粒子群优化算法及其在机组优化组合中应用 particle swarm optimization algorithm and its application in unit commitment.pdfVIP

第26卷第5期 电力自动化设备 V01．26No．5 ElectricPowerAut。mati。n 2006 @2006年5月 Equipment May 粒子群优化算法及其在机组 优化组合中应用 张振宇，葛少云，刘自发 (天津大学电气与自动化工程学院，天津300072) 摘要：应用粒子群优化(PsO)算法对电力系统的机组优化组合问题进行研究，介绍了算法原理，分 析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响．并以常用的测试函数进行验 证．建立了相应的数学模型．并以IEEE3机6节点电力系统为实例进行研究。分析结果表明，PsO 算法较之常用的遗传算法和混沌优化等算法。在算法结构、计算时间、搜索区间控制以及收敛速度 等方面具有较好的特性。验证了该方法的有效性。 关键词：粒子群优化：智能优化算法；机组组合优化 744 中图分类号：TM 文献标识码：A 飞行经验对自身的速度进行动态调整。PSO算法也 O 引言 是按照一个规则迭代进而寻到最优解的。但其与遗 传算法不同的是，Ps0算法并不依赖定义好的算子， 机组优化组合是电力系统中一个典型的优化问 而只遵循一个公式。这也就使得PsO算法概念更简 题．恰当地在机组间分配负荷可以带来巨大的经济 单．更易于实现。 效益。当前电网自动化以及能量管理系统(EMS)的 对于某一具体的优化问题．群体中每个粒子都 投人使得对机组优化组合的求解速度和精度的要求 有2个描述它状态的运动的矢量。比如第i个粒子 越来越高。大部分传统算法要求耗量特性曲线是线 性的或者是分段线性的．但实际发电机组的输入输 在Ⅳ维空间中，有表示位置的矢量置=(戈，，z：，…，‰) 出特性并不是严格的线性关系(如考虑阀点效应)， 以及表示其飞行速度的矢量q=(”。，秽：，…，口Ⅳ)，同时 于是通过某种近似而求得的解必然是不精确的．近 每个粒子又具有一个由优化目标函数决定的适应 年来，研究人员也尝试采用遗传算法(geneticalgo． 值：表示其自身飞行经验的是其到目前为止的最好 ritIlm)或者混沌优化算法(chaotico嘶mizationalgo． 位置P。。和它现在的位置置，表示同伴飞行经验的 rithm)解决这一问题，但这些算法在算法结构、计 是到目前为止整个群体中所有粒子所达到的最好位 算时间和精度等方面仍然存在许多不足。 置G。。。。(Pb。。。中的最好值)。每个粒子即时地改变自 粒子群优化(PSO)算法是近年来刚刚发展起来己的位置．改变的过程受以下因素控制： 的一种新的智能优化算法。PSO算法较之遗传算法 a．粒子当前的位置： 和混沌优化算法，概念简单，容易实现。近几年．PsO b．粒子当前的速度： 算法得到了广泛的重视和发展．并在一些领域得以 c．粒子当前位置与其自身最好位置之间的距离： 应用．如电力系统补偿电容器的优化配置以及电厂 d．粒子当前位置与群体中所有粒子的最好位置 和电网经济运行的各种优化