CN109145449A - 一种厂级火电厂负荷分配方法 - Google Patents

一种厂级火电厂负荷分配方法 Download PDF

Info

Publication number
CN109145449A
CN109145449A CN201810967750.4A CN201810967750A CN109145449A CN 109145449 A CN109145449 A CN 109145449A CN 201810967750 A CN201810967750 A CN 201810967750A CN 109145449 A CN109145449 A CN 109145449A
Authority
CN
China
Prior art keywords
load
power plant
load distribution
thermal power
objective function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810967750.4A
Other languages
English (en)
Inventor
魏乐
田琪林
姚伟
徐珮宸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201810967750.4A priority Critical patent/CN109145449A/zh
Publication of CN109145449A publication Critical patent/CN109145449A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种厂级火电厂负荷分配方法，属于发电技术领域，目的是解决现有厂级负荷分配方法不能同时满足经济性要求和快速性要求的问题，其技术方案是，所述方法选取经济最优和时间最优作为火电厂负荷分配的两项指标，运用权重法构建目标函数，然后采用改进引力搜索算法对构建的目标函数进行求解，得到既满足经济性要求，又满足负荷调整快速性要求的火电厂负荷分配结果。本发明在运用权重法建立火电厂负荷分配目标函数的基础上，采用多目标连续引力搜索算法求得火电厂负荷分配结果，仿真结果表明，本发明同传统方法相比具有明显优势，可以让厂级负荷分配既具有较好经济性，又有较好的快速性。

