基于人工免疫系统的动态环境经济调度优化算法理论、方法设计及测试研究

Dynamic emission economic dispatch (DEED) model with wind power is a kind of high-dimensional, nonlinear and large-scale constrained multi-objective optimization problem with uncertainty. The traditional mathematical programming methods can not obtain effective solution. Moreover, other heuristic stochastic optimization algorithms based on evolutionary mechanism and swarm intelligence are easy to fall into the local search or premature phenomenon. This project fully exploits the defense mechanisms and functions of the artificial immune system (AIS). According to the DEED models of single-objective, multi-objective, and uncertainty multi-objective, the parallel immune optimization algorithm, the cooperative coevolution immune optimization algorithm, and the adaptive immune optimization algorithm are investigated in the theory and design methods. The strengths and weaknesses of the proposed algorithms are analyzed by solving all kinds of DEED models with complex constraints. Meantime, several improved measures and strategies are discussed by comparing with the existing algorithms. The effective dispatch techniques and methods will be provided to power system management personnel. This study not only broadens the applications of AIS in the field of practical engineering optimization, but also embodies the characteristics of interdisciplinary among computer science, mathematics and management.

计及风电的动态环境经济调度(DEED)模型是一类高维、非线性、含大规模约束的不确定性多目标优化问题, 传统的数学规划法不能获得有效解, 而基于进化机制和其他群体智能的启发式随机优化算法求解时极易陷入局部搜索或早熟现象。本项目充分挖掘人工免疫系统(AIS)的防御机制和机理，针对单目标、多目标和不确定性多目标的DEED模型, 分别系统的研究并行免疫优化算法、协同合作进化免疫优化算法和自适应免疫优化算法的设计理论和方法，测试分析这些算法解决各类含复杂约束的DEED模型的优势和不足，通过与已存在的优势算法进行数值仿真比较并提出改进的措施和策略，为电力系统管理人员提供诸多富有成效的调度技术和方法。该研究既拓宽了AIS在实际工程优化领域中的应用，又体现了计算机科学、数学和管理学等学科相互渗透、交叉和促进发展的特点。

本项目充分挖掘人工免疫系统的运行机理，针对单目标和多目标动态环境经济调度(DEED)模型提出相应的免疫优化算法，解决含有大规模等式和不等式约束的单目标和多目标DEED优化问题，为电力系统调度人员提供安全可靠的调度方案。具体工作如下:.1) 针对已有求解DEED问题的算法仅能获得局部的Pareto前沿，结合免疫系统的克隆选择原理和遗传进化机制，设计一种免疫克隆演化算法(简称为ICEA)。在ICEA中，建立了克隆选择机制与演化机制的动态协调组合，提出了一种动态免疫选择和自适应非均匀突变的策略；引入了不同的等式和不等式的约束修补策略，使新算法更适合大规模约束问题的优化。.2) 针对传统的粒子群优化算法处理高维复杂约束的DEED问题时易于发生搜索停滞或陷入局部搜索现象，提出一种融合克隆选择的改进粒子群优化算法(简称为PSOCS)。在PSOCS中，当前优秀粒子被克隆，克隆体参与进化加速高维空间寻优能力；为了提高克隆粒子的多样性，克服搜索停滞问题，设计一种混杂变异策略(R/1orCB/1)对克隆体进行突变；为了提高算法处理约束的能力，提出一种非可行解的修正策略，使算法更适应强约束的DEED问题的处理。.3) 为有效解决复杂多目标DEED问题，提出一种基于精英克隆局部搜索的多目标动态环境经济调度差分进化算法。为了提高差分进化(DE)算法的开采和探索能力，以传统的DE算法为基本框架，增设精英群的克隆和突变机制；在种群迭代进化过程中，采用动态选择方式确定精英群，有效增强算法的全局搜索能力。.4) 为应对DEED问题的高维性和大规模约束性，提出了一种自适应多目标差分进化算法(简称为ADEA)。设计自适应差分交叉模块，提出改进的Current to best/1交叉策略增强了进化种群的多样性，有效的提高了传统进化算法的探索与开采能力；提出一种修补策略处理功率平衡约束和爬坡率约束。

内容获取失败，请点击重试