一种用于求解电力系统经济调度问题的人工记忆分子动理论优化算法的制作方法

本发明涉及电力系统优化调度领域，具体是用人工记忆分子动理论优化算法求解电力系统经济调度问题。

电力系统经济调度是在保证电网安全可靠运行的基础上，充分利用电网中现有的输配电及变电设备，通过科学有效的方法，优选变压器、线路经济运行方式，负载经济调配等，减少电力系统的损耗，最大程度实现能量利用最大化。

如今，电力市场变得高度竞争，对能量需求的增加更加迫切。经济负载调度是现代能源管理体系运行规划中的有效方式之一。对减少生产成本和增加系统可靠性，经济负载调度在维持电力系统的经济性中起着至关重要的作用。

燃料成本和发电站的效率确定了产生电能的操作成本。从而，经济负载调度问题已成为电力系统运行和规划中的一项非常重要的任务。它的主要目标是优化可用单元之间的发电，从而使总发电成本在满足系统所考虑的约束(所有等式和不等式约束)的同时最小化。

实际操作的经济负载调度问题应考虑阀点效应，斜率和多种燃料。一些基于导数的方法，如经典优化技术,基于拉格朗日弛豫的方法，梯度法，线性规划，协调方程等等。因为经济负载调度问题存在非线性特性，如斜坡率限制，不连续禁止工作区和实际eld问题的非平滑成本函数，这些经典优化技术是不可行的，在实际系统中也无法找到全局最佳解决解。因此必须克服这些缺点，同时通过开发来处理这样的困难，且稳健可靠的技术。近年来，复杂的约束优化问题通过许多人工智能方法解决，如hopfield神经网络(hnn)和自适应hnn。这些技术已经成功应用于解决非凸，不平滑等经济负载调度问题。但是，由于这些方法过多的数值迭代，因此需要更可靠和快速方法。

技术实现要素：

针对求解电力系统经济调度问题中所存在的困难和问题，本发明公开了一种用于电力系统经济调度问题的人工记忆分子动理论优化算法

本发明主要是通过如下方案所实现：

一种用于求解电力系统经济调度问题的人工记忆分子动理论优化算法；

在开始人工记忆分子动理论优化算法之前，首先对每个发电单元的的参数进行初始化，包括机组数n，系统的负载功率pd，发电系统单元的燃料成本函数的系数ai，bi和ci，发电系统单元考虑阀点效应的系数di和ei，以及发电单元功率负载的最小值pimin和最大值pimax。

人工记忆分子动理论优化算法的实施过程如下：

初始化种群，赋予个体记忆值；

计算目标函数的个体适应值；

通过模拟记忆原理的外部刺激，依据记忆更新模型和遗忘模拟，将种群分为长时、短时、瞬时、遗忘四大类；

通过精英选择策略，随机选取一个精英；

依据个体所满足的条件，依次按照引力、斥力、不受力等方式进行引导搜索，并对最优个体解进行保留。

本发明的技术效果在于：利用人工记忆分子动理论优化算法的高效性和快速收敛性，来解决负荷在发电机组的分配问题，降低系统的发电成本，以提高经济性。

附图说明

图1是记忆过程模型图；

图2是人工记忆分子动理论优化算法的流程图；

具体实施方式：

下面结合附图，对本发明做进一步的详细说明。

如图1所示，该模型为该新型方法的启发模型，它的记忆过程的主要原理为：当人体的感觉器官接受外部刺激，接收外部信息之后，会对外部事物产生一个直观印象而产生一个瞬时记忆，如果经过一段时间的努力或者刻意的记忆，人就可以将这一事物记住形成一个短时记忆，但这些记忆是短暂的、不牢固的，会产生大量的遗忘，如果再次经过处理和记忆，人可能将其永远的记住这就形成了长时记忆,当然它也会小概率的遗忘。

