基于多目标粒子群优化的电力系统负荷分配

5.1 引言

在求解多目标优化问题算法中，进化算法是最有效的手段。早在二十世纪七八十年代，已出现多种进化算法，例如 NSGA-II 算法、PAES 算法、SPEA-II 算法[63-64]以及 MOPSO等算法[65]。这些进化算法利用非占优排序、强占优和拥挤距离等策略来保证最优解集靠近 Pareto 前沿，用来保持非劣解集的分布性和算法的收敛性。但是一般情况下，由于出于决策的偏好或求解的需要，决策者只要求获取偏好区域内的 Pareto 解，而不需要整个的 Pareto 前端解集。这样的目的，既可以提高效率，减小了数据的大小和求解范围，同时也可以便于决策者找到真正需要的解。

一般情况下，根据决策方式的不同，在文献[66]中，作者将基于偏好信息的求解过程大致分为三种：前决策技术(Priori Technique)、后决策技术(Posterior Technique)以及交互决策技术或边优化边决策技术(Progressive Technique)。所谓的前决策，就是指先引入决策信息再进行优化，通过迭代，为决策者提供一个最优解。后决策技术是指在先求解最优解集的基础上，由决策者选择自己所需要的解。而交互决策技术是指在进化算法运行的过程中，优化计算和引入决策信息二者交互进行。通过这样互动方式，使决策者的偏好思想很好的和算法进行结合，这样做可以保证算法的搜索过程可以沿着参考点或参考区域进行。从上面的叙述中可以看出，交互决策技术是一种很好有效的决策技术，而在本文就采用了这种决策技术。

......

结论

随着时代的发展，人们生活水平的提高，环境问题越来越受到人们的重视。面对我国的雾霾问题如此严重，环境污染严重影响人们身体健康。因此，如何合理解决火力发电过程中产生环境问题已经成为电力系统的研究热点。在电力系统控制方面，如何通过合理分配每台机组的功率来保证经济和环境成本最低，很多学者已经进行了大量的研究。在本文的论文中也将针对这一问题进行深入探索，将改进的多目标粒子群算法应用到电力系统环境经济负荷分配中，来解决上面遇到的问题。本文研究的主要内容有：

(1)对粒子群的基本算法进行改进，对参数 w 和 c 的迭代方式进行创新，并通过仿真来验证此改进方法的可行性，改进了传统粒子群算法的易于陷入局部最优的缺点;

(2)对多目标粒子群进行改进，算法将参考点作为参考区域的中心，在移动参考点的过程中，动态调整参考区域的大小，增加了选择压力，控制了偏好的范围。另外，本文提出了球扇占优的概念，改进了全局最优粒子的选取，实现对多目标优化的非劣解有效搜索;

(3)最后将改进的多目标粒子群算法应用其中，来求取基于环境成本和经济成本的多目标问题，为更好的改善环境问题提供了更优越的数据。虽然多目标粒子群算法已经取得了很大的发展，但是它仍然存在很大的不足，比如它容易陷入局部最优的问题仍然存在，所以这种算法仍然需要提高和发展，例如在支配方式上，可以将本文的球形支配换成更优秀的、有效的支配方式;可以将混合引导方式再进行改进，提高收敛的速度;进一步改进最优粒子的选择效率，使得到的解集更加精确，因此，基于多目标粒子群优化算法电力负荷分配策略还有很长的路要走，不过我相信，在不远的将来，粒子群算法和电力系统负荷分配的算法一定会更加完善，有着更远的发展前景并创造出更大的经济效益。

.........