《节能发电调度优化方法研究毕业设计论文.doc》由会员分享，可在线阅读，更多相关《节能发电调度优化方法研究毕业设计论文.doc（59页珍藏版）》请在三一办公上搜索。
1、华中科技大学文华学院毕业设计（论文）题目：节能发电调度优化方法研究毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。作 者 签 名： 日 期： 指导教师签名： 日期： 使用授权说明本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论
2、文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。作者签名： 日 期： 学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名： 日期： 年 月 日学位论文版权使用授权书本学位论文作者完全了解学校有
3、关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。涉密论文按学校规定处理。作者签名：日期： 年 月 日导师签名： 日期： 年 月 日目 录摘 要III关键词IIIAbstractIVKey Words:IV1绪论11.1课题研究的背景和意义11.1.1 电力系统的简介11.1.2 我国电力工业现状11.2 优化调度方法在电力系统中的应用21.2.1 优化调度中的主要问题22 遗传算法的特点和基本方法32.1 遗
4、传算法概述32.1.1 遗传算法概念32.1.2 遗传算法的步骤和意义42.2 遗传算法的理论基础62.2.1 模式定理和积木块假设62.2.2 遗传算法的隐并行性72.2.3 遗传算法性能评估82.3 遗传算法的特点92.3.1 遗传算法的优点92.3.2 遗传算法的不足之处102.3.3 遗传算法与传统算法的比较102.4 改进的遗传算法122.4.1 遗传算法的主要问题和解决方案123. 基于改进遗传算法的AGC机组优化组合133.1 传统的机组组合模型133.1.1 目标函数133.1.2 约束条件143.2 考虑AGC的机组优化组合数学模型153.2.1 电力市场环境下的AGC调节容
5、量问题163.2.2 目标函数173.2.3 约束条件173.3 可变长二进制编码183.4 等微增率获取功率203.5 差异函数选取233.6 主要群初始化和主种群终止设定253.7 子种群初始化和子种群终止设定253.8 主种群和子种群遗传算子设计253.9 开采点的获取283.10 改进遗传算法中的一些讨论293.10.1 搜索域与开采点之间的关系293.10.2 子种群的控制294. 算例仿真分析304.1 算例一304.2 算例二345. 结论37参考文献39致谢40附录41节能调度优化方法研究摘 要随着电力运营体制改革的不断深入和电力市场的逐渐形成，电力系统中AGC功率调配和机组优
6、化组合的规模越来越大，约束条件也越来越复杂。论文对遗传算法在AGC功率调配和机组优化组合中的应用进行了研究，主要包括以下几个方面：论述了遗传算法的相关理论，指出标准遗传算子存在的一些缺陷，提出新的改进遗传算法模型，分析了改进遗传算法的性能；对于包含AGC的机组优化组合模型的特殊性，提出了可变长的二进制编码，并且根据该编码设计了专门的遗传操作，对于其中的连续变量，提出使用等微增法处理；根据AGC功率调配模型的特点，对改进遗传算法模型进行了适度的简化，结合优先级法处理模型中的连续变量，提高了算法的性能和精度；最后结合数据进行仿真，结果表明改进遗传算法收敛迅速，计算精度高。关键词：改进遗传算法，自动
7、发电控制，机组组合，异化算子Scheduling optimization methods for energy savingAbstractWith the power industry of China is going to establish a market-based operationalmechanism，The Selection of AGC Units and Generator Unit Optimal Commitnent on a growing scale，constraint conditions is increasingly complexPapers on
