梯級(jí)水電站調(diào)度圖優(yōu)化混合模擬退火遺傳算法

水庫(kù)調(diào)度圖是水電站發(fā)電調(diào)度運(yùn)行的基礎(chǔ),然而現(xiàn)有研究和算法大都集中在單庫(kù)調(diào)度圖,庫(kù)群發(fā)電調(diào)度圖成果較少。本文結(jié)合我國(guó)開(kāi)發(fā)得較為完善的烏江流域梯級(jí)水電站群,提出了一種實(shí)用的梯級(jí)水電站群發(fā)電優(yōu)化調(diào)度圖制定方法。該方法以單庫(kù)調(diào)度圖為基礎(chǔ),綜合形成初始的庫(kù)群調(diào)度圖,并以此進(jìn)行模擬調(diào)度,即根據(jù)兩種調(diào)度圖對(duì)長(zhǎng)系列資料逐時(shí)段計(jì)算,獲得兩種負(fù)荷結(jié)果,最終運(yùn)用庫(kù)群負(fù)荷分配調(diào)整兩種負(fù)荷的偏差,獲得調(diào)度結(jié)果;然后以模擬調(diào)度統(tǒng)計(jì)的多年平均發(fā)電量最大為目標(biāo),采用逐次逼近算法不斷修正兩種調(diào)度圖的基本調(diào)度線,最終獲得滿足精度要求的單庫(kù)調(diào)度圖和庫(kù)群調(diào)度圖。較常規(guī)方法,本方法方便一次性得出水電站(群)調(diào)度圖。模擬調(diào)度結(jié)果表明所建立的方法有效、實(shí)用,在兼顧電網(wǎng)對(duì)電站要求的基礎(chǔ)上,大大提高了梯級(jí)長(zhǎng)期發(fā)電效益。

借鑒信息素對(duì)昆蟲群體協(xié)調(diào)行為的作用,建立信息素釋放模型、信息素?cái)U(kuò)散模型、信息誘導(dǎo)模型和信息定向模型,提出信息誘導(dǎo)算子(pheromoneinductionoperator,pio),并與改進(jìn)遺傳算法(improvedgeneticalgorithmi,ga)相結(jié)合,形成信息誘導(dǎo)遺傳算法(pheromoneinductiongeneticalgorithm,piga)。分析了piga具有較好平衡全局搜索能力和局部開(kāi)發(fā)能力的仿生學(xué)原理。針對(duì)電力市場(chǎng)條件下梯級(jí)水電站自調(diào)度優(yōu)化模型的復(fù)雜性,將piga應(yīng)用于該模型的求解,通過(guò)算例分析,對(duì)比了pso、sgai、ga和piga的優(yōu)化性能,表明了piga的有效性;同時(shí)通過(guò)分析pio參數(shù)對(duì)優(yōu)化性能的影響,給出了pio參數(shù)的選擇原則。

梯級(jí)水電站聯(lián)合優(yōu)化調(diào)度是一項(xiàng)涉及學(xué)科門類廣泛、牽涉部門利益眾多的復(fù)雜大系統(tǒng)優(yōu)化決策問(wèn)題,對(duì)制定和實(shí)施區(qū)域用水規(guī)劃、實(shí)現(xiàn)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展具有重大的現(xiàn)實(shí)意義。鑒于當(dāng)前群體智能優(yōu)化算法應(yīng)用于梯級(jí)水電站聯(lián)合優(yōu)化調(diào)度中存在的\"維數(shù)災(zāi)\"及大量約束條件不易處理的難點(diǎn),將加速遺傳算法(aga)應(yīng)用于梯級(jí)水電站聯(lián)合優(yōu)化調(diào)度研究中,采用\"分類假設(shè)\"的思路逆序?qū)ふ也煌娬?、不同時(shí)段優(yōu)化變量可行決策空間并生成初始種群個(gè)體,由此重點(diǎn)闡述了改進(jìn)遺傳算法對(duì)優(yōu)化調(diào)度模型大量復(fù)雜約束條件的實(shí)現(xiàn)方法。上述方法在我國(guó)水、電特性代表性良好的烏江梯級(jí)七庫(kù)聯(lián)合優(yōu)化調(diào)度實(shí)例的應(yīng)用結(jié)果表明:加速遺傳算法對(duì)梯級(jí)水電站聯(lián)合優(yōu)化調(diào)度模型復(fù)雜約束條件具有較強(qiáng)的自適應(yīng)及全局搜索能力,且計(jì)算結(jié)果與設(shè)計(jì)成果相比,烏江梯級(jí)水電站多年平均發(fā)電量增加約2.60%?？梢?jiàn),采用\"分類假設(shè)\"的研究思路處理群體智能優(yōu)化算法應(yīng)用于梯級(jí)水電站聯(lián)合優(yōu)化調(diào)度中存在的復(fù)雜約束問(wèn)題是合理可行的,可為流域梯級(jí)水電站實(shí)行集中運(yùn)行、調(diào)度提供科學(xué)有效的決策依據(jù)。

