基于改进PSO的水火电短期发电优化调度
基于改进PSO的水火电短期发电优化调度
作者：方娜 万畅 余俊杰
来源：《现代电子技术》2020年第06期
摘; 要： 針对水火电力系统短期发电调度决策变量多、维数高、规模大、非凸、非线性及求解困难等特点，提出改进的粒子群算法并进行求解。该算法采用反向学习策略提高初始解的质量，建立参数自适应动态调整机制控制群体进化过程，引入混沌局部搜索增强算法局部寻优能力。同时，根据不同类型的约束条件，采用能有效处理多重复杂约束的方法。仿真结果验证了算法和约束处理方法的可行性和有效性，为水火电力系统联合调度问题的求解提供了高效、实用的新方法。
关键词： 水火电力系统; 发电调度; 粒子群优化算法; 反向学习策略; 约束处理; 仿真分析
中图分类号： TN915⁃34; TP391.4; ; ; ; ; ; ; ; 文献标识码： A; ; ; ; ; ; ; ; ; ; ; ;文章编号：
1004⁃373X（2020）06⁃0119⁃05
Short⁃term hydrothermal power generation optimal scheduling based on improved PSO FANG Na1，2， WAN Chang1，2， YU Junjie1，2
（1. Hubei Key Laboratory for High⁃efficiency Utilization of Solar Energy and Operation
Control of Energy Storage System， Hubei University of Technology， Wuhan 430068， China; 2.
Hubei Power Grid Intelligent Control and Equipment Engineering Technology Research Center，
Hubei University of Technology， Wuhan 430068， China）
Abstract： An improved particle swarm optimization （PSO） is proposed to overcome the
difficulties of short⁃term hydrothermal power generation scheduling， such as more decision
variables， high dimension， large scale， no convex， nonlinearity and difficult solution. In this
algorithm， the backward learning strategy is used to improve quality of initial solutions， the
parameter adaptive dynamic adjustment mechanism is established to control the swarm evolution
process， and the chaotic local search method is introduced to enhance the algorithm's local
optimization capability. At the same time， according to different types of constraint conditions， a
method that can effectively deal with multiple complex constraints is adopted. The simulation results
verify the feasibility and effectiveness of the proposed algorithm and the constraint handling
method， which provides an efficient and practical new method for solving the joint scheduling
