本发明涉及水火电调度领域，特别是涉及一种基于杂交水稻算法的水火电经济调度方法及系统。
背景技术：
随着用电需求的飙升和化石能源的日益枯竭，高效利用不可再生能源显得日趋重要，研究火电厂燃料的高效利用也是很有必要的。水火电调度是指在一定的运行周期内，通过相应的决策准则，在满足一系列约束条件下充分发挥水电厂出力份额，从而达到火电厂的燃料费用最小的目的。调度过程中不仅要考虑水电厂和火电厂自身的约束，还要考虑电网传输过程中的网络损耗，火电厂燃料费用函数的阀点效应，水库的禁止排放区等因素。这不仅增加了问题的复杂性，同时也使得水火电调度决策问题的研究具有重要的意义。
解决水火电优化调度问题的方法主要有传统的数值分析方法和人工智能算法两大类，传统的方法由于自身精度问题或者维数灾问题导致其在面对复杂非线性优化问题时求解质量不高。但传统的粒子群算法在面对高维度、大规模、多约束的水火电系统时容易陷入局部最优解而不能保证全局收敛，水火电系统的约束条件相对复杂。对于等式约束的处理，现存的处理方法主要是增加罚系数来抑制违反约束的可能性，但是此方法不能完全保证迭代过程中的粒子不违反约束，这样会产生很多不可行的解，消耗仿真时间，降低算法的效率。
技术实现要素：
本发明的目的是提供一种基于杂交水稻算法的水火电经济调度方法及系统，对水火电调度进行基于杂交水稻算法的多目标无功优化，解决了在在最优调度求解过程中不能进行全局搜索，容易陷入局部最优的问题。
为实现上述目的，本发明提供了如下方案：
一种基于杂交水稻算法的水火电经济调度方法，包括：
根据设定时间段内水电厂的最小发电量和最大发电量，火电厂的最小发电量和最大发电量，确定水电厂发电量范围、火电厂发电量范围；
随机选取所述水电厂发电量范围内的任一数值作为水电厂初始发电量、所述火电厂发电量范围内的任一数值作为火电厂初始发电量；
根据所述火电厂燃料费用构建第一目标函数；
根据所述水电厂费用构建第二目标函数；
根据杂交水稻算法结合所述火电厂初始发电量对所述第一目标函数进行最优值求解，得到第一最优值；
根据杂交水稻算法结合所述水电厂初始发电量对所述第二目标函数进行最优值求解，得到第二最优值；
根据所述第一最优值确定对应的最优火电厂发电量；
根据所述第二最优值确定对应的最优水电厂发电量；
根据所述最优火电厂发电量和所述最优水电厂发电量确定最优分配比；
根据所述最优分配比确定最优调度方案。
可选的，所述第一目标函数具体为：
可选的，所述燃料费用函数具体为：fi(psi,t)＝asi+bsipsi,t+csip2si,t，其中asi，bsi，csi为第i个火电厂的所述燃料费用函数的系数。
可选的，所述根据所述最优火电厂发电量和所述最优水电厂发电量确定最优分配比具体为：根据系统负荷平衡约束公式
可选的，所述根据杂交水稻算法结合所述火电厂初始发电量对所述第一目标函数进行最优值求解，得到第一最优值具体包括：
初始化第一水稻种群数、第一最大育种次数、第一最大自交次数，所述第一水稻种群由多个第一水稻个体组成，所述第一水稻个体表示所述第一目标函数的取值，选取所述火电厂初始发电量作为所述第一水稻个体；
分别计算所述第一水稻种群中所述第一水稻个体的第一适应度值；所述第一适应度值表示所述第一水稻种群中所述第一水稻个体的优劣；
根据所述第一适应度值将所述第一水稻个体进行排序得到第一个体适应度序列；
将所述第一个体适应度序列区分为第一保持系、第一不育系、第一恢复系；
将所述第一保持系与所述第一不育系进行杂交产生新的第一不育系个体；
将所述第一恢复系进行自交产生新的第一恢复系个体；
根据所述新的第一不育系个体与所述新的第一恢复系个体得到第一最优个体，所述第一最优个体为所述第一最优值。
可选的，所述根据杂交水稻算法结合所述水电厂初始发电量对所述第二目标函数进行最优值求解，得到第二最优值具体包括：
初始化第二水稻种群数、第二最大育种次数、第二最大自交次数，所述第二水稻种群由多个第二水稻个体组成，所述第二水稻个体表示所述第二目标函数的取值，选取所述水电厂初始发电量作为所述第二水稻个体；
分别计算所述第二水稻种群中所述第二水稻个体的第二适应度值；所述第二适应度值表示所述第二水稻种群中所述第二水稻个体的优劣；
根据所述第二适应度值将所述第二水稻个体进行排序得到第二个体适应度序列；
将所述第二个体适应度序列区分为第二保持系、第二不育系、第二恢复系；
将所述第二保持系与所述第二不育系进行杂交产生新的第二不育系个体；
将所述第二恢复系进行自交产生新的第二恢复系个体；
根据所述新的第二不育系个体与所述新的第二恢复系个体得到第二最优个体，所述第二最优个体即为所述第二最优值。