8、 Genetic Algorithms in AGC and Generator Unit Optimal Commitmem and the a pplication of research, including the following：Analysis of the Selection of AGC Units and Generator Unit Optimal Commitment of development and current situation,and noted that the study Generator Unit Optimal Commitment inclu
9、ded AGC of the need for a new model；The theory of Genetic algorithms is discussed,and a number of deficiencies of the standard genetic algorithm are pointed out, New improved genetic algorithm model，analysis of the genetic algorithm to improve performance； According to the Selection of AGC Units mod
10、el the characteristics ofimproved genetic algorithm model of modest simplification,Treatment with Priority model of continuous vailables Finally,data,and simulation results show improved genetic algorithms rapid convergence and high precision,and adapted to large and medium-sized systemKey Words: Im
11、proved Genetic Algorithin, Generator Unit Optimal Commitment, Similartaxis，Dissimilation1绪论1.1课题研究的背景和意义1.1.1 电力系统的简介 电力系统是由各种类型的发电厂，不同电压等级的输电和配电网络以及电力用户四部分组成的大系统。它以满足国民经济发展对电能的需求为目标，完成从电能的生产、输送、分配到消费的任务。 从电力工业自身技术经济特点和改革发展的趋势来看，电力系统是一个电力生产系统和电力商业系统综合集成的技、工、贸一体化的工商系统。从电力技术角度来看，电力工业是发、输、配、供、用电环节紧密相连而
12、构成的连续生产过程。从电力经济角度来看，电力工业是发电商竞价上网，输电网垄断专营，供电侧供电商可靠供电，提供优质服务，科学用电的市场与监督相互配合。有机互补的带有自然垄断性质的基础行业。从系统科学角度来看，电力工业是一个典型的由人、财、物组成的多级复杂系统，包括发电、输电、配电的一个高度信息化的信息系统，是由电力规划、负荷预测、负荷调度、运行控制、工况监督、故障诊断、输电服务、交易买卖、合同管理、计量收费、电力监管等环节组成，由发电商、输电公司、配电商、供电商、终端用户等市场主体参与的复杂系统。目前，电力系统建设的重点在政府部门的推动、电力企业和用户的实施、电价等经济政策配套、技术创新推广等几
13、个方面以技术手段获取实时准确的需求数据，并及时统计分析、同步优化负荷控制值得深入研究并予以解决，从而以利于技术进步、用电管理、客户服务、社会发展的相互促进，真正实现供用电全过程优化控制。1.1.2 我国电力工业现状 电力工业是国民经济中具有先行性的重要基础产业，与国民经济的关系极为密切，经济增长快，对电的需求就大，反之就小。电力行业的发展对宏观经济很敏感，尤其是中国，用电量中约34是工业用电。近年来国家实施积极的财政政策，加大投资力度，国内经济发展趋势良好。全国电力工业统计快报统计显示， 2004年全国全年发电量达到21870亿千瓦时，比上年增长14蹦，增速与上年相比回落了04。核电发电量稳步
14、增长，全年发电量501亿千瓦时，同比增长141。2004年全社会用电量达21735亿千瓦时，比上年增长149，是改革开放以来，继2003年后的第二个高速增长年。到2020年，我国一次能源消费总量将达到34亿吨煤，发电装机容量需达到95亿千瓦。其中水电25亿千瓦，将占263；火电占69蹋：核电占21。风电占21。与2004年底火电装机容量相比，火电需增加34亿千瓦。2005年进入四季度后，随着大批新增机组的投产，电力供需形势将有明显好转，电力缺口有较大幅度下降，但部分地区仍然紧张。2005年冬到2006年春我国电力缺口约为1500万千瓦，主要集中在华北、南方和华中地区，华东、东北、西北地区电力供
15、需基本可以平衡。2006年全国电力供需状况比2005年更加缓解，但仍然存在局部地区、局部时段供需紧张。预计2006年全国全社会用电量的增长速度在11左右，用电量约为27300亿千瓦时。电力行业的高速发展以及与国民经济的密切联系，不可避免地带来电力工业市场化的发展。今后，电力改革必将进一步地深化，电力的市场化将会成为全球电力工业的普遍发展方向，中国的电力市场也不可避免地将面临很多的变化。1.2 优化调度方法在电力系统中的应用 电力系统一旦实施市场化运行后，电力系统运行的各个环节中都出现了很多需要解决的问题。这些问题与传统的优化调度有着密切的联系，因此优化调度理论D1及其计算方法在电力市场中将发挥
16、着很大的作用。 在传统的电力系统优化调度过程中，进行优化调度的目标多为系统发电费用最小。而在竞争的电力市场中，进行优化调度所追求目标是多方面的在现代电力工业环境下，电力市场的运行基本目标是：在满足系统安全稳定运行的条件下，促进发电厂的竞争，以发电成本，网损，辅助服务成本之和最低为优化目标，根据机组报价，确定发电计划，实时调度各个发电公司的机组发电，以满足用电负荷要求。1.2.1 优化调度中的主要问题 首先，经济负荷分配是电力系统中一个典型的优化调度问题。目前，我国的能源消耗增长已经高于经济增长，其中煤炭问题是中国能源战略中的一二突出的问题。预计到2020年，我国一次能源消费总量将达到34亿吨煤
17、。发电装机容量需求达到95亿千瓦。其中火电占695。与2004年底的火电装机容量相比，火电需求增加了34亿千瓦，也就是每年需增加发电燃煤10亿吨。这不仅对我国的煤炭生产将形成巨大压力，环境压力也将会非常大。随着大批新增机组的不断投产和全国用电量的高速增长，有关经济负荷分配问题的调度不可避免地成为电力系统调度管理的重要任务之一。通过在可利用的机组之间合理地分配出力，使全电力系统达到最大的经济性(发电成本为最小)，可以节约能源带来巨大的经纪效益。其次，电力市场要采用经济手段管理各成员，电价是体现管理思想的工具，所以电价的制定原则、计算贸易电价、电网的收益是电力市场的重要内容。以电网收益最大为目标的
18、电力市场中机组各时段各阶段报价和发电计划问题，就成了电力企业的关注所在。同时，中国只有进一步改革电力市场才能有效利用有限的电力能源并减少污。染。随着我国一些地方大规模新建电厂，发电设备开始出现供不应求的局面，火电厂企业是我国的“污染大户一燃煤造成的二氧化硫、氮氧化物的大量排放，严重污染环境，这已成为国民经济和社会可持续发展的制约因素之一。中国应该把能源有效性和环境目标纳入其竞争性电力市场的管理框架，纳入电力系统的优化调度中共同管理，同时迅速采取措施使电价更能反映实际成本，以便让投资者选择更有效的设备和燃料，同时让消费者做到节约用电。2 遗传算法的特点和基本方法2.1 遗传算法概述2.1.1 遗
19、传算法概念遗传算法(GA)是一种模拟自然选择和自然遗传机制的随机优化算法，由美国JHHolland教授提出，其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，因而对目标函数没有可微的要求(目标函数可以是离散的)它能根据不同环境产生不同的后代，具有动态性，自适应性，同时具有内在的并行性，能有效的解决计算量大的问题。GA用目标函数本身建立寻优方向，无需求导求逆等复导数数学运算，且可以方便的引入各种约束条件，更有利于得到最优解，适合于处理混合非线性规划和多目标优化。近年来，遗传算法在各个科学领域得到广泛运用，在求解一些复杂优化问题已显示出强大能力，具有广泛的适应性。国内已经有
20、学者在不同领域研究了遗传算法在多目标问题中的应用。国内学者在电力系统优化调度领域应用遗传算法也取得了一些成果。对于电力系统的多目标优化调度的遗传算法求解也有学者作了尝试。电力系统的有功优负荷分配化问题是一个多目标、多变量、多约束的混合非线性规划问题，因此整个优化过程比较复杂。传统的数学优化方法如线性规划、非线性规划、整数规划、二次规划、动态规划等方法不能实现全局最优，只能找到局部最优解。遗传算法它具有全局寻优和收敛速度快的特点，这些都适宜于处理电力系市场中日有功负荷多目标分配的优化调度的问题。尽管遗传算法本身在理论和应用方法上仍有许多待进一步研究的问题，但是它在函数优化，组合优化，生产调度，自
