专利名称：基于多目标分布式估计的水火电系统负荷分配方法
技术领域：
本发明属于电力调度技术领域，涉及水火电系统负荷分配，可用于对电力系统中现有资源的优化配置。
背景技术：
水火电系统负荷分配是电力系统分析的一个重要分支，它是指电力系统中参加运行的火电机组和水电机组已经预先确定，且在满足电力系统运行约束条件的情况下，将电力负荷分配给各个发电机组，以使全系统的燃料消耗量和污染气体排放量同时达到最小。因其可在不增加任何工程成本的条件下最小化经济损失和环境损失，受到业界的普遍关注。目前求解该问题的方法主要有模拟退火、遗传算法、多目 标进化算法等，例如M. Basu 在 “A simulated annealing-based goal-attainment methodfor economic emission load dispatch of fixed head hydrothermal powersystems, ”(Electrical Power and Energy Systems27 (2005), pp. 147 - 153)是用模拟退火算法来求解该问题。文章中采用了一种新的罚函数方法来惩罚搜索到的不可行解，并结合目标加权的方法找到了一组优化解。但是该方法是将这一多目标问题转化成了单目标问题来解决，在单独的一次运行中只能的到一个最优解，而且加权系数的选取也需要根据目标的偏好信息来确定。Chao-Lung Chiang 等人在 “Optimal economic emission dispatchof hydrothermal power systems，，，(Electrical Power and EnergySystems29 (2007)，pp. 462 - 469)是用改进遗传算法来求解这一问题。文章中利用e -constraint方法将该多目标问题中的其中一个目标转化为一个约束条件，并利用Multiplier-updating(MU)技术来求解这一约束单目标问题。该方法仍是将多目标问题转化为单目标问题来解决，在需要多个解值的情况下该方法仍需运行多次。M.Basu 在“Economic environmental dispatch of fixed head hydrothermalpower systems using nondominated sorting genetic algorithm-II, ” (Applied SoftComputing 11 (2011), pp. 3046-3055)是将经典的多目标进化算法NSGA-II应用到水火电系统负荷分配问题上。虽然该方法通过单次运行可以得到多个解值，具有传统单目标方法所不可比拟的优势，但是由于NSGA-II是采用传统的交叉变异算子生成新解，而这种新解产生方式会限制算法的搜索范围，从而导致优化后可选择的负荷分配方案有限，电力系统污染气体的排放量和燃料消耗量较大。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于多目标分布式估计的电力系统负荷分配方法，以减少电力系统污染气体的排放量和燃料的消耗量，提供更多可供选择的负荷分配方案。实现本发明目的的技术思路是将负荷分配方案编码为种群个体，根据约束条件判断种群中个体的可行性，对不可行个体采取修复策略；根据当前种群的分布信息进行建模，通过模型采样产生部分新种群；对精英个体进行局部学习得到剩余部分新种群。其具体步骤包括如下(I)初始化大小为 N 的父代种群 X(t) = {xjt)，x2(t), · · ·，xN(t)}，t = O,其中 t为迭代次数，每个个体Xn (t)都代表一种负荷分配方案，η = 1，2，...，N，N为父代种群的大小，N = 100 ；(2)对于父代种群中每个个体Xn(t)，计算其罚函数值Sn(t)，判定该个体的可行性，如果Sn(t) =0，则个体1 (0是可行个体；如果Sn(t) >0，则个体1 (0是不可行个体；(3)根据电力系统的约束条件对父代种群X (t)中所有不 可行个体进行修复操作；(4)根据电力系统的火电机组燃料消耗量函数Fl和火电机组污染气体的排放量函数F2，计算每个个体的适应度值Fn (t)Fn (t) = [F1，F2]
