《基于遗传算法的电力市场日有功负荷优化调度.pdf》由会员分享，可在线阅读，更多相关《基于遗传算法的电力市场日有功负荷优化调度.pdf（85页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、东华大学硕士学位论文基于遗传算法的电力市场日有功负荷优化调度姓名：陈婵媛申请学位级别：硕士专业：电力电子与电力传动指导教师：王坚20070110基于遗传算法的电力市场日有功负荷优化调度基于遗传算法的电力市场日有功负荷优化调度摘要电力市场化是2 1 世纪全球电力工业发展的趋势，是近年来电力工业改革的方向。随着电力系统的迅速发展，电网向着大容量，超高压的联合电网发展，电力系统运行的经济性越来越为人们所重视，电力工业将从传统的运行管理机制向着电力市场运行管理机制转变，使全社会从电力市场的机制转变中获得更大的经济效益和社会效益。电力市场的运行目标是：在满足系统安全稳定运行的条件下，促进发电厂的竞争，以
2、发电成本，网损，辅助服务等方面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。总之，电力市场化的根本目的就是通过建立一个充满竞争和选择的电力工业运营环境以提高整个电力工业的经济效益和社会效益。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，可靠性与经济性相协调的目标是定位在一定的资源基础上的各方面综合效益的最大化。本文成功地将遗传算法的基本原理和方法应用于电力系统日有功负荷优化调度的运行中首先，在研究遗传算法(G e n e t i cA l g o r i t h m,G A)的基础上，本文提出一种应用改进的遗传算法来求解电力系统
3、经济负荷分配的新方法，就是在给定的系统运行方式下，基于遗传算法的电力市场日有功负荷优化调度在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)，由此来节约能源。同时，给电厂带来巨大的经济效益。本文建立了电力系统经济负荷分配的模型，在约束条件中考虑了传统算法中通常省略或者简化了的网络损耗的条件。文中对遗传算法参数的编码与译码，初始群体的设定，适应度函数的建立，以及遗传操作和关键参数的确定，都进行了详尽的论述，对于启发式的传统算法和应用于电力系统优化调度的其他的一些智能算法进行了比较，并分别从适应度函数值的标定和增加群体多样性两方面着手解决，在提高算法的收敛速度，防止早熟收敛现
4、象上作了极大的改善。最后通过运算实例证明，运用改进的遗传算法能够求解具有复杂约束条件下的非线性优化问题，适合该问题的求解。与传统的迭代法和一般遗传算法相比，该算法编程简洁，搜索速度快，求解精度高，易于掌握，是解决电力系统经济负荷分配问题的有效手段。本文在用遗传算法解决电力系统经济负荷分配问题的基础上，针对电力市场的特点，提出了一种更适合于现实背景的新的日有功负荷多目标优化分配的策略，该策略同时考虑了发电燃料总耗量，有害气体N O x 的排放量和电网收益等三个目标，兼顾了市场各方利益和环境保护文中建立了三目标优化的模型，并将其应用到山西电网高平县五个发电厂的日有功负荷的模拟优化调度中去。三个目标
5、函数通过改进后的层次分析法加权，或者模糊决策的方法，转化成为单目标问题，最后采用改进的遗传算法求解。运算结果表明了该模型的正确性和优越性，该策略对可持续发展战略和电力市场日交易合同的制定具有重基于遗传算法的电力市场日有功负荷优化调度要的现实意义。关键词：电力系统；日有功负荷分配；改进的遗传算法；权重；层次分析法；多目标优化磁基于遗传算法的电力市场日有功负荷优化调度O p t i m i z e dG e n e r a t i o nD i s p a t c h i n gi nP o w e rM a r k e tB a s e do nG e n e t i cA l g o r i
6、t h mA B S T R A C TM a r k e t-o r i e n t a t i o no fe l e c t r i cp o w e ri st h et r e n d so fg l o b a lp o w e ri n d u s t r yd e v e l o p m e n ta n di n n o v a t i o na sw e l l W i t ht h er a p i dd e v e l o p m e n to fe l e c t r i cp o w e rs y s t e ma n dl a r g ec a p a c i t
7、 y&h i g hv o l t a g ep o w e rn e t w o r k,p e o p l ea r em o r ea n dm o r ec o n c e r n e da b o u tt h ee c o n o m i cb e n e f i t so fp o w e rs y s t e mo p e r a t i o n T h ep o w e ri n d u s t r yw i l ls h i f tf i o mt r a d i t i o n a lm a n a g e m e n tt om a r k e tm a n a g e
8、 m e n t,w h i c hO a nb r i n gm o r eT h et a r g e t so fp o w e rm a r k e to p e r a t i o n sa r e p r o m o t ec o m p e t i t i o nb e t w e e np o w e rp l a n t s，o p t i m i z ec o s t s，m a k ed a i l yp l a n s，s a v ee n e r g y,p r o t e c te n v i r o n m e n te t c o nt h eb a s i s
