基于退火演化算法与遗传算法

《基于退火演化算法与遗传算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于退火演化算法和遗传算法的机组优化组合算法吴金华，吴耀武，熊信艮（华中科技大学电力工程系，湖北省武汉市430074）   摘 要：机组组合问题是编制短期发电计划时首先要解决的问题，合理的开停机方案将带来很大的经济效益。现代电力系统对机组优化组合算法的收敛速度和解的质量要求越来越高，作者从改善传统算法这两方面着手，根据退火演化算法和遗传算法各自的特点，提出了一种用于机组优化组合的组合算法。与传统的一些优化算法相比，该组合算法具有搜索速度快，收敛性好，而且解的质量相当高。通过对实际系统的测算，验证了该方法的有

2、效性和优越性。该方法具有良好的并行性，易于在并行计算机上实现。   关键词：机组优化组合；退火演化算法；遗传算法；电力系统；并行计算1 引言   电力系统的机组组合问题，就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，确定未来一定期间内各机组的开停机时间并在机组间分配负荷，使系统总的运行费用达到最小。合理的开停机方案能节省一次能源，延长机组使用寿命，带来巨大的经济效益。据国外资料和国内部分机组的实际测算表明，优化组合是编制短期发电计划首先要解决的问题，一般而言，其经济效益远大于负荷经济分配所得

3、到效益。   从数学的角度来讲，机组组合问题是一个高维的、非凸的、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。由于它能够带来显著的经济效益，人们一直在积极研究和开发各种算法来解决这个问题，如优先顺序法、分支定界法、动态规划法和拉格朗日松弛法等[1-4]。近年来，对专家系统法、遗传算法、模拟退火法、人工神经网络及一些组合算法[9]也进行了一些尝试。   在研究基本遗传算法和退火演化算法的基础上，本文提出了一种适合于机组组合的组合算法[9]。   在计算过程中，对遗传算法的适应度函数

4、、杂交及变异方式作了一些改进，有效地避免了简单遗传算法在机组组合问题中的早熟问题，并且提高了收敛速度。2 机组组合问题的数学模型   设系统调度期间的时段数为H，系统中机组或等效机组数为G，各时段系统总负荷为PDt，则其数学描述如下   （1）目标函数式中 Fit(Pit)为t时段i机组的运行费用；STi为i机组的启停费用；△STi为i机组的停运时间；Uit为i机组在时段t内的状态，Uit=1为运行状态，Uit=1为停运状态；Pit为机组i在时段t内的有功功率。   （2）机组组合的约束条件   在机组组合

5、的过程中，主要的约束条件为   1）电力平衡约束   2）单机约束式(2)～(4)中 Ct为系统在时间t的网损；PDt为时间t系统总负荷；k为备用系数；Mi为i机组在计算周期内允许启停的次数；为i机组的上、下限出力；△i为i机组每时段可加减负荷的最大值；TOi为i机组的最小运行时间；为i机组的最小停运时间。   本文中发电机组的运行费用采用发电功率的二次函数表示，即式中 ai、bi、ci为常数。   机组的启停费用有两种模型   （1）冷却启动式中 K3为压火运行一小时的费用。   本文中将网损作为常数处理

6、，即按总负荷的一定比例（7％）考虑。更详细的模型应包括线路潮流限制、分区功率平衡、机组的燃料限制和随机停运的影响等，但本文模型未考虑这些因素。3 遗传和退火演化组合算法及其改进3.1 基本遗传算法及其改进   遗传算法（GA）是一种基于生物界自然选择和自然遗传机制的随机化搜索算法。在随机产生的一个初始解群中利用适应度函数衡量各个解的优劣，根据“优胜劣汰”的准则选出父辈解群，通过杂交和变异操作来实现群体内个体结构的重组，使群体内个体一代一代得以优化并逐渐逼近全局最优解。   本文所提出的算法，在保留了GA算法

7、的基本步骤和特点的同时，作了如下几点改进。   （1）适应度函数比例变换   为了避免遗传算法在搜索初期易产生的“早熟”现象和搜索结束阶段易产生的随机漫游现象，本文对适应度函数进行了指数比例变换式中 F为原适应度函数；F'为变换后的适应度函数，β为比例调整系数。   系数β的值决定选择的强制性[2]，在搜索初期，赋给β一个较小值，来缩小一些超常个体的函数值以降低异常个体的竞争力；在结束阶段，则赋给β一个相对较大值，来放大相应的适应度函数值来提高个体的竞争力。   （2）杂交概率和变异概率可变   在迭代前期

8、，采用较大的杂交概率和较小的变异概率，以提高繁殖效率；在迭代后期，解群中的码链已趋于稳定，此时交叉作用已经减小，杂交概率可降低，而为了防止收敛于局部最优解，可增大变异概率。本文借鉴了文献[7]采用的杂交概率和变异概率变化公式   （3）网络式遗传操作   为了保证算法收敛的稳定与快速，采用了一种网络式遗传操作，即在一个总的遗传算法中采用了多个子遗传操作。由于技术限制，本文在算例中仅采用了两个子遗传操作，在两个子算