优化调度结果的方法与技巧

不同频率来水条件下各算法的优化结果见表6.2、图6.4及图6.5，其中计算时间为多次测试平均值。从表6.2中的计算年发电量可以看到，SCWAGA优于POA和GA。丰水年，SCWAGA比GA增加13.535亿kW·h，比POA增加1.004亿kW·h，并且计算时间缩短了130s。平水年，SCWAGA比GA增加10.361亿kW·h，比POA增加0.876亿kW·h，并且计算时间缩短了123s。枯水年，SCWAGA比GA增加8.239亿kW·h，比POA增加0.126亿kW·h，并且计算时间缩短了126s。从计算时间可以看到，丰水年和枯水年各算法耗时相对平水年更多，主要是因为在求解过程中丰水年需对弃水作频繁的处理，枯水年需保证系统最小出力。其中，POA算法作为传统的经典优化方法，其计算耗时与迭代步长、惩罚函数处理方式以及收敛精度有关，通常情况下，要获得精度越高的优化解，计算耗时越长；SCWAGA采用整体退火选择，父代与子代共同参与竞争，增加了选择操作的计算耗时，故比GA耗时略多。

表6.2　不同频率来水条件下的水电站群优化结果统计

图6.4　不同频率来水条件下各算法计算发电量(www.xing528.com)

图6.5　不同频率来水条件下各算法计算耗时

图6.6中描绘了丰水年SCWAGA算法得到的天生桥一级水电站、光照水电站、龙滩水电站、岩滩水电站水位-出力过程图，虚线表示水库的水位上限，汛期为汛限水位，其他时段为正常高水位。SCWAGA算法的红水河梯级水电站群优化调度过程与AHPSO相似，因此，优化结果是有效合理的。

图6.7描绘了SCWAGA算法和GA算法的最优适应度迭代过程。从图6.7中可以看到，SCWAGA由于引入了混沌思想的遍历性生成初始种群，初始最大适应度优于随机生成初始种群的GA；同时，通过整体退火选择以及参数自适应调整，SCWAGA的收敛速度比GA明显更快，且具有更强的全局搜索能力。