M Ni其中，in= ΣΣ^Κ- +VL +C1PJ+1dtSmief(PT-Pam)) I]’Μ 为电力系统运行总
M=I /=1
的时间段个数，tm是第m个时间段的时间长度，Ns为火电机组的个数，Psiffl是第i个火电机组在第m个时段的负荷，Psimin为第i个火电机组的最小负荷，a,, bi；Ci, Cli, e,为第i个火电机组燃料消耗特性的不同数值系数，其具体数值根据电力系统中该火电机组的负荷与其燃料消耗量的关系决定；
M N,、F2 二 [[/Ja, -I-Α/ , + +η^χρ{σ;Ι\ ηι ] , α i7 β i7 y i7 η i7 δ j 为第 i 个火电
m=l i=l
机组污染气体排放特性的不同数值系数，其具体数值根据电力系统中该火电机组的负荷与其污染气体排放量的关系决定，i = I,. . . , Ns, m = I,. . . , M;(5)根据父代种群X(t)的适应度值，找出父代种群中所有的非支配个体，组成非支配种群E(t)，生成一个空的第一新种群Q1，如果2 < |E(t)| <N/2，则令局部学习比例参数Θ = O. 1，执行步骤(6)，否则，令局部学习比例参数Θ = 0，跳转到步骤(J)，其中I表示取大小操作；(6)从非支配种群E(t)中随机选择出NX Θ个个体组成精英群，对精英群中每个个体xk(t)，k= Ι,.,.,ΝΧ Θ进行局部学习，得到NX Θ个个体并放入第一新种群Ql中；(7)对父代种群X(t)建立分布式模型，利用该模型采样得到大小为NX (I- Θ )的第二新种群Q2 ；(8)将第一新种群Ql和第二新种群Q2合并成子代种群Q(t)，对于子代种群中的每个个体，计算其罚函数值，如果该个体的罚函数值大于0，则对该个体进行修复操作；(9)根据电力系统的火电机组燃料消耗量函数Fl和火电机组污染气体的排放量函数F2，计算子代种群Q(t)中的每个个体的适应度值，该计算公式与步骤(4)相同；(10)合并父代种群X (t)和子代种群Q (t)，利用快速非支配排序方法选取前N个个体作为下一次迭代过程中的父代种群X (t+1)；(11)判断当前迭代次数t是否满足t〈Tmax，如满足，执行步骤(12)，否则，令迭代次数t增加一次，t = t+Ι，返回步骤(5)，其中，Tmax为最大迭代次数，Tmax=150 ；(12)取出下一次迭代过程的父代种群X(t+1)中所有的非支配个体，作为最终可供选择的负荷分配方案集。本发明与现有技术相比具有如下优点第一，本发明由于在新个体的生成过程中，对整个种群建立了分布式模型，利用分布式模型采样得到部分新个体，使得本发明方法的搜索范围加大，得到的负荷分配方案减少了电力系统的污染气体排放量和燃料的消耗量。第二，本发明由于在新个体的生成过程中，加入了局部学习思想，利用局部学习的方法得到部分新个体，克服了现有技术容易陷入局部最优状态 的缺点，优化结束后可得到更多的负荷分配方案。
图I是本发明的流程图；图2是本发明中种群个体的编码图；图3是本发明仿真测试得到的负荷分配方案对应的目标函数值图。
具体实施例方式参照图I，本发明的具体实现步骤如下步骤I.初始化父代种群X (t) 按照图2中所示个体的编码方式，初始化大小为N的父代种群X (t)={xjt)，x2(t), · · ·，xN(t)}，t = O,其中每一个个体 xn(t), η = 1，2，· · ·，N 代表一种负荷分配方案；父代种群中每个个体xn(t)由M个部分组成xn(t) = {P1，P2，...，PM}，每一部分Pm，m = I, ...，M由第m个时段中所有火电机组和水电机组的负荷组成Pm - (Pslm，P.s2m，…,PsNsm , Pfilm，Ph2 m，... νbm}，其中，PsJmJ = I, , Ns 表不弟 个火电机组在第m个时段中的负荷，它是在第i个火电机组的最小负荷Psimin和最大负荷Psimax之间随机产生的；PWm，j = 1，...，Nh表示第j个水电机组在第m个时段的负荷，它是在第j个水电机组的最小负荷Ph/in和最大负荷PhZiax之间随机产生的，Ns为火电机组的个数，Nh为水电机组的个数，M为电力系统运行的时间段个数。步骤2.计算种群X(t)的罚函数值Sn(t)，并根据罚函数值判断种群个体的可行性2. I)根据如下公式，计算个体Xn(t)的罚函数值Sn(t)Sn(t) = S1+S2,
