CN105719081A - 一种基于改进人工蜂群算法的电力***动态经济调度方法 - Google Patents

Abstract

本发明提出一种基于改进人工蜂群算法的电力***动态经济调度方法，通过对传统的雇佣蜂和观察蜂的搜索策略进行改进，雇佣蜂和观察蜂采用符合自身特点的搜索策略，平衡全局搜索和局部寻优能力。采用本方法对电力***动态经济调度进行求解，能够满足在相关约束的条件下，获得优化后的电力***各机组各时段的出力水平和最小发电成本。

Description

一种基于改进人工蜂群算法的电力***动态经济调度方法

技术领域

本发明属于电力***优化运行领域，尤其是涉及一种基于改进人工蜂群算法的电力***动态经济调度方法。

背景技术

电力市场的迅速发展对电力***的运行和管理提出了新的要求，为提高发电厂的生产效率和电力***的经济效益，电力***的动态经济调度问题成为了重点研究问题之一。

一个良好的电力***建立在以保证安全可靠运行为前提，追求***的经济效益最大化为目标的前提下。电力***中，机组的运行需要成本，不同的机组成本函数不同，包括热耗量，煤耗量，有害气体排放量，供电成本及发电成本等。经济调度优化的目的在于一定周期内，优化各机组的出力，以获得最优的出力水平，使成本最小。动态经济调度要处理多个约束问题，如机组前后时段的出力爬坡约束，出力上下限约束，发电与损耗平衡约束等，因此，寻找一个高效的优化算法来出力电力***的动态经济调度问题十分必要。

电力***的动态经济调度维数高，约束条件严格，是一个十分复杂的优化问题。粒子群算法已被广泛应用于电力***的动态经济调度问题中，但由于其收敛速度较快，全局搜索能力不强的特点，容易陷入局部最优。

发明内容

本发明所解决的技术问题在于提供一种基于改进人工蜂群算法的电力***动态经济调度方法，通过对传统的雇佣蜂和观察蜂的搜索策略进行改进，雇佣蜂和观察蜂采用符合自身特点的搜索策略，平衡全局搜索和局部寻优能力。采用本方法对电力***动态经济调度进行求解，能够满足在相关约束的条件下，获得优化后的各机组各时段的出力水平。

实现本发明目的的技术解决方案为：

一种基于改进人工蜂群算法的电力***动态经济调度方法，包括以下步骤：

步骤1：设置人工蜂群的参数，包括雇佣蜂控制因子F、观察蜂控制因子H的均值H_m和方差S_th、食物源规模NP、迭代次数G_max，设置食物源在电力***动态经济调度中的约束条件并构造电力***动态经济调度的目标函数，所述食物源在电力***动态经济调度中的约束条件包括：机组功率平衡约束、机组出力上下限约束和机组爬坡约束；

步骤2：生成初始食物源并计算其目标函数值和适应值，找出当前最优食物源的位置和对应的目标函数值；

步骤3：雇佣蜂根据其搜索公式产生新位置，搜索策略为：V_i,j＝P_r1,j+F(P_r2,j-P_r3,j)，V_i,j为新的食物源位置，P_r1,j、P_r2,j、P_r3,j为三个随机选择的食物源，r1≠r2≠r3≠i，i＝1,2,...,NP，j表示当前列数；

步骤4：根据约束条件判断新位置是否越限，若越限，则将其调整至约束范围内，若不越限，则不做调整；

步骤5：采用贪婪原则对当前食物源位置进行更新；

步骤6：观察蜂根据轮盘赌原则所确定的概率选择食物源并在其附近精细搜索，搜索策略为：V_i,j＝gbest_i,j+H(P_r4,j-P_r5,j)，P_r4,j、P_r5,j为两个随机选择的食物源，且r4≠r5≠i，i＝1,2,…,NP，j表示当前列数，gbest_i,j为适应值最大的食物源，H由高斯产生；

步骤7：根据约束条件判断新位置是否越限，若越限，则将其调整至约束范围内，若不越限，则不做调整；

步骤8：采用贪婪原则对当前食物源位置进行更新；

步骤9：判断迭代次数是否达到最大迭代次数，若是，则停止迭代，输出最优食物源的位置和目标函数值，所述最优食物源的位置即为电力***各机组的出力水平，目标函数值即为对应的最小发电成本；若否，则跳转到步骤3。

