节能发电调度优化方法研究毕业论文

......毕业设计（论文）题目：节能发电调度优化方法研究目录TOC\o"1-4"\h\z\u摘要三关键词三摘要四关键词：四一、简介11.1课题研究背景及意义11.1.1电力系统简介11.1.2中国电力行业现状11.2优化调度方法在电力系统中的应用21.2.1优化调度中的主要问题22.遗传算法的特点和基本方法32.1遗传算法概述32.1.1遗传算法概念32.1.2遗传算法4的步骤和意义2.2遗传算法的理论基础62.2.1模式定理和构建模块假设62.2.2遗传算法的隐式并行性72.2.3遗传算法性能评估82.3遗传算法的特点92.3.1遗传算法的优势92.3.2遗传算法的不足102.3.3遗传算法与传统算法的比较102.4改进的遗传算法122.4.1遗传算法的主要问题及解决方案123.基于改进遗传算法的AGC单元优化组合133.1传统单元组合模型133.1.1目标函数133.1.2约束143.2考虑AGC15的单元优化组合数学模型3.2.1电力市场环境下AGC调节能力问题163.2.2目标函数173.2.3约束173.3变长二进制编码183.4等增量获取幂203.5差分功能选择233.6主组初始化和主组终止设置253.7子种群初始化和子种群终止设置253.8主种群和亚种群遗传算子设计253.9获取采矿点283.10改进遗传算法的一些讨论293.10.1搜索域与挖掘点的关系293.10.2亚群控制294.实例仿真分析304.1示例1304.2示例2345.结论37参考文献39到40附录41节能调度优化方法研究摘要随着电力运行体制改革的深入和电力市场的逐步形成，电力系统中AGC功率配置和机组优化组合的规模越来越大，制约因素也越来越复杂。本文研究遗传算法在AGC功率分配和单元优化组合中的应用，主要包括以下几个方面：讨论遗传算法的相关理论，指出标准遗传算子的一些缺陷，提出一种新的改进遗传算法的性能。对改进的遗传算法进行分析；针对包括AGC在内的单元优化组合模型的特殊性，提出了一种变长二进制码，并根据该码设计了特殊的遗传操作。对于连续变量，建议采用等微增量法处理；根据AGC功率分配模型的特点，对改进的遗传算法模型进行适度简化，对模型中的连续变量进行优先级处理，提高了算法的性能和精度；最后结合数据进行仿真，结果表明改进的遗传算法收敛速度快，计算精度高。关键词:改进遗传算法,自动发电控制,机组组合,异化算子节能调度优化方法摘要随着我国电力行业建立市场化运行机制，AGC机组选型和发电机组优化承诺的规模越来越大，约束条件也越来越复杂。论文关于遗传算法在AGC和发电机组优化承诺中的应用和研究，包括以下内容：分析AGC单元的选择和发电机组优化承诺的发展和现状，并注意到该研究包括发电机组优化承诺AGC对新模型的需求；讨论了遗传算法的理论，指出了标准遗传算法的一些不足，改进了遗传算法模型，分析了遗传算法以提高性能；根据AGCUnits模型选择的特点，改进的遗传算法模型适度简化，TreatmentwithPriority模型的连续变量最后，数据和仿真结果表明改进的遗传算法收敛速度快，精度高，适用于大中型大小的系统。关键词：改进的遗传算法，发电机组最优承诺，相似性，异化..一、介绍1.1研究背景及意义1.1.1电力系统简介电力系统是由各类电厂、不同电压等级的输配电网络和电力用户组成的大系统。旨在满足国民经济发展对电能的需求，完成电能从生产、输送、分配到消费的任务。从电力行业的技术经济特点和改革发展趋势来看，电力系统是与电力生产系统和电力业务系统相结合的技术、工贸一体化的工商业系统。从电力技术角度看，电力工业是一个由发、输、配电、供、用等环节紧密相连的连续生产过程。从电力经济的角度看，电力行业是竞争接入互联网、垄断输电网络、在供电侧提供可靠供电、提供优质服务、与电力企业合作的发电企业。科学用电市场和监管。具有自然垄断性质的有机互补基础产业。从系统科学的角度看，电力行业是一个典型的人、财、物等多层次的复杂系统，包括一个高度信息化的发电、输电、配电信息系统。由负荷调度、运行控制、工况监控、故障诊断、输电服务、交易、合同管理、计量充电、电力监管等部分组成。参与复杂系统。目前，电力系统建设的重点是政府部门的推动、电力公司和用户的落实、电价等经济政策的支持、技术创新的推进。通过技术手段获取实时准确的需求数据，对负荷控制进行统计分析和同步优化，值得深入研究和解决，以促进技术进步、电力管理、客户服务和社会的相互促进。发展，真正实现供用。整个电气过程的优化控制。1.1.2我国电力行业现状电力工业是重要的基础产业，在国民经济中具有主导作用。它与国民经济有着非常密切的关系。随着经济的快速增长，对电力的需求量很大，反之亦然。电力行业的发展对宏观经济非常敏感，特别是在中国，大约四分之三的用电量是工业用电。近年来，国家实施积极的财政政策，加大投资力度，国家经济发展态势良好。《全国电力行业统计快报》统计显示，2004年，全国全年发电量达到2187亿千瓦时，比上年增长14.0%。跳跃，增长率与上年相比下降了0。4%。核电发电量稳步增长，年发电量501亿千瓦时，同比增长14.5%。1%。2004年，全社会用电量21735亿千瓦时，比上年增长14.5%。9%是改革开放以来继2003年之后的第二个高速增长年。到2020年，我国一次能源消费总量达到34亿吨煤炭，发电装机容量达到94亿吨。5亿千瓦。其中水电2．5亿千瓦，将占2650万千瓦。3%；火电占69%。踏步：核电占2。1%。风电占2.1%。与2004年底火电装机容量相比，火电需增加3.4亿千瓦。2005年，随着新机组一大批投产，电力供需形势将明显改善，电力缺口将大大缩小，但部分地区仍供不应求。2005年冬至2006年春，我国缺电约1500万千瓦，主要集中在华北、华南和华中地区。华东、东北、西北电力供需基本平衡。2006年，全国电力供需形势较2005年有所缓和，但部分地区和时段仍存在供需矛盾。预计2006年全国用电量增速在11%左右，用电量约2.73万亿千瓦时。电力工业的快速发展和与国民经济的紧密联系，必然带来电力工业市场化的发展。未来，电力改革将进一步深化，电力市场化将成为全球电力行业的总体发展方向，中国电力市场必然面临诸多变化。1.2优化调度方法在电力系统中的应用电力系统市场化运行一旦实施，电力系统运行的各个环节都有很多问题需要解决。这些问题与传统的最优调度密切相关，因此最优调度理论D1及其计算方法将在电力市场中发挥重要作用。在传统的电力系统优化调度过程中，优化调度的目标大多是使系统发电成本最小化。在竞争激烈的电力市场中，优化调度所追求的目标是多方面的。在现代电力行业环境下，电力市场运行的基本目标是在满足系统安全稳定运行的条件下，促进电厂的竞争，使发电成本、网络总和最小化。损失和辅助服务成本作为优化目标。报价、确定发电方案，实时调度各发电公司机组发电量，满足用电负荷需求。1.2.1优化调度的主要问题首先，经济负荷分配是电力系统中典型的优化调度问题。