【正文】 告或懲罰。在實施電力市場后，作為輔助服務(wù)的重要組成部分，AGC必須要給予相應(yīng)的經(jīng)濟補償，因為AGC機組需要安裝一些相關(guān)的裝置，這需要一定的成本，另外，AGC機組參與AGC服務(wù)不僅對機組本身產(chǎn)生損害，而且還使參與者損失發(fā)電量。具有AGC調(diào)節(jié)功能的機組的預(yù)調(diào)節(jié)出力范圍會變小。在預(yù)調(diào)度市場中，由于機組AGC的計劃投運而會使機組的預(yù)調(diào)配出力的上下限發(fā)生變化。如果機組沒有AGC功能，不能進行出力調(diào)節(jié)，那么就會使系統(tǒng)的功率供需產(chǎn)生不平衡，嚴(yán)重的會使系統(tǒng)頻率發(fā)生大幅度的偏移，導(dǎo)致系統(tǒng)失去穩(wěn)定性。在電力市場中，機組的開停機計劃是在預(yù)調(diào)度過程中進行，先將機組的報價按照從低到高排列，結(jié)合預(yù)測的負(fù)荷，確定上網(wǎng)的發(fā)電機組，然后通過機組組合和經(jīng)濟負(fù)荷分配計算就可以確定每臺機組的開停機狀態(tài)和出力。就從供電可靠性和電能質(zhì)量而言，AGC容量越多越好，但從運行經(jīng)濟性考慮而言，AGC容量卻不宜過多。此外，占購電費用很大一部分的是燃料費用，它是機組實際輸出功率的函數(shù)。在傳統(tǒng)的運行機制下，調(diào)度員可以命令發(fā)電公司無償提供AGC輔助服務(wù)，但在電力市場環(huán)境下，互聯(lián)電力系統(tǒng)的AGC已經(jīng)從純粹的控制領(lǐng)域進入到控制和經(jīng)濟相結(jié)的領(lǐng)域，發(fā)電公司作為獨立的經(jīng)濟實體，不可能無償提供AGC輔助服務(wù)。于是在本文研究的周期內(nèi)，就存在以下機組最小停運和連續(xù)運行小時數(shù)約束約束不等式： t=1,2,…,T i=1,2,…,N (3—7)為機組允許的連續(xù)時間內(nèi)最小停運小時數(shù)；為機組允許的連續(xù)時間內(nèi)最小運行小時數(shù)?！趇臺機組發(fā)電機功率的上限。——時段t系統(tǒng)所需功率儲備。b) 旋轉(zhuǎn)備用約束根據(jù)電力系統(tǒng)安全性的考慮，電網(wǎng)應(yīng)該具有抗拒突發(fā)事件的能力，發(fā)電機組的輸出功率在任何時候都應(yīng)該有一定量的備用，因此在下面引入旋轉(zhuǎn)備用約束不等式： i=1,2,…,N t=1,2,…,T (3—5)其中：——工作機組能夠提供的最大功率。 約束條件對于以上要求系統(tǒng)中各機組的總費用為最小機組優(yōu)化問題，實際上存在一定的約束條件，具體如下：a)功率平衡約束電網(wǎng)系統(tǒng)的功率平衡方程為： i=1,2,…,N t=1,2,…,T (3—4)——表示調(diào)度中心下達給發(fā)點廠的t時段負(fù)荷。其地洞費用可表示為： （3—2）式中：——第i臺機組鍋爐冷啟動費用；——第i太機組啟動費用常數(shù)；——機爐的熱時間常數(shù)；——機組停役小時數(shù)。 ——機組i在時段t時段內(nèi)的狀態(tài)，僅設(shè)0，1兩個值，=1表示運行態(tài)，=0表示停運狀態(tài)。 T——機組的運行總時間。 目標(biāo)函數(shù) 要求系統(tǒng)在T小時段中各機組的總費用為最小，目標(biāo)函數(shù)可寫為 （31）式中：——機組i在時段t的功率變量。其數(shù)學(xué)模型的目標(biāo)函數(shù)為一個調(diào)度周期內(nèi)發(fā)電廠煤費用總和最小，其約束包含功率平衡方程、經(jīng)濟運行要求和機組運行約束。3. 基于改進遺傳算法的AGC機組優(yōu)化組合 傳統(tǒng)的機組組合模型機組優(yōu)化組合問題包含了機組運行約束及常規(guī)的運行約束。(4)采用非標(biāo)準(zhǔn)的遺傳操作算子。(3)采用動態(tài)自適應(yīng)技術(shù)。眾多學(xué)者一直致力于推動遺傳算法的發(fā)展，對編碼方式，控制參數(shù)的確定和交叉機理等進行了深入的研究，提出了各種變形的遺傳算法，其基本途徑概括起來主要有以下幾個方面：(1)改進遺傳算法的組成成分或使用技術(shù)，如選用優(yōu)化控制參數(shù)，適合問題特性的編碼技術(shù)等。