一种基于粒子群优化算法的电力系统规划方法与流程

本发明属于电力系统电源领域，特别涉及一种基于粒子群优化算法的电力系统规划方法。
背景技术：
：电力系统电源规划问题是以系统工程思想为指导，应用现代优化技术和计算机技术，寻求一个满足各种约束条件和可靠性指标以及环保要求的最优电源建设方案，以满足系统负荷发展的需要。电源规划是电力系统电源布局的战略决策，在电力系统规划中处于十分重要的地位。电力系统电源规划的核心问题是要确定在规划期内随着负荷的增长，系统应在何时、何地、建什么类型、多大容量的电厂。它主要回答何时、何地投建何种类型及多大容量的新机组的问题。要做好电源规划，涉及和研究的问题很多：如负荷预测、电厂类型、装机规模、厂址选择、电网规划以及可靠性计算等等；还涉及国民经济很多部门，所以电源规划是一件很繁重的工作。由于电源规划问题本身的复杂性，用传统的优化方法求解不得不采取某些简化措施从而影响了精度。近年来，人工智能技术取得飞速发展，与严格的数学优化方法不同，它可以处理离散、非凸的非线性系统问题，比较适于求解电力系统电源规划问题。在这方面人们己经开始积极探索，并取得了一些成果。如今ga,es,ep,ann等已成为通用的优化工具，近期新人工智能优化算法粒子群算法等也被提出。但是现有技术中尚无把这些人工智能算法系统化、规范化，甚至加以组合，并将其高效运用于电力系统电源规划中。技术实现要素：本发明的目的在于提供一种基于粒子群优化算法的电力系统规划方法。实现本发明目的的技术解决方案为：一种基于粒子群优化算法的电力系统规划方法，包括以下步骤：步骤1、输入待建场站的数据，根据数据和约束条件编码，初始化一群微粒；步骤2、利用步骤1中的数据，进行可靠性计算和运行模拟计算；步骤3、确定每个微粒的适应度函数值，将其与经历过的最好位置比较，并判断是否更换最好位置及其索引号；步骤4、更新各微粒的速度和位置，进入循环计算直至收敛。本发明与现有技术相比，其显著优点在于：1)粒子群优化算法是基于群体的演化算法，收敛速度快，其优化算法可用于求解大量非线性、不可微和非凸的复杂优化问题；2)本发明的算法简洁，易于实现，不需要调整太多的参数，且不需要梯度信息；3)本发明的粒子群优化算法是基于群体的演化算法，收敛速度快，其优化算法可用于求解大量非线性、不可微和非凸的复杂优化问题。附图说明图1是基于粒子群优化算法的电力系统规划方法的流程框图。图2是基本粒子的移动原理图。图3是粒子群方法求解规划问题的原理框图。图4是电源规划优化模型原理框图。图中编号所代表的含义为：1为输入待建场站的数据，根据数据和约束条件编码，初始化一群微粒；2为利用数据，在考虑约束条件的前提下进行可靠性计算和运行模拟计算；3为计算每个微粒的适应度函数值，将其与经历过的最好位置比较，考虑是否更换最好位置及其索引号；4为根据公式更新各微粒的速度和位置，进入循环计算直至收敛。具体实施方式结合附图，本发明的一种基于粒子群优化算法的电力系统规划方法，包括以下步骤：步骤1、输入待建场站的数据，根据数据和约束条件编码，初始化一群微粒；初始化一群微粒的群体规模为m，包括随机位置和速度。步骤2、利用步骤1中的数据，进行可靠性计算和运行模拟计算；具体是利用待建电站数据、原有系统的电源数据和负荷数据进行可靠性计算和运行模拟计算，确定各个方案的可靠性指标和各个电站在每月、每年的发电量，从而求得系统的可变运行费。步骤3、确定每个微粒的适应度函数值，将其与经历过的最好位置比较，并判断是否更换最好位置及其索引号；计算每个微粒的适应度函数值，对每个微粒，将其适应值与其经历过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；对每个微粒，将其适应值与全局所经历的最好位置gbest作比较，如果较好，则重新设置gbest的索引号。