遗传算法在电力系统经济调度中的应用研究

无术

遗传算法(简称 GA),是对生物进化的一种数学抽象模拟,将达尔文的进化论的自然遗传、自然选择的机制引入到数学理论中,形成了一种具有鲜明特色的优化方法。该法作为一种搜索和自适应优化方法,主要用于求解组合优化问题以及存在不可微的目标函数或约束条件复杂的非线性优化问题,广泛应用于组合优化、机器学习、自适应控制、规划设计、人工生命和图像处理等领域,是 21 世纪有关智能计算
  i5 c1 h. H+ Y的关键技术之一。常规的基于梯度寻优的数学优化技术,计算速度快,但要求优化问题可微,且通常只能求得局部最优解;而 GA 无可微要求,适用范围广,而且由于这类方法采用随机优化技术,有较大的概率求得全局最优解。同时,该法固有的并行处理特性为求解大规模问题及处理算法过早收敛问题带来了希望。　
    遗传算法是Holland　J.H在 70 年代初期提出来的，是演化计算的重要分支，属于计算智能领域。它具有并行计算的特性与自适应搜索的能力，可在一个大规模、多极值点且具有不确定性的解空间中进行全局优化搜索，因而，被广泛应用于电力系统的优化调度中。　

1.4.1 遗传算法解算经济调度的优越性　
遗传算法作为人工智能的新方法，已经被应用到许多领域的优化计算中．由于遗传算法本身具有许多优良特性，所以将其应用到电力系统的经济调度中解决了以前的优化算法无法解决的问题
1)遗传算法对目标函数没有严格的要求，因而用它解算电力系统经济调度时不必将发电曲线近似化，从而可以避免产生较大的误差。　
( N9 p1 S4 f5 _, j8 n. Q2)不需要解协调方程式就可以进行水火电协调。在水火电联合系统中进行调度时，必须迭代求解水煤换算系数，但是解算很难收敛，尤其是对含有多个水电厂的系统。而遗传算法不需求解水煤换算系数，从而简化了计算。　
3)可以求得全局最优解。遗传算法多路径进行寻优，可以避免搜索陷入局部极值。而且遗传算法编程简单，易于实现。　

因此遗传算法在电力系统的经济调度中具有很好的应用前景．