problem of hydrothermal power system.
Keywords： hydrothermal power system; power generation scheduling; particle swarm
optimization; reverse learning strategy; constraints handling; simulation analysis
考虑调峰深度的梯级水电站短期发电计划制作方法
考虑调峰深度的梯级水电站短期发电计划制作方法
摘要：近年来，为了达到目的，积极发展风能、光伏发电、储能等新能源，电网用电结构也在不断调整。新能源系统联动带来的峰谷差异和峰位增加问题仍然是电力系统面临的主要问题之一。水力发电机是高质量的最高电源，操作简单，调节范围广，操作灵活，启动快。目前，水电调度专家对单层水电站的长期和短期峰进行了大量研究，但大部分研究集中在大型电网、流域间、大型单层水电站的峰峰峰上，监管力度较弱的中小流域峰值需求较小。中小型流域的电力管理受最严格的管理法规约束，例如配电、群组标示、环境条件等。短期电力需求的实际规划，不仅要满足峰值、水释放和高水位的综合需求，最大峰值负荷的规划方法也很复杂，无助于优化计算。对于传统的规划方法，电力规划过程不够灵活，无法很好地了解电网的电力需求。
关键词：调峰深度；梯级水电站；短期发电计划；制作方法；
引言
为大力落实“30·60碳达峰碳中和”目标，构建清洁低碳、安全高效的能源体系，水电、风电、光伏等可再生能源将是我国能源发展的主导方向，在未来能源转型中发挥支柱引领作用。然而，风光强烈的波动性特征也给清洁能源消纳和电力系统安全稳定运行带来严峻的挑战。水电作为启停迅速、运行灵活、响应快速、调节幅值大、技术成熟的传统优质可再生能源，是构建以风光新能源为主体的新型电力系统的重要支撑。
1新时期我国流域梯级水电开发面临的新挑战
从我国水域不可开采水资源的建设条件到发展双碳目标导体和水处理系统的要求。在一个新时代，我们的供水在发展、运营、管理、机构和机制方面也面临着一系列挑战。分层水电站的安全和应急管理对水电开发提出了新的挑战。近年来，极端天气事件导致了标准高洪涝频率的洪水，目前还没有统一的系统安全管理机制。此外，分层水电站可以在单个项目中设计和施工，从而导致节能设计标准的偏差。水下测站的安全和应急管理是困难的。其中一个原因是气流阻力异常，该地区短时间降水大，极端天气事件导致洪水泛滥，导致中小地区电路板电压升高。第二种是上下流域标准的偏差。这就是不同作业单位的高水位和水坝，通信协调机制不足，导致流域管理困难。第三，在我们中小型大坝中有许多病原体。流域大坝的管理非常困难，超标准倒塌时，中、低电力线的浪涌威胁。
基于人工鱼群算法的水库优化调度研究
第35卷 第21期 继电器 Vol.35 No.21 2007年11月1日 RELAY Nov. 1, 2007
基于人工鱼群算法的水库优化调度研究
王正初1, 周慕逊2, 李军1, 孙宝军1
(1.台州学院机电工程学院，浙江 台州 318000; 2．台州学院信息与电子工程学院，浙江 台州 317000)
摘要：针对当前各种启发式算法，如遗传算法（GA），粒子群算法（PSO），模拟退火算法（SA）等在求解水库优化调度中的
不足，提出了将新型的集群智能算法－人工鱼群算法AFSA（Artificial Fish School Algorithm）用于求解水库优化调度
问题。该算法通过模拟鱼群的一些基本行为，如捕食、聚群、追尾，来求解问题的最优解。根据水库优化调度问题的情况及
数学模型，给出了基于人工鱼群算法的水库优化调度的求解策略，详细讨论了求解步骤，最后给出了实验仿真结果。结果表
明该算法具有较强的局部搜索能力，同时也有更高的搜索效率，与其它方法相比，该算法能够找到更优解，验证了该算法的
可行性和有效性。
关键词: 优化调度；人工鱼群算法；水库；动物自治体
Research in reservoir operation optimization based on artificial fish swarm algorithm
WANG Zheng-chu1, ZHOU Mu-xun2, LI Jun1，SUN Bao-jun1
