蝙蝠算法在电网规划上的应用研究综述

宁鹏 张毅

（吉林建筑大学电气与计算机学院 吉林 长春 130000）

引言

随着自然科学的不断发展，许多生物群体的研究成果被运用到算法的分析上，就此兴起了很多群智能算法，其中蝙蝠算法是2010年剑桥大学的学者Yang教授提出的一种新型仿生智能优化算法[1]。蝙蝠算法通过模拟蝙蝠回声定位捕食猎物行为可以实现搜索问题的最优解。

如今越来越多的领域涉及到智能优化的问题，如城市交通寻求最短路径，电力系统中寻求最经济运行方式，供水供暖集团寻求最优方案等等，这些寻优问题使得基于纯数学理论求最优解问题面临新的挑战。利用蝙蝠算法能较好的处理非凸、非连续、多峰问题的优点去解决组合优化和数据挖掘等问题。

1 蝙蝠算法的研究现状

传统数学优化法要求目标函数连续可导，求解出的解往往是局部最优解，但处理离散变量比较困难，基于这一问题，众多学者在蝙蝠算法的基础上不断创新与改进，在其精确度，收敛性等方面都有了极大的提升。

李志军[2]借鉴粒子群算法的优化策略，提出了一种带速度限制的自适应混沌蝙蝠算法（LIBA）.通过Halton序列初始化蝙蝠的位置，利用速度限制来约束蝙蝠位置更新，采用惯性权重和自适应寻优学习因子改进了算法的求解精度和收敛速度；通过加速穿越和混沌扰动的策略，防止陷入局部最优。

郭旭，贺兴时等人[3]针对基本蝙蝠算法存在的后期收敛速度慢、易陷入局部极值、稳定性差等缺点，提出一种基于精英反向学习的混沌蝙蝠算法。该算法引入精英反向学习策略，通过比较精英个体与其的反向解并择优，充分利用优秀个体信息，加快算法收敛速度，同时，在迭代过程中对蝙蝠位置进行混沌扰动，增加种群多样性，有效地提高了算法的搜索能力和搜索精度。

郑浩，于俊洋等人[4]针对蝙蝠算法寻优精度低、易陷入局部极值、求解不稳定的问题，提出了一种基于余弦控制因子和迭代局部搜索策略的蝙蝠的算法。首先在蝙蝠速度公式中加入由余弦因子控制的非线性惯性权重，来动态调节算法全局搜索与局部搜索的平衡，提高算法寻优精度和稳定性。

2 蝙蝠算法在电网规划应用现状

蝙蝠算法作为一种搜索全局最优解的有效方法，且具有模型简单、收敛速度快等特点。自BA提出以来，已有不少学者将其应用于优化问题，其中包括电网规划中的火电机组经济调度，输电网规划，配电网重构以及医疗健康，定位服务等领域。另外蝙蝠算法对简单函数优化、生产调度、分类类别、模式识别等，相对于粒子群算法(PSO)，遗传算法(GA)以及和声搜索算法(HS)等具有更大潜能。本文主要介绍了蝙蝠算法在电网规划上的应用。

崔崇雨，朱瑞金等人[5]提出一种混沌蝙蝠算法（Chaotic Bat Algorithm，CBA）求解含分布式发电（Distributed Generation，DG）的配电网无功优化问题。基于标准蝙蝠算法改进的混沌蝙蝠算法可以提高全局收敛性，并成功应用于求解火电机组经济调度、输电网规划、配电网重构等优化问题

吴忠强，于丹琦等人[6]发现在光伏发电系统中，经常存在电池板局部被遮挡的情况，造成电池板出现多峰极值的现象。改进了原始蝙蝠算法(bat algorithm，BA)计算过程中随机项较少，容易陷入局部极值的缺陷，解决了传统的最大功率点(MPPT)搜索方法常常会陷入局部极值，从而错过或丢失系统的全局最大功率点，甚至产生振荡导致系统输出不稳定的问题。

和其他智能优化算法，EBA算法可获得更优的发电费用。

3 结论与展望

蝙蝠算法自身具备很多优点，如算法参数少、模型简单、通用性强等。其中蝙蝠算法对燃气轮机发电系统进行性能优化和状态监测，求解无刷直流齿轮电机问题，以及解决拓扑优化问题中的弹簧问题和减速器问题都强于其他群智能算法。随着蝙蝠算法的推广，也发现了它存在易陷入局部最优解、收敛精度不高、算法收敛速度不均衡等缺点。针对蝙蝠算法的这些劣势，许多学者和研究人员通过大量的仿真实验对蝙蝠算法做出了各种相应的改进。蝙蝠算法可以跟其他算法有效的结合，发展潜力巨大，以后能应用到更多的领域。

未来蝙蝠算法也可以和云计算中心的数据相结合，起到一定的预测作用。比如通过电力系统中模型处理负荷的历史数据和天气数据，对未来一段时间某个地区的负荷进行预测，进一步提高负荷预测的精确度，对用电管理、能源消耗的控制、电力系统的经济消耗和社会收益都有着非常重要的意义。