目前，我国能源消费增长一直高于经济增长，其中煤炭问题是我国能源战略中的一两个突出问题。预计到2020年，我国一次能源消费总量将达到34亿吨煤。发电装机容量需求达到9.5亿千瓦。其中，火电占69。5%。与2004年底火电装机容量相比，火电需求增加了3.4亿千瓦，即每年需要增加10亿吨煤用于发电。这不仅会给我国煤炭生产带来巨大压力，也会给环境带来巨大压力。随着大量新机组的不断投产和全国用电量的快速增长，经济负荷分配的调度不可避免地成为电力系统调度管理的重要任务之一。通过在可用机组之间合理分配输出，最大限度地提高整个电力系统的经济性（最低发电成本），节能可以带来巨大的经纪收益。其次，电力市场必须用经济的手段来管理每个成员，而电价是体现管理思想的工具。因此，电价制定原则、交易电价计算、电网收益等是电力市场的重要内容。在以电网收益最大化为目标的电力市场中，各时段、各阶段机组的报价和发电计划问题成为电力公司关注的焦点。同时，中国只有进一步改革电力市场，才能有效利用有限的电力能源，减少污染。染料。随着我国部分地区电厂的大规模建设，发电设备的供应已经开始供不应求。火电厂企业是我国的“污染大户。一、燃煤造成的二氧化硫和氮氧化物的大量排放，严重污染了环境。这已成为全国现象。制约经济社会可持续发展的因素之一。中国应将能源效率和环境目标纳入其竞争性电力市场的管理框架中，在电力系统的优化调度中共同管理，并及时采取措施使电价更能反映实际成本，以让投资者有更多的选择余地。高效的设备和燃料，同时让消费者节省电力。二、遗传算法的特点和基本方法2.1遗传算法概述2.1.1遗传算法概念遗传算法（GA）是一种模拟自然选择和自然遗传机制的随机优化算法。H._Holland教授提出其主要特点是群体搜索策略和群体中个体之间的信息交换。搜索不依赖梯度信息，因此对目标函数没有可微要求（目标函数可以是离散的）。它可以根据不同的环境生成不同的后代，具有动态性、自适应性，同时具有并行性，可以有效解决计算量大的问题。GA利用目标函数本身来建立优化方向，不需要求逆、求逆等复杂的导数数学运算，并且可以很容易地引入各种约束，更有利于获得最优解，适用于处理混合非线性规划和多目标优化。近年来，遗传算法在各个科学领域得到了广泛的应用，在解决一些复杂的优化问题上表现出强大的能力和广泛的适应性。国内一些学者研究了遗传算法在不同领域多目标问题中的应用。中国学者在遗传算法在电力系统优化调度领域的应用也取得了一些成果。也有学者尝试用遗传算法求解电力系统的多目标优化调度。电力系统负荷优化分配问题是一个多目标、多变量、多约束的混合非线性规划问题，整个优化过程比较复杂。传统的数学优化方法如线性规划、非线性规划、整数规划、二次规划、动态规划等方法不能达到全局最优，只能找到局部最优解。遗传算法具有全局优化、收敛速度快的特点，适用于处理电力系统市场日有功负荷多目标分配的优化调度问题。虽然遗传算法本身在理论和应用方法上还有很多问题有待进一步研究，但在功能优化、组合优化、生产调度、自动控制等方面已经显示出它的特点和魅力，已经成为一种强大的工具。用于解决全局优化问题。一。2.1.2遗传算法的步骤和意义遗传算法是一种模拟达尔文生物进化的遗传选择和自然淘汰过程的计算模型。它的思想来源于生物遗传和适者生存的自然规律。它是一种具有“生成+检测一个”迭代过程的搜索算法。遗传算法以群体中的所有个体为对象，利用随机化技术引导A编码参数空间进行高效搜索。其中，选择、交叉和变异构成遗传算法的遗传运算；参数编码、初始种群设置、适应度函数设计、遗传运算设计、控制参数设置五个要素构成遗传算法的核心内容。我们习惯将Hollandl975提出的遗传算法称为传统遗传算法。其主要步骤如下：1.编码：GA将解空间的解数据表达成搜索前遗传空间的基因型串结构数据，这些串结构数据的不同组合构成不同的点。2.初始群的生成：随机生成N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成一个群。GA开始以N个字符串结构数据为初始点进行迭代。3.适应度评价检验：适应度函数表示个体或解决方案的优劣。不同的问题有不同的定义适应度函数的方法。4.选育：选育的目的是从当前种群中选出优秀的个体，使其有机会作为亲本繁育下一代。遗传算法通过选择过程体现了这一思想。选择的原则是适应性强的个体有很高的概率为下一代贡献一个或多个后代。选择体现了达尔文的适者生存原则。5.交叉：交叉操作是遗传算法中最重要的遗传操作。通过交叉操作可以获得新一代个体，新个体结合了其父母的特征。交叉点体现了信息交换的思想。6.变异：变异首先随机选择种群中的一个个体，对选中的个体以一定的概率随机改变字符串结构数据中某个字符串的值。与生物世界一样，遗传算法中的突变概率非常低，通常取值为0。001~0．01之间。变异为新个体的产生提供了机会。7.收敛到全局最优：当最优个体的适应度达到给定阈值时，或者当最优个体的适应度和群体的适应度不再上升时，算法的迭代过程收敛，算法完成。否则，用选择、交叉、变异得到的新一代种群替换上一代种群，返回步骤4，即选择操作，继续循环执行。2.1中表示遗传算法的执行过程：112453123219276112671选择淘汰4.5提高1.22.3交叉产生6.7变异交叉用作下一代1变异为9图2.1遗传算法原理综上所述，GA的计算过程如下：选择一种编码方法生成初始种群计算初始种群的适应度值如果条件不满足{选择叉突变计算新生代种群的适应度值}因此，遗传算法有一个“生成-测试”的迭代过程，其基本处理流程如图：,群体群体P(t)选择运算交叉运算解码变异运算群体P（t+1）解集合个体评价解空间遗传空间图2.2遗传算法的基本流程2.2遗传算法的理论基础2.2.1模式定理和构建模块假设在遗传操作中，新个体的结构模式与其亲本的结构模式存在一定的相似性，这些相似性模板都对应于高适应度值（高于种群的平均适应度）。因此，遗传算法在搜索过程中一直在寻找种群中个体的重要结构相似性。这种类似的模板称为模式。基于三值字符集{0,1,*}，可以描述一组0,19个具有一定结构相似性的字符串的字符串称为模式。符号“*”是通配符。在遗传算法中，字符串的操作本质上就是模式的操作。模式H中确定的位置数称为模式的模式阶数，记为O(H)。显然，一个模式的阶数越高，样本数越少，所以确定性越高，但是在遗传算法的变异操作中，阶数高的模式更容易被破坏，即短订单模式具有强大的生命力。模态H中第一个确定的位置和最后一个确定的位置之间的距离称为模态的定义距离，记为。图案的定义距离越短，则图案在交叉操作中被破坏的概率越小，也就是说，定义距离越短的图案生命力越强。模阶和定义距离描述了模的基本属性。图式定理：在遗传算法选择、交叉和变异的作用下，具有低阶、短定义且平均适应度高于种群平均适应度的图式将在后代中呈指数增长。统计确定理论中的双老虎机问题表明：要获得最优可行解，需要保证最优解的样本数呈指数增长。因此，众数定理是遗传算法的理论基础，它决定了遗传算法能够更好地找到全局最优解。