一种基于两阶段萤火虫编码的机组组合优化方法与流程

技术特征：

1.一种基于两阶段萤火虫编码的机组组合优化方法，其特征在于，包括建立以下机组组合模型：

所述的机组组合模型的目标函数是由发电费用和机组启动费用最小，满足有功平衡约束、旋转备用约束、机组出力上下限约束、机组爬坡约束、机组最小启/停时间约束的条件下建立；

所述的目标函数如下所示，由发电费用和启动费用两部分组成：

min F ( P , U ) = Σ i = 1 N Σ t = 1 T ( f ( P i t ) U i t + ST i U i t ( 1 - U i t - 1 ) ) ]]>

其中，发电费用函数如下：

f ( P i t ) = a i + b i × P i t + c i × ( P i t ) 2 ]]>

启动费用函数如下：

ST i = K i + B i ( 1 - e T i o f f ( t - 1 ) τ i ) ]]>

所述的目标函数中的机组出力及启停变量是模型的决策变量，需满足如下约束条件：

1 ) Σ i = 1 N P i t U i t = P D t 2 ) Σ i = 1 N U i t P i , max ≥ P D t + S D t 3 ) P i , min U i t ≤ P i t ≤ P i , max U i t 4 ) R i D o w n ≤ P i t - P i t - 1 ≤ R i u p 5 ) [ T i o n ( t - 1 ) - T i o n ] ( U i t - 1 - U i t ) ≥ 0 6 ) [ T i o f f ( t - 1 ) - T i o f f ] ( U i t - U i t - 1 ) ≥ 0 , t ∈ ( 1 , 2 , ... T ) ]]>

其中，N表示机组数目；T表示调度周期；分别表示第i号机组第t时段的出力及启停情况，U＝0表示机组关停，U＝1表示机组开启，除是待求的决策变量，其余量均是给定的参数；STi表示机组i的启动费用，Ki,Bi,τi为常数，为机组i在t-1时段连续停机时间；ai,bi,ci是机组i的发电费用系数；分表示t时段系统的负荷及旋转备用需求；Pi,max,Pi,min及分别表示第i号机组的最大、最小技术出力和向上、向下爬坡能力；分别表示第i号机组的最少开启、关停时间；

包括如下步骤：

步骤1：初始化模型中的参数，标记迭代次数cc＝1；

步骤2：初始化离散种群；第一阶段离散萤火虫编码，在多维解空间中随机初始化种群Fn代表种群规模，每个解有D维，D代表待优化变量数目，此模型中D＝N×T，N表示机组数目，T表示调度周期；编码的每一位分别代表机组在某时段的开/停状态；

步骤3：初始化机组启停状态及相应机组的最大出力，校核旋转备用约束是否满足，若满足，执行下一步；若不满足，执行旋转备用约束修复策略，继续步骤3校核旋转备用约束；

步骤4:校核机组最小启/停时间约束是否满足，若满足，执行下一步；若不满足，执行最小启/停时间约束修复策略，再转步骤3；

步骤5：由步骤3确定了满足旋转备用约束，步骤4确定了满足机组最小启/停时间约束，所述的机组的启/停变量由步骤3和4确定，使用第二阶段改进的实数编码萤火虫算法进行经济调度，确定各机组的出力，所述的有功平衡约束、机组出力上下限约束、机组爬坡约束在该步骤中处理；即以发电费用作为基本目标函数，将有功平衡约束、机组出力上下限约束、机组爬坡约束以罚函数的形式加入基本目标函数，优化得到各机组的出力；

步骤6：离散种群的适应度计算；在所述步骤3，步骤4确定的机组启停状态及步骤5确定的机组出力基础上，计算每一个萤火虫位置相对应的目标函数，并进行适应度评价；

所述步骤适应度计算，为避免过早收敛，使用如下适应度函数

Fitness＝w[1-cost％],其中cost表示当前机组组合的费用，Max(cost),Min(Cost)为当前最大、最小费用；

所述个体最大、最小及当前费用按照模型中的目标函数计算；个体成本越小，适应度越大，常数W大于0；当适应度最大时得到相应的最优成本及机组组合结果；

步骤7：保存当前得到的最优解，若达到最大迭代次数，则终止迭代，输出结果；否则，迭代次数加1，cc＝cc+1，对当前离散编码对应的实数编码进行更新，将更新后实数编码离散化为“01”编码，转步骤3。

2.根据权利要求1所述的一种基于两阶段萤火虫编码的机组组合的优化方法，其特征在于；所述的步骤2中所述的离散萤火虫编码包括先实数编码、再离散化两步，步骤如下：

第一步实数编码，对种群中每一个萤火虫的D维变量，以[0，1]间随机实数初始化；

第二步离散化具体如下：在二进制萤火虫算法中，当两萤火虫间距离值在-1到1之间变化时，则吸引度的取值在0.3679～2.7183之间变化，萤火虫移动后的位置x'p将在-2.2180到4.2180之间变化；若由0和1表示机组的启停状态，由阈值判断将实数变量映射为0,1离散变量；如果x'p大于阈值，则该个体选择为“1”，反之则选择为‘’0“；阈值水平从0到1变化，使用阈值函数：

f ( x p ′ ) = tanh ( | x p ′ | ) = e ( 2 × | x p ′ | ) - 1 e ( 2 × | x p ′ | ) + 1 ]]>

产生一个0到1之间的随机数rand(0,1)，且用0或者1表示机组的状态，当f(x'p)大于rand(0,1)，机组状态为1；否则为0；所述的rand(0,1)表示[0，1]之间的随机数。

