发电机机组的优化组合研究开题报告

1. 研究目的与意义

电能作为科学技术发展和国民经济飞跃的主要动力，已经与人类的社会生活息息相关。

本文以发电站的实际发电问题为背景，投入成本的最小化为目的，结合电力负荷、瓶颈能力、改动检修等因素，综合考虑了发电机组的经济组合，边际费用以及调度方案等方面。

电力系统经济调度的目的是在满足系统安全约束、电能质量要求的条件下尽可能提高运行的经济性。

2. 研究内容和预期目标

机组组合问题是编制短期发电计划首先要解决的问题,合理的开停机方案将带来很大的经济效益,由于问题十分复杂,很难找出理论上的最优解。本文的关键是如何建立合适的模型，然后对相应模型就行有关的计算，最终找出最合适的方案。

难点是如何找出适的数据模型，通过相关软件进行仿真，然后对数据进行有关的运算，确定最终的模型。找出最优的组合方式。

3. 研究的方法与步骤

电经济调度是一个十分复杂的系统优化问题,从总体上解决,难度非常大, 常分解为一系列的子问题分别处理从短期发电计划来看,可分为机组组合、火电计划、水电计划、交换计划、燃料计划等子问题。其中机组的优化组合是编制短期发电计划首先要解决的问题,它的经济效益一般大于负荷经济分配的效益。 文献[1、5、11] 中介绍了电力系统经济调度和机组组合问题的数学模型和基本方法机组组合问题是一个高维数、非凸的、离散的、非线性的优化问题, 很难找出理论上的最优解,但由于它能够带来显著的经济效益,人们一直在积极研究, 提出各种方法来解决这个问题, 如启发式方法、优先顺序法、动态规划法、整数规划和混合整数规划法、分支定界法、拉格朗日松弛法、专家系统法、人工神经网络法、模拟退火算法、遗传算法等,文献介绍了电力系统是一个非常典型的大系统,是大系统优化和控制理论的一个重要应用领域[。大系统的分解协调思想最早见于对于线性规划问题的分解,而用于机组组合问题的主要是拉格朗日松弛)法,该方法产生于70 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 文献[2]将遗传算法应用于机组组合问题,为克服简单遗传算法过早收敛的缺陷,引入变化性质函数技术,并对具体问题加入特殊的算子,计算结果表明,对于大系统,遗传算法比拉格朗日松弛法优化效果更好。遗传算法是目前广泛研究和应用的模拟自然界生物进化过程的组合优化算法。遗传算法是一个框架性的算法,可以根据具体问题进行不同的。考虑文献对遗传算法的变异算子进行了特殊的处理, 算法能包含任何可转化成实际费用的束,具有很好的鲁棒性,可以在合理的计算时间内找到好的方案。用遗传算法解决机组组合和经济调度(负荷经济分配)问题,在机组组合问题中,用惩罚项的办法处理约束,问题在于交叉操作将导致新的不满足约束的情况,而且要选择很多在数值上毫不相关的惩罚系数。 文献[3、4]提出解决新的多目标发电调度问题的新方法,文献采用简单的启发式引导的遗传算法解决这个具有相互矛盾但又同等重要的优化目标的大量线性约束优化问题,用启发式方法构造了一个有效的搜索算法,只产生可行方案, 减小了搜索空间。根据遗传算法处理的难易,把问题的约束分为难处理的和易处理的两类,难理的约束最小开停机时间约束用合适的编码方式解决,而易处理的约束在负荷经济分配模块中处理, 作为目标函数的惩罚项。结合使用遗传算法和模拟退火算法,在寻找优化燃料计划时使用了模糊集理论,并用启发式的方法来形成初始种群, 计算表明混合算法比常规算法效果要好。 文献[5、10]中介绍了发电机组优化组合是电力系统短期经济调度的一项重要任务,这是一个高维数、离散的、非线性的优化问题,采用传统的数学优化方法,如线性规划、整数规划、混合整数规划等会常遇到的搜索方向错误、迭代发散等问题；如果变量和约束条件增加太多,还往往会陷入所谓的/ 组合爆炸。遗传算法非常适用于解决组合优化以及目标函数或某些约束条件不可微的非线性优化问题,为了进一步提高遗传算法的收敛速度和改善解质量,本文将对基本的遗传算法作改进,包括选择方式、适应度函数动态定标等方面进行改进,并用新的方法进行验证和应用。 文献[11]主要介绍了用遗传算法确定机组的足有模型。遗传算法的步骤可以分为如下：( 1) 确定适应度函数 定义一个适度函数,用于反映优化问题追求的目标；采用的适应度函数应能计算出搜索空间中每个染色体的适应度函数值,供遗传操作和评价个体时使用。( 2) 拟定控制参数 遗传算法的主要控制参数有群体规模N,算法执行的最大代数M,选择率P,交叉率Pc和变异率Pm等参数。这些参数的选定影响优化的最终结果, 必须合理选取( 3) 停止准则 在遗传算法执行过程中, 可以选用下述条件作为停止准则:最优个体的适应度函数值达到了问题最优解；最优个体的适应度函数值和群体的平均适应度函数值经过多次迭代运算,保持稳定, 已不再增加了；迭代次数已经达到了算法执行的最大代数。在遗传算法的执行过程中,如果上述3个条件中有1个得到了满足,则迭代过程收敛, 算法结束。 综上所述，要确定发电机组的优化组合，首先建立最佳的机组问题的模型，而经济调度对发动机机组的优化又相当重要，所以建立机组模型的前提是对经济调度有一定的了解。而遗传算法在对模型的数据处理又特别的重要。

参考文献[1] 机组组合问题的优化方法综述 陈皓勇　王锡凡[2] 电力系统发电机组优化组合遗传算法的改进 谭志庆 郑志勇 林桂[3] 机组组合问题的模型与算法综述 易善军 马煜 张键男[4] 电力系统优化数学模型和计算方法 范明天、张祖平[5] 电力系统调度优化理论及其应用 刘继春，[6] 大唐国际发电股份有限公司，大型火电机组经济运行及节能优化[7] 组合最优化算法和复杂性 刘振宏,蔡茂诚[8] 同步电机参数的可辨识性研究 李靖霞 倪腊琴 鞠平[9] 同步发电机和动态等值模型的可辨识性与辨识 倪腊琴[10]发电机组优化的组合模型 王建[11]改进遗传算法确定发电机组的优化组合 刘青松

4. 参考文献

机组组合问题是一个高维数、非凸的、离散的、非线性的优化问题,很难找出理论上的最优解,但由于它能够带来显著的经济效益,人们一直在积极研究,提出各种方法来解决这个问题,如启发式方法、优先顺序法、动态规划法、整数规划和混合整数规划法、分支定界法、拉格朗日松弛法、专家系统法、人工神经网络法、模拟退火算法、遗传算法等。

研究内容

1. 建立发电机组组合优化模型

5. 计划与进度安排

第1周：查阅文献；第2周：翻译外文文献；第3周：撰写开题报告；第4周：研究发电机组组合优化模型；第5周：研究发电机组组合优化模型；第6周：研究发电机组组合优化模型；第7周：研究发电机组组合优化算法；第8周：研究发电机组组合优化算法；第9周：研究发电机组组合优化算法；第10周：撰写论文；第11周：撰写论文；第12周：修改论文并答辩。