發(fā)電機(jī)組組合負(fù)荷優(yōu)化分配算法的分析

摘要：在經(jīng)過(guò)國(guó)內(nèi)外長(zhǎng)期的研究和應(yīng)用，目前已出現(xiàn)了很多有價(jià)值的負(fù)荷優(yōu)化分配方法。對(duì)目前國(guó)內(nèi)外出現(xiàn)的機(jī)組組合負(fù)荷優(yōu)化分配算法進(jìn)行了比較全面的分析與總結(jié)，將其分為傳統(tǒng)優(yōu)化算法、現(xiàn)代智能優(yōu)化算法、群體智能仿生算法等三類，闡述了各種算法的基本原理，并對(duì)其各種算法優(yōu)缺點(diǎn)作了分析和比較，從而為相關(guān)課題的研究提供了參考。

關(guān)鍵詞：機(jī)組組合 負(fù)荷分配 優(yōu)化算法

中圖分類號(hào):TM62 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1674-098X(2011)12(a)-0000-00

1 引言

燃煤火力發(fā)電目前仍是電力能源生產(chǎn)的主要形式，隨著電力體制改革方案的逐步實(shí)施，廠網(wǎng)分開(kāi)、競(jìng)價(jià)上網(wǎng)正在逐步走向深入，電力企業(yè)的思維模式、工作方式、管理體制都面臨新的考驗(yàn)，競(jìng)爭(zhēng)將更加激烈。目前電力企業(yè)成本較高，利潤(rùn)不高，依靠設(shè)備改造、電價(jià)改革來(lái)提高經(jīng)濟(jì)效益的空間又比較有限，所以研究機(jī)組組合的負(fù)荷優(yōu)化分配算法即如何在全廠機(jī)組組合方式一定的情況下，全面考慮全廠各運(yùn)行機(jī)組的煤耗特性，從而合理地分配各機(jī)組所帶負(fù)荷，使全廠總的煤耗量最小。因此，研究大型火力發(fā)電廠多臺(tái)機(jī)組間實(shí)時(shí)負(fù)荷優(yōu)化分配算法具有重要的現(xiàn)實(shí)意義。

2 傳統(tǒng)的負(fù)荷優(yōu)化分配算法

傳統(tǒng)優(yōu)化算法是指早期國(guó)內(nèi)采用的負(fù)荷優(yōu)化分配算法，包括啟發(fā)式方法、動(dòng)態(tài)規(guī)劃法、等微增率法、窮舉法、混合整數(shù)規(guī)劃法、拉格朗日松弛法等。

2.1 啟發(fā)式方法

啟發(fā)式方法是最早使用的一類優(yōu)化方法， 這種方法沒(méi)有嚴(yán)格的理論依據(jù)， 依靠直觀的判斷或?qū)嶋H調(diào)度的經(jīng)驗(yàn)尋求最優(yōu)解。啟發(fā)式方法在機(jī)組組合問(wèn)題中的應(yīng)用有局部尋優(yōu)法和優(yōu)先級(jí)表法。局部尋優(yōu)法是從一個(gè)盡可能好的初始解出發(fā)，在其鄰域內(nèi)尋優(yōu)，通過(guò)迭代求得最優(yōu)解或次優(yōu)解。優(yōu)先級(jí)表法將系統(tǒng)可調(diào)度的機(jī)組按某種經(jīng)濟(jì)特性指標(biāo)事先排出順序，根據(jù)系統(tǒng)負(fù)荷大小按這種順序依次投切機(jī)組。兩種方法計(jì)算速度快，占用內(nèi)存少，但常常找不到最優(yōu)解。優(yōu)先順序法既可單獨(dú)使用，也可與動(dòng)態(tài)規(guī)劃法等方法結(jié)合使用。

2.2 動(dòng)態(tài)規(guī)劃法

動(dòng)態(tài)規(guī)劃法是將一個(gè)給定的問(wèn)題分解為幾個(gè)子問(wèn)題，然后依次解決各個(gè)子問(wèn)題，最后一個(gè)子問(wèn)題的最優(yōu)解就是該問(wèn)題的最優(yōu)解。該方法具有的優(yōu)點(diǎn)：對(duì)目標(biāo)函數(shù)的形態(tài)和約束條件沒(méi)有特殊的要求；對(duì)電廠機(jī)組負(fù)荷分配數(shù)學(xué)模型進(jìn)行離散分步求解，即可快速求出全局最優(yōu)解。但不足的是：對(duì)于機(jī)組數(shù)較多的電力系統(tǒng)，計(jì)算比較繁瑣，必須采用近似方法簡(jiǎn)化，因此不可避免地會(huì)丟失最優(yōu)解，而且容易陷入“維數(shù)災(zāi)”；而且要求所求解的問(wèn)題具有明顯的階段性，難于考慮與時(shí)間有關(guān)的約束條件和機(jī)組爬坡速率等限制。

