[发明专利]基于混沌粒子群的火电机组负荷优化分配方法

摘要

本发明涉及一种基于混沌粒子群的火电机组负荷优化分配方法，包括：根据发电机组的煤耗特性参数拟合煤耗特性曲线并建立负荷优化分配模型，通过罚函数法将其转化为非约束问题，结合混沌粒子群算法将总发电功率分配给各台机组，最终得到各个单元机组最优的负荷分配结果。与现有技术相比，本发明能在已给电力总功率下，科学合理分配每台发电机组的最优出力点，使得优化后机组所耗供电煤耗明显的降低。

主权项

一种基于混沌粒子群的火电机组负荷优化分配方法，其特征在于，包括：根据发电机组的煤耗特性参数拟合煤耗特性曲线并建立负荷优化分配模型，通过罚函数法将其转化为非约束问题，结合混沌粒子群算法将总发电功率分配给各台机组，最终得到各个单元机组最优的负荷分配结果；基于混沌粒子群优化算法的具体步骤如下：1)初始化粒子群，设置各机组煤耗特性参数，在限制条件内随机各机组负荷；2)求各机组负荷的煤耗值，并记录极值负荷和最值负荷；3)把各负荷的煤耗值与极值负荷的煤耗值做比较，煤耗值较小的，保留其对应负荷，并将该负荷设为极值负荷；4)把各负荷的煤耗值与最优负荷的煤耗值做比较，煤耗值较小的，保留其对应负荷，并将该负荷设为最值负荷；5)由式11、12、13更新种群的负荷值；将固定的惯性权重改为函数形式w(t)，通过w(t)函数的变化来动态调整粒子群优化算法搜索能力，动态惯性权重表达式如式11所示：$w\left(t\right)=w_{max}-(w_{max}-w_{min})\×\frac{t}{T}---\left(11\right)$式中，w_max、w_min分别是w的最大和最小值；t、T分别为当前迭代数和最大迭代次数；则算法的速度和位置更新公式将变成：v_k+1＝w(t)v_k+c₁r₁(p_best,k‑x_k)+c₂r₂(g_best,k‑x_k)         (12)x_k+1＝x_k+v_k+1                                    (13)其中c₁、c₂称为学习因子，r₁,r₂是介于[0,1]之间的随机数；x_k是当前粒子的位置，即机组负荷；p_best,k是粒子所找到的最优解，即机组的极值负荷；g_best,k粒子群所找到的最优解，即机组最值负荷6)对g_best＝(g_best1,g_best2,...,g_bestD)全局最优负荷进行混沌优化；6.1)将g_besti(i＝1,2,...,D)映射到Logistic方程式即公式14的定义域(0,1)，x_k+1＝μ·x_k·(1‑x_k)，0＜x₀＜1    (14)式中：μ为控制参量，取μ为4；且当时，Logistic完全处于混沌状态；映射方法如下式所示：x_i＝(g_besti‑x_min)/(x_max‑x_min)；6.2)通过Logistic方程即式14进行迭代，产生混沌变量变量序列x_i^(m)(m＝1,2,...)；6.3)把产生的混沌变量序列通过映射后返回到原解空间，映射如下式所示：g_besti^(m)＝x_min+(x_max‑x_min)x_i^(m)6.4)最后得到混化后的全局最优负荷值g_best^(m)且g_best^(m)＝(g_best1^(m),g_best2^(m),...,g_bestD^(m))(m＝1,2,...)7)计算g_best^(m)(m＝1,2,...)与g_besti(i＝1,2,...,D)的煤耗值，并比较，若煤耗值较小的，保留其对应负荷；8)若满足迭代条件，则停止搜索并输出最优负荷，否则转至2)；在基于混沌粒子群算法的负荷优化分配中，把负荷视为粒子位置，总煤耗量视为适应度函数，先在负荷的上下限范围内随机生成一组负荷值，通过比较每组负荷的适应度函数，选择第一迭代的极值负荷和最优负荷，按照粒子群的速度、粒子更新公式，对负荷进行更新，再次比较适应度值，选择第二次迭代后的极值负荷和最优负荷，直至满足迭代条件为止，输出最终使总煤耗量最小的负荷值。