（电力系统及其自动化专业论文）单一购买模式电力市场中日前交易计划的研究.pdf

声明 本人郑重声明：此处所提交的硕士学位论文单一购买模式电力市场中目前交 易计划的研究，是本人在华北电力大学攻读硕士学位期间，在导师指导下进行的 研究工作和取得的研究成果。据本人所知，除了文中特别加以标注和致谢之处外， 论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得华北电力大学 或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做 的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名：事缸巴4 立日 期： 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权 保管、并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或 其它复制手段复制并保存学位论文；学校可允许学位论文被查阅或借阅；学校 可以学术交流为目的，复制赠送和交换学位论文；同意学校可以用不同方式在不同 媒体上发表、传播学位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名：酉雌 导师签名： 日期：日 期：翘i 华北电力大学硕i j 学位论文 第一章绪论 1 1 课题研究的目的与意义 1 1 1 电力市场发展状况 由于电力工业的天然的垄断性，世界上许多国家都在从事电力市场改革 的探索，最早可以追溯到上世纪7 0 年代的智利，然而第一个真正意义上的 电力市场产生于英国。其后，美国，韩国，日本，加拿大，澳大利亚和南美 洲的一些国家都先后进行了电力市场改革。电力市场的建立，就是要将电力 工业纳入市场经济的框架，通过市场竞争资源，达到全社会资源配置的最优。 电力的市场化改革给电力工业带来了活力，其效益是有目共睹的。我国电力 工业的市场化改革已经展开，并取得了一定的成果和经验。 1 9 9 7 年1 月1 6 日国家电公向的成立，标志着我国电力工业管理体制由 计划经济向市场经济过渡。1 9 9 7 年1 1 月，国家电力公司正式启动内部模拟 电力市场。从1 9 9 8 年开始，我国电力工业实行“厂网分开、竞价上网”的 改革，并确定山东、上海、浙江、辽宁、吉林和黑龙江电网作为首批电力市 场试点单位。2 0 0 0 年1 月，山东、上海、浙江的发电侧电力市场相继投入商 业化试运营，同年6 月，东北三省的发电市场也正式启动。2 0 0 2 年3 月政府 要求发电企业与电网分开，同年年底，国家电力公司已重组为两家电网公司 和5 家发电公司，标志着我国电力市场化改革已经进入到实质性阶段【l l 。 借鉴国外经验并结合我国国情，在我国原来的6 大区域电网的基础上建 立几个区域电力市场，是符合我国电力工业改革客观规律的。2 0 0 4 年，东北 和华东区域电力市场相继开始启动，2 0 0 5 年1 1 月，南方区域电力市场也开 始模拟运行，这标志着我国电力供应垄断颦冰开始解冻，电力供应由政府控 制向市场调节的转变迈出了具有决定意义的一步。2 0 0 5 年9 月3 0 日，国家 电力监管委员会华北监管局在北京举行揭牌仪式。至此，国家电力监管委员 会设立的华北、东北、西北、华东、华中、南方6 个区域电力监管局全部组 建完成。这标志着我国电力市场的监管体系建设和市场化改革又迈出了实质 性的一步，也为我国区域电力市场的建立打下了峰实的基础【”。 1 1 2 日前交易计划优化理论研究意义 在传统的电力运营模式下，调度部门对下属电厂拥有完全的控制权，日发电 计划的制定和调整是按照安全经济调度的原则来制定的；但在发电侧引入竞争机 华北电力人学顾i 学位论文 制以来，厂网分开，竞价上网，电力调度交易中心的一切行为必须遵循电力市场 运营规则。和传统的调度计划相比，电力市场条件下的日i j 交易计划有着显 著的变化。 ( 1 ) 目标函数不同。传统的经济调度根据其燃料和维护成本以整个系 统总的运行费用最低为目标，而在电力市场中，所有的发电公司向电网公司 卖电，电网公司依据各发电公司的报价以总的购电费用最小为目标来制定发 电计划。 ( 2 ) 约束条件不同。电力市场下，发电商在追求利益最大化的商业竞 争时不会自发的考虑系统的安全约束问题，电网的安全约束、机组的技术性 能约束需要在制定交易计划时进行考虑并强制执行。同时，由于交易模式确 定的电量合同、双边合同、期货合同等多种贸易形式，也成为新的约束条件。 ( 3 ) 经济性质不同。传统的调度计划是作为企业内部的生产计划命令， 调度中心的调度员可以根据系统的需要对可操作的各机组或电力设备比较 随意地进行修改；而电力市场中，交易计划的实质是买卖双方签订的经济合 同。由系统约束( 网络安全约束，备用约束等) 造成的调整，实时调度修改， 或为辅助服务进行调整，都必须考虑经济性，向发电商支付相应的费用。 7 ：( 4 ) 采用的算法不同。在传统的经济调度模式下，各发电机组申报的 煤耗曲线和机组启动费在一定时期是基本固定的，则按照发电成本大小的机 组排序在各时段也是大致相同的，各类数学规划方法、优化算法和启发式算 法得到了广泛的应用。