发电机组组合负荷优化分配算法的分析

1、发电机组组合负荷优化分配算法的分析    摘要：在经过国内外长期的研究和应用，目前已出现了很多有价值的负荷优化分配方法。对目前国内外出现的机组组合负荷优化分配算法进行了比较全面的分析与总结，将其分为传统优化算法、现代智能优化算法、群体智能仿生算法等三类，阐述了各种算法的基本原理，并对其各种算法优缺点作了分析和比较，从而为相关课题的研究提供了参考。关键词：机组组合 负荷分配 优化算法中图分类号:TM62 文献标识码:A 文章编号:1674-098X(2011)12(a)-0000-001 引言燃煤火力发电目前仍是电力能源生产的主要形式，随着电力体制改革方案

2、的逐步实施，厂网分开、竞价上网正在逐步走向深入，电力企业的思维模式、工作方式、管理体制都面临新的考验，竞争将更加激烈。目前电力企业成本较高，利润不高，依靠设备改造、电价改革来提高经济效益的空间又比较有限，所以研究机组组合的负荷优化分配算法即如何在全厂机组组合方式一定的情况下，全面考虑全厂各运行机组的煤耗特性，从而合理地分配各机组所带负荷，使全厂总的煤耗量最小。因此，研究大型火力发电厂多台机组间实时负荷优化分配算法具有重要的现实意义。2 传统的负荷优化分配算法传统优化算法是指早期国内采用的负荷优化分配算法，包括启发式方法、动态规划法、等微增率法、穷举法、混合整数规划法、拉格朗日松弛法等。2.1

3、启发式方法启发式方法是最早使用的一类优化方法, 这种方法没有严格的理论依据, 依靠直观的判断或实际调度的经验寻求最优解。启发式方法在机组组合问题中的应用有局部寻优法和优先级表法。局部寻优法是从一个尽可能好的初始解出发，在其邻域内寻优，通过迭代求得最优解或次优解。优先级表法将系统可调度的机组按某种经济特性指标事先排出顺序，根据系统负荷大小按这种顺序依次投切机组。两种方法计算速度快，占用内存少，但常常找不到最优解。优先顺序法既可单独使用，也可与动态规划法等方法结合使用。2.2 动态规划法动态规划法是将一个给定的问题分解为几个子问题，然后依次解决各个子问题，最后一个子问题的最优解就是该问题的最优解。

4、该方法具有的优点：对目标函数的形态和约束条件没有特殊的要求；对电厂机组负荷分配数学模型进行离散分步求解，即可快速求出全局最优解。但不足的是：对于机组数较多的电力系统，计算比较繁琐，必须采用近似方法简化，因此不可避免地会丢失最优解，而且容易陷入“维数灾”；而且要求所求解的问题具有明显的阶段性，难于考虑与时间有关的约束条件和机组爬坡速率等限制。2.3 等微增率法等微增率法是以数学极值理论来为基础，用海赛矩阵来判断，实现机组组合的负荷优化分配，该方法具有简单明了、使用方便、易于掌握等优点，是目前电力系统实行负荷调度的主要方法。但该方法为了达到系统标准煤耗最小，煤耗量曲线必须满足下凹的特征，如果表现出

5、上凸的特征，利用等微增率法计算出的机组负荷分配方案是极大值，这一严格的要求使得等微增率法在实际调度中的应用大打折扣。2.4 穷举法穷举法是把各机组负荷情况都输入计算机，进行煤耗计算，然后比较结果找出最优解。穷举法对实测性能曲线的每个工况点进行计算，避免了人为拟合造成的误差，具有简单、直接和精度高等特点，但由于其运行时间长，而不能用于实时计算，但可以作为参照算法与其他优化方法的结果进行对照。2.5 混合整数规划法混合整数规划法是根据电厂提供的机组热力试验数据，构造出一组描述系统实际过程的数学模型，并用非线性规划方法求得最优方案的一种复杂解算方法。它具有的优点：从理论上讲，不需要加入过多的限制和假

6、设就可以直接求解机组组合问题的数学模型，从而能找到全局最优解。而其缺点是：算法比较繁杂，为得到比较高的效率，需要精心设计分支策略和求下界算法；在实际运用中，直接使用计算量太大，必须对问题进行分解。2.6 拉格朗日松弛法拉格朗日松弛法是一类整数组合优化算法，解决大系统的优化问题时，随着机组数的增加，计算量近似线性增长，克服了维数障碍。该方法在实际运用中的难点是由于目标函数的非凸性，用对偶法求解存在对偶间隙，需要根据对偶问题的优化解，采取一定措施构造原问题的优化可行解。在其迭代过程中有可能出现奇异或振荡现象，需采取措施加快收敛；而且考虑到某些约束条件 (如机组爬坡速率)，会使计算复杂化。3 现在智