（1.College of Mechanical Engineer, Taizhou College, Taizhou 318000,China;
（2.College of Information and Electronic Engineering, Taizhou College, Taizhou 317000,China）
Abstract: To reservoir operation optimization problem, people tried to find the precise method for result with many heuristic algorithms, such as Genetic algorithm (GA), Simulated Annealing algorithm (SA), Particle Swarm Optimization (PSO), etc. But these
基于C-PSO的水火电混合电力系统电源规划
第３４卷第９期 ６４ ２００６年５月１日 继电器 ＲＥＬＡＹ Ｖｏ１．３４ Ｎｏ．９ Ｍａｙ １，２００６
基于Ｃ—ＰＳＯ的水火电混合电力系统电源规划
吴耀武 ，王峥。，唐权’，熊信银 ，娄素华
（１．华中科技大学电气与电子工程学院，湖北武汉４３００７４；２．华东电网有限公司，上海２００００２）
摘要：提出了一种粒子群算法与遗传算法结合的组合粒子群算法，并将其用于求解复杂的、非线性的水火电 混合电力系统电源规划问题。该结合算法引入的遗传算法成功地提高了基本粒子群算法的全局搜索能力，同 时也比基本遗传算法的收敛速度更快。算例结果表明：对于短期规划，该算法能可靠、快速地收敛到全局最优
解，对于大型电力系统的中长期电源规划问题也可得到较好解。
关键词：水火电混合； 组合粒子群算法； 加速变步长搜索法； 可靠性计算； 环保约束
中图分类号：ＴＭ７ｌ５ 文献标识码：Ａ 文章编号：１００３－４８９７（２００６）０９－００６４－０６
０引言
电力系统电源规划的核心问题是要确定在规划
期内随着负荷的增长，系统应在何时、何地、建什么
类型、多大容量的电厂。它主要回答何时、何地投建
何种类型及多大容量的新机组的问题。我国的煤炭
资源虽然丰富，但是煤是不可再生能源，据估计，我
国的煤将在未来３Ｏ年左右开采完毕，同时火电厂生
产所产生的ｓ０ 等废气严重污染环境，基于以上原
因，我们在进行电源规划时要优先考虑发展水电，这
样既有利于节能，又有利于环保。所以本文重点研
究水火电混合电力系统的电源规划问题。
从数学规划上讲，规划方案是一个包含许多电
厂或机组的有序组合，即排序问题。由此而知，电源
规划具有高维数、非线性及随机性的特点 。
由于该问题的重要性，国内外学者相继将各种
算法应用于求解该问题，包括传统的线性规划方法、
非线性规划方法、动态规划法等 Ｊ。其中动态规划
法能获得问题的全局最优解，但是对于中长期电源
规划，容易产生维数灾问题，所以，传统优化方法难
基于PSO-Elman神经网络的电力系统短期负荷预测模型研究
第２５卷第３期 ２ ０ １ ０年９月 青岛大学学报（工程技术版） ＪＯＵＲＮＡＬ ＯＦ ＱＩＮＧＤＡＯ ＵＮＩＶＥＲＳＩＴＹ（Ｅ＆Ｔ） Ｖｏ１．２５ Ｎｏ．３ Ｓｅｐ．２ ０ １ ０
文章编号：１００６—９７９８（２０１０）０３—００４３—０５
基于ＰＳＯ－Ｅｌｍａｎ神经网络的电力系统
短期负荷预测模型研究
刘远龙 ，龚文杰 ，徐 超 ，张智晟 ，张 伟 ，王 鑫 ，赵建伟
（１．青岛供电公司，山东青岛２６６００２；２．青岛大学自动化工程学院，山东青岛２６６０７１）
摘要：提出了基于粒子群优化算法～Ｅｌｍａｎ神经网络的电力系统短期负荷预测模型，采
用具有动态递归性能的Ｅｌｍａｎ神经网络，可增强负荷预测模型的联想和泛化推理能力，
保证负荷预测的精度。采用粒子群优化算法对Ｅｌｍａｎ神经网络进行学习训练，可充分利
用粒子群优化算法的全局寻优性能，克服常规学习算法易于陷入局部最优解、收敛速度
慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性，
获得了较满意的预测精度，平均绝对误差和最大相对误差分别达到１．９８８ 和４．６７３ 。
为该模型用于实际工程取得了有效的进展。
