[发明专利]基于模拟退火粒子群算法的梯级水电站调度方法及系统

说明书

本发明公开了一种基于模拟退火粒子群算法的梯级水电站调度方法及系统，属于水利水电技术领域。本发明针对基本PSO算法进行改进，结合模拟退火算法，利用其对劣质解的接受规则，质量越好的个体最优位置会被给予越高的替换概率，使得质量越好的个体最优位置能够替代速度更新公式中全局最优位置的概率更高，增强了算法跳出局部最优值的能力，有效地避免了算法陷入局部最优值，在解的质量以及结果的合理性等方面可达到满意的效果，提高了梯级水电站的发电效益；本发明引入收缩因子来控制粒子的速度，能更有效地控制粒子速度的振动，提高了算法的收敛速度。

技术领域

本发明属于水利水电技术领域，更具体地，涉及一种基于模拟退火粒子群算法的梯级水电站优化调度方法。

背景技术

流域梯级水电站优化调度是在满足市场、电网负荷需求及水电系统约束、上下游防洪安全、生态安全、航运安全等前提下，协调各级水电站之间的水头、流量和出力关系，是提高流域梯级水电站群运行管理效益的主要手段，因此梯级水电站优化调度实质是一个多维、多局部极值的非线性多约束优化问题。

目前，用于求解梯级水电站群优化调度模型的方法大致分为两类，第一类是传统线性和非线性方法、动态规划法等方法，此类方法在一定程度上存在维数灾难、算法复杂，收敛不稳定等问题。第二类是群体智能优化算法(SIA)，如粒子群优化(PSO)算法、人工鱼群算法(AFSA)算法、蚁群算法(ACO)算法、布谷鸟搜索(CS)算法、群居蜘蛛优化(SSO)算法等。由于该类方法具有自学习、自组织、自适应的特征和简单、易懂、鲁棒性强以及并行处理等优点，目前已广泛用于梯级水电站群优化调度，并取得了一定的实际应用效果。

然而随着搜索空间越来越复杂、搜索规模越来越大，传统的智能优化算法往往表现得很乏力。其中传统的粒子群算法(PSO，Particle Swarm Optimization)在求解梯级水电站优化调度模型时容易陷入局部最优解，使种群失去多样性，同时影响收敛的速度和效率，造成梯级水电站的发电效益降低。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于模拟退火粒子群算法的梯级水电站优化调度方法，其目的在于克服传统粒子群算法在求解梯级水电站优化调度模型时容易陷入局部最优解和后期收敛速度缓慢的缺陷，解决梯级水电站发电效益较低的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于模拟退火粒子群算法的梯级水电站调度方法，包括：

S1.以发电流量为决策变量，构建以水电站出力与负荷需求偏差最小为目标函数的梯级水电站优化调度模型，并确定其约束条件；

S2.在各电站流量的允许区间内，取各电站每时段发电流量为一个粒子，随机生成设定个数的粒子；

S3.计算所有粒子当前时刻的适应值；将每个粒子截至当前时刻历史最优的适应值作为当前时刻的个体极值；将所有粒子最优的个体极值作为全局最优值；

S4.赋予每个粒子个体极值对应的最优位置一个突跳概率，根据突跳概率随机选出一个个体最优位置对速度进行更新，并根据更新后的速度对位置进行更新；所述突跳概率根据个体最优位置和全局最优位置确定，适应度值越优的个体最优位置会被赋予更高的突跳概率；

S5.迭代执行步骤S3-S4，并判断是否达到最大迭代次数；若否，则退火转到步骤S3；若是，则输出结果，此时全局最优值的位置即为水库的最优调度的发电流量过程。

进一步地，突跳概率的计算公式为：

其中，f_pi代表个体最优适应值；f_pg代表全局最优适应值，M表示种群中粒子个数。

进一步地，步骤S4中速度更新公式为：