电力系统经济调度的二进制遗传算法优化实践

1. 项目背景与核心挑战

电力系统经济调度是能源管理领域的经典问题，其核心目标是在满足电力需求的前提下，合理分配各发电机组的出力，使得总发电成本最低。传统经济调度模型通常只考虑燃料成本最小化，但随着环保要求的提高和电网规模的扩大，现代电力系统调度必须同时兼顾排放目标和输电损耗的影响。

我在参与某区域电网调度系统升级时，曾遇到一个典型场景：当系统优先考虑煤电机组的排放约束时，虽然二氧化硫排放量降低了12%，但输电损耗却增加了8%，导致实际经济效益反而下降。这个案例让我深刻认识到多目标优化在电力调度中的重要性。

二进制遗传算法（Binary Genetic Algorithm, BGA）特别适合解决这类离散化决策问题。与实数编码相比，二进制编码能够：

• 精确表示发电机组的启停状态（0/1）
• 通过位操作实现高效交叉变异
• 方便处理离散的出力调整区间
• 降低算法陷入局部最优的风险

2. 系统建模与问题转化

2.1 目标函数构建

我们的多目标优化问题需要同时考虑三个关键因素：

1. 燃料成本：采用经典的二次成本函数

   python复制def fuel_cost(P):
       return sum(a_i * P_i**2 + b_i * P_i + c_i for i in range(N))
   

   其中a,b,c为机组成本系数，P_i为机组出力

2. 排放目标：主要考虑SO₂和NOx排放

   python复制def emission(P):
       return sum(α_i * P_i**2 + β_i * P_i + γ_i for i in range(N)) 
   

3. 输电损耗：使用B系数法计算

   python复制def power_loss(P):
       return P.T @ B @ P + B0 @ P + B00
   

2.2 约束条件处理

在实际系统中必须满足以下硬约束：

• 功率平衡：ΣP_i = P_load + P_loss
• 机组出力限制：P_i_min ≤ P_i ≤ P_i_max
• 爬坡速率限制：|P_i(t) - P_i(t-1)| ≤ ΔP_i_max

在遗传算法中，我们采用罚函数法处理约束：

python复制def penalty(P):
    violation = max(0, abs(sum(P) - P_load - power_loss(P)) - ε) 
    + sum(max(0, P_i - P_i_max) + max(0, P_i_min - P_i) for i in range(N))
    return K * violation  # K为惩罚系数

3. 二进制遗传算法实现

3.1 染色体编码设计

每个机组出力采用8位二进制编码，假设有N台机组，则染色体长度为8N。例如：

code复制机组1(01011010) | 机组2(11001001) | ... | 机组N(10100101)

解码公式：

python复制def decode(chromosome):
    P = []
    for i in range(N):
        gene = chromosome[i*8 : (i+1)*8]
        P_i = P_i_min + int(gene, 2) * (P_i_max - P_i_min) / 255
        P.append(P_i)
    return np.array(P)

3.2 适应度函数设计

采用加权法将多目标转化为单目标：

python复制def fitness(chromosome):
    P = decode(chromosome)
    w1, w2, w3 = 0.6, 0.3, 0.1  # 权重可调
    return -(w1*fuel_cost(P) + w2*emission(P) + w3*power_loss(P)) - penalty(P)

3.3 遗传算子实现

1. 选择操作：采用锦标赛选择

python复制def selection(population, k=3):
    selected = []
    for _ in range(len(population)):
        candidates = random.sample(population, k)
        selected.append(max(candidates, key=fitness))
    return selected

2. 交叉操作：两点交叉

python复制def crossover(parent1, parent2, pc=0.8):
    if random.random() < pc:
        pt1, pt2 = sorted(random.sample(range(1, len(parent1)-1), 2))
        child1 = parent1[:pt1] + parent2[pt1:pt2] + parent1[pt2:]
        child2 = parent2[:pt1] + parent1[pt1:pt2] + parent2[pt2:]
        return child1, child2
    return parent1, parent2

3. 变异操作：位翻转

python复制def mutation(chromosome, pm=0.01):
    mutated = list(chromosome)
    for i in range(len(mutated)):
        if random.random() < pm:
            mutated[i] = '1' if mutated[i] == '0' else '0'
    return ''.join(mutated)

4. Python实现关键细节

4.1 算法主流程

python复制def BGA_optimize():
    # 初始化参数
    pop_size = 50
    max_gen = 100
    population = [generate_individual() for _ in range(pop_size)]
    
    for gen in range(max_gen):
        # 评估
        fitnesses = [fitness(ind) for ind in population]
        
        # 选择
        selected = selection(population)
        
        # 交叉
        offspring = []
        for i in range(0, len(selected), 2):
            child1, child2 = crossover(selected[i], selected[i+1])
            offspring.extend([child1, child2])
        
        # 变异
        population = [mutation(ind) for ind in offspring]
        
        # 精英保留
        best = max(population, key=fitness)
        population[0] = best
        
        # 输出当前最优
        print(f"Gen {gen}: Cost={-fitness(best):.2f}")
    
    return decode(best)

4.2 可视化分析

使用Matplotlib绘制优化过程：

python复制plt.plot(cost_history, label='Fuel Cost')
plt.plot(emission_history, label='Emission')
plt.plot(loss_history, label='Power Loss')
plt.xlabel('Generation')
plt.ylabel('Objective Value')
plt.legend()
plt.show()

5. 实战优化技巧

5.1 参数调优经验

1. 种群大小：建议在50-200之间。太小的种群容易早熟，太大则计算成本高。可以通过观察种群多样性来调整：

   python复制def diversity(population):
       unique = len(set(population))
       return unique / len(population)
   

2. 变异概率：通常设为1/L（L为染色体长度）。实践中发现动态调整效果更好：

   python复制pm = 0.1 - 0.09 * (gen / max_gen)  # 随代数递减
   

3. 权重调整：采用自适应权重策略：

   python复制if gen % 10 == 0:
       w1 *= 0.95  # 逐步降低成本权重
       w2 *= 1.05  # 提高排放权重
   

5.2 常见问题排查

1. 收敛过早：

   • 增加变异概率
   • 采用多种群并行
   • 引入移民策略

2. 约束不满足：

   • 增大惩罚系数K
   • 采用可行解优先的选择策略
   • 添加修复算子调整不可行解

3. 计算效率低：

   • 使用Numba加速适应度计算
   • 采用并行评估
   • 实现精英保留策略减少无效计算

6. 工程实践建议

在实际电网调度系统中应用时，还需要考虑：

1. 实时数据接口：

   python复制def get_real_time_data():
       # 从SCADA系统获取实时负荷
       # 从EMS获取网络拓扑
       # 从CEMS获取排放系数
       pass
   

2. 安全校验机制：

   python复制def safety_check(P):
       # N-1安全校验
       # 电压稳定校验
       # 频率稳定校验
       return is_safe
   

3. 与现有系统集成：

   • 将优化结果转换为CIM/E格式
   • 通过OPC UA接口下发指令
   • 与AGC系统协调控制

我在某省级电网的实际部署中发现，将遗传算法与传统优化方法结合效果最佳：先用BGA快速获得优质解空间，再用内点法进行局部精细优化，这样既保证了全局搜索能力，又获得了高精度解。