對早熟收斂和后期搜索遲鈍的解決方案：有條件的最佳保留機制；采用遺傳——災(zāi)變算法D帕：采用適應(yīng)度比例機制和個體濃度選擇機制的加權(quán)和：引入主群和屬群的概念；適應(yīng)度函數(shù)動態(tài)定標(biāo)：多種群并行進化及自適應(yīng)調(diào)整控制參數(shù)相結(jié)合的自適應(yīng)并行遺傳算法；對重要參數(shù)選擇采用自適應(yīng)變化而非固定不變。遺傳算法采用一種群體搜索策略和群體中個體之間的信息交換，搜索，不依賴于梯度信息。依據(jù)對混沌變量應(yīng)用方式的不同，混沌算法可以分為基于混沌序列的函數(shù)優(yōu)化方法與基于混沌神經(jīng)網(wǎng)絡(luò)(Chaotic Neural Network．CNN)的優(yōu)化算法．但由于混沌變量的搜索空間狹窄，又需要將優(yōu)化模型歸一化處理，因此還很少有將混沌神經(jīng)網(wǎng)絡(luò)應(yīng)用于實際工程領(lǐng)域的模型。顯然，通過在搜索過程中動態(tài)地控制選擇概率，遺傳算法可以實現(xiàn)模擬退火法中的溫度控制功能。因此，即使是適應(yīng)度低的個體也會有被選擇的機會。6．遺傳算法和模擬退火法模擬退火法的最大特點是搜索中可以擺脫局部解，這是傳統(tǒng)的爬山法所不具備的。而遺傳算法的顯著優(yōu)點是可以同時搜索空間中的許多點，而不是一個點，因而能夠作到全局優(yōu)化；由于其搜索最優(yōu)解的過程是有指導(dǎo)性的，避免了某些優(yōu)化算法的維數(shù)災(zāi)難問題。該方法的主要特點是：正反饋、分布式計算、與某種啟發(fā)式算法相結(jié)合，正反饋過程使得該方法能很快發(fā)現(xiàn)較好解；目前有學(xué)者嘗試將其應(yīng)用于電力系統(tǒng)規(guī)劃中但是還沒有很好地將規(guī)劃模型處理成適合于螞蟻算法求解的模型，系統(tǒng)規(guī)模增大時，難以求得高質(zhì)量的解。蟻群算法(Ant Colony Optimization，ACO)模擬螞蟻的群體行為，由Dorigo等人提出。一般而言，只有解在搜索空間中形成緊致分布時，它的搜索才有效。但一般情況下，對于完全窮舉法，方法簡單易行，但求解效率太低；對于如動態(tài)規(guī)劃法，限界剪枝法，則魯棒性不強，相比較而言，遺傳算法具有較高的搜索能力和較強的魯棒性。窮舉法就是對解空間的所有解進行搜索，但是通常的窮舉法并不是完全的窮舉法，即不是對所有解進行嘗試，而是有選擇地嘗試，如動態(tài)規(guī)劃法，限界剪枝法。(2) 通過分析目標(biāo)函數(shù)的特性可知，爬山法上一個點產(chǎn)生一個新的點，遺傳算法通過遺傳操作，在當(dāng)前的種群中經(jīng)過較差，變異和選擇產(chǎn)生下一代種群。爬山法首先在最優(yōu)解可能存在的地方選擇一個初始點，然后通過分析目標(biāo)函數(shù)的特性，由初始點移到一個新的點，然后再繼續(xù)這個過程。但遺傳算法采用的不是確定性規(guī)則，而是強調(diào)利用概率轉(zhuǎn)換規(guī)則來引導(dǎo)搜索過程。該方法求解問題的效率較高，但是它對每一個所求的問題必須找出其特有的啟發(fā)式規(guī)則。而對于求解此類問題，遺傳算法與一般傳統(tǒng)方法有著本質(zhì)的區(qū)別。而窮舉法主要包括完全窮舉法，回溯法，動態(tài)規(guī)劃法和限界剪枝法。對于類似上述最優(yōu)化問題，求最優(yōu)解或近似最優(yōu)解的傳統(tǒng)方法主要有解析法，隨機法和窮舉法。隨著研究的深入，人們逐漸認(rèn)識到在很多復(fù)雜情況下要想完全精確地求出其最優(yōu)化解是不可能的，也是不現(xiàn)實的。應(yīng)重點注意的是，遺傳算法對給定的問題給出了大量可能的解答，并挑選最終的解答給用戶，要是一個特定問題沒有單個的解，例如pareto最優(yōu)解系列中，就像多目標(biāo)優(yōu)化和日程安排案例中，遺傳算法將盡可能地用于識別可同時替換的解。3．遺傳算法容易出現(xiàn)過早收斂。2．單一的遺傳算法編碼不能全面地將優(yōu)化問題的約束表示出來。