节能发电调度优化方法研究毕业设计论文(编辑修改稿)

节能发电调度优化方法研究毕业设计论文(编辑修改稿)内容摘要：

8 隐含地处理了 )( 3nO 个模式。 遗传算法有效处理的模式总数正比于群体数 n的立方。 由遗传算法的并行性可知，在遗传操作中，尽管具有高阶，长定义距的模式在交叉算子和变异算子的作用下遭到破坏，但遗传算法在处理相对小数目的串时，仍然隐含地处理了大量的模式。 遗传算法性能评估 遗传算法的实现涉及到前述的五个要素，而每个要素又对应不同的环境存在各种相应的设计策略和方法。 不同的策略和方法决定了各自的遗传算法具有不同的性能和特性。 因此，评估遗传算法的性能对于研究和应用遗传算法是十分重要的。 遗传算法的评估指标大多采用 适应度值。 在没有具体要求的情况下，一般采用各代中最优个体的适应度值和群体的平均适应度值。 定量分析遗传算法的测度包括离线性能 (offline performance)测度 n硼和在线性能 (on— line performance)测度。 前者测量收敛性，后者测量动态性能。 之所以使用离线和在线测度是为了强调两者在应用上的差别。 一般来说，在离线应用中，优化问题的求解可以得到模拟，在一定的优化进程停止准则下，当前最好的解可以被保存和利用；在在线应用中，优化问题的求解必须通过真正的实验在线实现，其好处在于可以迅速地得到 较好的优化结果。 在线性能评估准则 设置 )(sXe 为环境 e策略 s的在线性能， )(tfe 为时刻 t或第 t代中相应于环境 e的目标函数或平均适应度函数，则 )(sXe 可以表示为：  Tt ee tfTsX 1 )(1)( （ 2— 1） 上式表明，在线性能可以用从第一代到当前代的优化进程的平均值来表示。 如果在线性能用平均适应度来描述，则通过简单计算第一代到当 前代的各代平均适应度值对世代数的平均值即可获得在线性能。 离线性能评估准则 设 )(39。 sXe 为环境 e下策略 s的离线性能，则有：  Tt ee tfTsX 1 39。 39。 )(1)( （ 2— 2） 华中科技大学文华学院毕业设计（论文 ） 9 其中 )}() . . .2(),1({)(39。 tfffb e s ttf eeee  ， 上式表明，离线性能是特定时刻最佳性能的积累平均。 具体来说，在进化过程中每进化一代就统计目前为止的各代中的最佳适应度或最佳平均适应度，并计算对进化代数的平均值。 遗传算 法的特点 遗传算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过程中显示出明显的优势。 它与传统的算法不同，大多数古典的优化算法是基于一个单一的度量函数 (评估函数 )的梯度或较高次统计以产生一个确定性的试验解序列； 遗传算法不依赖于梯度信息， 而是通过模拟自然进化过程来搜索最优解 (optimal solution)，它利用某种编码技术，作用于染色体的数字串，模拟由这些串组成的群体的进化过程，遗传算法通过有组织的，随机的信息交换来重新组合那些适应性好的串，生成新的串的群体。 遗传算法的优点 遗传算法具有如下优点 : 1．对可行解表示的广泛性。 遗传算法的处理对象不是参数本身，而是在参数集进行了编码的个体。 此编码操作，使得遗传算法可直接对结构对象 (集合、序列、矩阵、树、图、链和表 )进行操作。 这一特点使得遗传算法具有广泛的应用领域。 2．群体搜索特性。 许多传统的搜索方法都是单点搜索，这种点对点的搜索方法，对于多峰分布的搜索空间常常会陷入局部的某个单峰的极点．相反，遗传算法采用的是同时处理群体中多个个体的方法，即同时对搜索空间中的多个解进行估。 这一特点使 得遗传算法具有较好的全局搜索性能，也使得遗传算 法本身易于并行化。 3．不需要辅助信息。 遗传算法仅用适应度函数的数值来评估基因个体，并在此基础上进行遗传操作。 更重要的是，遗传算法的适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。 由于限制条件的缩小，使得遗传算法的应用范围大大扩展。 4．内在启发式随机搜索的特性。 遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。 概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优化的解区域移动的。 