CN112200495B - 一种基于改进差分进化算法的电力系统动态调度方法 - Google Patents

Abstract

本发明涉及一种基于改进差分进化算法的电力系统动态调度方法，包括步骤1：对基于精英化岛屿种群的差分进化算法进行编码，同时初始化种群；步骤2：将种群划分为若干个岛屿种群，对岛屿种群进行分类；步骤3：获取变异子岛屿，并计算变异子岛屿个体适应度；步骤4：对变异子岛屿中每个个体进行约束性判断；步骤5：判断执行间隔，并执行移民和个体迁移操作；步骤6：根据适应度值对岛屿进行再次分类；步骤7：判断是否满足迭代停止条件，若是，则执行步骤8，否则，返回步骤3；步骤8：输出最优解；步骤9：对电力系统进行动态调控。与现有技术相比，本发明具有有效减少燃料费用浪费、适应性好、稳定可靠、反应速度快的等优点。

Description

一种基于改进差分进化算法的电力系统动态调度方法

技术领域

本发明涉及电力系统动态调度技术领域，尤其是涉及一种基于精英化岛屿种群改进型差分进化算法的电力系统动态调度方法。

背景技术

差分进化算法通过模仿生物进化的过程在解空间内迭代搜索最优解，广泛应用于解决现实世界中的各类优化问题，效果明显，因此人们对于差分进化算法优化精度和收敛速率提升的研究始终未曾停止。目前，主要的改进方法集中在四个方面：一是对算法控制参数的改进，例如jDE算法，通过给每个个体分配不同的变异、交叉概率，并根据两个指定的阈值对其进行动态调整，使算法自适应的平衡全局搜索与局部搜索能力。二是对算法变异策略的改进，例如SaDE算法在每次变异时，从多种变异策略中自适应地选择一种适合的策略执行，增强寻优能力。三是对种群结构进行改进，例如岛屿模型将全种群划分为多个子种群(岛屿)，利用岛屿间的基因隔离，增加种群多样性，从而提升优化精度。四是结合方向一二三中的几种改进方法的综合改进方法。例如iDE算法在岛屿模型的基础上将调整岛屿大小，并给岛屿分配不同的控制参数，实现全局搜索与局部搜索并重。电力系统动态经济调度(Dynamic Economic Dispatch，DED)问题是在某一特定调度周期内满足系统运行约束条件下优化发电机组间功率分配，使系统发电燃料费用最小化的问题。DED是一类复杂时变的优化问题，优化DED除了寻找系统的最小发电燃料费用，还需满足系统运行约束，以便得到的解是可行的。

现在已有使用差分进化算法对电力系统进行动态调度进行优化，但是由于差分进化算法并不能保证寻优结果是最优解，寻优时常以近似最优解代替最优解，而由于算法精确度不足，使得优化后仍有燃料费用的浪费。而使用改进的差分进化算法优化电力系统进行动态调度，也存在问题：单一地对控制参数、变异策略或者种群结构进行改进，提升效果有限。而综合改进算法，难以结合几种改进的优势，以岛屿模型差分进化算法为例，不同岛屿的控制参数是人工确定的，未必与岛屿实际情况相符，对不同问题的适应能力不足。算法的基因交流过程是随机单向的，在迭代后期，可能造成各岛屿上的基因趋同，种群多样性不足导致收敛停滞。同时算法的个体迁移机制，虽然能增强当前最佳岛屿的搜索能力，但是没有考虑到增强局部搜索的位置，迁入适应度较差的个体会干扰最佳岛屿的进化方向。使用上述算法对电力系统进行动态经济调度时，对电力系统的控制精度不高，仍然会有燃料费用的浪费。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有效减少燃料费用浪费、适应性好、稳定可靠、反应速度快的基于改进差分进化算法的电力系统动态调度方法。

