[发明专利]一种基于野花优化算法的电力系统经济调度方法

权利要求书

1.一种基于野花优化算法的电力系统经济调度方法，其特征在于：包括以下步骤：

步骤1：以系统燃料费用最小为目标函数，考虑等式约束和不等式约束，建立电力系统经济调度模型；

步骤2：结合调度模型，执行混沌机制初始化种群；

步骤3：执行正态扩散和趋养进化机制；

步骤4：执行配对繁殖机制；

步骤5：执行染色体突变机制；

步骤6：终止条件：若达到最大迭代次数，则结束循环，输出结果；否则，转步骤3；

所述步骤1以系统燃料费用最小为目标函数的具体形式为：

其中，n为发电机总数；P_i为机组i的有功出力；a_i、b_i、c_i为机组i的燃料费用系数；考虑阀点效应对发电成本的影响，所述步骤1以系统燃料费用最小为目标函数的具体形式为：

其中，n为发电机总数；P_i为机组i的有功出力；a_i、b_i、c_i为机组i的燃料费用系数；e_i、f_i为机组i的阀点效应系数；所述步骤1提及的等式约束包括：

(1)功率平衡约束

式中，P_D为总负荷需求；P_loss为传输网损；

其中，系统传输网损用B系数矩阵表示为：

式中，B_ij、B_oi、B_oo为发电机的网损系数；

不等式约束包括：

(2)机组运行约束

P_imin≤P_i≤P_imax

式中，P_imin、P_imax分别为机组i的有功出力上、下限；

(3)机组爬坡约束

运行中的机组都要受到机组的爬坡约束，描述为：

式中，P_i⁰为机组i在前一时段的有功出力；UR_i、DR_i分别为机组i在相邻时段的上坡限制和下坡限制；

(4)禁止运行区间

由于发电机的物理特性，电力系统在实际运行中，必须避免运行在禁止区间以内，即：

式中，分别代表机组i在第k个禁止区间的下边界和上边界；

步骤2中执行混沌机制初始化种群的具体过程如下：

设定种群规模最大值和初始总群N_max、N，控制变量为每台发电机的有功出力值，控制变量数为D，D表示维数，最大迭代次数为MaxIter；在D维问题的搜索空间内随机初始化种群X，其中，第i个个体为X_i＝[X_i1，X_i2，...X_iD]，i＝1、2，......N；初始化变量取值的下限和上限分别为X_min、X_max，父代粒子产生的后代个数的最小值和最大值分别为S_min、S_max，标准差初始值和最终值分别为σ_init、σ_final，富养半径为R；

种群X的初始化过程为：采用混沌Logistic方程产生混沌变量：

x_i+1＝λ·x_i·(1-x_i)

式中，x_i∈[0，1]，x_i≠0.25、0.5、0.75，λ为控制参数，取值为0～4，当种群X完全处于混沌状态时，λ＝4；取任意初始点x₀时，得出在[0，1]上遍历的点集x_i，i＝1、2......N；

将得到的混沌变量x_i转化为初始种群：

X_i＝X_min+α(X_max-X_min)(1-x_i)x_i

式中，α＝4为混沌吸引子；

步骤3中，执行正态扩散和趋养进化机制的具体过程为：

正态扩散繁殖机制中，野花优化算法根据野花个体适应度，来定义个体品质的好坏，进而决定其能繁殖的后代的个数，具体为：

式中，Q_i为野花个体i能产生的后代数；F_i、F_max、F_min分别为野花个体i的适应度值、当前种群中的最大和最小适应度值；S_min、S_max分别是父代粒子产生的后代个数的最小值和最大值；round为取整函数；

根据得出的后代数量，野花优化算法通过高斯分布在父代粒子周围空间进行随机扩散，产生后代个体；如下式：

式中，Iter_max、Iter分别为最大迭代次数和当前迭代次数；σ_init、σ_final、σ_iter分别为标准差的初始值、最终值和当前值；n为非线性调和因子，一般取值n＝3；

根据扩散值，得到父代野花粒子的一个后代粒子为：

X_i+1＝X_i+σ_iter

式中，X_i+1为X_i的一个子代粒子，该粒子被加到种群中，成为种群的一部分；

定义种群中的全局最优粒子X_gbest为富养区，以富养区为中心，半径为R的范围内的粒子会被吸引，即粒子朝着全局最优粒子X_gbest趋养进化；所述半径为R的范围内的粒子不被吸引，即粒子背离全局最优粒子X_gbest正态扩散；设置一个阈值p来定义子代粒子趋养进化的可能性，设置一个随机数l，若l＜p，则子代通过趋养进化机制繁殖，否则，通过正态扩散机制繁殖，具体如下：

当时，按照正态扩散机制繁殖后代粒子；

当时，有：

式中，r为[0，1]内的随机数；为第k次迭代时，粒子i的第d维变量的概率值；R为富养半径；当父代繁殖达到预定的后代数，种群规模大于N_max时，父代及子代野花按照适应度从高到底的顺序，去除适应度排在前N_max个的个体，作为下一代的父代，然后进入配对繁殖机制；

所述步骤4中执行配对繁殖机制的具体过程如下：

A、对种群中的所有个体进行随机不重复配对；

B、若粒子X(i)和X(j)被配对，则X(i)的繁殖公式为：

X′(i，d)＝r₁·X(i，d)+(1-r₁)·X(j，d)

X(j)的繁殖公式为：

X′(j，d)＝r₁·X(j，d)+(1-r₂)·X(i，d)

其中，d∈(1，D)；r₁，r₂为[0，1]上的均匀分布随机数；X(i，d)和X(j，d)分别为粒子i和j的第d维；X′(i，d)和X′(j，d)分别为配对繁殖过后得到的新子代；

若X′(i)优于其父代X(i)，则X(i)←X′(i)；否则，保留原父代粒子X(i)的值不变；

C、重复依次执行步骤A和步骤B各N/2次；

所述步骤5中执行染色体突变机制的具体过程如下：

(1)对种群个体的每一维进行归一化处理，公式如下：

其中，i∈(1，N)，j∈(1，D)；X_jmin和X_jmax分别为第j维控制变量的上、下限；k为当前代数；

(2)选中一个父代个体粒子X_i，对其执行突变机制，公式如下

Y←X_i，1

X_i，d←X_i，d+1

X_i，D←Y

式中，i＝1、2…N_max；X_i，d和X_i，d+1分别为粒子X_i的第d维和第d+1维，d＝1、2…D：

(3)对X_i进行反归一化，得到优化后的解，公式如下：

X′(i，j)＝X(i，j)·(X_jmax-X_jmin)+X_jmin

式中，X′(i，j)为突变后得到的新子代；X_jmin和X_jmax分别为第j维控制变量的上、下限；

若X′(i，j)优于其父代X(i，j)，则X(i，j)←X′(i，j)；否则，保留原父代粒子X(i，j)的值不变。