而在电力市场环境下，各发电公司出于追求最大利润 的目的，其机组报价是不确定的，按照机组报价决定的交易计划容易引起调 度上的阻塞；另外在制定发电计划时，需同时考虑竞价电量和各类合同电量 的影响。从本质上说，市场环境下的交易算法在电网安全、合同电量和竞价 电量关系、机组技术特性等方面的约束条件更强了，这使得传统的交易算法 遇到了新的困难，因此研究可计及多种约束条件，计算速度快的交易算法具 有很重要的现实意义1 3 1 。 从上述分析可见，在市场模式下，传统模式的发电计划已经不能适用。x 因此，进行市场模式下的交易计划优化理论研究就显得十分必要，开发面龟 力市场下的交易计划优化软件，尤其是日前交易计划优化软件具有重要的现 实意义。这是电力市场运营的核心，是发电商、用户、电网利益的实现手段， 也是电力市场下系统安全稳定运行的保障。 1 2 本文的主要工作 在传统电力系统的短期经济运行中，发电计划是通过合理地控制调整机 2 华北电力人学硕f ：学位论文 组的开、停状态以及出力以实现总运行成本最低的目标。而在电力市场环境 下转变为：根据发电商的报价曲线，在满足系统安全、机组技术特性和市场 交易等约束条件下，对发电商投标的只| j 发电量和电价做出决策，使得电网 总购电费用最小，称之为电力市场日前交易计划。日前交易计划的数学本质 是一个包含整型和连续变量的高维、离散非凸的混合整数非线性优化问题， 当系统的规模较大时，要从理论上求得精确的最优解相当困难。为此国内外 的学者对此作了大量的研究，主要是针对日前交易计划的特点，对优化算法 进行该进。本文采用了两种不同的算法对日前交易计划的数学模型进行了求 解，并进行了深入的研究，主要做了以下的工作： ( 1 ) 两种不同算法求解日前交易计划的数学模型及比较分析 基于排队算法的混合智能遗传算法和基于粒子群算法的混合智能遗传 算法的思路相似，都是利用遗传算法在求解离散组合优化问题上的强收敛性 和鲁棒性进行机组组合，将排队算法或粒子群算法嵌入到遗传算法内进行经 济功率分配优化。排队算法进行经济功率分配优化简单、快速，不足之处是 很难直接处理与交易时段相关联的约束，有一定的局限性；而粒子群算法可 以进行多时段的经济功率分配优化，很容易处理与时段相关联的约束，而且 可以 今彳e 艺? 的约束条件较多，如果粒子的初始位置由随 机产生，需侵一定的代数才能飞行到可行解的区域，搜索的效率下降。本文 采取了启发式初始群体生成技术初始化粒子的位置，使得粒子的初始位置更 接近于可行解的区域，提高了搜索的效率。 1 由于i s o o 算法中粒子本身没有变异机制，很有可能陷入局部最优解。为 了提高全局寻优能力，本文采取群体进化算法共享信息技术，即将遗传算法 中的遗传操作引入到粒子群优化算法中来，一部分粒子通过遗传算法中的选 择、交叉、变异操作来对粒子的位置进行更新，对另一部分粒子通过速度一 位移的模式对粒子的位置进行更新，在迭代演化中自动平衡群体的多样性； 同时这两部分群体充分共享交换所获取的优化信息，提高了粒子群算法的优 化性能。 ( 3 ) 不同约芽幽魂条件下总购电费用的比较分析 日前交易计划的数学模型非常的复杂，维数高、约束条件多，为此对约 束条件进行分层，研究了不同约束条件下对总购电费用的影响。 ( 4 ) 在上述研究的基础上，用d e l p h i 语言编制了日前交易计划软件。 3 牛北电力大学硕| 学位论文 第二章单一购买模式电力市场中日前交易计划 2 1 引言 按发电、输电、配电、和售电四个环节的开放程度，可将电力市场模式 划分为以下四种：垄断模式、单一购买模式、批发竞争模式和零售竞争模式。 单一购买模式中，发电厂产权多元化，由其独立承担建设和运行的风险，输、 配电和售电系统仍为垄断经营，拥有输配电网的电网公司是市场中唯一的电 能购买者和销售者【4 l 。 日前交易计划是指在充分考虑功率平衡、系统安全、机组技术特性等约 束下，根据一定的目标制定下个交易日各个时段( 一般划分4 8 或9 6 个时段) 的电量交易计划，即预先制定下个交易日各个时段由哪些机组发电，发多少 电的问题。 日前交易计划包括机组组合和经济功率分配两部分。电力系统的负荷在 一天之内是不断变化的，如果仅靠改变机组出力而不改变机组的组合数目， 机组出力的调节范围往往难以满足负荷变化的要求。根据相应的负荷曲线， 在满足负荷需求和一定的约束条件下，确定交易日机组的开、停机计划，这 就是机组最优组合。合理的机组组合计划能节省一次能源，延长机组使用寿 命，带来可观的经济效益，同时它也是包括经济功率分配在内的其他经济性 优化的基础。 目前国内外的相关研究主要从两个方面展开： ( 1 ) 数学模型：在不同的电力市场模式及交易种类下，建立的日前交 易计划的数学模型会有所不同。 ( 2 ) 优化算法：目j j 应用于日前交易计划的算法主要有优先排序法、 线性规划法、网络流法、拉格朗日松弛法，动态规划法、遗传算法、粒子群 算法等方法。但这些优化算法在求解日前交易计划中都有一定的局限性，根 据日前交易计划的特点对算法进行改进是研究的重点。 2 2 单一购买模式电力市场中日前交易计划的数学模型 同前交易计划是一个大规模的、多约束、非线性规划问题，在单一购买 模式电力市场中日前交易计划总的目标函数是交易周期内系统总购电费用 最小。 