本发明的目的可以通过以下技术方案来实现：

一种基于改进差分进化算法的电力系统动态调度方法，包括以下步骤：

步骤1：根据需要进行动态调度的电力系统的信息，对基于精英化岛屿种群的差分进化算法进行编码，同时初始化种群；

步骤2：将步骤1的种群划分为若干个岛屿种群，按照适应度值对岛屿种群进行分类；

步骤3：对各类别的岛屿分别执行变异、交叉操作得到变异子岛屿，并计算变异子岛屿个体适应度；

步骤4：对变异子岛屿中每个个体进行约束性判断，若满足约束，则执行选择操作；

步骤5：判断执行间隔，并执行移民和个体迁移操作；

步骤6：根据适应度值对岛屿进行再次分类；

步骤7：判断是否满足迭代停止条件，若是，则执行步骤8，否则，返回步骤3；

步骤8：输出最优解，得到电力负载要求下，燃料费用最低时各发电机组的输出功率；

步骤9：根据步骤8的输出值对电力系统进行动态调控。

优选地，所述的步骤1具体为：

首先根据要进行电力系统进行动态调度的发电系统信息编码解空间，而后初始化个体并平均的随机划分到多个岛屿中。

更加优选地，所述的初始化种群个体需要获取的参数包括最大迭代数G、岛屿数量N、岛屿种群个体数NP_i、普通岛屿变异算子F、交叉算子CR、精英岛屿变异算子上界和下界F_u和F_l、精英岛屿交叉算子上界和下界CR_u和CR_l、根据发电机组数量设立的个体维度D、根据各发电机可工作范围初始化的各维度初始范围上下限集合xMax和xMin、执行移民和个体迁移的间隔代数I、迁移比例R以及收敛误差阈值ε。

更加优选地，所述的步骤2具体为：

根据参数xMax和xMin初始化N个岛屿种群P_i，计算每个P_i中所有个体的适应度值f_l以及每个岛屿的适应度均值

然后求出每个岛屿内的最佳个体的适应度均值

而后与每个岛屿内的最佳个体适应度值bestFitness_n比较，对岛屿进行分类，获得岛屿类型type_n。

更加优选地，所述对岛屿进行分类的方法具体为：

将当前岛屿内最佳个体适应度值bestFitness_n与最佳个体的适应度均值

进行比较，若该岛屿内bestFitness_n大于

则将该岛屿分类为精英岛屿，将其他岛屿分类为普通岛屿；

精英岛屿中岛屿内的最佳个体适应度值bestFitness_n最好的岛屿分类为最佳岛屿；普通岛屿中岛屿内的最佳个体适应度值bestFitness_n最差的岛屿分类为最差岛屿。

更加优选地，所述的步骤3具体为：

若当前岛屿为普通岛屿，则按照普通岛屿变异算子F和交叉算子CR执行DE/rand/1/bin的变异、交叉和选择操作；

若当前岛屿为精英岛屿，则按照精英岛屿变异算子上界和下界F_u和F_l以及第一自适应公式，对每一个个体自适应的生成变异算子F_i，执行增强局部搜索的变异操作；在变异操作结束后，按照岛屿的适应度均值

精英岛屿交叉算子上界和下界CR_u和CR_l以及第二自适应公式，对每一个个体自适应的生成交叉算子CR_i，执行交叉操作；

所述的第一自适应公式具体为：

所述的第二自适应公式具体为：

其中，其中f_best、f_mid和f_worst分别为

和

三个个体的适应度函数值，F_i表示第i个个体变异时的变异概率，F_l表示变异概率的下限，F_u表示变异概率的上限，CR_l表示交叉概率的下限，CR_u表示交叉概率的上限，f_i表示第i个变异个体的适应度函数值，

表示该岛屿所有个体的平均适应度函数值，f_min和f_max分别表示当前岛屿种群中最好和最差个体的适应度函数值。

更加优选地，所述的步骤4具体为：

对交叉操作后得到的变异子岛屿中的每个岛屿上的每个个体进行约束性判断，而后对满足约束性的每个个体执行选择操作。

更加优选地，所述的约束性判断包括：

所有发电机组的输出功率是否大于等于系统总的负载需求和传输损耗之和；

各发电机组的输出功率改变量是否不超过最大升或降的阈值；

各发电机组的输出功率是否在该发电机组的可实现功率范围内。

更加优选地，所述的步骤5具体为：

步骤5-1：判断本次迭代距离上次执行移民和个体迁移操作的间隔代数是否大于等于I，若是，则执行步骤5-2，否则，执行步骤6；

步骤5-2：进行移民操作，具体为：用每个岛屿上的最佳个体替换最佳岛屿任意一个非最佳个体，将精英岛屿上任意一个非最佳个体替换为最佳岛屿上任意一个个体，然后执行步骤5-3；

步骤5-3：根据当前迭代次数g、最大迭代次数G、每个岛屿种群的个体数NP_i以及迁移比例R，计算可迁移个体数，若迁入岛屿现有个体数量与初始个体数量的差值小于可迁移个体数，即为可迁移，则将最差岛屿上的最差个体删除，同时在最佳岛屿上复制一个该岛屿内的最佳个体；若不可迁移，则执行步骤6。

