摘要:针对电力系统机组组合问题,分析了智能优化算法在该问题中的应用,对其方法的特点进行了总结,为今后的研究工作提供了一定的借鉴。
关键词:智能优化算法;机组组合;遗传算法;人工神经网络;模糊理论,粒子群优化
1 引言
电力系统的机组组合问题,是在满足系统负荷及备用要求和机组运行的技术条件约束的情况下,确定未来一段时间内各机组的启停状态以及机组间的负荷分配,从而使系统总的运行费用达到最小[1]。机组组合是电力系统短期经济调度的一项重要任务,其经济效益十分明显。随着国家有关“节能减排”的大力倡导与宣传,电力系统在规模不断增大的情况下更加注重其发展的可持续性。机组组合本身作为电力系统短期调度理论的核心,能够通过控制机组的启停,最大限度的实现发电资源的优化配置和有效利用,是符合当前发展要求的。
机组组合问题是一个高维、非凸、离散的混合整数非线性优化问题,当系统规模较大时,很难找出理论上的最优解。解决这一问题的传统方法有优先级表法、动态规划法、拉格朗日松弛法、整数和混合整数规划法等,这些方法都存在着许多缺点,而现代智能优化算法则在解决机组组合问题中体现出了优势。
传统的优化算法,例如枚举法、搜索法、线性规划和非线性规划等等,在处理大规模的优化模型时,常常会出现计算时间长、效率低的缺点,而且这些方法对目标函数的要求较高,有时甚至由于算法的局限性而无法得到最优解。现代智能优化算法[2],是伴随着科学技术的进步、尤其是计算机的发展而产生的一系列新的计算方法,其主要包括进化计算、遗传算法、粒子群算法、人工神经网络、禁忌搜索、模糊优化理论等方法。
2 电力系统机组组合问题
在本文中所采用的机组组合数学模型描述如下:
目标函数:在满足各种约束条件下使系统总的运行费用达到最小。
(1)
其中, 为总的发电成本;
为总的时段数;
为机组数;
表示机组在时段的发电运行成本;
为机组在时段的状态,表示机组处于运行状态,表示机组处于停机状态;
为机组在时段的实际出力;
为机组的启动成本。
一般来说,机组的成本函数可用二次函数来表示:
(2)
其中,、和为机组的发电成本函数的参数。
一般可以表示为的函数,表示机组i在时段t已连续运行或连续停运的时段数,正值表示连续运行,负值表示连续停运。。
需要满足的约束条件:
(1)发电负荷平衡约束:
(t=1,2,…T) (3)
式中,为t时段系统的总负荷;
为t时段系统总的有功网损。
(2)系统备用约束:
(t=1,2,…T) (4)
式中, 为机组i的最大出力;
为t时段系统总的备用容量。
(3)机组出力上下限约束:
(5)
式中, 为机组i的最小出力。
(4)机组爬坡约束:
(6)
式中,为机组i的最小运行时间。
随着电力系统运行调度理论的发展,机组组合问题也日趋复杂,考虑电网络的制约以及无功电压对机组组合的影响使得机组组合问题的模型和求解变得更为复杂与困难,其相应增加了如下约束:
(5)输电元件传输功率限制: