《遗传算法在电力系统电源规划中的应用ppt课件》由会员分享，可在线阅读，更多相关《遗传算法在电力系统电源规划中的应用ppt课件（19页珍藏版）》请在金锄头文库上搜索。
1、遗传算法在算法在电力系力系统电源源规划中的划中的应用用报告人： 报告时间：2012年11月13日内容电源规划简介电源规划的难点基于遗传算法的电源规划模型算例一些问题一、电源规划简介电源规划是电力系统发展规划的重要组成部分。随着电力负荷的不断增长，系统规模和单机容量的不断增大，以及机组类型采用一次能源的多样化，使得电源结构日趋复杂，并且电源规划涉及巨额投资，对其它行业的发展有着重大影响。因此，在这种情况下，如何合理地确定电源结构，如何协调和有效地利用各种类型的电源，已成为一个迫切需要解决的问题。电力系统电源规划要解决的核心问题是确定在规划期内何时、何地、兴建何种类型、多大容量的发电厂，以最佳的方
2、式满足电力负荷发展的需求。即寻求规划期内满足电力负荷增长需求和各种约束条件及技术经济指标的国民经济总支出最小的电源建设方案。考虑能源分区平衡的的电源规划模型考虑能源分区平衡的的电源规划模型从系统整体出发，将已有的、指令性新建的、退役和待选的水电、火电、核电和抽水蓄能电厂等作为一个整体，应用现代优化技术和人工智能技术，在整个时间序列上做动态优化，求出在规划期内整个时间序列上最优的电源建设方案，在优化模型中除充分发挥水电资源在系统中的作用外，还考虑课系统内能源分区平衡和电力分区平衡等问题。电源规划的最优方案电源规划的最优方案指在众多的互斥方案同样满足电力系统负荷增长的需求和各种约束条件下，考虑了能
3、源分区平衡和电力分区平衡，使国民经济总支出最小的方案。二、电源规划的难点电源规划主要由电源投资决策和随机生产模拟两部分构成，前者是确定系统的电源结构，装机容量和装机进度；后者是确定发电费用及相关的技术经济指标。电源规划模型主要是围绕这两部分内容进行构造形成的。此外，再考虑输电系统的协调和影响，这使得电源规划工作变得非常复杂，在其数学模型上所表现出的高维数，非线性及随机性等特点十分突出。(1) 高维数高维数，主要表现在要处理各种类型的机组；待求的增加容量及台数；各年的电源建设过渡问题等。因此在规划中将构成相当多的决策变量，这种高维数的情况一般很难由运筹学中的典型算法求解。(2) 非线性非线性，对
4、机组的投资和年运行费用，在考虑资金时间价值下则均不是决策变量的线性函数；另外一些约束条件，如可靠性约束等也属于非线性的关系。因而电源规划在进行优化设计时，其模型实质是非线性的。(3) 随机性随机性，在电源规划中的一些基础数据，如负荷预测值；燃料价格；基准贴现率等都包含不确定性因素，这样在寻找最优规划方案时，就需要进行一系列的灵敏度分析加以论证。动态规划动态规划DP是解决多阶段决策过程最优化问题的一种数学方法。它把多变量的复杂问题进行分阶段决策，变为求解多个单变量的问题。电力系统电源规划问题就是一个以年（或月）为阶段、随负荷不断增长而逐年发展壮大的动态问题，要寻求在整个规划期内的电源最优规划方案
5、，实质上是一个多阶段动态决策问题，因此，原先的电源规划问题最常用的方法就是动态规划。不过，利用动态规划方法，有维数灾的问题，随着待求变量的增多，其计算工作量很大，并且耗时会增加。三、基于遗传算法的电源规划1 1、原理框图、原理框图2 2、染色体编码与解码、染色体编码与解码采用动态模版十进制染色体编码法。其编码方法：设某系统包括6个待选发电厂，编号分别为16，初始模版Plate=123456.若待建发电厂的投入次序依次为452613，则其染色体编码过程为：首先投入发电厂为4，对应出事Plate的第四位，故染色体首位编码为4，即Code=4XXXXX;从初始Plate中去掉发电厂4后，Plate=
