基于改进型粒子群算法的电力系统经济负荷分配方法
【技术领域】
[0001] 本发明设及电力系统技术，特别是设及一种基于改进型粒子群算法的电力系统经 济负荷分配方法的技术。
【背景技术】
[0002] 电力系统的经济负荷分配(economic load dispatch,化D)是电力系统负荷规划 和运行调度中的典型优化问题之一，解决好此类优化问题可有效提高电力系统运行的经济 性W及可靠性。
[0003] 通过对电力系统进行相关针对性的研究发现：由于发电机组阀点效应的影响，机 组输出特性曲线往往呈现出非线性、非凸、不可导的特点；由于存在配电网输送能力限制和 系统稳定性要求等电力系统运行条件的约束，故对应的问题函数呈现出不可微不可导的特 点；另外考虑到配网系统中机组数量较多，故对应的发电机组输入输出特性具有维数较高 并且大量存在局部极值的特点。因此在对维数和精度的高要求下，经典的分配优化算法对 电力系统的经济负荷分配优化效果较差，无法解决ELD优化问题，对电力系统经济负荷分配 性能提升有限。
【发明内容】
[0004] 针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种能对电 力系统的经济负荷分配进行优化，且优化效果好，能提升电力系统经济负荷分配性能的基 于改进型粒子群算法的电力系统经济负荷分配方法。
[0005] 为了解决上述技术问题，本发明所提供的一种基于改进型粒子群算法的电力系统 经济负荷分配方法，其特征在于，具体步骤如下：
[0006] 1)为电力系统建立一个粒子群，该粒子群W电力系统中的负荷作为粒子，并W电 力系统中的负荷分配点作为粒子位置，W系统发电总费用作为目标函数；
[0007] 2)为粒子群设定最大迭代次数、初始粒子数目、最大粒子数目、当前粒子数目、维 度和解空间范围；
[000引3)将当前迭代次数设定为1;
[0009] 4)采用粒子群算法对粒子群的粒子位置进行更新；
[0010] 5)判断当前迭代次数，如果当前迭代次数等于最大迭代次数，则将全局最优粒子 的位置作为最优负荷分配点，反之则将当前迭代次数加1，并将粒子群中的当前粒子位置作 为粒子的初始位置，再返回步骤4。
[0011] 进一步的，步骤4中采用粒子群算法对粒子群的粒子位置进行更新的步骤如下：
[0012] 4.1)采用捜索范围共享策略、解共享策略更新粒子群中的粒子的位置和速度，如 果粒子群算式中的随机数大于激活概率，则采用捜索范围共享策略，反之则采用解共享策 略，激活概率的计算公式为：
[0014] 其中，Pr(S)为激活概率，S为当前迭代次数，iteration为最大迭代次数；
[0015] 4.2)计算粒子群中所有粒子的适应度值，并更新粒子群中的粒子的个体最优解的 适应度值和全局最优解的适应度值；
[0016] 4.3)对粒子群中粒子的数目进行更新；
[0017] 如果粒子群中的粒子的全局最优解的适应度值在连续两次迭代中均得到了更新， 则表明粒子群中的粒子的数目已经足够，则从粒子群中去除一个适应度值最差的粒子；
[0018] 如果粒子群中的粒子的全局最优解的适应度值在连续两次迭代中均未更新，且粒 子群中的现有粒子数目小于所设定的最大粒子数目，则直接在粒子群中新增一个粒子；
[0019] 如果粒子群中的粒子的全局最优解的适应度值在连续两次迭代中均未更新，且粒 子群中的现有粒子数目等于所设定的最大粒子数目，则先从粒子群中去除一个适应度值最 差的粒子，再在粒子群中增加一个粒子；
[0020] 在粒子群中新增的粒子的位置为：
[0022] 其中，X为新增粒子的位置，ai、a2为从现有群体中随机抽取的两个粒子的序号， Pbest (ai)为序号为ai的粒子的个体最优解，Pbest (曰2)为序号为曰2的粒子的个体最优解。
[0023] 进一步的，步骤4.1)中，解共享策略的计算公式如下：
[0025]其中，V为粒子的速度，i为粒子的序号，j为粒子的维度，S为当前迭代次数，CO为惯 性权重，C为学习因子，r为0到1之间的随机数，Pbest为所有粒子的个体最优解，Gbest为当 前迭代次数下的全局最优粒子的位置，X为粒子的位置，a为粒子群中随机抽取的一个粒子 的序号，rand为0到1之间的随机数；
