到电力系统无功优化问题上；文献[11]把模拟退火机制引入到粒子群优化算法中，建立了以网损最小为目标的电力系统无功优化模型，具有良好的搜索能力。 本文在以上基础上，改进PSO算法，通过改进其中惯性权重的算法，避免在前期陷入局部最优解，同时借鉴模拟退火算法，更好更有效地找到全局最优解。 2．问题的提出 节能调度的目标目标在于尽可能节能降耗，改变传统以“平均利用小时数计划“为指导的发电量调度方式为按”机组能耗水平排序”，即能耗低的机组多发电，能耗高的机组少发电甚至不发电。 节能调度的实现在现实中面临很多亟待解决的问题，比如发电机组间组合与功率分配问题、发输电协调问题、考虑网损的经济调度问题、考虑环保要求的经济调度问题、电力系统安全运行问题等等。 新能源及可再生能源在电力系统中的应用广泛化无疑对节能发电会起到促进作用，但如何实现新能源（如风能、太阳能等）机组的并网问题一直未得到有效解决。此外，在节能调度新要求下，如何对电力系统调度系统建模并提出一种优化算法以求出最优解，是解决电力系统节能调度的最核心的问题之一。 传统的等耗量微增率方法计算电网的经济运行，是一种以数学极值理论为基础的严格的负荷经济方法，适用于耗量特性为凸函数的火电机组的经济分配问题。随着电力系统的发展，电力系统运行调度问题也日趋复杂化，如何更好地配合在新形势下建立节能调度的算法与应用，近年来兴起的仿生智能优化算法为此提供了一条很好的途径。 这类算法的优势在于对目标函数的性态无任何要求，可以方便地考虑各种约束条件，由此适合解决复杂的非线性的电网调度问题。 在各类智能生物算法中，诸如遗传算法、模拟退火算法为全局寻优算法，但该类算法的原理和计算过程都比较复杂，且收敛速度慢。相比之下，粒子群算法具有算法简洁、易于实现，没有很多参数要调整，且不需要梯度信息等优点，可是容易陷入局部最优。 如何在两者之间寻求到平衡点，从而实现电力系统节能调度的优化算法是本文要探讨的问题。 3．解决问题的方法 3.1基本PSO 粒子群算法最早是在1995年有Eberhart 和 Kennedy 共同提出的，其基本思想是受他们早期对许多鸟类的群体行为进行建模与仿真研究结果的启发。当鸟在一块栖息地附近聚群，这块栖息地吸引着鸟，直到它们都落在这块地上。Kennedy等认为鸟之间存在着信息交换，所以鸟才知道事物的位置。因此他们在仿真中增加了一些内容：每个个体能够通过一定规则估计自身位置的适应值；每个个体能够记住自己当前所找到的最好位置，称为“局部最优pbest”；此外还记住群体中所有鸟中找到的最好位置称为“全局最优gbest”。这两个最优变量使得鸟在某种程度上朝这些方向靠近，由此提出了粒子群算法。 粒子群优化算法（PSO）的基本思