进一步的，本发明的基于改进人工蜂群算法的电力***动态经济调度方法，步骤1中雇佣蜂控制因子F＝0.5、观察蜂控制因子H的均值H_m＝0、观察蜂控制因子H的方差S_th＝0.3、食物源规模NP＝40、迭代次数G_max＝500。

进一步的，本发明的基于改进人工蜂群算法的电力***动态经济调度方法，步骤1中电力***动态经济调度的目标函数为：

$f=\underset{t}{\overset{T}{\Σ}}\underset{i}{\overset{M}{\Σ}}(a_i\·P_{i,t}^2+b_i{P}_{i,t}+c_i)+\left|e_{i}sin\left(f_i\right(P_{i,t}^{\min }-P_{i,t}\left)\right)\right|$

其中，为发电成本，a_i、b_i、c_i分别表示成本***的系数，P_i,t为第i台机组在第t时段的出力，T表示动态经济调度的时段数，一天24小时，以每小时为一个段，共24个时段，M表示参与动态经济调度的机组数，为加载阀点效应，e_i、f_i为耗量系数，为第i台机组在第t时段出力的下限。

进一步的，本发明的基于改进人工蜂群算法的电力***动态经济调度方法，步骤2中，第m个初始食物源为： $P_m=\left[\begin{array}{ccccc}{P}_{1,1}& ...& P_{1,t}& ...& P_{1,T}\\ P_{i,1}& ...& P_{i,t}& ...& P_{i,T}\\ ...& ...& ...& ...& ...\\ P_{M,1}& ...& P_{M,t}& ...& P_{M,T}\end{array}\right],$ 其中，T表示动态经济调度的时段数，一天24小时，以每小时为一个段，共24个时段，M表示参与动态经济调度的机组数，P_i,t＝a_i,t·P_D,t，a_i,t表示第i台机组第t时段的比例元素，为随机生成，满足a_1,t+a_2,t+…+a_i,t+…+a_M,T＝1，P_D,t表示第t时段的负荷的大小。

进一步的，本发明的基于改进人工蜂群算法的电力***动态经济调度方法，步骤2中适应值为：

$Fitness=\left\{\begin{array}{cc}1/(1+f)& f\&GreaterEqual;0\\ 1+abs\left(f\right)& f<0\end{array}\right.$

其中，f为目标函数值。

进一步的，本发明的基于改进人工蜂群算法的电力***动态经济调度方法，步骤4中对于越限位置的调整步骤如下：

步骤4-1：若机组出力越上限时，则将机组出力限定在机组出力上限；若机组出力越下限时，则将机组出力限定在机组出力下限；

步骤4-2：若机组向上爬坡时越限，则将机组出力限定在向上爬坡上限；若机组向下爬坡时越限，则将机组出力限定在向下爬坡下限；

步骤4-3：根据调整后的机组出力，重新计算网损；

步骤4-4：计算各时段机组出力的不平衡量，所述不平衡量是指各时段机组出力之和与负荷总量之间的差值，再将不平衡量根据机组等耗量微增率的大小并结合各个机组的出力上下限约束进行分配。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明利用观察蜂自身的优点对其搜索策略进行改进，使其精度寻优的能力更强；

2、本发明的方法调度初期可以在搜索空间中进行广泛搜索，后期保证小范围搜索，从而在电力***动态经济调度中进行寻优，在满足相关约束和考虑网损的情况下，实现发电的最小出力和发电总费用最小化，达到动态经济调度的目的。

附图说明

图1是本发明的基于改进人工蜂群算法的电力***动态经济调度方法的流程图；

图2是本发明的对于越限位置的调整分解子步骤。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明的基于改进人工蜂群算法的电力***动态经济调度方法流程如图1所示，具体包括如下步骤：

步骤1：设置人工蜂群的参数，包括雇佣蜂控制因子F、观察蜂控制因子H的均值H_m和方差S_th、食物源规模NP、迭代次数G_max，设置食物源在电力***动态经济调度中的约束条件并构造电力***动态经济调度的目标函数，所述食物源在电力***动态经济调度中的约束条件包括：机组功率平衡约束、机组出力上下限约束和机组爬坡约束；

