本發(fā)明涉及電力系統(tǒng)優(yōu)化調(diào)度領(lǐng)域，具體是用人工記憶分子動(dòng)理論優(yōu)化算法求解電力系統(tǒng)經(jīng)濟(jì)調(diào)度問題。

電力系統(tǒng)經(jīng)濟(jì)調(diào)度是在保證電網(wǎng)安全可靠運(yùn)行的基礎(chǔ)上，充分利用電網(wǎng)中現(xiàn)有的輸配電及變電設(shè)備，通過科學(xué)有效的方法，優(yōu)選變壓器、線路經(jīng)濟(jì)運(yùn)行方式，負(fù)載經(jīng)濟(jì)調(diào)配等，減少電力系統(tǒng)的損耗，最大程度實(shí)現(xiàn)能量利用最大化。

如今，電力市場(chǎng)變得高度競(jìng)爭(zhēng)，對(duì)能量需求的增加更加迫切。經(jīng)濟(jì)負(fù)載調(diào)度是現(xiàn)代能源管理體系運(yùn)行規(guī)劃中的有效方式之一。對(duì)減少生產(chǎn)成本和增加系統(tǒng)可靠性，經(jīng)濟(jì)負(fù)載調(diào)度在維持電力系統(tǒng)的經(jīng)濟(jì)性中起著至關(guān)重要的作用。

燃料成本和發(fā)電站的效率確定了產(chǎn)生電能的操作成本。從而，經(jīng)濟(jì)負(fù)載調(diào)度問題已成為電力系統(tǒng)運(yùn)行和規(guī)劃中的一項(xiàng)非常重要的任務(wù)。它的主要目標(biāo)是優(yōu)化可用單元之間的發(fā)電，從而使總發(fā)電成本在滿足系統(tǒng)所考慮的約束(所有等式和不等式約束)的同時(shí)最小化。

實(shí)際操作的經(jīng)濟(jì)負(fù)載調(diào)度問題應(yīng)考慮閥點(diǎn)效應(yīng)，斜率和多種燃料。一些基于導(dǎo)數(shù)的方法，如經(jīng)典優(yōu)化技術(shù),基于拉格朗日弛豫的方法，梯度法，線性規(guī)劃，協(xié)調(diào)方程等等。因?yàn)榻?jīng)濟(jì)負(fù)載調(diào)度問題存在非線性特性，如斜坡率限制，不連續(xù)禁止工作區(qū)和實(shí)際eld問題的非平滑成本函數(shù)，這些經(jīng)典優(yōu)化技術(shù)是不可行的，在實(shí)際系統(tǒng)中也無法找到全局最佳解決解。因此必須克服這些缺點(diǎn)，同時(shí)通過開發(fā)來處理這樣的困難，且穩(wěn)健可靠的技術(shù)。近年來，復(fù)雜的約束優(yōu)化問題通過許多人工智能方法解決，如hopfield神經(jīng)網(wǎng)絡(luò)(hnn)和自適應(yīng)hnn。這些技術(shù)已經(jīng)成功應(yīng)用于解決非凸，不平滑等經(jīng)濟(jì)負(fù)載調(diào)度問題。但是，由于這些方法過多的數(shù)值迭代，因此需要更可靠和快速方法。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)求解電力系統(tǒng)經(jīng)濟(jì)調(diào)度問題中所存在的困難和問題，本發(fā)明公開了一種用于電力系統(tǒng)經(jīng)濟(jì)調(diào)度問題的人工記憶分子動(dòng)理論優(yōu)化算法

本發(fā)明主要是通過如下方案所實(shí)現(xiàn)：

一種用于求解電力系統(tǒng)經(jīng)濟(jì)調(diào)度問題的人工記憶分子動(dòng)理論優(yōu)化算法；

在開始人工記憶分子動(dòng)理論優(yōu)化算法之前，首先對(duì)每個(gè)發(fā)電單元的的參數(shù)進(jìn)行初始化，包括機(jī)組數(shù)n，系統(tǒng)的負(fù)載功率pd，發(fā)電系統(tǒng)單元的燃料成本函數(shù)的系數(shù)ai，bi和ci，發(fā)電系統(tǒng)單元考慮閥點(diǎn)效應(yīng)的系數(shù)di和ei，以及發(fā)電單元功率負(fù)載的最小值pimin和最大值pimax。