21、动控制等方面展现了其特色和魅力，成为求解全局优化问题的有力工具之一。2.1.2 遗传算法的步骤和意义 遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生成+检测一的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。 我们习惯上把Hollandl975年提出的GA称为传统的GA。它的主要步骤如下： 1编码：GA在进
22、行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。2初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体GA以这N个串结构数据作为初始点开始迭代。3适应性值评估检测：适应性函数表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同。4选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。5交叉：交叉操作是遗传算法中最主要的遗传操作通
23、过交叉操作可以得到新一代个体，新个体组合了其父辈个体的特性。交叉体现了信息交换的思想。6变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值在0001001之间。变异为新个体的产生提供了机会。7全局最优收敛(Convergence to the global optimum)：当最优个体的适应度达到给定的阀值，或者最优个体的适应度和群体适应度不再上升时，则算法的迭代过程收敛、算法结束。否则，用经过选择、交叉、变异所得到的新一代群体取代上一代群体，并返回到第4步即选择操作处继续循环执行。2.1中表示遗
24、传算法的执行过程：12453123219276112671选择淘汰4.5 提高1.22.3交叉产生6.7变异交叉用作下一代1变异为9图2.1遗传算法的原理综上而述，GA的计算过程为：选择编码方式产生初始群体计算初始群体的适应性值如果不满足条件选择交叉变异计算新一代群体的适应性值因此，遗传算法具有“生成+检测一(generate-and-test)的迭代过程，它的基本处理流程如图所示：、群体P(t)选择运算交叉运算解码变异运算群体P（t+1）解集合个体评价解空间遗传空间图2.2 遗传算法的基本流程2.2 遗传算法的理论基础 2.2.1 模式定理和积木块假设遗传操作中，新的个体的结构模式与其父代个
25、体的结构模式之间有某种相似性，而这些相似模板(similarity templates)都对应高适应度值(高于群体的平均适度)。所以说，遗传算法在搜索过程中一直在搜索群体中个体的某个重要的结构相似性。此相似模板称为模式(schema)。基于三值字符集0，1，*所产生的能描述具有某些结构相似性的0，19符串集的字符串称为模式。符号“*”为通配符。遗传算法中，串的运算实质上是模式的运算。模式H中确定位置的个数称为该模式的模式阶，记为O(H)。显然，一个模式的阶数越高，其样本数就越少，因而确定性越高，但在遗传算法的变异操作中，阶数高的模式更容易遭到破坏，也就是说，阶数短的模式生命力强。模式H中第一个
26、确定位置和最后一个确定位置之间的距离称为该模式的定义距，记为。模式的定义距越短，则该模式在交叉运算中被破坏的概率越小，也就是说，定义距短的模式生命力强。模式阶和定义距描述了模式的基本性质。模式定理(schemata theorem)：在遗传算法选择，交叉和变异的作用下，具有低阶，短定义以及平均适应度高于群体平均适应度的模式在子代中将得以指数级增长。统计确定理论中的双角子机问题表明：要获得最优的可行解，则必须保证较优解的样本数呈指数级增长。因此模式定理作为遗传算法的理论基础，它决定了遗传算法能较好地找到全局最优解。具有低阶，短定义距以及高适应度的模式成为积木块(building block)。正
27、如搭积木一样，这些“好一的模式在遗传操作下相互拼搭，结合，产生适应度更高的串，从而找到更优的解，这就是积木块假设的内容。积木块假设(building block hypothesis)：低阶，短距，高平均适应度的模式(积木块)在遗传算子的作用下，相互结合，能产生高阶，长距，高平均适应度的模式下，可最终生成全局最优解。模式定理保证了较优的模式的样本数呈指数级增长，从而满足了寻找最优解的必要条件，即遗传算法存在寻找到最优解的可能性。而积木块假设则指出，遗传算法具备寻找到全局最优解的能力，即积木块在遗传算子的作用下，能生成高阶，长距，高平均适应度的模式，最终生成全局最优解。2.2.2 遗传算法的隐并
