針對水電站水庫優(yōu)化調(diào)度問題,提出了將改進(jìn)遺傳算法和混沌優(yōu)化相耦合的改進(jìn)混沌遺傳算法。該算法將混沌變量映射到優(yōu)化變量的取值范圍中,對混沌變量進(jìn)行編碼,表示成染色體,然后對其進(jìn)行選擇、交叉和變異,通過增加混沌擾動,不斷進(jìn)化收斂得到最優(yōu)解。實(shí)例計(jì)算并與其他方法比較表明,該算法在求解水電站優(yōu)化調(diào)度這樣的復(fù)雜非線性優(yōu)化問題時(shí),搜索效率高,收斂性能好,能以較快的速度收斂于全局最優(yōu)解,為水電站水庫優(yōu)化調(diào)度模型求解提供了一種新方法。

進(jìn)入二十一世紀(jì)以來，科技大發(fā)展，經(jīng)濟(jì)大發(fā)展。人們的生活越來越舒適、便捷的同時(shí)，隨之而來的一系列問題也十分明顯。環(huán)境的污染、能源的短缺，促進(jìn)了我國水電企業(yè)模型的改革，因?yàn)橹挥懈母锊拍苓m應(yīng)時(shí)代的變化，才能解決日益嚴(yán)峻的能源形勢。下面，我們將主要分析一下目前我國梯級水電站優(yōu)化調(diào)度模型與算法。

針對粒子群算法易陷入局部最優(yōu)的缺點(diǎn),提出了一種雙適應(yīng)度方法、動態(tài)鄰域算子和隨機(jī)動態(tài)調(diào)整慣性權(quán)重機(jī)制有機(jī)結(jié)合的混合改進(jìn)策略。算例計(jì)算表明,該改進(jìn)策略能增強(qiáng)粒子的局部收斂能力,加快算法的收斂速度,便于處理復(fù)雜約束條件,為求解具有復(fù)雜約束條件的非線性規(guī)劃問題提供了一種簡單有效的方法。文中探討了梯級水電站優(yōu)化調(diào)度的相關(guān)問題,考慮了豐枯分時(shí)電價(jià)因素,建立了梯級水電站長期優(yōu)化調(diào)度數(shù)學(xué)模型,并應(yīng)用改進(jìn)粒子群算法進(jìn)行求解。實(shí)際梯級水電站計(jì)算表明,該模型使枯水期大部分時(shí)間出力均勻平穩(wěn),豐水期能兼顧防洪和蓄水的不同要求,有利于電力系統(tǒng)的穩(wěn)定運(yùn)行。改進(jìn)粒子群算法計(jì)算速度快、收斂精度高,為梯級水電站長期優(yōu)化調(diào)度提供了一種簡單實(shí)用的求解方法。

重點(diǎn)分析了常規(guī)粒子群算法(particleswarmoptimization,pso)在水電站優(yōu)化調(diào)度應(yīng)用中存在的問題和出現(xiàn)的原因,并針對問題提出了相應(yīng)的解決方法,形成了基于粒子群算法的水庫優(yōu)化調(diào)度改進(jìn)應(yīng)用方法。改進(jìn)前后計(jì)算結(jié)果的對比分析表明,改進(jìn)后的粒子群算法可明顯提高求解水電站優(yōu)化調(diào)度問題的收斂速度和求解精度。

如今，廣大民眾對能源的需求量越來越高，但是我國的能源可用量卻越來越少，在這種情況下，對水、電能源結(jié)構(gòu)進(jìn)行調(diào)整是勢在必行的。其實(shí)，梯級水電站優(yōu)化調(diào)度已經(jīng)得到了廣大民眾的普遍關(guān)注．而本研究就將針對“梯級水電站優(yōu)化調(diào)度模型與算法研究”這一主題進(jìn)行詳細(xì)的闡述，使廣大民眾對這方面的內(nèi)容有一個(gè)更加全面且深入的了解。

進(jìn)入二十一世紀(jì)以來，科技大發(fā)展，經(jīng)濟(jì)大發(fā)展。人們的生活越來越舒適、便捷的同時(shí)，隨之而來的一系列問題也十分明顯。環(huán)境的污染、能源的短缺，促進(jìn)了我國水電企業(yè)模型的改革，因?yàn)橹挥懈母锊拍苓m應(yīng)時(shí)代的變化，才能解決日益嚴(yán)峻的能源形勢。下面，我們將主要分析一下目前我國梯級水電站優(yōu)化調(diào)度模型與算法。