步骤2：生成初始食物源并计算其目标函数值和适应值，找出当前最优食物源的位置和对应的目标函数值；

步骤3：雇佣蜂根据其搜索公式产生新位置；

步骤4：根据约束条件判断新位置是否越限，若越限，则将其调整至约束范围内，若不越限，则不做调整；

步骤5：采用贪婪原则对当前食物源位置进行更新；

步骤6：观察蜂根据轮盘赌原则所确定的概率选择食物源并在其附近精细搜索；

步骤7：根据约束条件判断新位置是否越限，若越限，则将其调整至约束范围内，若不越限，则不做调整；

步骤8：采用贪婪原则对当前食物源位置进行更新；

步骤9：判断迭代次数是否达到最大迭代次数，若是，则停止迭代，输出最优食物源的位置和目标函数值，所述最优食物源的位置即为电力***各机组的出力水平，目标函数值即为对应的最小发电成本；若否，则跳转到步骤3。

下面根据步骤进行详细分析。

步骤1中，雇佣蜂控制因子F＝0.5、观察蜂控制因子H的均值H_m＝0、观察蜂控制因子H的方差S_th＝0.3、食物源规模NP＝40、迭代次数G_max＝500。

食物源在电力***动态经济调度中的约束条件包括：机组功率平衡约束、机组出力上下限约束、机组爬坡约束。

其中，机组功率平衡约束为：

$\underset{i=1}{\overset{m}{\&Sigma;}}{P}_{i,t}=P_{D,t}+P_{loss,t}---\left(1\right)$

其中，P_i,t为第t时段第i个机组的出力，P_D,t为第t时段的负荷大小，P_loss,t为第t时段的网损大小。

网损计算采用B系数法计算，表达式如下：

P_loss,t＝P_t ^TBP_t(2)

其中，P_t为第t时段各机组出力的列向量，P_t ^T表示P_t的转置，B为M×M的参数矩阵，用于计算网损。

机组出力上下限约束为：

P_i ^min＜P_i,t＜P_i ^max(3)

其中，P_i ^min和P_i ^max分别表示第i台机组第t时段出力的下限和上限。

机组爬坡约束为：

$R_i^d\mathrm{\&Delta;}t\&le;P_{i,t}-P_{i,t-1}\&le;P_i^u\mathrm{\&Delta;}t---\left(4\right)$

其中，P_i,t-1为第t-1时段第i个机组的出力，为向下爬坡速度，为负值；为向上爬坡速度，为正值；Δt表示两个调度时段之间的时间间隔。

电力***动态经济调度的目标函数为：

$f=\underset{t}{\overset{T}{\&Sigma;}}\underset{i}{\overset{M}{\&Sigma;}}(a_i\&CenterDot;P_{i,t}^2+b_i{P}_{i,t}+c_i)+\left|e_{i}sin\left(f_i\right(P_{i,t}^{\min }-P_{i,t}\left)\right)\right|---\left(5\right)$

其中，为发电成本，a_i、b_i、c_i分别表示成本***的系数，P_i,t为第i台机组在第t时段的出力，T表示动态经济调度的时段数，一天24小时，以每小时为一个段，共24个时段，M表示参与动态经济调度的机组数，为加载阀点效应，e_i、f_i为耗量系数，为第i台机组在第t时段出力的下限。

步骤2中，根据各时段的负荷水平随机分摊到各个机组的出力水平，按照食物源规模数生成初始食物源，对于第m个食物源生成如下：

$P_m=\left[\begin{array}{ccccc}{P}_{1,1}& \mathrm{...}& P_{1,t}& \mathrm{...}& P_{1,T}\\ P_{i,1}& \mathrm{...}& P_{i,t}& \mathrm{...}& P_{i,T}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ P_{M,1}& \mathrm{...}& P_{M,t}& \mathrm{...}& P_{M,T}\end{array}\right]---\left(6\right)$

其中，T表示动态经济调度的时段数，一天24小时，以每小时为一个段，共24个时段，M表示参与动态经济调度的机组数，P_i,t＝a_i,t·P_D,t，a_i,t表示第i台机组第t时段的比例元素，为随机生成，满足a_1,t+a_2,t+…+a_i,t+…+a_M,T＝1，P_D,t表示第t时段的负荷的大小。