7、能化负荷分配算法当遇到较为复杂的优化问题，如目标函数具有不光滑、离散等特性，或目标函数是典型的多峰值函数，传统的优化算法难以胜任，须借助智能优化算法来完成优化问题的求解。智能优化算法是以计算机发展为基础, 衍生出的全局搜索范畴的优化算法, 包括遗传算法、人工神经网络法、模拟退火算法、禁忌搜索算法、混沌算法等。3.1 遗传算法遗传算法是一种根据生物界进化规律演化而来的随机化搜索方法，具有很强的全局搜索能力。将算法应用于机组组合负荷优化问题,具有方案选择灵活、对目标函数无特殊要求、运算速度快、使用方便等特点,能够实现机组负荷的在线动态优化分配。其缺点是：算法对新空间的探索能力是有限的，也容易收敛到

8、局部最优解；当问题涉及到大量个体的计算，计算时间是个问题；因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。3.2 人工神经网络人工神经网络是指用计算机仿真的方法，从物理结构上模拟人脑神经系统的结构和功能，从而使系统具有人脑的某些智能。该方法在理论上可以充分趋近任意复杂的非线性函数。神经网络具有高度平行的结构，所以采用平行分布处理方法，比常规方法具有更强的鲁棒性和容错能力，使得快速进行大量计算成为可能。基于这些优点，人工神经网络较好地解决了具有不确定性、严重非线性、时变和滞后的复杂系统的建模和控制问题8。3.3 模拟退火算法模拟退火算法是模拟金属退火过程的一种通用概率优化

9、算法，可用在一个大的搜寻空间内找寻问题的最优解。模拟退火算法求得的解与初始解状态(是算法迭代的起点)无关。模拟退火算法,已在理论上被证明是一种以概率收敛于全局最优解的全局优化算法，具有渐近收敛性和并行性等优点。但其算法性能依赖于退火方案的选择，且需进行大量随机迭代，收敛速度慢，同时也有可能无法跳出局部最优而得不到全局最优解。3.4 禁忌搜索法禁忌搜索法是一种全局性邻域搜索算法，是对人类记忆寻优过程的一种模拟。禁忌搜索算法通过特赦(破禁)准则来释放一些被禁忌的优良状态，以保证搜索过程的有效性和多样性，最终实现全局优化。禁忌搜索算法的缺点是依赖初始解，单对单操作，即搜索过程中初始解只能有一个，在每

10、代也只是把一个解移动到另一解。3.5 混沌优化算法混沌优化算法是用于求解组合优化问题的，基本思路是将混沌变量线性映射到优化变量取值区间，然后利用混沌变量进行搜索。该算法由于搜索过程完全按照混沌运动自身的规律和特性进行，获得最优解的可能性更强，而且结构简单、容易实现，是一种极有前途的优化手段。混沌优化算法明显的缺点：当搜索起始点选择不合适或空间很大或控制参数及控制策略选取不合适或者不考虑目标函数的特性，其效果不能令人满意，而且算法可能需要花费很长时间才能取得较好的优化性能6。4 群体智能仿生算法现代智能优化算法具有适用范围广，寻优能力强，程序实现简单等优点，很适合求解像无功优化之类的复杂非线性优

11、化问题。但这种算法也存在早收敛、算法速度慢等缺点。新兴群体智能优化算法是最新提出来但并没有得到广泛应用的算法，所以当其应用到机组组合负荷优化分配实际问题中时，其优缺点并未得到深入研究，主要包括粒子群优化算法、蚁群算法、免疫算法、人工鱼群算法、微分进化算法等。4.1 粒子群算法粒子群算法是根据鸟群觅食过程中的行为提出的一种迭代优化算法。群体各个成员之间通过信息共享和个体自身经验的总结来修正个体行动策略，从而求取优化问题的最优解。该算法具有的优势：概念简单、参数简洁、无需复杂调整等；通过调整系数的取值，跳出局部最优状态，实现扩大搜索区间或者加快收敛速度的目的。近几年粒子群算法在优化问题求解、电力系