4 华北电力人学硕f ：学位论文 2 2 1 目标函数 ，( u i ( f ) ，卑p ) = m i n 善善佤( f ) + s u i ( f ) 【1 - 矾( f 1 ) 】) ( 2 - 1 ) 式中：u 。( f ) 一机组的开停机变量，u ，( f ) = l 表示开机，u ，o ) = o 表示停机； 。一参与竞价上网的所有机组集合； t - - 为交易周期内的时段数： s ；机组i 的启动费用 e o ) 一为第f 台机组在第t 时段的电网购电费用； 对e ( f ) 的进一步说明： ( 1 ) 如果按照系统统一边际电价s m p 结算方式，则 e ( f ) 一只( f ) c 一( f 矽i ( f ) ( 2 - 2 ) c 。o ) 一m a x 【c ( 层p ) ) 】 ( 2 - 3 ) ( 2 ) 如果按照发电方报价价格p a b 结算方式，则 只p ) 只( f ) c ( 只o ) m o ) ( 2 4 ) 其中：号( f ) 为第i 台机组在第t 时段的功率； c ( 霉( f ) ) 一为第f 台机组在第t 时段的功率为只o ) 的报价价格； 2 2 2 约束条件 ( 1 ) 系统有功功率平衡等式约束 p i ( f ) u ；( f ) 一p 。( f ) # 0 f # ，r ( 2 5 ) 式中：昂( f ) 一为时段f 的系统预测负荷： ( 2 ) 系统热备用功率约束 芝只一。u i ( f ) 2p o ( t ) ( 1 + r t + ) ( 2 6 ) 只一自u t ( r ) jp o ( t ) 。( 1 一尺。) ( 2 7 ) 式中：r 、r 一为系统正、负备用率； 只一一、一曲分别为机组珀q 最大、最小出力。 牛北电力丈学硕t 学位论文 ( 3 ) 系统旋转备用约束 u ，o ) m i n 【只一一( f ) ，鹋一。，】) z 一， 艺q o ) m i n 贮( f ) 一只一。“，蝎一一】 之j ：；札“。 式中：婶一。，、哑一分别为机组f 的最大上坡、下坡速率； 一，、一加分别为系统上、下旋转备用要求。 ( 4 ) 机组最小和最大功率约束 u t o ) 。鼻一m 只p ) 一。u - o ) ( 5 ) 机组跟踪负荷能力( 即升降功率速度约束) 约束 一只一h p j ( t ) 一p i ( t 一1 ) sz i p , 一。，旄i 雩铜 ( 6 ) 机组最小运行与最小停机持续时间；m c 辛 【霉一。( t 一1 ) 一t 一一。】。【u ，o 一1 ) 一u ，o ) 】之0 l i 一酊o 一1 ) 一正一m 硝】【u 。( f ) 一u 。( f 一1 ) 】20 ( 2 - 8 ) ( 2 9 ) ( 2 1 0 ) ( 2 1 1 ) ( 2 1 2 ) ( 2 1 3 ) 式中：王一。o 一1 ) 、正一啊( f 一1 ) 分别为机组f 到时段f 一1 为止的持续运行时间和 持续停机时间；互一一。、i 一。酊分别为机组f 的最小运行时间和最小停机持 续时间。 妒象? 2 ，3 1 9 前交易计划优化算法研究现状 日前交易计划数学模型的本质是一个包含整型和连续变量的高维、离散 非凸的混合整数非线性优化问题，当系统的规模较大时，要从理论上求得精 确的最优解相当困难。为此，国内外的学者对此进行了大量深入的研究，取 得了一定的成果。 2 3 ，1 启发式方法 启发式方法( h e u r i s t i cm e t h o d ) s - t 是最早使用的一类优化方法，这种 方法没有严格的理论依据，依靠直观的判断或实际调度的经验寻找最优解。 启发式方法在机组组合问题中的应用有以下两种情况： a 局部寻优法 其基本的思路是从一个尽可能好的初始解出发，在其邻域内寻优，通过 迭代求得最优解或次优解。这种方法计算速度快，所需内存少，但往往找不 6 华北电力大学硕 ：学位论文 到最优解。但局部寻优法可与专家系统方法结合使用。 b 优先顺序法 优先顺序法也称排队法，将系统可调度的机组按某种经济特性指标先排 出顺序，根据系统负荷大小按这种顺序依次投切机组。优先顺序法提出较早， 现在仍在研究和应用之中。优先顺序法计算速度快，占用内存少，常常找不 到最优解，但能满足一般的应用要求，优先顺序法既可单独使用，也可与动 态规划法等方法结合使用。 2 3 2 动态规划法 动态规划法 s - 1 3 是求解多阶段决策问题的一种序列递推算法，其原理可 叙述为；“对于整个过程的最优化策略具有这样的性质，即无论过去的状态 与决策如何，对于前面的决策形成的状态而言，余下的决策必须构成最优策 略”。动态规划法的解法具有以下特点：( 1 ) 理论上能够求得最优解；( 2 ) 约束问题较易解决；( 3 ) 整个递推优化计算与决策变量的次序无关：( 4 ) 在 每步的递推寻优中只对一个变量进行决策。 应用动态规划法求解日前交易计划，可以同时解决机组组合和经济功率 分配问题，在进行功率分配时，不需对报价曲线进行任何处理，适用于上升 型、下降型、甚至是波动起伏( 如v 型) 的报价曲线，而且机组启动费用和 启停约束也可以得到较好地解决。