發電機組組合負荷優化分配算法的分析

摘要：在經過國內外長期的研究和應用，目前已出現了很多有價值的負荷優化分配方法。對目前國內外出現的機組組合負荷優化分配算法進行了比較全面的分析與總結，將其分為傳統優化算法、現代智能優化算法、群體智能仿生算法等三類，闡述了各種算法的基本原理，并對其各種算法優缺點作了分析和比較，從而為相關課題的研究提供了參考。

關鍵詞：機組組合 負荷分配 優化算法

中圖分類號:TM62 文獻標識碼:A 文章編號:1674-098X(2011)12(a)-0000-00

1 引言

燃煤火力發電目前仍是電力能源生產的主要形式，隨著電力體制改革方案的逐步實施，廠網分開、競價上網正在逐步走向深入，電力企業的思維模式、工作方式、管理體制都面臨新的考驗，競爭將更加激烈。目前電力企業成本較高，利潤不高，依靠設備改造、電價改革來提高經濟效益的空間又比較有限，所以研究機組組合的負荷優化分配算法即如何在全廠機組組合方式一定的情況下，全面考慮全廠各運行機組的煤耗特性，從而合理地分配各機組所帶負荷，使全廠總的煤耗量最小。因此，研究大型火力發電廠多臺機組間實時負荷優化分配算法具有重要的現實意義。

2 傳統的負荷優化分配算法

傳統優化算法是指早期國內采用的負荷優化分配算法，包括啟發式方法、動態規劃法、等微增率法、窮舉法、混合整數規劃法、拉格朗日松弛法等。

2.1 啟發式方法

啟發式方法是最早使用的一類優化方法， 這種方法沒有嚴格的理論依據， 依靠直觀的判斷或實際調度的經驗尋求最優解。啟發式方法在機組組合問題中的應用有局部尋優法和優先級表法。局部尋優法是從一個盡可能好的初始解出發，在其鄰域內尋優，通過迭代求得最優解或次優解。優先級表法將系統可調度的機組按某種經濟特性指標事先排出順序，根據系統負荷大小按這種順序依次投切機組。兩種方法計算速度快，占用內存少，但常常找不到最優解。優先順序法既可單獨使用，也可與動態規劃法等方法結合使用。

2.2 動態規劃法

動態規劃法是將一個給定的問題分解為幾個子問題，然后依次解決各個子問題，最后一個子問題的最優解就是該問題的最優解。該方法具有的優點：對目標函數的形態和約束條件沒有特殊的要求；對電廠機組負荷分配數學模型進行離散分步求解，即可快速求出全局最優解。但不足的是：對于機組數較多的電力系統，計算比較繁瑣，必須采用近似方法簡化，因此不可避免地會丟失最優解，而且容易陷入“維數災”；而且要求所求解的問題具有明顯的階段性，難于考慮與時間有關的約束條件和機組爬坡速率等限制。

2.3 等微增率法

等微增率法是以數學極值理論來為基礎，用海賽矩陣來判斷，實現機組組合的負荷優化分配，該方法具有簡單明了、使用方便、易于掌握等優點，是目前電力系統實行負荷調度的主要方法。但該方法為了達到系統標準煤耗最小，煤耗量曲線必須滿足下凹的特征，如果表現出上凸的特征，利用等微增率法計算出的機組負荷分配方案是極大值，這一嚴格的要求使得等微增率法在實際調度中的應用大打折扣。

2.4 窮舉法

窮舉法是把各機組負荷情況都輸入計算機，進行煤耗計算，然后比較結果找出最優解。窮舉法對實測性能曲線的每個工況點進行計算，避免了人為擬合造成的誤差，具有簡單、直接和精度高等特點，但由于其運行時間長，而不能用于實時計算，但可以作為參照算法與其他優化方法的結果進行對照。

2.5 混合整數規劃法

混合整數規劃法是根據電廠提供的機組熱力試驗數據，構造出一組描述系統實際過程的數學模型，并用非線性規劃方法求得最優方案的一種復雜解算方法。它具有的優點：從理論上講，不需要加入過多的限制和假設就可以直接求解機組組合問題的數學模型，從而能找到全局最優解。而其缺點是：算法比較繁雜，為得到比較高的效率，需要精心設計分支策略和求下界算法；在實際運用中，直接使用計算量太大，必須對問題進行分解。

2.6 拉格朗日松弛法

拉格朗日松弛法是一類整數組合優化算法，解決大系統的優化問題時，隨著機組數的增加，計算量近似線性增長，克服了維數障礙。該方法在實際運用中的難點是由于目標函數的非凸性，用對偶法求解存在對偶間隙，需要根據對偶問題的優化解，采取一定措施構造原問題的優化可行解。在其迭代過程中有可能出現奇異或振蕩現象，需采取措施加快收斂；而且考慮到某些約束條件 (如機組爬坡速率)，會使計算復雜化。

