技术特征：
1.基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：其包括以下步骤：步骤s1，以发电机组最小总发电成本为目标函数，建立电力系统经济负荷调度数学模型；电力系统经济负荷调度数学模包括发电成本和约束条件；步骤s2，将tent混沌映射策略引入进金鹰优化算法，并初始化金鹰位置和相关初始数据；tent映射的迭代公式为:其中：β为大于0且小于1的数值，以迭代产生混沌序列[z1，z2，
…
，z
p
]，z
t
为经过迭代产生混沌序列的第t个值,最后生成均匀分布的初始种群，表达式为：x
i
＝l
s
+z
i
(u
s-l
s
)式中:l
s
和u
s
分别表示搜索空间的下限和上限；z
i
为tent混沌序列中的第i个值；x
i
为种群的第i个个体；步骤s3，将反向精英学习策略引入到金鹰优化算法主循环中，并利用指数递减函数求取攻击系数p
a
和巡航系数p
c
；步骤s4，电力系统经济负荷调度模型在约束条件下基于改进金鹰优化算法进行寻优，利用最优解计算发电机组最小发电成本。2.根据权利要求1所述的基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：步骤s1中的eld目标函数表示为：其中:f
cost
为系统发电总成本；t为总调度时段数，在处理静态优化问题时，t为1；m为系统中的机组台数；p
i
为机组i的有功出力值；f
i
(p
i
)表示机组的发电成本；目标成本函数的数学模型分为无阀点效应和考虑阀点效应两类:无阀点效应时，火电机i组的发电成本由其耗量特性函数表示，数学表达式为：式中:a
i
,b
i
,c
i
为机组i的耗量特性系数；考虑阀点效应时，则目标函数可表示为：式中:e
i
、f
i
为机组i的阀点效应系数；p
imin
为机组i的有功出力下限。3.根据权利要求1所述的基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：经济负荷分配的约束条件包括功率平衡约束、机组出力约束、爬坡约束和机组运行禁运区约束；(1)系统功率平衡约束由机组的有功出力、系统网损和系统总负荷所组成，其表达式如下：式中:p
loss
为系统网损；p
load
为系统总负荷；
(2)机组出力约束的表达式如下：p
imin
≤p
i
≤p
imax
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中:p
imin
,p
imax
分别为机组i的有功出力下限和有功出力上限；(3)机组爬坡约束的表达式如下：-dr
i
≤p
ti-p
(t-1)i
≤ur
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中:dr
i
,ur
i
分别为机组i的出力降速极值和出力增速极值；p
0i
为机组i的前一时刻的有功出力；(4)机组运行禁区约束表示为：式中：p
imin
是机组i出力下限；p
i
为机组i的有功出力值；是机组i的运行禁区总数中的最小禁运区下限；是机组i的第j-1个运行禁区的上限；是机组i的第j个运行禁区的下限；n
g
是机组i的运行禁区总数；是机组i的运行禁区总数中的最大禁运区上限；p
max
是第i个机组的出力上限。4.根据权利要求1所述的基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：步骤s3具体包括以下步骤：步骤s3-1，将当前金鹰种群个体以适应度值升序排列，后选出前n个适应度值较优的金鹰个体作为精英群体，n表示精英个体的数量；步骤s3-2，求取精英群体的反向解，各反向个体的计算公式为：式中为精英群体的反向解，x
em
(t)为精英群体,l(t)和u(t)分别表示当前金鹰种群中各维参数在不同时刻的最小值和最大值向量；步骤s3-3，利用各精英解与其反向解生成n个均匀分布的新个体，计算公式为：式中，s
em
(t)表示第m个个体；步骤s3-4，求取金鹰当前的攻击向量，计算公式如下：式中：a
i
是金鹰i的攻击向量，是金鹰f迄今为止访问的最佳位置(猎物)，是金鹰i的当前位置；步骤s3-5，求取巡航超平面上目标点，表达式如下：式中：c
k
为目标点c的第k个元素，a
j
为攻击向量a
i
的第j个元素，d为式(10)右侧，为攻击向量a
i
的第k个元素，k为固定变量的指标；
步骤s3-6，对攻击系数p
a
和巡航系数p