人工記憶分子動(dòng)理論優(yōu)化算法的實(shí)施過程如下：

初始化種群，賦予個(gè)體記憶值；

計(jì)算目標(biāo)函數(shù)的個(gè)體適應(yīng)值；

通過模擬記憶原理的外部刺激，依據(jù)記憶更新模型和遺忘模擬，將種群分為長(zhǎng)時(shí)、短時(shí)、瞬時(shí)、遺忘四大類；

通過精英選擇策略，隨機(jī)選取一個(gè)精英；

依據(jù)個(gè)體所滿足的條件，依次按照引力、斥力、不受力等方式進(jìn)行引導(dǎo)搜索，并對(duì)最優(yōu)個(gè)體解進(jìn)行保留。

本發(fā)明的技術(shù)效果在于：利用人工記憶分子動(dòng)理論優(yōu)化算法的高效性和快速收斂性，來解決負(fù)荷在發(fā)電機(jī)組的分配問題，降低系統(tǒng)的發(fā)電成本，以提高經(jīng)濟(jì)性。

附圖說明

圖1是記憶過程模型圖；

圖2是人工記憶分子動(dòng)理論優(yōu)化算法的流程圖；

具體實(shí)施方式：

下面結(jié)合附圖，對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明。

如圖1所示，該模型為該新型方法的啟發(fā)模型，它的記憶過程的主要原理為：當(dāng)人體的感覺器官接受外部刺激，接收外部信息之后，會(huì)對(duì)外部事物產(chǎn)生一個(gè)直觀印象而產(chǎn)生一個(gè)瞬時(shí)記憶，如果經(jīng)過一段時(shí)間的努力或者刻意的記憶，人就可以將這一事物記住形成一個(gè)短時(shí)記憶，但這些記憶是短暫的、不牢固的，會(huì)產(chǎn)生大量的遺忘，如果再次經(jīng)過處理和記憶，人可能將其永遠(yuǎn)的記住這就形成了長(zhǎng)時(shí)記憶,當(dāng)然它也會(huì)小概率的遺忘。

圖2為人工記憶分子動(dòng)理論優(yōu)化算法求解電力系統(tǒng)經(jīng)濟(jì)負(fù)載調(diào)度的流程圖。首先對(duì)算法中所需要的模型和公式進(jìn)行闡述，即電力系統(tǒng)經(jīng)濟(jì)負(fù)載調(diào)度的目標(biāo)函數(shù)及約束條件。

總成本函數(shù)：

不帶閥點(diǎn)效應(yīng)的成本函數(shù)：

fi(pi)＝aipi²+bipi+ci(2)

帶閥點(diǎn)效應(yīng)的成本函數(shù)：

fi(pi)＝aipi²+bipi+ci+|disin(ei(pi,min-pi))|(3)

其中ai，bi和ci為第i組發(fā)電機(jī)組燃料成本函數(shù)的系數(shù)，di和ei第i組發(fā)電機(jī)考慮閥點(diǎn)效應(yīng)的系數(shù)。

電力系統(tǒng)經(jīng)濟(jì)負(fù)載調(diào)度的約束條件：

①第i個(gè)發(fā)電單元功率負(fù)載約束：

pi,min≤pi≤pi,max,i＝1,2,...,n(4)

其中，pi,min，pi,max分別為第i個(gè)發(fā)電單元功率負(fù)載的最小值和最大值；

②爬坡率：

-lri≤pi-pi,0≤uri(5)

其中-lri和uri分別為最小下坡率和最大上坡率；

③工作禁區(qū)約束：

其中，pi,k(l)和pi,ki(u)是第i個(gè)發(fā)電單元工作禁區(qū)邊界的上限和下限。

④功率平衡約束：

其中，pd是系統(tǒng)的負(fù)載功率，pl是線性損耗功率。

如圖2所示，求解電力系統(tǒng)經(jīng)濟(jì)負(fù)載調(diào)度的人工記憶分子動(dòng)理論優(yōu)化算法的具體實(shí)現(xiàn)步驟如下：