Description

一种厂级火电厂负荷分配方法
技术领域
本发明涉及一种改进的火电厂负荷分配方法，属于发电技术领域。
背景技术
随着电力市场的发展，发电企业对负荷分配的要求越来越高，厂级负荷分配不仅要满足经济性要求，还要满足负荷调整时间的快速性要求，甚至要满足环保性的要求。因此最小化发电成本已经不再是负荷分配所考虑的唯一问题，多目标优化分配方法已成为当前生产调度领域研究的热点。
在目前火电厂机组规模不断增大的趋势下，同时考虑满足多个目标进行负荷分配，在计算分配时，将带来高维、非线性以及多约束等众多难题。传统的遗传智能算法虽然在全局优化方面有其明显的寻优效果，但当机组数目较多时，会遇到求解问题的解维数较多，易于发生局部最优、却很难全局最优的难题。因此，许多研究人员对传统的遗传智能算法进行了改进，如有人通过构建惩罚函数来改进实数遗传算法，以处理求解函数中部分解的约束问题；通过改变种群变异策略，解决了多峰值问题中遇到的算法过早收敛、或容易收敛的问题，但遇到较多机组和多个优化目标时，效果显得并不是那么理想。在粒子群算法应用中，有人在算法每次迭代中，通过修正相邻2次优化结果的粒子，提高空间粒子群算法局部寻优能力。但得到的分配结果显然并不是最优结果。而使得算法得到的Pareto非劣解前端、更靠近负荷优化分配问题，而真实的Pareto非劣解前端才是多目标负荷优化分配的最终目标。
综上所述，虽然许多学者进行了大量的研究，但至今仍未找到一种较好的智能算法，可以让厂级负荷分配既具有较好的科学性、经济性、又有较好的快速响应性。
发明内容
本发明的目的在于针对现有技术之弊端，提供一种厂级火电厂负荷分配方法，使厂级负荷分配既具有较好经济性，又有较好的快速性。
为实现上述目的，本发明采用如下技术方案：
一种厂级火电厂负荷分配方法，所述方法选取经济最优和时间最优作为火电厂负荷分配的两项指标，运用权重法构建目标函数，然后采用改进引力搜索算法对构建的目标函数进行求解，得到既满足经济性要求，又满足负荷调整快速性要求的火电厂负荷分配结果。
上述厂级火电厂负荷分配方法，所述方法包括以下步骤：
a.根据电厂中每台机组的标准煤耗量与机组运行负荷之间关系的数学模型，建立考虑多台机组时经济目标函数：
式中：Pi为第i台机组的要分配到的负荷；ai、bi、ci为第i台机组运行耗量特性参数；N为机组台数；
根据电厂中每台机组的负荷分配时间快速性目标函数，建立机组负荷分配时间快速性目标函数：
式中：ti是第i台机组完成分配负荷Pi实际所需时间；Tideal是负荷分配理想最小调整时间；
b.对经济目标和快速性目标进行统一量纲处理，运用权重法构建火电厂负荷分配的目标函数：
minZ(Pi)＝αFL(Pi)+βTL(Pi)+J(Pi)
式中：α为经济性权重；β为快速性权重，β＝1-α；J(Pi)是定义多目标负荷分配中的等式约束，ε为惩罚因子；FL(Pi)经统一量纲处理后的无量纲经济目标函数；TL(Pi)是经统一量纲处理后的无量纲快速性目标函数；Pfsum为电厂要分配总负荷；N为机组台数；fi(Pi)为第i台机组当前的负荷量；
c.运用改进引力搜索算法求解火电厂负荷分配的目标函数，得到火电厂负荷分配结果：
初始化改进引力搜索算法的相关参数，改进引力搜索算法的核心迭代方程如下：
式中：表示个体i在d维空间上第t次迭代时的速度，表示个体i在d维空间上第t次迭代时的加速度，表示个体i在d维空间上第t次迭代时的位置，randi是(0,1)区间内的随机数，c表示算法收敛精度，c2表示权重因子，表示在第t次迭代时所有个体中所处的最好的位置；
通过非支配排序和个体拥挤距离计算将优化群体P(gen)分成不同的等级层次，运用精英策略进行代与代间非劣个体的选择，将第gen代的群体Popt(gen)和已得到的非劣解集Pset(gen-1)合并，由个体间偏序关系，在合并后的群体中逐一选择群体规模为N的优势个体，从而得到累计gen代的非劣解集Pset(gen)，在Pset(gen)基础上交叉复制生成新一代群体Pnew(gen+1)，继续优化操作，计算引力，更新加速度、速度和粒子位置，得到多个最优个体，其每个个体对应的位置变量，即所求各机组负荷分配量。
