基于改进鱼群与粒子群混合算法的机组优化组合研究.docxVIP

基于改进鱼群与粒子群混合算法的机组优化组合研究

一、引言

在电力系统的运行与规划中，机组优化组合问题是一个至关重要的研究领域。它旨在确定在一定的时间范围内，如何合理地安排各发电机组的启停状态以及出力水平，以实现诸如发电成本最低、污染物排放最少等优化目标，同时满足电力系统的各种约束条件。随着电力系统的规模不断扩大和复杂性的增加，传统的优化算法在解决机组优化组合问题时往往面临着计算效率低、容易陷入局部最优等挑战。因此，寻求更加高效、可靠的优化算法成为了当前研究的热点之一。

鱼群算法和粒子群算法作为两种典型的智能优化算法，各自具有独特的优势。鱼群算法具有较强的全局搜索能力和鲁棒性，能够在复杂的解空间中寻找最优解；粒子群算法则具有收敛速度快、参数设置简单等特点。然而，这两种算法也存在一定的局限性。例如，鱼群算法在搜索后期的收敛速度较慢，而粒子群算法容易陷入局部最优。为了充分发挥这两种算法的优势，克服各自的不足，本文提出了一种改进的鱼群与粒子群混合算法，并将其应用于机组优化组合问题的求解。

二、改进鱼群与粒子群混合算法的设计

（一）鱼群算法的改进

觅食行为的改进

传统鱼群算法中，鱼在觅食时通常采用固定的步长进行搜索，这在一定程度上限制了算法的搜索效率。本文对觅食行为进行了改进，采用自适应步长策略。具体来说，在搜索初期，为了提高算法的全局搜索能力，采用较大的步长；随着搜索的进行，逐步减小步长，以提高算法的局部搜索精度。

聚群行为的改进

在传统鱼群算法的聚群行为中，鱼在判断是否加入聚群时，往往只考虑当前位置的食物浓度和伙伴的数量，而忽略了伙伴的位置信息。本文对聚群行为进行了改进，引入了伙伴的位置信息作为判断依据之一。具体来说，当鱼在判断是否加入聚群时，不仅要考虑当前位置的食物浓度和伙伴的数量，还要考虑伙伴的位置是否靠近全局最优解的方向。

（二）粒子群算法的改进

惯性权重的自适应调整

传统粒子群算法中，惯性权重通常采用线性递减的方式进行调整，这在某些情况下可能无法很好地适应算法的搜索需求。本文对惯性权重进行了自适应调整，根据粒子的当前位置和全局最优解的位置之间的距离来动态调整惯性权重。具体来说，当粒子距离全局最优解较远时，采用较大的惯性权重，以提高算法的全局搜索能力；当粒子距离全局最优解较近时，采用较小的惯性权重，以提高算法的局部搜索精度。

学习因子的动态调整

传统粒子群算法中，学习因子通常是固定的，这在一定程度上限制了算法的性能。本文对学习因子进行了动态调整，根据粒子的当前适应度值和群体的平均适应度值来动态调整学习因子。具体来说，当粒子的适应度值优于群体的平均适应度值时，增加学习因子，以加快粒子向个体最优解和全局最优解的学习速度；当粒子的适应度值劣于群体的平均适应度值时，减小学习因子，以避免粒子过度依赖个体最优解和全局最优解，从而提高算法的全局搜索能力。

（三）混合算法的结合策略

本文采用了一种基于优势互补的混合策略，将改进的鱼群算法和改进的粒子群算法进行有机结合。具体来说，在算法的搜索初期，主要利用改进鱼群算法的全局搜索能力，在解空间中进行广泛的搜索，以找到较好的初始解；在搜索后期，主要利用改进粒子群算法的快速收敛特性，对初始解进行进一步的优化，以提高算法的收敛速度和求解精度。同时，在算法的运行过程中，不断地交换两种算法之间的信息，以实现优势互补。

三、机组优化组合模型的构建

（一）目标函数的建立

本文以发电成本最低作为机组优化组合的目标函数。发电成本主要包括燃料成本、机组的启停成本等。具体的目标函数表达式如下：

\minF=\sum_{t=1}^{T}\sum_{i=1}^{N}\left[a_iP_i(t)^2+b_iP_i(t)+c_i+S_i(t)\timesu_i(t)\right]

其中，F表示总发电成本；T表示调度周期的时长；N表示发电机组的数量；a_i、b_i、c_i分别表示第i台发电机组的燃料成本系数；P_i(t)表示第i台发电机组在时刻t的出力；S_i(t)表示第i台发电机组在时刻t的启停成本；u_i(t)表示第i台发电机组在时刻t的启停状态，u_i(t)=1表示机组处于运行状态，u_i(t)=0表示机组处于停机状态。

（二）约束条件的考虑

功率平衡约束

在每个时刻t，所有运行机组的出力之和必须满足系统的负荷需求，同时考虑到系统的备用容量要求。具体的约束条件表达式如下：

\sum_{i=1}^{N}u_i(t)P_i(t)=L(t)+R(t)

其中，L(t)表示时刻t的系统负荷；R(t)表示时刻t的系统备用容量。

机组出力上下限约束

每台发电机组在运行时的出力必须在其允许的出力上下限之间。具体的约束条件表达式如下：

P_i^{\min}u_i(t)\leqP_i(t)