本发明涉及一种水电站优化调度的方法，属于水电站厂内经济运行领域。
背景技术：
水电站厂内经济运行是研究水电站在给定条件下厂内工作机组最优台数、组合及启停次序的确定，机组间负荷的最优分配，即厂内最优运行方式制定和实现的有关问题，实际上也是研究其日内逐时段及瞬时经济运行的问题。概括起来就是：寻求在研究时期(一般为一天)及其中各时段，在已知条件下使所采用的优化准则达到极值的水电站工作机组的最优台数K(t)、组合z(t)及系统分配的有功负荷P(t)和无功负荷p(f)在工作机组间的最优分配。最近几年粒子群算法在水电站优化调度应用中的研究逐渐显示出其广阔的应用前景，开始不断引起水电行业者的关注和研究兴趣。粒子群算法具有原理简单、易于实现、依赖的参数少并且收敛速度快，但也存在搜索精度不高和陷入局部最优的缺点。
技术实现要素：
本发明目的在于解决传统的粒子群算法求解水电站优化调度问题的不足，提出一种基于混沌差分粒子群算法的水电站优化调度方法，提高粒子遍历搜索空间其他新位置的能力，增加种群多样性，有效避免粒子群早熟收敛，陷入局部最优。
本发明提出一种基于混沌差分粒子群算法的水电站优化调度方法，所述方法包括如下步骤：
步骤(1)选择待计算的目标电站，并设置水电站相应的约束条件：电站负荷平衡约束，电站上游水位约束、各机组出力约束、各机组发电流量约束，电站运行水头约束，旋转备用容量约束，机组气蚀振动区约束，机组最小开停机时间约束；
步骤(2)确定个体编码方式，采用二进制数来表示机组开停机状态，其中0表示机组处于停机状态，1表示机组处于开机状态；
步骤(3)设置群体规模大小M，最大迭代次数Tmax；其中以一天内96点的开停机组合方案作为一个粒子，随机生成规模大小为M的粒子群；
步骤(4)计算各个粒子适应度，厂内经济运行优化过程以耗水量最小为目标，结合约束条件，可以设置适应度函数如下：
其中：
式中，W为电站总耗水量(m3)；为时段t第i台机组在工作水头为Ht，负荷为Pit时的发电流量(m3/s)；ΔT表示时段时长；表示机组i在时段t的状态，停机时运行时Qup,i，Qdn,i分别表示开机和停机过程的耗水量，包括机组在开停机过程中所发生的机械磨损等所折合的水量；N为水电站机组台数；T为调度期时段数；M为约束破坏个数；Km、|ΔXm|分别为约束m的破坏惩罚系数及破坏程度；
步骤(5)更新粒子的速度和位置，在原有粒子群算法的速度更新公式中，存在一项局部最优解pbest，即到当前迭代次数为止各个粒子本身找到的最优解用于更新各个粒子的速度和位置从而生成下一代，现将有关pbest的一项替换掉，即将认知过程替换，取而代之的是在当前粒子群中采用具有遍历特性的混沌机制，选取两个不同的被权值化了的粒子的位置向量差，这个向量差分算子作为新的认知项来更新粒子的速度和位置；
步骤(6)更新全局最优解，计算得到当前代数每个个体的适应度值后，挑选个体适应度值最大的，与全局最优适应度值比较，若大于全局最优适应度值，则复制该个体替换全局最优个体，否则不进行操作；
步骤(7)循环迭代，判断是否满足终止条件，终止条件为最大迭代次数；若满足，则停止迭代，并输出全局最优解；若不满足，则返回步骤(4)重新计算求解粒子的适应度。
优选的，步骤(1)中所述约束条件具体为：
①电站负荷平衡约束满足下述公式：
式中，E是电站的总发电量，Ni(t)是在t时段内负荷要求下第i台机组承担的负荷；
②电站上游水位约束满足下述公式：
Zmin≤Z≤Zmax
式中，Z是电站的运行水头，Zmin、Zmax分别是电站上游水位在各个时期的上下限；
③各机组出力约束满足下述公式：
Pmin≤Pi(t)≤Pmax
式中，Pmin，Pmax是第i台机组的单机出力上、下限；
④各机组发电流量约束满足下述公式：
Qmin≤Qi(t)≤Qmax