如今，廣大民眾對能源的需求量越來越高，但是我國的能源可用量卻越來越少，在這種情況下，對水、電能源結(jié)構(gòu)進(jìn)行調(diào)整是勢在必行的。其實(shí)，梯級水電站優(yōu)化調(diào)度已經(jīng)得到了廣大民眾的普遍關(guān)注．而本研究就將針對“梯級水電站優(yōu)化調(diào)度模型與算法研究”這一主題進(jìn)行詳細(xì)的闡述，使廣大民眾對這方面的內(nèi)容有一個(gè)更加全面且深入的了解。

將遺傳算法用于解決水電系統(tǒng)短期發(fā)電優(yōu)化調(diào)度問題,利用改進(jìn)的遺傳算法初始編碼方式,結(jié)合最優(yōu)日調(diào)度權(quán)重系數(shù),構(gòu)造了水電站短期優(yōu)化調(diào)度的改進(jìn)遺傳算法模型,由于原始基因已經(jīng)具有了一定的規(guī)律性,所以模型具有計(jì)算速度快,結(jié)果準(zhǔn)確、合理,便于實(shí)際調(diào)度需求等特點(diǎn)。實(shí)例證明,該方法能夠求解復(fù)雜約束條件下的非線性優(yōu)化問題,算法編程簡潔,易于實(shí)現(xiàn),從而為分時(shí)電價(jià)應(yīng)用環(huán)境下的水電站短期發(fā)電優(yōu)化調(diào)度問題提供了一種有效的解決方法

在遺傳算法中為避免采用二進(jìn)制編碼時(shí)存在的編碼冗余問題,本文提出了一種基于十進(jìn)制整數(shù)編碼的改進(jìn)遺傳算法,并進(jìn)行水電站水庫優(yōu)化調(diào)度研究。用遺傳算法進(jìn)行水庫優(yōu)化調(diào)度計(jì)算可從多個(gè)初始點(diǎn)開始尋優(yōu),占用內(nèi)存少,能以較快速度找到全局最優(yōu)解。實(shí)例計(jì)算并與常規(guī)優(yōu)化相比,表明該方法簡便、快速,可避免水庫優(yōu)化調(diào)度中的維數(shù)災(zāi)

文中闡述了遺傳算法與其它算法相結(jié)合的多種改進(jìn)遺傳算法進(jìn)行水電站無功優(yōu)化中的應(yīng)用和今后的發(fā)展方向。

就提高水電站水能利用率為目標(biāo),建立模型,通過數(shù)值方式進(jìn)行運(yùn)算,利用matlab采用遺傳算法模擬仿真了漫灣水電站機(jī)組優(yōu)化運(yùn)行;并比較了電站比較了采用傳統(tǒng)方法、采用優(yōu)化算法以及采用優(yōu)化算法下縮小峰谷負(fù)荷差和無峰谷負(fù)荷差幾種工況下耗水量,能夠提高水輪機(jī)發(fā)電效率的運(yùn)行參數(shù).

基于改進(jìn)遺傳算法的水電站水庫優(yōu)化調(diào)度——在遺傳算法中為避免采用二進(jìn)制編碼時(shí)存在的編碼冗余問題，本文提出了一種基于十進(jìn)制整數(shù)編碼的改進(jìn)遺傳算法，并進(jìn)行水電站水庫優(yōu)化調(diào)度研究。用遺傳算法進(jìn)行水庫優(yōu)化調(diào)度計(jì)算可從多個(gè)初始點(diǎn)開始尋優(yōu)，占用內(nèi)存少，能以...

借鑒信息素對昆蟲群體協(xié)調(diào)行為的作用,建立信息素釋放模型、信息素?cái)U(kuò)散模型、信息誘導(dǎo)模型和信息定向模型,提出信息誘導(dǎo)算子(pheromoneinductionoperator,pio),并與改進(jìn)遺傳算法(improvedgeneticalgorithmi,ga)相結(jié)合,形成信息誘導(dǎo)遺傳算法(pheromoneinductiongeneticalgorithm,piga)。分析了piga具有較好平衡全局搜索能力和局部開發(fā)能力的仿生學(xué)原理。針對電力市場條件下梯級水電站自調(diào)度優(yōu)化模型的復(fù)雜性,將piga應(yīng)用于該模型的求解,通過算例分析,對比了pso、sgai、ga和piga的優(yōu)化性能,表明了piga的有效性;同時(shí)通過分析pio參數(shù)對優(yōu)化性能的影響,給出了pio參數(shù)的選擇原則。