一种基于杂交水稻算法的水火电经济调度系统，包括：
数据确定模块，用于根据设定时间段内水电厂的最小发电量和最大发电量，火电厂的最小发电量和最大发电量，确定水电厂发电量范围、火电厂发电量范围；
初始值确定模块，用于随机选取所述水电厂发电量范围内的任一数值作为水电厂初始发电量、所述火电厂发电量范围内的任一数值作为火电厂初始发电量；
第一目标函数构建模块，用于根据所述火电厂燃料费用构建第一目标函数；
第二目标函数构建模块，用于根据所述水电厂费用构建第二目标函数；
第一最优值获取模块，用于根据杂交水稻算法结合所述火电厂初始发电量对所述第一目标函数进行最优值求解，得到第一最优值；
第二最优值获取模块，用于根据杂交水稻算法结合所述水电厂初始发电量对所述第二目标函数进行最优值求解，得到第二最优值；
火电厂发电确定模块，用于根据所述第一最优值确定对应的最优火电厂发电量；
水电厂发电确定模块，用于根据所述第二最优值确定对应的最优水电厂发电量；
最优分配比确定模块，用于根据所述最优火电厂发电量和所述最优水电厂发电量确定最优分配比；
最优方案确定模块，用于根据所述最优分配比确定最优调度方案。
可选的，所述第一目标函数构建模块为：根据公式
可选的，所述第一目标函数还包括：燃料费用函数确定单元，用于根据公式fi(psi,t)＝asi+bsipsi,t+csip2si,t确定燃料费用函数，其中asi，bsi，csi为第i个火电厂的所述燃料费用函数的系数。
可选的，所述最优分配比确定模块具体为：根据系统负荷平衡约束公式
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明中通过采集水电站和火电站的最大、最小发电量，采用水稻算法对水电站、火电站的费用进行最优值求解，根据费用的最优值得到对应的水电站和火电站的最优发电量，形成最优分配比，进而实现了水火电的调度。采用水稻算法进行调度能够进行全局搜索，不易陷入局部最优。但又未舍弃局部寻优，局部和全局两者兼顾，参数少，原理简单，易于实现，通用性强。寻优能力强，计算复杂度低，计算速度快，适用于多种优化问题，适用于解决多目标优化问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例水火电经济调度方法流程图；
图2为本发明实施例水火电经济调度系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于杂交水稻算法的水火电经济调度方法及系统，对水火电调度进行基于杂交水稻算法的多目标无功优化，解决了在在最优调度求解过程中不能进行全局搜索，容易陷入局部最优的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例水火电经济调度方法流程图。参见图1，一种基于杂交水稻算法的水火电经济调度方法，包括：
步骤101：根据设定时间段内水电厂的最小发电量和最大发电量，火电厂的最小发电量和最大发电量，确定水电厂发电量范围、火电厂发电量范围；
步骤102：随机选取所述水电厂发电量范围内的任一数值作为水电厂初始发电量、所述火电厂发电量范围内的任一数值作为火电厂初始发电量；
步骤103：根据所述火电厂燃料费用构建第一目标函数；
步骤104：根据所述水电厂费用构建第二目标函数；
步骤105：根据杂交水稻算法结合所述火电厂初始发电量对所述第一目标函数进行最优值求解，得到第一最优值；
步骤106：根据杂交水稻算法结合所述水电厂初始发电量对所述第二目标函数进行最优值求解，得到第二最优值；
步骤107：根据所述第一最优值确定对应的最优火电厂发电量；
步骤108：根据所述第二最优值确定对应的最优水电厂发电量；
步骤109：根据所述最优火电厂发电量和所述最优水电厂发电量确定最优分配比；
步骤110：根据所述最优分配比确定最优调度方案。
采用上述方法对水火电厂进行调度，能够实现全局搜索，不易陷入局部最优。但又未舍弃局部寻优，局部和全局两者兼顾，参数少，原理简单，易于实现，通用性强。
其中，步骤103中的第一目标函数具体为：
燃料费用函数具体为：fi(psi,t)＝asi+bsipsi,t+csip2si,t，其中asi，bsi，csi为第i个火电厂的所述燃料费用函数的系数。
步骤109具体包括：根据系统负荷平衡约束公式
步骤105具体包括：初始化第一水稻种群数、第一最大育种次数、第一最大自交次数，所述第一水稻种群由多个第一水稻个体组成，所述第一水稻个体表示所述第一目标函数的取值，选取所述火电厂初始发电量作为所述第一水稻个体；