3.根据权利要求1所述的一种基于两阶段萤火虫编码的机组组合的优化方法，其特征在于；所述的步骤3中的旋转备用约束修复策略如下：

若旋转备用约束不满足，则处于关停状态的机组根据经济性优先顺序依次启动，直到旋转备用约束满足；其中机组的经济性优先顺序按照平均煤耗大小确定，平均煤耗越小，经济性越好，则优先顺序越靠前，平均煤耗按下式确定；

AvP i = ∫ P i , m i n P i , m a x f ( P i ) dP i P i , m a x - P i , min ]]>

式中：Avpi为机组i平均煤耗，f(Pi)为机组i发电成本函数，Pi,max,Pi,min分别为机组i最大、最小出力。

4.根据权利要求1所述的一种基于两阶段萤火虫编码的机组组合的优化方法，其特征在于；所述的步骤4中的最小启/停时间约束修复策略如下：

若旋转备用约束满足，则在调度周期内的每一段间隔都要检查最小启/停时间约束，一旦最小启/停时间约束不再满足，则启用最小启/停时间约束修复策略修补偏差；所述的最小启/停时间约束修复策略为：

对机组i，其最少开启时间为最小关机时间为调度周期为T,若该机组实际关闭时间为则其违反最小关机约束，可将当前关机状态开始之前或结束之后的状态调整为“0”；通过该修复，若该机组违反了最小开机时间约束，则该机组的在违反约束时段的状态变为”1”。

5.根据权利要求1所述的一种基于两阶段萤火虫编码的机组组合的优化方法，其特征在于；所述的步骤4中的第二阶段改进的实数编码萤火虫算法包含如下定义：

吸引度：

在萤火虫算法中，吸引度函数如下：

β ( r ) = β 0 e - γr p q m , m ≥ 1 ]]>

其中，rpq是两萤火虫p,q之间的距离，β0≤是初始吸引度，γ是吸收系数，m为常数，通常取2；

萤火虫之间的距离：

两萤火虫p和q在分别位置xp和xq，两者间的距离可以定义为笛卡尔或者欧式距离:

r p q = | | x p - x q | | = Σ k = 1 d ( x p , s - x q , s ) 2 ]]>

其中，xp,s是第p只萤火虫的第s维空间坐标，xq,s是第q只萤火虫的第s维空间坐标，d是总共的坐标维度，q∈{1,2,…Fn}；虽然q是随机选择的，但是不等于p，Fn表示总的萤火虫数目；

萤火虫移动：

当萤火虫p被另一只更有吸引力的萤火虫q吸引时，其将发生移动；

x p ′ = x p + β ( r p q ) × ( x p - x q ) + α ( r a n d - 1 2 ) ]]>

式中的β(rpq)×(xp-xq)由萤火虫之间的吸引度β(rpq)决定，α为随机参数，rand是0到1之间均匀分布的随机数；

所述标准实数编码萤火虫算法，包含如下步骤：

1)初始化参数，进入迭代；2)计算萤火虫之间的距离；3)计算并比较萤火虫之间的吸引度；4)萤火虫之间发生移动；5)判断是否达到迭代最大次数，若达到则结束迭代，输出结果；否则转2)；

所述的改进的实数萤火虫算法包含如下改进机制：

改进1：个体变异机制

为避免过早陷入局部最优值，在当前代迭代结束后，也即在标准实数萤火虫算法的萤火虫之间发生移动后进行个体变异；假设分别是当前迭代中的最优及最差个体，随机从当前种群中选择3个萤火虫个体Xq1,Xq2,Xq3，q1≠q2≠q3；通过差分变异得到两个新个体：

X M u t e 1 = X q 1 + Δ × ( X q 2 - X q 3 ) ]]>

X M u t e 2 = X M u t e 1 + Δ × ( X B e s t I t e r - X W o r s t I t e r ) ]]>

XMute1，XMute2表示差分变异新个体；表示当前迭代中最优、最差个体；Δ是[0,1]之间的随机数；使用上式中的变异个体，产生下述5个新个体：

x Im p 1 , j = x M u t e 1 , j , i f κ 1 ≤ κ 2 x B e s t , j , i f κ 1 > κ 2 ]]>

x Im p 2 , j = x M u t e 1 , j , i f κ 3 ≤ κ 2 x j , i f κ 3 > κ 2 ]]>

x Im p 3 , j = x B e s t , j , i f κ 4 ≤ κ 3 x j , i f κ 4 > κ 3 ]]>

x Im p 4 , j = x M u t e 1 , j , i f κ 5 ≤ κ 4 x M u t e 2 , j , i f κ 5 > κ 4 ]]>

XImp5＝ψ×XWorst+ζ×(XBest-XWorst)

xImp1,j,xImp2,j…xImp4j分别表示第1至4个新个体的第j维元素；XImp5表示第5个新个体xMute1,j,xMute2,j，xBest,j，xj分别表示各自向量的第j维元素；

κ1,κ2,κ3,κ4,κ5,ψ和ζ是[0，1]之间的随机数；分别计算5个新个体的目标函数，若其中最小目标函数小于第i个萤火虫的目标函数值，则用其替代第i个萤火虫的位置；

改进2：参数自适应变化机制

标准实数萤火虫算法中的参数α，控制算法在对邻域萤火虫位置未知时进行随机搜索；α的大小控制着随机搜索的范围，较大的α值导致在大范围全局搜索，较小的α则进行局部搜索；合适的α值设定将平衡算法在全局和局部搜索上的表现；本方法提出一种随迭代的自适应调整的α值控制方式；

α I t e r + 1 = ( 1 2 k m a x ) 1 / k m a x α I t e r ]]>

Iter,kmax分别是当前迭代次数和最大迭代次数；α初值在[0，1]之间，随着迭代次数增大，α逐渐减小，控制算法在初始阶段有较强的全局搜索能力，在迭代后期则有较强的局部搜索能力，加快收敛速度。