2.3 等微增率法

等微增率法是以數(shù)學(xué)極值理論來(lái)為基礎(chǔ)，用海賽矩陣來(lái)判斷，實(shí)現(xiàn)機(jī)組組合的負(fù)荷優(yōu)化分配，該方法具有簡(jiǎn)單明了、使用方便、易于掌握等優(yōu)點(diǎn)，是目前電力系統(tǒng)實(shí)行負(fù)荷調(diào)度的主要方法。但該方法為了達(dá)到系統(tǒng)標(biāo)準(zhǔn)煤耗最小，煤耗量曲線必須滿足下凹的特征，如果表現(xiàn)出上凸的特征，利用等微增率法計(jì)算出的機(jī)組負(fù)荷分配方案是極大值，這一嚴(yán)格的要求使得等微增率法在實(shí)際調(diào)度中的應(yīng)用大打折扣。

2.4 窮舉法

窮舉法是把各機(jī)組負(fù)荷情況都輸入計(jì)算機(jī)，進(jìn)行煤耗計(jì)算，然后比較結(jié)果找出最優(yōu)解。窮舉法對(duì)實(shí)測(cè)性能曲線的每個(gè)工況點(diǎn)進(jìn)行計(jì)算，避免了人為擬合造成的誤差，具有簡(jiǎn)單、直接和精度高等特點(diǎn)，但由于其運(yùn)行時(shí)間長(zhǎng)，而不能用于實(shí)時(shí)計(jì)算，但可以作為參照算法與其他優(yōu)化方法的結(jié)果進(jìn)行對(duì)照。

2.5 混合整數(shù)規(guī)劃法

混合整數(shù)規(guī)劃法是根據(jù)電廠提供的機(jī)組熱力試驗(yàn)數(shù)據(jù)，構(gòu)造出一組描述系統(tǒng)實(shí)際過(guò)程的數(shù)學(xué)模型，并用非線性規(guī)劃方法求得最優(yōu)方案的一種復(fù)雜解算方法。它具有的優(yōu)點(diǎn)：從理論上講，不需要加入過(guò)多的限制和假設(shè)就可以直接求解機(jī)組組合問(wèn)題的數(shù)學(xué)模型，從而能找到全局最優(yōu)解。而其缺點(diǎn)是：算法比較繁雜，為得到比較高的效率，需要精心設(shè)計(jì)分支策略和求下界算法；在實(shí)際運(yùn)用中，直接使用計(jì)算量太大，必須對(duì)問(wèn)題進(jìn)行分解。

2.6 拉格朗日松弛法

拉格朗日松弛法是一類整數(shù)組合優(yōu)化算法，解決大系統(tǒng)的優(yōu)化問(wèn)題時(shí)，隨著機(jī)組數(shù)的增加，計(jì)算量近似線性增長(zhǎng)，克服了維數(shù)障礙。該方法在實(shí)際運(yùn)用中的難點(diǎn)是由于目標(biāo)函數(shù)的非凸性，用對(duì)偶法求解存在對(duì)偶間隙，需要根據(jù)對(duì)偶問(wèn)題的優(yōu)化解，采取一定措施構(gòu)造原問(wèn)題的優(yōu)化可行解。在其迭代過(guò)程中有可能出現(xiàn)奇異或振蕩現(xiàn)象，需采取措施加快收斂；而且考慮到某些約束條件 (如機(jī)組爬坡速率)，會(huì)使計(jì)算復(fù)雜化。

3 現(xiàn)在智能化負(fù)荷分配算法

當(dāng)遇到較為復(fù)雜的優(yōu)化問(wèn)題，如目標(biāo)函數(shù)具有不光滑、離散等特性，或目標(biāo)函數(shù)是典型的多峰值函數(shù)，傳統(tǒng)的優(yōu)化算法難以勝任，須借助智能優(yōu)化算法來(lái)完成優(yōu)化問(wèn)題的求解。智能優(yōu)化算法是以計(jì)算機(jī)發(fā)展為基礎(chǔ)， 衍生出的全局搜索范疇的優(yōu)化算法， 包括遺傳算法、人工神經(jīng)網(wǎng)絡(luò)法、模擬退火算法、禁忌搜索算法、混沌算法等。

