论文部分内容阅读
[摘 要]本研究应用遗传算法优化发电运营辅助决策模型，并利用仿真实验证明了遗传算法应用于发电运营辅助决策模型时的最优算子配置建议，研究结果表明，遗传算法在处理离散，非连续模型方面性能优良，收敛速度快，具备全局寻优能力，同时，利用遗传算法进行发电运营辅助决策的模型优化，可以让模型在实际应用中的更优良、更简单和更可靠。
[关键词]模型优化 遗传算法 数值试验
中图分类号：TU758.7 文献标识码：A 文章编号：1009-914X（2014）28-0011-02
[Abstract]In this paper， we have applied the genetic algorithm to Power-generation Operation and Assistant Decision Models （POADMs）.Experimental results demonstrated the optimal parameters configuration for the genetic algorithm of POADMs.. Furthermore， the proposed results have proved that the genetic algorithm is efficient for global optimization and outstanding for dealing with nonlinear and discrete models. Meanwhile， implementation of the genetic algorithm for POADMs is able to realize the optimal simple and reliable models for piratical applications.
[Key words]Model optimization；Genetic algorithm； Numerical experiment
引言：随着电力市场化改革的不断深入，发电企业面对日益激烈的市场竞争环境，为使企业创造更大的效益，采取电量结构优化的市场营销策略，是发电企业提高效益的必要手段[1]。许多发电公司借助发电运营辅助决策模型结合集团公司管理体制和各区域资源分布现状[2]。但是模型的使用情况在调研考证中却不能令人满意，主要原因是发电运营辅助模型是一个高维、高度非线性和非凸的混合模型，其优化复杂度高。模拟的模拟效果受到模型结构自身、自然系统的时变性、参数的选择的影响[3]。
基于这种现状，本文将优化算法引入到发电运营辅助模型，当今应用于模型优化的算法有：Nelder 和 Mead完善的下山单纯形法[4]，Hooke 等提出的模式搜索法[5]，JohnH.Holland教授提出的遗传算法[6]等。在这些算法中，遗传算法的收敛效果最佳，鲁棒性最强，是应用于模型优化较为优秀的算法[7]。
遗传算法是根据自然界的遗传机理而设计的优化算法，遗传算法是多起点，全局优化的算法，算法只要求模型问题可解，不受维数限制，得到了许多应用，樊叔维等将算法应用于电力变压器优化中，指导了电力变压器设计[8]。本研究成功的将遗传算法应用于发电运营辅助决策模型，从算法角度对模型进行了分析测试，并得到了预期结果。同时在性能分析的基础上给出了遗传算法应用于发电运营辅助决策模型时的算法配置建议。
遗传算法：
遗传算法是建立于自然选择和进化概念上的一种非导数有向优化方法，作为一种成熟的优化工具，遗传算法是当今影响非常广泛的演化计算算法之一。
遗传算法中由多个基因组成的种群X（G）（G 代表Y演化代数），种群内每一基因都被设计者评价并得到其适应度值，在每一次种群演化中，种群内某些基因要经历随机算子演化，由此产生新的基因。遗传算法的操作主要有三类，一是复制操作，二是杂交操作，它将两个基因的有关部分组合起来形成新的基因；三是变异操作，它改变一个基因的部分序列从而产生新的基因。新产生的基因继续根据其在对应模型问题中的性能评价优劣，然后按照它们父代的方式继续进行演化操作。在若干代演化后，种群收敛到一个最优种群。这个种群中最优基因很可能是问题的最优解。