12、统、计算机等领域得到广泛的应用。但是在求解机组符合优化分配问题时存在粒子多样性迅速下降、不能较好的完成局部搜索、算法不一定收敛于全局最优解等缺点7。4.2 蚁群优化算法蚁群优化算法是模拟蚂蚁群体觅食行为而形成的一种模拟进化算法。它采用有记忆的人工蚂蚁，通过个体间的信息交流与协作来找到从蚁穴到食物源的最短路径。蚁群算法以高效搜索、鲁棒性强和适用于并行处理等优点而被广泛应用于求解旅行商问题、调度问题等领域。该算法用于负荷分配时,在保证收敛精度的前提下，收敛速度较快、稳定性高，而且高效的邻域搜索算法和充分的收敛条件，会提高蚁群算法的效率。但是其缺点是优化过程中容易出现停滞现象，陷于局部最优解9。4.

13、3 免疫算法免疫算法是一种模拟免疫系统智能行为的仿生算法，在解决非线性、全局优化等复杂问题时具有独特的优越性。它是利用免疫系统的抗体多样性、抗体的促进和抑制机制、记忆功能等特点来保持解群体的多样性，确保快速收敛于全局最优解。算法将所求解问题的目标函数对应于入侵生物体的抗原，最优问题的解对应于免疫系统产生的抗体，通过抗原和抗体的结合力来描述可行解与最优解的逼近程度。将该算法应用到机组负荷优化分配中，可以避免遗传算法中出现的早熟、搜索效率低和不能很好保持个体多样性等问题，能快速搜索到全局最优解4。4.4 人工鱼群算法人工鱼群算法是一种基于模拟鱼群行为的随机搜索优化算法。算法利用了鱼的觅食、聚群和追

14、尾行为，从构造单条鱼的行为做起，通过鱼群中各个体的局部寻优，达到全局最优。该算法应用于机组优化问题是将机组开停所对应的状态0和1整数变量松弛为区间0,1内的连续变量的优化问题。4.5 微分进化算法微分进化算法是一种基于种群进化的多点搜索算法，在搜索机理上综合了粒子群算法和遗传算法的寻优思想。该算法在解决复杂的全局优化问题时，实现简单、受控参数少。但是算法完全以随机的概率选取实验点，容易导致寻优过程的早熟问题。一般优化过程中，通常通过采用增加种群数量的方法来处理搜索过程中的局部最优问题，这又使算法的计算时间过长而降低了算法的搜索性能5。5 结语研究发现在解决机组负荷优化分配时，每一种算法都有各自

15、的优缺点。目前我国电厂机组负荷优化分配普遍采用的是基于等微增法和动态规划的改进算法, 而智能算法尚在理论研究和试验阶段，还不够成熟，但随着计算机技术的发展和新算法的成熟，各种新型群体智能算法借其灵活性及在处理大规模问题中的优越性将会成为未来发展的主流趋势。参考文献李太兴，张婷，陈文福.火电机组负荷优化分配算法分析比较J电气时代，2007，11：74-77.吴金华，吴耀武，熊信艮.基于退火演化算法和遗传算法的机组优化组合算法J.电网技术，2003，27(1)：26-29.丁立功，钱跃辉，翟中牛.遗传/禁忌组合算法在发电机组优化组合中的应用J.电力学报，2000，15(4)：244-247.张瑜玲

16、，顾幸生.基于免疫算法的火电厂机组负荷优化分配研究J.系统仿真学报，2006，18(2)：235-238.刘自发，张建华.一种求解电力经济负荷分配问题的改进微分进化算法J.中国电机工程学报，2008，28(10)：100-105.王丽侠.混沌优化算法及其在组合优化问题中的应用J.计算机工程，2007，33(21)：192-196.张振宇，葛少云，刘自发.粒子群优化算法及其在机组优化组合中应用J.电力自动化设备，2006，26(5)：28-31.毛亚林，张国忠，朱斌，周明.基于混沌模拟退火神经网络模型的电力系统经济负荷分配J.中国电机工程学报，2005，25(3)：66-70.侯云鹤, 熊信艮, 吴耀武, 鲁丽娟.基于广义蚁群算法的电力系统经济负荷分配J.中国电机工程学报，2003，23(3)：59-64.10 刘严，谭忠富.动态规划方法在机组负荷最优分配中的应用J.现代电力，2003，20(2)：76-80.11 戴义平, 孙凯, 张旭峰.基于遗传算法的发电厂负荷最优分配J.热力发电，2003，( 9)：6-9.12 朱广名.发电机组优化组合的模