在具有高适应度的模式中。就像积木一样，这些“好一个”模式在基因操作下被构建和组合，以生成具有更高适应度的字符串，从而找到更好的解决方案。这是积木假说的内容。积木假设：低阶、短程、高平均适应度模式（积木）在遗传算子的作用下相互结合，产生高阶、长程、高平均适应度模式，全局最优解最终可以生成。模式定理保证最优模式的样本数呈指数增长，从而满足寻找最优解的必要条件，即遗传算法具有找到最优解的可能性。积木假说指出遗传算法具有寻找全局最优解的能力，即积木在遗传算子的作用下可以生成高阶、长距离、高平均的适应度模式，并且最后生成全局最优解解开。2.2.2遗传算法的隐式并行性在遗传算法中，一个字符串实际上暗示了多个模式，而遗传算法本质上就是对模式的操作。一个长度为1的字符串，其中隐含了一个模式。然后，如果人口规模为n，则其中隐含模式的数量介于和之间。但是，由于交叉操作的影响，并不是所有的模式都能被高效处理，定义距离长的模式会被破坏。在遗传算法中可以指数增长的模式数量的下限是。隐式并行（implicitparallelism）：虽然遗传算法只对n个个体字符串进行操作，但它隐含地处理了模式。遗传算法有效处理的模式总数与总体n的立方成正比。从遗传算法的并行性可以看出，在遗传运算中，虽然高阶、长定义的模式在交叉算子和变异算子的作用下被破坏，但是当遗传算法处理一个相对较少的字符串，仍然有很多模式是隐式处理的。2.2.3遗传算法性能评估遗传算法的实现涉及到前面提到的五个要素，每个要素都有对应于不同环境的各种相应的设计策略和方法。不同的策略和方法决定了它们各自的遗传算法具有不同的性能和特点。因此，评估遗传算法的性能对于遗传算法的研究和应用非常重要。遗传算法的评价指标大多采用适应度值。在没有具体要求的情况下，一般采用每一代最优个体的适应度值和群体的平均适应度值。遗传算法定量分析的度量包括离线性能（off-lineperformance）度量n硼和在线性能（on-lineperformance）度量。前者衡量收敛性，后者衡量动态性能。之所以采用线下和线上的措施，是为了强调两者在应用上的区别。一般来说，在离线应用中，可以模拟优化问题的解，在一定的优化过程停止条件下，可以保存并使用当前的最佳解；在在线应用中，优化问题的求解必须通过真实的实验在线实现的优点是可以快速得到较好的优化结果。在线绩效评估指南设为策略s在环境e中的在线性能，作为环境e在时间t或第t代对应的目标函数或平均适应度函数，可以表示为：(2-1)上式表明，在线性能可以用从第一代到当前代的优化进度的平均值来表示。如果用平均适应度来描述在线性能，则可以通过简单地计算从第一代到当前代的每一代的平均适应度值与代数的平均值来获得在线性能。离线绩效评估指南环境e中策略s的离线性能，有：(2-2)其中，上述公式表明，离线性能是特定时刻最佳性能的累积平均值。具体而言，在进化过程中，对每一进化代计算迄今为止每一代的最佳适应度或最佳平均适应度，并计算进化代的平均值。2.3遗传算法的特点遗传算法作为一种快速、简单、容错的算法，在各种结构对象的优化过程中表现出明显的优势。它与传统算法不同，大多数经典优化算法都是基于单个度量函数（评估函数）的梯度或高阶统计量来生成确定性的试解序列；遗传算法不依赖梯度信息，而是通过模拟自然进化过程来寻找最优解。它利用一定的编码技术作用于染色体的数字串，模拟由这些串组成的群体的进化过程。交换信息以重新组合那些适应良好的字符串以生成新的字符串组。2.3.1遗传算法的优点遗传算法具有以下优点：1.可行解决方案的广泛表示。遗传算法的处理对象不是参数本身，而是参数集中编码的个体。这种编码操作使遗传算法能够直接对结构对象（集合、序列、矩阵、树、图形、链接和列表）进行操作。这一特性使得遗传算法具有广泛的应用。2.组搜索功能。许多传统的搜索方法都是单点搜索。这种点对点搜索方法对于多模态分布的搜索空间，往往会陷入局部单峰极点。相反，遗传算法采用同时处理种群中多个个体的方法，即同时估计搜索空间中的多个解。这一特性使得遗传算法具有更好的全局搜索性能，也使得遗传算法本身易于并行化。3.不需要辅助信息。遗传算法只是利用适应度函数的值来评价基因个体，并在此基础上进行遗传运算。更重要的是，遗传算法的适应度函数不仅不受连续可微性的限制，而且其定义域可以任意设定。由于约束条件的缩小，遗传算法的应用范围大大扩展。4.启发式随机搜索的特征。遗传算法不使用确定性规则，而是使用概率转移规则来指导其搜索方向。概率仅用作指导其搜索过程朝向搜索空间的更优化解决方案区域的工具。虽然看起来是一种盲目的搜索方法，但实际上它有明确的搜索方向，并具有并行搜索机制。5.遗传算法在搜索过程中不易陷入局部最优，即使定义的适应度函数是不连续的、不规则的或有噪声的，它也能以高概率找到全局最优解。6.遗传算法使用自然进化机制来表示复杂现象，并且可以快速可靠地解决非常困难的问题。7.遗传算法固有的并行性和并行计算能力。8.遗传算法是可扩展的，并且易于与其他技术混合。2.3.2遗传算法的缺点作为一种优化方法，遗传算法有其自身的局限性：1.存在编码时的编码不规则和不准确。2.单一的遗传算法代码无法全面表达优化问题的约束条件。考虑约束的一种方法是对不可行的解决方案使用阈值，因此计算时间必须增加。3.遗传算法容易过早收敛。4.遗传算法在算法的准确性、可靠性的计算复杂度等方面没有有效的量化方法。需要注意的是，遗传算法对给定问题给出了大量可能的解，并选择最终的解给用户，如果特定问题没有单一解，比如在帕累托最优解系列中，比如多目标在优化和调度的情况下，将尽可能使用遗传算法来识别可以同时替换的解决方案。2.3.3遗传算法与传统算法的比较在最近的优化问题中，目标函数和约束有很多种，有的是线性的，有的是非线性的，有的是连续的，有的是离散的，有的是单峰的，有的是多峰的。随着研究的深入，人们逐渐认识到，在许多复杂情况下，完全准确地得到最优解是不可能的，也是不现实的。因此，寻找其近似最优解或满意解是主要的研究问题之一。对于上述优化问题，传统的求最优解或近似最优解的方法主要有解析法、随机法和穷举法。解析法主要包括爬山法和间接法，随机法主要包括引导随机法和盲随机法。穷举法主要包括完全穷举法、回溯法、动态规划法和有界剪枝法。这些问题可以使用遗传算法来解决。为了解决这些问题，遗传算法与总则传统方法有着根本的不同。1.遗传算法与启发式算法的比较启发式算法是指通过寻找能够产生可行解的启发式规则来找到问题的最优解或近似最优解。这种方法解决问题的效率更高，但它必须为每个问题找到其独特的启发式规则。这种启发式规则一般不通用，不适用于其他问题。然而，遗传算法不使用确定性规则，而是强调使用概率变换规则来指导搜索过程。2.遗传算法与爬山法的比较Hessian法的总称。爬山法首先选择一个可能存在最优解的初始点，然后通过分析目标函数的特征，从初始点移动到新的点，然后继续该过程。