式中，Qmin，Qmax是第i台机组的最小、最大发电流量；
⑤电站运行水头约束满足下述公式：
Hmin≤H≤Hmax
式中，H是电站的运行水头，Hmin是电站最小稳定运行水头，Hmax是电站最大稳定运行水头；
⑥旋转备用容量约束满足下述公式：
式中，是机组装机容量总和，是机组出力总和，Nmin是电站的旋转备用容量下限；
⑦机组气蚀振动区约束满足下述公式：
Pi(t)≤PQsi或
式中，PQsi是第i台机组的气蚀区下限，是第i台机组的气蚀区上限；
⑧机组最小开停机时间约束满足下述公式：
XKi≥TKi或XGi≥TGi
式中，XKi是第i台机组的开机时间，TKi是第i台机组的开机时间下限，XGi第i台机组的停机时间，TGi是第i台机组的停机时间下限。
优选的，所述步骤(5)具体包括：
(5.1)采用混沌机制选取两个不同的粒子
这里选用混沌算法中最为常见的一维非线性映射模型：
zi+1＝μzi(1-zi)
式中，μ为控制参量，当μ＝4，0≤z0≤1时，此映射完全处于混沌状态，利用混沌运动特性可以进行优化搜索，即首先产生一组与优化变量数目相同的混沌变量，此例中取两个不同混沌变量，然后在迭代过程中根据混沌算法模型分别算出两个不同的值j、k，分别乘以种群规模M，则可以得到两个随机的粒子j和粒子k；
(5.2)用于替代局部最优解pbest的差分算子
根据上面得出的两个随机粒子j和粒子k，计算其位置的向量差，公式为：
Δ＝xj-xk
式中，Δ为位置向量差，xj为粒子j的位置，xk为粒子k的位置；
那么第i个粒子的速度矢量的第r个元素可以用以下公式来更新：
位置更新公式：xi(t+1)＝xi(t)+vi(t+1)
式中，β是[0，1]中的比例因子,Δr为位置向量差；c2是学习因子，通常取为2；r2为0～1之间的随机数；gbestr为全局最优解中对应的第r个元素的取值，xir为第i个例子第r个元素当前的位置状态；CR是交叉概率，当CR≤1时，速度向量中的一些元素保留旧值；w是权重因子，为加快收敛速度，其值应随算法迭代的进行而减小，一般定义为：
式中，wmin和wmax分别为最大、最小权重因子，通常取为0.4、0.9；T为当前迭代次数；Tmax为总的迭代次数。
与传统的粒子群优化算法相比，本发明具有以下突出的有益效果：在传统的粒子群算法通过自我认知寻找最优解的过程中，通过对局部最优解的替换，加入具有随机性，遍历性和规律性的混沌算法以及具有变异效果的差分因子进作为新的认知方法，可以有效的提高粒子遍历搜索空间其他新位置的能力，增加种群多样性，避免粒子群早熟收敛，陷入局部最优。
附图说明
图1为本发明混沌差分粒子群算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出的一种基于混沌差分粒子群算法的水电站优化调度方法，步骤如下：
(1)选择待计算的目标电站，并设置水电站相应的约束条件：电站负荷平衡约束，电站上游水位约束、各机组出力约束、各机组发电流量约束，电站运行水头约束，旋转备用容量约束，机组气蚀振动区约束，机组最小开停机时间约束。约束如下：
①电站负荷平衡约束：
式中，E是电站的总发电量，Ni(t)是在t时段内负荷要求下第i台机组承担的负荷。
②电站上游水位约束：
Zmin≤Z≤Zmax
式中，Z是电站的运行水头，Zmin、Zmax分别是电站上游水位在各个时期的上下限。
③各机组出力约束：
Pmin≤Pi(t)≤Pmax
式中，Pmin，Pmax是第i台机组的单机出力上、下限。
④各机组发电流量约束：
Qmin≤Qi(t)≤Qmax
式中，Qmin，Qmax是第i台机组的最小、最大发电流量。
⑤电站运行水头约束：
Hmin≤H≤Hmax
式中，H是电站的运行水头，Hmin是电站最小稳定运行水头，Hmax是电站最大稳定运行水头。