3.1 遺傳算法

遺傳算法是一種根據(jù)生物界進(jìn)化規(guī)律演化而來(lái)的隨機(jī)化搜索方法，具有很強(qiáng)的全局搜索能力。將算法應(yīng)用于機(jī)組組合負(fù)荷優(yōu)化問(wèn)題，具有方案選擇靈活、對(duì)目標(biāo)函數(shù)無(wú)特殊要求、運(yùn)算速度快、使用方便等特點(diǎn)，能夠?qū)崿F(xiàn)機(jī)組負(fù)荷的在線動(dòng)態(tài)優(yōu)化分配。其缺點(diǎn)是：算法對(duì)新空間的探索能力是有限的，也容易收斂到局部最優(yōu)解；當(dāng)問(wèn)題涉及到大量個(gè)體的計(jì)算，計(jì)算時(shí)間是個(gè)問(wèn)題；因?yàn)樗惴▽儆陔S機(jī)類算法，需要多次運(yùn)算，結(jié)果的可靠性差，不能穩(wěn)定的得到解。

3.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是指用計(jì)算機(jī)仿真的方法，從物理結(jié)構(gòu)上模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，從而使系統(tǒng)具有人腦的某些智能。該方法在理論上可以充分趨近任意復(fù)雜的非線性函數(shù)。神經(jīng)網(wǎng)絡(luò)具有高度平行的結(jié)構(gòu)，所以采用平行分布處理方法，比常規(guī)方法具有更強(qiáng)的魯棒性和容錯(cuò)能力，使得快速進(jìn)行大量計(jì)算成為可能。基于這些優(yōu)點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)較好地解決了具有不確定性、嚴(yán)重非線性、時(shí)變和滯后的復(fù)雜系統(tǒng)的建模和控制問(wèn)題[8]。

3.3 模擬退火算法

模擬退火算法是模擬金屬退火過(guò)程的一種通用概率優(yōu)化算法，可用在一個(gè)大的搜尋空間內(nèi)找尋問(wèn)題的最優(yōu)解。模擬退火算法求得的解與初始解狀態(tài)(是算法迭代的起點(diǎn))無(wú)關(guān)。模擬退火算法，已在理論上被證明是一種以概率收斂于全局最優(yōu)解的全局優(yōu)化算法，具有漸近收斂性和并行性等優(yōu)點(diǎn)。但其算法性能依賴于退火方案的選擇，且需進(jìn)行大量隨機(jī)迭代，收斂速度慢，同時(shí)也有可能無(wú)法跳出局部最優(yōu)而得不到全局最優(yōu)解。

3.4 禁忌搜索法

禁忌搜索法是一種全局性鄰域搜索算法，是對(duì)人類記憶尋優(yōu)過(guò)程的一種模擬。禁忌搜索算法通過(guò)特赦(破禁)準(zhǔn)則來(lái)釋放一些被禁忌的優(yōu)良狀態(tài)，以保證搜索過(guò)程的有效性和多樣性，最終實(shí)現(xiàn)全局優(yōu)化。禁忌搜索算法的缺點(diǎn)是依賴初始解，單對(duì)單操作，即搜索過(guò)程中初始解只能有一個(gè)，在每代也只是把一個(gè)解移動(dòng)到另一解。

3.5 混沌優(yōu)化算法

混沌優(yōu)化算法是用于求解組合優(yōu)化問(wèn)題的，基本思路是將混沌變量線性映射到優(yōu)化變量取值區(qū)間，然后利用混沌變量進(jìn)行搜索。該算法由于搜索過(guò)程完全按照混沌運(yùn)動(dòng)自身的規(guī)律和特性進(jìn)行，獲得最優(yōu)解的可能性更強(qiáng)，而且結(jié)構(gòu)簡(jiǎn)單、容易實(shí)現(xiàn)，是一種極有前途的優(yōu)化手段。混沌優(yōu)化算法明顯的缺點(diǎn)：當(dāng)搜索起始點(diǎn)選擇不合適或空間很大或控制參數(shù)及控制策略選取不合適或者不考慮目標(biāo)函數(shù)的特性，其效果不能令人滿意，而且算法可能需要花費(fèi)很長(zhǎng)時(shí)間才能取得較好的優(yōu)化性能[6]。