8．遺傳算法具有可擴展性，易于同別的技術(shù)混合。6．遺傳算法采用自然進化機制來表現(xiàn)復(fù)雜的現(xiàn)象，能夠快速可靠地解決求解非常困難的問題。雖然看起來它是一種盲目的搜索方法，實際上它有明確的搜索方向，具有內(nèi)在的并行搜索機制。遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)它的搜索方向。由于限制條件的縮小，使得遺傳算法的應(yīng)用范圍大大擴展。遺傳算法僅用適應(yīng)度函數(shù)的數(shù)值來評估基因個體，并在此基礎(chǔ)上進行遺傳操作。這一特點使得遺傳算法具有較好的全局搜索性能，也使得遺傳算法本身易于并行化。2．群體搜索特性。此編碼操作，使得遺傳算法可直接對結(jié)構(gòu)對象(集合、序列、矩陣、樹、圖、鏈和表)進行操作。 遺傳算法的優(yōu)點遺傳算法具有如下優(yōu)點:1．對可行解表示的廣泛性。 遺傳算法的特點遺傳算法作為一種快捷、簡便、容錯性強的算法，在各類結(jié)構(gòu)對象的優(yōu)化過程中顯示出明顯的優(yōu)勢。離線性能評估準(zhǔn)則設(shè)為環(huán)境e下策略s的離線性能，則有： （2—2）其中，上式表明，離線性能是特定時刻最佳性能的積累平均。在線性能評估準(zhǔn)則設(shè)置為環(huán)境e策略s的在線性能，為時刻t或第t代中相應(yīng)于環(huán)境e的目標(biāo)函數(shù)或平均適應(yīng)度函數(shù)，則可以表示為： （2—1）上式表明，在線性能可以用從第一代到當(dāng)前代的優(yōu)化進程的平均值來表示。之所以使用離線和在線測度是為了強調(diào)兩者在應(yīng)用上的差別。定量分析遺傳算法的測度包括離線性能(offline performance)測度n硼和在線性能(on—line performance)測度。遺傳算法的評估指標(biāo)大多采用適應(yīng)度值。不同的策略和方法決定了各自的遺傳算法具有不同的性能和特性。由遺傳算法的并行性可知，在遺傳操作中，盡管具有高階，長定義距的模式在交叉算子和變異算子的作用下遭到破壞，但遺傳算法在處理相對小數(shù)目的串時，仍然隱含地處理了大量的模式。隱并行性(implicit parallelism)：盡管遺傳算法只對n個串個體進行運算，但卻隱含地處理了個模式。但由于交叉操作的作用，并非所有的模式都能高效率地處理，定義距較長的模式將遭到破壞。一個長度為1的串，其中隱含有個模式。而積木塊假設(shè)則指出，遺傳算法具備尋找到全局最優(yōu)解的能力，即積木塊在遺傳算子的作用下，能生成高階，長距，高平均適應(yīng)度的模式，最終生成全局最優(yōu)解。積木塊假設(shè)(building block hypothesis)：低階，短距，高平均適應(yīng)度的模式(積木塊)在遺傳算子的作用下，相互結(jié)合，能產(chǎn)生高階，長距，高平均適應(yīng)度的模式下，可最終生成全局最優(yōu)解。具有低階，短定義距以及高適應(yīng)度的模式成為積木塊(building block)。統(tǒng)計確定理論中的雙角子機問題表明：要獲得最優(yōu)的可行解，則必須保證較優(yōu)解的樣本數(shù)呈指數(shù)級增長。模式階和定義距描述了模式的基本性質(zhì)。模式H中第一個確定位置和最后一個確定位置之間的距離稱為該模式的定義距，記為。模式H中確定位置的個數(shù)稱為該模式的模式階，記為O(H)。符號“*”為通配符。此相似模板稱為模式(schema)。：12453123219276112671選擇 變異交叉用作下一代1變異為9綜上而述，GA的計算過程為：選擇編碼方式產(chǎn)生初始群體計算初始群體的適應(yīng)性值如果不滿足條件{選擇交叉變異計算新一代群體的適應(yīng)性值}因此，遺傳算法具有“生成+檢測一(generateandtest)的迭代過程，它的基本處理流程如圖所示：、群體P(t)選擇運算交叉運算解碼變異運算群體P（t+1）解集合個體評價解空間遺傳空間 遺傳算法的基本流程 遺傳算法的理論基礎(chǔ) 模式定理和積木塊假設(shè)遺傳操作中，新的個體的結(jié)構(gòu)模式與其父代個體的結(jié)構(gòu)模式之間有某種相似性，而這些相似模板(similarity templates)都對應(yīng)高適應(yīng)度值(高于群體的平均適度)。