但是动态规划法的困难在于状态量过多， 对于n 台机系统，考虑r 个交易时段的机组组合状态数为t ( 2 4 1 ) ，当n 和 t 增大时，计算量将急剧增加，形成所谓“维数灾”。为克服这个为克服这个 困难，常采取一定的措施来限制状态的数目。 动态规划法可以处理作为时间函数的开机费用和最小开停机时间约束， 但必须在各阶段的状态中包括机组的累计开机和停机时问，这样状态数会大 大增加，即使使用限制状态数目的办法，计算量仍然很大，必须采用简化方 法。在动态规划法由前向后计算的过程中，计算出对应于每个状态的累计开 停机时间，这个累计开停机时间应对应于到达该状态的最优路径，动态规划 法只允许那些满足最小开停机时间约束的状态转移。累计开停机时间也用于 计算开机费用。 应该注意的是，动态规划法只是一种近似计算方法，可能丢失最优解。 动态规划法另一个难于处理的问题是机组爬坡速率限制，即机组功率变化速 率限制。对于某个给定的状态来说，爬坡速率限制是前一阶段与其相连的状 态函数，对于这个状态，相关于每个前一阶段状态都要进行一次经济负荷分 配计算，使占用内存量和计算时间增加，因此只能通过近似方法解决。在停 7 华北电力大学硕t ：学位论文 机的过程中，考虑爬坡速率约束也会丢失最优解。 2 3 3 线性规划法 线性规划法 1 4 - | 6 具有计算速度快、收敛性好，可进行综合优化的特点。 它能有效处理网络安全约束、机组升降速度约束、机组周期内发电量限制和 机组最短开停机时间约束等，并同时还可处理下降型的报价曲线。因此在日 前交易计划制定过程中得到了一定程度的应用，如果建立了近似的同前发电 计划线性模型，那么用线性规划法求解是理所当然的。不过线性化日前发电 计划模型的精度是否满足要求，仍然存在争议a 亥跨铆订 2 3 4 混合整数规划法 混合整数规划( m i x e d i n t e g e rp r o g r a m m i n g ) 【”1 是变量中既有整数又有 非整数的数学规划问题，根据除整数变量以外的其它变量的函数类型，又可 分为线性混合整数规划和非线性混合整数规划。这种规划问题解决起来十分 困难，常用的方法有分支定界法、b e n d e r s 分解法、广义b e n d e r s 分解法等。 混合整数规划可以直接求解机组组合问题的数学模型，不需要加入过多的限 制或假设，从理论上来说，能找到全局最优解。但是该方法比较复杂，不直观， 对于实际系统，直接使用计算量太大，必须对问题进行分解。 2 3 5 拉格朗日松弛法 拉格朗日松弛法l l v - l s ! 产生于7 0 年代，是解决复杂整数和组合优化问题 的一类优化算法，它建立在下述思想的基础上：许多困难的整数规划问题可 看成是由一些边界约束条件联系在一起的一系列相对容易的子问题组成，利 用这个特点，把约束条件被破坏的量和它们各自的对偶变量的乘积加在目标 函数上作为惩罚项，形成拉格朗日问题。拉格朗日问题相对容易解决，对于 最大( 小) 化问题，它的优化值是原问题优化值的上( 下) 界，因此在分支定界 法中，它能够取代线性规划法以提供下界。 该算法有以下特点：随着机组数的增加，计算量近似线性增长，克服了 维数障碍，且机组数目越多，算法效果越好；方法十分灵活，不但可以成功 地解决机组组合问题，也可以推广到水火电联合经济调度问题和电力交易的 问题；算法的一些因子具有实际的物理( 经济) 意义。 但是其缺点是：由于目标函数的非凸性，用对偶法求解时，存在对偶问 隙，需要根据对偶问题的优化解采取一定的措施构造原问题的优化可行解， 8 华北电力大学硕 学位论文 这是拉格朗日松弛法的一个难点；算法的迭代过程中有可能出现振荡或奇异 现象，需要采取措施加快收敛：考虑某些约束条件( 如机组爬坡速率) 会使计 算复杂化。因此大多将其与其他优化算法结合，如将遗传算法融入拉格朗日 松弛法中，通过遗传算法( g a ) 来修正拉格朗日乘子以提高算法解决机组组 合问题的收敛度和解的质量。 2 3 6 遗传算法 遗传算法( g e n e t i ca l g o r i t h m ，g a ) 是模仿生物进化规律“优胜劣汰， 适者生存”的智能随机优化方法，具有高度并行处理能力、鲁棒性强、易于 实现全局优化的特点。该方法对于寻优的函数没有特别的限制，因而在机组 优化组合问题中得到了广泛的应用。在遗传算法中，与“继承+ 进化”过程 相应的三项基因操作为：选择、交叉和变异。为了以算子形式实现这三项操 作，首先要对所求解的问题空间的相应状态变量进行编码。另外，为了获得 该问题的满意解，还必须确立用以引导搜索方向的适应度函数，因此遗传算 法可概括成选种算子、交叉算子、变异算子、编码操作和适应度函数五元体。 但是遗传算法通过随机的迭代搜索过程，会产生诸如退化现象、计算速 度慢、收敛性差的现象，针对机组优化组合的实际情况，在提高遗传算法的 有效性方面，许多专家、学者提出了不少改进措施。 文 1 9 针对机组优化组合问题构造两种专门的遗传算子：基因突变算 子和基因微调算子，这两种遗传算子都是在单个个体上进行遗传操作。该算 法简化了遗传操作过程，提高了计算效率。且不要求初始群体中的个体具有 多样性，也不存在“早熟”收敛现象。 