9、o fs a f ea n ds t a b l ep o w e rs y s t e mI naw o r d,t h ed e p e n d a b l ea n de c o n o m i c a la i mo fm o d e r np o w e rm a r k e to p t i m i z a t i o ni sm o r ea n dm o r eo r i e n t e di nt h eu t i l i z i n gd e f i n i t er e s o u r c ea n dc r e a t i n gm a x i m u mb e n e
10、 f i t st h a na n y t h i n ge l s e 一墨三望堡兰鎏箜皇垄叟丝旦塑垫垒堕垡垡塑壅-_ _-_ _ _ _ _-_ _ _-_ l l-_ _ _ _ l-_-_-_ 一一一。T h i sa r t i c l ea p p l i e st h eb a s i cp r i n c i p a l sa n dm e t h o d so fg e n e t i ca l g o r i t h m(G A)t ot h eo p e r a t i o no fo p t i m i z e dd a i l ya c t i v ep o w e
11、 rd i s p a t c h F i r s to fa l l，t h ea r t i c l ep r o p o s e san e ww a yo fp o w e rd i s p a t c hw i t ht h ea p p l i c a t i o no ft h ei m p r o v e dG A,t h a ti s，e s t a b l i s h i n gp r o p e ra l l o c a t i o na m o n gg e n e r a t i n gs e t st oa c h i e v em i n i m u mc o s
12、 t sa n dm a x i m u mb e n e f i t s S e c o n d l y,t h ea r t i c l es e t su pt h em o d e lo fe c o n o m i cl o a dd i s p a t c h(E L D)，t a k i n gi n t oc o n s i d e r a t i o no fn e t w o r kl o s s T h i r d l y,t h ea r t i c l eh a sad e t a i l e de l a b o r a t i o no fc o d i n g
13、d e c o d i n g，p o p u l a t i o ni n i t i a l i z a t i o n,f i t n e s sf u n c t i o ne s t a b l i s h m e n ta n dd e t e r m i n a t i o no fg e n e t i co p e r a t i o na n dk e yp a r a m e t e r I ta l s oc o m p a r e sd i f f e r e n tm e t h o d so fo p t i m i z e dd i s p a t c hb a
14、 s e do ng e n e t i ca l g o r i t h ma n dh e u r i s t i ct e c h n i q u e，i n c r e a s e sc o m p u t a t i o n a lr a t ea n da v o i d sp r e m a t u r ec o n v e r g e n c eb ye n a c t i n gt h ef i t n e s sf u n c t i o na n di n c r e a s i n gp o p u l a t i o nv a r i e t y S i m u l
15、a t i o nr e s u l t ss h o wt h a t t h i si m p r o v e dG AC a l lb eu s e dt os o l v et h ec o m p l i c a t e d,n o n l i n e a r,c o n s t r a i n e do p t i m i z a t i o np r o b l e m s C o m p a r i n gw i t ht r a d i t i o n a lm e t h o da n dc o n l n l o nG A,t h i si m p r o v e dG
16、Ai sn o to n l yf a s tb u ta l s os i m p l e，e f f e c t i v ea n de a s yt ob ew e l la p p l i e dt os o l v eE L Dp r o b l e m A tt h e 鞠t n l et i m e，i nv i e wo ft h ec h a r a c t e r i s t i c so fe l e c t r i cp o w e rm a r k e t,t h ea r t i c l ep r o p o s e san e ws t r a t e g yo
17、fm u l t i-o b j e c t i v ed a i l ya c t i v ep o w 6 rd i s p a t c h,蛐i n t oc o n s i d e r a t i o no ft o t a lf u e lc o n s u m p t i o n,N O xe m i s s i o n,g r i dp r o f i ta n de n v i r o n m e n tp r o t e c t i o na sw e l l T h r o u g hw e i g h tv a l u et ot h r e eo b j e c t i