关键词：电力系统；短期负荷预测；Ｅｌｍａｎ神经网络；粒子群优化算法
中图分类号：ＴＭ７１５ 文献标识码：Ａ ．．
电力系统短期负荷预测（ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ，ＳＴＬＦ）的准确性将直接影响电力系统的运行性
能。负荷预测精度越高，越有利于提高发电设备的利用率和经济调度的有效性。特别是电力市场竞争机制
的引入，要求各电力公司制订合理经济模型及具有竞争力的实时电价，就必须依赖于准确和快速的负荷预
测口 ］。传统的前馈神经网络（ｆｅｅｄｆｏｗａｒｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ＦＮＮ）已在电力系统ＳＴＬＦ中得到了广泛的研
究与应用 ］。但ＦＮＮ是静态网络，它所能实现的只是一一对应的静态非线性映射关系，在动态系统预测
分时电价下梯级水电站日优化调度模型的探讨
分聍电价下梯级水电玷日优化
调度模型的探讨
黄炜斌，马光文，张军良
(四川大学水电学院，四川成都610065)
摘要：梯级水电站日优化调度模型在考虑电网负荷要求和梯级水电站各机组的振动区的前提下，采用电网允许的
峰平谷负荷比约束目内各时段的出力。达到了减少机组起停次数的目的。模型采用动态定出力求解，以梯级电站发
电收入最大化为目标，并用实例对此模型进行了计算。计算过程和结果表明，动态定出力求解时间短，优化结果与
目前的电网需求相一致。
关键词：梯级水电站；短期优化调度；负荷比
DiscussiononShort-termOptimalOperationModelofCascadeHydropowerStationsunderTOUPrice
HuangWeibin，MaGuangwen，ZhangJunliang(SchoolofHydraulicsEngineering，SichuanUniversity，ChengdnSiehuan610065)
Abstract：Anewoptimaloperationmodelofcascadehydropowerstationscanminimizethestart—stoptimesofhydroelectricunitsandmaximizethegenerationbenefitafterconsideringthepowersystemloadandtheunstableoperationzonesof
hydropowerunitsandtakingpermittedpeak，averageandvalleyloadratioastheconstraintsofoutput．Themodelwassolved
bydynamicprogrammingalgorithmandundertheconditionoffixedoutputregulation．Thecasestudyshowsthattheoptimaloperationcanmeetthedemandofpowersystem．Keywords：cascadehydropowerstation；short-termoptimaloperation；Ioadratio
水电站水库优化调度的改进粒子群算法
水电站水库优化调度的改进粒子群算法
一、水库调度的挑战
水电站的水库调度呢，听起来挺简单的，其实就像是大厨做饭，原材料一堆，火候掌握得好，味道才正。水电站的水库调度，就是把水流、发电需求，还有上游下游的用水情况都考虑进去，确保水电站能按时发电，而且不会造成浪费。可是问题来了，水库的水量并不是永远都那么稳定，天气变化、降水量波动、用电需求不固定，种种因素让调度工作难上加难。要是调度不好，水库的水不够发电或者浪费水资源，最后不仅影响发电，还可能带来生态和经济的双重损失。谁不想把水用得恰到好处，既发电又不浪费呢？
水电站调度有一个大难题，就是水量预测。你想想看，水库里的水像是一个调皮的孩子，你根本无法完全预测它什么时候爱上跳跃，什么时候又安静地趴着。所以，调度人员得通过一些高级方法，像数学模型、优化算法，来尽量预测水流的变化趋势，提前做准备。那就得好好琢磨调度方法了，能找到一种靠谱的方式，就能把水库调度得明明白白，既省水又能发更多电。
二、粒子群算法的引入