图2为人工记忆分子动理论优化算法求解电力系统经济负载调度的流程图。首先对算法中所需要的模型和公式进行阐述，即电力系统经济负载调度的目标函数及约束条件。

总成本函数：

不带阀点效应的成本函数：

fi(pi)＝aipi²+bipi+ci(2)

带阀点效应的成本函数：

fi(pi)＝aipi²+bipi+ci+|disin(ei(pi,min-pi))|(3)

其中ai，bi和ci为第i组发电机组燃料成本函数的系数，di和ei第i组发电机考虑阀点效应的系数。

电力系统经济负载调度的约束条件：

①第i个发电单元功率负载约束：

pi,min≤pi≤pi,max,i＝1,2,...,n(4)

其中，pi,min，pi,max分别为第i个发电单元功率负载的最小值和最大值；

②爬坡率：

-lri≤pi-pi,0≤uri(5)

其中-lri和uri分别为最小下坡率和最大上坡率；

③工作禁区约束：

其中，pi,k(l)和pi,ki(u)是第i个发电单元工作禁区边界的上限和下限。

④功率平衡约束：

其中，pd是系统的负载功率，pl是线性损耗功率。

如图2所示，求解电力系统经济负载调度的人工记忆分子动理论优化算法的具体实现步骤如下：

步骤1：对算法的参数初始化，生成随机种群，给予每个粒子一个初始位置和初始速度，同时赋予每个个体记忆初始值；

步骤2：依据上面所阐述的目标函数和约束条件(1)～(7)，计算每个个体的适应值；

步骤3：模拟记忆原理，给予一个人工外部刺激，依据记忆模型(8)更新记忆值；

记忆模型如下所述，依据效果好坏将外部刺激分为典型刺激和普通刺激。如果个体移动到一个新的更好位置,则表明是有利于搜索全局最优解的好事件。它将被视为典型刺激且记忆值增大。相反,它也将视为普通刺激。其更新模型如下：

其中，mi^t为t时刻的记忆值，f(xi^t)是t时刻的目标函数值，h(h>0)是刺激调节系数，其取值根据具体情况而定；

步骤4：将更新的记忆值与0进行比较，如果为0，则表示遗忘，随机移动个体已期待某一时刻被想起；反之，如果不为0，则依据记忆值分类标准(9)将个体依次划分为长时、短时、瞬时记忆库；

其中i、s、l分别瞬时、短时、长时记忆，ms,ml均为记忆临界值。

步骤5：根据记忆遗忘模型(10)再次对记忆值进行更新，将更新的记忆值与0进行比较，如果为0，则表示遗忘，随机移动个体已期待某一时刻被想起；反之，如果不为0，则依据记忆值分类标准(9)将个体依次划分为长时、短时、瞬时记忆库；

记忆遗忘更新模型如下：由于记忆均会随着时间的流逝而减弱，同时记忆值也会减小，故模拟记忆原理，根据艾宾浩斯遗忘曲线计算记忆值的更新模型。根据当前个体的记忆状态是为长时还是短时、瞬时，选择合适遗忘因子δ(δ＞0)，对记忆进行更新。

步骤6：根据精英选择策略(11)，随机从长时记忆库中选择一个精英个体对随机个体进行引导操作；

精英选择策略模型如下：由于进入长时记忆库的均为精英个体，随机挑选一个对其他个体进行引导，故能避免错误引导，逃离避免局部最优。其模型如(11)所示：如果目标函数的适应值越小，记忆值越大，则说明精英个体越好，其中θ为临界值。

步骤7：根据上述策略所选出的精英，依据原分子动理论优化算法的判断，个体所满足的条件分别计算引力、斥力、扰动加速度；

步骤8：计算个体的速度和移动位置，并依据精英保留策略(12)和(13)对种群最优个体进行保存；

步骤9：判断当前迭代次数是否等于最大迭代次数，如果是，则结束算法运行，反之，回到步骤2。