應(yīng)用二倍體遺傳算法（ｄｇａ）對(duì)梯級(jí)水電站日優(yōu)化調(diào)度問(wèn)題求解，其算法采用了兩條等長(zhǎng)度的二進(jìn)制碼表示個(gè)體，借助于基因顯性機(jī)制，將個(gè)體基因碼鏈與梯級(jí)系統(tǒng)日調(diào)度計(jì)劃聯(lián)系起來(lái)．基因顯性機(jī)制采用一種簡(jiǎn)便的布爾函數(shù)關(guān)系實(shí)現(xiàn)．雜交算子采用個(gè)體基因鏈交換與重組方式實(shí)現(xiàn)，具有一致雜交算子的效果．仿真計(jì)算結(jié)果驗(yàn)證了算法的有效性

如今，廣大民眾對(duì)能源的需求量越來(lái)越高，但是我國(guó)的能源可用量卻越來(lái)越少，在這種情況下，對(duì)水、電能源結(jié)構(gòu)進(jìn)行調(diào)整是勢(shì)在必行的。其實(shí)，梯級(jí)水電站優(yōu)化調(diào)度已經(jīng)得到了廣大民眾的普遍關(guān)注．而本研究就將針對(duì)“梯級(jí)水電站優(yōu)化調(diào)度模型與算法研究”這一主題進(jìn)行詳細(xì)的闡述，使廣大民眾對(duì)這方面的內(nèi)容有一個(gè)更加全面且深入的了解。

如今，廣大民眾對(duì)能源的需求量越來(lái)越高，但是我國(guó)的能源可用量卻越來(lái)越少，在這種情況下，對(duì)水、電能源結(jié)構(gòu)進(jìn)行調(diào)整是勢(shì)在必行的。其實(shí)，梯級(jí)水電站優(yōu)化調(diào)度已經(jīng)得到了廣大民眾的普遍關(guān)注．而本研究就將針對(duì)“梯級(jí)水電站優(yōu)化調(diào)度模型與算法研究”這一主題進(jìn)行詳細(xì)的闡述，使廣大民眾對(duì)這方面的內(nèi)容有一個(gè)更加全面且深入的了解。

進(jìn)入二十一世紀(jì)以來(lái)，科技大發(fā)展，經(jīng)濟(jì)大發(fā)展。人們的生活越來(lái)越舒適、便捷的同時(shí)，隨之而來(lái)的一系列問(wèn)題也十分明顯。環(huán)境的污染、能源的短缺，促進(jìn)了我國(guó)水電企業(yè)模型的改革，因?yàn)橹挥懈母锊拍苓m應(yīng)時(shí)代的變化，才能解決日益嚴(yán)峻的能源形勢(shì)。下面，我們將主要分析一下目前我國(guó)梯級(jí)水電站優(yōu)化調(diào)度模型與算法。

進(jìn)入二十一世紀(jì)以來(lái)，科技大發(fā)展，經(jīng)濟(jì)大發(fā)展。人們的生活越來(lái)越舒適、便捷的同時(shí)，隨之而來(lái)的一系列問(wèn)題也十分明顯。環(huán)境的污染、能源的短缺，促進(jìn)了我國(guó)水電企業(yè)模型的改革，因?yàn)橹挥懈母锊拍苓m應(yīng)時(shí)代的變化，才能解決日益嚴(yán)峻的能源形勢(shì)。下面，我們將主要分析一下目前我國(guó)梯級(jí)水電站優(yōu)化調(diào)度模型與算法。

以洪家渡水電站為例,探討了模擬退火粒子群算法(sapso)在水電站中長(zhǎng)期優(yōu)化調(diào)度中的應(yīng)用方法及效果。結(jié)果表明:該算法可以求解具有復(fù)雜約束條件的非線性水庫(kù)優(yōu)化調(diào)度問(wèn)題,并具備求解精度高、收斂速度快的優(yōu)點(diǎn),為解決水電站中長(zhǎng)期優(yōu)化調(diào)度問(wèn)題提供了一種有效的方法。