爬山法的搜索过程是确定性的，它通过生成一系列点来收敛到最优解（有时是局部最优解），而遗传算法的搜索过程是随机的，它生成一系列随机种群序列，两者的主要区别可以总结如下：(1)爬山法的初始点只有一个，由决策者给定，遗传算法的初始点有多个，随机生成。(2)通过分析目标函数的特征可知，爬山法中的一个点生成一个新的点，遗传算法通过遗传运算，在当前种群中进行穷人、变异和选择产生下一代人口。对于同样的优化问题，遗传算法比爬山法使用的时间要多，但是遗传算法可以处理一些爬山法无法解决的优化问题。三、遗传算法与穷举法的比较穷举法是在解空间中搜索所有解，但通常的穷举法并不是完全穷举法，即不尝试所有解，而是有选择地尝试，如动态规划法、极限剪枝法等。对于某些问题，穷举法有时表现出良好的性质。但总的来说，对于完全穷举的方法，方法简单易实现，但求解效率太低；对于动态规划法和有界剪枝法，鲁棒性不强，相比之下，遗传算法具有较高的搜索能力和较强的鲁棒性。4.遗传算法与盲随机方法的比较与上述搜索方法相比，盲随机搜索方法有所改进，但其搜索效率仍然不高。通常，只有在搜索空间中形成紧凑分布时，对解决方案的搜索才有效。遗传算法作为一种引导式随机搜索方法，是一种对编码参数空间的有效搜索。5.遗传算法和蚁群算法蚁群优化(ACO)模拟了Dorigo等人提出的蚂蚁的蚁群行为。hCO本质上是一种基于swarm的多智能体算法。该方法的主要特点是：正反馈，分布式计算，结合一定的启发式算法，正反馈过程使该方法能够快速找到更好的解决方案；目前有学者尝试将其应用到电力系统规划中，但规划模型并没有很好地加工成适合蚂蚁算法的模型。当系统规模增大时，很难获得高质量的解决方案。如何将规划模型合理地转化为适合蚂蚁算法的模型需要进一步研究。遗传算法的显着优势在于它可以同时搜索空间中的多个点而不是一个点，因此可以实现全局优化；因为寻找最优解的过程是指导性的，它避免了一些优化算法的维数。灾害的数量。利用遗传算法进行电力系统调度的优化规划，可以得到多个最优和次优方案，供规划者根据实际情况进行决策和选择。6.遗传算法和模拟退火模拟退火法最大的特点是可以在搜索中摆脱局部解，这是传统爬山法所不具备的。遗传算法中的“选择一”操作是以与个体适应度相关的概率进行的。因此，即使是低适应度的个体也将有机会被选中。在这方面，它与模拟退火非常相似。显然，遗传算法可以通过在搜索过程中动态控制选择概率来实现模拟退火方法中的温度控制功能。7.遗传算法和混沌优化算法混沌优化算法是近年来随着混沌学科的发展而提出的又一新算法。通过将优化问题模型映射到混沌变量上，充分利用了混沌运动中混沌变量的遍历性。和规律性来寻找全局最优解。根据混沌变量应用方法的不同，混沌算法可分为基于混沌序列的函数优化方法和基于混沌神经网络（CNN）的优化算法。然而，由于混沌变量的搜索空间狭窄，需要对优化模型进行归一化处理，将混沌神经网络应用到实际工程中的模型很少。2.4改进的遗传算法2.4.1遗传算法的主要问题及解决方案+检测”迭代过程的搜索算法。遗传算法采用群体搜索策略和群体中个体之间的信息交换，搜索不依赖梯度信息。但标准遗传算法存在一些不足。以下是标准遗传算法中的主要问题和解决方案。过早收敛和迟钝搜索的解决方案：条件最佳保留机制；采用Genetic-CatastrophicAlgorithm；适应度函数的动态缩放：一种结合多群并行进化和控制参数自适应调整的自适应并行遗传算法；自适应变化而不是固定变化用于重要参数的选择。为了提高简单遗传算法的实际计算性能，许多学者还从参数编码、初始种群设置、适应度函数标定、遗传算子、控制参数选择和遗传算法结构等方面提出了改进工作。许多学者一直致力于推动遗传算法的发展，对编码方法、控制参数的确定和交叉机制进行了深入研究，提出了遗传算法的各种变体。基本方法总结为以下几个方面：（1）改进遗传算法的组成或使用技术，如选择最优控制参数、适合问题特点的编码技术等。(2)使用混合遗传算法(HybridGeneticAlgorithm)。(3)采用动态自适应技术。在进化过程中调整算法控制参数和编码精度。(4)使用非标准的遗传算子。(5)使用并行算法。3.基于改进遗传算法的AGC单元优化组合3.1传统单元组合模式单元优化组合问题包括单元操作约束和常规操作约束。在一个调度周期内，根据负荷变化曲线，分时段进行计算。其数学模型的目标函数是使电厂在一个调度期内的总煤炭成本最小化，其约束条件包括电力平衡方程、经济运行要求和机组运行约束。假设系统有N台可运行机组，各期总负荷为，机组剩余电量为单位。3.1.1目标函数要求系统中各单元的总成本在T小时内最小，目标函数可写为(3-1)在哪里：-单元i在时间段t的功率变量。-发电机组数量——第i台机组的发电成本一般采用二次型，即第i台机组的运行成本特征参数。T——机组总运行时间。t——机组运行时间参数。——单元i在时间段t的状态，只设置0和1两个值，=1表示运行状态，=0表示停止状态。——机组的启动成本，与机组建立的数学模型有关，分为两类：酷开始机组从制冷状态启动，启动成本与停机时间t的长短有关。洞穴的成本可以表示为：(3-2)在哪里：——第i台锅炉的冷启动成本；——第i台机组的启动成本常数；-炉子的热时间常数；-船员停止服务的小时数。“压火”开局机组从“按火”开始，其启动成本可表示为；(3-3)式中：——按火1h所需的启动成本。3.1.2限制对于上述要求系统中各单元的总成本为最小单元的优化问题，实际上存在一定的约束条件，如下：a)功率平衡约束电网系统的功率平衡方程为：i=1,2,…,Nt=1,2,…,T(3—4)——表示调度中心下发给调度厂的t期负荷。根据物理定律，上式在任何条件下都是绝对正确的。旋转备用约束根据电力系统安全的考虑，电网要具备抗突发事件的能力，发电机组的输出功率要随时有一定的储备，所以引入了旋转储备约束不等式如下：i=1,2,…,Nt=1,2,…,T(3—5)在：-工作单元可以提供的最大功率。——表示调度中心下发给电厂的t期负荷。——系统在时间段t内所需的电量储备。单位容量限制在实际系统中，发电机的输出功率受到一定程度的限制，因此存在以下几组容量约束不等式：i=1,2,…,N(3—6)-第i台机组的发电机功率下限。——第i台机组的发电机功率上限。机组最小连续停机和连续运行小时数的限制发电机在运行中，作为一台机器，考虑到发电机的使用寿命和运行安全，不内容发电机在短时间内连续多次启停。因此，在本文研究的时期内，机组最小停运时间和连续运行小时数存在如下约束不等式：t=1,2,…,Ti=1,2,…,N(3—7)机组内容连续停机的最小小时数；它是设备内容的最小连续运行小时数。3.2考虑AGC的单元优化组合数学模型AGC问题是互联电力系统经济高效运行的核心问题。AGC辅助服务是保障电网安全、稳定、经济运行的关键，承担着电网调频、区域联络线交流电控制和经济调度等重要任务。传统的运行机制下，调度员可以命令发电公司免费提供AGC辅助服务，但在电力市场环境下，互联电力系统的AGC已经从单纯的控制领域进入了控制和经济领域。一个独立的经济实体，不可能免费提供AGC辅助服务。