杂交算子和变异算子是主要的两个遗传计算算子，杂交算子被用作主要的演化算子，杂交算子从父代种群中选择两个基因，在1到L（L为编码串的长度）之间随机地生成一个交叉点，然后对两个基因进行交叉操作，产生两个子代基因，变异算子在基因中产生随机的变化，经常用作次要的算子，算法的性能很大程度上依赖算子的设计，所以选择算子至关重要。
本文在充分研究各参考文献基础上，以单峰正态分布杂交作为本文的杂交算子。变异算子采用有向变异算子。
模型评价方法采用优化总利润为评价标准，优化总利润越高则结果越好。
下图为优化后总利润以及目标电量变化图：
由图2可知，目标电量搜索范围已占所给范围的95%，间接说明了算法的全局性，模型迭代到第21步时，已得到模型最优解，证明了算法收敛速度快，鲁棒性高，从模型角度来研究，算法的应用使四家电厂的利润得到了有效提升，使企业创造更大的效益，可以做发电企业提高效益的参考手段，同时优化了燃料采购，达到节能减排的优化目标。
总结：
本研究指出了模型不借助算法应用的局限性，通过结果数据分析可以得出，遗传算法应用于电量分解优化模型是一种可行的方案，算法具有以下优良特性
1.遗传算法的寻优搜索遍及整个解空间 ，它根据遗传机理进行启发性搜索，最终求得全局最优解
2.遗传算法收敛速度快，试验中可以看出，模型在迭代20步后已经收敛。
3.遗传算法以其特有的适应性，解决了的变量的离散问题， 避免维数灾难。
4.遗传算法的鲁棒性，算法优化结果变化平稳，能一致，准确的搜索模型最优解。
参考文献
[1] 周浩，张富强，韩祯祥等. 电力市场金融风险评估和辅助决策系统设计与实现[J].电网技术. 2005. 29（9）. 56-62
[2] 王毅，马晓茜，廖艳芬等.电厂优化运行辅助决策系统的设计与实现[j].中国电力.2006.39（1）：89- 92
[3] Denton M，Palmer A，Masiello R et al.Managing market risk in energy[J].IEEE Trans on Power Systems，2003，18（2）：494-502.
[4] 张建云等.模型参数优化方法及其应用[J].水文，1999，（增刊）：61-65.
[5] Nelder J A， Mead R.A simplex method for function minimization.Computer Journal[J]， 1965，7：308一313.
[6] 王毅.大型火电厂优化运行辅助决策系统的设计与实现[D].华南理工大学.2006
[7] Goldberg D E.Genetic algorithms in search optimization and machine learning[M].New York.Addison-Wesley，1989
[9] 樊叔维，汪国梁，谢卫.遗传算法在电力变压器优化设计中的应用研究[J].中国电机工程学报.1998.16（5）：346-353
[关键词]模型优化 遗传算法 数值试验
中图分类号：TU758.7 文献标识码：A 文章编号：1009-914X（2014）28-0011-02
[Abstract]In this paper， we have applied the genetic algorithm to Power-generation Operation and Assistant Decision Models （POADMs）.Experimental results demonstrated the optimal parameters configuration for the genetic algorithm of POADMs.. Furthermore， the proposed results have proved that the genetic algorithm is efficient for global optimization and outstanding for dealing with nonlinear and discrete models. Meanwhile， implementation of the genetic algorithm for POADMs is able to realize the optimal simple and reliable models for piratical applications.