步驟1：對(duì)算法的參數(shù)初始化，生成隨機(jī)種群，給予每個(gè)粒子一個(gè)初始位置和初始速度，同時(shí)賦予每個(gè)個(gè)體記憶初始值；

步驟2：依據(jù)上面所闡述的目標(biāo)函數(shù)和約束條件(1)～(7)，計(jì)算每個(gè)個(gè)體的適應(yīng)值；

步驟3：模擬記憶原理，給予一個(gè)人工外部刺激，依據(jù)記憶模型(8)更新記憶值；

記憶模型如下所述，依據(jù)效果好壞將外部刺激分為典型刺激和普通刺激。如果個(gè)體移動(dòng)到一個(gè)新的更好位置,則表明是有利于搜索全局最優(yōu)解的好事件。它將被視為典型刺激且記憶值增大。相反,它也將視為普通刺激。其更新模型如下：

其中，mi^t為t時(shí)刻的記憶值，f(xi^t)是t時(shí)刻的目標(biāo)函數(shù)值，h(h>0)是刺激調(diào)節(jié)系數(shù)，其取值根據(jù)具體情況而定；

步驟4：將更新的記憶值與0進(jìn)行比較，如果為0，則表示遺忘，隨機(jī)移動(dòng)個(gè)體已期待某一時(shí)刻被想起；反之，如果不為0，則依據(jù)記憶值分類標(biāo)準(zhǔn)(9)將個(gè)體依次劃分為長(zhǎng)時(shí)、短時(shí)、瞬時(shí)記憶庫(kù)；

其中i、s、l分別瞬時(shí)、短時(shí)、長(zhǎng)時(shí)記憶，ms,ml均為記憶臨界值。

步驟5：根據(jù)記憶遺忘模型(10)再次對(duì)記憶值進(jìn)行更新，將更新的記憶值與0進(jìn)行比較，如果為0，則表示遺忘，隨機(jī)移動(dòng)個(gè)體已期待某一時(shí)刻被想起；反之，如果不為0，則依據(jù)記憶值分類標(biāo)準(zhǔn)(9)將個(gè)體依次劃分為長(zhǎng)時(shí)、短時(shí)、瞬時(shí)記憶庫(kù)；

記憶遺忘更新模型如下：由于記憶均會(huì)隨著時(shí)間的流逝而減弱，同時(shí)記憶值也會(huì)減小，故模擬記憶原理，根據(jù)艾賓浩斯遺忘曲線計(jì)算記憶值的更新模型。根據(jù)當(dāng)前個(gè)體的記憶狀態(tài)是為長(zhǎng)時(shí)還是短時(shí)、瞬時(shí)，選擇合適遺忘因子δ(δ＞0)，對(duì)記憶進(jìn)行更新。

步驟6：根據(jù)精英選擇策略(11)，隨機(jī)從長(zhǎng)時(shí)記憶庫(kù)中選擇一個(gè)精英個(gè)體對(duì)隨機(jī)個(gè)體進(jìn)行引導(dǎo)操作；

精英選擇策略模型如下：由于進(jìn)入長(zhǎng)時(shí)記憶庫(kù)的均為精英個(gè)體，隨機(jī)挑選一個(gè)對(duì)其他個(gè)體進(jìn)行引導(dǎo)，故能避免錯(cuò)誤引導(dǎo)，逃離避免局部最優(yōu)。其模型如(11)所示：如果目標(biāo)函數(shù)的適應(yīng)值越小，記憶值越大，則說明精英個(gè)體越好，其中θ為臨界值。

步驟7：根據(jù)上述策略所選出的精英，依據(jù)原分子動(dòng)理論優(yōu)化算法的判斷，個(gè)體所滿足的條件分別計(jì)算引力、斥力、擾動(dòng)加速度；

步驟8：計(jì)算個(gè)體的速度和移動(dòng)位置，并依據(jù)精英保留策略(12)和(13)對(duì)種群最優(yōu)個(gè)體進(jìn)行保存；

步驟9：判斷當(dāng)前迭代次數(shù)是否等于最大迭代次數(shù)，如果是，則結(jié)束算法運(yùn)行，反之，回到步驟2。