c
进行一个非线性的调整改变，具体公式如下：进行一个非线性的调整改变，具体公式如下：式中:和分别为攻击系数p
a
的最大值和最小值；和分别为巡航系数p
c
的最大值和最小值；α为调节系数；t和t分别为当前迭代次数和最大迭代次数。5.根据权利要求4所述的基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：步骤s3-5的具体步骤如下：步骤s3-5-1，计算得出金鹰i在迭代t中的巡航向量的超平面，计算公式如下：式中：a
j
为攻击向量a
i
的第j个元素，t为当前迭代次数，为当前迭代次数所对应的攻击向量a
i
的第j个元素，a
i
＝{a1,a2,
…
,a
n
}是金鹰i的攻击向量；x
j
为决策变量向量x
i
的第j个元素，x
i
＝{x1,x2,
…
,x
n
}是金鹰i的决策变量向量，即金鹰当前位置；为金鹰所选猎物的位置x
*
的第j个元素，为金鹰所选猎物的位置；步骤s3-5-2，在迭代中鹰的巡航超平面中得到金鹰i的巡航向量c
k
，巡航向量c
k
的公式如下：式中：c
k
为目标点c的第k个元素，a
j
为攻击向量a
i
的第j个元素，为攻击向量a
i
的第k个元素，k为固定变量的指标；h
j
为法向量的第j个元素，x
j
为变量向量的第j个元素，p
j
为超平面上的任意点上的任意点的第j个元素；步骤s3-5-3，得到找到巡航超平面上的随机目标点，巡航超平面上目标点的表达式如下：6.根据权利要求5所述的基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：步骤s3-6中的取值为2，取值为0.5，取值为1，取值为0.5，α取值为4。7.根据权利要求5所述的基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：步骤s4具体包括以下步骤：步骤s4-1，使用改进金鹰优化算法对所述当前种群进行精英反向学习处理，得到新种群；步骤s4-2，根据当前迭代次数更新攻击系数p
a
和巡航系数p
c
；步骤s4-3，每只金鹰基于迄今为止所找到的最佳解决办法从整个鸟群的记忆中选择一
个目标猎物；步骤s4-4，计算每只金鹰的攻击向量和巡航向量并求出δx；迭代中金鹰i的步长向量定义为式(14)：式中：为迭代t中的攻击系数，为迭代t中的巡航系数，调整了金鹰受到攻击和巡航的影响；和是元素位于区间[0,1]内的随机向量；则将迭代t中的步长向量加到迭代t中的位置计算得到迭代t+1中金鹰的位置，即：步骤s4-5，判断所有金鹰个体是否符合eld问题的禁运区约束、缓变区约束和功率平衡约束；当都符合时，则继续循环执行步骤s4-6；当有不符合约束条件时，则将不符合的金鹰个体进行重新随机处理；直至所有个体符合约束条件将继续进行循环；步骤s4-6，将金鹰当前位置代入目标函数，计算全部金鹰当前适应度值并与记忆位置进行对比，判断当前适应度值是否小于保存的最优适应度值；是则，将当前适应度值作为最优适应度值并更新记忆位置为当前位置；否则，保持当前最优适应度值和记忆位置不变；步骤s4-7，将迭代种群作为新的当前种群，判断是否达到最大迭代次数；是则，输出最优个体作为最优方案；否则，返回执行步骤s4-1。8.根据权利要求7所述的基于改进金鹰优化算法的电力系统经济负荷调度优化方法，其特征在于：步骤s4-4中为和的中间值通过线性跃迁来计算：式中：t表示当前迭代次数，t表示最大迭代次数，和分别为攻击倾向p
a
的初始值和最终值，和分别为巡航倾向p
c
的初始值和最终值。
技术总结
本发明公开基于改进金鹰优化算法的电力系统经济负荷调度优化方法，利用Tent混沌映射具有均匀性和有序性的特点，提高初始种群的多样性;利用精英反向群策略能充分利用优秀个体的特点，扩大种群的搜索空间；将原GEO算法的线性攻击和巡航权重做了非线性改进，提高了算法的收敛速度，最后将改进的GEO算法应用于经济负荷调度优化模型求解。测试函数和IEEE 15机与IEEE 40机测试系统的仿真结果表明该方案合理有效，较现有群智能优化算法作用下的多机电力系统相比，使用改进的金鹰优化算法(IGEO)优化的经济负荷调度的多机多节点电力系统具有更优越的系统动态性能。更优越的系统动态性能。更优越的系统动态性能。
技术研发人员：林金阳 张永强 郭俊锋 徐胜彬 张国成 陈知新 张平均
受保护的技术使用者：福建工程学院
技术研发日：2022.05.24
技术公布日：2022/8/5