传统的单元组合模型没有考虑产生AGC辅助服务的成本。本文将购电成本作为机组组合的目标函数，将机组的AGC调整成本作为购电成本的一部分。此外，购电成本的很大一部分是燃料成本，它是机组实际输出功率的函数。3.2.1电力市场环境下的AGC调节能力问题为实现AGC调节功能，电网公司需要随时获得一定的AGC容量，以弥补因意外事件造成的电力不足，同时承担系统频率调节的任务。在供电可靠性和电能质量方面，AGC容量越多越好，但在运行经济性方面，AGC容量不宜过多。AGC的容量主要根据系统负载的变化和运行经验来确定。一般取最大负载的2%-5%，大系统取小值，小系统取大值。在电力市场，机组的启停计划是在调度前进行的。首先将机组报价从低到高排列，结合预测负荷，确定接入互联网的发电机组，进而计算机组组合和经济负荷分布。可以确定每个单元的开关状态和输出。由于负荷预测存在一定偏差，系统实际运行会因各种不可预见的原因发生变化，如各电厂未能严格执行发电计划，势必造成实际负荷偏离致谢单位。贡献。如果机组不具备AGC功能，不能进行输出调节，则系统供需不平衡，系统频率严重偏移，导致系统失去稳定性。因此，购电方作为电网的运营商，必须购买一定的AGC，以免系统负荷波动时影响系统的正常稳定运行。在预调度市场，机组预调度出力上下限会因机组AGC计划投产而发生变化。当所有发电机组都具有AGC功能时，可以上下调节输出。具有AGC调节功能的单元的预调节输出范围会更小。当机组没有AGC时，其预分配输出在机组受约束时的最小技术输出和最大发电功率之间；当机组有AGC时，其预先分配的最大输出为，最小输出为。，AGC作为辅助服务的重要组成部分，必须给予相应的经济补偿，因为AGC机组需要安装一些相关设备，需要一定的成本。此外，参与AGC服务的AGC机组不仅对机组本身产生损害，还会对参与者产生的发电量造成损失。发电将自己的报价提交给市场管理者，并明确是否愿意参与调整、以什么价格、多长时间。此外，如果选用的AGC机组在运行过程中未达到规定要求或根本不投入运行，导致电网公司增购AGC容量的，将视情况给予警告或处罚。当系统内各单位上报计划时，有AGC上调和下调，则电能市场上报数据应按上述要求进行相应变更。AGC的上（下）调整成本根据单位上报的AGC数据计算，即上（下）调整成本=AGC上（下）调整单元的上（下）调整成本。只要机组预定开机，这部分费用都会计算。3.2.2目标函数要求系统中各单元的总成本在24小时内最小，目标函数可写为(3-8)在哪里：——分别为t时刻单元i的AGC上调量和下调量。—分别为单元i的AGC单元的上行和下行成本。其他参数含义与传统单元优化组合模型相同。3.2.3限制对于上述要求系统中各单元的总成本为最小单元的优化问题，实际上存在一定的约束条件，如下：功率平衡约束电网系统的功率平衡方程为：i=1,2,…,Nt=1,2,…,T(3-9)——表示调度中心下发给调度厂的t期负荷。根据物理定律，上式在任何条件下都是绝对正确的。旋转备用约束根据电力系统安全的考虑，电网要具备抗突发事件的能力，发电机组的输出功率要随时有一定的储备，所以引入了旋转储备约束不等式如下：i=1,2,…,Nt=1,2,…,T(3—10)在：-工作单元可以提供的最大功率。——表示调度中心下发给电厂的t期负荷。——系统在时间段t内所需的电量储备。单位容量限制在实际系统中，发电机的输出功率受到一定程度的限制，因此存在如下单位容量约束不等式：i=1,2,…,N(3—11)-第i个单元的发电速率下限。——第i台机组的发电率上限。机组最小连续停机和连续运行小时数的限制发电机在运行中，作为一台机器，考虑到发电机的使用寿命和运行安全，不内容发电机在短时间内连续多次启停。因此，在本文研究的时段内，机组最小连续停机时间和连续运行小时数存在如下约束不等式：t=1,2,…,Ti=1,2,…,N(3—12)机组内容连续停机的最小小时数；它是设备内容的最小连续运行小时数。3.3变长二进制编码在遗传算法的运行过程中，它不对待解决问题的实际决策变量进行操作，而是对代表可行解的各个代码进行选择、交叉、变异等遗传操作。通过这种遗传操作达到优化的目的，这是遗传算法的特点之一。因此，编码是应用遗传算法时必须解决的首要问题，而电是设计遗传算法的关键步骤。编码有两个原则：原则1：应使用易于生成与问题相关的低阶、短定义长度模式的编码方案，这称为有意义的构建块编码原则。原则2：能使问题得到自然表示或描述的最小编码字符集的编码方案，最小字符集编码原则。在第一原则中，模式是指具有某种遗传相似性的个体的集合，定义长度短、阶数低、适应度高的模式称为构建优秀个体的构建块或基因块。在这里，编码原理可以理解为应用一种易于生成具有更高适应度的个体的编码方案。第二个原则解释了为什么我们更喜欢使用二进制编码方法，因为它满足了这个编码原则的思想。理论分析表明，二进制编码方案可以包含最大数量的模式，这使得遗传算法更适用于一定规模的种群。处理最多的模式。由于这个问题是一个多参数非线性优化问题，所以多使用多参数映射编码。在这种编码方法中，他们将遗传算法要求解的变量设置为多个单元的调节能力和单元的状态，调节能力值是一个值较小的区间值，所以多参数映射编码可以用表格。子串分为两部分，最高位为单元状态，后缀部分为单元容量的二进制映射码。表格如下：X（状态位）S（容量字符串）(10111011)假设子串中容量串的长度为n，则容量串解码后的无符号整数的范围为。也就是说，单位的输出被包围。显然两者之间存在映射关系，映射的准确度为：(3-13)在表示单位容量时，用实数编码代替二进制编码，在某些方面提高了算法的性能。上述编码的映射长度比较长，对算法的计算非常不利。同时，对于二进制编码，如果要获得较高的精度，必然会增加编码的长度；对于容量串实数编码，虽然编码长度略有减少，但算法的复杂度会大大增加。本文针对单元组合点提出了一种新的编码方法。在机组的优化组合中，由于机组的机械特性，机组的启停也受到一定程度的限制，机组的每次启停都需要支付额外的费用，所以一般情况下，启停变化很少发生：同时，系统负荷需求的相对变化一般较小，而且由于机组的输出对系统负荷需求的变化很小，系统需求可以完全满足改变在线机按钮的输出，只有当系统负载需求超过一定限度时才会发生。机组启停变化；对于较大规模的系统，系统负荷需求的相对波动范围较小，在线机组的相对可调性较强，因此单台机组启停变化的概率较小。由于以上原因，可以看出，在总则机组最优组合中，机组启停状态的变化次数是非常少的。因此，当单元进行组合编码优化时，没有必要完整记录所有单元在所有时间段内的状态。只记录单元的初始状态和单元状态变化的位置，从而可以计算出各个时期所有单元的状态。3.4等增量获取功率在生成一定时期内满足一定约束条件的机组组合解组后，应对每个机组组合进行经济负荷分配，从而计算出每种组合的运行成本。对于一定时期内的特定机组组合，机组间负荷分配采用等增量原则，如下：假设给定的单位组合，拉格朗日方法用于构造以下附加目标函数：(3-14)拉格朗日乘数，每一个都是常数，在论文中就是这个时期对应的系统需求功率。