電力系統(tǒng)柴油發(fā)電機(jī)組最優(yōu)負(fù)荷分配的意思是在一系列實(shí)際生產(chǎn)中的基本要求下，通過提高控制柴油發(fā)電機(jī)組運(yùn)作以及柴油發(fā)電機(jī)組符合的配置的合理性，來達(dá)到降低費(fèi)用的一種關(guān)于電力系統(tǒng)的經(jīng)濟(jì)性調(diào)度的辦法。

以數(shù)學(xué)理論為基礎(chǔ)來研究柴油發(fā)電機(jī)組組合的優(yōu)化的問題，可以將其轉(zhuǎn)化為一個(gè)既有連續(xù)變量又有整形變量的綜合性問題。其運(yùn)算的方法有兩個(gè)：傳統(tǒng)優(yōu)化算法和現(xiàn)代智能算法。大量的資料介紹傳統(tǒng)的優(yōu)化算法在柴油發(fā)電機(jī)組組合中的應(yīng)用，其中以經(jīng)典的拉格朗日松弛法較為代表，還有動(dòng)態(tài)規(guī)劃法也應(yīng)用較廣。這些經(jīng)典優(yōu)化方法原理簡單，容易操作，應(yīng)用較廣，但某些情況下可能得不到十分理想的結(jié)果。而現(xiàn)代智能優(yōu)化算法在柴油發(fā)電機(jī)組優(yōu)化組合問題中體現(xiàn)出了優(yōu)勢。目前世界上常用的有以下幾種分析計(jì)算的方法。

一、 等微增率法

等耗微增率法是將燃料消耗最小化作為優(yōu)化目標(biāo)的單目標(biāo)算法。在滿足Lagrange的等式組合的前提下，該方法是用于單元柴油發(fā)電機(jī)組之間的負(fù)荷的分布與配置的改進(jìn)，用Lagrange乘子法求得負(fù)荷的分布與配置的最好的方案。[2]該優(yōu)化方案中，柴油發(fā)電機(jī)組負(fù)荷等于給定負(fù)荷為其優(yōu)化的前提，進(jìn)而通過負(fù)荷分配使得燃料總量最少，以此確定各臺(tái)柴油發(fā)電機(jī)組的負(fù)荷分配。這種方法便于使用，而且思路比較清晰，容易理解，本論文也主要使用這一方法。

二、 動(dòng)態(tài)規(guī)劃法

動(dòng)態(tài)規(guī)劃 (dynamic programming)是20世紀(jì)50年代初R.E.Bellman等人在研究多步驟的決策的流程的改進(jìn)問題時(shí)提到的一種改進(jìn)辦法，形成了關(guān)于最優(yōu)性的原理，即所謂 Bellman 最優(yōu)化原理，其可以敘述為：對(duì)于最優(yōu)化的方略，依靠以前的一些決策所得到的情況開始，對(duì)應(yīng)的最優(yōu)子策略是由剩下的一系列決策所組成的，與曾經(jīng)的情景和決策沒有關(guān)系。先解決單階段問題，再把其整合為一個(gè)完整的過程。

在使用動(dòng)態(tài)規(guī)劃法來解決有關(guān)柴油發(fā)電機(jī)組負(fù)荷分配的問題時(shí)，首先要指定決策階段為一柴油發(fā)電機(jī)組臺(tái)號(hào)a，那么決策變量即為柴油發(fā)電機(jī)組負(fù)荷，在這里標(biāo)示為Q_a，然后將累計(jì)的柴油發(fā)電機(jī)組成本作為狀態(tài)變量。根據(jù)動(dòng)態(tài)規(guī)劃狀態(tài)轉(zhuǎn)移方程：假設(shè)第a階段的sa的值是已知的，那么第a+ 1階段的s_a+ 1的值，就可以依據(jù)該段的Q_a的值來求得。記為s_a+ 1= T_a( s_a, u_a) ， 稱為狀態(tài)轉(zhuǎn)移方程。

三、 遺傳算法

遺傳算法是目前較為廣泛的現(xiàn)代進(jìn)化算法里較為典型算法之一。遺傳算法中最主要的思考分析法是源于自然界的達(dá)爾文提出的“適者生存”法則。遺傳算法找尋最終解的操作是通過模仿自然界物種利用染色體之間的一系列的生物反應(yīng)和基因整合來提高族群生存競爭力，達(dá)到物種進(jìn)化目的的過程，即采用可以完成遺傳操作的相應(yīng)遺傳算子，對(duì)于父代種群W(t)進(jìn)行相應(yīng)的處理，然后獲得子代種群W(t+1)過程。

