基于人工神经网络与动态规划的机组组合算法研究

改革开放以来,随着我国经济的不断发展,电力系统负荷的也随之不断增加,这就使得电力系统需要不断扩建、安装新机组。为了满足负荷的要求,系统内联合运行机组的规模不断扩大,而众多的发电机组存在着不同的燃料特性,即某些机组具有较高的发电效率,而某些机组的发电效率相对较低;另外,电力系统的负荷是时刻变化的,并且在各时段间存在着明显的峰谷特性。因此在制定日发电计划时,必须根据机组的实际情况与负荷的变化来考虑机组的开、停状态。所以,在各时段上如何在多台发电机组之间选择机组启停,进而如何在选定的机组之间分配负荷,从而在满足负荷与各种约束的前提下使系统总的燃料费用最小,这就是机组组合所要研究的问题。本文以电力系统中机组组合问题为研究对象,就BP神经网络与动态规划在机组组合问题中的应用进行了较为深入的研究和探索;尝试对BP神经网络与动态规划法进行改进,使改进后的算法适合机组组合问题的要求,减少求解过程中的状态数,避免单纯利用动态规划法求解机组组合时产生的“维数灾”问题。 本文在广泛收集资料的基础上,结合电力系统中各种机组的运行特性,分析了各类机组的组合方式及其经济特性。归纳总结了机组组合的常用算法与国内外最新研究进展。与传统的火电机组优化模型相比,本文将水电厂等值为一个水电机组,将水电机组及其运行成本考虑在优化目标内,利用水电机组起动灵活的特性减少火电机组的启停,达到水火协调的目的。并将动态规划与神经网络相结合,把机组组合问题分为两部分,第一部分为利用BP神经网络产生机组启停的预调度表,第二部分为利用动态规划处理前一步得到的预调度表,并得到机组启停的最终方案。利用Levenberg-Marquardt算法对BP神经网络进行训练,并针对该算法占用内存大的缺点,提出了减少内存的改进。与其他的训练算法相比,可以在较少的迭代步数内达到良好的收敛效果。经理论分析与算例验证,该算法明显优于其他算法,并可以显著减少内存的占用量。根据预调度表的内容,利用改进的动态规划法对其进一步处理,该方法在窗口单元的构造、选择,以及策略的递推公式上,都与截窗口动态规划法有显著的不同,并将每个阶段分为确定状态与不确定状态两类,对每一类使用不同的策略递推公式,从而减少了动态规划法的状态数与转移路径数。通过实际算例验证,改进的动态规划法与标准动态规划法相比,不会降低机组启停计划可行性,并可避免动态规划法的“维数灾”问题。