摘要：通常在不接入大大电的情况下，由于发电机组的数量较少，负荷的变化极易使电网产生变化，从而致使电网的频率波动，引起各发电机组有功负荷分配不均衡，甚至使有的发电机组过载，有的发电机组转入发电机状态逆容量运行。发电机组之间功率分配的优劣会对发电机组市电运转的稳定性和安全性出现直接的影响。同步发电机和它并机的电网，两者相对功率的大小，对该发电机的影响很大。因此，对不一样规模大电中发电机并车时容量的分配和自动调节的研究是尤为重要的。
电力系统中的康明斯发电机组最优负载分配的意思是在一系列实际生产中的初步要求下，通过提高控制康明斯发电机组运作以及康明斯发电机组符合的配置的合理性，来达到经济性调度的途径。
电力机构中的发电机组，包括与直流母线相连接的至少两个发电机供电机构以及主控制界面，发电机组供电系统包括柴油发电机，柴油发电机通过供电线路依次与断路器、整流容量模块、熔断器连接，该供电线路最后与直流母线相连接；断路器与整流容量模块间的导线上设有电流探头，整流容量模块与熔断器之间的导线上设有直流电压探头，电流探头、整流容量模块、直流电压传感器都与a/d采样模块电联接，a/d采样模块与子操作系统电联接；所有的子操作界面与主控制屏电联接，其容量分配办法，办法如下：
1、首先对每台柴油发电机进行参数设置:通过所述主控制面板进行各个康明斯发电机组的容量数据设置，即分别设置第i(i＝1、2…n)台柴油发电机的最优工作负荷容量下限pii以及最优作业负载功率上限piu，同时选择第一个柴油发电机组作为默认开启项；
2、主控制器不断检测直流组网电力机构的总功率pt，当直流母线中有负载作业时，发电机构也同时开始工作，第一个柴油发电机组开始作业；子监控系统计算第一个柴油发电机组的使用功率p1；第一个柴油发电机组出现的交流电通过所述整流容量模块，设置整流容量模块的整流参数使整流后的电压值保持在v1min～v1max内，以保证p1ip1p1u；
3、主操作界面将计算柴油发电机组总最优作业负荷功率的范围，此时只有第一个柴油发电机组处于工作状态，柴油发电机组总最优作业负载容量下限pi＝p1i，柴油发电机组总最优工作负载功率上限pu＝p1u；
4、主监控系统将依次预判所有柴油发电机组的工作状态，若第i个柴油发电机组处于工作状态，子控制面板计算第i个康明斯发电机组的使用功率pi：第i个柴油发电机组出现的交流电通过所述整流功率模块，设置整流功率模块的整流参数使整流后的电压值保持在vimin～vimax内，以保证p1ip1p1u；
6、主控制器将直流母线的总容量pt与柴油发电机组总最优负荷功率下限pi与柴油发电机组总最优工作负载容量下限pu进行比较，若piptpu，说明柴油发电机组的总发电功率达到pt时，每台柴油发电机的发电功率都在最优作业负载功率范围之内；此时进行办法(g)；若pt不满足piptpu，即ptpu或ptpi时，则进行策略(h)；
以数学理论为基础来讨论康明斯发电机组组合的优化的问题，可以将其转化为一个既有连续变量又有整形变量的综合性问题。其运算的途径有两个：传统优化算法和现代智能算法。大量的资料介绍传统的优化算法在柴油发电机组组合中的应用，其中以经典的拉格朗日松弛法较为代表，还有动态设计法也应用较广。这些经典优化策略机理简单，容易操作，应用较广，但某些情形下可能得不到十分理想的结果。而现代智能优化算法在康明斯发电机组优化组合问题中体现出了优点。目前世界上常载的有以下几种详述计算的方法韶关发电机保养。
等耗微增率法是将燃料消耗最小化作为优化目标的单目标算法。在满足Lagrange的等式组合的前提下，该策略是用于单元康明斯发电机组之间的负荷的分布与配置的改善，用Lagrange乘子法求得负载的分布与配置的最好的手段。[2]该优化步骤中，柴油发电机组负载等于给定负荷为其优化的前提，进而通过负荷分配使得燃料总量最少，以此确定各台康明斯发电机组的负荷分配。这种措施便于使用，而且思路比较清晰，容易理解，本论文也主要使用这一方案。