步骤4、更新各微粒的速度和位置，进入循环计算直至收敛。具体是根据下述公式更新各微粒的速度和位置，若已收敛，则解码输出当前群体中的最优个体；若不满足收敛条件，则返回步骤2进入循环；式中，i＝1,2,…,m，k为迭代次数；c1、c2是学习因子，为非负常数。本发明的粒子群优化算法是基于群体的演化算法，收敛速度快，其优化算法可用于求解大量非线性、不可微和非凸的复杂优化问题。下面进行更详细的描述。本发明的一种基于粒子群优化算法的电力系统规划方法，包括以下步骤：步骤一、输入待建场站的数据，根据待建电站数据和一些约束条件编码，然后初始化一群微粒，群体规模为m，包括随机位置和速度；步骤二、利用待建电站数据、原有系统的电源数据和负荷数据，在考虑各种约束条件的前提下进行可靠性计算和运行模拟计算，以确定各个方案的可靠性指标和各个电站在每月、每年的发电量，从而求得系统的可变运行费；步骤三、计算每个微粒的适应度函数值，对每个微粒，将其适应值与其经历过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest，对每个微粒，将其适应值与全局所经历的最好位置gbest作比较，如果较好，则重新设置gbest的索引号；步骤四、根据公式(1.1)(1.2)更新各微粒的速度和位置，若已收敛，则解码输出当前群体中的最优个体，即为此问题的最优解；若不满足收敛条件，则返回步骤二进入循环。其中i＝1,2,…,m，k为迭代次数；c1、c2是学习因子，一般为非负常数，分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长，若太大，则粒子可能会导致突然向区域飞去或飞过目标区域，若太小则可能远离目标区域。合适的c1、c2可以加快收敛且不易陷入局部最优，通常令c1＝c2＝2，r1和r2是介于[0,1]之间的随机数。下面结合实施例进行更详细的描述。实施例采用本发明提出的基于粒子群优化算法的电力系统规划方法求解电源规划数学模型，同时与传统的动态规划法作比较。首先，模型目标函数可简单表述如下：式中，f为贴现到规划期起始年的前一年的目标函数现值；it为第t年全部投资；st为第t年投资到规划期末残值；ct为第t年运行费用；bt为系统在第t年除发电外的其它效益(如供热、防洪、航运、旅游等)；δatk为第t年技术指标k未达标值，δatk＝atk－amink或δatk＝amaxk－atk；na为计入模型目标函数的罚函数项数；γ为贴现率；t为规划期；kk为技术经济指标k未达标时的罚系数。对于五年期电源规划，有14个待选电站，包括10个火电站、3个水电站和1个抽水蓄能电站。计算中把规划期按年为单位划分时间，年负荷数据见表1，经优化计算，结果如表2所示。五年期优化结果表明，对于短期电源规划问题，各种智能优化方法都能和传统的动态规划算法一样获得全局最优解，但是在收敛时间和成功率上有一定的差异，在各个人工智能算法的收敛成功率上模拟退火粒子群算法最高，其次是遗传－粒子群算法，而遗传算法还略优于基本粒子群算法；从收敛时间上看，基本粒子群算法最快，其次是遗传－粒子群算法，然后是模拟退火粒子群算法和遗传算法，各种人工智能算法都优于传统的动态规划法。表1五年规划期内年最大负荷与电量规划年12345负荷(mw)1165012950136301475015900电量(gw.h)7100077000830008930096000表2五年期电源规划优化计算结果本发明的基于粒子群优化算法的电力系统规划方法。粒子群优化算法是基于群体的演化算法，收敛速度快，其优化算法可用于求解大量非线性、不可微和非凸的复杂优化问题，本发明的优点是算法简洁，易于实现，不需要调整太多的参数，且不需要梯度信息，是解决电力系统电源规划问题的有效优化工具。当前第1页12