各个食物源的适应值为：

$Fitness=\left\{\begin{array}{cc}1/(1+f)& f\&GreaterEqual;0\\ 1+abs\left(f\right)& f<0\end{array}\right.---\left(7\right)$

目标函数值越小，食物源的适应值就越大。

比较各个食物源的适应值，找到适应值最高的食物源，记录其位置和目标函数值。

步骤3中，雇佣蜂根据其搜索公式产生新位置，搜索策略为：

V_i,j＝P_r1,j+F(P_r2,j-P_r3,j)(8)

V_i,j为新的食物源位置，P_r1,j、P_r2,j、P_r3,j为三个随机选择的食物源，r1≠r2≠r3≠i，i＝1,2,...,NP，j表示当前列数。

步骤4与步骤7相同，如图2所示，对于越限位置的调整步骤如下：

步骤4-1：若机组出力越上限时，则将机组出力限定在机组出力上限；若机组出力越下限时，则将机组出力限定在机组出力下限；

步骤4-2：若机组向上爬坡时越限，则将机组出力限定在向上爬坡上限；若机组向下爬坡时越限，则将机组出力限定在向下爬坡下限；

步骤4-3：根据调整后的机组出力，重新计算网损；

步骤4-4：计算各时段机组出力的不平衡量，所述不平衡量是指各时段机组出力之和与负荷总量之间的差值，再将不平衡量根据机组等耗量微增率的大小并结合各个机组的出力上下限约束进行分配。

步骤5与步骤8相同，采用贪婪原则对当前食物源位置进行更新的方法为：

$P_i=\{\begin{array}{cc}{V}_i& f\left(V_i\right)<f\left(P_i\right)\\ P_i& f\left(V_i\right)\&GreaterEqual;f\left(P_i\right)\end{array}---\left(9\right)$

其中，f(V_i)为新产生位置的目标函数值，f(P_i)为当前食物源的目标函数值，当且仅当新产生位置的目标函数值比原食物源位置的目标函数值小时，更新当前食物源的位置。

步骤6中，每个食物源被选择的概率为：

${\mathrm{prob}}_i={\mathrm{Fitness}}_i/\underset{j=1}{\overset{NP}{\&Sigma;}}{\mathrm{Fitness}}_j---\left(12\right)$

其中，i、j表示食物源。

观察蜂根据上式所确定的概率，利用轮盘赌原则选择食物源并在其附近进行精细搜索，搜索策略为：

V_i,j＝gbest_i,j+H(P_r4,j-P_r5,j)(13)

其中，P_r4,j、P_r5,j为两个随机选择的食物源，且r4≠r5≠i，i＝1,2,…,NP，j表示当前列数，gbest_i,j为适应值最大的食物源，H由高斯产生，均值H_m＝0，方差S_th＝0.3，这样所产生H的值大部分集中在0附近，从而可以在gbest_i,j附近进行精细搜索，加快收敛速度，提高寻优精度。

步骤9中，根据步骤1中已设定的迭代算法，判定迭代次数是否达到：若达到迭代次数Gmax＝500，则停止计算，得到最优食物源的位置和目标函数值，该食物源位置即为各机组在该时段的出力，从而计算出最终结果，最终结果包括各机组各时段的出力水平以及计算该时段内的机组运行总费用；若没有达到迭代次数，则返回步骤3，继续计算。

实施例

本发明采用的电力***算例数据如下，具体负荷数据如表1所示，电源参数如表2所示，一共是5个火力发电机组，本发明计算网损时采用B系数矩阵法，故列B系数矩阵于表3。

表1为负荷参数。

表2为机组参数。

表3为B系数矩阵(参数单位：10^-5)。

表4为粒子群算法、差分算法、人工蜂群算法和改进人工蜂群算法等4种算法的目标函数值比较。

本发明对人工蜂群算法中雇佣蜂和观察蜂的搜索公式进行了改进，让雇佣蜂的迭代公式可以更好的平衡全局搜索和局部寻优，雇佣蜂可以更专注的进行精细搜索。标准的粒子群算法，差分算法，人工蜂群算法相比，人工蜂群算法更不容易陷入局部最优，而采用改进后的人工蜂群算法对电力***的动态经济调度进行求解，获得优化后的各机组各时段的出力水平，与标准的人工蜂群算法相比可以取得更好的优化效果。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进应视为本发明的保护范围。

