基于记忆分子动理论优化算法的电力系统经济调度研究

发布时间：2020-03-29 00:51

【摘要】：经济调度(ED)是电力系统运行中经典的优化问题。合理可行的机组负荷分配计划不仅能提高发电效率、节约成本,而且还能减少污染物排放量,具有重要能源战略意义。随着电网日益大规模化与智能化,使得ED问题逐渐高维化、复杂化。本文主要研究了分子动理论优化算法(KMTOA)的改进及在ED问题上的应用。论文所做的主要研究工作如下:(1)阐述研究ED问题的重要性,并描述ED问题两个目标函数的数学模型和约束条件。针对ED问题高维、多约束、非线性等特征,详细介绍了求解ED问题的经典优化算法和智能优化算法,分析了经典优化算法对现代电网难以胜任的原因以及不同机制智能优化算法的优劣势。针对代表智能算法的不足,引出了KMTOA,并对KMTOA的搜索机制、算法步骤、优势进行详细阐述,同时分析了 KMTOA待改进完善的部分。(2)针对KMTOA求解精度待提高、易陷入早熟等缺陷,引入成熟的记忆原理思想,提出记忆分子动理论优化算法(MKMTOA)。该算法受记忆过程的启发,将种群中的个体视为带记忆值的粒子,基于记忆值的计算,按记忆阈值将分子个体划分为长时记忆、短时记忆、瞬时记忆、遗忘4个记忆种群库;模拟记忆的选择与遗忘,建立数学模型,不断更新迭代4个记忆种群库内个体的记忆值,增加种群多样性;并依据记忆精英引导算子,基于长时记忆种群库内的优秀个体对其他个体进行引导搜索,以加快算法收敛速度和避免陷入早熟。(3)MKMTOA通过12个单目标测试函数测试实验说明了改进算法在低维函数较KMTOA精度更高、收敛速度更快;同时在具有代表性的高维以及超高维测试函数上验证了其可行性和有效性;然后,通过6机组、13机组、40机组系统上的调度实验,说明了 MKMTOA从小规模到大规模的电力系统调度具有适用性和高效性。(4)考虑实际电力系统优化调度目标的多重性,单目标优化算法难以满足。在MKMTOA的基础上,引入非支配排序的思想,通过基于记忆分级的非支配快速排序法将记忆库分为四级Pareto前沿,实现了 MKMTOA向多目标优化算法的转变,提出记忆分子动理论多目标优化算法(MOMKMTOA)。该算法保留记忆更新与遗忘模型以保证算法的多样性,并按记忆精英选择策略从一级记忆前沿中随机选择领导精英以避免陷入局部最优。(5)MOMKMTOA选用多目标综合评价指标IGD对10个多目标基准测试函数检验其性能;通过不同多目标算法的数据对比说明了该算法的均匀性及收敛特性均具有最佳效果。工程应用对象选用IEEE-30节点6机组作为测试系统,通过不考虑网损和考虑网损的两个案例,充分验证了 MOMKMTOA在复杂多目标经济调度问题上的实用性。
【图文】：

（ＥＭＳ）中，经济调度（ＥＤ）目的是确定电力系统中每一级的发电水平，即在满足逡逑负载需求和电网络损耗的前提下，使得发电成本最小以及热排放量最小。电力系统调逡逑度调度过程如图１．１。逡逑发电燃料生产成本逦电网系统逡逑发电运行极限逦系统负荷状态逡逑Ｊ逦５逡逑经济调度逡逑最优发电调度逡逑图１．１电力系统调度调度过程图逡逑１．２．１单＠标调度逡逑单目标电力系统经济调度问题的目标函数是在满足约束条件下，使得系统发电成逡逑本最小，总成本函数的数学模型为：逡逑ｍｉｎ／＝Ｊｉ＾（／＞）逦（１．１）逡逑；＝１逡逑其中，／是系统的总发电成本，，巧（＃┪

本文编号：2605176