基于改进粒子群算法的风电火电联合调度方法

基于风电和抽水蓄能电站联合运行系统的粒子群优化算法摘要：风力发电机组、抽水蓄能电站以及传统燃煤火力发电机组的协同优化，考虑联合运行系统的经济性，因而是个单目标优化问题，但有着很多的约束条件和极高的变量维度，采用传统的优化方法无法在短时间内得到最优解，因而，对于本文高维度、多变量的解空间问题，需要寻找一种合适的算法来解决问题。

粒子群优化算法从解空间的随机解出发，通过粒子的运动迭代最终达到最优解。

因此，本文采用了粒子群优化算法作为基础，对联合运行系统的优化进行求解。

关键字：优化问题；粒子群优化算法引言粒子群优化算法，是1995年由J. Kennedy博士和R. C. Eberhart博士提出，源于飞鸟集群捕食活动的行为研究启发，利用群体中个体对全局信息的共享，使整个群体在解空间中朝着最优解运动，因而又被称为鸟群觅食优化算法，随后由于简单、精度高、收敛快的特点，被广泛实际应用。

1 粒子群优化算法的理论思想粒子群优化算法，初始化为解空间内的一群随机分布的粒子，亦即随机解，粒子由初始位置出发，以一定的寻优策略运动，并通过信息共享，追随当前最优的粒子在解空间中不断迭代，搜寻最优解。

下图1-1是粒子在解空间不断运动迭代时的粒子速度和粒子位置变化。

图1-1 粒子的运动示意图图中，Pt表示该粒子目前的运动位置；gbestt表示群体中所有粒子目前为止搜寻到的最优解，亦即全局最优解；pbestt表示该粒子本身目前为止搜寻到的最优解，亦即个体最优解；V1表示粒子向个体最优解运动的速度；V2表示粒子向全局最优解运动的速度；V3表示粒子本身的固有速度。

粒子群算法易于编程实现，不需要像遗传算法一样进行二进制的编码操作，可以对粒子直接编码。

令解空间的维度为D，第t次迭代后，粒子i的位置为，其速度为，则第t+1次迭代时，粒子将根据如下的公式来更新自身的速度和位置：其中，为粒子在一次迭代循环中的最小移动距离，亦即粒子的范围宽度下限，若迭代后粒子的某一维速度低于，那么这一维的速度将会被限制为；为粒子在一次迭代循环中的最大移动距离，亦即粒子的范围宽度上限，多迭代后粒子的某一维速度高于，那么这一维的速度将会被限制为。

基于改进粒子群算法的冷热电联供微网优化调度邓剑波;马瑞;胡振文;陈可;杨海晶;杨旭【摘要】针对冷热联供微网的调度问题,从可再生能源利用率、经济效益和节能减排等方面考虑,建立以风能、太阳能、天然气和储能协同供能的冷热电联供优化调度模型.综合考虑燃料和购售电费率结构,以最小运行成本和环境成本为目标进行优化,并采用改进的粒子群优化算法对提出的高维优化问题进行求解.通过采用粒子相对进步度来自适应调整粒子群参数,在速度更新过程中,用所有粒子个体最优值的平均值替代粒子群中最差的个体最优值,算法提高了高维复杂问题的收敛速度和求解精度.算例仿真验证所提模型和改进算法的有效性,结果表明模型对促进各种能源的综合利用具有实际的意义.【期刊名称】《电力科学与技术学报》【年(卷),期】2018(033)002【总页数】8页(P35-42)【关键词】冷热电联供;微网;费率结构;改进粒子群优化算法;优化调度【作者】邓剑波;马瑞;胡振文;陈可;杨海晶;杨旭【作者单位】长沙理工大学电气与信息工程学院 ,湖南长沙 410004;长沙理工大学电气与信息工程学院 ,湖南长沙 410004;长沙理工大学电气与信息工程学院 ,湖南长沙 410004;长沙理工大学电气与信息工程学院 ,湖南长沙 410004;河南省电力公司电力科学研究院 ,河南郑州 450052;国网湖南省电力有限公司 ,湖南长沙 410076【正文语种】中文【中图分类】TM721能源危机和大气污染已成为国内外高度关注的重大战略问题，清洁能源和其他形式能源的综合利用受到了高度的重视[1-2]。

冷热电联供系统(Combined Cooling Heating and Power，CCHP)通过能量梯级提高一次能源利用率，并且在减少二氧化碳和污染气体排放方面也有着突出的优势[3]。

因此，加强对CCHP型微网的研究，对实现化石燃料和可再生能源的互补高效利用具有重要的促进作用。

目前，国内外专家学者对利用可再生能源的CCHP已有一些研究[4-6]，但是对清洁能源和化石燃料互补发电的冷、热、电联供系统的研究还不够完善。

第29卷第6 期中国电机工程学报 Vol.29 No.0006. 2012 文章编号：0258-8013 (2012) 07-0001-06 中图分类号：TM 85 文献标志码：A 学科分类号：470·40 改进的粒子群优化算法及其在电力系统经济负荷分配中的应用ABSTRACT：Particle Swarm Optimizer (PSO) algorithm is an important algorithm, its background, fundamental, implement method, improvement and algorithm flow chart are introduced in this paper. Economic Load Dispatch (ELD) is a typical optimization problem in power system. Details of this problem and its mathematical model are discussed. Combined with an example, a system of three generators and six buses, the improved PSO algorithm is applied to solve the ELD problem. The algorithm and its application are simulated through Matlab software. According to the simulation result, we can see that the improved PSO algorithm can solve the ELD problem efficiently. The simulation results are compared with the results of the Genetic Algorithm and the Chaotic Optimizer Algorithm, through which we get the advantages of the PSO algorithm. KEY WORDS: PSO algorithm; inertia weight coefficient; economic load dispatch (ELD); Matlab摘要：粒子群优化（Particle Swarm Optimizer ，PSO) 算法是一种重要的优化算法，本文介绍了粒子群算法的产生背景、基本原理、实现方法及其改进和算法流程。