文 2 0 在遗传算法的评价函数中引入模拟退火算法以及在选择操作中 采用模拟退火算法的接受准则，将两者进行混合可有效地缓解其选择压力， 增强算法的全局收敛性，较好地改善机组启停计划的经济性。 文 2 1 采用二进制与浮点数混合的编码方案，并根据这一特点设计了 遗传算子；对经典的遗传算法在计算中出现的随机性问题，则采用压缩映射 遗传算法使计算过程渐近收敛。计算表明，该算法的具有渐近收敛性，与二 进制编码的算法相比，计算所需时间及内存少，而且更易引入问题的相关信 息。 文 2 2 利用遗传算法在求解离散组合优化问题上的强收敛性和鲁棒性 进行机组优化组合，利用排队算法的简洁性和快速性进行经济功率分配。同 时，利用基于专家知识的免疫遗传算法来提高机组优化组合的计算速度。 文 2 3 提出一种用于解决多种约束条件的机组组合问题的改进遗传算 9 华北电力人学硕 ：学位论文 法。首先根据系统负荷特性产生初始可行个体用以避免采用随机方法产生初 始群体存在不可行个体的情况，并根据机组的最小开、停机时自j 将其分类， 同时设计了具有局部爬山能力的智能变异算子。 文 2 4 采用具有专家知识规则的方法确定遗传算法的初始群体，并采 用启发式法则对个体适应值进行评价，同时对遗传算法求得的最好解再用线 性规划法进行一次优化。采用这些措施后，使遗传算法的收敛速度有所改善。 文 2 5 针对机组启停问题的特点，设计了一些启发式技术，使得遗传算 法初始种群中的所有个体都是可行解。针对遗传操作生成的不可行解，建立 了一种从不可行域到可行域的映射关系，大大减少了搜索中的无效操作。对 过度满足约束条件的解，给出了一种有效减冗余的手段。并提出了一种边界 搜索方法，可以更容易得到更优的解。这些措施起到了优化搜索路径的作用， 有效地提高了遗传算法求解的效率和质量。 文 2 6 针对传统的采用二进制编码的遗传算法在求解大规模机组组合 问题时收敛速度慢、易早熟等问题，作者结合机组组合问题的特点，提出了 一种混合智能遗传算法。该算法以机组状态作为个体编码，结合启发式方法 的自适应智能变异算子求解目标函数， 群体多样性，提高了算法的搜索效率， 2 3 7 粒子群算法 显著缩小了求解问题的规模，保证了 改善了算法的收敛性。 粒子群优化( p a r t i c l es w a r mo r i t i m i z a t i o n ，p s o ) ”- 3 3 1 算法是一种现代 启发式算法，它是通过模拟简单的社会现象发展起来的。和早期的基于群体进化 的算法相比，p s o 算法在计算速度和消耗内存上有较大优势，因为它的实现只需 简单的数学运算和较少的程序代码。与多数进化算法相比，p s o 算法的优势是通 过个体间的“协作”而非“适者生存”来搜寻最优解，算法中的个体都有记忆。 最近几年p s o 算法在电力系统领域中的应用研究发展很快，并显示出广阔的应用 前景。 文 2 7 微粒群算法应用在电力系统负荷经济分配问题中，该算法考虑了机组 的爬坡约束、出力限制区约束、非光滑费用函数曲线等非线性特性，用保留可行 解的方法处理负荷平衡约束条件，用自适应罚函数法处理爬坡和出力限制区约束 条件，加快了算法的收敛速度，对不活动粒子的处理使算法避免了“早熟”现象。 文 2 8 较为全面地详述了粒子群优化方法在配电网扩展规划、检修计划、机 组组合、负荷经济分配、最优潮流计算与无功优化控制、谐波分析与电容器配置、 配电网状态估计、参数辨识、优化设计等方面应用的主要研究成果。随着粒子群 优化理论研究的深入，它还将在电力市场竞价交易、投标策略以及电力市场仿真 l o 华北电力大学硕 学位论文 等领域发挥巨大的应用潜力。 文 2 9 提出了基于竞价机制的动态经济调度模型，该模型综合考虑了发电机 组的爬坡约束、输电线路的容量约束和污染气体排放量的约束。针对该模型，提 出了一种新的求解方法：粒子群优化算法( p s o ) 。 文 3 0 对标准粒子群算法进行了改进，用以解决机组组合问题。首先对机组 组合问题的0 、1 变量进行松弛，应用罚函数方法将此问题转化为一个非线性连 续变量的规划问题。在标准的粒子群优化算法的基础上，每个粒子速度和位置的 更新不仅考虑自身个体极值和全局极值的信息，还考虑其它粒子所包含的信息。 通过收敛性分析可知，若合适地选择算法的控制参数，该算法能较好地收敛到最 优解。 2 4 本章小结 由电力市场日前交易计划的数学模型可知，它是一个高维、非凸的、离 散的、多约束的，非线性优化问题。当系统的规模较大时，要从理论上求得 精确的最优解相当困难。因此，深入研究和分析各种优化算法的优缺点，针 对问题的特点对算法进行改进提高算法的优化性能，就显得十分必要。 近年兴起的基于种群的智能优化算法( 遗传算法、微粒群算法) 是模拟 自然界生物系统规律，完全依赖生物体自身的本能，通过无意识的寻优行为 来优化其生存状态，以适应环境的一类新型的最优化方法，具有如下的特点： ( 1 ) 该类算法是一类概率型的全局最优搜索算法，能以很大的概率求 得全局最优解，一方面，它能在可行解空间进行全方位的搜索，另一方面， 在优质解附近，在一定程度上它也能进行更加精细的搜索； ( 2 ) 该类算法优化过程不依赖于优化问题本身的严格的数学性质，如 连续性、可导性等； ( 3 ) 该类算法具有潜在的并行性，搜索过程不是从一点出发，而是同 时从多个点出发，这种分布式的多智能体的协作过程是异步并发进行的，分 布式并行模式将大大提高整个算法的运行效率、鲁棒性和快速反应能力； ( 4 ) 该类算法具有学习能力，在复杂的、不确定的、时变的环境中， 通过自我学习不断提高个体的适应性。 