⑥旋转备用容量约束：
式中，是机组装机容量总和，是机组出力总和，Nmin是电站的旋转备用容量下限。
⑦机组气蚀振动区约束：
Pi(t)≤PQsi或
式中，PQsi是第i台机组的气蚀区下限，是第i台机组的气蚀区上限。
⑧机组最小开停机时间约束：
XKi≥TKi或XGi≥TGi
式中，XKi是第i台机组的开机时间，TKi是第i台机组的开机时间下限，XGi第i台机组的停机时间，TGi是第i台机组的停机时间下限。
(2)确定个体编码方式，采用二进制数来表示机组开停机状态，其中0表示机组处于停机状态，1表示机组处于开机状态；
(3)设置群体规模大小M，最大迭代次数Tmax；其中以一天内96点的开停机组合方案作为一个粒子，随机生成规模大小为M的粒子群；
(4)计算各个粒子适应度
厂内经济运行优化过程以耗水量最小为目标，结合约束条件，可以设置适应度函数如下：
其中：
式中，W为电站总耗水量(m3)；为时段t第i台机组在工作水头为Ht，负荷为Pit时的发电流量(m3/s)；ΔT表示时段时长；表示机组i在时段t的状态，停机时运行时Qup,i，Qdn,i分别表示开机和停机过程的耗水量，包括机组在开停机过程中所发生的机械磨损等所折合的水量；N为水电站机组台数；T为调度期时段数；M为约束破坏个数；Km、|ΔXm|分别为约束m的破坏惩罚系数及破坏程度。
(5)更新粒子的速度和位置
在原有粒子群算法的速度更新公式中，存在一项局部最优解pbest，即到当前迭代次数为止各个粒子本身找到的最优解用于更新各个粒子的速度和位置从而生成下一代。在这里我们将有关pbest的一项替换掉，即我们所说的认知过程替换，取而代之的是在当前粒子群中采用具有遍历特性的混沌机制，选取两个不同的被权值化了的粒子的位置向量差，这个向量差分算子作为新的认知项来更新粒子的速度和位置。具体操作如下：
(5.1)采用混沌机制选取两个不同的粒子
这里选用混沌算法中最为常见的一维非线性映射模型：
zi+1＝μzi(1-zi)
式中，μ为控制参量，当μ＝4，0≤z0≤1时，此映射完全处于混沌状态。利用混沌运动特性可以进行优化搜索，即首先产生一组与优化变量数目相同的混沌变量，此例中取两个不同混沌变量，然后在迭代过程中根据混沌算法模型分别算出两个不同的值j、k，分别乘以种群规模M，则可以得到两个随机的粒子j和粒子k。
(5.2)用于替代局部最优解pbest的差分算子
根据上面得出的两个随机粒子j和粒子k，计算其位置的向量差，公式为：
Δ＝xj-xk
式中，Δ为位置向量差，xj为粒子j的位置，xk为粒子k的位置。
那么第i个粒子的速度矢量的第r个元素可以用以下公式来更新：
位置更新公式：xi(t+1)＝xi(t)+vi(t+1)
式中，β是[0，1]中的比例因子,Δr为位置向量差；c2是学习因子，通常取为2；r2为0～1之间的随机数；gbestr为全局最优解中对应的第r个元素的取值，xir为第i个例子第r个元素当前的位置状态；CR是交叉概率，当CR≤1时，速度向量中的一些元素保留旧值；w是权重因子，为加快收敛速度，其值应随算法迭代的进行而减小，一般定义为：
式中，wmin和wmax分别为最大、最小权重因子，通常取为0.4、0.9；T为当前迭代次数；Tmax为总的迭代次数。
(6)更新全局最优解
计算得到当前代数每个个体的适应度值后，挑选个体适应度值最大的，与全局最优适应度值比较，若大于全局最优适应度值，则复制该个体替换全局最优个体，否则不进行操作；
(7)循环迭代，判断是否满足终止条件，终止条件为最大迭代次数；若满足，则停止迭代，并输出全局最优解；若不满足，则返回步骤(4)重新计算求解粒子的适应度。
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式。