[Key words]Model optimization；Genetic algorithm； Numerical experiment
引言：随着电力市场化改革的不断深入，发电企业面对日益激烈的市场竞争环境，为使企业创造更大的效益，采取电量结构优化的市场营销策略，是发电企业提高效益的必要手段[1]。许多发电公司借助发电运营辅助决策模型结合集团公司管理体制和各区域资源分布现状[2]。但是模型的使用情况在调研考证中却不能令人满意，主要原因是发电运营辅助模型是一个高维、高度非线性和非凸的混合模型，其优化复杂度高。模拟的模拟效果受到模型结构自身、自然系统的时变性、参数的选择的影响[3]。
基于这种现状，本文将优化算法引入到发电运营辅助模型，当今应用于模型优化的算法有：Nelder 和 Mead完善的下山单纯形法[4]，Hooke 等提出的模式搜索法[5]，JohnH.Holland教授提出的遗传算法[6]等。在这些算法中，遗传算法的收敛效果最佳，鲁棒性最强，是应用于模型优化较为优秀的算法[7]。
遗传算法是根据自然界的遗传机理而设计的优化算法，遗传算法是多起点，全局优化的算法，算法只要求模型问题可解，不受维数限制，得到了许多应用，樊叔维等将算法应用于电力变压器优化中，指导了电力变压器设计[8]。本研究成功的将遗传算法应用于发电运营辅助决策模型，从算法角度对模型进行了分析测试，并得到了预期结果。同时在性能分析的基础上给出了遗传算法应用于发电运营辅助决策模型时的算法配置建议。
遗传算法：
遗传算法是建立于自然选择和进化概念上的一种非导数有向优化方法，作为一种成熟的优化工具，遗传算法是当今影响非常广泛的演化计算算法之一。
遗传算法中由多个基因组成的种群X（G）（G 代表Y演化代数），种群内每一基因都被设计者评价并得到其适应度值，在每一次种群演化中，种群内某些基因要经历随机算子演化，由此产生新的基因。遗传算法的操作主要有三类，一是复制操作，二是杂交操作，它将两个基因的有关部分组合起来形成新的基因；三是变异操作，它改变一个基因的部分序列从而产生新的基因。新产生的基因继续根据其在对应模型问题中的性能评价优劣，然后按照它们父代的方式继续进行演化操作。在若干代演化后，种群收敛到一个最优种群。这个种群中最优基因很可能是问题的最优解。
杂交算子和变异算子是主要的两个遗传计算算子，杂交算子被用作主要的演化算子，杂交算子从父代种群中选择两个基因，在1到L（L为编码串的长度）之间随机地生成一个交叉点，然后对两个基因进行交叉操作，产生两个子代基因，变异算子在基因中产生随机的变化，经常用作次要的算子，算法的性能很大程度上依赖算子的设计，所以选择算子至关重要。
本文在充分研究各参考文献基础上，以单峰正态分布杂交作为本文的杂交算子。变异算子采用有向变异算子。
模型评价方法采用优化总利润为评价标准，优化总利润越高则结果越好。
下图为优化后总利润以及目标电量变化图：
由图2可知，目标电量搜索范围已占所给范围的95%，间接说明了算法的全局性，模型迭代到第21步时，已得到模型最优解，证明了算法收敛速度快，鲁棒性高，从模型角度来研究，算法的应用使四家电厂的利润得到了有效提升，使企业创造更大的效益，可以做发电企业提高效益的参考手段，同时优化了燃料采购，达到节能减排的优化目标。
总结：
本研究指出了模型不借助算法应用的局限性，通过结果数据分析可以得出，遗传算法应用于电量分解优化模型是一种可行的方案，算法具有以下优良特性
1.遗传算法的寻优搜索遍及整个解空间 ，它根据遗传机理进行启发性搜索，最终求得全局最优解
2.遗传算法收敛速度快，试验中可以看出，模型在迭代20步后已经收敛。
3.遗传算法以其特有的适应性，解决了的变量的离散问题， 避免维数灾难。
4.遗传算法的鲁棒性，算法优化结果变化平稳，能一致，准确的搜索模型最优解。
参考文献
[1] 周浩，张富强，韩祯祥等. 电力市场金融风险评估和辅助决策系统设计与实现[J].电网技术. 2005. 29（9）. 56-62
[2] 王毅，马晓茜，廖艳芬等.电厂优化运行辅助决策系统的设计与实现[j].中国电力.2006.39（1）：89- 92
[3] Denton M，Palmer A，Masiello R et al.Managing market risk in energy[J].IEEE Trans on Power Systems，2003，18（2）：494-502.
[4] 张建云等.模型参数优化方法及其应用[J].水文，1999，（增刊）：61-65.
[5] Nelder J A， Mead R.A simplex method for function minimization.Computer Journal[J]， 1965，7：308一313.
[6] 王毅.大型火电厂优化运行辅助决策系统的设计与实现[D].华南理工大学.2006
[7] Goldberg D E.Genetic algorithms in search optimization and machine learning[M].New York.Addison-Wesley，1989
[9] 樊叔维，汪国梁，谢卫.遗传算法在电力变压器优化设计中的应用研究[J].中国电机工程学报.1998.16（5）：346-353