(电力系统机组最优负荷分配.docVIP

绪论 机组最优负荷分配研究背景及意义 我国，分布人均资源，加上长期以来在资源开发利用方面存在过度开发、破坏严重等问题，使国民经济在快速的同时对我们环境造成了不可估量的损害。伴随着“节能、减排、环保”的观念深入人心，我国可持续发展战略要求建立经济友好型，能源节约型社会。因此可以看出节约能源是可持续发展战略的主要内容之一。 然而火力发电是一个化石能源消耗巨大的产业，到 2050 年，我国的年耗煤量将达到 2～2.5Gt。而随着化石能源的逐渐枯竭以及化石能源所带来的环境问题，届时，煤炭资源很难满足整个社会的发展，这就要求电力系统在优化能源结构的同时，更要进一步节约能源，提高能源的能效比。在如此巨大的能源消耗基数下，如果每发一度电节约 1g 煤，根据我国2014年的火电发电量41731亿千瓦时来，每年将节约煤 417 万吨以上。，火电厂机组负荷，。 电力系统机组负荷就是研究火力发电机组的运，减少的消耗，同时减小对环境的。使得“节能、减排、环保”的方针，为我国，建设环境友好型，资源节约型的社会添砖加瓦。且在电力市场化运行体制下，以及近几十年电力装机容量的快速增长，而我国的经济增长放缓，经济速率已不及电力装机容量的增长，我国开始出现的局面。在这样的背景条件下，要获得生存和发展，就不断提高自身的。因此需要不断降低生产成本，提高效益。合理安排机组出力，降低煤耗量，增强其核心竞争力。 国内外研究现状 电力系统机组最优负荷分配，一种电力系统经济调度。 传统优化算法和现代智能算法。大量的介绍传统的优化算法在机组组合中的应用，其中以经典的拉格朗日松弛法较为，还有动态规划法也应用较广。这些经典优化方法原理简单，容易操作，应用较广，但某些情况下可能得不到十分理想的结果。而现代智能优化算法在机组优化组合问题中体现出了优势。 一、 等微增率法 ，由和在年首次提出。等耗微增率法是将燃料消耗最小化作为优化目标的单目标算法。在满足Lagrange的前提下，用于单元机组之间的负荷，用Lagrange乘子法求得负荷的方案。该优化方案中，机组负荷等于给定负荷为其优化的前提，进而通过负荷分配使得燃料总量最少，以此确定各台机组的负荷分配。 二、 动态规划法 动态规划 (dynamic programming)是20世纪50年代初R.E.Bellman等人在多决策的问题时一种，形成了原理，即所谓 Bellman 最优原理可叙述为：对最优，决策所的，的最优子策略决策，的和决策。单阶段问题，把过程 在使用动态规划法来机组负荷分配问题时，决策阶段为机组台号 ，决策变量为机组负荷Qa，将的机组成本状态变量。根据动态规划状态转移方程：第 阶段sa的值，第 + 1阶段的s+ 1的值该段的Q。记为s + 1= Ta( sa , ua ) ， 称为状态转移方程。 三、 遗传算法 遗传算法是目前的现代进化算法较为典型算法之一。遗传算法是源于自然界的“适者生存”法则。遗传算法最解的操作是通过模仿自然界物种利用染色体之间的一系列的达到物种进化目的的过程，即采用完成遗传操作遗传算子，对于父代种群W(t)进行相应的处理，然后获得子代种群W(t+1)过程。 算法在的方法的、非线性组合复杂优化。然而单一的遗传算法在处理大规模上存在着搜索速度较慢，收敛性能较差等弊端。因此在实际问题中常常取人之长，补己之短的策略。文献10中把拉格朗日法和遗传算法进行结合，采用次梯度法拉格朗日乘子，将复杂的机组组合为一系列的，遗传算法的，两者算法交替迭代遗传算法进行，直到。 四、 蚁群算法 蚁群算法又称蚂蚁算法。是 M.Dorigo 的进化一种优化算法。该算法是自然界中蚁群的一种机率算法。当一只蚂蚁之后，它会一种分泌物附近的，的都找到。其中有些会比原来更的道，这样，这更近的道路上算法通过“信息素”这一载体进行和作，寻求食物的最。算法在旅行商等中得到了较好的。但是是在求解过程中易出现停滞现象。 五、 粒子群优化算法 粒子群优化算法是近年来由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法。模拟鸟群搜索食物行为而的一种进化算法，通过拥有记忆性的单一粒子与群体之间的其他粒子的信息互动来行动策略，最解。中一个优化的目标函数粒子适应。速度决定每个粒子的和向。粒子们先找到种群中位置的粒子，他们就这个粒子在解空间中，最优解。 机组组合优化在电力系统经济运行中扮演着十分的角色，随着电力市场改革的深化，对于增强发电企业自身核心竞争力具有更现实的意义。由于该优化问题的复杂性，各种先进的算法被引进来解决问题。总，机组组合问题这些法都。但是不管是经典的算法还是现代智能算法，都有其各自的特点和局限性。一种算法不能应用于所有的场景，且算法本身的参数设置会影响算法的收敛性和相关性能。如何兼顾