改进粒子群算法在电力系统经济调度中的应用电力系统经济调度是指通过合理配置电力系统的电源和负荷，以达到最佳经济效益和能源利用效率的目标。

粒子群算法 (Particle Swarm Optimization, PSO) 是一种基于群体智能的优化算法，具有全局性和快速收敛的特点。

本文将探讨如何改进粒子群算法在电力系统经济调度中的应用。

首先，现有的粒子群算法在电力系统经济调度中存在一些问题，例如易陷入局部最优解、收敛速度慢等。

因此，改进粒子群算法的关键是提高算法的全局能力和收敛速度。

一种改进的方法是引入自适应权重的粒子群算法。

传统的粒子群算法中，粒子的速度和位置更新是通过固定的加权因子来实现的，这种方法可能导致算法过早收敛到局部最优解。

引入自适应权重后，加权因子根据粒子当前的位置和速度进行自动调整，从而提高全局的能力。

同时，可以根据粒子群的收敛情况，动态调整自适应权重，以加快算法的收敛速度。

另一种改进方法是引入多目标粒子群算法。

传统的粒子群算法只能处理单目标问题，而电力系统经济调度通常涉及多个目标，如经济性、环境友好性和可靠性等多个方面。

引入多目标粒子群算法可以同时优化多个目标，并得到一系列的非支配解，为决策者提供多种选择。

可以使用非支配排序和拥挤度来维护解的多样性和均衡性，从而更好地解决多目标经济调度问题。

另外，为了更好地应用粒子群算法在电力系统经济调度中，需要考虑其与电力系统的耦合性。

电力系统经济调度中的问题通常与电网拓扑、线路限制、负荷波动等因素相关。

可以将这些特定约束条件融入到粒子群算法的目标函数中，并设计适应的约束处理策略，以确保生成的解可行且符合实际应用要求。

此外，由于电力系统经济调度问题通常具有较大的复杂性和规模，传统的粒子群算法可能无法有效处理。

可以考虑采用并行粒子群算法或混合算法来提高算法的计算效率和求解能力。

并行粒子群算法将粒子群的更新过程并行化处理，以加快算法的收敛速度。

混合算法将粒子群算法与其他优化算法相结合，充分利用各自的优势，以获得更好的优化效果。

基于粒子群优化算法的电力系统经济调度研究电力系统是现代社会的重要基础设施之一，电力的经济调度对于电力系统的稳定运行和经济效益具有重要意义。

基于粒子群优化算法的电力系统经济调度研究成为当前电力系统调度领域的热点问题，本文将对该研究进行详细探讨。

电力系统经济调度是指在满足用户需求和电力系统运行安全的前提下，合理安排发电机组的出力和电力交易，以达到发电成本最小化的目标。

传统的电力系统经济调度通常采用基于梯度搜索的优化算法，如牛顿法和梯度法等。

然而，这些算法往往容易陷入局部最优解，收敛速度较慢，且对初始参数较为敏感。

为了克服这些问题，研究者提出了基于粒子群优化算法的电力系统经济调度方法。

粒子群优化算法是一种模仿鸟群或鱼群觅食行为的优化算法，它通过模拟搜寻动物的行为，寻找最优解。

该算法的基本思想是将解空间中的每一种解看作是一个个体（粒子），通过模拟粒子在解空间中搜索的过程来寻找最优解。

具体来说，粒子群优化算法通过更新每个粒子的位置和速度，以及利用全局最优解和个体最优解的信息来引导搜索方向，从而找到最优解。

在电力系统经济调度中，粒子群优化算法可以被应用于以下几个方面：首先，粒子群优化算法可以用于调度计划的制定。

通过将电力系统的经济调度问题转化为一个优化问题，可以用粒子群优化算法求解最优的发电机组出力。

粒子群优化算法能够在搜索空间中寻找最优解，从而帮助制定合理的调度计划，实现经济运行。

其次，粒子群优化算法可以用于电力交易的优化。

在电力市场中，发电企业和用户可以通过交易来实现经济效益的最大化。

而交易的优化往往涉及到电力的定价和调度安排。

粒子群优化算法可以用于根据市场需求和供求关系，求解最优的交易定价和调度计划，从而提高市场效率，降低成本。

此外，粒子群优化算法还可以应用于电力系统的可靠性和稳定性优化。

电力系统的可靠性和稳定性对于保障电力供应的连续性和质量具有重要意义。

通过将电力系统的可靠性和稳定性指标纳入到粒子群优化算法的目标函数中，可以得到一种基于可靠性和稳定性的经济调度方案，从而提高电力系统的整体性能。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011299144.3(22)申请日 2020.11.19(71)申请人 东北大学地址 110169 辽宁省沈阳市浑南区创新路195号(72)发明人 杨强大　吴丹　张卫军　张忻怡　(74)专利代理机构 沈阳优普达知识产权代理事务所(特殊普通合伙) 21234代理人 李晓光(51)Int.Cl.H02J 3/00(2006.01)H02J 3/46(2006.01)H02J 3/32(2006.01)(54)发明名称一种基于改进粒子群算法的综合能源系统优化调度方法(57)摘要本发明公开一种基于改进粒子群算法的综合能源系统优化调度方法，步骤为：给出园区综合能源系统内部各个设备产生的冷热电的能量流动关系，构建综合能源系统；对园区综合能源系统内部各个设备建模；建立园区综合能源系统的优化调度模型及目标函数；确定园区综合能源系统约束条件；引入改进粒子群算法对园区综合能源系统进行优化调度，在基本粒子群算法基础上，采用多种群、综合学习策略和时变参数的方法进行粒子更新，将该改进算法应用于综合能源系统优化调度中，获得最优解，实现系统的冷热电优化调度。

本发明方法采用改进的粒子群算法进行求解，可以精确且快速求出系统内各个设备在某一时刻的出力情况，达到降低系统成本和保护环境的目的。

权利要求书3页 说明书9页 附图3页CN 112383053 A 2021.02.19C N 112383053A1.一种基于改进粒子群算法的综合能源系统优化调度方法，其特征在于包括以下步骤：1)给出园区综合能源系统内部各个设备产生的冷热电的能量流动关系，构建综合能源系统；2)在建综合能源系统中对园区综合能源系统内部各个设备建模；3)建立园区综合能源系统的优化调度模型及目标函数；4)确定园区综合能源系统约束条件；5)基于上述优化调度模型、目标函数以及约束条件，引入改进粒子群算法对园区综合能源系统进行优化调度，在基本粒子群算法基础上，采用多种群、综合学习策略和时变参数的方法进行粒子更新，将该改进算法应用于综合能源系统优化调度中，获得最优解，实现系统的冷热电优化调度。

