0
点赞
收藏
分享

微信扫一扫

基于改进的遗传算法的机组组合问题【0】(Python实现)


目录

​​摘要​​

​​0 引言​​

​​1 机组组合优化模型​​

​​1.1目标函数​​

​​1.2 约束条件​​

​​2 模型约束条件处理​​

​​2.1 功率转移分布因子求解潮流约束​​

​​2.2 开停机时间约束处理​​

​​3 两阶段双层组合优化模型​​

基于改进的遗传算法的机组组合问题【0】(Python实现)_时间约束

摘要

摘要: 机组组合是一个调度问题,由于机组状态(启动和停止)的二元决策变量的存在而变得复杂。因此,机组组合问题是一个大规模的非线性混合整数组合问题,传统的优化算法不适用于求解大型电力系统。针对大型电力系统机组组合求解速度慢的问题。本文以机组耗煤成本和启停成本最小为优化目标,并考虑线路安全能力等约束条件。首先采用转移因子法求解线路潮流约束,然后提出了非线性规划和遗传算法的两阶段分层优化模型。在某地的6机30节点大电力系统上进行了验证,算例结果表明,组合分层优化模型能有效降低算法复杂度,节省计算时间,具有较好的可行性和有效性。

关键词机组组合;非线性混合整数组合;转移因子法;非线性规划;遗传算法

0 引言

机组组合问题是指在满足系统安全约束和电能质量要求的前提下,利用合理的机制控制机组的开/关状态,调整各时段的出力,使某一调度周期(通常指一天)内的总运行成本最小化。机组组合是解决电力系统最优潮流和经济调度的前提。

机组组合问题是NP-hard型问题,具有高维、非凸、离散、非线性等特点,到目前为止,还没有好的解决办法。目前,机组组合的求解算法主要是两类。一类是传统算法:包括优化级表法、混合整数规划、动态规划法、拉格朗日算法等。

针对大型电力系统,传统算法计算速度慢、无法求解的问题。本文提出了一种两阶段双层组合优化算法。首先通过转移因子算法得到电力网络的功率转移因子矩阵,得到线路的输电容量约束。然后在给定机组近似出力情况下,以煤耗成本和启停成本最小为目标,通过遗传算法确定机组的运行状态。最后根据最优运行状态,运用非线性规划模型确定机组的最优出力。算例结果表明,本文所提模型能降低算法复杂度,解决了传统算法计算速度慢、无法求解的问题。

1 机组组合优化模型

1.1目标函数

基于改进的遗传算法的机组组合问题【0】(Python实现)_组合问题_02

1.2 约束条件

            ​​​​​

基于改进的遗传算法的机组组合问题【0】(Python实现)_组合问题_03

基于改进的遗传算法的机组组合问题【0】(Python实现)_约束条件_04

2 模型约束条件处理

模型中有许多约束条件,这些约束条件不能用程序直接表达,只能用变换来表达。

2.1 功率转移分布因子求解潮流约束

基于改进的遗传算法的机组组合问题【0】(Python实现)_python_05

基于改进的遗传算法的机组组合问题【0】(Python实现)_时间约束_06

2.2 开停机时间约束处理

机组启停时间约束难以处理,下面通过计算实例说明如何处理启停时间约束。

示例:机组最小启动时间为3h,最小停机时间为2h,总调度周期为6h。如果机组在开始时已启动1小时,则最小启动时间约束如公式(1-10)所示,最小停机时间约束如公式(1-11)所示。

基于改进的遗传算法的机组组合问题【0】(Python实现)_组合问题_07

基于改进的遗传算法的机组组合问题【0】(Python实现)_时间约束_08

3 两阶段双层组合优化模型

机组组合是一个NP-hard问题,首先要求解最优机组开停状态,每个机组开停状态对应有一个最优出力,求解最优出力时,模型包含了众多约束条件(每个时间有负荷平衡约束、上下限约束等条件,每个时刻每条线路有输电线路安全容量约束)。机组组合问题算法复杂度为指数级

基于改进的遗传算法的机组组合问题【0】(Python实现)_时间约束_09

,属于在有限时间不可解决的问题。针对此类问题,有3个求解策略,如下所示:(1)对于小型问题,可以直接解决。(2)对于大型问题,采用近似算法来降低算法复杂度并获得精确解,但不容易获得最优解。(3)对于大规模问题,可以提高计算机性能,如采用“量子计算机”;或利用互联网上的计算机的中央处理器的闲置处理能力,采用分布式计算。

方法3是提高计算机计算能力,但问题本身的难度并没有降低。本文针对方法2提出了一个两阶段两层组合优化模型。

举报

相关推荐

0 条评论