更加优选地，所述的步骤7具体为：

判断当前迭代次数g是否大于等于G或圈中圈最佳个体适应度改变量ΔbestFitness是否小于收敛误差阈值ε，若是，则执行步骤8，否则，返回步骤3继续进行迭代，直到满足迭代停止条件。

与现有技术相比，本发明具有以下优点：

一、有效减少燃料费用的浪费：本发明中基于改进差分进化算法的电力系统动态调度方法兼顾局部与全局搜索，在迭代后期仍能保持种群多样性，在加速收敛的同时，有效避免了“早熟收敛”和“收敛停滞”的问题，算法的优化精度和收敛速率有明显提升，同时算法的鲁棒性较好，在电力系统动态调度时可减少燃料费用，有效实现电力系统的动态调度。

二、适应性好：本发明中基于改进差分进化算法的电力系统动态调度方法将参数自适应和岛屿模型的差分进化算法相结合，使得部分岛屿用于寻优，部分岛屿用于维持种群多样性，同时增强了算法的适应性。

三、增加调度的稳定性：本发明中基于改进差分进化算法的电力系统动态调度方法利用“移民”操作控制了岛屿基因的流向，普通岛屿单向输出到最佳岛屿，而最佳岛屿和精英岛屿相互流通，保证普通岛屿不会与精英岛屿个体趋同，在电力系统动态调度中实现，在长期的调度过程中，优化的调度结果一直能保持较高的准确度，能稳定的减少燃料费用的浪费。

四、减少优化调度方案的用时：本发明中基于改进差分进化算法的电力系统动态调度方法利用“个体迁移”的设计和精英岛屿的变异策略，增强了对适应度较好个体周围的搜索，在电力系统动态调度中实现算法快速收敛，在短时间内得到电力系统动态调度的方案，反应速度较快。

附图说明

图1为本发明中电力系统动态调度方法的流程示意图；

图2为本发明实施例中进行动态调度时的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

针对现有技术中存在的问题，如何综合利用岛屿模型与控制参数，提高算法的鲁棒性，如何充分开发种群中适应度不同的个体的能力，实现适应度好的个体加速搜索最优解，适应度差的个体维护种群多样性。如何利用基因交流的过程，增强对适应度好的个体周围的局部搜索，并减少对种群多样性的影响，最终达到提高算法优化精度，加速算法收敛速度，减少电力系统进行动态调度后的燃料费用的目的，是本发明研究的重点。

本实施例涉及一种基于改进差分进化算法的电力系统动态调度方法，其流程如图1和图2所示，包括：

步骤1：根据需要进行动态调度的电力系统的信息，对基于精英化岛屿种群的差分进化算法进行编码，同时初始化种群，并将初始化后的个体平均的随机划分到若干个岛屿中；

在初始化时需要获取的参数包括：最大迭代数G、岛屿数量N、岛屿种群个体数NP_i、普通岛屿变异算子F、交叉算子CR、精英岛屿变异算子上界和下界F_u和F_l、精英岛屿交叉算子上界和下界CR_u和CR_l、根据发电机组数量设立的个体维度D、根据各发电机可工作范围初始化的各维度初始范围上下限集合xMax和xMin、执行移民和个体迁移的间隔代数I、迁移比例R以及收敛误差阈值ε；

步骤2：将步骤1的种群划分为若干个岛屿种群，按照适应度值对岛屿种群进行分类，具体为：

根据参数xMax和xMin初始化N个岛屿种群P_i，计算每个P_i中所有个体的适应度值f_l以及每个岛屿的适应度均值

然后求出每个岛屿内的最佳个体的适应度均值

而后与每个岛屿内的最佳个体适应度值bestFitness_n比较，对岛屿进行分类，获得岛屿类型type_n；

对岛屿进行分类的方法具体为：

将当前岛屿内最佳个体适应度值bestFitness_n与最佳个体的适应度均值

进行比较，若该岛屿内bestFitness_n大于

则将该岛屿分类为精英岛屿，将其他岛屿分类为普通岛屿；

精英岛屿中岛屿内的最佳个体适应度值bestFitness_n最好的岛屿分类为最佳岛屿；普通岛屿中岛屿内的最佳个体适应度值bestFitness_n最差的岛屿分类为最差岛屿；

