人工智能优化算法在电网规划中的研究与应用

宋文龙，马 静，朱冬梅，王蓉蓉

（国网宁夏电力有限公司石嘴山供电公司，宁夏 石嘴山 753000）

0 引 言

电力工业作为社会发展的驱动力，其重要性不言而喻。近年来，国民经济水平的持续提升，使得各行各业对电力的需求量进一步增大。为满足电力需求，应当对电网进行合理规划。一方面应明确规划要求，另一方面要充分考虑规划中面临的问题，并选取行之有效的人工智能优化算法，求取全局最优解，这个解便是电网规划的最佳方案。通过该方案对电网进行规划，可以获得巨大的经济效益和社会效益。因此，本文就人工智能优化算法在电网规划中的研究与应用展开分析探讨。

1 电网规划要求及面临的问题

1.1 电网规划的基本要求

电网是由电力系统中的变电站与输配电线路组成的整体，对电能进行输送与分配是电网的主要任务。对于整个电力系统，电网规划是非常重要的环节之一，由此能够使网架结构得到进一步加强。而在电网规划过程中，最为常用的方法有两种，一种是传统的数学方法，另一种是智能算法。电网规划的基本要求如下。

1.1.1 保证供电可靠性

我国的电力负荷等级被细分为三个级别，在进行电网规划时，要结合实际情况，选取最为适宜的技术措施，从而使各个级别的负荷都能得到满足，为用户的可靠用电提供保障。

1.1.2 确保电网灵活性

不同时期的负荷会存在一定的差异，而电网本身应当能够对各个时期的负荷有所适应，换言之，电网在不同时期应有不同的运行方式。因此，在电网规划时，要使整个电网结构足够灵活，可以适应各种运行方式的要求，从而确保电力系统的运行稳定性。

1.1.3 便于运行维护

在对电网进行规划的过程中，应当使系统运维时，操作人员能方便、快捷地完成对系统的相应操作，尽可能缩短维护时间，保证电网的运行效率，避免因维护耗时过长而影响供电可靠性[1]。

1.2 面临的问题

电网规划是一项较为复杂且系统的工作，其中涵盖的环节非常多。分析目前的总体情况可知，电网规划主要面临如下3个方面的问题。

1.2.1 电源规划问题

在电网规划中，电源的设计是较为重要的内容之一，通过电源的建设能够为发电厂带来一定的利润。然而，在发电厂与电网分离管理的前提下，电源的规划设计与网络的建设情况出现严重脱节。发电厂可以对电源的选址进行全权决定，电网规划很难直接从市场中获得到相关的信息，对电网规划造成影响。

1.2.2 负荷预测问题

电网负荷的影响因素相对较多，如用电负荷、市场需求等，由此使得负荷的确定难度随之增大。不仅如此，经济建设进程的逐步加快，对电网负荷提出更高的要求，这在一定程度上导致电网负荷的预测变得更加复杂。

1.2.3 潮流分布问题

电网的调度形式随着市场化经营发生了一定的改变，在这一背景下，电网的运行方式趋于多元化，由此使得系统潮流分布无法达到均匀状态。同时，因用户可选的范围越来越广泛，加之超远距离输电直接交易，所以要求电网具备更大的容量，这给潮流分布带来更大的不确定性[2]。

2 人工智能优化算法在电网规划中应用

2.1 电网规划约束条件

在电网规划过程中，潮流计算是较为重要的一项内容，具体计算时，应当以给定的元件运行条件作为主要依据，如电网结构、发电机以及负荷等，来对整个电力系统处于稳态运行状态下的参数进行确定。在给定的条件中，一般都会包括平衡点与枢纽点的电压、负荷点的功率以及整个系统中各个电源的功率等。需要通过计算获得的与运行状态相关的参量有母线节点的电压幅值、网络中的功率分布与损耗等。对于复杂系统，基本上都是采用非线性方程进行求解，常用的求解方法有P-Q分解法、牛顿法等。需要指出的是，这些算法虽然能够得到最终解，但计算过程却比较复杂，且计算量非常大。电网有着数量众多的规划模型，在这些模型中存在不同的约束条件，可在某些特定的条件下，对简化后的交流潮流算法，即直流潮流算法进行应用。该算法为线性方程，计算量比常规的方法小很多，复杂程度较低，能够实现快速求解的目标，基本上不会出现收敛的问题[3]。正因如此，该算法在电网规划中得到广泛应用。从电网的角度上讲，线路中的电阻要比电抗小很多，并且位于一条线路两端的电压相角差也不是很大。所以在对潮流进行计算时，可忽略线路中的电阻损耗及对地电容，并将变压器的变比与节点电压标幺值设置为1，最终能够得到直流潮流方程。即各条支路中有功潮流的向量等于各条支路中由导纳所构成的对角矩阵与各条支路两侧的相交差向量进行相乘得出。电网规划对直流潮流方程进行运用能够使计算时间缩短，并在目标函数对比分析的基础上，进一步提升规划可行性。

2.2 粒子群及其进化算法

2.2.1 粒子群算法

粒子群算法简称PSO，是人工智能优化算法中应用较为广泛的一种算法，可将之归入到随机全局优化技术的范畴。过程简单、易于实现是PSO最为突出的特点，不仅如此，该算法还具有智能背景，适合工程应用。PSO与遗传算法极为类似，也是通过迭代对最优解进行求取。该算法以鸟类捕食过程作为依托，在计算之初会先以随机的方式产生出一群粒子，这些粒子相当于若干觅食的鸟类，每一只鸟都是群体中的一个粒子，这群粒子便是随机解。为从中得到全局最优解，需要进行不断迭代[4]。基本粒子群算法的步骤如下：