這一算法在面對(duì)老一代的檢索方法很難應(yīng)對(duì)好的規(guī)模比較大、非線性組合復(fù)雜的優(yōu)化難題方面擁有很多巨大的優(yōu)點(diǎn)。然而單一的遺傳算法在處理大規(guī)模難題上存在著搜索速度較慢，收斂性能較差等弊端。因此在實(shí)際問題中常常取人之長，補(bǔ)己之短的策略。把拉格朗日法和遺傳算法進(jìn)行結(jié)合，采用次梯度法來改進(jìn)拉格朗日乘子，將復(fù)雜的柴油發(fā)電機(jī)組組合的難點(diǎn)簡化為一系列的小難點(diǎn)，然后再利用遺傳算法具有的比較好的檢索的功能強(qiáng)勢，把兩者算法交替迭代，用遺傳算法對(duì)一個(gè)個(gè)的小難點(diǎn)進(jìn)行分析計(jì)算，直到很好的解決大的難點(diǎn)。

四、 蟻群算法

蟻群算法又稱螞蟻算法。是 M.Dorigo 發(fā)表的模仿進(jìn)化的一種優(yōu)化算法。該算法是依據(jù)對(duì)自然界中蟻群在找食物時(shí)自然出現(xiàn)的一種尋覓最接近食物的道路的研究而產(chǎn)生的機(jī)率算法。當(dāng)某種可以吃的東西被某一只螞蟻發(fā)現(xiàn)之后，它就會(huì)立即產(chǎn)生一種分泌物，該分泌物可以傳達(dá)信息來告知附近的同類靠近，就會(huì)讓更多的蟻?zhàn)宄蓡T都能找到吃的。其中有些成員可能好會(huì)找到比原來更合理的道，這樣，在這一更近的道路上就形成了蟻群，隨著時(shí)間的積累，大多數(shù)的螞蟻都會(huì)出現(xiàn)在這兒。這種算法通過“信息素”這一載體進(jìn)行相互間的溝通信息和共同合作，尋求到達(dá)食物的最簡潔又方便的路線。該算法在改進(jìn)旅行商等方面中得到了較好的運(yùn)用。但是也是存在一定的缺陷的其中最大的缺點(diǎn)是在求解的過程中比較容易出現(xiàn)停滯現(xiàn)象。

五、 粒子群優(yōu)化算法

粒子群優(yōu)化算法是近年來由J. Kennedy和R. C. Eberhart等開發(fā)的一種新的進(jìn)化算法。模擬鳥群搜索食物行為而創(chuàng)造出的一種進(jìn)化算法，通過擁有記憶性的單一粒子與群體之間的其他粒子的信息互動(dòng)來不斷改進(jìn)整體的行動(dòng)策略，最后得到問題的最優(yōu)解。這種方法中會(huì)使用一個(gè)具體的優(yōu)化的目標(biāo)函數(shù)來明確全部粒子的適應(yīng)性。而且，其中會(huì)有一個(gè)速度決定每一個(gè)粒子前進(jìn)的位置和朝向。粒子們先找到種群中位置最好的粒子，接著他們就緊跟這個(gè)粒子在解的空間中探索，直到找到最優(yōu)的解。

柴油發(fā)電機(jī)組組合優(yōu)化在電力系統(tǒng)經(jīng)濟(jì)運(yùn)行中扮演著十分關(guān)鍵的角色，隨著電力市場改革的深化，對(duì)于增強(qiáng)發(fā)電企業(yè)自身核心競爭力具有更現(xiàn)實(shí)的意義。由于該優(yōu)化問題的復(fù)雜性，各種先進(jìn)的算法被引進(jìn)來解決問題?？偟膩碚f，對(duì)于柴油發(fā)電機(jī)組組合尋找最優(yōu)解問題這些方法都能有效的解決。但是不管是經(jīng)典的算法還是現(xiàn)代智能算法，都有其各自的特點(diǎn)和局限性。一種算法不能應(yīng)用于所有的場景，且算法本身的參數(shù)設(shè)置會(huì)影響算法的收斂性和相關(guān)性能。如何兼顧收斂速度和尋優(yōu)質(zhì)量是現(xiàn)代算法需要深入研究的重點(diǎn)。