7．全局最優(yōu)收斂(Convergence to the global optimum)：當(dāng)最優(yōu)個體的適應(yīng)度達到給定的閥值，或者最優(yōu)個體的適應(yīng)度和群體適應(yīng)度不再上升時，則算法的迭代過程收斂、算法結(jié)束。同生物界一樣，GA中變異發(fā)生的概率很低，通常取值在0．001~0．01之間。交叉體現(xiàn)了信息交換的思想。選擇實現(xiàn)了達爾文的適者生存原則。不同的問題，適應(yīng)性函數(shù)的定義方式也不同。2．初始群體的生成：隨機產(chǎn)生N個初始串結(jié)構(gòu)數(shù)據(jù)，每個串結(jié)構(gòu)數(shù)據(jù)稱為一個個體，N個個體構(gòu)成了一個群體．GA以這N個串結(jié)構(gòu)數(shù)據(jù)作為初始點開始迭代。 我們習(xí)慣上把Hollandl975年提出的GA稱為傳統(tǒng)的GA。遺傳算法以一種群體中的所有個體為對象，并利用隨機化技術(shù)指導(dǎo)對一個被編碼的參數(shù)空間進行高效搜索。 遺傳算法的步驟和意義 遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型。遺傳算法它具有全局尋優(yōu)和收斂速度快的特點，這些都適宜于處理電力系市場中日有功負(fù)荷多目標(biāo)分配的優(yōu)化調(diào)度的問題。電力系統(tǒng)的有功優(yōu)負(fù)荷分配化問題是一個多目標(biāo)、多變量、多約束的混合非線性規(guī)劃問題，因此整個優(yōu)化過程比較復(fù)雜。國內(nèi)學(xué)者在電力系統(tǒng)優(yōu)化調(diào)度領(lǐng)域應(yīng)用遺傳算法也取得了一些成果。近年來，遺傳算法在各個科學(xué)領(lǐng)域得到廣泛運用，在求解一些復(fù)雜優(yōu)化問題已顯示出強大能力，具有廣泛的適應(yīng)性。2． 遺傳算法的特點和基本方法 遺傳算法概述 遺傳算法概念遺傳算法(GA)是一種模擬自然選擇和自然遺傳機制的隨機優(yōu)化算法，由美國J．H．Holland教授提出，其主要特點是群體搜索策略和群體中個體之間的信息交換，搜索不依賴于梯度信息，因而對目標(biāo)函數(shù)沒有可微的要求(目標(biāo)函數(shù)可以是離散的)．它能根據(jù)不同環(huán)境產(chǎn)生不同的后代，具有動態(tài)性，自適應(yīng)性，同時具有內(nèi)在的并行性，能有效的解決計算量大的問題。隨著我國一些地方大規(guī)模新建電廠，發(fā)電設(shè)備開始出現(xiàn)供不應(yīng)求的局面，火電廠企業(yè)是我國的“污染大戶一．燃煤造成的二氧化硫、氮氧化物的大量排放，嚴(yán)重污染環(huán)境，這已成為國民經(jīng)濟和社會可持續(xù)發(fā)展的制約因素之一。同時，中國只有進一步改革電力市場才能有效利用有限的電力能源并減少污。其次，電力市場要采用經(jīng)濟手段管理各成員，電價是體現(xiàn)管理思想的工具，所以電價的制定原則、計算貿(mào)易電價、電網(wǎng)的收益是電力市場的重要內(nèi)容。隨著大批新增機組的不斷投產(chǎn)和全國用電量的高速增長，有關(guān)經(jīng)濟負(fù)荷分配問題的調(diào)度不可避免地成為電力系統(tǒng)調(diào)度管理的重要任務(wù)之一。與2004年底的火電裝機容量相比，火電需求增加了3．4億千瓦，也就是每年需增加發(fā)電燃煤10億噸。發(fā)電裝機容量需求達到9．5億千瓦。目前，我國的能源消耗增長已經(jīng)高于經(jīng)濟增長，其中煤炭問題是中國能源戰(zhàn)略中的一二突出的問題。而在競爭的電力市場中，進行優(yōu)化調(diào)度所追求目標(biāo)是多方面的．在現(xiàn)代電力工業(yè)環(huán)境下，電力市場的運行基本目標(biāo)是：在滿足系統(tǒng)安全穩(wěn)定運行的條件下，促進發(fā)電廠的競爭，以發(fā)電成本，網(wǎng)損，輔助服務(wù)成本之和最低為優(yōu)化目標(biāo)，根據(jù)機組報價，確定發(fā)電計劃，實時調(diào)