首先，没有考虑每个单元的输出约束，所以问题变成了为变量寻找附加函数的无条件最小值问题。对于所有，关于附加函数的偏导数等于零(i=1,2,…,N)(3—15)由于每个单位的煤炭成本独立变化，我们有(3-16)是等增长率方程。式中(i=1,2,…,N)——第i个单位煤耗微增率对附加函数取变量的二阶导数给出：(3-17)H称为附加目标函数的Hessian矩阵。考虑各单位煤价的独立变化，我们得到：=(3-18)根据变分学原理，附加目标函数取最小值的充分条件为：当上式：(f)对角线上的所有子列均为正值时，则矩阵为正定.多数情况下，机组微增的煤耗率随负荷的增加而单调增加（煤耗特性曲线为凸函数），加工过程中采用强制拟合曲线，保证特性曲线符合要求。是单调递增和凸函数性质，所以所有子行列式都是正的。根据公式有：(3-19)可以得到如下：因为(3-20)所以(3-21)微增率法的应用应注意以下问题：由于上述微增率方法在对机组负荷分配的数学推导中，没有考虑机组的最小和最大输出限制，有时某些机组的分配功率超过了最小或最大输出范围。这时，微增原理就被破坏了。，因此，输出的上限和下限被视为约束。当输出计算值超过上下限时，按照等增量原则，在功率平衡的约束下，进行负荷分配。若机组负荷超限，令其等于上下限输出值，即：(3-22)考虑将超限单元承受的负载设置在输出的上下限，再次进行迭代计算。当分配功率在机组组合中同时超过最小和最大输出范围时，具体的处理策略有以下三种：a)超出最小或最大输出范围的单元将同时按其最小或最大限制输出，其余的组再迭代计算和求解；b)超出最小输出范围的单元将按其最小输出进行输出，其余单元将重新计算并通过迭代计算求解：c)超出最大输出范围的单元将按其最大输出进行输出，其余单元将重新计算并通过迭代计算求解。表3.1不同系统需求输出存在的问题a)当系统需求为275WM时，按a)处理单元编号功率上限(兆瓦)功率下限(兆瓦)等增长率(兆瓦)策略一）管理（兆瓦）最后结果(兆瓦)总单位功率（MW）这儿存在一个问题115010050100100250无法满足系统要求2150100225150150250无法满足系统要求当系统需求为275WM时，按策略b)处理单元编号功率上限(兆瓦)功率下限(兆瓦)等增长率(兆瓦)策略一）管理（兆瓦）最后结果(兆瓦)总单位功率（MW）这儿存在一个问题115010050100100250无法满足系统要求2150100225待办的150250无法满足系统要求当系统需求为230WM时，按策略处理c)单元编号功率上限(兆瓦)功率下限(兆瓦)等增长率(兆瓦)策略一）管理（兆瓦）最后结果(兆瓦)总单位功率（MW）这儿存在一个问题115010050100100250无法满足系统要求2150100225150150250无法满足系统要求从表4.1可以看出，使用上述方法会产生问题。问题大致有两种：一是部分机组的总功率设置为最小，导致总功率不足，最终无法满足系统要求；二是部分机组输出设置为最大值，导致机组总功率大于系统需求，无法获得最优配电。使用策略a)处理机组过载问题时，可能会同时出现上述两个问题：使用策略b)时，只出现第一个问题；使用策略C)时，只会出现第二个问题。因此，简单地使用上述策略并不能完全处理功率溢出。本文提出了一种分布式电源同时超过最小和最大输出范围时的处理方法：a)存储机组启动状态和系统功率需求数据；根据策略b)分配单元的功率，即将超出最小输出范围的单元按其最小值输出；c)检查剩余单元的最大总功率，如果能满足系统剩余总功率，转e)，如果不能，转Nd)：d)获取步骤a)中存储的机组开机状态和系统用电需求数据，按照策略c)分配机组功率，即超出最大输出范围的机组将根据其最大输出进行输出，其余单元迭代计算求解；e)按等增量继续迭代计算求解。3.5差分功能选择差异函数是衡量个体某些属性差异程度的工具，进而得到群体平均距离和群体距离方差，从而评价群体的相似性。论文中个体的性质指标是单位在每个时间段的启停状态，因此需要对个体的二进制串进行解码。这个过程必须与编码相反。具体流程如图3.1所示：101010100100000110111111111111110000001111111111110000000000000000001234…...……….12Unit1信息提取HourUnit2Unit3Unit4图3.1单元优化组合的解码过程因此，个体的最终属性索引由一个二维数组表示，数组中的元素都是二进制数。那么第k个个体属性索引如下：,k=1,2,…,S(3—23)将不同个体属性指标的汉明距离定义为个体之间的差异函数。这是：k=1,2,…,S=1,2,…,S(3—24)显然，满意是指同一个人或同一个人之间的差异为0。因此，我们可以通过上面的差分函数计算组平均距离和组距离方差。3.6主组初始化和主组终止设置初始化主种群时，种群中的个体一般是随机生成的。在问题解空间中均匀抽样，随机生成大量个体，然后挑出一个较好的个体，然后比较该个体与已选入初始组的个体的距离。当与其他个体的距离最近的一个大于预定值时，该个体被选入初始组，否则被丢弃。对于二进制编码，染色体比特串上的每个基因都是在{0,l}上随机均匀选择的，可以证明初始种群的比特串解码到实际问题空间也是均匀分布的。主种群的终止判断是根据算法最优个体适应度值的变化来确定的，即在进化集代数之后，如果最优个体适应度值没有提高，则判断算法结束；为了防止算法的进化时间过长，算法还设置了最大进化代数。3.7子种群初始化和子种群终止设置子种群的初始化从指定的挖矿点开始，具体方法如下：a)计算采矿点的综合成本值K，并设定综合成本阈值(一般=(1~1.2)K)和差值阈值；b)复制挖矿点并对复制的个体进行变异，生成新的个体；c)检测新个体的综合成本值，如果为K，则进行d)；否则丢弃新个体，转至b)；d)检测新个体与已被选入初始子组的个体之间的距离，当最大距离值小于差异阈值时，并且新个体不与初始选择的个体重复。新个体被选入初始子组，否则丢弃；e)检查进入初始子组的个体数量是否满足要求，否则结束，否则转b)。这样就可以得到一个由大量相似个体组成的群体，并且群体的平均距离很小。应该swarm正在寻找采矿点附近的局部最优解。子群体根据群体平均距离的变化和局部最优个体的适应度值来判断子群体是否收敛。当群的平均距离小于给定阈值，并且在某个进化代数中局部最优解没有改善时，可以认为子种群已经收敛：同样，为了防止算法的进化取太长了，也为亚种群设定了最大进化世代。3.8主种群和亚种群遗传算子设计该算法中，主种群的异化算子占主导地位，子种群的后代算子占主导地位。同时，由于异化算子和收敛算子是由遗传算法的选择算子、交叉算子和变异算子组合产生的，因此需要分别调整主种群和子种群中遗传算子的参数，从而最终达到所需的效果。由于论文采用变长二进制编码，遗传算子与普通遗传算子有些不同。论文中使用的遗传算子如下：一个小十字架交叉操作是进化算法中遗传算法独创性的独特之处。