分别计算所述第一水稻种群中所述第一水稻个体的第一适应度值；所述第一适应度值表示所述第一水稻种群中所述第一水稻个体的优劣；
根据所述第一适应度值将所述第一水稻个体进行排序得到第一个体适应度序列；
将所述第一个体适应度序列区分为第一保持系、第一不育系、第一恢复系；
将所述第一保持系与所述第一不育系进行杂交产生新的第一不育系个体；
将所述第一恢复系进行自交产生新的第一恢复系个体；
根据所述新的第一不育系个体与所述新的第一恢复系个体得到第一最优个体，所述第一最优个体为所述第一最优值。
步骤106具体包括：初始化第二水稻种群数、第二最大育种次数、第二最大自交次数，所述第二水稻种群由多个第二水稻个体组成，所述第二水稻个体表示所述第二目标函数的取值，选取所述水电厂初始发电量作为所述第二水稻个体；
分别计算所述第二水稻种群中所述第二水稻个体的第二适应度值；所述第二适应度值表示所述第二水稻种群中所述第二水稻个体的优劣；
根据所述第二适应度值将所述第二水稻个体进行排序得到第二个体适应度序列；
将所述第二个体适应度序列区分为第二保持系、第二不育系、第二恢复系；
将所述第二保持系与所述第二不育系进行杂交产生新的第二不育系个体；
将所述第二恢复系进行自交产生新的第二恢复系个体；
根据所述新的第二不育系个体与所述新的第二恢复系个体得到第二最优个体，所述第二最优个体即为所述第二最优值。
图2为本发明实施例水火电经济调度系统结构图。参见图2，一种基于杂交水稻算法的水火电经济调度系统，包括：
数据确定模块201，用于根据设定时间段内水电厂的最小发电量和最大发电量，火电厂的最小发电量和最大发电量，确定水电厂发电量范围、火电厂发电量范围；
初始值确定模块202，用于随机选取所述水电厂发电量范围内的任一数值作为水电厂初始发电量、所述火电厂发电量范围内的任一数值作为火电厂初始发电量；
第一目标函数构建模块203，用于根据所述火电厂燃料费用构建第一目标函数；
第二目标函数构建模块204，用于根据所述水电厂费用构建第二目标函数；
第一最优值获取模块205，用于根据杂交水稻算法结合所述火电厂初始发电量对所述第一目标函数进行最优值求解，得到第一最优值；
第二最优值获取模块206，用于根据杂交水稻算法结合所述水电厂初始发电量对所述第二目标函数进行最优值求解，得到第二最优值；
火电厂发电确定模块207，用于根据所述第一最优值确定对应的最优火电厂发电量；
水电厂发电确定模块208，用于根据所述第二最优值确定对应的最优水电厂发电量；
最优分配比确定模块209，用于根据所述最优火电厂发电量和所述最优水电厂发电量确定最优分配比；
最优方案确定模块210，用于根据所述最优分配比确定最优调度方案。
采用上述系统可以实现水火电混合经济调度优化问题，实现水火电的最优调度。本发明该系统寻优能力强，计算复杂度低，计算速度快，有跳出局部最优解的能力。收敛速度快。能够进行全局搜索，不易陷入局部最优。
第一目标函数构建模块203具体为：根据公式
还包括：燃料费用函数确定单元，用于根据公式fi(psi,t)＝asi+bsipsi,t+csip2si,t确定燃料费用函数，其中asi，bsi，csi为第i个火电厂的所述燃料费用函数的系数。
最优分配比确定模块209具体为：根据系统负荷平衡约束公式
本发明中采用杂交水稻算法进行求解，具体杂交水稻算法如下：
step1初始化：设置水稻种群的总数为n，水稻种群由多个水稻个体组成，其中保持系、不育系占群体的比例均为a％，数量为a＝n×a/100，则恢复系占群体的比例为(100-2a)％，每个个体的基因的维度为d。
其中j∈{1,2,…,d-1,d}，minxj，maxxj分别表示搜索空间第j维分量的最大值与最小值。
针对水火联合优化调度问题的特点，设定好杂交水稻算法的原始参数，并且根据约束条件对各个水稻的初始基因进行设定。在水稻设定中，我们选取火电机组每个时间段的出为和水电站每个时间段的发电引用水流量作为个体变量。
初始化时会确定以下参数：
①水稻种群数n；
②最大育种次数maxiteration；
③最大自交次数maxtime。
每个水稻个体即为火电站和水电站组合发电流量的候选解。
step2适应度值计算：分别计算种群中各个个体的适应度值根据水稻的优劣将水稻进行排序，保持系、不育系、恢复系的数量分别为a、a、n-2a。
step3杂交过程：将保持系与不育系进行杂交产生新的不育系个体。