说到粒子群算法，这玩意儿就像是让一群小伙伴互相协作来解决问题，大家各自出主意，再比比谁的办法最好。粒子群算法原本是模仿鸟群飞行的方式，大家一起在空中飞，彼此配合，目标明确，最终能飞到最好的地方。把这个算法用到水库调度中，就像是把一群聪明的小伙伴放进一个问题的迷宫里，让他们互相帮助找到最佳的出路。
你可能会觉得，这个算法咋这么有意思？其实它非常适合水库调度这种问题。因为，水库调度的问题并不是一个简单的线性问题，涉及的因素多得让人头大。粒子群算法通
过不断地调整“粒子”（这些就是我们的小伙伴）的策略，让它们在搜索空间中不断探索，最终找到最合适的调度方案。调度的过程中，就像是在不停地试探和优化，直到找到最合适的解决办法。
不过呀，这里可不是说粒子群算法完美无缺，它也有缺点，比如有时候会陷入“局部最优”，就是大家都集中在某个局部区域内，导致整个群体没有办法找到最好的解决方案。所以，要想让粒子群算法发挥得更好，就得对它进行一些改进和优化，增加一些智慧和灵活性，让它既能避免走偏路，又能找到最优解。
基于PSO的置换流水车间调度算法
基于PSO的置换流水车间调度算法
周 驰,高 亮,高海兵(华中科技大学工业工程系,湖北武汉430074) 摘 要: 置换流水车间调度问题(PFSP)是典型的具有工程背景的组合优化问题.对该问题的研究具有重要的理论意义与应用价值.本文针对PFSP问题提出了新的基于粒子群优化(PSO)的调度算法.论文分析了广义粒子群优化(GPSO)模型中信息流动拓扑结构的缺陷,提出新的基于种群的元启发式算法信息共享机制SISM.基于SISM信息共享机制的PSO调度算法利用PFSP问题的邻域知识指导个体的局部搜索.与历史文献中该问题的代表性算法比较,该算法可在调度质量与计算费用之间获得较好的平衡.仿真实例验证了该调度算法的有效性.关键词: 粒子群优化;置换流水车间调度;信息共享机制;邻域知识中图分类号: TP38 文献标识码: A 文章编号: 037222112(2006)1122008204ParticleSwarmOptimizationBasedAlgorithmforPermutationFlowShopScheduling
ZHOUChi,GAOLiang,GAOHai2bing(DepartmentofIndustrialEngineering,HuazhongUniversityofScienceandTechnology,Wuhan,Hubei430074,China)Abstract: PermutationFlowshopscheduling(PFSP)isacomplexcombinatorialoptimizationproblemwithstrongengineer2ingbackground,andisofgreatimportanceinboththeoryandapplication.Inthispaper,anewPSObasedflowshopschedulingal2gorithmisproposedtogenerateoptimizedPFSPschedule.First,paredwithrepresentativePFSPschedulingalgorithms,theproposedalgorithmcanobtaingoodbalancebetweenqualityofscheduleandcomputationalcost.Simulationresultsvalidateitsefficiency.Keywords: particleswarmoptimization;permutationflowshopscheduling;informationsharingstrategy;neighborhoodknowledge1 引言 置换流水车间调度(PermutationFlowShopSchedulingProb2lem:PFSP)是制造系统中重要的规划问题.该问题一般可以描述为:n个待加工的工件J={1,2,…,n},需要在m台机床M={1,2,…,m}上完成加工.每个工件包含m道加工工序Oj1,Oj2,…,Ojm,其中Ojk代表工件j在机床k上加工时间为pjk的工序.PFSP规定:(1)每个工件在机床上的加工顺序相同;(2)每台机床上工件的加工顺序相同;(3)每台机床每次最多只能加工一个工件;(4)每个工件每次只能由一台机床加工.