利用廣義蟻群算法對梯級水庫進行優化調度,采用以水量平衡方程為主要約束的隨機自動生成方式生成初始蟻群,并利用懲罰函數法處理邊界條件和其他非等式約束。實例結果表明,該算法搜索能力強、精度高、可靠、有效實用。

水是生命之源,也是生產的重要根本,環境生態的基礎配備,在近幾年的經濟發展和國家建設中,針對水力發電的策略也有了相關的技術人員安排,有效的推進可再生能源發電的合理性和完備性,提升電力系統運行狀態的綜合性和靈活性,促進該種發電形式的有效開展。本文就基于改進蟻群算法的梯級水庫群優化調度研究進行分析和歸納。

提出一種求解梯級水電站中長期優化調度問題的方法一蟻群算法（antcolonyalgorithm，aca）．算法模擬了螞蟻群體覓食路徑的搜索過程來尋找梯級水電站中長期最優調度計劃．算法把問題解抽象為螞蟻路徑，利用狀態轉移、信息素更新和鄰域搜索以獲取最短路徑即最優解．實例計算結果表明，算法可以求褲一具有復雜約束條件的非線性梯級優化調度問題．算法求解精度高、收斂速度快，為解決梯級水電站中長期優化調度問題提供了一種有效的方法．圖1表2參8

本文提出了一種基于懲罰改進的蟻群最優化算法,并應用于水庫群的梯級調度優化研究中。本算法以蟻群蜂群算法中群體協作的反饋機制、隨機搜索的性態多樣性思想、優良的全局搜索能力、并行計算性及較強的魯棒性為基礎,進行問題空間的全局尋優;同時針對梯級調度優化中常見的多維變量約束條件,借鑒模擬退火算法思想,在目標函數中構造了懲罰因子,使得帶約束問題轉化為了純粹的優化問題。經實例驗證,本算法具有普遍的梯級調度優化解決能力,并與傳統的遺傳算法及人工粒子群算法相比,具有更好的精度、收斂速度和尋優能力。

介紹了一種易于實現、參數少且收斂快的集群智能算法—微粒群算法,并將其應用于梯級水電廠的短期優化調度。提出以確定微粒群在多維空間中的最優位置來實現多階段優化調度決策的方法,并針對算法易陷入局部最優的缺陷,引入遺傳算法中的“雜交”因子以及采用自適應的慣性權重,以改進其全局優化能力。通過實際算例驗證了該算法的有效性,從而為梯級水電廠的短期優化調度問題提供了一種新的求解途徑。

為促進風電更好地消納、減少傳統化石能源造成的污染,充分發揮梯級水電站的調節能力,制定了一種包含風、火、梯級水電系統的聯合優化調度策略。該策略確定了優先風電上網、火電平穩出力、梯級水電補償運行的調度模式,并依據該策略建立了多目標聯合優化模型。針對傳統粒子群算法存在容易陷入局部最優解的缺點,采用基于鯰魚效應改進的粒子群算法對模型進行求解,并在matlab軟件中進行仿真。算例的仿真結果表明,基于鯰魚效應改進的粒子群算法能夠有效地應用于風、火、梯級水電聯合優化調度問題中,能夠發揮出梯級水電站調節特性的同時有效地增加風電的上網電量、提高系統的綜合效益。

首次將量子粒子群優化算法用于水電系統經濟運行研究中。該算法是量子理論與粒子群算法的融合,在粒子編碼過程中引入了量子的態矢量表達,并將量子比特的概率幅表示應用于粒子的編碼,使得粒子可以表達為多個態的疊加;在粒子更新操作過程中,利用量子邏輯門實現了粒子的演化,具有比常規粒子群算法更好的目標優化性能。仿真結果證實該算法可有效解決水電機組經濟運行問題。性能對比顯示,該算法求得的解優于常規粒子群算法及其它優化算法所求得的解。

分析了人工魚群算法存在的問題,提出一種改進人工魚群算法,并將其用于梯級水庫群的優化調度.其改進思想是采用動態調整人工魚視野和步長的方法,較好地平衡了人工魚群算法的全局搜索能力和局部搜索能力的矛盾;在此基礎上,針對算法局部更新策略引起的更新操作前后個體空間位置變化較大,降低收斂速度這一問題,在局部更新時采用了閾值選擇的策略.通過實例驗證了該改進算法的有效性,并對改進算法的閾值參數進行了率定.