GA交叉算子是一种模仿自然有性生殖的基因重组过程。它的作用是将原有的优良基因遗传给下一代个体，并产生具有更复杂遗传结构的新个体。论文中主种群和子种群的交叉算子均采用单点交叉。单点交叉操作一般分为以下几个步骤：1）从交配池中随机抽取一对个体进行交配：2）由于各个代码的长度是可变的，因此各个位串的长度可能存在差异。取一个较短的个体长度L，随机选择{1,L-1}中的一个整数k作为一对个体的交配位置。3）根据交叉概率执行交叉操作，配对个体在交叉位置，相互交换各自的部分以形成一对新的个体。当一对待交配个体的长度相等时，上述操作与普通的单点交叉操作相同。多个子交叉论文中主种群和子种群的交叉算子均采用单点交叉。其中，为了提高子种群的收敛速度和解的质量，在子种群中使用了多个子交叉，方法如下：1）根据交叉概率，从交配池中随机选择一对个体进行交配；2）对这对个体进行一点交叉以形成一个新的个体对。3）重复步骤2）N次，生成2N个新个体。通过以上步骤，一对交配个体可以产生多个后代，这些后代往往因交点不同而不同。这样，我们可以获得大量的后代，并且使用交叉和变异遗传算子后，可以筛选出多个后代，以获得相对较好的后代，从而提高种群的质量。c)常见变体突变操作是模拟自然界生物进化过程中染色体上某个基因的突变，从而改变染色体的结构和物理性质。由于主种群需要一个异化算子，并且要防止主种群在局部收敛，所以可以将其变异率设置得比较高；同时，子种群中参与多子交叉的个体有很多后代，我们可以在众多的后代中也实现了相对较高的突变率。由于后代数量众多，无需担心亚群退化，也有利于加快收敛速度，获得更好的解。d)特殊变化由于本文采用可变编码长度的二进制编码，为此编码设计了一种新的遗传算子特殊变异。如果按照普通的遗传算子进行遗传操作，个体的基因长度是无法改变的。为了在进化过程中自动确定编码长度，必须有一种可以改变基因长度的策略。特定变体是一种可以改变基因长度的策略。上面指出，单元优化中的二进制编码有两部分：单元的初始状态和单元启停的变化位置。其中，当单元的起停变化位置数发生变化时，基因长度发生变化。一种特殊的突变是一种改变起停变化位置数量的方法。假设代码中一个起停变化位置用h位二进制表示，那么当基因包含多个起停变化位置时，单元的起停变化位置需要用mh位二进制表示。当每个特殊变化增加或减少n个单位的起停变化的位置时，我们称之为n位特殊变化。以特殊突变为例，具体方法如下：1)只设置一个特殊的变异概率。：2）发生突变时，单元的起停变化位置加一，即单元基因的长度增加h位二进制。即随机生成h位二进制，然后添加到基因串的末尾；3）当发生突变且当前基因的起停变化位置的个数大于设定的最小数量时，单位的起停变化位置减一，即单位基因的长度减少h位二进制。即减少基因字符串末尾的h位二进制。注意：上述特定变体可以增加或减少基因长度。但是，当基因长度小于设定的最小数量时，基因长度将不再减少。上述方法一次只能增加或减少一个单元的启停变化位置。为了提高作业效率，克服起停位数的差距，论文中还存在两位特变和三位特变。与特定变体类似，它们仅具有各自的变体概率，并且分别具有变体概率￡，并且随着患者效应的每次增加，它们分别减少2和3个开始-停止位置。其中，在减少起停位置时，也受到最小数量的限制。选择动作选择是从当前种群中选择具有高适应度值的个体以生成新种群的过程。由于主种群需要异化算子，而且要防止主种群局部收敛，种群不能收敛，所以选择压力可以很低；反之，子种群由于局部搜索，收敛算子起主导作用，因此需要保证种群收敛。为了使收敛快，适当增加选择压力。论文中的主要群体和亚群体是基于排序选择的。排序选择方法是将群体中的个体按照适应度值从大到小排列成一个序列，然后将预先设计好的序列概率分配给每个个体。显然，排序选择与个体适应度值的绝对值没有直接关系，而只与个体之间适应度值的相对大小有关，因此可以避免群体进化过程中适应度值尺度的变换。由于排序选择概率比较容易控制，适合动态调整选择概率，可以根据进化效果及时改变群选择压力。论文中主要种群个体的排序选择概率差异较小，选择压力低，极大地抑制了种群的收敛性。对于亚群，由于使用了多亚群，参与交叉的个体后代数量较多，因此在选择之前，需要在每个交叉变异的多亚群中选择2个个体作为代表群组。子种群中的其他个体被丢弃；子种群中个体的排序和选择概率差异较大，选择压力较大，因此收敛速度较快；同时，为了加快收敛速度，保证子种群绝对收敛，子种群还引入了精英选择——如果下一代群体中最好个体的适应度值小于当前组最佳个体的适应度值、当前组最佳个体或适应度值大于次佳个体适应度值的多个个体直接复制到下一代。一代，在最差的下一代种群中随机替换或替换相应数量的个体。3.9获取矿点挖掘点是子种群开始局部搜索的起点，取点规则如下：a)适应度比较大，只有适应度大的点才有挖掘价值。b)距离已经挖出的挖矿点和已知的局部最优解相对较远，避免重复挖矿。根据以上规则，论文中算法获取挖掘点的方法如下：a)按适应度对主组中的个体进行排序，适应度高的个体（即总体代价小）排在第一位，提取序列中前10%的个体作为挖掘点的候选，其中位置序列中的候选个体i为;b)分别计算已开采的采点与已知局部最优解和候选采点的距离，取最小值作为候选采点与采区的距离，计算所有候选采点和矿区。以候选个体i与雷区的距离为样本；c)结合候选采矿点的适应度排名和与采矿区的距离，选择其中一个个体作为正式采矿点。本文采用以下公式来评估候选挖掘点的优劣i=1,2,…,M-1,M(3—25)其中，M代表候选挖掘点的个数。显然，候选矿点的适应度越高（即综合成本越低），排名越高，离矿区越远，函数值越高，质量越好的候选采矿点。3.10改进遗传算法的一些讨论3.10.1搜索域与挖掘点的关系挖掘点是子种群开始其本地搜索的起点。一般来说，搜索区域越大，包含的局部最优解越多，因此挖掘点越多。然而，对于一些搜索范围较小的问题，往往只有几个距离较近的局部最优解，有时甚至只有一个局部（全局）最优解。由于这些原因，在全局信封中的任何点开始搜索都是相当局部的搜索。这时，我们可以随机使用一个搜索点作为挖掘点。无需通过主要人口搜索采矿点。因此，对于一些搜索范围较小的问题，比如一些二进制代码较短的遗传算法，我们不需要使用主种群进行异化选择操作，也可以通过随机选择挖掘点来获得最优解。同时，由于省略了主种群的运算，算法的计算速度也会加快。但是，这并不意味着主种群是多余的，因为实际的优化问题往往具有很大的搜索空间。这时，一旦主种群缺失，大多数情况下是不可能得到全局最优解的。3.10.2亚群控制在子种群搜索过程中，还需要一定的检测和控制，防止个体因变异等原因远离局部搜索区域，同时也防止子种群搜索到已经搜索过的空间。过去，造成资源浪费。具体控制流程如下：a)检测子群个体与其他个体的平均距离（即检测子群个体与子群的距离），当个体与子群的距离大于子群的平均距离时-group，意思是个体远离子群的。在模拟期间首先设置阈值。