上述厂级火电厂负荷分配方法，各个参数的优化取值分别为：惩罚因子ε＝100，权重因子c2＝0.163，算法收敛精度c＝0.85。
本发明在运用权重法建立火电厂负荷分配目标函数的基础上，采用多目标连续引力搜索算法求得火电厂负荷分配结果，仿真结果表明，本发明同传统方法相比具有明显优势，可以让厂级负荷分配既具有较好经济性，又有较好的快速性。
附图说明
图1为多目标连续引力搜索算法应用电厂负荷分配流程图；
图2为运用本发明所述方法和NSGA-II算法对某电厂负荷分配总负荷Pfsum＝1800WM，Pareto解对比图；
图3在基础引力搜索算法中添加全局记忆与已有改进对比优化结果；
图4在改进引力搜索算法中改变不同收敛精度系数结果。
文中各符号为：Pi为第i台机组的要分配到的负荷；ai、bi、ci为第i台机组运行耗量特性参数；N为机组台数；ti是第i台机组完成分配负荷Pi实际所需时间；Tideal是负荷分配理想最小调整时间；α为经济性权重；β为快速性权重，β＝1-α；J(Pi)是定义多目标负荷分配中的等式约束，ε为惩罚因子；FL(Pi)经统一量纲处理后的无量纲经济目标函数；TL(Pi)是经统一量纲处理后的无量纲快速性目标函数；Pfsum为电厂要分配总负荷；fi(Pi)为第i台机组当前的负荷量；表示个体i在d维空间上第t次迭代时的速度，表示个体i在d维空间上第t次迭代时的加速度，表示个体i在d维空间上第t次迭代时的位置，randi是(0,1)区间内的随机数，c表示算法收敛精度，c2表示权重因子，表示在第t次迭代时所有个体中所处的最好的位置；irank是个体i通过支配排序法得到等级层次；idistance是i个体的拥挤距离；I[j]distance表示j个体的拥挤距离；I[j+1].k表示j的下邻居个体在子目标K上的目标值。
具体实施方式
在结合附图和具体实例说明之前，对本发明中一些内容做进一步详细说明。
本发明提供了一种多目标连续引力搜索求解火电厂负荷调度过程中机组实际分配负荷的方法。目的旨在既要求在增/减负荷过程所需经济成本最小，同时要求在增/减负荷过程机组完成所需时间最小。利用改进引力搜索算法流程简单，通用性强，算法优化效率高的优点，同时借鉴NSGA-II法中连续多代进化的甄选优势，提出多目标连续引力搜索算法，来得到更好的负荷分配结果。
本发明将已知多台机组经济目标函数和机组负荷分配时间快速性目标函数作为负荷分配中的两个目标，采用改进引力搜索算法去求解进化求解中某一代的机组负荷最优解，构建多目标的适应度函数，使适应度函数值达到最小，进而选出多个机组负荷最优解，进一步交叉、变异连续优化求解，满足迭代代数最终得到多个机组负荷最优解。其中代内进化的策略为：首先利用改进引力搜索算法求解得到满足约束和多个目标最优结果的多组负荷解集P(gen)，然后通过非支配排序和个体拥挤距离计算将优化群体P(gen)分成不同的等级层次。规则是：当前群体所有个体中没有被其他任何个体所支配的个体为Pareto-占优，定义该个体rank＝n(n＝1,2,L,N)，rank＝n的所有个体集合为第一层Pareto-占优集合。然后将rank＝n集合中的个体从当前的群体中去除。对余下的群体做同样分级操作；同时在同层个体中计算个体间的拥挤距离。优化群体P(gen)通过上述操作得到新的排序个体集合，然后对集合中个体进行满足等式约束筛选，剔除不合格的个体，从而得到第gen代的最优解集Popt(gen)。
非支配排序法是由群体中两个个体i与j间的偏序关系pn来确定。
式中：irank是个体i通过支配排序法得到等级层次；idistance是i个体的拥挤距离，数值上等于在群体空间中同一等级层次上,与个体i相邻的两个个体在每个子目标上的距离之和。本发明中的两个子目标分别是经济最优目标F(Pi)和最大调整时间Tfinal。
式中：I[j]distance表示j个体的拥挤距离，即写为jdistance；I[j+1].k表示j的下邻居个体在子目标K上的目标值，K＝1,2,L,n。
