1. 项目背景与核心价值
电力系统经济调度是电力行业运行中的经典优化问题。简单来说，就是在满足各种物理约束条件下，如何安排各发电机组的出力，使得整个系统的发电成本最低。这个问题看似简单，但实际需要考虑的约束条件非常复杂。
传统经济调度主要考虑功率平衡约束和机组出力上下限约束。但随着新能源大规模并网和电网复杂程度提高，爬坡约束（机组出力变化速率限制）和输电损耗的影响变得不可忽视。爬坡约束直接关系到系统应对负荷波动的能力，而输电损耗则可能占到总发电量的5-8%，忽略它们会导致调度方案在实际运行中不可行或经济性大打折扣。
遗传算法作为一种启发式优化方法，特别适合处理这类非线性、多约束的复杂优化问题。相比传统数学规划方法，它不依赖目标函数的可微性，能够跳出局部最优解，而且编码方式天然适合处理各种约束条件。我在实际电网调度系统开发中发现，对于考虑爬坡约束和输电损耗的经济调度问题，遗传算法往往能找到比线性规划更经济的解决方案。
2. 问题建模与算法设计
2.1 目标函数构建
经济调度的核心目标是 minimizef = Σ(aiPi² + biPi + ci)，其中Pi是第i台机组的出力，ai、bi、ci是成本系数。但完整的问题还需要考虑：
- 功率平衡约束：ΣPi = Pload + Ploss
- 机组出力约束：Pi_min ≤ Pi ≤ Pi_max
- 爬坡约束：|Pi(t) - Pi(t-1)| ≤ ΔPi_max
- 输电损耗Ploss的计算（通常采用B系数法）
关键提示：输电损耗计算采用B系数法时，Ploss = ΣΣPiBijPj + ΣBi0Pi + B00，其中B是损耗系数矩阵。这个二次项会显著增加问题复杂度。
2.2 遗传算法关键设计
2.2.1 染色体编码
采用实数编码，每个基因代表一台机组的出力值。例如有3台机组：
code复制[P1, P2, P3] = [150.2, 89.7, 210.5] (MW)
2.2.2 适应度函数
将约束处理融入适应度函数：
matlab复制function fitness = calc_fitness(P)
cost = sum(a.*P.^2 + b.*P + c);
penalty = 1e6*(max(0, abs(sum(P)-Pload-Ploss(P))-1e-3) + ... % 平衡约束
sum(max(0, P-Pmax)) + sum(max(0, Pmin-P)) + ... % 出力约束
sum(max(0, abs(diff(P))-ramp_limit))); % 爬坡约束
fitness = 1/(cost + penalty);
end
2.2.3 特殊遗传操作
- 变异操作需保证爬坡约束：
matlab复制function Pnew = mutate(P)
idx = randi(length(P));
delta = randn()*ramp_limit/3; % 变异量不超过爬坡限制的1/3
Pnew = P;
Pnew(idx) = max(Pmin(idx), min(Pmax(idx), P(idx)+delta));
end
- 交叉操作采用算术交叉：
matlab复制function [c1,c2] = crossover(p1,p2)
alpha = rand();
c1 = alpha*p1 + (1-alpha)*p2;
c2 = alpha*p2 + (1-alpha)*p1;
% 修正超出约束的解
c1 = min(Pmax, max(Pmin, c1));
c2 = min(Pmax, max(Pmin, c2));
end
3. Matlab实现关键代码解析
3.1 主算法框架
matlab复制% 参数设置
pop_size = 100; % 种群规模
max_gen = 200; % 最大迭代次数
pc = 0.8; % 交叉概率
pm = 0.05; % 变异概率
% 初始化种群
pop = initialize_pop(pop_size);
for gen = 1:max_gen
% 评估适应度
fitness = arrayfun(@calc_fitness, pop);
% 选择（锦标赛选择）
new_pop = select(pop, fitness);
% 交叉
for i=1:2:pop_size-1
if rand() < pc
[new_pop(i,:), new_pop(i+1,:)] = crossover(new_pop(i,:), new_pop(i+1,:));
end
end
% 变异
for i=1:pop_size
if rand() < pm
new_pop(i,:) = mutate(new_pop(i,:));
end
end
pop = new_pop;
end
3.2 输电损耗计算实现
matlab复制function Ploss = calc_loss(P)
% B系数矩阵（示例）
B = [0.0001 0.00001 0.00002;
0.00001 0.00015 0.00003;
0.00002 0.00003 0.0002];
B0 = [0.001 0.002 0.003]';
B00 = 0.005;
Ploss = P'*B*P + B0'*P + B00;
end
3.3 约束处理技巧
- 功率平衡约束的松弛处理：
matlab复制% 在适应度计算中，允许1MW以内的不平衡
tolerance = 1; % MW
unbalance = abs(sum(P) - Pload - Ploss);
if unbalance > tolerance
penalty = 1e6 * (unbalance - tolerance)^2;
end
- 动态调整惩罚系数：
matlab复制% 随着迭代增加惩罚力度
penalty_factor = 1e4 * (1 + gen/max_gen);
4. 性能优化与工程实践
4.1 算法加速技巧
- 向量化计算：
matlab复制% 替代循环计算种群适应度
all_P = cat(3, pop{:}); % 将种群转为3维矩阵
all_cost = sum(a.*all_P.^2 + b.*all_P + c, 2);
- 并行计算：
matlab复制% 使用parfor并行评估
parfor i=1:pop_size
fitness(i) = calc_fitness(pop{i});
end
4.2 实际工程问题处理
- 机组组合问题：
matlab复制% 增加启停状态基因
chromosome = [status, P]; % status为0/1表示机组启停
- 阀点效应处理：
matlab复制% 修改成本函数考虑阀点效应
cost = sum(a.*P.^2 + b.*P + c + abs(e.*sin(f.*(Pmin-P))));
- 多时段优化：
matlab复制% 染色体包含所有时段出力
chromosome = [P1_t1, P2_t1, ..., Pn_t1, P1_t2, ..., Pn_t24];
5. 结果分析与可视化
5.1 典型收敛曲线
matlab复制figure;
plot(best_cost_history);
xlabel('迭代次数');
ylabel('最优成本($)');
title('遗传算法收敛过程');
grid on;
5.2 机组出力分配
matlab复制figure;
bar(P_optimal);
xlabel('机组编号');
ylabel('出力(MW)');
title('最优出力分配');
5.3 爬坡约束验证
matlab复制ramp_violation = max(abs(diff(P_optimal,1,2)),[],1) - ramp_limit;
if any(ramp_violation > 0)
warning('爬坡约束违反：%.2f MW', max(ramp_violation));
end
6. 常见问题与调试技巧
- 算法早熟收敛：
- 增加种群多样性（提高变异概率）
- 采用自适应变异率：
pm = 0.1*(1-gen/max_gen) + 0.01 - 引入小生境技术
- 约束无法满足：
- 检查惩罚系数是否足够大
- 验证约束计算是否正确
- 尝试修复算子：
P = min(Pmax, max(Pmin, P))
- 计算速度慢：
- 预分配数组内存：
fitness = zeros(pop_size,1) - 使用MATLAB的JIT加速
- 减少不必要的重复计算
- 结果波动大：
- 增加种群规模
- 延长迭代次数
- 多次运行取最优
经验之谈：在实际项目中，我通常会先运行一个简化版本（忽略部分约束）快速获得近似解，再逐步添加约束条件。这种渐进式方法能显著提高调试效率。另外，遗传算法的参数需要针对具体问题微调，没有放之四海而皆准的最优参数组合。