基于粒子群优化的电网调度技术研究近年来，随着全球能源消耗的急剧增长和能源需求结构的不断转型，电力系统的规模和复杂程度不断提高，因此电力系统的调度难度也不断增加。

电网调度是现代电力系统运行的重要环节，也是保障电力系统安全、可靠、经济运行的关键技术。

本文将着眼于电网调度技术的优化，介绍基于粒子群优化的电网调度技术研究。

一、电网调度技术的瓶颈问题电网调度技术要解决的核心问题，就是如何在不断变化的负荷和电力供给情况下，实现电网的保障性运行。

这一问题的解决，需要依靠动态、保证性、高效性的调度算法实现。

但是，在实际的电力系统运行中，电网调度技术面临着一些瓶颈问题。

比如，在精度方面，传统的调度算法由于存在计算复杂度、收敛速度等问题，往往不能够提供高精度的调度方案；在可靠性方面，调度结果对各种模拟误差和外界的扰动情况非常敏感，很容易出现失控、崩溃等问题；在效率方面，负荷增长等因素会导致系统负荷急剧变化，而传统的调度算法无法及时适应。

二、粒子群优化算法简介粒子群优化算法，也称为“PSO算法”，是一种基于群体智能的全局优化算法，常用于解决单纯、非线性、多峰等优化问题。

算法的核心思想是通过一些个体的协作，不断迭代搜索全局最优解。

该算法的应用非常广泛，在工业控制、机器人控制、图像识别等领域都有应用。

PSO算法的运作过程，通常分为初始化、适应度评估、信息交流、状态更新和解码输出等几个阶段。

在每个时间步，每个粒子都会自我学习、感知其周围的环境，然后根据全局最优值进行状态更新和群体行为调整，从而得出全局最优解。

三、基于PSO算法的电网调度优化技术基于PSO算法的电网调度优化技术，主要是通过多个发电机和负载之间的动态协调，来实现电力系统的可靠、高效运行。

具体来说，这种技术在进行电网调度优化时，会将电网系统中的各个节点作为粒子，在其路径搜索过程中，逐步摸索出全局最优解，即电力系统最优调度方案。

在搜索过程中，每个粒子都会不断调整自己的状态，学习自己周边环境的局势，并通过对自身的不断调整，促使整个粒子群体逐渐趋向全局最优解。

风电优先上网的风水火电力系统联合优化调度杨苹;叶超【摘要】Taking wind power priority in accessing to the power grid, the minimum total coal consumption cost of the thermal power generating unit and fluctuation amount of output of the thermal power generating unit as targets, this paper establishes a multi-objective combined optimal dispatching model for wind-hydro-thermal power system.By means of heuristic search, it determines the thermal power generating unit participating in dispatching in every dispatching time frame so as to avoid frequent startup and stop of the unit and system capacity redundancy.By introducing differential evolution (DE) algorithm, it improves deficiencies of existing particle swarm algorithm (PSO), and a typical 10-machine testing system is used to verify superiority of DE algorithm.Finally, simulating calculation on one regional power grid verifies reasonability of the proposed dispatching model and validity of the solution algorithm.%以风电优先上网、火电机组总煤耗费用最低、火电机组出力总波动量最小为目标,建立风水火多目标联合优化调度模型.利用启发搜索确定每个调度时段内参与调度的火电机组,避免机组频繁启停和系统容量冗余.通过引入差分进化算法,改善已有粒子群算法的不足,利用典型10机测试系统验证该算法的优越性.最后,通过对国内某地区电网的仿真计算,验证所提出调度模型的合理性和求解算法的正确性.【期刊名称】《广东电力》【年(卷),期】2017(030)004【总页数】6页(P31-36)【关键词】风电;联合优化调度;启发搜索;差分进化算法【作者】杨苹;叶超【作者单位】华南理工大学电力学院,广东广州 510640;广东省绿色能源技术重点实验室,广东广州 511458;风电控制与并网技术国家地方联合工程实验室,广东广州 511458;华南理工大学电力学院,广东广州 510640;广东省绿色能源技术重点实验室,广东广州 511458【正文语种】中文【中图分类】TM73大规模风电接入电网对实现节能减排有着重大意义，但由于风电自身的间歇性和随机性，会影响系统的有功平衡和频率稳定，不利于整个电力系统的调度[1-2]。

