改进遗传算法在机组间负荷优化分配的应用.doc

改进遗传算法在机组间负荷优化分配的应用
王庆丽白晓明
机械工业第六设计研究院有限公司，河南郑州450007
摘要：建立了负荷调度的数学模型，针对火电厂负荷优化分配的特征，提出一种新型的遗传算法，实现了机组间负荷的完全分配并且消除了等式约束条件，将其应用于某电厂的负荷优化分配，仿真结果证明了该方法得到了满意的优化效果，并具有较好的稳定性和快速的收敛性。
关键词:火电厂；负荷经济分配；遗传算法
Abstract:Thepaperstudiedtheapplicationofgeneticalgorithmoneconomicloaddispatchofpowerplant.AccordingtothecharacteristicsofeconomicloaddispatchanimprovedGAisproposedtoimprovetheinitialpopulationandvoidgeneratinginfeasiblesolution.TheresultsofthesimulationwithC#languageprogramshowthatthealgorithmiscorrectandeffective.
Keywords:powerplant;economicloaddispatch;geneticalgorithm
中图分类号：TM714文献标识码：A文章编号：2095-2104（2012）

0前言
依照“经济要发展，电力须先行”的方针，我国电力系统规模越来越大，每年消耗的煤炭占全国煤炭消耗量一半以上。使得煤炭行业形式倍加紧张。电网峰谷差日益增大，致使电厂的负荷需经常地、较大幅度地进行调整，大多数时间均不在满负荷或接近满负荷下运行。直接导致电厂运行经济性的下降。在火电厂内部，由于各热力设备及热力系统的类型，设计水平，制造质量，安装工艺和运行状况的不同，使得同一个电厂内的各机组的功率和燃料消耗量的关系即煤耗特性区别较大。因此，在电厂安全生产的前提下，多台机组间的负荷调度迫切需要一种调度依据，在系统发生变化的情况下，合理的分配各台机组应承担的负荷，尽可能的提高机组的效率，降低能耗。
长期以来，我国电网调度主要依靠值长经验，缺乏科学依据。后来发展起来的排队法、线性规划法、等效微增法、动态规划法等，在一定出那高度上提高了负荷分配的科学性，但这些方法用于火电厂负荷分配多参数、多约束、非线性系统时，均存在各种缺陷。此时,具有鲁棒性,并行处理的遗传算法被认为是一种好的选择。
遗传算法[1]是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它以适应度函数为依据，通过对群体中的个体施加遗传操作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。该方法对优化问题的要求不高，在处理非线性、不光滑性、不确定性和带复杂约束条件的优化问题有较大的优越性；然而基本的遗传算法，也存在很多问题，如运用遗传算法进行搜索解空间时，早期会发生早熟现象，或是快要接近最优解时在最优解附近左右摆动，收敛较慢，并且常用的二进制编码存在着连续函数离散化时的映射误差等问题，且存在解码的繁琐。本文在对已有算法进行分析的基础之上，提出采用实数编码遗传算法对机组进行负荷优化分配，同时采用自适应的交叉概率和变异概率，并在约束条件上作了一些改进，通过例子对新算法进行了验证,取得了满意的分配效果。
1机组负荷优化分配的数学模型
假设系统运行的机组数为n，总负荷为PD，以电厂内所有机组的总煤耗量最小为目标，建立如下的数学模型[2]：
（1）
其中——机组序号；
——n台机组的总煤耗；
——第i台机组的负荷；
——第i台机组的煤耗量与负荷的函数关系。
(1)功率平衡约束：
（2）
(2)机组出力约束：
（3）
其中——台机组的总负荷；
,——第i台机组的负荷下限和负荷上限
2遗传算子设计
2.1约束条件处理。通过等式变换消除等式约束，减少数学模型中变量的个数。先确定前n-1个变量，第n个变量再由等式约束求出即可。从而避免了罚函数的设计之繁，直接可以用目标函数稍加变换即可作为适应度函数，也避免了负荷不完全分配的情况。在生成初始种群时，只随机生成前n-1个变量，剩下的那个变量由负荷平衡方程求出。然后对每个个体进行约束条件检查，不满足条件的个体被剔出并重新生成新的个体，直到所有的初始解都满足约束条件为止，这样便提高了收敛速度和准确性。步骤如下：由于式(2)、(3)均为线性约束，由(2)式可得：
（4）
把(4)式带入(1)和(3)得到新的数学模型：
目标函数：
（5）
约束条件：
（6）
（7）
2.2编码。对机组进行自由度分析,采用实数编码,将等式变换后约束区间的有效范围映射为用有序实数表示的染色体，然后在此区间上对独立变量进行编码。
2.3初