选择适应度函数之前，先要对目标函数进行无量纲处理。选取经济最优与时间最优作为负荷分配的两项指标，运用权重法获得新的目标函数。进行统一量纲处理。具体处理方法：假设能够找到一组在满足机组等式和不等约束式下负荷最优分配则会发现与具有相同的量纲t/h。将两者相除，量纲t/h将会消除，从而统一量纲。于是得到无量纲经济目标函数：
类似无量纲快速性目标函数：
式中：Tideal是负荷分配理想最小调整时间。
构建得到新的目标函数，同时考虑问题等式约束的问题，将等式约束用惩罚因子ε构造罚函数。与无量纲多目标经过归一化处理，最后将其作为算法适应度函数。
minZ(Pi)＝αFL(Pi)+βTL(Pi)+J(Pi)
式中：α为经济性权重；β为快速性权重，β＝1-α；J(Pi)是定义多目标负荷分配中的等式约束，ε为惩罚因子，ε＝100。
在参数初始化之前，先对标准的引力搜索算法进行改进，引力搜索算法的优点在于它的简单、参数少，但是它存在易陷入局部搜索的缺点，为了提高引力搜索算法的全局搜索能力，必须对其进行改进。改进引力搜索算法的方法有很多，本发明是对算法的核心迭代方程进行改进，得出一种新型混合型算法。其核心迭代方程具体表达式如下：
其中，表示个体i在d维空间上第t次迭代时的速度，表示个体i在d维空间上第t次迭代时的加速度，表示个体i在d维空间上第t次迭代时的位置，randi是(0,1)区间内的随机数，c表示算法收敛精度，c2表示全局记忆权重，表示在第t次迭代时所有个体中所处的最好的位置；
在算法改进时，对c2全局记忆权重做了仿真试验，发现本发明改进全局记忆1，c2＝0.163,本发明改进全局记忆2，c2＝0.352，经过多次试验发现c2在区间(0.1,0.45)有较好的迭代结果；同时对比已有改进的全局记忆算法，其中已有改进全局记忆1：c1＝0.112，c2＝0.713。已有改进全局记忆2：c1＝0.212，c2＝0.813。经过多次试验发现才c1在区间(0.1,0.4)且c2在区间(0.7,0.95)之间有较好的迭代结果，但算法迭代次数过高，影响算法计算效率。实验结果表明本发明改进全局记忆算法寻优精度明显提高，迭代次数较少，且算法参数选取简单，实验结果见附图3；改变c收敛精度，可以明显看出适当改变c值，寻优精度明显提高，寻优速度也有提升。通过多次试验发现，c2的取值和c的取值有一定影响关系。在本发明中c2取0.163，c的取值范围为(0.8,1.3)。算法可以的得到较好的迭代结果，实验结果见附图4。
本发明采用一种新的智能优化混合算法，其基于万有引力定律的搜索机制与现有智能优化算法的搜索机制有着本质的区别，采用改进引力搜索算法通过寻找目标函数较优值，确定多个较优值所对应的个体位置，这些个体位置所对应的参数就是所求各机组负荷分配量，经过多代进化优化，结果得到较为真实的Pareto非劣解，且严格满足问题的约束。
下面结合实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部实施方式。
本实施例讨论某火电厂10台机组。电厂的负荷范围为960-2650MW，机组当前负荷状态为1200MW，各个机组的特性参数参考表1。
(1)根据表1所述机组特性参数带入已有的电厂中每台机组标准煤耗量与机组运行负荷的关系特性数学模型的表达式和负荷分配时间快速性目标函数。
多台机组时经济目标函数为：
满足约束为：
1)负荷上下限约束：
2)功率平衡约束：
式中：Pi为第i台机组的要分配到的负荷；ai、bi、ci为第i台机组运行耗量特性参数；分别为第i台机组承担负荷的上、下限；Pfsum为电厂要分配总负荷；N为机组台数。
机组负荷分配时间快速性目标函数：
全厂负荷分配最终完成时间：
Tfinal＝max{t1,t2,L,tN}(7)
满足约束条件1),2)。
式中：ti是第i台机组完成分配负荷Pi实际所需时间；为第i台机组当前承担的负荷；Vi为每台机组的升降负荷速率；为电厂分配前机组正在运行的总负荷。Tideal是负荷分配理想最小调整时间。
