竞价风险多目标优化发电jss.pptVIP

则初始父种群U0 由随机产生的m 个长度为25 的实数编码个体组成。初始子种群S0 为空。计算U0 中所有个体的各目标函数值，然后进行以下循环迭代过程： （1）种群混合。当前进化代数为g，将子种 群Sg 与父种群Ug 混合成一个更大规模的临时种群Mg，对其中重复个体进行局部变异实现个体各异，并计算所有新生个体的各目标函数值. （2）Pareto 非劣排序。按Pareto 非劣排序策 ，比较Mg 中各个体的目标函数值，找出当前种群的Pareto 非劣个体集合作为Ps（1）， 将Ps（1）中所有个体从当前种群中移出，在剩余个体群中再找出新的Pareto 非劣个体集合作为Ps（2），依此类推，直到所有个体都完成分级排序。然后，按式（13）计算出各级中各个体的拥挤距离。 （3）父种群更新。在一个空种群中按先后顺 序依次填充入Ps(1)，Ps(2)，…，直到进一步填充Ps(i)后，种群规模将超过m 时，则改为对Ps(i)中的个体按拥挤距离由大到小逐个填充，直到种群规模正好等于m 时则停止填充，即形成新的父种群Ug+1。 DC(B)拥挤距离 （4）子种群更新。 ①锦标赛选优。从Ug+1 中按排序等级值越小越优先、同一等级则拥挤距离越大越优先的原则，采用随机锦标赛的形式产生优选种群，优选种群规模一般设置为父种群规模的一半左右。 ②微分进化。对以上优选种群采用3.2 节中的 DE 变异和交叉机制，得到新的子种群Sg+1。 （5）g=g+1，进入下一次循环，直至终止条件满足。 终止条件是达到最大进化代数Gmax 或种群在规定代数内没能继续获得更优个体。最终得到的父种群即为本多目标优化问题的Pareto 非劣解集。 3.4 确定总体最优解 实际应用中最终实施的方案一般只有一个，本文采用模糊集理论和最大最小原则从Pareto 非劣解集中确定出一个总体最优解以供决策者选取。Pareto 非劣解对应各目标函数的满意度可用模糊隶属度函数表示，定义如下： 为目标函数个数； 和 分别表示第i 个目标函数值、最大值和最小值。hi 为0 或1 时分别代表对第i 个目标函数值完 全不满意或完全满意。 以其中最小的满意度代表该Pareto 非劣解的总体满意度h。 最后通过比较，自动将具有最大h 值的Pareto非劣解确定为总体最优解。 5 结论 本文构建的基于竞价风险分析的电力市场机组出力多目标优化模型综合考虑了电价波动、竞价风险、阀点效应和环保成本等因素，不仅可使发电商通过对竞价风险合理分析，实现低风险、高收益的竞价上网，而且能够有效地实现节能减排。针对这类复杂的非线性多目标动态优化模型，采用本文设计的改进型非劣排序微分进化算法可快速稳定地实 现全局多目标寻优，得到准确完整的Pareto 前沿，并可自动形成发电竞价总体最优方案。 实例应用证明了该模型及算法的可行性和优越性，成果对发电公司制定电力市场交易日机组运行计划和上网报价计划具有指导和借鉴意义。 4 算例及分析 某发电公司某台机组各项参数见表1，某交易日各时段的市场边际电价与旋转备用电价预测值（μ 与r）及预测方差 见表2。该机组初始状态为：已连续运行了3h，输出功率为200 MW。 分别采用INSDEA 算法（选择Gmax 为300、m 为200、F 为0.3、CR 为0.5）和应用广泛的NSGA-Ⅱ算法（选择Gmax 为600、m为200、遗传操作交叉概率0.95，变异概率0.05）进行求解。 两种算法得到的交易日利润-风险双目标 出力优化的Pareto 前沿如图1 所示。在应用INSDEA时，重复运行了5 次，发现其稳定性很好，几乎每次都能得到图1 中准确而完整的Pareto 前沿，而图1 中NSGA-II 所得的Pareto 前沿为重复运行了10次选出的最好结果。 竞价方案其风险系数为0.4407，全日发电期望利润为90914$；另一个对应方案其风险系数为0.4515，全日发电期望利润为78107$。可见采用INSDEA 对机组出力进行多目标优化后，能以更低竞价风险（即更低报价）实现更高发电收益。 微分进化算法流程 1、首先已知进化参数，要随机产生父代种群。（根据对24个末时段输出功率的分析范围随机产生，共产生m个长度为25的个体。） 2、计算所有目标函数值（假定有两个目标函数）找出其非解。 目标函数一 目标函数二 3、将种群分非劣个体集合等级排序Ps(1)，Ps(2)，… Ps(i)（使得m个个体分布在这i个集合中）。