差分進(jìn)化算法及其在電力系統(tǒng)調(diào)度優(yōu)化中的應(yīng)用研究.pdf

1、差分進(jìn)化算法同遺傳算法一樣，是一種基于種群迭代的群智能優(yōu)化計算方法。它通過種群內(nèi)個體之間的相互合作和互相競爭來產(chǎn)生群體智能，以能夠進(jìn)一步指導(dǎo)整個種群的進(jìn)化。該優(yōu)化算法的基本思想就是采用結(jié)構(gòu)簡單的差分變異算子和適者生存的競爭策略來產(chǎn)生新的種群，并最終使種群能夠達(dá)到或接近優(yōu)化問題的全局最優(yōu)解。作為一種新的進(jìn)化計算技術(shù)，差分進(jìn)化算法具有結(jié)構(gòu)簡單、高效和易于實現(xiàn)的特點，并且擁有很強(qiáng)的空間搜索能力。目前已經(jīng)成為優(yōu)化計算領(lǐng)域新的研究熱點。然而其理論

2、研究還處于起始階段。
　　 在建立差分進(jìn)化算法數(shù)學(xué)模型的過程中，對其基本概念進(jìn)行數(shù)學(xué)描述，定義個體狀態(tài)、種群狀態(tài)、種群狀態(tài)空間等概念。證明差分進(jìn)化算法的種群狀態(tài)轉(zhuǎn)移的過程是馬爾可夫鏈，并建立差分進(jìn)化算法的馬爾可夫鏈模型。在此基礎(chǔ)之上，對差分進(jìn)化算法進(jìn)行理論分析，并證明差分進(jìn)化算法無法保證全局收斂。同時研究了差分進(jìn)化算法的不同變體和不同參數(shù)設(shè)置對其性能的影響。
　　 在差分進(jìn)化算法的優(yōu)化過程中，不斷生成更優(yōu)的解并采用達(dá)爾文

3、的“適者生存”思想進(jìn)行擇優(yōu)保留，這樣就導(dǎo)致遺棄個體有效成分的缺失，并失去對新空間的探索開發(fā)能力，降低種群多樣性，進(jìn)而使算法早熟收斂并陷入局部最優(yōu)，因此需要改進(jìn)差分進(jìn)化算法并權(quán)衡算法的空間探索和開發(fā)能力，提高解的精確度和算法收斂速度。為此基于高斯擾動和免疫系統(tǒng)理論的自適應(yīng)差分進(jìn)化算法以及基于二次逼近操作算子和免疫系統(tǒng)理論的自適應(yīng)差分進(jìn)化算法被提出。首先，通過生物免疫系統(tǒng)的信息處理機(jī)制實現(xiàn)自適應(yīng)地修正差分進(jìn)化算法中的縮放因子和交叉因子，以滿

4、足優(yōu)化過程中對這兩個參數(shù)的取值要求。然后，在基于高斯擾動和免疫系統(tǒng)理論的自適應(yīng)差分進(jìn)化算法中通過高斯擾動增加種群的多樣性，擴(kuò)展算法的探索空間，以避免陷入局部最優(yōu)，進(jìn)而提高算法的性能；而在基于二次逼近操作算子和免疫系統(tǒng)理論的自適應(yīng)差分進(jìn)化算法中，二次逼近操作算子被用來實現(xiàn)局部搜索，以提高改進(jìn)算法局部開發(fā)的能力。
　　 電力系統(tǒng)動態(tài)環(huán)境經(jīng)濟(jì)和梯級水火電力系統(tǒng)調(diào)度優(yōu)化隸屬于非線性優(yōu)化問題范疇，并具有多目標(biāo)、高維、多約束條件等特點。經(jīng)典

5、的數(shù)學(xué)規(guī)劃方法無法處理此類復(fù)雜問題。為此提出了新的方法解決這些問題。首先，通過代價懲罰因子將雙目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題。然后，設(shè)計啟發(fā)式搜索策略解決調(diào)度問題中的爬坡約束、動態(tài)電力平衡約束、梯級水庫動態(tài)平衡約束以及梯級水庫的蓄水量約束等約束條件。通過啟發(fā)式策略修正解決方案，能夠提高群體的多樣性，拓展搜索空間?；趦?yōu)先列表的啟發(fā)式策略能夠使能耗低的火力發(fā)電機(jī)以更高的優(yōu)先級進(jìn)行更多的電力輸出，以得到更優(yōu)的調(diào)度解決方案。最后，改進(jìn)差分進(jìn)