(2)对目标函数进行无量纲处理。选取经济最优与时间最优作为负荷分配的两项指标，运用权重法获得新的目标函数。进行统一量纲处理，具体见本文前面所述，在此不再赘述。构建得到新的目标函数，同时考虑问题等式约束的问题，将等式约束用惩罚因子ε构造罚函数。与无量纲多目标经过归一化处理，最后将其作为算法适应度函数。算法适应度函数在每次引力搜索过程中对多目标值和问题约束进行限制，使其在搜索寻优过程中不断变小。从而更新粒子的位置(机组负荷分配量)。
算法适应度函数：minZ(Pi)＝αFL(Pi)+βTL(Pi)+J(Pi)(8)
(3)引力搜索计算(代内迭代)
1)计算个体质量
个体i的质量定义如下：
mi(t)＝(fiti(t)-fitwst(t))/(fitbst(t)-fitwst(t))(10)
其中，fiti(t)和Mi(t)分别表示在第t次迭代时第i个个体的适应度函数值和质量；fitbst(t)和fitwst(t)表示在第t次迭代时所有个体中最优适应度函数值和最差适应度函数值。
2)计算引力
在第d维上，个体j对个体i的引力定义如下：
其中，G(t)表示在第t次迭代时万有引力常数的取值，G(t)＝G0e-αt/T'，G0和α为常数，T'表示最大迭代次数；Rij(t)表示个体i和j之间的欧式距离，且i≠j，d＝1,2,L D；φ是一常数，防止分母为零。本实例G0和α分别为100,5。
3)计算加速度
根据Newton第二定律，个体i在第d维的加速度方程为：
4)个体运动位置更新，见本文上算法的核心迭代方程改进。
(4)非支配排序法、拥挤距离和精英策略(代内甄选，代间迭代)
在基础引力搜索算法中添加非支配排序法、拥挤距离和精英策略，提出多目标连续优化引力搜索算法。利用改进引力搜索算法求解每一代新群体Pnew(gen)得到优化群体P(gen)。通过非支配排序和个体拥挤距离计算将优化群体P(gen)分成不同的等级层次。运用精英策略进行代与代间非劣个体的选择，将第gen代的群体Popt(gen)和已得到的非劣解集Pset(gen-1)合并，由个体间偏序关系，在合并后的群体中逐一选择群体规模为N的优势个体，从而得到累计gen代的非劣解集Pset(gen)。在Pset(gen)基础上交叉复制生成新一代群体Pnew(gen+1)，继续优化操作，计算引力，更新加速度、速度和粒子位置。
(5)编写MATLAB程序，算法参数设置为种群100，进化代数300；c2＝0.163，c＝0.85，β＝0.5；在MATLAB 2013进行仿真实验。Pfsum＝1800MW，得到各台机组的负荷优化数据、全厂煤耗量F/(t/h)和全厂完成给定负荷的调整时间Tfinal/min。优化问题的部分解见表2。设置同样的机组参数在MATLAB2013中调用gamultiobj库函数(改进的NSGA-II算法)得到对比算法结果见图2.
表1
其他方法和多属性决策在本实施例中不做多余的阐述，最终得到的部分解见表2，表2列出100组解中部分解，从中可以看出每一个解都满足各台机组上下限约束和机组功率平衡约束。表明本文提出的多目标融合函数可以解决约束问题。且能求解出更多的Pareto最优解。
表2
由运算结果得到的决策矩阵X100×2运用多属性决策方法选择最优解。计算成本型规范化后得到矩阵R100×3。取μ＝0.5，计算属性的权值向量w＝[0.953,0.047]。得到备选解向量。最终，得到负荷优化分配最优解15。
表3
在表3中，列出了GSA(引力搜索算法)改进前后的运算结果和采用的动态规划(Dynamic Programming,DP)求解的结果。IGSA(改进引力搜索算法)得到的最优方案，在优化运行中只需投入较低经济成本就能达到分配要求。经过多次仿真实验，发现IGSA算法在经济性方面总是优于其他算法。而在快速性方面多数情况下，运算结果优于其他算法；对比改进前后的GSA算法，IGSA算法在寻优结果和收敛性方面明显提高。分析运算过程结果发现，IGSA比GSA更容易得到满足问题约束的解。
综上所述，本文提出的IGSA算法具有较好寻优能力和收敛性，Pareto最优解前端分布性较好。可以为电厂负荷优化分配提供一定的指导意义。