虽然看起来它是一种盲目的搜索方法，实际上它有明确的搜索 华中科技大学文华学院毕业设计（论文 ） 10 方向，具有内在的并行搜索机制。 5．遗 传算法在搜索过程中不容易陷入局部最优，即使在所定义的适应度函数是不连续的，非规则的或有噪声的情况下，也能以很大的概率找到全局最优解。 6．遗传算法采用自然进化机制来表现复杂的现象，能够快速可靠地解决求解非常困难的问题。 7．遗传算法固有的并行性和并行计算的能力。 8．遗传算法具有可扩展性，易于同别的技术混合。 遗传算法的不足之处 遗传算法作为一种优化方法，它存在自身的局限性： 1．编码不规范及编码存在表示的不准确定。 2．单一的遗传算法编码不能全面地将优化问题的约束表示出来。 考虑约束的一个方 法就是对不可行解采用阈值，这样，计算时间必然增加。 3．遗传算法容易出现过早收敛。 4．遗传算法对算法的精度，可靠度计算复杂性等方面，还没有有效的定量方法。 应重点注意的是，遗传算法对给定的问题给出了大量可能的解答，并挑选最终的解答给用户，要是一个特定问题没有单个的解，例如 pareto最优解系列中，就像多目标优化和日程安排案例中，遗传算法将尽可能地用于识别可同时替换的解。 遗传算法与传统算法的比较 日前的最优化问题，目标函数和约束条件的种类繁多，有的是线性的，有的是非线性的，有的是连续的，有的 是离散的，有的是单峰值，有的是多峰值的。 随着研究的深入，人们逐渐认识到在很多复杂情况下要想完全精确地求出其最优化解是不可能的，也是不现实的。 因而求出其近似最优解或满意解是人们主要研究的问题之一。 对于类似上述最优化问题，求最优解或近似最优解的传统方法主要有解析法，随机法和穷举法。 解析法主要包括爬山法和间接法，随机法主要包括导向随机方法和盲目随机方法。 而穷举法主要包括完全穷举法，回溯法，动态规划法和限界剪枝法。 此类问题可以利用遗传算法求解。 而对于求解此类问题，遗传算法与一般传统方法有着本质的区别。 华中科技大学文华学院毕业设计（论文 ） 11 算法与启发式算法的比较 启发式算法是指通过寻求一种能产生可行解的启发式规则，找到问题的一个最优解或近似最优解。 该方法求解问题的效率较高，但是它对每一个所求的问题必须找出其特有的启发式规则。 这个启发式规则一般无通用性，不适用于其它问题。 但遗传算法采用的不是确定性规则，而是强调利用概率转换规则来引导搜索过程。 爬山法是直接法，梯度法和 Hessian法的通称。 爬山法首先在最优解可能存在的地方选择一个初始点，然后通过分析目标函数的特性，由初始点移到一个新的点，然后再继续这个过程。 爬山法的 搜索过程是确定的，它通过产生一系列的点收敛到最优解 (有时是局部最优解 )，而遗传算法的搜索过程是随机的，它产生一系列随机种群序列，二者的主要差别可以归纳如下 ： (1) 爬山法的初始点仅有一个，由决策者给出，遗传算法的初始点有多个，是随机产生的。 (2) 通过分析目标函数的特性可知，爬山法上一个点产生一个新的点，遗传算法通过遗传操作，在当前的种群中经过较差，变异和选择产生下一代种群。 对同一优化问题，遗传算法所使用的机时比爬山法所花费的机时要多，但遗传算法可以处理一些爬山法所不能解决的优化问题。 举法的比较 穷举法就是对解空间的所有解进行搜索，但是通常的穷举法并不是完全的穷举法，即不是对所有解进行尝试，而是有选择地尝试，如动态规划法，限界剪枝法。 对于特定的问题，穷举法有时也表现出很好的特性。 但一般情况下，对于完全穷举法，方法简单易行，但求解效率太低；对于如动态规划法，限界剪枝法，则鲁棒性不强，相比较而言，遗传算法具有较高的搜索能力和较强的鲁棒性。 与上述的搜索方法相比，盲目随机搜索方法有所改进，但它的搜索效率仍然不高。 一般而言，只有解在搜索空间中形成紧致分布 时，它的搜索才有效。 而遗传算法作为导向随机搜索方法，是对一个被编码的参数空间进行高效搜索。 蚁群算法 (Ant Colony Optimization， ACO)模拟蚂蚁的群体行为，由 Dorigo等人提出。 hCO本质上是一种基于群体的多代理算法。 该方法的主要特点是：正反馈、分布式计算、与某种启发式算法相结合，正反馈过程使得该方法能很快发现较好解；目前有学者尝试将其应用于电力系统规划中但是还没有很好地将规划模型处理成适合于蚂蚁算法求解的模型，系统规模增大时，难以求得高质量的解。 