优化调度的目的是在该问题的所有可行调度中确定每个工序的开始时间sij,使总完工时间Cmax最小即:C3max=min(Cmax)=min{max(sij+pij):ΠJi∈J,Mj∈M},满足以上条件的工件加工顺序即为置换流水车间调度的最优解.车间生产环境中优化调度的自动生成是智能制造领域的重要研究内容.PFSP调度算法通过对制造过程进行作业计划,以实现流水车间环境下生产过程的优化调度.PFSP广泛应用于实际生产,尤其适用于单件大批量生产背景的制造企业.对流水车间生产的优化调度可有效提高制造资源利用率与企业生产效益.置换流水车间调度的常用方法大致可分为三类[1]:构造启发式方法(如Gupta、Johnson、Palmer、CDS、NEH等)、运筹学方法(如分枝定界法、割平面法、动态规划法等)、基于人工智能的元启发式算法(如模拟退火、禁忌搜索、遗传算法、蚂蚁算法等).PFSP问题的构造启发式算法可以在较短时间内获得调度问题的解.但是该类方法在构造调度的过程中依赖根据问题局部信息设计的调度规则,所获得的调度一般为局部最优解.运筹学方法的应用受问题规模与计算费用的限制
水火电随机优化调度的改进粒子群算法应用研究的开题报告
水火电随机优化调度的改进粒子群算法应用研究的开题报告
一、研究背景及意义
随着能源需求的日益增加和能源结构的调整，水、火、电三种能源的清洁、高效利用成为当今能源行业的重要任务之一。由于其互补性，水、火、电在能源调节、储备等方面具有较高的效能，因此在现代电力系统中得到了广泛应用。但是，由于深度解耦和垂直分离的问题，水火电之间的协调调度面临着诸多挑战。此外，电网的高效性和稳定性也需要高标准的随机优化调度方法来优化解决。
为此，需要对水火电联合调度问题进行研究，研究如何完成水火电之间的协调性调度，进而提高电力生产效率和能源利用率。同时，需要研究一种高效稳定的随机优化调度算法来提高电网的运行效率和稳定性。
二、研究内容和方法
本研究主要针对水火电联合调度问题，从随机优化调度的角度出发，结合改进粒子群算法进行研究。
具体研究内容如下：
1、深入分析水火电联合调度面临的问题和挑战，了解现有的水火电联合调度算法的优缺点，并从随机优化角度出发，对算法进行改进。
2、建立适用于水火电随机优化调度的数学模型。考虑到现有的水火电系统中可能存在非线性和多维度问题，需要对模型进行适当的拓展和深入探究。
3、设计并实现改进粒子群算法对水火电系统进行随机优化调度。改进粒子群算法将会结合多种算法思想，包括启发式算法、多算法融合等，以进一步提升算法求解效率和精度。 4、在实际水火电系统中进行模拟调度实验，并对结果进行评估和分析。通过对实验结果的比较和分析，以验证改进的粒子群算法的适用性和有效性。
三、研究预期结果
通过研究，本文期待能够得到以下结果：
1、深入了解和掌握水火电联合调度的问题和挑战，结合随机优化思想提出一种改进的水火电联合调度算法；
2、设计和实现改进粒子群算法对水火电系统进行随机优化调度，进一步提升算法求解效率和精度；
3、在实际水火电系统中进行模拟调度实验，并对结果进行评估和分析；
4、通过对实验结果的比较和分析，以验证改进的粒子群算法的适用性和有效性。
改进PSO算法和Lagrange乘数法应用于短期发电计划
第２２卷第１期 ２０１０年２月 电力系统及其自动化学报 Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＣＳＵ—ＥＰＳＡ Ｖ０Ｉ．２２ Ｎｏ．１ Ｆｅｂ． ２Ｏ１Ｏ
改进ＰＳＯ算法和Ｌａｇｒａｎｇｅ乘数法应用于短期发电计划
吕林，周学亿
（四川大学电气信息学院，成都６１００６５）
摘要：电力系统短期发电计划研究是一个离散、复杂、多维的非线性整数规划问题，求解非常困难。采用改进 的粒子群（ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法通过线性改变权重因子，连续变量离散化，以及增加第二最 优项用于求解最优机组组合问题；拉格朗日乘数法适合于多维函数在约束条件下的求解极值问题，用于求解 各机组在各时段的经济出力。方法的可行性通过１Ｏ机系统中检验。仿真结果表明，该方法能够求得高质量 解，减少机组运行费用，具有有效性和可行性。 关键词：粒子群算法；拉格朗日乘数法；短期发电计划；电力系统 中图分类号：ＴＭ７１５ 文献标志码：Ａ 文章编号：１００３—８９３０（２０１Ｏ）０卜０１０６—０５
