[發(fā)明專利]基于變加速度系數(shù)混沌粒子群的機(jī)組經(jīng)濟(jì)負(fù)荷分配方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711090949.5
• 申請(qǐng)日: 2017-11-08
• 公開（公告）號(hào): CN109754108B
• 公開（公告）日: 2023-07-14
• 發(fā)明（設(shè)計(jì)）人: 韓朝兵;王健;薛明華;荊迪;黃偉棟
• 申請(qǐng)（專利權(quán)）人: 上海明華電力技術(shù)工程有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/006;G06F30/27;G06N7/08;G06F111/04
• 代理公司: 上?？剖⒅R(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 應(yīng)小波

1.一種基于變加速度系數(shù)混沌粒子群的機(jī)組經(jīng)濟(jì)負(fù)荷分配方法，其特征在于，包括：

根據(jù)發(fā)電機(jī)組的煤耗特性參數(shù)擬合煤耗特性曲線并建立發(fā)電機(jī)組經(jīng)濟(jì)負(fù)荷分配模型，將總煤耗成本最小作為目標(biāo)函數(shù)；

通過采用等概率負(fù)荷調(diào)整約束處理方法來處理經(jīng)濟(jì)負(fù)荷分配中的等式約束；

采用變加速度系數(shù)粒子群算法和混沌優(yōu)化算法，將總發(fā)電功率分配給各臺(tái)機(jī)組，最終得到各個(gè)單元機(jī)組最優(yōu)的負(fù)荷分配結(jié)果，使得整個(gè)機(jī)組群的總煤耗成本最低；

所述的變加速度系數(shù)粒子群算法在粒子群算法的迭代過程中，動(dòng)態(tài)線性調(diào)整速度更新公式中的加速度系數(shù)，增強(qiáng)了粒子群算法的全局尋優(yōu)能力，避免陷入局部最優(yōu)；

所述的變加速度系數(shù)粒子群算法具體為：

在粒子群算法的迭代過程中，動(dòng)態(tài)線性調(diào)整速度更新公式(3)中的加速度系數(shù)C₁和C₂；同時(shí)，由于在迭代初期，將傳統(tǒng)的粒子群算法的速度更新公式進(jìn)行了改進(jìn)，增加了項(xiàng)，改進(jìn)后的速度更新公式如式(4)所示：

其中，和分別為粒子i在第k代和k+1代的速度向量；和分別為粒子i在第k代和第k+1代的位置向量；為粒子i迭代到第k代時(shí)自身找到的最優(yōu)解的位置；為整個(gè)種群迭代到第k代時(shí)目前找到的最優(yōu)解的位置；為整個(gè)種群在第k代找到的最優(yōu)解的位置；和均為[0?1]之間的均勻分布的隨機(jī)數(shù)；cω^k為混沌慣性權(quán)重；C₁、C₂和C₃為加速度系數(shù)；

隨著迭代過程的不斷推進(jìn)，加速度系數(shù)C₁線性減小，而使C₂線性增大，如式(6)、(7)所示；

其中，C_1i、C_1f分別為加速度系數(shù)C₁的初值和終值；C_2i、C_2f分別為加速度系數(shù)C₂的初值和終值；K_max為最大迭代代數(shù)；k為當(dāng)前迭代代數(shù)；

式(4)中加速度系數(shù)C₃的取值如式(8)所示：

。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的等概率負(fù)荷調(diào)整約束處理方法具體為：

(1)在負(fù)荷上下限之間隨機(jī)初始化每臺(tái)機(jī)組的負(fù)荷，當(dāng)機(jī)組負(fù)荷越限時(shí)，按式(1)進(jìn)行處理，以滿足不等式約束；

其中，P、P^min和P^max分別表示機(jī)組當(dāng)前負(fù)荷、機(jī)組負(fù)荷下限和機(jī)組負(fù)荷上限，下標(biāo)i表示第i個(gè)粒子，下標(biāo)j為機(jī)組號(hào)，上標(biāo)k表示當(dāng)前迭代代數(shù)；

(2)計(jì)算所有機(jī)組當(dāng)前所分配的負(fù)荷總和與電力總負(fù)荷P_demand的差值如果|δP^k|小于所給出的精度ε時(shí)，則轉(zhuǎn)步驟(6)；否則，轉(zhuǎn)步驟(3)，N表示參與負(fù)荷分配的機(jī)組數(shù)；

(3)從所有參與負(fù)荷分配的機(jī)組中隨機(jī)選擇一臺(tái)至今負(fù)荷未被更新的機(jī)組，并將賦值給

(4)按式(2)更新步驟(3)中隨機(jī)選擇的機(jī)組的負(fù)荷值

其中，為更新后的第i個(gè)粒子第j臺(tái)機(jī)組在第k次迭代的機(jī)組負(fù)荷值，rn_j為[0，1]之間的均勻分布的隨機(jī)數(shù)；

(5)重新計(jì)算為更新后的負(fù)荷差值，如果小于ε，則轉(zhuǎn)步驟(6)；否則，轉(zhuǎn)步驟(3)；

(6)完成約束處理操作。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的混沌優(yōu)化算法采用變加速度系數(shù)粒子群算法解決機(jī)組經(jīng)濟(jì)負(fù)荷分配問題時(shí)，在傳統(tǒng)的線性遞減慣性權(quán)重中糅合了混沌序列，產(chǎn)生混沌慣性權(quán)重，有效地提高了粒子群算法的全局尋優(yōu)能力。

4.根據(jù)權(quán)利要求1或3所述的方法，其特征在于，所述的混沌優(yōu)化算法具體為：

在如式(9)所示的線性遞減慣性權(quán)重中糅合了混沌序列，產(chǎn)生如式(11)所示的混沌慣性權(quán)重，同時(shí)在迭代后期，由于混沌慣性權(quán)重逐漸收斂，保證了粒子群算法的收斂性；

其中，ω^k為線性遞減慣性權(quán)重，ω_max、ω_min分別為慣性權(quán)重上、下限，K_max為最大迭代代數(shù)；k為當(dāng)前迭代代數(shù)；

采用Logistic映射產(chǎn)生的混沌變量z如式(10)所示：

其中，μ是控制變量，當(dāng)μ＝4，時(shí)，Logistic完全處于混沌狀態(tài)；

最終的混沌慣性權(quán)重如式(11)所示；

cω^k＝ω^k×z^k?(11)。