该类算法的这些特点，使得其在电力系统领域得到了广泛的应用，尤其 是在电力市场日前交易计划中的应用前景更加广阔。结合同前交易计划数学 模型问题的实际情况对该类算法进行改进提高其优化性能是热点的研究课 题之一。 华北电力人学欢 学位论文 第三章基于排队法的混合智能遗传算法在日前交易计划中的 应用 3 1 引言 遗传算法是仿真生物遗传学和自然选择机理，通过人工方式所构造的一 类搜索算法，从某种程度上说遗传算法是对生物进化过程进行的数学仿真， 由美国密歇根大学霍兰德( h o l l a n d ) 教授于1 9 7 5 年提出。 生物种群的生存过程普遍遵循达尔文进化准则，群体中的个体根据对环 境的适应能力而被大自然所选择或淘汰。进化过程的结果反映在个体的结构 上，其染色体包含若干基因，相应的表现型和基因型的联系体现了个体的外 部特性与内部机理闯逻辑关系。通过个体之间的交叉、变异来适应大自然环 境。生物染色体用数学方式或计算机方式来体现就是一串数码，称为染色体， 有时也叫个体；适应能力是由一个染色体的一个数值来衡量，染色体的选择 或淘汰则按所面对的问题是求最大值还是最小值来进行。 遗传算法的主要特点是直接对结构对象进行操作，不存在求导和函数连 续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻 优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需 要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机 器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算 中的关键技术之一。 3 2 简单遗传算法 3 2 1 遗传算法的基本要素 编码：g a 在进行搜索之前先将解空间的解数据表示成遗传空问的基因 型串结构数据，这些串结构数据的不同组合便构成了不同的点。 初始群体的生成：随机产生个初始串结构数据，每个串结构数据称为 一个个体，个体构成了一个群体。g a 以这个串结构数据作为初始点开 始迭代。 适应性值评估检测：适应性函数表明个体或解的优劣性。不同的问题， 适应性函数的定义方式也不同。 选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会 华北电力人学顾t 学位论文 作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选 择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实 现了达尔文的适者生存原则。 交换：交换操作是遗传算法中最主要的遗传操作。通过交换操作可以得 到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思 想。 变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的 概率随机地改变串结构数据中某个串的值。变异为新个体的产生提供了机 会。 3 2 2 遗传算法的计算过程 初始化群体； 计算群体上每个个体的适应度值； 按由个体适应度值所决定的某个规则选择将进入下一代的个体； 按概率以进行交叉操作； 按概率以进行突变操作； 没有满足某种停止条件，则转第步，否则进入； 输出种群中适应度值最优的染色体作为问题的满意解或最优解。 3 3 基于排队算法的混合智能遗传算法 3 3 1 算法的思路 日前交易计划的任务就是根据机组的报价数据及约束条件等确定机组的 组合和机组的出力，该算法利用遗传算法在求解离散组合优化问题上的强收 敛性和鲁棒性进行机组组合，利用排队算法的简洁性和快速性的优势将其嵌 入遗传算法内进行经济功率分配，即先由遗传算法给出一个机组组合，然后 交由排队算法进行经济功率的分配。 图3 1 优化算法的流程 华北电力人学硕i + 学位论文 图3 - 1 中、矿表示遗传算法和排队算法之间的协调变量。由遗传算 法计算出的个体集合组成，它表示了可运行、可停运机组的组合方式集，针对 每一个组合方式，y 由排队算法计算出的目标函数和罚函数总项组成，它表 示了算法对该机组组合方式优良性的评价，遗传算法根据它来计算适应值， 继续进行后续的遗传操作。 3 3 2 算法的前提 由于实际电力市场中大量采用了分段常数不降报价形式，用排队法来解 决其经济功率分配问题是非常合适的，对于确定的机组组合，排队法的求解 过程可以简单地描述为：排序选择+ 越限校正。所以本文做了如下的假设： 机组的报价曲线是不降的分段常数报价。 3 3 3 遗传算法求解机组组合 3 3 3 1 编码方式 传统遗传算法在求解机组组合中一般使用二迸制编码方式，用“1 ”、“0 ” 分别表示机组开机、停机状态，但这种编码方式在机组数和交易时段数比较 大时个体的长度非常长( 机组数乘以交易时段数) ，造成收敛速度缓慢、占 用大量内存、效率低下等缺点。