將改進(jìn)型螞蟻算法用于梯級(jí)水電站短期優(yōu)化調(diào)度問(wèn)題,并通過(guò)引入遺傳算法的交叉和變異思想以及自適應(yīng)搜索半徑方法提高了螞蟻算法的搜索能力．以最小耗水率模型為例,給出了梯級(jí)水電站短期優(yōu)化調(diào)度問(wèn)題改進(jìn)型螞蟻算法的數(shù)學(xué)描述和求解的算法步驟,并通過(guò)龍羊峽-李家峽梯級(jí)水電站實(shí)例驗(yàn)證了改進(jìn)型螞蟻算法的優(yōu)越性．結(jié)果表明,與遺傳算法相比,改進(jìn)型螞蟻算法獲得了更優(yōu)的調(diào)度方案．優(yōu)化結(jié)果在取得更低耗水率的同時(shí),減少了機(jī)組的啟停次數(shù),并且使所有機(jī)組連續(xù)高效運(yùn)行,從而降低了機(jī)組的維護(hù)費(fèi)用,并增加了梯級(jí)的經(jīng)濟(jì)效益．

提出一種求解梯級(jí)水電站中長(zhǎng)期優(yōu)化調(diào)度問(wèn)題的方法—蟻群算法(antcolonyalgorithm,aca)。算法模擬了螞蟻群體覓食路徑的搜索過(guò)程來(lái)尋找梯級(jí)水電站中長(zhǎng)期最優(yōu)調(diào)度計(jì)劃。算法把問(wèn)題解抽象為螞蟻路徑,利用狀態(tài)轉(zhuǎn)移、信息素更新和鄰域搜索以獲取最短路徑即最優(yōu)解。實(shí)例計(jì)算結(jié)果表明,算法可以求解具有復(fù)雜約束條件的非線性梯級(jí)優(yōu)化調(diào)度問(wèn)題。算法求解精度高、收斂速度快,為解決梯級(jí)水電站中長(zhǎng)期優(yōu)化調(diào)度問(wèn)題提供了一種有效的方法。

針對(duì)粒子群算法易陷入局部最優(yōu)的缺點(diǎn),提出了一種雙適應(yīng)度方法、動(dòng)態(tài)鄰域算子和隨機(jī)動(dòng)態(tài)調(diào)整慣性權(quán)重機(jī)制有機(jī)結(jié)合的混合改進(jìn)策略。算例計(jì)算表明,該改進(jìn)策略能增強(qiáng)粒子的局部收斂能力,加快算法的收斂速度,便于處理復(fù)雜約束條件,為求解具有復(fù)雜約束條件的非線性規(guī)劃問(wèn)題提供了一種簡(jiǎn)單有效的方法。文中探討了梯級(jí)水電站優(yōu)化調(diào)度的相關(guān)問(wèn)題,考慮了豐枯分時(shí)電價(jià)因素,建立了梯級(jí)水電站長(zhǎng)期優(yōu)化調(diào)度數(shù)學(xué)模型,并應(yīng)用改進(jìn)粒子群算法進(jìn)行求解。實(shí)際梯級(jí)水電站計(jì)算表明,該模型使枯水期大部分時(shí)間出力均勻平穩(wěn),豐水期能兼顧防洪和蓄水的不同要求,有利于電力系統(tǒng)的穩(wěn)定運(yùn)行。改進(jìn)粒子群算法計(jì)算速度快、收斂精度高,為梯級(jí)水電站長(zhǎng)期優(yōu)化調(diào)度提供了一種簡(jiǎn)單實(shí)用的求解方法。

針對(duì)傳統(tǒng)優(yōu)化算法在求解高維、復(fù)雜梯級(jí)水電站發(fā)電調(diào)度時(shí)易出現(xiàn)“維數(shù)災(zāi)”，或陷入局部最優(yōu)解的缺陷，本文提出了免疫蛙跳算法（isfla）。該算法將克隆選擇算法嵌入到混洗蛙跳算法框架中，對(duì)混合之后的蛙群構(gòu)造子群體執(zhí)行免疫克隆選擇操作，同時(shí)使用改進(jìn)的最差解更新方式提高其局部搜索能力。應(yīng)用實(shí)踐表明，通過(guò)將isfla與標(biāo)準(zhǔn)混洗蛙跳算法、粒子群算法以及逐步優(yōu)化方法對(duì)比，isfla在求解梯級(jí)水電站發(fā)電優(yōu)化問(wèn)題時(shí)具有明顯的優(yōu)越性。

