火电系统节能减排论文

1火电系统的节能减排优化调度问题的模型构建

顾名思义，所谓“节能”就是在能源的利用上做到节约、不浪费，“减排”就是在生产过程中减少有害物质的排放，进而减少污染，而“优化调度”是指在满足一定的条件下对资源做到合理安排、分配。短期火电系统的节能减排优化调度是指在一定的调度周期内，即24小时内，在满足系统负荷和一定的约束条件下，对整个电力系统的各机组负荷实现最优分配。而所应用的优化发电调度方式，是按照机组发电效率确定次序的调度规则，是实现电力工业节约发展、安全发展和科学发展的重要措施，也是落实科学发展观的具体体现。可以提高电力系统整体的效率，对缓解我国的能源供应压力有重大意义。火电系统的节能减排优化调度问题是一个高维、非凸、非线性的有约束多目标优化问题。国内外学者也对此进行了大量研究，常见的方法有遗传算法、差分进化法、粒子群优化算法等。本文即采用粒子群优化算法来分析解决火电系统的节能减排优化调度问题。

2优化算法在节能减排调度中的应用

国内外学者对应用到火电系统的算法进行了大量研究，主要有遗传算法、差分进化法、粒子群算法等，接下来对各算法一一进行分析。

2.1遗传算法（GeneticAlgorithm）遗传算法是是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是解决搜索问题的通用算法，其步骤一般为复制、交叉、变异。

2.2差分进化算法（DifferentialEvolution）

差分进化算法是由Storn等人于1995年提出的，它是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。本质上说，它是一种基于实数编码的具有保优思想的贪婪遗传算法，同遗传算法一样，差分进化算法包含变异和交叉操作，但同时相较于遗传算法的选择操作，差分进化算法采用一对一的淘汰机制来更新种群。对于优化问题。

2.3粒子群算法（ParticleSwarmOptimization）

粒子群算法是在1995年由Eberhart博士和Kenned博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。粒子群算法和遗传算法类似，也是一种基于迭代的优化算法，但是它没有遗传算法中的交叉和变异，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。基于此，决定用粒子群算法来解决短期火电系统的节能减排优化调度问题。

3结论

本文是为解决短期火电系统的节能减排优化调度问题，建立了火电系统多目标优化调度模型，找到了适合该模型的目标函数、约束条件等。分析了遗传算法、差分进化算法以及粒子群优化算法的特点，由于粒子群算法规则简单，容易实现，收敛速度快，且有很多措施可以避免陷入局部最优，并且对于参数的选择已经有成熟的理论研究成果，进而选择了粒子群优化算法来解决该调度问题，为后续的实例仿真计算奠定基础。

作者:周雪孙梦雅于晨晨韩羞草李晓飞单位:中国矿业大学〈北京〉机电与信息工程学院