[發明專利]一種基于基因編輯差分算法的多燃料經濟調度優化方法

在審

• 申請號: 201710237099.0
• 申請日: 2017-04-12
• 公開（公告）號: CN107025501A
• 公開（公告）日: 2017-08-08
• 發明（設計）人: 林藝城;孟安波
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/12
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 張春水,唐京橋

技術領域

本發明涉及電力系統領域，尤其涉及一種基于基因編輯差分算法的多燃料經濟調度優化方法。

背景技術

在電力系統運行中，經濟調度(ED)是一項重要的優化任務，其主要目標為在滿足出力—負荷平衡的等式約束和發電機出力等不等式約束條件的前提下，使得總發電成本最小，對電力系統的安全經濟運行具有重要的意義。

傳統ED優化問題中，發電機組進氣閥突然開啟所產生的拔絲現象——閥點效應往往被忽略不計，這降低了模型的求解精度。同時，僅能利用單一燃料的傳統發電機組已經不能滿足經濟和環境的需求，因此能使用多種燃料的發電機組成為目前火力發電的主流。計及閥點效應給ED問題的尋優空間增加了大量的局部最優點，而考慮多燃料則使得ED的解空間不連續，因此該問題呈現出一系列高維、非凸、非線性、不連續的特點，進一步增加了問題的解決難度。隨著系統工程理論研究的日趨成熟和現代計算機技術在計及閥點效應和多燃料經濟調度領域的不斷發展與應用，各種新方法和新技術也層出不窮。常見有傳統的數學優化方法：如線性規劃、非線性規劃、動態規劃等，傳統的優化方法過度依賴數學模型，并在求解時需將數學模型進行簡化，且對初始解較為敏感，因此在處理此類計及閥點效應和多燃料的復雜DE優化問題時容易陷入局部最優點。近年來，智能優化算法得到了高速發展，因此，在解決多燃料DE問題上大量地采用啟發式優化算法，如原始的啟發式優化方法，主要有遺傳算法(GA)、粒子群算法(PSO)、差分算法(DE)、重力搜索算法(GSO)、競拍分布式算法(AA)、布谷鳥搜索算法(CSA)、禁忌搜索算法(TSA)、生物優化算法(BBO)、搜尋者優化算法(SOA)等。相對于傳統數學優化方法，這些原始啟發式算法對所求問題的數學模型沒有特殊限制，具有強大的適應性。然而，原始算法仍存在容易出現過早熟現象，收斂精度不高等缺陷。因此，更多的學者致力于研究其改進方法，如從算法結構上的改進，主要有改進遺傳算法、改進粒子群算法、改進布谷鳥算法、改進蛙跳算法、擾動差分算法(SDE)、全局最優和聲搜索算法(GHS)等，或結合兩個及以上算法的混合，如混合遺傳乘數更新算法、混合分布式粒子群和禁忌搜索算法等等，這些改進或混合算法比原始算法適應性更強，優化結果也更具優勢，然而這些算法在面臨不可微、不連續、非凸、非線性的大規模計及閥點效應的多燃料經濟調度優化問題時，同樣也存在一些缺陷，如種群多樣性不足，容易陷入局部最優，收斂速度較慢等，因此，需要提出一種更高效的方法解決該優化問題。

差分進化(Differential Evolution,DE)算法的基本思想是仿照生物進化機制，利用種群中個體之間的差異產生新的個體，然后進行交叉、選擇操作實現種群的進化，通過多次迭代搜索最終得到全局最優解。DE算法不但具備結構簡單，控制參數少，易于實現，有較強的魯棒性等優點，而且其固有的并行性有助于算法求解大規模系統模型。尤其是在低維單峰函數優化問題中具有明顯的收斂速度快、尋優精度高等優勢。然而在面臨高維、多峰、非線性及不可微等復雜優化函數時，存在后期收斂速度慢，容易陷入局部最優等缺陷。

針對這一問題，本發明提供一種基于基因編輯差分算法的多燃料經濟調度優化方法，并首次提出了基因編輯差分算法(GEDE)，該算法在標準差分算法的基礎上，通過融入我們最新研制的基因編輯操作，該操作能有效緩解DE算法后期收斂種群多樣性不足導致陷入局部最優的現象，并且在收斂后期種群中個體嚴格滿足等式約束情況下，每次基因編輯操作均為在可行域中搜索，這極大的降低了整個搜索空間，大幅度地提高算法搜索效率。

發明內容

本發明實施例提供了一種基于基因編輯差分算法的多燃料經濟調度優化方法，用于解決現有的基于差分進化算法的經濟調度優化方法在面臨高維、多峰、非線性及不可微等復雜優化函數時存在的后期收斂速度慢、容易陷入局部最優的技術問題。

本發明實施例提供的一種基于基因編輯差分算法的多燃料經濟調度優化方法，包括：

S1：建立計及閥點效應和多燃料的經濟調度模型；

S2：設置種群大小M、最大迭代次數max gen，交叉概率p_DE、編輯概率p_c，根據所述經濟調度模型在解空間中隨機生成初始的種群并根據所述初始的種群計算初始適應度值；

S3：對種群中的所有個體執行變異操作、交叉操作和選擇操作，并更新種群；

S4：對更新后的種群執行基因編輯技術操作，再次更新種群并記錄迭代次數加一；

S5：重復執行步驟S3至S4，直到迭代次數達到預設的最大迭代次數max gen。

優選地，所述步驟S1具體包括：