28、行性遗传算法中一个串实际隐含着多个模式，遗传算法实质上是模式的运算。一个长度为1的串，其中隐含有个模式。那么，若群体规模为n，则其中隐含的模式个数介于和，之间。但由于交叉操作的作用，并非所有的模式都能高效率地处理，定义距较长的模式将遭到破坏。遗传算法中能以指数级增长的模式 个数的下限为。隐并行性(implicit parallelism)：尽管遗传算法只对n个串个体进行运算，但却隐含地处理了个模式。遗传算法有效处理的模式总数正比于群体数n的立方。由遗传算法的并行性可知，在遗传操作中，尽管具有高阶，长定义距的模式在交叉算子和变异算子的作用下遭到破坏，但遗传算法在处理相对小数目的串时，仍然隐含地处
29、理了大量的模式。2.2.3 遗传算法性能评估遗传算法的实现涉及到前述的五个要素，而每个要素又对应不同的环境存在各种相应的设计策略和方法。不同的策略和方法决定了各自的遗传算法具有不同的性能和特性。因此，评估遗传算法的性能对于研究和应用遗传算法是十分重要的。遗传算法的评估指标大多采用适应度值。在没有具体要求的情况下，一般采用各代中最优个体的适应度值和群体的平均适应度值。定量分析遗传算法的测度包括离线性能(off-line performance)测度n硼和在线性能(online performance)测度。前者测量收敛性，后者测量动态性能。之所以使用离线和在线测度是为了强调两者在应用上的差别。一
30、般来说，在离线应用中，优化问题的求解可以得到模拟，在一定的优化进程停止准则下，当前最好的解可以被保存和利用；在在线应用中，优化问题的求解必须通过真正的实验在线实现，其好处在于可以迅速地得到较好的优化结果。在线性能评估准则设置为环境e策略s的在线性能，为时刻t或第t代中相应于环境e的目标函数或平均适应度函数，则可以表示为： （21）上式表明，在线性能可以用从第一代到当前代的优化进程的平均值来表示。如果在线性能用平均适应度来描述，则通过简单计算第一代到当前代的各代平均适应度值对世代数的平均值即可获得在线性能。离线性能评估准则设为环境e下策略s的离线性能，则有： （22）其中，上式表明，离线性能是特
31、定时刻最佳性能的积累平均。具体来说，在进化过程中每进化一代就统计目前为止的各代中的最佳适应度或最佳平均适应度，并计算对进化代数的平均值。2.3 遗传算法的特点遗传算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过程中显示出明显的优势。它与传统的算法不同，大多数古典的优化算法是基于一个单一的度量函数(评估函数)的梯度或较高次统计以产生一个确定性的试验解序列；遗传算法不依赖于梯度信息，而是通过模拟自然进化过程来搜索最优解(optimal solution)，它利用某种编码技术，作用于染色体的数字串，模拟由这些串组成的群体的进化过程，遗传算法通过有组织的，随机的信息交换来重新组合那些适应
32、性好的串，生成新的串的群体。2.3.1 遗传算法的优点遗传算法具有如下优点:1对可行解表示的广泛性。遗传算法的处理对象不是参数本身，而是在参数集进行了编码的个体。此编码操作，使得遗传算法可直接对结构对象(集合、序列、矩阵、树、图、链和表)进行操作。这一特点使得遗传算法具有广泛的应用领域。2群体搜索特性。许多传统的搜索方法都是单点搜索，这种点对点的搜索方法，对于多峰分布的搜索空间常常会陷入局部的某个单峰的极点相反，遗传算法采用的是同时处理群体中多个个体的方法，即同时对搜索空间中的多个解进行估。这一特点使得遗传算法具有较好的全局搜索性能，也使得遗传算法本身易于并行化。3不需要辅助信息。遗传算法仅用
33、适应度函数的数值来评估基因个体，并在此基础上进行遗传操作。更重要的是，遗传算法的适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。由于限制条件的缩小，使得遗传算法的应用范围大大扩展。4内在启发式随机搜索的特性。遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优化的解区域移动的。虽然看起来它是一种盲目的搜索方法，实际上它有明确的搜索方向，具有内在的并行搜索机制。5遗传算法在搜索过程中不容易陷入局部最优，即使在所定义的适应度函数是不连续的，非规则的或有噪声的情况下，也能以很大的概率找到全局最优解。6遗传算法采用自
