[发明专利]一种电力系统多目标粒子群优化调度方法

说明书

本发明公开了一种电力系统多目标粒子群优化调度方法，涉及电力系统优化问题领域。该方法通过将EED问题转化为MOPSO问题来求解，相当于煤耗和排放两目标优化问题。为了保证得到的最优解的多样性和均匀分布，即机组出力组合情况所对应的煤耗和排放量均匀地分散到Pareto前沿曲线上，改进了粒子的全局极值确定方法，具体的，在解决EED问题时，将稀疏距离和sigma方法结合起来，在一定概率下选取粒子全局极值，保持了种群多样性，从而防止种群陷入局部最优，进一步保证求得的Pareto最优解的均匀分布。提高了MOPSO的求解效率和精度，从而更好地解决了EED问题，可为发电企业的节能和减排提供新思路。

技术领域

本发明涉及电力系统优化问题领域，尤其涉及一种电力系统多目标粒子群优化调度方法。

背景技术

近年来，全球气候变暖的问题日渐突出，环境污染已成为人类社会的一大威胁，电力系统调度中单纯考虑经济性已不能满足当今社会的需求，减排问题也成为研究的热点，学者们越来越多地致力于考虑环境保护的机组组合的研究，即环境/经济调度(Environmental/Economic Dispatch,EED)问题。EED问题试图找到一种调度方案，在燃煤消耗和污染排放两个方面同时达到最优，即煤耗最低且排放最小。然而，传统的优化技术并不适用于这种多个相互冲突的目标同时优化的问题，因此提出了很多改进技术来处理EED问题。

EED问题常用的求解方法是同时处理煤耗成本和排放两个目标，即求解多目标的优化问题。多目标优化问题(Multi-objective Optimization Problems,MOPs)中，通常需要对多个目标进行相互平衡，在符合一系列约束条件的情况下得到相对合理的解决方案。Pareto最优的概念通常用于多目标优化问题(MOP)的求解中，MOP问题的最终目标就是求得一个满足要求的Pareto非劣解集。多目标之间的最优平衡曲线或曲面称为Pareto前沿，在其之上的任何一个解均无法在不牺牲其他目标的基础上使得某个目标更优。因此，在Pareto前沿之外，没有任何合理的解存在。虽然这些折中解通常不能使每个目标达到单目标优化最优值，但却是平衡各个目标的最佳选择。

智能优化算法是一类通过模拟某一自然现象或过程而建立起来的优化方法，相较于传统的数学解析方法，智能优化算法更适合求解多目标优化问题。一方面，智能算法不要求多目标问题的目标函数和约束条件具有可微性和连续性；另一方面，智能优化算法通常对Pareto最优前沿的形状和连续性不敏感，能很好地逼近非凸或不连续的最优前沿。

近年智能优化算法主要有非支配排序遗传算法Ⅱ(Non-dominated SortingGenetic Algorithm,NSGA-Ⅱ)，人工蜂群算法(Artificial Bee Colony Algorithm)，粒子群优化(Particle Swarm Optimization,PSO)算法等。

粒子群优化算法(Particle Swarm Optimization，PSO)是由Kennedy和Eberhart在1995年提出的一种可用于复杂非线性优化问题的数值优化技术，通过个体协作和信息共享来寻找最优解。优化问题的每个可行解均可表示为n维决策空间的一个位置，称为粒子，记作x＝(x₁,x₂,…,x_n)。粒子可在决策空间中飞行以便寻找最优解，和分别表示粒子i在第t次迭代的速度和位置，更新过程分别见公式(1)和(2)。速度的更新包括大小和方向，粒子i在第t+1次迭代的新速度由粒子之前的速度个体认知(粒子至今经历的最好位置)和社会知识g^t(种群经历的最好位置)三部分决定。ω为惯性权重，c₁and c₂分别为认知系数和社会系数，r₁和r₂为0到1之间的随机数。位置的更新由原位置与当前速度的向量之和确定。