M N.,Nh其中,SI为电力系统负荷平衡约束的罚函数值，51=Σ +芝!& ~ Pdw1^ Plm I，
Wi=I i=\J=I
PDm是第m个时段整个系统的负荷，Pta是第m个时段整个系统的传输损失负荷，
Ns+Nh Ns+Nh
= Σ Σ ηΛ ，Blr是传输损失系数向量的第I行第r列的数值,当I = I,..., Ns
/=1 r=l
时，Plm表示第I个火电机组在第m个时段中的负荷，I = Ns+1,. . ·，NS+Nh时，Plm表示第I个水电机组在第m个时段中的负荷，当r = 1，. . .，Ns时，P 表示第r个火电机组在第m个时段中的负荷，r = Ns+1,. . .，NS+Nh时，Pnn表示第r个水电机组在第m个时段中的负荷；
S2为水电厂水量平衡约束的罚函数值
权利要求
1.一种基于多目标分布式估计的水火电系统负荷分配方法，包括如下步骤 (1)初始化大小为N的父代种群X(t)= (X1 (t), x2(t),. . . , xN(t)}, t = O,其中t为迭代次数，每个个体Xn (t)都代表一种负荷分配方案，η = 1，2，...，N，N为父代种群的大小，N=100 ； (2)对于父代种群中每个个体Xn(t)，计算其罚函数值Sn(t)，判定该个体的可行性，如^Sn(t) =0，则个体\(0是可行个体；如果Sn (t) >0，则个体\(0是不可行个体； (3)根据电力系统的约束条件对父代种群X(t)中所有不可行个体进行修复操作； (4)根据电力系统的火电机组燃料消耗量函数Fl和火电机组污染气体的排放量函数F2，计算每个个体的适应度值Fn (t)
2.根据权利要求I所述的基于多目标分布式估计算法的水火电系统负荷分配方法，其特征在于，步骤(6)所述的对精英群中每个个体Xk (t)，k= 1，...，NX Θ进行局部学习，按如下步骤进行 (6a)随机生成一个空的临时种群P (t)，从非支配种群E (t)中取出与个体Xk(t)最近的个体xB(t), xB (t) e E(t),从范围[low upp]中均勻采样产生5个个体Y1 (t), I = 1，· · ·，5,并将其放入临时种群P (t)中，其中，upp为采样范围最大值，upp = max (Xi (t), xB(t)}, low为采样范围最小值，low = Biinlxi (t), xB(t)}, i = 1，· · ·，NX θ ； (6b)利用快速非支配排序方法从临时种群p (t)中选取前NX Θ个个体放入第一新种群Ql中。
3.根据权利要求I所述的基于多目标分布式估计的水火电系统负荷分配方法，其特征在于，步骤(7)所述的对父代种群X(t)建立分布式模型，利用该模型采样得到大小为NX (I-Θ)的第二新种群Q2，按以下步骤进行 (7a)用local PCA方法将父代种群X(t)中的N个个体划分为K类S1，S2，…，SK，K=5，针对每个类计算该类在第i维空间的最小值和最大值
全文摘要
本发明提出了一种基于多目标分布式估计的电力系统负荷分配方法，主要处理电力系统负荷分配问题。其实现步骤为初始化父代种群；修复父代种群中不可行个体；计算父代种群的适应度值；利用局部学习得到第一新种群；利用建模采样，得到第二新种群；合并两部分新种群得到子代种群，修复子代种群中不可行个体；计算子代种群的适应度值；合并子代种群和父代种群，利用快速非支配排序选择得到下一次迭代的父代种群；如果达到最大迭代次数，取出下一次迭代的父代种群中的非支配个体作为最终的负荷分配方案，否则继续迭代。本发明得到的负荷分配方案具有减少电力系统的污染气体排放量和燃料的消耗量，提供更多可选择负荷分配方案的优点。
文档编号G06F19/00GK102789542SQ201210215658
公开日2012年11月21日 申请日期2012年6月27日 优先权日2012年6月27日
发明者公茂果, 刘若辰, 尚荣华, 李阳阳, 焦李成, 缑水平, 许霞, 马文萍 申请人:西安电子科技大学