多智能体进化算法在火电厂负荷优化分配中的应用

论文摘要

在现阶段电力工业市场化改革的背景之下,研究火力发电厂机组负荷优化分配、提高发电机组运行的经济效益和发电企业的竞争力,具有重要的意义。本文回顾和总结了机组负荷优化分配的传统研究方法,然后选取二次函数作为机组煤耗量特性曲线,并以此为基础建立了负荷优化分配模型,同时考虑了机组运行的约束条件。本文选取多智能体进化算法进行优化设计,对具体设计环节作了有益的改进,与应用较广的遗传算法作了性能比较,并首次将其应用于火电厂机组负荷优化分配问题,为该算法在负荷分配问题领域中的应用做出探索和尝试。最后通过一个包含十台机组的火电厂负荷分配算例仿真表明,该算法是可行和有效的。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 引言
• 1.2 国内外发展现状
• 1.3 负荷分配优化设计方法概述
• 1.4 多智能体理论
• 1.4.1 智能体的基本概念
• 1.4.1.1 智能体
• 1.4.1.2 智能体的生存环境
• 1.4.1.3 多智能体系统
• 1.4.2 多智能体系统的主要研究内容
• 1.4.2.1 内部智能体结构体系
• 1.4.2.2 多智能体之间的通信
• 1.4.2.3 多智能体的协调与协作
• 1.4.2.4 多智能体的学习
• 1.4.2.5 多智能体冲突消解
• 1.4.3 面向问题解决的多智能体系统研究现状
• 1.4.4 多智能体系统与进化计算
• 1.5 本课题主要研究工作
• 第二章 机组负荷优化分配模型
• 2.1 单元机组煤耗特性曲线
• 2.1.1 单元机组煤耗特性数据的采集
• 2.1.2 单元机组煤耗特性曲线的选取
• 2.1.3 单元机组煤耗特性曲线的拟合实现
• 2.2 负荷优化组合分配的模型建立
• 2.2.1 目标函数的确定
• 2.2.2 约束条件的确定
• 2.3 负荷优化组合分配的计算流程
• 2.4 小结
• 第三章 多智能体进化算法
• 3.1 MAEA中智能体的定义
• 3.2 智能体的生存环境
• 3.3 智能体的行为
• 3.3.1 竞争行为
• 3.3.2 自学习行为
• 3.4 组合优化多智能体进化算法
• 3.5 多智能体进化算法与遗传算法比较
• 3.5.1 遗传算法简介
• 3.5.2 GA与MAEA算法比较
• 3.5.2.1 以进化代数作为终止条件
• 3.5.2.2 以误差作为终止条件
• 3.6 小结
• 第四章 多智能体化算法应用于机组优化组合分配问题
• 4.1 求解步骤
• 4.2 个体调整实施细节
• 4.3 算法的设计及参数选择
• 4.4 仿真结果
• 4.5 小结
• 第五章 结束语
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况