步骤3：对各类别的岛屿分别执行变异、交叉操作得到变异子岛屿，并计算变异子岛屿个体适应度；

若当前岛屿为普通岛屿，则按照普通岛屿变异算子F和交叉算子CR执行DE/rand/1/bin的变异、交叉和选择操作；

若当前岛屿为精英岛屿，则按照精英岛屿变异算子上界和下界F_u和F_l以及第一自适应公式，对每一个个体自适应的生成变异算子F_i，执行增强局部搜索的变异操作；在变异操作结束后，按照岛屿的适应度均值

精英岛屿交叉算子上界和下界CR_u和CR_l以及第二自适应公式，对每一个个体自适应的生成交叉算子CR_i，执行交叉操作；

第一自适应公式具体为：

第二自适应公式具体为：

其中，其中f_best、f_mid和f_worst分别为

和

三个个体的适应度函数值，F_i表示第i个个体变异时的变异概率，F_l表示变异概率的下限，F_u表示变异概率的上限，CR_l表示交叉概率的下限，CR_u表示交叉概率的上限，f_i表示第i个变异个体的适应度函数值，

表示该岛屿所有个体的平均适应度函数值，f_min和f_max分别表示当前岛屿种群中最好和最差个体的适应度函数值；

步骤4：对变异子岛屿中每个个体进行约束性判断，若满足约束，则执行选择操作；

对交叉操作后得到的变异子岛屿中的每个岛屿上的每个个体进行约束性判断，而后对满足约束性的每个个体执行选择操作，本实施例中的约束性判断包括：

所有发电机组的输出功率是否大于等于系统总的负载需求和传输损耗之和；

各发电机组的输出功率改变量是否不超过最大升或降的阈值；

各发电机组的输出功率是否在该发电机组的可实现功率范围内；

步骤5：判断执行间隔，并执行移民和个体迁移操作，具体为：

步骤5-1：判断本次迭代距离上次执行移民和个体迁移操作的间隔代数是否大于等于I，若是，则执行步骤5-2，否则，执行步骤6；

步骤5-2：进行移民操作，具体为：用每个岛屿上的最佳个体替换最佳岛屿任意一个非最佳个体，将精英岛屿上任意一个非最佳个体替换为最佳岛屿上任意一个个体，然后执行步骤5-3；

步骤5-3：根据当前迭代次数g、最大迭代次数G、每个岛屿种群的个体数NP_i以及迁移比例R，计算可迁移个体数，若迁入岛屿现有个体数量与初始个体数量的差值小于可迁移个体数，即为可迁移，则将最差岛屿上的最差个体删除，同时在最佳岛屿上复制一个该岛屿内的最佳个体；若不可迁移，则执行步骤6；

步骤6：根据适应度值对岛屿进行再次分类，具体为：

遍历所有岛屿的最佳个体，找出最佳个体适应度值最小的岛屿为最佳岛屿，最佳个体适应度值最大的岛屿为最差岛屿，同时把各个岛屿的bestFitness_n和

比较，更新岛屿类型；

步骤7：判断是否满足迭代停止条件，若是，则执行步骤8，否则，返回步骤3，具体为：

判断当前迭代次数g是否大于等于G或圈中圈最佳个体适应度改变量ΔbestFitness是否小于收敛误差阈值ε，若是，则执行步骤8，否则，返回步骤3继续进行迭代，直到满足迭代停止条件；

步骤8：输出最优解，得到电力负载要求下，燃料费用最低时各发电机组的输出功率；

步骤9：根据步骤8的输出值对电力系统进行动态调控。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (2)

