遗传算法在电力系统电源规划中的应用.pptVIP

遗传算法在电力系统电源规划中的应用

;内容;一、电源规划简介;考虑能源分区平衡的的电源规划模型

从系统整体出发，将已有的、指令性新建的、退役和待选的水电、火电、核电和抽水蓄能电厂等作为一个整体，应用现代优化技术和人工智能技术，在整个时间序列上做动态优化，求出在规划期内整个时间序列上最优的电源建设方案，在优化模型中除充分发挥水电资源在系统中的作用外，还考虑课系统内能源分区平衡和电力分区平衡等问题。;电源规划的最优方案

指在众多的互斥方案同样满足电力系统负荷增长的需求和各种约束条件下，考虑了能源分区平衡和电力分区平衡，使国民经济总支出最小的方案。;二、电源规划的难点;动态规划DP

是解决多阶段决策过程最优化问题的一种数学方法。它把多变量的复杂问题进行分阶段决策，变为求解多个单变量的问题。电力系统电源规划问题就是一个以年（或月）为阶段、随负荷不断增长而逐年发展壮大的动态问题，要寻求在整个规划期内的电源最优规划方案，实质上是一个多阶段动态决策问题，因此，原先的电源规划问题最常用的方法就是动态规划。

不过，利用动态规划方法，有维数灾的问题，随着待求变量的增多，其计算工作量很大，并且耗时会增加。;三、基于遗传算法的电源规划;2、染色体编码与解码

采用动态模版十进制染色体编码法。其编码方法：

设某系统包括6个待选发电厂，编号分别为1~6，初始模版Plate=123456.若待建发电厂的投入次序依次为452613，则其染色体编码过程为：

首先投入发电厂为4，对应出事Plate的第四位，故染色体首位编码为4，即Code=4XXXXX;从初始Plate中去掉发电厂4后，Plate=12356。

接着投入发电厂5，对应当前Plate中的第四位，故染色体第二位编码也为4，Code=44XXXX；从当前Plate中去掉发电厂5后，Plate=1236。

依此类推，发电厂2的编码为2，发电厂6的编码为3，发电厂1的编码为1，发电厂3的编码为1，即452613对应的染色体编码为442311。

;3、初始种群的产生

设电力系统待选电厂数为Nd个，则生成一个染色体的过程是：

①令n=Nd，取n等于待选电厂数；

②随机产生1至n之间任一个整数I，记为该染色体中的一个??应基因段；

③令n=n-1。若n=0，则已生成了初始种群中的一个染色体；否则，返回步骤②。

重复上述操作，直至群体规模达到N个个体为止。;

4、电力系统运行模拟

运行模拟的基本任务是：根据系统的负荷需求和电厂资料，对种群中各个染色体在规划期内逐年按月做电力电量平衡计算，确定该染色体中各待选电厂的工作位置和工作容量，校验系统的电力电量平衡，计算各系统中各电厂的年发电量，燃料需求，水电弃水电量以及系统调峰容量等。;5、目标函数以及隶属度函数

电源规划的目标是在满足电力系统负荷增长的需要和各种约束条件下，使国民经济总支出最小。模型的目标函数可表示为:

T——规划期

OFi——种群中个体i的目标函数值

Zit——个体i在规划期t年新建各类电源及相应电网的投资等年值

Uit——个体i在规划期t年新建电源及相应电网的年固定运行费和系统的可变运行费

Bit——个体i在规划期t年新建电源除发电外的其他效益

r——贴现率

βk——惩罚系数

PFik——个体i不满足约束条件k的计算值;遗传算法是一种根据适应度函数值的大小实现“优胜劣汰”的迭代算法，因此利用上式构造适应度函数AFi为

N——种群规模

由上式可知：目标函数OFi越小，相应的适应度函数AFi越大。并且，AFi满足

;6、收敛判断

以个体总费用或适应度函数值作为判据，检验迭代过程的收敛性。若满足收敛判据，则迭代过程结束，将当前种群中适应度函数值最大的个体制定为模型的最优解。否则，对当前种群的染色体进行遗传操作，生成下一代种群，返回继续执行迭代计算。;7、遗传操作

（1）选择采用赌轮法。

（2）交叉采用一点交叉，注意交叉操作后必须对个体进行有效性检查，以确定本次交叉操作的有效性。

（3）变异采用一点按位变异操作，同样也必须对变异后产生的染色体进行有效性检查。

（4）保留根据给定保留率，以上代若干最优个体直接复制到本代，随机替换种群中某些个体，以保证本代的最优个体至少不会比上一代差。;四、算例;

表2给出基于遗传算法的模型与动态规划模型的计算速度。有表可见：遗传算法模型的收敛速度与待建电源数成近似线性关系，而动态规划模型则为指数关系。

;五、一些问题;