18、 v ef u n c t i o n sb yA H P(a n a l y t i ch i e r a r c h yp r o c e s s)o r基于遗传算法的电力市场日有功负荷优化调度f u z z yo b j e c t i v em e m b e r s h i pd e f i n i t i o n，t h em u l t i o b j e c t i v ep r o g r a m m i n gp r o b l e mi sr e f o r m u l a t e di n t on o n-l i n e a rs i n g l eo b j e c
19、 t i v ep r o g r a m m i n gp r o b l e m W i t hi m p r o v e dG A，t h ec o r r e c t n e s sa n da d v a n t a g eo ft h em o d e la r ep r o v e db yt h er e s u l t so fc a l c u l a t i o ne x a m p l e s T h i sm o d e lw a su s e da d v a n t a g eo ft h i sm e t h o dw h i c hi ss i g n i f
20、 i c a n tf o rs u s t a i n a b l ed e v e l o p m e n ti ne l e c t r i cp o w e rm a r k e t C h e n c h a n y u a n(P o w e rE l e c t r o n i c sa n dP o w e rT r a n s m i s s i o n)S u p e r v i s e db yA s s o c i a t eP r o f W a n g j i a nK E YW O R D S：d a i l ya c t i v ep o w e rd i s
21、p a t c h；g e n e t i ca l g o r i t h m；p o w e rs y s t e m s；w e i g h tv a l u e；a n a l y t i ch i e r a r c h yp r o c e s s；o p t i m i z a t i o n东华大学学位论文原创性声明本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已明确注明和引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对所写的内容负责，并完全意识到本
22、声明的法律结果由本人承担。学位论文作者签名：嘲日期：pJ 7 年；月3 日东华大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、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，允许论文被查阅或借阅。本人授权东华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。保密口，在年解密后适用本版权书。本学位论文属于不保密口。学位论文作者签名：科缒日期：加7 年弓月多E l指导教师签名：万孥日期：唧年弓月弓E l基于遗传算法的电力市场日有功负荷优化调度1 1 课题研究背景和意义I,I 1 电力系统的
23、简介第一章绪论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
24、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n 1，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基于遗传算法的电力市场日有功负荷优
25、化调度1 1 2 我国目前电力工业行业的状况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3 4 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。，(2-2)上式表明，离线性能是特定时刻最佳性能的积累平均。具体来说，在进化过程中基于遗传算法的电力市场日有功负荷优化调度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
26、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(o p t i m a ls o l u t i o n)1 4 19 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n 目：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
27、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评估。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基于遗传算法的电力市场日有功负荷优化调度3 不需要辅助信息。遗传算法仅用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
28、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