1.一种基于改进差分进化算法的电力系统动态调度方法，其特征在于，所述的动态调度方法包括以下步骤：

步骤1：根据需要进行动态调度的电力系统的信息，对基于精英化岛屿种群的差分进化算法进行编码，同时初始化种群；

步骤2：将步骤1的种群划分为若干个岛屿种群，按照适应度值对岛屿种群进行分类；

步骤3：对各类别的岛屿分别执行变异、交叉操作得到变异子岛屿，并计算变异子岛屿个体适应度；

步骤4：对变异子岛屿中每个个体进行约束性判断，若满足约束，则执行选择操作；

步骤5：判断执行间隔，并执行移民和个体迁移操作；

步骤6：根据适应度值对岛屿进行再次分类；

步骤7：判断是否满足迭代停止条件，若是，则执行步骤8，否则，返回步骤3；

步骤8：输出最优解，得到电力负载要求下，燃料费用最低时各发电机组的输出功率；

步骤9：根据步骤8的输出值对电力系统进行动态调控；

所述方法利用“移民”操作控制了岛屿基因的流向，普通岛屿单向输出到最佳岛屿，而最佳岛屿和精英岛屿相互流通，保证普通岛屿不会与精英岛屿个体趋同；

所述的步骤1具体为：

首先根据要进行电力系统进行动态调度的发电系统信息编码解空间，而后初始化个体并平均的随机划分到多个岛屿中；

所述的初始化种群个体需要获取的参数包括最大迭代数G、岛屿数量N、岛屿种群个体数NP_i、普通岛屿变异算子F、交叉算子CR、精英岛屿变异算子上界和下界F_u和F_l、精英岛屿交叉算子上界和下界CR_u和CR_l、根据发电机组数量设立的个体维度D、根据各发电机可工作范围初始化的各维度初始范围上下限集合xMax和xMin、执行移民和个体迁移的间隔代数I、迁移比例R以及收敛误差阈值ε；

所述的步骤2具体为：

根据参数xMax和xMin初始化N个岛屿种群P_i，计算每个P_i中所有个体的适应度值f_l以及每个岛屿的适应度均值然后求出每个岛屿内的最佳个体的适应度均值而后与每个岛屿内的最佳个体适应度值bestFitness_n比较，对岛屿进行分类，获得岛屿类型type_n；

所述对岛屿进行分类的方法具体为：

将当前岛屿内最佳个体适应度值bestFitness_n与最佳个体的适应度均值进行比较，若该岛屿内bestFitness_n大于则将该岛屿分类为精英岛屿，将其他岛屿分类为普通岛屿；

精英岛屿中岛屿内的最佳个体适应度值bestFitness_n最好的岛屿分类为最佳岛屿；普通岛屿中岛屿内的最佳个体适应度值bestFitness_n最差的岛屿分类为最差岛屿；

所述的步骤4具体为：

对交叉操作后得到的变异子岛屿中的每个岛屿上的每个个体进行约束性判断，而后对满足约束性的每个个体执行选择操作；

所述的约束性判断包括：

所有发电机组的输出功率是否大于等于系统总的负载需求和传输损耗之和；

各发电机组的输出功率改变量是否不超过最大升或降的阈值；

各发电机组的输出功率是否在该发电机组的可实现功率范围内；

所述的步骤3具体为：

若当前岛屿为普通岛屿，则按照普通岛屿变异算子F和交叉算子CR执行DE/rand/1/bin的变异、交叉和选择操作；

若当前岛屿为精英岛屿，则按照精英岛屿变异算子上界和下界F_u和F_l以及第一自适应公式，对每一个个体自适应的生成变异算子F_i，执行增强局部搜索的变异操作；在变异操作结束后，按照岛屿的适应度均值f_l、精英岛屿交叉算子上界和下界CR_u和CR_l以及第二自适应公式，对每一个个体自适应的生成交叉算子CR_i，执行交叉操作；

所述的第一自适应公式具体为：

所述的第二自适应公式具体为：

其中，其中f_best、f_mid和f_worst分别为和三个个体的适应度函数值，F_i表示第i个个体变异时的变异概率，F_l表示变异概率的下限，F_u表示变异概率的上限，CR_l表示交叉概率的下限，CR_u表示交叉概率的上限，f_i表示第i个变异个体的适应度函数值，表示该岛屿所有个体的平均适应度函数值，f_min和f_max分别表示当前岛屿种群中最好和最差个体的适应度函数值；

所述的步骤5具体为：

步骤5-1：判断本次迭代距离上次执行移民和个体迁移操作的间隔代数是否大于等于I，若是，则执行步骤5-2，否则，执行步骤6；

步骤5-2：进行移民操作，具体为：用每个岛屿上的最佳个体替换最佳岛屿任意一个非最佳个体，将精英岛屿上任意一个非最佳个体替换为最佳岛屿上任意一个个体，然后执行步骤5-3；

步骤5-3：根据当前迭代次数g、最大迭代次数G、每个岛屿种群的个体数NP_i以及迁移比例R，计算可迁移个体数，若迁入岛屿现有个体数量与初始个体数量的差值小于可迁移个体数，即为可迁移，则将最差岛屿上的最差个体删除，同时在最佳岛屿上复制一个该岛屿内的最佳个体；若不可迁移，则执行步骤6。

2.根据权利要求1所述的一种基于改进差分进化算法的电力系统动态调度方法，其特征在于，所述的步骤7具体为：

判断当前迭代次数g是否大于等于G或圈中圈最佳个体适应度改变量ΔbestFitness是否小于收敛误差阈值ε，若是，则执行步骤8，否则，返回步骤3继续进行迭代，直到满足迭代停止条件。

Images