Claims (3)

1.一种厂级火电厂负荷分配方法，其特征是，所述方法选取经济最优和时间最优作为火电厂负荷分配的两项指标，运用权重法构建目标函数，然后采用改进引力搜索算法对构建的目标函数进行求解，得到既满足经济性要求，又满足负荷调整快速性要求的火电厂负荷分配结果。
2.根据权利要求1所述的厂级火电厂负荷分配方法，其特征是，所述方法包括以下步骤：
a.根据电厂中每台机组的标准煤耗量与机组运行负荷之间关系的数学模型，建立考虑多台机组时经济目标函数：
式中：Pi为第i台机组的要分配到的负荷；ai、bi、ci为第i台机组运行耗量特性参数；N为机组台数；
根据电厂中每台机组的负荷分配时间快速性目标函数，建立机组负荷分配时间快速性目标函数：
式中：ti是第i台机组完成分配负荷Pi实际所需时间；Tideal是负荷分配理想最小调整时间；
b.对经济目标和快速性目标进行统一量纲处理，运用权重法构建火电厂负荷分配的目标函数：
minZ(Pi)＝αFL(Pi)+βTL(Pi)+J(Pi)
式中：α为经济性权重；β为快速性权重，β＝1-α；J(Pi)是定义多目标负荷分配中的等式约束，ε为惩罚因子；FL(Pi)经统一量纲处理后的无量纲经济目标函数；TL(Pi)是经统一量纲处理后的无量纲快速性目标函数；Pfsum为电厂要分配总负荷；N为机组台数；fi(Pi)为第i台机组当前的负荷量。
c.运用改进引力搜索算法求解火电厂负荷分配的目标函数，得到火电厂负荷分配结果：
初始化改进引力搜索算法的相关参数，改进引力搜索算法的核心迭代方程如下：
式中：表示个体i在d维空间上第t次迭代时的速度，表示个体i在d维空间上第t次迭代时的加速度，表示个体i在d维空间上第t次迭代时的位置，randi是(0,1)区间内的随机数，c表示算法收敛精度，c2表示权重因子，表示在第t次迭代时所有个体中所处的最好的位置；
通过非支配排序和个体拥挤距离计算将优化群体P(gen)分成不同的等级层次，运用精英策略进行代与代间非劣个体的选择，将第gen代的群体Popt(gen)和已得到的非劣解集Pset(gen-1)合并，由个体间偏序关系，在合并后的群体中逐一选择群体规模为N的优势个体，从而得到累计gen代的非劣解集Pset(gen)，在Pset(gen)基础上交叉复制生成新一代群体Pnew(gen+1)，继续优化操作，计算引力，更新加速度、速度和粒子位置，得到多个最优个体，其每个个体对应的位置变量，即所求各机组负荷分配量。
3.根据权利要求2所述的厂级火电厂负荷分配方法，其特征是，各个参数的优化取值分别为：惩罚因子ε＝100，权重因子c2＝0.163，算法收敛精度c＝0.85。
CN201810967750.4A 2018-08-23 2018-08-23 一种厂级火电厂负荷分配方法 Pending CN109145449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810967750.4A CN109145449A (zh) 2018-08-23 2018-08-23 一种厂级火电厂负荷分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810967750.4A CN109145449A (zh) 2018-08-23 2018-08-23 一种厂级火电厂负荷分配方法

