微粒群算法在水库优化调度中的应用研究.pdfVIP

第九章系统理论方法 微粒群算法在水库优化调度中的应用研究。 朱风霞熊立华刘攀郭富强 (武汉大学水资源与水电工程科学国家重点实验室武汉430072) 擅要嵌拉群算法(Pso)是一种基于社台行为模拟的新的仿生优化方法，它通过不断调整擞粒个体飞行速度 来寻找问题的最忧解。该算法简单，窖矛实现，且功能强大。丰文介绍了擞粒群算法的原理和应用流程，井将箕 应用于水库优化调度的末解问题中。实例计算以及与动态规划算法曲计算鲒果对比分析表明，徽粒群算法 (Ps0)能够正确和有赦地隶解木库优化调度问题。该算法解砘了动态规划存在的“雏数兜1问题，从而为水库 优化调度问题提供了一条新的求解速径。 关键词散粒群算法水库优化调度动态规划法 1引言 水库优化调度是包含线性、非线性约束和非线性目标函数的动态最优控制问题。在这方面先后提出了许 多研究方法，比如动态规划法(DP)、逐步优化法(POA)等。但是这些算法都存在一定的局限性。如动态 规划法会出现“维数灾”的问题。而逐步优化法是在局部可行域内寻优，存在收敛于局部最优的缺陷”“。 为了解决这些向题，遗『专算法(genetic 制较少且不要求解函数连续、可微而教用于求解水电站水库优化调度问题。文献[10]采用基于二进制的 简单遗传算法对水电站优化调度进行了研究。但其编码的设计导致了算法的搜索效率低。而模拟退火算法把 握搜索过程的总体能力较差，运行效率低-．“。 Swarm 微粒群算法(Particle 种基于种群搜索的自适应进化计算技术，该算法具有并行处理和鲁棒性好等特性。算法最初受到鸟群觅食活 动的规律性启发，并利用了生物学家FrankHeppner的生物群体模型，是一种新的仿生优化方法，具有结构 和运算简单的优点。微粒群算法不依赖于问题的具体领域，以微粒群个体作为运算对象，直接以目标函数作 为寻优搜索的基本信息，可以使用整个种群的信息，并且占用计算机内存少，尤其适合用于求解一些非线 性、多目标和多参数复杂系统的全局优化问题。因此微粒群箅法一经提出就受到国内外许多学者的广泛关 注。在电力系统领域方面，文献[7]对水火电力系统的短期发电优化问题进行了探讨，文献[9]对梯级 水电厂短期优化调度问题进行了研究。本文将微粒群算法应用到水库长期优化调度问题的研究中。 2 PSO算法简介 2．1 PSO算法的基本原理 150优化算法也采用“群体”与“进化”的概念．根据微粒适应值大小进行寻优，通过微粒群中的个 体与环境的适应程度对微粒性能的优劣进行判断。与其他进化算法相比，PSO算法在寻优过程中同时保留和 利用位置与速度的信息。 130算法将种群个体看成是n维寻优搜索空问中一个没有体积和重量的微粒(点)，每个微粒都有自己 的速度和位置，微粒的位置代表着所求问题的一个潜在解。根据微粒所经历的历史最佳位置和群体历史最佳 位置信息，动态调整微粒的飞行速度，使其不断地向目标值逼近。第i个微粒可以用如下n维向量来描述， P。]为微粒i所经历的最好位置，也就是微粒f所经历过的具有最好适应值的位置，称为个体最好位置，常 · 教师基金(101077)资助。 ]amP,Olll 第=篇技术方法 用，惋“来表示。群体所有微粒经历的最好位置常用g表示，称为gbest。第i个微粒从t代进化到￡+I代， 通过下式进行转移： F。(￡+1)=洲。(￡)+ctrl【Pf一墨(f)]+C2r2[p_一五(f)】… 毛(‘+1)=墨(I)4-％(t+1) q均为非负实数，称为加速度常数；rj和，2为区阉[0，1]随机常数；～为微粒i的速度，。-￡卜口咖，口一】。 惯性权重埘是使微粒保持运动惯性，使其具有扩展搜索空间的趋势，有助于耐新区域的搜索。加速度常数 c．、吒表示将每个微粒推向Pbest和出￡的加速度权重。 从上面方程(1)可知，微粒的飞行速度由3部分组成。第1部分可以认为是对微粒先前速度的保留， 它具有维持算法拓展搜索空间的能力，惯性权重起凋整算法局部搜索能力和全局搜索能力的比例关系的 作用。第2部分为“认知”部分，表示微粒对自身经验的。思考”，以防止算法陷入局部最优。第3部分为 “社会“部分，表示微粒种群之间的信息共享和互相合作，通过种群之间的