29、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n 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p a r e t o 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。基于遗传算法的电
30、力市场日有功负荷优化调度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
31、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。遗传算法与爬山法的比较爬山法是直接法，梯度法和H e s s i a n 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
32、产生一系列的基于遗传算法的电力市场日有功负荷优化调度点收敛到最优解(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。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，但是通常的穷举法并不是完全的穷举法，即不
33、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。遗传算法和其他的搜索方法的关系遗传算法作为一种新兴的优化方法，它也与其它某些搜索方法有着明显的关联关
34、系。5 遗传算法与蚁群算法(A n tC o l o n yO p t i m i z a t i o n，A C O)n 力基于遗传算法的电力市场日有功负荷优化调度蚁群算法(A n tC o l o n yO p t i m i z a t i o n，A C O)模拟蚂蚁的群体行为，由D o r i g o等人提出。h C O 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
35、。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。n 日6 遗传算法和模拟退火法(S i m u I a t eA n n e a IA r i t h a t i c，S M)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
36、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(O h a o t i oO p t i m i z a t i o nA l g o ri t l 硼s e O A)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。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(C h a o t i
37、 cN e u r a lN e t w o r k C N N)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。基于遗传算法的电力市场日有功负荷优化调度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；采用遗传灾变算法D 帕：采用适应度比例机制和
38、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，适合问题特性的编码技术等。(2)采用混合遗传算法
39、(H y b r i dG e n e t i cA l g o r i t h m)嘲(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)采用并行算法基于遗传算法的电力市场日有功负荷优化调度在许多资料中都介绍了七种改进的遗传算法乜1 1：分层遗传算法C H C 算法M e s s y 遗传算法自适应遗传算法(A d a p t i v eG e n e t i cA l g o r i t h m)基于小生境技术的遗传算法(N i c h e dG e n e t i cA l g o r i t h m，简N G A)并行遗传算法(P a
40、 r a l l e lG e n e t i cA l g o r i t h m)混合遗传算法2 4 2 遗传算法的改进遗传算法中包含如下5 个基本要素：参数编码，初始群体的设定，适应度函数的设计操作设计和控制参数设定。这5 个要素构成遗传算法的核心内容。接下来将从以下几个方面来讨论对标准的遗传算法的改进：1 初始群体的产生初始群体的特性对计算结果和计算效率均有重要影响要实现全局最优解，初始群体在解空间中应尽量分散。标准遗传算法是按预定或随机方法产生一组初始解群体，这样可能导致初始解群体在解空间分布不均匀，从而影响算法的性能。要得到一个好的初始群体，可以将一些实验设计方法，如均匀设计或正交
41、设计嘲与遗传算法相结合。其原理为：首先根据所给出的问题构造均匀数组或正交数组，然后执行如下算法产生初始群体：(1)将解空间划分为S 个子空间；(2)量化每个子空间，运用均匀数组或正交数组选择M 个染色体哦；(3)从M X S 个染色体中，选择适应度函数最大的N 个初始群体；)l234567，k，k，L，L，一，基于遗传算法的电力市场日有功负荷优化调度这样可以保证初始群体在解空间内均匀分布。另外，初始群体的各个个体之间应该保持一定的距离，并定义相同长度的以某一常数为基的两个字符串种对应位不同的数量为两者间的广义海明距离。要求入选群体的所有个体之间的广义海明距离陶1 必须大于或等于某个设定值。初始