3 現在智能化負荷分配算法

當遇到較為復雜的優化問題，如目標函數具有不光滑、離散等特性，或目標函數是典型的多峰值函數，傳統的優化算法難以勝任，須借助智能優化算法來完成優化問題的求解。智能優化算法是以計算機發展為基礎， 衍生出的全局搜索范疇的優化算法， 包括遺傳算法、人工神經網絡法、模擬退火算法、禁忌搜索算法、混沌算法等。

3.1 遺傳算法

遺傳算法是一種根據生物界進化規律演化而來的隨機化搜索方法，具有很強的全局搜索能力。將算法應用于機組組合負荷優化問題，具有方案選擇靈活、對目標函數無特殊要求、運算速度快、使用方便等特點，能夠實現機組負荷的在線動態優化分配。其缺點是：算法對新空間的探索能力是有限的，也容易收斂到局部最優解；當問題涉及到大量個體的計算，計算時間是個問題；因為算法屬于隨機類算法，需要多次運算，結果的可靠性差，不能穩定的得到解。

3.2 人工神經網絡

人工神經網絡是指用計算機仿真的方法，從物理結構上模擬人腦神經系統的結構和功能，從而使系統具有人腦的某些智能。該方法在理論上可以充分趨近任意復雜的非線性函數。神經網絡具有高度平行的結構，所以采用平行分布處理方法，比常規方法具有更強的魯棒性和容錯能力，使得快速進行大量計算成為可能。基于這些優點，人工神經網絡較好地解決了具有不確定性、嚴重非線性、時變和滯后的復雜系統的建模和控制問題[8]。

3.3 模擬退火算法

模擬退火算法是模擬金屬退火過程的一種通用概率優化算法，可用在一個大的搜尋空間內找尋問題的最優解。模擬退火算法求得的解與初始解狀態(是算法迭代的起點)無關。模擬退火算法，已在理論上被證明是一種以概率收斂于全局最優解的全局優化算法，具有漸近收斂性和并行性等優點。但其算法性能依賴于退火方案的選擇，且需進行大量隨機迭代，收斂速度慢，同時也有可能無法跳出局部最優而得不到全局最優解。

3.4 禁忌搜索法

禁忌搜索法是一種全局性鄰域搜索算法，是對人類記憶尋優過程的一種模擬。禁忌搜索算法通過特赦(破禁)準則來釋放一些被禁忌的優良狀態，以保證搜索過程的有效性和多樣性，最終實現全局優化。禁忌搜索算法的缺點是依賴初始解，單對單操作，即搜索過程中初始解只能有一個，在每代也只是把一個解移動到另一解。

3.5 混沌優化算法

混沌優化算法是用于求解組合優化問題的，基本思路是將混沌變量線性映射到優化變量取值區間，然后利用混沌變量進行搜索。該算法由于搜索過程完全按照混沌運動自身的規律和特性進行，獲得最優解的可能性更強，而且結構簡單、容易實現，是一種極有前途的優化手段。混沌優化算法明顯的缺點：當搜索起始點選擇不合適或空間很大或控制參數及控制策略選取不合適或者不考慮目標函數的特性，其效果不能令人滿意，而且算法可能需要花費很長時間才能取得較好的優化性能[6]。

4 群體智能仿生算法

現代智能優化算法具有適用范圍廣，尋優能力強，程序實現簡單等優點，很適合求解像無功優化之類的復雜非線性優化問題。但這種算法也存在早收斂、算法速度慢等缺點。新興群體智能優化算法是最新提出來但并沒有得到廣泛應用的算法，所以當其應用到機組組合負荷優化分配實際問題中時，其優缺點并未得到深入研究，主要包括粒子群優化算法、蟻群算法、免疫算法、人工魚群算法、微分進化算法等。

4.1 粒子群算法

粒子群算法是根據鳥群覓食過程中的行為提出的一種迭代優化算法。群體各個成員之間通過信息共享和個體自身經驗的總結來修正個體行動策略，從而求取優化問題的最優解。該算法具有的優勢：概念簡單、參數簡潔、無需復雜調整等；通過調整系數的取值，跳出局部最優狀態，實現擴大搜索區間或者加快收斂速度的目的。近幾年粒子群算法在優化問題求解、電力系統、計算機等領域得到廣泛的應用。但是在求解機組符合優化分配問題時存在粒子多樣性迅速下降、不能較好的完成局部搜索、算法不一定收斂于全局最優解等缺點[7]。