根据普通燃煤机组的技术特性，机组在一天 内最多启机和停机各一次的特点，本文采用二进制一十进制混合编码的方式： 二进制数用来表示机组状态的改变，此时的“1 ”、“0 ”就表示表示机组在该 时段启机和停机，十进制数用来表示机组状态改变的时段。以2 4 个交易时段 4 台机组为例，设机组g 1 、g 2 、g 3 初始状态为开机状态，g 4 为停机状态，如 下的个体： 表3 2 采用混合编码的个体 g 1g 2g 3g 4 l 状态 1o011101 i 时段 51 31 02 081 21 22 0 表示：g l 在1 至1 2 交易时段为开机状态，1 3 至2 4 交易时段为停机状态；g 2 在1 至9 交易时段为开机状态，在1 0 至1 9 交易时段为停机状态，2 0 至2 4 交易时段 为开机状态：依次类推。这种编码方式有效减少了编码的长度，同时提高了 交叉、变异等遗传操作的效率，大大提高了优化算法的性能。 3 3 3 2 启发式方法产生初始群体 1 4 华北电力大学硕i ：学位论文 由于机组在整个交易时段多以开的状态，所以初始群体的产生以较大概 率产生“1 ”的状态，以此提高搜索的效率。 3 ，3 ，3 3 机组组合中约束条件的处理 跟机组组合相关的约束条件有：机组启停时间约束、系统的热备用功率 约束，机组组合中利用专家系统的知识对个体进行调整，使得产生的个体是 可行的个体，如果调整不过来将其放入罚函数中进行惩罚。 机组启停约束调整的方法是对不满足启停时间约束的机组首先对该机组 的启、停机时刻进行调整，如果调整不过来就对机组的启、停机的状念进行 调整。 系统的热备用功率约束调整的方法是围绕系统负荷的高峰时刻和低谷时 刻，原则是原先开的机组高峰时刻不停机，原先停的机组低谷时刻不开机。 3 3 3 4 改进的遗传操作 选择操作( s e l e c t i o n ) 选择操作也称繁殖操作，根据计算所得的种群中每个个体适应度函数 值，采用赌轮法，实现选择操作，使适应度函数值高的个体以较大的概率被 选择保留下来，从而实现了“优存劣汰”机制。 交叉( c r o s s o v e r ) 和变异( m u t a t i o n ) 在迭代前期，个体适应度的分散程度较大，为了提高繁殖效率，可增大 交叉概率，降低变异概率；在迭代后期，解群中的码链已趋于稳定，此时交 叉作用已经减少，交叉概率可降低，而为了防止收敛于局部最优解，可增大 变异概率【。本文采用线性变化的交叉概率和变异概率，公式为： 露= 霉4 一掣一o 6 ) k ( 3 - 1 ) 露一露。1 一( o 1 一焉) k ( 3 2 ) 式中：七为迭代次数，k 为最大允许的迭代次数； 掣、覃分别为交叉概率的初值和第k 次迭代的值； 掣、露分别为变异概率的初值和第七次迭代的值； 精英保留策略 为不使每一代中产生的最优个体在遗传操作中丢失，对每代群体中的个 体的适应值进行比较排序，选择足够数目的优秀个体实施精英保留策略，将 其放入最优库中予以保留，直接遗传到下一代，同时对最优库中的个体不断 更新。 华北电力大学硕l 学位论文 3 3 4 排队算法进行经济功率分配优化 3 3 4 1 排队算法求解经济功率分配的思路9 “ 对于遗传算法中给定的个体由排队算法计算经济功率分配，方法是逐一 时段进行经济功率分配的优化。对单一时段的各台状态为开的机组的报价按 照从小到大的顺序排序，从最小报价段开始累加直至满足系统的负荷。 3 3 4 2 与时段相关联的约束条件的处理 由于排队法是逐一对单时段进行经济功率分配优化，很难处理时段相关 的机组爬坡速度约束和系统旋转备用约束，所以需要进行调整。对机组的爬 坡速度约束调整的方法如下：根据机组的初始状态和机组的技术特性，确定 机组在第一个交易时段的出力范围，在这样的出力范围下由排队法进行经济 功率分配得出第一交易时段各台机组中标的出力，依次类推。对于个别交易 时段竞价后不满足系统旋转备用约束的交易时段，通过将越限程度引入罚函 数解决。 3 3 4 3 适应值函数的确定 通过引入罚因子将交易计划中的约束优化问题转化为无约束优化问题， 构造如下的扩展目标函数： l i l i i l 弛) ) = n l i n 吣 坷o ) ) + 因 弛) ) ) ( 3 3 ) 式中：口表示罚因子：g ( 以( f ) ，只o ) ) 为所有越限情况的罚函数总项，该罚函数 总项只考虑机组的启停时问约束、系统的热备用功率约束。适应值函数为： f i t n e s s = t l ( v l ( f ) ，( f ) ) 其中f 为一常数，控制适应值数值的数量级。 3 4 算例 3 4 1 算例原始数据 ( 3 - 4 ) 根据我国电网的实际运行情况和水平，同时也考虑到算法的复杂程度和 实用性，在本文提出的算法中，对于日前交易计划中进行了以下的约定： 机组的报价曲线是不降的分段常数报价；机组一天最多只能启、停各一次。 算例规模为：1 0 机2 4 交易时段3 段报价段；系统数据见表3 3 ，机组特 性参数数据见表3 4 ，机组初始状态数据见表3 5 。