向量序优化求解多目标机组组合：一种快速有效的方法

"本文介绍了一种基于向量序优化的多目标机组组合优化方法，旨在解决大规模电力系统的机组组合问题。该问题通常表现为包含连续和离散变量的动态优化问题，由于维度灾难，求解最优解的计算成本高、时间长。文章采用了发电机组的煤耗量和购电费用作为优化目标，并利用BP神经网络进行快速评估和集合选择，以减少计算量和求解时间。通过对比分析，所提方法在实际电力系统中的计算速度是传统MINLP法的7.608倍，证明了其有效性和可行性。" 在电力自动化设备领域，机组组合是电力经济调度的核心部分，合理的组合策略能显著提高经济效益。然而，面对大规模电力系统，传统的优化方法在处理高维问题时面临挑战，因为计算量大、求解时间长。文献中已经尝试了多种算法，如启发式、数学优化和人工智能方法，但它们在处理大规模问题时的效率和稳定性仍有待提升。 本文引入了向量序优化理论，这是一种由何毓琦教授提出的优化理论，具有两个主要特点：一是通过比较解的相对优劣而非精确值，简化了比较过程，允许使用粗糙模型进行快速评估；二是目标放宽，不再追求理论上的全局最优解，而是寻找满足实际需求的“足够好解”。这种方法在处理大型实际系统时更具优势，因为它可以更快地找到近似解，而不需要长时间的计算。 具体实施中，文章构建了一个考虑多种能源类型（如水电、核电、生物质能、气电、火电）的多目标机组组合优化模型，以煤耗量和购电费用为目标函数，并结合了约束条件。通过BP神经网络，能够快速评估和筛选解集，从而在保证解质量的同时大幅度减少计算量。 实验结果表明，所提方法在某省级电力系统的实例中，与基于GAMS-BARON解法器的MINLP法相比，计算速度提高了7.608倍，这验证了向量序优化在求解机组组合问题中的高效性和实用性。因此，这种方法为解决大规模电力系统的机组组合问题提供了一种新的、有效的方法，有助于在时间和效益之间找到平衡，提高电力调度的效率。