如何合理地将 规划模型转变成适合蚂蚁算法的模型，有待人们进一步的研究。 而遗传算法的显著优点是可以同时搜索空间中的许多点，而不是一个点，因而能够作到全局优化；由于其搜索最优解的过程是 华中科技大学文华学院毕业设计（论文 ） 12 有指导性的，避免了某些优化算法的维数灾难问题。 利用遗传算法进行电力系统调度优化规划，可得出若干个最优、次优方案，供规划人员根据实际情况进行决策选择。 6．遗传算法和模拟退火法 模拟退火法的最大特点是搜索中可以摆脱局部解，这是传统的爬山法所不具备的。 遗传算法中的“选择一操作是以和个体的适应度有关的概率来进行的。 因此，即使是适应度低的个体也会有被选 择的机会。 在这一点上它同模拟退火法十分相似。 显然，通过在搜索过程中动态地控制选择概率，遗传算法可以实现模拟退火法中的温度控制功能。 混沌优化算法是近年来随着混沌学科的发展而被提出来的另外一种新算法，它通过将优化问题模型向混沌变量的映射，充分利用混沌变量在混沌运动中所具有的遍历性，随机性，规律性来寻找全局的最优解。 依据对混沌变量应用方式的不同，混沌算法可以分为基于混沌序列的函数优化方法与基于混沌神经网络 (Chaotic Neural Network． CNN)的优化算法．但由于混沌变 量的搜索空间狭窄，又需要将优化模型归一化处理，因此还很少有将混沌神经网络应用于实际工程领域的模型。 改进的遗传算法 遗传算法的主要问题和解决方案 标准的遗传算法是具有“生成 +检测 的迭代过程的搜索算法。 遗传算法采用一种群体搜索策略和群体中个体之间的信息交换，搜索，不依赖于梯度信息。 但标准遗传算法存在一些不足，下面是标准遗传算法中存在的主要问题和解决方案。 对早熟收敛和后期搜索迟钝的解决方案：有条件的最佳保留机制；采用遗传 —— 灾变算法 D帕：采用适应度比例机制和个体浓度选择机制的加权和 ：引入主群和属群的概念；适应度函数动态定标：多种群并行进化及自适应调整控制参数相结合的自适应并行遗传算法；对重要参数选择采用自适应变化而非固定不变。 为了改进简单遗传算法的实际计算性能，很多学者的改进工作也是分别从参数编码，初始群体设定，适应度函数标定，遗传操作算子，控制参数的选择以及遗传算法结构等方面提出的。 众多学者一直致力于推动遗传算法的发展，对编码方式，控制参数的确定和交叉机理等进行了深入的研究，提出了各种变形的遗传算法，其基本途径概括起来主要有以下几个方面： (1)改进遗传算法的组成成分或使用技术， 如选用优化控制参数，适合问题特性的编码技术等。 华中科技大学文华学院毕业设计（论文 ） 13 (2)采用混合遗传算法 (Hybrid Geic Algorithm)]8[。 (3)采用动态自适应技术。 在进化过程中调整算法控制参数和编码精度。 (4)采用非标准的遗传操作算子。 (5)采用并行算法。 3. 基于改进遗传算法的 AGC机组优化组合 传统的机组组合模型 机组优化组合问题包含了机组运行约束及常规的运行约束。 在一个调度周期内，根据负荷变化的曲线图，分时段迸行计算。 其数学模型的目标函数为一个调度周期 内发电厂煤费用总和最小，其约束包含功率平衡方程、经济运行要求和机组运行约束。 假设系统中有 N台可运行机组，各时段的总负荷为 dP ，机组的功率储备为 rP ，并且假设电能损耗已经被包括在总负荷以及 机组的功率储备 中 ]10[。 目标函数 要求系统在 T小时 段中各机组的总费用为最小，目标函数可写为    TtNt itttiititit USUtPFPU 1 1 )1( ])()([),m in ( （ 31） 式中： itP —— 机组 i在时段 t的功率变量。 N—— 发电机组数 )( itPF —— 第 i台机组的发电费用，一般采用二次型，即 iitiitiiti cPbPaPF  2)( 其中iii cba , 为机组 i的运行费用特性参数。 T—— 机组的运行总 时间。 t—— 机组的运行时间参数。 itU —— 机组 i在时段 t时段内的状态，仅设 0， 1两个值， itU =1表示运行态， itU =0表示停运状态。 华中科技大学文华学院毕业设计（论文 ） 14 tS —— 机组启动费用，它与机组所建立的数学模型有关分为两类： a) 冷却 启动 机组从冷却状态启动，启动费用与停机时间 t的长短有。