4 群體智能仿生算法

現(xiàn)代智能優(yōu)化算法具有適用范圍廣，尋優(yōu)能力強(qiáng)，程序?qū)崿F(xiàn)簡(jiǎn)單等優(yōu)點(diǎn)，很適合求解像無(wú)功優(yōu)化之類的復(fù)雜非線性優(yōu)化問(wèn)題。但這種算法也存在早收斂、算法速度慢等缺點(diǎn)。新興群體智能優(yōu)化算法是最新提出來(lái)但并沒(méi)有得到廣泛應(yīng)用的算法，所以當(dāng)其應(yīng)用到機(jī)組組合負(fù)荷優(yōu)化分配實(shí)際問(wèn)題中時(shí)，其優(yōu)缺點(diǎn)并未得到深入研究，主要包括粒子群優(yōu)化算法、蟻群算法、免疫算法、人工魚(yú)群算法、微分進(jìn)化算法等。

4.1 粒子群算法

粒子群算法是根據(jù)鳥(niǎo)群覓食過(guò)程中的行為提出的一種迭代優(yōu)化算法。群體各個(gè)成員之間通過(guò)信息共享和個(gè)體自身經(jīng)驗(yàn)的總結(jié)來(lái)修正個(gè)體行動(dòng)策略，從而求取優(yōu)化問(wèn)題的最優(yōu)解。該算法具有的優(yōu)勢(shì)：概念簡(jiǎn)單、參數(shù)簡(jiǎn)潔、無(wú)需復(fù)雜調(diào)整等；通過(guò)調(diào)整系數(shù)的取值，跳出局部最優(yōu)狀態(tài)，實(shí)現(xiàn)擴(kuò)大搜索區(qū)間或者加快收斂速度的目的。近幾年粒子群算法在優(yōu)化問(wèn)題求解、電力系統(tǒng)、計(jì)算機(jī)等領(lǐng)域得到廣泛的應(yīng)用。但是在求解機(jī)組符合優(yōu)化分配問(wèn)題時(shí)存在粒子多樣性迅速下降、不能較好的完成局部搜索、算法不一定收斂于全局最優(yōu)解等缺點(diǎn)[7]。

4.2 蟻群優(yōu)化算法

蟻群優(yōu)化算法是模擬螞蟻群體覓食行為而形成的一種模擬進(jìn)化算法。它采用有記憶的人工螞蟻，通過(guò)個(gè)體間的信息交流與協(xié)作來(lái)找到從蟻穴到食物源的最短路徑。蟻群算法以高效搜索、魯棒性強(qiáng)和適用于并行處理等優(yōu)點(diǎn)而被廣泛應(yīng)用于求解旅行商問(wèn)題、調(diào)度問(wèn)題等領(lǐng)域。該算法用于負(fù)荷分配時(shí)，在保證收斂精度的前提下，收斂速度較快、穩(wěn)定性高，而且高效的鄰域搜索算法和充分的收斂條件，會(huì)提高蟻群算法的效率。但是其缺點(diǎn)是優(yōu)化過(guò)程中容易出現(xiàn)停滯現(xiàn)象，陷于局部最優(yōu)解[9]。

4.3 免疫算法

免疫算法是一種模擬免疫系統(tǒng)智能行為的仿生算法，在解決非線性、全局優(yōu)化等復(fù)雜問(wèn)題時(shí)具有獨(dú)特的優(yōu)越性。它是利用免疫系統(tǒng)的抗體多樣性、抗體的促進(jìn)和抑制機(jī)制、記憶功能等特點(diǎn)來(lái)保持解群體的多樣性，確保快速收斂于全局最優(yōu)解。算法將所求解問(wèn)題的目標(biāo)函數(shù)對(duì)應(yīng)于入侵生物體的抗原，最優(yōu)問(wèn)題的解對(duì)應(yīng)于免疫系統(tǒng)產(chǎn)生的抗體，通過(guò)抗原和抗體的結(jié)合力來(lái)描述可行解與最優(yōu)解的逼近程度。將該算法應(yīng)用到機(jī)組負(fù)荷優(yōu)化分配中，可以避免遺傳算法中出現(xiàn)的早熟、搜索效率低和不能很好保持個(gè)體多樣性等問(wèn)題，能快速搜索到全局最優(yōu)解[4]。

4.4 人工魚(yú)群算法

人工魚(yú)群算法是一種基于模擬魚(yú)群行為的隨機(jī)搜索優(yōu)化算法。算法利用了魚(yú)的覓食、聚群和追尾行為，從構(gòu)造單條魚(yú)的行為做起，通過(guò)魚(yú)群中各個(gè)體的局部尋優(yōu)，達(dá)到全局最優(yōu)。該算法應(yīng)用于機(jī)組優(yōu)化問(wèn)題是將機(jī)組開(kāi)停所對(duì)應(yīng)的狀態(tài)0和1整數(shù)變量松弛為區(qū)間[0，1]內(nèi)的連續(xù)變量的優(yōu)化問(wèn)題。

