遺傳算法在電力系統電源規劃中的應用課件

遺傳算法在電力系統電源規劃中的應用

報告人：報告時間：2012年11月13日遺傳算法在電力系統電源規劃中的應用

報告人：內容①電源規劃簡介②電源規劃的難點③基于遺傳算法的電源規劃模型④算例⑤一些問題內容①電源規劃簡介一、電源規劃簡介電源規劃是電力系統發展規劃的重要組成部分。隨著電力負荷的不斷增長，系統規模和單機容量的不斷增大，以及機組類型采用一次能源的多樣化，使得電源結構日趨復雜，并且電源規劃涉及巨額投資，對其它行業的發展有著重大影響。因此，在這種情況下，如何合理地確定電源結構，如何協調和有效地利用各種類型的電源，已成為一個迫切需要解決的問題。電力系統電源規劃要解決的核心問題是確定在規劃期內何時、何地、興建何種類型、多大容量的發電廠，以最佳的方式滿足電力負荷發展的需求。即尋求規劃期內滿足電力負荷增長需求和各種約束條件及技術經濟指標的國民經濟總支出最小的電源建設方案。一、電源規劃簡介電源規劃是電力系統發展規劃的重要組成部分。隨考慮能源分區平衡的的電源規劃模型從系統整體出發，將已有的、指令性新建的、退役和待選的水電、火電、核電和抽水蓄能電廠等作為一個整體，應用現代優化技術和人工智能技術，在整個時間序列上做動態優化，求出在規劃期內整個時間序列上最優的電源建設方案，在優化模型中除充分發揮水電資源在系統中的作用外，還考慮課系統內能源分區平衡和電力分區平衡等問題。考慮能源分區平衡的的電源規劃模型電源規劃的最優方案指在眾多的互斥方案同樣滿足電力系統負荷增長的需求和各種約束條件下，考慮了能源分區平衡和電力分區平衡，使國民經濟總支出最小的方案。電源規劃的最優方案二、電源規劃的難點電源規劃主要由電源投資決策和隨機生產模擬兩部分構成，前者是確定系統的電源結構，裝機容量和裝機進度；后者是確定發電費用及相關的技術經濟指標。電源規劃模型主要是圍繞這兩部分內容進行構造形成的。此外，再考慮輸電系統的協調和影響，這使得電源規劃工作變得非常復雜，在其數學模型上所表現出的高維數，非線性及隨機性等特點十分突出。(1)高維數，主要表現在要處理各種類型的機組；待求的增加容量及臺數；各年的電源建設過渡問題等。因此在規劃中將構成相當多的決策變量，這種高維數的情況一般很難由運籌學中的典型算法求解。

(2)非線性，對機組的投資和年運行費用，在考慮資金時間價值下則均不是決策變量的線性函數；另外一些約束條件，如可靠性約束等也屬于非線性的關系。因而電源規劃在進行優化設計時，其模型實質是非線性的。

(3)