[00%] Psi的计算公式为：
[0028] 其中，D为粒子的维度。
[0029] 本发明提供的基于改进型粒子群算法的电力系统经济负荷分配方法，通过群体的 全局最优值变化来有效改变粒子的数目，具有全局收敛性，使粒子不易陷入局部最优，具有 收敛速度快，收敛精度高的特点，能对电力系统的经济负荷分配进行优化，且优化效果好， 能提升电力系统经济负荷分配性能。
【附图说明】
[0030] 图1是本发明实施例的基于改进型粒子群算法的电力系统经济负荷分配方法的流 程图；
[0031] 图2是采用IE邸討几组系统进行仿真对比实验的收敛比较图；
[0032] 图3是采用IE邸13机组系统进行仿真对比实验的收敛比较图；
[0033] 图4是采用IE邸40机组系统进行仿真对比实验的收敛比较图。
【具体实施方式】
[0034] W下结合【附图说明】对本发明的实施例作进一步详细描述，但本实施例并不用于限 制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围，本发明 中的顿号均表示和的关系。
[0035] 如图1所示，本发明实施例所提供的一种基于改进型粒子群算法的电力系统经济 负荷分配方法，其特征在于，具体步骤如下：
[0036] 1)为电力系统建立一个粒子群，该粒子群W电力系统中的负荷作为粒子，并W电 力系统中的负荷分配点作为粒子位置，W系统发电总费用作为目标函数f(x);
[0037] 2)为粒子群设定最大迭代次数、初始粒子数目、最大粒子数目、当前粒子数目、维 度和解空间范围；
[0038] 其中，最大迭代次数记为iteration，初始粒子数目等于1，最大粒子数目记为max， 当前粒子数目记为N，总维度记为D，当前维度记为d，解空间范围记为(xmin，xmax)，当前迭 代次数下的全局最优粒子的位置记为加 est，第i个粒子的个体最优值记为pbesti，减少粒 子的计数符记为Cd，增加粒子的计数符记为Cl;
[0039] 3)将当前迭代次数S设定为1;
[0040] 4)采用粒子群算法对粒子群的粒子位置进行更新；
[0041] 5)判断当前迭代次数，如果当前迭代次数等于最大迭代次数，则将全局最优粒子 的位置作为最优负荷分配点，反之则将当前迭代次数加1，并将粒子群中的当前粒子位置作 为粒子的初始位置，再返回步骤4。
[0042] 本发明实施例的步骤4中采用粒子群算法对粒子群的粒子位置进行更新的步骤如 下：
[0043] 4.1)采用捜索范围共享策略、解共享策略更新粒子群中的粒子的位置和速度，W 防止粒子过早的陷入局部最优，如果粒子群算式中的随机数rand大于激活概率Pr(S),则采 用捜索范围共享策略，反之则采用解共享策略，激活概率的计算公式为：
[0045] 其中，Pr(S)为激活概率，S为当前迭代次数，iteration为最大迭代次数；
[0046] 捜索范围共享策略是将单个粒子的所有维度在某一特定的解空间内重新设定，由 解空间捜索范围的不同分为全局模式和局部模式，粒子捜索的范围在全局模式下就是粒子 的初始设定范围（xmin，xmax)，粒子捜索的范围在局部模式下则从所有粒子的个体最优解 饥est中选出最大值饥estmax和最小值饥estmin，组成(Pbestmin,饥estmax)，作为粒子位 置重新的解空间；
[0047] 解共享策略的设定改变了原有粒子速度更新的单一性，其计算公式如下：
[0049]其中，V为粒子的速度，i为粒子的序号，j为粒子的维度，S为当前迭代次数，CO为惯 性权重，C为学习因子，r为0到1之间的随机数，Pbest为所有粒子的个体最优解，Gbest为当 前迭代次数下的全局最优粒子的位置，X为粒子的位置，a为粒子群中随机抽取的一个粒子 的序号，rand为0到1之间的随机数；
[(K)加]Psi的计算公式为：
[0052] 其中，D为粒子的维度；
[0053] 4.2)计算粒子群中所有粒子的适应度值，并更新粒子群中的粒子的个体最优解的 适应度值和全局最优解的适应度值；
[0054] 4.3)对粒子群中粒子的数目进行更新；
[0055] 如果粒子群中的粒子的全局最优解的适应度值在连续两次迭代中均得到了更新， 则表明粒子群中的粒子的数目已经足够，则从粒子群中去除一个