為了進一步增強微粒群算法的優化性能,提出了一種改進微粒群算法,并將其用于求解梯級水庫群的優化調度。該算法引進了類似遺傳算法的交叉和變異算子來提高搜索效率,其中交叉是微粒在解空間中的位置以一定的概率隨機進行算術交叉,變異是微粒以一定的概率隨機使速度矢量的某一維分量變為0。為了加速收斂,初始微粒群生成時采用了有條件的隨機自動生成方式,并利用懲罰函數法來處理邊界條件和其它非等式約束。實例計算結果表明,改進微粒群算法具有比常規動態規劃法和常規微粒群算法更快的計算速度,且優化調度結果比較滿意。

提出一種求解梯級水電系統短期發電計劃問題的新方法——混沌雜交進化算法(chea)。該算法將混沌序列與進化算法有機結合在一起,同時采用浮點數編碼并構造一種新的自適應誤差反向傳播變異算子,從而有效抑制了進化算法的“早熟”現象和收斂速度慢等缺陷。仿真計算結果表明,該方法可以求解具有復雜約束條件的非線性優化問題,算法求解精度高、收斂速度快,從而為水電系統的短期發電計劃問題提供了一種有效的方法

為科學求解梯級水電站群多目標優化調度模型,提出一種基于量子行為進化機制的多目標量子粒子群算法(moqpso)。該方法以標準量子粒子群算法(qpso)為基礎,引入外部檔案集合存儲非劣粒子,利用個體支配關系實現檔案集合的動態更新維護;依據個體領導能力優劣選擇粒子歷史最優位置與種群全局最優位置,維持搜索過程中個體進化方向的多樣性;采用混沌變異算子對個體進行局部擾動,提升算法的全局收斂性能。烏江流域模擬調度結果表明,所提方法具有良好的收斂速度與尋優能力,可快速獲得兼顧梯級水電系統經濟性與可靠性要求的pareto解集,能夠為工程人員提供科學的決策依據。

結合梯級水庫群聯合運行的實際情況,分析目前國內外水庫調度算法不足,本論文利用變尺度混沌優化算法(mutativescalechaosoptimizationalgorithm,mscoa)對梯級水電站群中長期水庫調度問題應用研究,建立一種梯級水電站群中長期水庫優化調度模型,通過實際數據驗證,此方法可以獲得梯級各電站的最優運行方式,為指導梯級各水電站的實際運行最優化提供科學決策依據。

提出一種基于ｌａｇｒａｎｇｉａｎ松馳技術的梯級水電系統優化調度算法，能夠綜合處理離散運行區間、最小啟停機時間等離散約束、水庫間的水力耦合網絡約束以及水頭影響。基于實際系統數據的數值驗證表明了本算法的有效性和實用性。

梯級水電站中長期經濟調度是一個典型非線性優化問題，通常要求在滿足復雜的水力、電力約束條件，兼顧求解效率的同時實現梯級發電量最大。為有效解決這一問題，通過改進標準蝙蝠算法（batalgorithm，ba）更新策略和引入差分進化算法（differentialevolution，de）變異、選擇操作，提出一種改進的蝙蝠算法（improvedbatalgorithm，iba）。對標準蝙蝠算法更新策略進行以下改進：1）蝙蝠個體脈沖頻率不隨種群迭代而更新；2）蝙蝠個體脈沖發射率和脈沖音量隨種群迭代而更新；3）無條件接受全局搜索產生的新解，有條件接受局部搜索產生的新解；4）改進飛行速度公式，縮小新個體與當前種群最優個體的偏離值。同時，針對蝙蝠算法種群多樣性差、易陷入局部最優的缺點，引入差分進化算法中的變異、選擇操作，實現動態控制變異概率。建立兼顧梯級最小出力最大化的梯級總發電量最大模型，利用大渡河流域瀑布溝、深溪溝、枕頭壩一級梯級水電站經濟調度問題實例，從流域長系列徑流資料中選取典型年，對iba的主要控制參數（縮放因子、最大迭代次數）進行測試與分析。采用iba、ba、逐步優化算法（poa）對同一典型年進行模擬調度。從枯期出力特征、梯級發電量、算法運行時間3項指標綜合來看，對于復雜的梯級水電站經濟調度問題，改進的蝙蝠算法能夠在枯水期給電網提供盡可能大而穩定的出力，同時縮短計算時間，獲得更高精度解。

將改進型螞蟻算法用于梯級水電站短期優化調度問題,并通過引入遺傳算法的交叉和變異思想以及自適應搜索半徑方法提高了螞蟻算法的搜索能力．以最小耗水率模型為例,給出了梯級水電站短期優化調度問題改進型螞蟻算法的數學描述和求解的算法步驟,并通過龍羊峽-李家峽梯級水電站實例驗證了改進型螞蟻算法的優越性．結果表明,與遺傳算法相比,改進型螞蟻算法獲得了更優的調度方案．優化結果在取得更低耗水率的同時,減少了機組的啟停次數,并且使所有機組連續高效運行,從而降低了機組的維護費用,并增加了梯級的經濟效益．