对于每一次育种，杂交过程进行的次数与不育系的个体数量相同。每一次杂交，将从不育系和保持系中各选取一个个体作为父本母本，选取方式可以随机选取也可以按一一对映的方式选取。杂交的方式是将父本与母本对应位置的基因按照随机权重相加进行重组而得到一个拥有新的基因的个体。计算新个体的适应度，并以贪心算法为准则将其与其父本母本中的不育系个体对比，将适应度较优的个体保留至下一代。
①随机杂交
其中
②对映杂交
式中a＝b＝k，xaa表示不育系中的第a个个体，xbb表示保持系中的第b个个体。产生的新个体的基因的每一维都由不育系的第k个个体育保持系中的第k个个体以随机比例杂交得到。
杂交后对新产生的个体进行贪心算法选择。
若f(new_xk)＞f(xbk)将new_xk取代xbk保留至下一代，若f(new_xk)≤f(xbk)则将xbk保留至下一代。
step4自交过程：恢复系自交产生新的恢复系个体。
育种过程中，自交进行的次数与恢复系的个体数量相同。每一次自交，参与自交的恢复系个体各个位置上的基因都会向着当前最优解靠近一个随机量。计算新的个体的适应度并根据贪心算法与自交之前的恢复系个体相比，选择较优的保存到下一代。若保存到下一代的个体为自交之前的个体那么该个体的自交次数将加1。如果保存到下一代的个体为自交产生的新个体，若新个体优于当前最优个体，则将其自交次数设置为0，否则保持其自交次数不变。若某个恢复系个体的自交次数达到了限制次数maxtime，那么在下一轮育种过程中它将不参与自交过程，取而代之的是重置过程。
new_xk＝xsk+rand(0,1)(xbest-xsr)(4)
式中new_xk表示该轮育种过程中第k次自交产生的新个体，xs表示恢复系中的第s个个体，xbest表示当前所找到的最优个体，xsr为恢复系中的第sr个个体，其中sr随机取值于{1,2，…,n-2a}。
同样自交后对新产生的个体进行贪心算法选择。
若f(new_xk)＞f(xsk)将new_xk取代xsr保留至下一代其自交次数保持不变，若f(new_xk)≤f(xsk)则将xsk保留至下一代，其自交次数加1，即timesk＝timesk+1。
若f(new_xk)＞f(xbest)则将new_xk取代当前的最优个体的记录并将其自交次数设为0，timesk＝0。如果timesk≥maxtime，则在下一代育种时，该个体不进行自交过程，而是进行重置过程。
step5重置过程：
重置过程实际上是自交过程的一个子过程，用来处理达到自交次数上限的恢复系个体。重置过程将在解空间内随机生成一组基因，并将这组基因加到参与重置的个体的基因上，同时其自交次数将被设置为0。
step6记录当前所得到的最优的个体的基因:
若未达到最大育种代数maxiteration或小于优化误差则跳转至步骤(2)，否则将当前最优个体的基因作为结果输出。输出的结果就是的最终结果。
其中，无功优化过程中还涉及到了变量约束问题。无功优化约束分为控制变量约束与状态变量约束。
水火电系统的约束条件：
系统负荷平衡约束
其中：phi，t为第j个水电厂t时段的发电量，是关于排水量和库容的二次函数；pd，t为t时段的负荷所需；pl，t为t时段的网络损耗，相应的表达式如下(在本发明中不考虑此处网络损耗问题)：
phi,t＝0.00981×qi,t×hi,t×ηi
其中，qi,t表示第i级水电站单位时间发电引用流量，η是第i级水电站的发电效率。
水电厂发电量计算公式为：phj,t＝f(vj,t,qj,t)(8)
qj,t表示第j级水电站单位时间发电引用流量，vj,t表示第j个水库在t时刻的库容。
以下为本发明中约束条件：
水动态平衡约束：
其中：vj，t为第j个水库在t时刻的库容；nj为与该水库直接相连的上游水库的个数。
水电厂输出功率约束：
phj,min≤phj,t≤phj,max(10)
火电厂输出功率约束：
psi,min≤psi,t≤psi,max(11)
水库库容约束：
vj,min≤vj,t≤vj,max(12)
水库水排量约束：
qj,min≤qj,t≤qj,max(13)
火电厂爬坡速率限制：
其中：phj，man和phj，max分别是第j个水电厂输出功率的下限值和上限值；psi，min和psi，max分别是第i个火电厂输出功率的下限值和上限值；vj，min和vj，max分别是第j个水库容量的下限值和上限值；qj，min和qj，max分别是第j个水库排水量的下限值和上限值；uri和dri分别是火电厂爬坡速率限制的上限值和下限值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。