34、然进化机制来表现复杂的现象，能够快速可靠地解决求解非常困难的问题。7遗传算法固有的并行性和并行计算的能力。8遗传算法具有可扩展性，易于同别的技术混合。2.3.2 遗传算法的不足之处遗传算法作为一种优化方法，它存在自身的局限性：1编码不规范及编码存在表示的不准确定。2单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算时间必然增加。3遗传算法容易出现过早收敛。4遗传算法对算法的精度，可靠度计算复杂性等方面，还没有有效的定量方法。应重点注意的是，遗传算法对给定的问题给出了大量可能的解答，并挑选最终的解答给用户，要是一个特定问题没有单个的解，例如
35、pareto最优解系列中，就像多目标优化和日程安排案例中，遗传算法将尽可能地用于识别可同时替换的解。2.3.3 遗传算法与传统算法的比较日前的最优化问题，目标函数和约束条件的种类繁多，有的是线性的，有的是非线性的，有的是连续的，有的是离散的，有的是单峰值，有的是多峰值的。随着研究的深入，人们逐渐认识到在很多复杂情况下要想完全精确地求出其最优化解是不可能的，也是不现实的。因而求出其近似最优解或满意解是人们主要研究的问题之一。对于类似上述最优化问题，求最优解或近似最优解的传统方法主要有解析法，随机法和穷举法。解析法主要包括爬山法和间接法，随机法主要包括导向随机方法和盲目随机方法。而穷举法主要包括完
36、全穷举法，回溯法，动态规划法和限界剪枝法。此类问题可以利用遗传算法求解。而对于求解此类问题，遗传算法与一般传统方法有着本质的区别。1.遗传算法与启发式算法的比较启发式算法是指通过寻求一种能产生可行解的启发式规则，找到问题的一个最优解或近似最优解。该方法求解问题的效率较高，但是它对每一个所求的问题必须找出其特有的启发式规则。这个启发式规则一般无通用性，不适用于其它问题。但遗传算法采用的不是确定性规则，而是强调利用概率转换规则来引导搜索过程。2.遗传算法与爬山法的比较爬山法是直接法，梯度法和Hessian法的通称。爬山法首先在最优解可能存在的地方选择一个初始点，然后通过分析目标函数的特性，由初始点
37、移到一个新的点，然后再继续这个过程。爬山法的搜索过程是确定的，它通过产生一系列的点收敛到最优解(有时是局部最优解)，而遗传算法的搜索过程是随机的，它产生一系列随机种群序列，二者的主要差别可以归纳如下：(1) 爬山法的初始点仅有一个，由决策者给出，遗传算法的初始点有多个，是随机产生的。(2) 通过分析目标函数的特性可知，爬山法上一个点产生一个新的点，遗传算法通过遗传操作，在当前的种群中经过较差，变异和选择产生下一代种群。对同一优化问题，遗传算法所使用的机时比爬山法所花费的机时要多，但遗传算法可以处理一些爬山法所不能解决的优化问题。3.遗传算法与穷举法的比较穷举法就是对解空间的所有解进行搜索，但是
38、通常的穷举法并不是完全的穷举法，即不是对所有解进行尝试，而是有选择地尝试，如动态规划法，限界剪枝法。对于特定的问题，穷举法有时也表现出很好的特性。但一般情况下，对于完全穷举法，方法简单易行，但求解效率太低；对于如动态规划法，限界剪枝法，则鲁棒性不强，相比较而言，遗传算法具有较高的搜索能力和较强的鲁棒性。 4.遗传算法与盲目随机法的比较与上述的搜索方法相比，盲目随机搜索方法有所改进，但它的搜索效率仍然不高。一般而言，只有解在搜索空间中形成紧致分布时，它的搜索才有效。而遗传算法作为导向随机搜索方法，是对一个被编码的参数空间进行高效搜索。5.遗传算法与蚁群算法蚁群算法(Ant Colony Opti
39、mization，ACO)模拟蚂蚁的群体行为，由Dorigo等人提出。hCO本质上是一种基于群体的多代理算法。该方法的主要特点是：正反馈、分布式计算、与某种启发式算法相结合，正反馈过程使得该方法能很快发现较好解；目前有学者尝试将其应用于电力系统规划中但是还没有很好地将规划模型处理成适合于蚂蚁算法求解的模型，系统规模增大时，难以求得高质量的解。如何合理地将规划模型转变成适合蚂蚁算法的模型，有待人们进一步的研究。而遗传算法的显著优点是可以同时搜索空间中的许多点，而不是一个点，因而能够作到全局优化；由于其搜索最优解的过程是有指导性的，避免了某些优化算法的维数灾难问题。利用遗传算法进行电力系统调度优化