梯級(jí)水電站聯(lián)合發(fā)電調(diào)度的優(yōu)化模型的確定在整個(gè)電網(wǎng)經(jīng)濟(jì)、安全運(yùn)行中起著非常重要的作用。文中提出一種新的梯級(jí)水電站群聯(lián)合發(fā)電優(yōu)化調(diào)度的調(diào)度準(zhǔn)則——以單位水體發(fā)電電價(jià)最高優(yōu)先發(fā)電,在此基礎(chǔ)上建立梯級(jí)水電站群聯(lián)合發(fā)電優(yōu)化調(diào)度模型及其評(píng)價(jià)方法。首先建立基于四層水體的水庫(kù)能的水電站發(fā)電模型,在此基礎(chǔ)上提出單位水體發(fā)電電價(jià)的概念。建立優(yōu)化調(diào)度模型時(shí),將電力系統(tǒng)中的負(fù)荷變化和在電力市場(chǎng)機(jī)制下分時(shí)上網(wǎng)電價(jià)的影響因素考慮在內(nèi)。該模型能較為客觀地反映梯級(jí)水電站運(yùn)行情況,能給系統(tǒng)調(diào)度員做出最佳調(diào)度決策提供一定的依據(jù)。優(yōu)化仿真計(jì)算結(jié)果證明該調(diào)度準(zhǔn)則具有可行性和適用性。

本文首先從目標(biāo)函數(shù)和約束條件兩個(gè)方面,介紹了梯級(jí)水電站優(yōu)化調(diào)度的各類數(shù)學(xué)模型.然后對(duì)目前研究比較廣泛的各類優(yōu)化算法進(jìn)行了綜述.最后指出隨著水電能源的開(kāi)發(fā),梯級(jí)水庫(kù)優(yōu)化調(diào)度下一步可能的發(fā)展方向.

提出多目標(biāo)混合粒子群算法以求解梯級(jí)水電站多目標(biāo)聯(lián)合優(yōu)化調(diào)度模型。該算法采用混合蛙跳算法的分組-混合循化優(yōu)化框架以增強(qiáng)算法的全局搜索能力;在族群內(nèi)通過(guò)粒子群算法的飛行調(diào)整策略指導(dǎo)個(gè)體進(jìn)化;同時(shí),引入外部精英集,建立了基于自適應(yīng)小生境的外部精英集維護(hù)策略,提高了算法的收斂性和非劣解集的多樣性。最后將該算法應(yīng)用于三峽梯級(jí)水電站多目標(biāo)優(yōu)化調(diào)度工程,計(jì)算結(jié)果表明,本文算法能夠獲得計(jì)算實(shí)時(shí)性強(qiáng)、分布均勻、收斂性好的調(diào)度方案集,并以此分析明確了調(diào)度目標(biāo)間的耦合關(guān)系,可為梯級(jí)電站的多目標(biāo)調(diào)度決策提供科學(xué)依據(jù)。

針對(duì)梯級(jí)水電站群長(zhǎng)期優(yōu)化調(diào)度發(fā)電量最大模型,提出了一種自適應(yīng)混合粒子群進(jìn)化算法(ahpso)。該算法引入混沌思想生成初始解,并定義了粒子能量、粒子能量閾值、粒子相似度和粒子相似度閾值來(lái)描述算法的自適應(yīng)變化以及群體進(jìn)化程度,同時(shí)結(jié)合遺傳變異思想進(jìn)行粒子操作,最后提出了一種基于鄰域的隨機(jī)貪心策略以解決算法后期進(jìn)化速度慢的缺點(diǎn)。以瀾滄江下游梯級(jí)水電站群為計(jì)算實(shí)例的結(jié)果表明,ahpso比基本粒子群算法有更好的收斂性和優(yōu)化結(jié)果,計(jì)算時(shí)間比逐步優(yōu)化算法少,且優(yōu)化結(jié)果相近,是一種可供選擇的計(jì)算方法。