6、12356。接着投入发电厂5，对应当前Plate中的第四位，故染色体第二位编码也为4，Code=44XXXX；从当前Plate中去掉发电厂5后，Plate=1236。依此类推，发电厂2的编码为2，发电厂6的编码为3，发电厂1的编码为1，发电厂3的编码为1，即452613对应的染色体编码为442311。3 3、初始种群的产生、初始种群的产生设电力系统待选电厂数为Nd个，则生成一个染色体的过程是：令n= Nd，取n等于待选电厂数；随机产生1至n之间任一个整数I，记为该染色体中的一个相应基因段；令n=n-1。若n=0，则已生成了初始种群中的一个染色体；否则，返回步骤。重复上述操作，直至群体规模达到N
7、个个体为止。4 4、电力系统运行模拟、电力系统运行模拟运行模拟的基本任务是：根据系统的负荷需求和电厂资料，对种群中各个染色体在规划期内逐年按月做电力电量平衡计算，确定该染色体中各待选电厂的工作位置和工作容量，校验系统的电力电量平衡，计算各系统中各电厂的年发电量，燃料需求，水电弃水电量以及系统调峰容量等。5 5、目标函数以及隶属度函数、目标函数以及隶属度函数电源规划的目标是在满足电力系统负荷增长的需要和各种约束条件下，使国民经济总支出最小。模型的目标函数可表示为:T规划期OFi种群中个体i的目标函数值Zit个体i在规划期t年新建各类电源及相应电网的投资等年值Uit个体i在规划期t年新建电源及相应
8、电网的年固定运行费和系统的可变运行费Bit个体i在规划期t年新建电源除发电外的其他效益r贴现率k惩罚系数PFik个体i不满足约束条件k的计算值遗传算法是一种根据适应度函数值的大小实现“优胜劣汰”的迭代算法，因此利用上式构造适应度函数AFi为N种群规模由上式可知：目标函数OFi越小，相应的适应度函数AFi越大。并且， AFi满足6 6、收敛判断、收敛判断以个体总费用或适应度函数值作为判据，检验迭代过程的收敛性。若满足收敛判据，则迭代过程结束，将当前种群中适应度函数值最大的个体制定为模型的最优解。否则，对当前种群的染色体进行遗传操作，生成下一代种群，返回继续执行迭代计算。7 7、遗传操作、遗传操作
9、（1）选择 采用赌轮法。（2）交叉 采用一点交叉，注意交叉操作后必须对个体进行有效性检查，以确定本次交叉操作的有效性。（3）变异 采用一点按位变异操作，同样也必须对变异后产生的染色体进行有效性检查。（4）保留 根据给定保留率，以上代若干最优个体直接复制到本代，随机替换种群中某些个体，以保证本代的最优个体至少不会比上一代差。注意：注意： 在引入保留算子后，应适当增加变异率，减在引入保留算子后，应适当增加变异率，减小选择率，以避免种群中优秀个体过于集中，从小选择率，以避免种群中优秀个体过于集中，从而导致局部收敛。而导致局部收敛。四、算例采用文献中所述的模型和常规动态规划模型对某电力系统12个待建电
10、源进行五年规划的优化计算，优化结果列于表1。可看出：文献模型和常规动态规划模型的优化结果完全一致。这说明文献所述的模型算法能够可靠地收敛到全局最优解。表2给出基于遗传算法的模型与动态规划模型的计算速度。有表可见：遗传算法模型的收敛速度与待建电源数成近似线性关系，而动态规划模型则为指数关系。五、一些问题 在阅读文献资料时，有几个问题我还无法深入理解，在这里和大家一起探讨一下： 编码中，我们举得事例都是待建电源数小于10的，那么当待建电源数大于等于10时，我们会发现编码中存在位数无法辨别的问题。 文中提到，当某待建电厂包括多期工程时，编码过程中可能会出现后期工程的投运超前当前工期的问题，他的解决方法是以动态模板为主模版，增加一个辅助模版用于记录主模版对应电厂的工程分期数。编码过程中，若该电厂无后续工程，则辅助模板对应为1，编码处理方法与动态模板编码方法相同；若该电厂有后续工程，则对该电厂当前工程编码后，以该电厂后续工程编号置换主模板中当前工程的编号，并将辅助模板相应工程分期数减1，然后继续按动态模板法编码。 算例中有12个待建电厂，可是最后的结果中并未出现3,8,9这三个电源。The End The End ！Thank youThank you！