4.2 蟻群優化算法

蟻群優化算法是模擬螞蟻群體覓食行為而形成的一種模擬進化算法。它采用有記憶的人工螞蟻，通過個體間的信息交流與協作來找到從蟻穴到食物源的最短路徑。蟻群算法以高效搜索、魯棒性強和適用于并行處理等優點而被廣泛應用于求解旅行商問題、調度問題等領域。該算法用于負荷分配時，在保證收斂精度的前提下，收斂速度較快、穩定性高，而且高效的鄰域搜索算法和充分的收斂條件，會提高蟻群算法的效率。但是其缺點是優化過程中容易出現停滯現象，陷于局部最優解[9]。

4.3 免疫算法

免疫算法是一種模擬免疫系統智能行為的仿生算法，在解決非線性、全局優化等復雜問題時具有獨特的優越性。它是利用免疫系統的抗體多樣性、抗體的促進和抑制機制、記憶功能等特點來保持解群體的多樣性，確保快速收斂于全局最優解。算法將所求解問題的目標函數對應于入侵生物體的抗原，最優問題的解對應于免疫系統產生的抗體，通過抗原和抗體的結合力來描述可行解與最優解的逼近程度。將該算法應用到機組負荷優化分配中，可以避免遺傳算法中出現的早熟、搜索效率低和不能很好保持個體多樣性等問題，能快速搜索到全局最優解[4]。

4.4 人工魚群算法

人工魚群算法是一種基于模擬魚群行為的隨機搜索優化算法。算法利用了魚的覓食、聚群和追尾行為，從構造單條魚的行為做起，通過魚群中各個體的局部尋優，達到全局最優。該算法應用于機組優化問題是將機組開停所對應的狀態0和1整數變量松弛為區間[0，1]內的連續變量的優化問題。

4.5 微分進化算法

微分進化算法是一種基于種群進化的多點搜索算法，在搜索機理上綜合了粒子群算法和遺傳算法的尋優思想。該算法在解決復雜的全局優化問題時，實現簡單、受控參數少。但是算法完全以隨機的概率選取實驗點，容易導致尋優過程的早熟問題。一般優化過程中，通常通過采用增加種群數量的方法來處理搜索過程中的局部最優問題，這又使算法的計算時間過長而降低了算法的搜索性能[5]。

5 結語

研究發現在解決機組負荷優化分配時，每一種算法都有各自的優缺點。目前我國電廠機組負荷優化分配普遍采用的是基于等微增法和動態規劃的改進算法， 而智能算法尚在理論研究和試驗階段，還不夠成熟，但隨著計算機技術的發展和新算法的成熟，各種新型群體智能算法借其靈活性及在處理大規模問題中的優越性將會成為未來發展的主流趨勢。

參考文獻

李太興，張婷，陳文福.火電機組負荷優化分配算法分析比較[J]電氣時代，2007，11：74-77.

吳金華，吳耀武，熊信艮.基于退火演化算法和遺傳算法的機組優化組合算法[J].電網技術，2003，27(1)：26-29.

丁立功，錢躍輝，翟中牛.遺傳/禁忌組合算法在發電機組優化組合中的應用[J].電力學報，2000，15(4)：244-247.

張瑜玲，顧幸生.基于免疫算法的火電廠機組負荷優化分配研究[J].系統仿真學報，2006，18(2)：235-238.

劉自發，張建華.一種求解電力經濟負荷分配問題的改進微分進化算法[J].中國電機工程學報，2008，28(10)：100-105.

王麗俠.混沌優化算法及其在組合優化問題中的應用[J].計算機工程，2007，33(21)：192-196.

張振宇，葛少云，劉自發.粒子群優化算法及其在機組優化組合中應用[J].電力自動化設備，2006，26(5)：28-31.

毛亞林，張國忠，朱斌，周明.基于混沌模擬退火神經網絡模型的電力系統經濟負荷分配[J].中國電機工程學報，2005，25(3)：66-70.

侯云鶴， 熊信艮， 吳耀武， 魯麗娟.基于廣義蟻群算法的電力系統經濟負荷分配[J].中國電機工程學報，2003，23(3)：59-64.

[10] 劉嚴，譚忠富.動態規劃方法在機組負荷最優分配中的應用[J].現代電力，2003，20(2)：76-80.

[11] 戴義平， 孫凱， 張旭峰.基于遺傳算法的發電廠負荷最優分配[J].熱力發電，2003，( 9)：6-9.

[12] 朱廣名.發電機組優化組合的模型與算法綜述[J].電氣應用，2005，24(8)：27-31.