40、规划，可得出若干个最优、次优方案，供规划人员根据实际情况进行决策选择。6遗传算法和模拟退火法模拟退火法的最大特点是搜索中可以摆脱局部解，这是传统的爬山法所不具备的。遗传算法中的“选择一操作是以和个体的适应度有关的概率来进行的。因此，即使是适应度低的个体也会有被选择的机会。在这一点上它同模拟退火法十分相似。显然，通过在搜索过程中动态地控制选择概率，遗传算法可以实现模拟退火法中的温度控制功能。7.遗传算法和混沌优化算法混沌优化算法是近年来随着混沌学科的发展而被提出来的另外一种新算法，它通过将优化问题模型向混沌变量的映射，充分利用混沌变量在混沌运动中所具有的遍历性，随机性，规律性来寻找全局的最优解。
41、依据对混沌变量应用方式的不同，混沌算法可以分为基于混沌序列的函数优化方法与基于混沌神经网络(Chaotic Neural NetworkCNN)的优化算法但由于混沌变量的搜索空间狭窄，又需要将优化模型归一化处理，因此还很少有将混沌神经网络应用于实际工程领域的模型。 2.4 改进的遗传算法2.4.1 遗传算法的主要问题和解决方案标准的遗传算法是具有“生成+检测的迭代过程的搜索算法。遗传算法采用一种群体搜索策略和群体中个体之间的信息交换，搜索，不依赖于梯度信息。但标准遗传算法存在一些不足，下面是标准遗传算法中存在的主要问题和解决方案。对早熟收敛和后期搜索迟钝的解决方案：有条件的最佳保留机制；采用遗
42、传灾变算法D帕：采用适应度比例机制和个体浓度选择机制的加权和：引入主群和属群的概念；适应度函数动态定标：多种群并行进化及自适应调整控制参数相结合的自适应并行遗传算法；对重要参数选择采用自适应变化而非固定不变。为了改进简单遗传算法的实际计算性能，很多学者的改进工作也是分别从参数编码，初始群体设定，适应度函数标定，遗传操作算子，控制参数的选择以及遗传算法结构等方面提出的。众多学者一直致力于推动遗传算法的发展，对编码方式，控制参数的确定和交叉机理等进行了深入的研究，提出了各种变形的遗传算法，其基本途径概括起来主要有以下几个方面：(1)改进遗传算法的组成成分或使用技术，如选用优化控制参数，适合问题特性
43、的编码技术等。(2)采用混合遗传算法(Hybrid Genetic Algorithm)。(3)采用动态自适应技术。在进化过程中调整算法控制参数和编码精度。(4)采用非标准的遗传操作算子。(5)采用并行算法。3. 基于改进遗传算法的AGC机组优化组合3.1 传统的机组组合模型机组优化组合问题包含了机组运行约束及常规的运行约束。在一个调度周期内，根据负荷变化的曲线图，分时段迸行计算。其数学模型的目标函数为一个调度周期内发电厂煤费用总和最小，其约束包含功率平衡方程、经济运行要求和机组运行约束。假设系统中有N台可运行机组，各时段的总负荷为，机组的功率储备为，并且假设电能损耗已经被包括在总负荷以及机组
44、的功率储备中。3.1.1 目标函数 要求系统在T小时段中各机组的总费用为最小，目标函数可写为 （3-1）式中：机组i在时段t的功率变量。 发电机组数 第i台机组的发电费用，一般采用二次型，即其中为机组i的运行费用特性参数。 T机组的运行总时间。 t机组的运行时间参数。 机组i在时段t时段内的状态，仅设0，1两个值，=1表示运行态，=0表示停运状态。 机组启动费用，它与机组所建立的数学模型有关分为两类：a) 冷却启动机组从冷却状态启动，启动费用与停机时间t的长短有关。其地洞费用可表示为： （32）式中：第i台机组锅炉冷启动费用；第i太机组启动费用常数；机炉的热时间常数；机组停役小时数。b) “压
45、火”启动机组从“压火”启动，其启动费用可表示为； （33）式中：压火1h所需的起动费用。3.1.2 约束条件对于以上要求系统中各机组的总费用为最小机组优化问题，实际上存在一定的约束条件，具体如下：a)功率平衡约束电网系统的功率平衡方程为： i=1,2,N t=1,2,T (34)表示调度中心下达给发点厂的t时段负荷。根据物理规律，上式在任何条件下绝对成立。b) 旋转备用约束根据电力系统安全性的考虑，电网应该具有抗拒突发事件的能力，发电机组的输出功率在任何时候都应该有一定量的备用，因此在下面引入旋转备用约束不等式： i=1,2,N t=1,2,T (35)其中：工作机组能够提供的最大功率。表示调度中心下达给发电厂的t时段负荷。时段t系统所需功率储备。c) 机组容量约束在实际系统中，发单机的输出功率在范围都是有一定限制的，于是就存在以下几组容量约束不等式： i=1,2,N (36)第i台机组发电机功率的下限。第i台机组发电机功率的上限。d) 机组最小连续停运和连续运行小时数约束在发电机的运行中，发电机作为一种机器，考虑到发电机的使用寿命和运行安全性等因素，在不允许发电机在短时间内连续不断的多次启动和停止。于是在本文研究的周期内，就存在以下机组最小停运和连续运行小