Publications (1)

Publication Number Publication Date
CN109145449A true CN109145449A (zh) 2019-01-04

Family

ID=64791231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810967750.4A Pending CN109145449A (zh) 2018-08-23 2018-08-23 一种厂级火电厂负荷分配方法

Country Status (1)

Country Link
CN (1) CN109145449A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110048468A (zh) * 2019-05-08 2019-07-23 华北电力科学研究院有限责任公司 火力发电厂机组负荷分配方法及装置
CN111128315A (zh) * 2019-12-13 2020-05-08 桂林理工大学 一种基于引力搜索算法的地聚物混凝土配合比方法
CN112183843A (zh) * 2020-09-24 2021-01-05 国网辽宁省电力有限公司辽阳供电公司 一种基于混合智能算法的火电厂负荷优化分配方法
CN113255228A (zh) * 2021-06-09 2021-08-13 国网山东省电力公司电力科学研究院 一种基于遗传算法的火电机组调峰组合总煤耗优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239961A (zh) * 2014-07-16 2014-12-24 广东工业大学 一种基于纵横交叉算法的电力系统经济调度优化方法
CN104636821A (zh) * 2015-01-19 2015-05-20 上海电力学院 基于动态惯性权重粒子群的火电机组负荷优化分配方法
CN107168392A (zh) * 2017-06-09 2017-09-15 华北电力大学（保定） 一种锅炉汽包水位pid参数的整定方法
CN107958424A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种基于改进引力搜索算法的电力系统经济调度策略
CN107957681A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种研究冷热电联供微网环保经济调度的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239961A (zh) * 2014-07-16 2014-12-24 广东工业大学 一种基于纵横交叉算法的电力系统经济调度优化方法
CN104636821A (zh) * 2015-01-19 2015-05-20 上海电力学院 基于动态惯性权重粒子群的火电机组负荷优化分配方法
CN107958424A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种基于改进引力搜索算法的电力系统经济调度策略
CN107957681A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种研究冷热电联供微网环保经济调度的方法
CN107168392A (zh) * 2017-06-09 2017-09-15 华北电力大学（保定） 一种锅炉汽包水位pid参数的整定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LE WEI, QILIN TIAN: ""Multi-objective Optimal Load Distribution Based on Improved Gravitational Search Algorithm in Power Plants"", 《IEEE》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110048468A (zh) * 2019-05-08 2019-07-23 华北电力科学研究院有限责任公司 火力发电厂机组负荷分配方法及装置
CN111128315A (zh) * 2019-12-13 2020-05-08 桂林理工大学 一种基于引力搜索算法的地聚物混凝土配合比方法
CN111128315B (zh) * 2019-12-13 2023-08-11 桂林理工大学 一种基于引力搜索算法的地聚物混凝土配合比方法
CN112183843A (zh) * 2020-09-24 2021-01-05 国网辽宁省电力有限公司辽阳供电公司 一种基于混合智能算法的火电厂负荷优化分配方法
CN112183843B (zh) * 2020-09-24 2023-06-06 国网辽宁省电力有限公司辽阳供电公司 一种基于混合智能算法的火电厂负荷优化分配方法
CN113255228A (zh) * 2021-06-09 2021-08-13 国网山东省电力公司电力科学研究院 一种基于遗传算法的火电机组调峰组合总煤耗优化方法及系统

Similar Documents

Publication Publication Date Title
CN109145449A (zh) 一种厂级火电厂负荷分配方法
CN108846526A (zh) 一种二氧化碳排放量预测方法
CN109214449A (zh) 一种电网投资需求预测方法
CN115470704B (zh) 一种动态多目标优化方法、装置、设备和计算机可读介质
CN113033970B (zh) 一种针对大规模任务的auv集群分层分配方法
Zadeh et al. An efficient metamodel-based multi-objective multidisciplinary design optimization framework
CN108167802B (zh) 低负荷下锅炉负荷的多模型智能寻优预测控制方法
CN114357852A (zh) 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法
CN109670655B (zh) 一种电力系统多目标粒子群优化调度方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN113128124A (zh) 基于改进神经网络的多牌号C-Mn钢力学性能预测方法
CN102279419A (zh) 一种基于遗传算法提高缝洞型油藏自动历史拟合效率的方法
Natarajan et al. Production wastage avoidance using modified multi-objective teaching learning based optimization embedded with refined learning scheme
CN116307149A (zh) 基于注意力LSTM和KbNSGA的高炉性能优化方法
Wu et al. Many-objective brain storm optimization algorithm
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN113313322B (zh) Moea/d挤压工艺参数多目标优化方法及装置
CN113128617B (zh) 基于Spark和ASPSO的并行化K-means的优化方法
Liu et al. An efficient manta ray foraging optimization algorithm with individual information interaction and fractional derivative mutation for solving complex function extremum and engineering design problems
CN117093885A (zh) 融合分层聚类和粒子群的联邦学习多目标优化方法
CN112506899A (zh) 一种基于改进lstm的pm2.5数据异常值检测方法
CN109447231B (zh) 蚁群算法求解共享经济背景下多属性双边匹配问题的方法
CN113765125B (zh) 一种氢储能系统集群功率分配方法
CN110348576A (zh) 一种基于指标改进多目标细菌趋药性算法的决策方法
CN116402209A (zh) 基于改进神经网络模型的三峡水库坝前来漂量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190104