关于机组的报价数据说 明如下：每个交易时段每台机组可以申报3 段报价，且允许不同交易时段报 价不一样，但功率段在最大最小出力之间。由于1 0 台机组2 4 个交易时段3 段 华北电力大学硕i 学位论文 报价段的报价数据量太大，限于篇幅，本论文没有列出。 表3 3 系统数据 tl234567891 01 11 2 p d o ) ( m w ) 5 0 74 6 54 3 44 2 94 5 44 7 85 3 66 2 96 9 96 3 06 2 06 1 0 r 0 10 10 1o 1o 10 1o 1o 1o 10 1o 1o 1 r ，o 1o 10 1o 10 1o 1o 1o 1o 10 1o 1o 1 一_ ( m w ) 1 0 19 38 78 69 19 61 0 71 2 61 4 01 2 61 2 41 2 2 己h 一如。( m w ) 8 57 87 27 27 6 8 0 8 91 0 51 1 71 0 51 0 31 0 2 t1 3 1 4 1 51 61 71 81 92 0 2 1 2 22 3 2 4 p o ( t ) ( m w ) 5 9 06 0 06 0 46 7 87 3 87 5 08 2 严7 4 96 7 86 0 55 7 55 6 7 r 0 1o 10 1o 10 10 10 1o 1o 10 10 10 1 冠o 1o 1o 1o 10 1o 1 0 1 o 1o 10 10 1o 1 一￥( m w ) 1 1 81 2 01 2 11 3 61 4 81 5 01 6 61 5 01 3 61 2 11 1 51 1 3 一如w ( m w ) 9 81 0 01 0 11 1 31 ”1 2 51 3 81 2 51 1 31 0 19 69 5 表3 4 机组特性参数数据 ll23456789l o 霉一i m w ) 1 6 01 0 09 07 02 0 01 2 01 0 01 1 01 1 01 2 0 只m i n 州w ) 6 04 03 03 07 05 04 54 04 04 0 s ( 千元) 3 02 4561 03 01 02 092 0 鹋，。 ( m w ，小时) 3 02 01 51 53 52 52 02 02 02 0 a 只眦；由。( m w ，小时) 3 02 01 51 53 52 52 02 0 2 02 0 霉m j n 棚( 小时) 44 3 4 5 4 9 4 89 l m 盯( 小时) 3 5 3 44 63353 1 7 华北电力人学硕l 学位论文 表3 5 机组初始状态 il 234s 6 7891 0 i n i u i1011111l11 t c ( 小时) 2 322 472 3 2 4 2 42 42 42 4 i n i p o w ( m w )6 0 o 5 0 2 01 1 06 04 57 85 06 7 对上述表中个别变量的说明：l n i u i 为机组的初始状态：i n i p o w 为机组 初始的出力；t c 为机组初始状态所持续的时间。 3 4 2 计算结果 目标函数值：3 2 7 8 0 3 8 元，竟价购电费用3 2 4 9 0 3 8 元，机组启机费用：2 9 0 0 0 元；机组组合见表3 6 ；经济功率分配见表3 7 。 表3 - 6 机组组合 g 1g 26 3g 46 5g 6g 76 86 9g l o t 1100lllllll t 2 100lll11ll t 3l001ll11l1 t 41ool1ll1l1 t 5101l 1l1 lll t 6l01lll111l t 71lll1l1l1l t 8 llllll 1 l l l t 9l111ll1l1l t i o1lll1lllll t l ll11l1l1ll1 t 1 2 l l lll1 ll ll t 1 311l1 l1 111 l t 1 4l11l1l111l t 1 5111ll1llll t 1 6 1 1 l1l1ll1l t 1 7l11lilllll t 1 81l1l1l1lll t 1 9l ll ll l 1lll t 2 01lll1lll1 l t 2 l111l1l11ll t 2 21ol1llll1l t 2 3lo1ll1illl t 2 4l0l l1 l1ll 1 1 8 华北电力人学顾 学位论文 表3 7 经济功率分配 g lg 2g 3g 46 5( 3 6g 7g 8g 9g 1 0 t i6 4 oo 00 o3 0 01 4 5 05 0 04 5 o5 8 05 0 06 5 ，0 t 26 0 oo 0o o4 5 0 1 1 0 05 2 54 5 05 0 o5 7 54 5 0 1 36 2 0 0 00 03 0 07 5 o7 0 04 5 o4 0 05 5 05 7 0 f 48 0 00 0o 03 0 o8 9 05 0 04 5 04 0 05 5 o4 0 0 1 56 1 50 03 0 53 0 ，08 0 05 1 24 6 0 4 0 05 4 86 0 0 t 66 0 00 03 2 54 5 08 3 75 2 84 7 24 2 15 9 85 5 0