[发明专利]基于自适应算法的小水电群智能优化错峰调度方法

说明书

技术领域

本发明涉及小水电群错峰调度优化技术领域，尤其涉及一种基于自适应粒子群算法的小水电群电压智能优化错峰调度方法。

背景技术

小水电集中上网地区电压偏高问题，已经成为水力资源丰富地区电压优化的难点。目前已有的众多算法，都关注于小水电群的发电效益最大化，鲜少将目光转投到电压优化的问题上来。小水电在丰水期满发，而负荷改变不大，是造成丰水期电网电压偏高的主要原因。

粒子群优化(Particle Swarm Optimization，PSO)算法是Kennedy和Eberhart受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法，1995年IEEE国际神经网络学术会议发表了题为“Particle Swarm Optimization”的论文，标志着PSO算法诞生。它与其他进化算法一样，也是基于“种群”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索；同时，PSO又不像其他进化算法那样对个体进行交叉、变异、选择等进化算子操作，而是将群体(swarm)中的个体看作是在D维搜索空间中没有质量和体积的粒子(particle)，每个粒子以一定的速度在解空间运动，并向自身历史最佳位置pbest和邻域历史最佳位置lbest聚集，实现对候选解的进化。在PSO算法中，首先初始化一群随机粒子的位置及速度，然后通过速度、位置更新方程迭代，引导粒子飞向粒子群中的最优位置，找到最优解。PSO算法具有很好的生物社会背景而易理解、参数少而易实现，对非线性、多峰问题均具有较强的全局搜索能力，在科学研究与工程实践中得到了广泛关注。

在PSO算法中，首先初始化一群随机粒子的位置及速度，然后通过速度、位置更新方程迭代，引导粒子飞向粒子群中的最优位置，找到最优解。对于N维搜索空间，粒子i的位置可表示为X_i＝(x_i1，x_i2，…，x_iN)，速度可表示为V_i＝(v_i1，v_i2，…，v_iN)，更新迭代公式为：

V_i(k+1)＝ωV_i(k)+c₁rand()(X_ip-X_i(k)+c₂rand()(x_g-X_i(k)

X_i(k+1)＝X_i(k)+V_i(k+1)

式中，ω为惯性权重因子；c₁、c₂为学习因子；rand()为(0，1)之间的随机数；k是迭代代数；X_ip是粒子i本身迄今搜索到的最优位置；X_g是整个粒子群迄今搜索到的最优位置。随机粒子的速度更新考虑了三个方面：粒子的惯性速度、粒子当前位置与自己最优位置间的距离、当前位置与群体最优位置间的距离。这分别体现了PSO算法中，粒子的记忆行为、对自己经验的“认知”以及“社会”经验的共享和合作。引入ω，可以调控粒子维持原有速度的程度。ω对算法的性能有很大影响，前期较大的ω有利于提高算法的收敛速度，而后期较小的ω则有利于提高算法的收敛精度。随着迭代次数的增加调整ω，称为自适应粒子群算法(Adapted Particle Swarm Optimization，APSO)。

惯性权重ω如何设置，即何时需要加强全局搜索能力避免局部最优，何时需要加强局部搜索能力实现快速收敛，要同时分析众多因素和当前搜索状态。较大的惯性权重有利于全局探索，但搜索效率较低，算法开销较大；较小的惯性权重能够加速算法的收敛，但是容易陷入局部最优。设置合理的惯性权重，是避免陷入局部最优并高效搜索的关键。

自适应算法适应度函数用来判别粒子的适应性，如何体现电压优化的作用是需要解决的问题。潮流计算占用了自适应算法的绝大部分时间，如何提高算法的速度且同时使粒子群更加优化，也需要进一步的研究。

发明内容

针对上述存在的技术问题，本发明的目的是提供一种基于自适应算法的小水电群智能优化错峰调度方法，以解决丰水期小水电站集中上网造成的电网电压偏高问题。

为达到上述目的，本发明采用如下的技术方案：

步骤1：通过智能化监控设备采集小水电水文数据，包括来水量、水位、库容、出力、发电净水头；