粒子群优化算法在电力系统调度中的应用实践1. 引言电力系统是现代社会不可或缺的基础设施之一，其稳定运行对于保障经济发展和社会生活的正常运行至关重要。

电力系统调度是指合理安排电力系统的发电、输电、配电等各项计划，以实现电力供需的平衡和最优化运行。

传统的电力系统调度问题具有高度的非线性、离散性和复杂性，传统的优化方法面临着求解效率低、易陷入局部最优等问题。

而粒子群优化算法(Particle Swarm Optimization, PSO)通过模拟鸟群觅食行为的优势，能够有效地解决电力系统调度问题，提高电力系统的运行效率。

2. 粒子群优化算法原理粒子群优化算法是一种模拟自然界群体行为的智能优化算法。

其基本原理是利用群体中各个个体之间的协作和竞争关系，通过不断更新个体的速度和位置，逐步寻找全局最优解。

粒子群优化算法的核心思想可以用以下三个方面来概括：（1）位置更新：粒子的位置表示待优化问题的一个解，粒子在搜索空间中以一定的速度移动，并不断更新自身的位置。

（2）速度更新：粒子的速度决定了粒子在搜索空间中的搜索方向和步长，通过速度更新，粒子能够向更优的解空间靠近。

（3）个体和全局最优解更新：每个粒子有自己的个体最优解，同时也有全局最优解。

粒子通过个体和全局最优解的比较，不断更新自身的速度和位置，直到达到最优解。

3. 粒子群优化算法在电力系统调度中的应用粒子群优化算法在电力系统调度中有广泛的应用，包括电力系统发电计划、输电网优化和配电网优化等方面。

（1）电力系统发电计划电力系统发电计划是电力系统调度的核心问题之一。

通过粒子群优化算法，可以优化发电计划，实现供电的平衡和经济性最大化。

算法通过不断更新粒子的速度和位置，搜索最优解，可以有效地解决电力系统发电计划中的非线性多目标优化问题。

（2）输电网优化输电网优化是电力系统调度的重要组成部分。

粒子群优化算法可用于输电网的潮流分配、网络结构优化和经济调度等问题。

算法能够搜索出潮流分布最优的输电网结构和输电线路参数配置，优化传输损耗，提高输电网的经济性和可靠性。

基于粒子群优化算法的电力维修任务调度模型电力维修是保障供电服务能力和质量的重要环节，而电力维修任务调度则是电力维修工作的核心。

如何有效地安排电力维修任务的时间和人力，让电力维修工作更加高效和确保供电能力，一直是电力行业面临的挑战。

基于粒子群优化算法的电力维修任务调度模型，就是为了解决这个问题而提出的。

一、电力维修任务分配的难点电力维修任务在分配时，需要考虑到多个因素，包括线路、设备等的状况和维修的紧急性。

而且维修工作需要考虑到每个维修人员的技能和经验等。

因此，电力维修任务分配具有一定的复杂性和难度。

此外，需考虑到电力维修任务的顺序和时间等因素。

因为不同的任务需要的时间和维修人员的数量都可能不同，如果安排不当，可能会发生过度调度或者无法按照计划完成维修任务的情况。

二、粒子群优化算法的介绍粒子群优化算法（Particle Swarm Optimization, PSO）是一种智能化优化算法，模拟了鸟群或鱼群中个体之间的协同行为。

算法的基本思想是将待优化的问题看作一个多维搜索空间，通过不断地迭代，逐渐找到最优解。

在粒子群优化算法中，每个解决方案称为一个“粒子”，每个粒子有自己的位置和速度信息。

算法以群体的方式进行计算，每个粒子根据当前最优解和个体最优解的距离，来更新自己的位置和速度。

从而逐步接近全局最优解。

三、基于PSO的电力维修任务调度模型基于粒子群优化算法的电力维修任务调度模型，主要是利用PSO模拟面对多重约束的电力维修调度过程。

具体而言，在模型中，电力维修任务的分配被看做是一个优化问题。

通过构建适应度函数，能够对每个待定任务进行量化评价。

然后，将任务分配的过程视作为每个粒子的运动过程，以此来寻找最优解。

在PSO算法中，可以将粒子的位置和速度分别表示为X和V 两个向量，然后针对每个粒子的适应度函数值更新粒子的位置和速度，并通过最大迭代次数，或达到一定收敛精度尺度等准则，寻找出最优的权值。

针对电力维修任务调度问题，模型需要解决的就是如何构造适应度函数值和控制变量等参数。