針對(duì)粒子群算法容易早熟和易于陷入局部極值的缺點(diǎn),提出一種梯級(jí)水電站優(yōu)化調(diào)度的模糊自適應(yīng)粒子群算法.在該算法中將慣性權(quán)值表示為粒子群進(jìn)化速度因子和群體適應(yīng)度方差的模糊函數(shù),在每次迭代過(guò)程中動(dòng)態(tài)改變慣性權(quán)值,以適應(yīng)非線性優(yōu)化搜索過(guò)程.針對(duì)違反約束的粒子,設(shè)計(jì)了一種動(dòng)態(tài)空間調(diào)整策略來(lái)修復(fù)約束要求.為了驗(yàn)證算法的性能,用2個(gè)測(cè)試函數(shù)和擁有4個(gè)水電站的系統(tǒng)進(jìn)行了測(cè)試,在求解精度和速度上與標(biāo)準(zhǔn)粒子群算法和改進(jìn)慣性權(quán)值線性遞減粒子群算法進(jìn)行了對(duì)比,結(jié)果表明模糊自適應(yīng)粒子群算法收斂速度快、精度高.

介紹分析梯級(jí)電廠水電聯(lián)合調(diào)度的技術(shù)和策略,以及相應(yīng)的計(jì)算機(jī)系統(tǒng)的組成原則。

逐步優(yōu)化算法(poa)在求解梯級(jí)水電站聯(lián)合優(yōu)化調(diào)度中,其優(yōu)化結(jié)果受初始解的影響較大,不同的初始解對(duì)優(yōu)化迭代過(guò)程的收斂性影響不同,導(dǎo)致優(yōu)化結(jié)果可能陷入局部最優(yōu)。針對(duì)這一問(wèn)題,本文在深入分析poa尋優(yōu)機(jī)制的基礎(chǔ)上,探求了影響算法全局收斂能力的關(guān)鍵因素,揭示了poa的兩階段尋優(yōu)策略和梯級(jí)水電站優(yōu)化調(diào)度在求解兩階段問(wèn)題時(shí)傳統(tǒng)的\"自上而下逐電站\"尋優(yōu)模式對(duì)算法收斂能力的影響規(guī)律,進(jìn)而提出了基于逐步差分和變階段優(yōu)化改進(jìn)策略的變階段逐步優(yōu)化算法,有效消弱了原始算法在求解梯級(jí)電站聯(lián)合調(diào)度問(wèn)題中對(duì)初始解的依賴性,在一定程度上保證算法收斂于全局最優(yōu)解。實(shí)例研究表明所提算法優(yōu)化得到的梯級(jí)發(fā)電量比poa算法提升0.15%左右,有效克服了原始算法的局部收斂問(wèn)題,且改進(jìn)算法效率更高,尋優(yōu)結(jié)果更穩(wěn)定。

建立了梯級(jí)水電站中長(zhǎng)期聯(lián)合優(yōu)化調(diào)度模型,并采用逐步優(yōu)化算法對(duì)其進(jìn)行求解。以金沙江中游梯級(jí)水電站群為例,通過(guò)計(jì)算,得到了合理的聯(lián)合優(yōu)化調(diào)度方案。與各水庫(kù)單獨(dú)運(yùn)行對(duì)比,其多年平均發(fā)電量、枯期發(fā)電量及水量利用率均有不同程度的提高。該結(jié)果表明此方法應(yīng)用于實(shí)際生產(chǎn)中切實(shí)有效,也為梯級(jí)水電站聯(lián)合優(yōu)化調(diào)度運(yùn)行提供了一種可行的途徑。

探索新的調(diào)度模型求解方法一直是水庫(kù)優(yōu)化調(diào)度研究的熱點(diǎn)之一。社會(huì)情感優(yōu)化算法（seoa）是一種新興的啟發(fā)式智能優(yōu)化算法,但目前在水庫(kù)優(yōu)化調(diào)度中未見(jiàn)應(yīng)用。將seoa應(yīng)用于梯級(jí)水電站發(fā)電優(yōu)化調(diào)度中,并針對(duì)算法初始種群隨機(jī)生成造成的初始解代表性低,引入了初始種群均勻設(shè)計(jì),針對(duì)部分個(gè)體過(guò)早收斂導(dǎo)致的種群活力低、算法易于局部收斂,制定了種群淘汰策略,從而建立了改進(jìn)社會(huì)情感優(yōu)化算法（改進(jìn)seoa）。實(shí)例表明,在梯級(jí)水電站發(fā)電優(yōu)化調(diào)度模型的求解中,改進(jìn)seoa搜索效率高、尋優(yōu)能力強(qiáng)、穩(wěn)定性好。