Claims (6)

1.一种基于改进人工蜂群算法的电力***动态经济调度方法，其特征在于，包括以下步骤：

步骤1：设置人工蜂群的参数，包括雇佣蜂控制因子F、观察蜂控制因子H的均值H_m和方差S_th、食物源规模NP、迭代次数G_max，设置食物源在电力***动态经济调度中的约束条件并构造电力***动态经济调度的目标函数，所述食物源在电力***动态经济调度中的约束条件包括：机组功率平衡约束、机组出力上下限约束和机组爬坡约束；

步骤2：生成初始食物源并计算其目标函数值和适应值，找出当前最优食物源的位置和对应的目标函数值；

步骤3：雇佣蜂根据其搜索公式产生新位置，搜索策略为：V_i,j＝P_r1,j+F(P_r2,j-P_r3,j)，V_i,j为新的食物源位置，P_r1,j、P_r2,j、P_r3,j为三个随机选择的食物源，r1≠r2≠r3≠i，i＝1,2,...,NP，j表示当前列数；

步骤4：根据约束条件判断新位置是否越限，若越限，则将其调整至约束范围内，若不越限，则不做调整；

步骤5：采用贪婪原则对当前食物源位置进行更新；

步骤6：观察蜂根据轮盘赌原则所确定的概率选择食物源并在其附近精细搜索，搜索策略为：V_i,j＝gbest_i,j+H(P_r4,j-P_r5,j)，P_r4,j、P_r5,j为两个随机选择的食物源，且r4≠r5≠i，i＝1,2,…,NP，j表示当前列数，gbest_i,j为适应值最大的食物源，H由高斯产生；

步骤7：根据约束条件判断新位置是否越限，若越限，则将其调整至约束范围内，若不越限，则不做调整；

步骤8：采用贪婪原则对当前食物源位置进行更新；

步骤9：判断迭代次数是否达到最大迭代次数，若是，则停止迭代，输出最优食物源的位置和目标函数值，所述最优食物源的位置即为电力***各机组的出力水平，目标函数值即为对应的最小发电成本；若否，则跳转到步骤3。

2.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法，其特征在于，步骤1中雇佣蜂控制因子F＝0.5、观察蜂控制因子H的均值H_m＝0、观察蜂控制因子H的方差S_th＝0.3、食物源规模NP＝40、迭代次数G_max＝500。

3.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法，其特征在于，步骤1中电力***动态经济调度的目标函数为：

其中，为发电成本，a_i、b_i、c_i分别表示成本***的系数，P_i,t为第i台机组在第t时段的出力，T表示动态经济调度的时段数，一天24小时，以每小时为一个段，共24个时段，M表示参与动态经济调度的机组数，为加载阀点效应，e_i、f_i为耗量系数，为第i台机组在第t时段出力的下限。

4.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法，其特征在于，步骤2中，第m个初始食物源为：其中，T表示动态经济调度的时段数，一天24小时，以每小时为一个段，共24个时段，M表示参与动态经济调度的机组数，P_i,t＝a_i,t·P_D,t，a_i,t表示第i台机组第t时段的比例元素，为随机生成，满足a_1,t+a_2,t+…+a_i,t+…+a_M,T＝1，P_D,t表示第t时段的负荷的大小。

5.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法，其特征在于，步骤2中适应值为：

其中，f为目标函数值。

6.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法，其特征在于，步骤4中对于越限位置的调整步骤如下：

步骤4-1：若机组出力越上限时，则将机组出力限定在机组出力上限；若机组出力越下限时，则将机组出力限定在机组出力下限；

步骤4-2：若机组向上爬坡时越限，则将机组出力限定在向上爬坡上限；若机组向下爬坡时越限，则将机组出力限定在向下爬坡下限；

步骤4-3：根据调整后的机组出力，重新计算网损；

步骤4-4：计算各时段机组出力的不平衡量，所述不平衡量是指各时段机组出力之和与负荷总量之间的差值，再将不平衡量根据机组等耗量微增率的大小并结合各个机组的出力上下限约束进行分配。