隨機性，在電源規劃中的一些基礎數據，如負荷預測值；燃料價格；基準貼現率等都包含不確定性因素，這樣在尋找最優規劃方案時，就需要進行一系列的靈敏度分析加以論證。二、電源規劃的難點電源規劃主要由電源投資決策和隨機生產模擬兩動態規劃DP是解決多階段決策過程最優化問題的一種數學方法。它把多變量的復雜問題進行分階段決策，變為求解多個單變量的問題。電力系統電源規劃問題就是一個以年（或月）為階段、隨負荷不斷增長而逐年發展壯大的動態問題，要尋求在整個規劃期內的電源最優規劃方案，實質上是一個多階段動態決策問題，因此，原先的電源規劃問題最常用的方法就是動態規劃。不過，利用動態規劃方法，有維數災的問題，隨著待求變量的增多，其計算工作量很大，并且耗時會增加。動態規劃DP三、基于遺傳算法的電源規劃1、原理框圖三、基于遺傳算法的電源規劃1、原理框圖2、染色體編碼與解碼采用動態模版十進制染色體編碼法。其編碼方法：設某系統包括6個待選發電廠，編號分別為1~6，初始模版Plate=123456.若待建發電廠的投入次序依次為452613，則其染色體編碼過程為：首先投入發電廠為4，對應出事Plate的第四位，故染色體首位編碼為4，即Code=4XXXXX;從初始Plate中去掉發電廠4后，Plate=12356。接著投入發電廠5，對應當前Plate中的第四位，故染色體第二位編碼也為4，Code=44XXXX；從當前Plate中去掉發電廠5后，Plate=1236。依此類推，發電廠2的編碼為2，發電廠6的編碼為3，發電廠1的編碼為1，發電廠3的編碼為1，即452613對應的染色體編碼為442311。2、染色體編碼與解碼3、初始種群的產生設電力系統待選電廠數為Nd個，則生成一個染色體的過程是：①令n=Nd，取n等于待選電廠數；②隨機產生1至n之間任一個整數I，記為該染色體中的一個相應基因段；③令n=n-1。若n=0，則已生成了初始種群中的一個染色體；否則，返回步驟②。重復上述操作，直至群體規模達到N個個體為止。3、初始種群的產生4、電力系統運行模擬運行模擬的基本任務是：根據系統的負荷需求和電廠資料，對種群中各個染色體在規劃期內逐年按月做電力電量平衡計算，確定該染色體中各待選電廠的工作位置和工作容量，校驗系統的電力電量平衡，計算各系統中各電廠的年發電量，燃料需求，水電棄水電量以及系統調峰容量等。遺傳算法在電力系統電源規劃中的應用ppt課件5、目標函數以及隸屬度函數電源規劃的目標是在滿足電力系統負荷增長的需要和各種約束條件下，使國民經濟總支出最小。模型的目標函數可表示為:T——規劃期OFi——種群中個體i的目標函數值Zit——個體i在規劃期t年新建各類電源及相應電網的投資等年值Uit——個體i在規劃期t年新建電源及相應電網的年固定運行費和系統的可變運行費Bit——個體i在規劃期t年新建電源除發電外的其他效益r——貼現率βk——懲罰系數PFik——個體i不滿足約束條件k的計算值5、目標函數以及隸屬度函數遺傳算法是一種根據適應度函數值的大小實現“優勝劣汰”的迭代算法，因此利用上式構造適應度函數AFi為N——種群規模由上式可知：目標函數OFi越小，相應的適應度函數AFi越大。并且，AFi滿足遺傳算法是一種根據適應度函數值的大小實現“優勝劣汰”的迭代算6、收斂判斷以個體總費用或適應度函數值作為判據，檢驗迭代過程的收斂性。若滿足收斂判據，則迭代過程結束，將當前種群中適應度函數值最大的個體制定為模型的最優解。否則，對當前種群的染色體進行遺傳操作，生成下一代種群，返回繼續執行迭代計算。6、收斂判斷7、遺傳操作（1）選擇采用賭輪法。（2）交叉采用一點交叉，注意交叉操作后必須對個體進行有效性檢查，以確定本次交叉操作的有效性。（3）變異采用一點按位變異操作，同樣也必須對變異后產生的染色體進行有效性檢查。（4）保留根據給定保留率，以上代若干最優個體直接復制到本代，隨機替換種群中某些個體，以保證本代的最優個體至少不會比上一代差。注意：在引入保留算子后，應適當增加變異率，減小選擇率，以避免種群中優秀個體過于集中，從而導致局部收斂。7、遺傳操作注意：四、算例采用文獻中所述的模型和常規動態規劃模型對某電力系統12個待建電源進行五年規劃的優化計算，優化結果列于表1。可看出：文獻模型和常規動態規劃模型的優化結果完全一致。這說明文獻所述的模型算法能夠可靠地收斂到全局最優解。四、算例采用文獻中所述的模型和常規動態規劃模型對某電力系統1表2給出基于遺傳算法的模型與動態規劃模型的計算速度。有表可見：遺傳算法模型的收斂速度與待建電源數成近似線性關系，而動態規劃模型則為指數關系。遺傳算法在電力系統電源規劃中的應用ppt課件五、一些問題

在閱讀文獻資料時，有幾個問題我還無法深入理解，在這里和大家一起探討一下：①編碼中，我們舉得事例都是待建電源數小于10的，那么當待建電源數大于等于10時，我們會發現編碼中存在位數無法辨別的問題。②文中提到，當某待建電廠包括多期工程時，編碼過程中可能會出現后期工程的投運超前當前工期的問題，他的解決方法是以動態模板為主模版，增加一個輔助模版用于記錄主模版對應電廠的工程分期數。編碼過程中，若該電廠無后續工程，則輔助模板對應為1，編碼處理方法與動態模板編碼方法相同；若