动态设计 (dynamic programming)是20世纪50年代初R.E.Bellman等人在探讨多措施的决策的步骤的改进问题时提到的一种改进方案，形成了关于最优性的原理，即所谓 Bellman 最优化原理，其可以浅析为：对于最优化的方略，依靠以前的一些决策所得到的情况开始，对应的最优子方法是由剩下的一系列决策所结构的，与曾经的情景和决策没有关系。先处理单阶段问题，再把其整合为一个完整的流程。
在使用动态设计法来排除有关康明斯发电机组负荷分配的问题时，首先要指定决策阶段为一柴油发电机组台号a ，那么决策变量即为康明斯发电机组负荷，在这里标示为Qa，然后将累计的柴油发电机构造本作为状态变量。根据动态规划状态转移方程：假设第a 阶段的sa的值是已知的，那么第a + 1阶段的sa+ 1的值，就可以依据该段的Qa的值来求得。记为sa + 1= Ta( sa ， ua ) ， 称为状态转移方程。
遗传算法是目前较为广泛的现代进化算法里较为典型算法之一。遗传算法中最主要的思考细述法是源于自然界的达尔文提出的“适者生存”法则。遗传算法找寻最终解的操作是通过模仿自然界物种利用染色体之间的一系列的生物反应和基因整合来提高族群生存竞争力，达到物种进化目的的步骤，即采用可以完成遗传操作的相应遗传算子，对于父代种群W(t)进行相应的排查，然后获得子代种群W(t+1)步骤。
这一算法在面对老一代的检索手段很难应对好的规模比较大、非线性组合复杂的优化难题方面拥有很多巨大的优点。然而单一的遗传算法在处理大规模难题上存在着搜索速度较慢，收敛性能较差等弊端。因此在实际问题中常常取人之长，补己之短的举措。把拉格朗日法和遗传算法进行结合，采用次梯度法来改进拉格朗日乘子，将复杂的柴油发电机组组合的难点简化为一系列的小难点，然后再利用遗传算法具有的比较好的检索的功用强势，把两者算法交替迭代，用遗传算法对一个个的小难点进行详解计算，直到很好的排除大的难点。
蚁群算法又称蚂蚁算法。是 M.Dorigo 发表的模仿进化的一种优化算法。该算法是依据对自然界中蚁群在找食物时自然发生的一种寻觅最接近食物的道路的探求而产生的机率算法。当某种可以吃的东西被某一只蚂蚁发现之后，它就会立即产生一种分泌物，该分泌物可以传达信息来告知附近的同类靠近，就会让更多的蚁族成员都能找到吃的。其中有些成员可能好会找到比原来更合理的道，这样，在这一更近的道路上就形成了蚁群，随着时间的积累，大多数的蚂蚁都会出现在这儿。这种算法通过“信息素”这一载体进行相互间的沟通信息和共同合作，寻求到达食物的最简洁又方便的路线。该算法在改良旅行商等方面中得到了较好的应用。但是也是存在一定的弊端的其中最大的缺点是在求解的流程中比较容易出现停滞状况。
粒子群优化算法是近年来由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法。模拟鸟群搜索食物行为而创造出的一种进化算法，通过拥有记忆性的单一粒子与群体之间的其他粒子的信息互动来不断改良整体的行动办法，最后得到问题的最优解。这种步骤中会使用一个详细的优化的目标函数来明确全部粒子的适应性。而且，其中会有一个速度决定每一个粒子前进的位置和朝向。粒子们先找到种群中位置最好的粒子，接着他们就紧跟这个粒子在解的空间中探索，直到找到最优解。
康明斯发电机组组合优化在电力机构经济运行中扮演着十分关键的角色，随着电力市场改革的深化，对于提高发电企业自身核心竞争力具有更现实的意义。由于该优化问题的复杂性，各种先进的算法被引进来解除问题。总的来说，对于康明斯发电机组组合寻找最优解问题这些对策都能高效的消除。但是不管是经典的算法还是现代智能算法，都有其各自的特点和局限性。一种算法无法运用于所有的场景，且算法本身的参数设置会影响算法的收敛性和相关性能。如何兼顾收敛速度和寻优质量是现代算法需要深入讨论的重点。