当上述两者的差值超过阈值时，我们可以认为个体离子群较远，然后用其他离群更近的个体来代替个体。b)当距离过小时，检测已经挖出的挖掘点与已知局部最优解与当前子种群的距离。表示当前子种群搜索空间已经搜索完毕，应丢弃该子种群，结束子种群搜索。其中，a)是检测子组中的个体，可以在子组选择操作中进行组合。b)是子种群的种群检测，可以在种群终止的判断中进行操作。4.实例仿真分析4.1示例1模拟数据是针对4个单元12个时间段的单元组合问题。假设所有机组的热启动成本和冷启动成本相等。在实践中，机组的热启动成本一般低于冷启动成本。表4.1机组特性参数数据单元号机组参数单元1单元2单元3第四单元机组最大出力（MW）3002508060机组最小出力（MW）75602530系数a0.002890.003980.007120.00413系数b(R/MWh)16.6019.7022.2625.92系数c(R/h)700450370660最短开机时间(h)5541最短停机时间(h)4321冷启动成本(R)110090034060热启动费(R)110090034060单位AGC增加费（R/h）10.29.568.6511.3单位AGC减费（R/h）8.758.17.89.82初始状态(h)88-5-6表4.2列出了每个时间段内各单元上报的AGC上调量表4.2a)1-6期AGC增加单位数量单元第一期第2期第3期第4期第5期第6期12025253030252202020252520389989104688866表4.2b)7-12期AGC增加单位数量单元第7期第8期第9期第10期第11期第12期12020253025302252020252025389108894688686表4.3列出了每个单位在每个时间段报告的AGC减少量表4.3a)1-6期机组AGC下调量单元第一期第2期第3期第4期第5期第6期12324262624232二十二23242423203710998104668866表4.3b)7-12期机组AGC下调单元第7期第8期第9期第10期第11期第12期1242623242425220二十二二十二2420二十二398891074686886表4.4为系统各时间段的总负荷数据表4.4a)期间1-6的总系统负载第一期第2期第3期第4期第5期第6期负载(WM)410450530550600620表4.4b)期间7-12的总系统负载第7期第8期第9期第10期第11期第12期负载(WM)540520450400350450在本文使用的改进遗传算法中，主要种群的交叉概率为O。1，变异概率为0。1，特殊突变的概率为O。1，两位特殊突变的概率为0。1,三个特殊突变的概率为O.1;子组fork的概率为0。如图9所示，多个子系统的交叉次数为8，其中多个子系统的变异概率、一位特殊变异概率、两位特殊变异概率和三位特殊变异概率分别为O。05,0.02,0.02和0。01、非多子系统发生变异的概率、一位特殊变异的概率、两位特殊变异的概率和三位特殊变异的概率分别为0。05,0.02.O.__02和0。02，当连续5代子种群的最优解都没有改进时，确定子种群收敛。仿真程序的结构如图4所示。1显示：是否存在开采点主种群是否收敛随机产生主种群交叉操作变异操作选择操作是否存在开采点主种群是否收敛随机产生主种群交叉操作变异操作选择操作子群体操作输出结果YNN最终单元输出见表4.5表4.5a)期间1-6的单元输出单元第一期第2期第3期第4期第5期第6期1280275275270275280213017522122522523030034557170400003445表4.5b)7-12级单元输出单元第7期第8期第9期第10期第11期第12期12802802752702702702225207175130801803353300004000000改进的遗传算法在计算主种群小于5代和子种群小于50代后得到最好的结果：单位燃料成本为128480，AGC上行成本为6238.4，GC下行成本5240.8,成本400,总购电成本140359.2.4.2示例2文中数据来源于文献[9]。本文将模拟16台机组24个时间段（24h）的组合，其中AGC上调和下调均为机组理论最大输出的10%，所有时间段的AGC调都是平等的。表4.7为系统各时间段的总负荷数据表4.7a)期间1-12的总系统负载期间t(h)123456789101112加载钯(WM)220021802240220020402070202020001710161016201600预订公关(WM)140139136133129131127119106999292表4.7b)13-24期间系统总负载期间t(h)1314151617181920二十一二十二2324加载钯(WM)160016601640166016601680176019002020210021502190预订公关(WM)888481808897109119127133138139在本文所使用的改进遗传算法中，主要种群的交叉概率为0.1，变异概率为0。05，特殊突变的概率为0。05，两位特殊突变的概率为0。05，三个特殊突变的概率为0。05;子组fork的概率为0。如图9所示，多个子系统的交叉次数为8，其中多个子系统发生突变的概率、1个特殊突变的概率、2个特殊突变的概率、3个特殊突变的概率分别为0。05,0.02,0.02和0。02、非多子系统的变异概率、一位特殊变异的概率、两位特殊变异的概率、三位特殊变异的概率分别为0。05,0.02,0.02和0。02，当连续5代子种群的最优解都没有改进时，确定子种群收敛。表4.85次计算结果分析主要种群进化代数亚群进化代数最终综合成本1491200952332200953118200954592200955611620095平均3.869.820095最佳机组产量见表4.9表4.9a)期间1-8的单元输出时期单元12345678190909090909090027272727200003108106.821081081081081081084000000005135135135135135135135135600000000713513513513513513513513585454545454545454910810810810800001013513513513513513513513511169.05165.92175.7169.05172.37177.36169.05179.0912167.46164.63173.47167.46170.46174.97167.46176.531319819819819819819819819814329.5323.07343.17329.5336.33346.58329.5350.1415329.5323.07343.17329.5336.33346.58329.5350.1416169.5169.5169.5169.5169.5169.5169.5179.09表4.9b)9-16期间的单位输出