為提高水庫群聯(lián)合調(diào)度時(shí)的水資源利用率,重新審核水庫群系統(tǒng)中原有單庫調(diào)度圖的有效性,本文提出了一種解決庫群聯(lián)合調(diào)度多目標(biāo)、多變量的智能優(yōu)化新方法—混合模擬退火遺傳算法。該方法將遺傳算法的全局搜索能力和模擬退火算法的局部搜索能力相結(jié)合,提高了計(jì)算效率和精度,避免了手工修正調(diào)度圖的隨意性。在以實(shí)際生產(chǎn)項(xiàng)目為依托的應(yīng)用與檢驗(yàn)中,在滿足各類邊界條件及保證率要求的前提下,該方法對梯級水電站水庫調(diào)度圖的優(yōu)化可行、有效,為優(yōu)化梯級水庫調(diào)度圖提供了一種新的有效算法。

梯級水電站聯(lián)合優(yōu)化調(diào)度是一項(xiàng)涉及學(xué)科門類廣泛、牽涉部門利益眾多的復(fù)雜大系統(tǒng)優(yōu)化決策問題,對制定和實(shí)施區(qū)域用水規(guī)劃、實(shí)現(xiàn)經(jīng)濟(jì)社會可持續(xù)發(fā)展具有重大的現(xiàn)實(shí)意義。鑒于當(dāng)前群體智能優(yōu)化算法應(yīng)用于梯級水電站聯(lián)合優(yōu)化調(diào)度中存在的\"維數(shù)災(zāi)\"及大量約束條件不易處理的難點(diǎn),將加速遺傳算法(aga)應(yīng)用于梯級水電站聯(lián)合優(yōu)化調(diào)度研究中,采用\"分類假設(shè)\"的思路逆序?qū)ふ也煌娬尽⒉煌瑫r(shí)段優(yōu)化變量可行決策空間并生成初始種群個(gè)體,由此重點(diǎn)闡述了改進(jìn)遺傳算法對優(yōu)化調(diào)度模型大量復(fù)雜約束條件的實(shí)現(xiàn)方法。上述方法在我國水、電特性代表性良好的烏江梯級七庫聯(lián)合優(yōu)化調(diào)度實(shí)例的應(yīng)用結(jié)果表明:加速遺傳算法對梯級水電站聯(lián)合優(yōu)化調(diào)度模型復(fù)雜約束條件具有較強(qiáng)的自適應(yīng)及全局搜索能力,且計(jì)算結(jié)果與設(shè)計(jì)成果相比,烏江梯級水電站多年平均發(fā)電量增加約2.60%?？梢?采用\"分類假設(shè)\"的研究思路處理群體智能優(yōu)化算法應(yīng)用于梯級水電站聯(lián)合優(yōu)化調(diào)度中存在的復(fù)雜約束問題是合理可行的,可為流域梯級水電站實(shí)行集中運(yùn)行、調(diào)度提供科學(xué)有效的決策依據(jù)。

應(yīng)用二倍體遺傳算法（ｄｇａ）對梯級水電站日優(yōu)化調(diào)度問題求解，其算法采用了兩條等長度的二進(jìn)制碼表示個(gè)體，借助于基因顯性機(jī)制，將個(gè)體基因碼鏈與梯級系統(tǒng)日調(diào)度計(jì)劃聯(lián)系起來．基因顯性機(jī)制采用一種簡便的布爾函數(shù)關(guān)系實(shí)現(xiàn)．雜交算子采用個(gè)體基因鏈交換與重組方式實(shí)現(xiàn)，具有一致雜交算子的效果．仿真計(jì)算結(jié)果驗(yàn)證了算法的有效性

電網(wǎng)負(fù)荷需求量隨著氣候、環(huán)境的變化而變化,在很大程度上存在著不確定性,而目前制定的發(fā)電計(jì)劃都是根據(jù)以往的經(jīng)驗(yàn)進(jìn)行制定的,給出的計(jì)劃出力與實(shí)際負(fù)荷水平存在較大的偏差。由于存在偏離發(fā)電計(jì)劃的偏差,如果單純地按照發(fā)電計(jì)劃發(fā)電,會導(dǎo)致電能的不平衡,從而影響電網(wǎng)的正常運(yùn)行。為了描述這種偏差,采用模糊集理論來描述負(fù)荷的不確定性,構(gòu)建了一個(gè)基于模糊負(fù)荷的梯級水電站發(fā)電耗水量最小的短期優(yōu)化調(diào)度數(shù)學(xué)模型,利用模糊區(qū)間的概念來研究不同模糊置信水平下梯級水電站的優(yōu)化調(diào)度問題。同時(shí)研究入庫徑流量、發(fā)電耗水量、棄水量、水頭變化等因素,全面考慮蓄水量、棄水量、發(fā)電流量、發(fā)電水頭之間的關(guān)系及其對水電站正常運(yùn)行的影響,以及各級水電站間的相互影響,用二次曲線表達(dá)式描述水電站水頭特性關(guān)系,既能準(zhǔn)確描述水電站水庫特性,又能減少優(yōu)化問題的決策變量個(gè)數(shù),提高求解效率。最后以一個(gè)三級水電站為例,通過遺傳算法求解所建模型,利用置信區(qū)間的概念分析負(fù)荷在不同置信水平下的優(yōu)化情況,結(jié)果表明了所建優(yōu)化調(diào)度數(shù)學(xué)模型的正確性和可行性。