Ｉｍｐｒｏｖｅｄ ＰＳＯ Ａｌｇｏｒｉｔｈｍ ａｎｄ Ｌａｇｒａｎｇｅ Ｍｕｌｔｉｐｌｉｅｒｓ Ｍｅｔｈｏｄ
Ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｔｈｅ Ｓｈｏｒｔ—ｔｅｒｍ Ｓｃｈｅｄｕｌｉｎｇ
电力系统短期发电计划是在一个调度周期
内，根据负荷预报，在满足负荷需求和机组安全、启
停机限制的约束条件下，优化选定各时段参加运行
的机组，决定机组开停时间及其出力情况，使整个
机组在周期内的总消耗为最小。它是电力系统经济
运行的一个重要组成部分，合理可行的短期发电计
划不仅能够节约大量的燃料费用，延长机组的寿
命，而且可以带来巨大的经济效益。
目前有许多的学者都采用了多种方法来解决
机组组合问题。曾采用的求解方法有：内点半定规
划法、领域搜索法、编码遗传算法、罚函数法、免疫
收稿日期：２００９—０４—２７；修回日期：２００９—０５—２５ 算法、人工神经网络与动态搜索法［１ ］。但这些算
基于改进PSO调度模型的水电站发电量分析
文章编号：１６７１－４７６８（２００７）０２—００２３—０４
基于改进ＰＳＯ调度模型的水电站发电量分析
黄文稻 （深圳市广汇源水利勘测设计有限公司，广东深圳５１８０２０）
摘 要：鉴于以往水库优化调度的求解精度受制于离散的密度的不足，引入可连续域寻优的 粒子群算法，建立基于ＰＳＯ水库优化调度模型，并针对粒子群算法易出现的收敛性差和处理 约束问题困难等问题，提出了改进措施，并应用到水电站的发电量分析中。 关键词：改进粒子群；调度模型；发电量 中图分类号：ＴＭ６１２ 文献标识码：Ａ
１ 引言 人工智能科学的发展给水库优化调度模型的 求解带来了曙光，各种智能算法以其搜索速度快、 占用内存少，效率高，而吸引了许多学者从事这方 面的研究。近几年，许多学者都把遗传算法引入 到水库调度上，取得了很大的成功，但遗传算法在 应用的过程中也面临一些需要研究的问题，如存 在接近全局最优时不易收敛，不容易处理复杂约 束条件等问题。而且与其它几种算法一样，遗传 算法在应用的过程中也需要离散处理，以致其求 解的精度直接受制于离散的密度，寻优结果都不 甚理想，本文引入粒子群优化算法在继承遗传算 法群体智能寻求全局最优的基础上，实现连续域 上寻优，并通过改进解决其不易收敛和约束处理 问题，进而用于求解水库调度这一复杂问题。 ２基于Ｐｓｏ的水库优化调度模型 ２．１ ＰＳＯ算法 粒子群优化算法（ＰＳＯ）是一种通用的启发式 搜索技术，源于对鸟群捕食行为的研究。基本思 想是通过群体中个体之间的协作和信息共享来寻 求最优解。由于粒子群优化算法具有概念简单、 容易实现、搜索速度快、搜索范围大的特点，被广 泛应用于处理各种优化问题，并与遗传算法、混沌 理论、小波理论、神经网络等结合解决优化、识别、 预测、聚类等问题。ＰＳＯ算法实质上属于进化算 法的一种，和遗传算法类似，它也是从随机解出 发，通过迭代寻找最优解，它也是通过适应度来评 价解的品质，但是它没有遗传算法的“交叉”和“变 异”操作，而是通过追随当前搜索到的最优值来寻 找全局最优。首先初始化一群随机粒子，每个粒 子都有自己的位置和速度，用来决定飞行的方向 和距离，还有一个由优化函数决定的适应值。各 个粒子记忆、追随当前的最优粒子，并通过迭代更 新自己的位置和速度在解空间中进行搜索。每次 迭代的过程并不是完全随机的，粒子群通过跟踪 两个“极值”来更新自己。一个是粒子本身所找到 的最优解，即个体极值（ｐｂｅｓｔ），另一个是整个种 群目前找到的最优解，称之为全局极值（ｇｂｅｓｔ）。 在找到极值后，将全局极值更新为该位置，并以此 为依据来寻找下一个解。 ２．２基于ＰＳＯ水库调度模型 在水电站水库优化调度中，水库的运行策略 一般采用发电流量序列（ ， 。，Ａ，Ｑ ）来表 示。而在水库优化调度的计算中，通常把发电流 收稿日期：２００６－１０－２７ 作者简介：黄文稻（１９８１一），男，广东兴宁人，深圳市广汇源水利勘测设计有限公司助理工程师。