42、群体采用这种方法产生能保证随即产生的各个个体间有较明显的差别，使它们能均匀分布在解空间中，从而增加获取全局最优解的可能。2 选择算子的改进在标准遗传算法中，常根据个体适应度大小采用“赌轮选择一选择策略。该策略虽然简单，但容易引起“早熟收敛刀和“搜索迟钝一踟问题。有效解决方法是采用有条件最佳保留策略，即有条件地将最佳个体直接传递到下一代或者少等同于前一代，这样能有效地防止“早熟收敛一。也可以使用遗传一灾变算法嘲，即在遗传算法的基础上，模拟自然的灾变现象，提高遗传算法的性能。当判断连续数代最佳染色体没有任何进化，或者各个染色体己过于近似时，即可实行灾变。灾变的方法很多，可以突然增大变异概率或对不同
43、个体实施不同规模的突变，以产生不同数目的大量后代等。用灾变的方法可以打破原有的基因的垄断优势，增加基因的多样性，创造有生命力的个体。遗传算法重要参数的选择遗传算法中需要选择的参数主要有：染色体长度l，群体规模n，交叉概率一和变异概率己等，这些参数对传算法的性能影响也很大染色体长度的选择对二进制编码来说取决于特定问题的精度，存在定长和变长两种方式群体规模通常取2 0-3 0 0。一般来说，求解问题的非线性越大，n 选择就应该越大交叉操作和变异操作是遗传算法中两个起重要作用的算子通过交叉和变异，以对相互配合又相互竞争的算子使其搜索能力得到飞速提高。交叉操作的作用是组合交叉两个个体中有价值的信息产生
44、新的后代，它在群体进化期间大大加快了搜索速度；变异操作的作用是保持群体中基因的多样性，偶然，次要的(交叉率取很小)起基于遗传算法的电力市场日有功负荷优化调度辅助作用。在遗传算法的计算过程中，根据个体的具体情况，自适应地改变，乞的大小，将进化过程分为渐进和突变，弱变异，强化优势型选择算子；突变阶段弱分叉，强变异，弱化优势型选择算子。这样对提高算法的计算速度和效率是有利的。自适应参数的调整方案如下：6=l m f 式中，厶为某代中最优个体适应度，7 为此代平均适应度。4 适应度函数设计(2-3)遗传算法中采用适应度函数值来评估个体性能并指导搜索，基本不用搜索空间的知识，因此，适应度函数的选取相当重
45、要。性能不良的适应度函数往往会导致“骗一的问题。适应度函数的选取标准是：规范性(单值，连续，严格单调)，合理性(计算量小)，通用性，Y a s i l i e sR e t r i d i s 提出在解约束优化问题时采用变化的适应度函数的方案，用来指导遗传搜索。在那些具有许多约束条件而导致产生一个复杂搜索超平面的问题中，该方案能明显地以较大的概率找到全局最优解。进化过程中动态调整子代个体遗传算法要求在进行过程中保持群体规模不变。但为了防止早熟收敛，在进化过程可对群体中的个体进行调整，包括引入移民算子嘲，过滤相似个体，动态补充子代新个体等。移民算子是避免早熟的一种好方法在移民的过程中不仅可以加速
46、淘汰差的个体，而且可以增加解的多样性所谓的移民机制，就是在每一代进化过程中以一定的淘汰率(一般取1 5 铲_ 2 0)将最差的个体淘汰。然后用产生的新的个体代替基于遗传算法的电力市场日有功负荷优化调度为了加快收敛速度，可采用滤除相似个体的操作，减少基因的单一性。删除相似个体的过滤操作为：对子代个体适应度排序，依次计算适应度差值小于门限d e l t a 的相似个体间的广义海明距离。如果同时满足适应度差值小于门限d e l t a，广义海明距离小于门限d，就滤除其中适应度较小的个体。d e l t a，d 应适当选取，以提高群体多样性。过滤操作后需要引入新个体。从试验测试中发现，如果采用直接随机
47、生成的方式产生新个体，适应度值都太低，而且对算法的全局搜索性能增加并不显著(例如，对于多峰函数很难跳出局部最优点)。因此，可使用从优秀的父代个体中变异产生的方法。该方法将父代中适应度较高的皿个个体随机进行若干次变异，产生新个体，加入子代对个体。这些新个体继承了父代较优个体的模式片断，并产生新的模式，易于与其他个体结合生成新的较优子代个体嘲而且增加的新个体的个数与过滤操作删除的数量有关。如果群体基因单一性增加，则被滤除的相似性个体数目增加，补充的新个体数目随之增加；反之，则只少量滤除相似个体，甚至不滤除，补充的新个体数目也随之减少。这样，就能动态解决群体由于缺乏多样性而陷入局部解的问题。6 小范
48、围竞争择优的交叉，变异操作从加快收敛速度，全局搜索性能两方面考虑，受自然界中家庭内兄弟问竞争现象的启发，加入小范围竞争，择优操作嘲。其方法是：将某一对父母A，B 进行i l 次(3-5 次)交叉，变异操作，生成2 n 个不同的个体，选出其中一个最高适应度的个体，送入子代对个体中反复随机选择父母对，直到生成设定个数的子代个体为止这种方法实质是在相同父母的情况下，预先加入兄弟间的小范围竞争机制。另一方面，在遗传算法中，一对父母X，Y 经遗传算法操作后产生一对子代个体x y l，x y 2，x l y,x 2 y，随后都被放入子代对个体，当进行新轮遗传操作时，x y l，x l y 可能作为新的父母
49、对进行交叉配对，即。近亲繁殖一而加入小范围竞争择优的交叉，变异操作，减少了在下一代中出现这一问题的几率。基于遗传算法的电力市场日有功负荷优化调度2 5 多目标优化问题中的遗传算法解决多目标和多约束的优化问题称为多目标优化(M u l t i o b j e c t i v eO p t i m i z a t i o n)问题啪1。在实际应用中，工程优化问题大多数是多目标优化问题，有时需要使用多个目标在给定区域上都可能达到最优的问题，目标之间一般都是会相互冲突的。例如本文第四章中所解决的日有功负荷多目标分配的优化调度，三个目标，发电燃料总耗量和有害气体N O x 排放量要越小越好；电网收益在各
50、电厂上网电价和售出电价已经通过上日制定的交易合同确定的前提下，考虑加强电网建设，则电网收益要越大越好，要使该模型的解使得所有的目标函数的值都达到最优，显然，实际应用中并不存在这样的解。因此，实际多目标优化问题中要求解的是一个P a r e t o 最优解，即能够使目标函数中的各个子目标函数都尽可能达到极小化的解，它只是问题的一个可以接受的“非劣解，并且一般多目标优化实际问题都存在多个P a r e t o 最优解。对于求解多目标优化问题的P a r e t o 最优解，目前已有多种基于遗传算法的求解方法，下面概述几种常用的求解思想：一个多目标优化如果存在非劣解，往往存在无穷多个，形成非劣解集。