為了解決傳統(tǒng)基于種群進化的搜索算法求解電站負荷分配中搜索精度低、易陷入局部最優(yōu)的問題,結(jié)合文化基因算法的框架,以粒子群算法(PSO)作為全局搜索策略,分別引入爬山算法(HP)與模擬退火算法(SA)作為局部搜索策略,形成HPMA、SPMA兩種文化基因算法。設(shè)計了相應(yīng)的局部搜索激活機制,并針對負荷分配問題初始可行解生成效率低的問題提出了一種初始種群快速生成方法。實例計算表明,兩種文化基因算法較單獨使用SA、PSO等算法具有更好的求解精度,同時SPMA算法優(yōu)于HPMA算法,SPMA算法有利于提高了梯級水電站負荷分配問題的求解質(zhì)量。

【文章頁數(shù)】：6 頁

【部分圖文】：

文化基因算法是1989年由Moscato等[7]提出的一種以文化進化過程作為啟發(fā),結(jié)合基于種群的全局搜索和基于個體的局部搜索的算法。利用種群進化算法解決給定的優(yōu)化問題時,對種群的個體進行局部搜索提高個體適應(yīng)度使種群整體先達到一個較好的預備狀態(tài),然后進行個體之間的相互操作實現(xiàn)種群進....

由于梯級電站約束多且復雜,負荷分配解空間的范圍難以確定、個體維度高,要保證初始種群都為可行解,完全隨機的種群初始化方法會耗費大量的計算時間,為此本文提出一種基于梯級出力匹配關(guān)系的初始種群快速生成方法,如圖2所示。由上下游的水力電力聯(lián)系和歷史數(shù)據(jù)確定上下游出力比范圍ε∈[εˉ....

根據(jù)文化基因算法的基本框架,以PSO作為全局搜索策略,以爬山算法和模擬退火算法為全局部搜索策略分別建立HPMA、SPMA,算法流程如圖3所示。具體步驟為如下:

以實際運行的梯級總負荷作為負荷分配條件,梯級實際運行總負荷過程如圖4所示。由于搜索算法都存在一定隨機性,本文對4種算法分別求解5次,結(jié)果對比如表2所示,迭代過程如圖5所示。圖5迭代過程比較曲線

本文編號：4009715