介紹了目前國內(nèi)對于梯級水電站優(yōu)化調(diào)度問題的研究和實(shí)踐現(xiàn)狀,重點(diǎn)研究了優(yōu)化調(diào)度模型的建立和優(yōu)化算法。

逐步優(yōu)化算法(poa)在求解梯級水電站聯(lián)合優(yōu)化調(diào)度中,其優(yōu)化結(jié)果受初始解的影響較大,不同的初始解對優(yōu)化迭代過程的收斂性影響不同,導(dǎo)致優(yōu)化結(jié)果可能陷入局部最優(yōu)。針對這一問題,本文在深入分析poa尋優(yōu)機(jī)制的基礎(chǔ)上,探求了影響算法全局收斂能力的關(guān)鍵因素,揭示了poa的兩階段尋優(yōu)策略和梯級水電站優(yōu)化調(diào)度在求解兩階段問題時(shí)傳統(tǒng)的\"自上而下逐電站\"尋優(yōu)模式對算法收斂能力的影響規(guī)律,進(jìn)而提出了基于逐步差分和變階段優(yōu)化改進(jìn)策略的變階段逐步優(yōu)化算法,有效消弱了原始算法在求解梯級電站聯(lián)合調(diào)度問題中對初始解的依賴性,在一定程度上保證算法收斂于全局最優(yōu)解。實(shí)例研究表明所提算法優(yōu)化得到的梯級發(fā)電量比poa算法提升0.15%左右,有效克服了原始算法的局部收斂問題,且改進(jìn)算法效率更高,尋優(yōu)結(jié)果更穩(wěn)定。

探索新的調(diào)度模型求解方法一直是水庫優(yōu)化調(diào)度研究的熱點(diǎn)之一。社會情感優(yōu)化算法（seoa）是一種新興的啟發(fā)式智能優(yōu)化算法,但目前在水庫優(yōu)化調(diào)度中未見應(yīng)用。將seoa應(yīng)用于梯級水電站發(fā)電優(yōu)化調(diào)度中,并針對算法初始種群隨機(jī)生成造成的初始解代表性低,引入了初始種群均勻設(shè)計(jì),針對部分個(gè)體過早收斂導(dǎo)致的種群活力低、算法易于局部收斂,制定了種群淘汰策略,從而建立了改進(jìn)社會情感優(yōu)化算法（改進(jìn)seoa）。實(shí)例表明,在梯級水電站發(fā)電優(yōu)化調(diào)度模型的求解中,改進(jìn)seoa搜索效率高、尋優(yōu)能力強(qiáng)、穩(wěn)定性好。

通過建立某水電站廠內(nèi)經(jīng)濟(jì)運(yùn)行的數(shù)學(xué)模型,運(yùn)用遺傳算法制訂該水電站廠內(nèi)經(jīng)濟(jì)運(yùn)行的控制計(jì)劃。通過對初值的敏感性、收斂速度和優(yōu)化結(jié)果三方面驗(yàn)證,發(fā)現(xiàn)遺傳算法對初值不敏感且收斂速度較快。當(dāng)遺傳算法精度逐漸增大時(shí),搜索速度逐漸減慢,且搜索效率降低,這時(shí)需要進(jìn)行算法的改進(jìn)。

以水電站運(yùn)行成本最小為目標(biāo),提出了一種用混合遺傳算法實(shí)現(xiàn)大型電站最優(yōu)運(yùn)行計(jì)劃的方法。該方法考慮了機(jī)組能量特性差異,并能在旋轉(zhuǎn)備用、起停成本、空蝕振動區(qū)、機(jī)組可用性等約束條件下,制定出電站日內(nèi)96段最優(yōu)運(yùn)行計(jì)劃。該方法避免了動態(tài)規(guī)劃等算法處理多約束、大型優(yōu)化問題的困難,同時(shí)提高了遺傳算法的精度。算例表明,方法精度高,計(jì)算速度快。