水庫調度圖是水電站發電調度運行的基礎,然而現有研究和算法大都集中在單庫調度圖,庫群發電調度圖成果較少。本文結合我國開發得較為完善的烏江流域梯級水電站群,提出了一種實用的梯級水電站群發電優化調度圖制定方法。該方法以單庫調度圖為基礎,綜合形成初始的庫群調度圖,并以此進行模擬調度,即根據兩種調度圖對長系列資料逐時段計算,獲得兩種負荷結果,最終運用庫群負荷分配調整兩種負荷的偏差,獲得調度結果;然后以模擬調度統計的多年平均發電量最大為目標,采用逐次逼近算法不斷修正兩種調度圖的基本調度線,最終獲得滿足精度要求的單庫調度圖和庫群調度圖。較常規方法,本方法方便一次性得出水電站(群)調度圖。模擬調度結果表明所建立的方法有效、實用,在兼顧電網對電站要求的基礎上,大大提高了梯級長期發電效益。

針對以發電為主的梯級小水電群,以各水庫的發電引用流量為決策變量,建立了以發電量最大為目標的梯級小水電群優化調度數學模型;設計了pso算法和apso算法的工程實現方法,具體包括編碼設計、迭代方法設計以及慣性權重設計等;通過一個具有兩庫串聯的梯級小水電群實例,將pso算法和apso算法的仿真尋優過程進行了比較,結果顯示兩種算法是有效的,并且apso算法具有更強、更快的全局搜索能力;將apso算法的仿真結果與同一條件下的ga算法的仿真結果進行了比較,結果顯示apso算法的仿真結果更優,更能充分利用水能資源。

建立了梯級水電站中長期聯合優化調度模型,并采用逐步優化算法對其進行求解。以金沙江中游梯級水電站群為例,通過計算,得到了合理的聯合優化調度方案。與各水庫單獨運行對比,其多年平均發電量、枯期發電量及水量利用率均有不同程度的提高。該結果表明此方法應用于實際生產中切實有效,也為梯級水電站聯合優化調度運行提供了一種可行的途徑。

以差分進化算法(de)為基本框架,結合混沌算法(ca)和蛙跳算法(slfa)各自局部搜索優勢以及多核并行計算技術(pc),提出一種新的并行混合差分進化算法(phde),即將de與ca、slfa進行有機融合,分別對精英個體進行混沌局部搜索和對較差個體進行蛙跳局部更新,且差分進化運算、混沌局部搜索和蛙跳局部更新均采用pc,以有效縮短計算時間。phde具有三點優勢:一是保留了de簡單易行、收斂迅速的特點;二是繼承了ca、slfa的遍歷性,能夠避免早熟收斂現象;三是通過合理的并行模式,有效降低了計算時間。典型測試函數表明了phde的可行性、高效性和魯棒性。實例研究表明,phde具有較好的優化性能和計算效率,為高效求解水庫群優化調度問題提供了一種可行途徑。

梯級水電站經濟調度是一個具有多維數、多目標、非線性的新問題,調度策略隨決策者期望而變化。根據不同調度期望,構建三個分別以發電量最大、耗水量最小、末期蓄水量最大為目標的優化調度模型。本文提出的仿水循環算法是一種受自然界水循環過程啟發提出的全新算法,即含多種約束的仿水循環算法cwca,引入水滴權重因子,可根據尋優情況自適應地調整權重值,有效解決迭代速度與計算精度的權衡問題,以及因水滴粒子處于局部最優而導致迭代停滯的問題。利用不同測試函數求解結果對比表明,cwca比改進粒子群算法mpso更具有效性與優越性。經對三座梯級水電站優化調度策略的仿真結果證明了cwca的可行性,也顯示了mpso可顯著提高優化結果,大幅降低收斂時間,是一種更優越的智能種群算法。

鑒于梯級水電站優化運行的高復雜度、強非線性、多約束等特點,構建了基于峰谷分時電價下的梯級水電站日最大發電效益模型。針對遺傳算法(ga)等傳統智能算法對復雜模型求解易陷入局部最優的問題,提出一種水循環算法(wca)與水位廊道約束耦合、降低約束復雜度、規范尋優空間的方法,并以湖北某梯級短期優化調度為背景進行建模仿真,將計算結果分別與ga和粒子群算法(pso)所得結果進行比較。實例研究表明,wca計算的總效益在豐、平、枯典型日分別比ga和pso計算值約高5.65%、3.15%、0.80%,迭代收斂速度更快,求解能力更強,為解決梯級水電站優化調度問題提供了新思路。

借鑒信息素對昆蟲群體協調行為的作用,建立信息素釋放模型、信息素擴散模型、信息誘導模型和信息定向模型,提出信息誘導算子(pheromoneinductionoperator,pio),并與改進遺傳算法(improvedgeneticalgorithmi,ga)相結合,形成信息誘導遺傳算法(pheromoneinductiongeneticalgorithm,piga)。分析了piga具有較好平衡全局搜索能力和局部開發能力的仿生學原理。針對電力市場條件下梯級水電站自調度優化模型的復雜性,將piga應用于該模型的求解,通過算例分析,對比了pso、sgai、ga和piga的優化性能,表明了piga的有效性;同時通過分析pio參數對優化性能的影響,給出了pio參數的選擇原則。