4.5 微分進(jìn)化算法

微分進(jìn)化算法是一種基于種群進(jìn)化的多點(diǎn)搜索算法，在搜索機(jī)理上綜合了粒子群算法和遺傳算法的尋優(yōu)思想。該算法在解決復(fù)雜的全局優(yōu)化問(wèn)題時(shí)，實(shí)現(xiàn)簡(jiǎn)單、受控參數(shù)少。但是算法完全以隨機(jī)的概率選取實(shí)驗(yàn)點(diǎn)，容易導(dǎo)致尋優(yōu)過(guò)程的早熟問(wèn)題。一般優(yōu)化過(guò)程中，通常通過(guò)采用增加種群數(shù)量的方法來(lái)處理搜索過(guò)程中的局部最優(yōu)問(wèn)題，這又使算法的計(jì)算時(shí)間過(guò)長(zhǎng)而降低了算法的搜索性能[5]。

5 結(jié)語(yǔ)

研究發(fā)現(xiàn)在解決機(jī)組負(fù)荷優(yōu)化分配時(shí)，每一種算法都有各自的優(yōu)缺點(diǎn)。目前我國(guó)電廠機(jī)組負(fù)荷優(yōu)化分配普遍采用的是基于等微增法和動(dòng)態(tài)規(guī)劃的改進(jìn)算法， 而智能算法尚在理論研究和試驗(yàn)階段，還不夠成熟，但隨著計(jì)算機(jī)技術(shù)的發(fā)展和新算法的成熟，各種新型群體智能算法借其靈活性及在處理大規(guī)模問(wèn)題中的優(yōu)越性將會(huì)成為未來(lái)發(fā)展的主流趨勢(shì)。

參考文獻(xiàn)

李太興，張婷，陳文福.火電機(jī)組負(fù)荷優(yōu)化分配算法分析比較[J]電氣時(shí)代，2007，11：74-77.

吳金華，吳耀武，熊信艮.基于退火演化算法和遺傳算法的機(jī)組優(yōu)化組合算法[J].電網(wǎng)技術(shù)，2003，27(1)：26-29.

丁立功，錢(qián)躍輝，翟中牛.遺傳/禁忌組合算法在發(fā)電機(jī)組優(yōu)化組合中的應(yīng)用[J].電力學(xué)報(bào)，2000，15(4)：244-247.

張瑜玲，顧幸生.基于免疫算法的火電廠機(jī)組負(fù)荷優(yōu)化分配研究[J].系統(tǒng)仿真學(xué)報(bào)，2006，18(2)：235-238.

劉自發(fā)，張建華.一種求解電力經(jīng)濟(jì)負(fù)荷分配問(wèn)題的改進(jìn)微分進(jìn)化算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28(10)：100-105.

王麗俠.混沌優(yōu)化算法及其在組合優(yōu)化問(wèn)題中的應(yīng)用[J].計(jì)算機(jī)工程，2007，33(21)：192-196.

張振宇，葛少云，劉自發(fā).粒子群優(yōu)化算法及其在機(jī)組優(yōu)化組合中應(yīng)用[J].電力自動(dòng)化設(shè)備，2006，26(5)：28-31.

毛亞林，張國(guó)忠，朱斌，周明.基于混沌模擬退火神經(jīng)網(wǎng)絡(luò)模型的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25(3)：66-70.

侯云鶴， 熊信艮， 吳耀武， 魯麗娟.基于廣義蟻群算法的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配[J].中國(guó)電機(jī)工程學(xué)報(bào)，2003，23(3)：59-64.

[10] 劉嚴(yán)，譚忠富.動(dòng)態(tài)規(guī)劃方法在機(jī)組負(fù)荷最優(yōu)分配中的應(yīng)用[J].現(xiàn)代電力，2003，20(2)：76-80.

[11] 戴義平， 孫凱， 張旭峰.基于遺傳算法的發(fā)電廠負(fù)荷最優(yōu)分配[J].熱力發(fā)電，2003，( 9)：6-9.

[12] 朱廣名.發(fā)電機(jī)組優(yōu)化組合的模型與算法綜述[J].電氣應(yīng)用，2005，24(8)：27-31.