步骤1，经过初始化之后，以随机的方式在d维空间中产生出粒子群的位置与速度；

步骤2，对粒子群中的每一个粒子进行评价，具体方法为计算粒子的适应值，据此评价其适应度；

步骤3，以粒子的适应值作为主要依据，与其所经历过的最佳位置的适应值进行比较，从而确定粒子当前所处的位置是否为全局历史最佳位置；

步骤4，根据相应的计算公式，对粒子的位置与速度进行更新，若是未达到最大的迭代次数，则可重新循环至步骤2，直至获得全局最优解为止。PSO算法的基本计算流程如图1所示。

图1 PSO算法流程示意图

2.2.2 PSO进化算法

一些专家学者在研究中发现，在PSO引入惯性权重，能够使算法本身的性能得到进一步提升，这是因为惯性权重会对迭代前后的速度产生直接影响。当引入的惯性权重比较大时，PSO算法的全局收敛能力较强，而惯性权重比较小时，PSO算法的局部收敛能力较强。换言之，惯性权重能够对PSO算法的局部收敛能力与全局收敛能力起到平衡作用。惯性权重在PSO算法迭代过程的线性减少，可使迭代前期算法的全局探测能力和迭代后期算法的局部探测能力有所增强。虽然惯性权重的引入使PSO算法的性能得到提升，但由于粒子是以盲目和随机的方式进行探索，从而使得收敛速度变得比较慢[5]。为弥补这一缺陷，PSO进化算法被提出。该算法的模型是通过推导得出的，其流程如下：

步骤1，经过初始化后，以随机的方式产生出n粒子的位置；

步骤2，计算出每个粒子的适应值，并对其适应度进行评价；

步骤3，用粒子的适应值与其所经历的最佳位置适应值进行比较，超出则为历史最佳位置；

步骤4，与整个群体经历的历史最佳位置进行比较，若是优于全局，则该粒子当前所处的位置为整个群体的历史最佳位置；

步骤5，调整粒子位置，若是适应值尚未达到最大的迭代次数，则可循环回到步骤2，直至获得最优解为止。进化PSO算法的流程如图2所示。

图2 进化PSO算法流程示意图

通过对比可以发现，进化PSO算法与基本PSO算法之间存在一些不同之处，即粒子位置调整和速度改变。在这一前提下，进化PSO算法的计算量有所减少。进化PSO算法在性能方面得到大幅度提升，但其基本要求却并未改变，即早期全局性和末期局部性[6]。早期与末期的搜索能力与惯性权重有关，即惯性权重的值越大，进化PSO算法的早期搜索能力越大，惯性权重的值越小，进化PSO算法的末期探测能力越大。所以在迭代时，惯性权重值应递减，具体选择时，可从0.8向0.2递减，防止出现早熟收敛的情况。

2.3 基于进化PSO算法的电网规划

2.3.1 电网规划模型

电网规划模型的种类相对较多，在对模型进行选取时，可将规划的经济性作为首要考虑因素。基于这一前提，本次研究中，选取的电网规划模型是一个基于经济性的静态规划模型，即电网规划模型经济指标需要求得最小的投资建设费用与线路运行过程中的最小损耗费用之和。其中，最小投资建设费用需要汇总分部分项工程建设支出的最小值，最小损耗费用需要计算所有线路运行中能耗的最小值。在计算过程中，还要需要考虑与该规划模型相对应的约束条件包括线路潮流、功率平衡和新增线路。

2.3.2 适应度函数

在应用进化PSO算法对电网规划模型进行求解时，由于存在约束条件，所以可采用外惩罚函数法，通过该方法能够将原本的目标与约束函数构造成带有参数的增广目标函数，而罚因子便是其中的参数。之所以选用外惩罚函数法是它能够促使迭代点逐步向可行解方向靠近。适应度函数在实际运算的过程中会随迭代发生变化，如果在迭代的过程中有过负荷的情况出现，可直接将之转化为目标函数中的费用项。而在网络状态为不连通的情况下，若是给予罚因子较大的值，则惯性权重值也会比较大，这样便会在探索中被淘汰，直至得到全局最优解为止。

2.3.3 连通性判断

在对电网中直流潮流进行计算前，需要进行连通性判断，这是非常重要的环节之一。当网络处于不连通的状态时，会给罚因子一个相对较大的数值，这样当前的规划方案将会被淘汰，而处于电力系统中的各个节点均为0或1的两值状态，其模型有三种，分别为点权、边权和赋权。由于变电站存在进线和出线，所以它与电力系统中的节点相同，也存在0或1的两值状态。鉴于此，在网络模型的选择上，应当以边权网络模型作为首选[7]。

以图作为研究对象的方法被称之为图论法，这种方法应用领域非常广泛，工程技术领域便是其中之一。对于电力系统，用图表示接线方式，不仅简单，而且直观。可将电网中的输电线路视作为支路，电源为节点，由此可以构建起一个网络图形，借助图论法能够对网络的连通性进行判定。当网络处于不连通的状态时，可对该规划方案的适应度函数给予较大的罚因子，这样除了无需继续计算外，还能判定该规划方案为最优解。由此可见，在网络连通性的判定中，图论法的效果非常好，其优势体现在速度快、效率高等方面，从而可以大幅度提升电网规划方案的计算速度。

2.3.4 算法的实现

以进化PSO算法对电网规划模型进行求解，主要步骤如下：（1）将电网的相关数据准确输入到构建好的规划模型中，并根据网络的可选路数对粒子进行确定，包括维数和数量；（2）经过初始化后，以随机的方式产生出粒子的具体位置，进而生成若干规划方案；（3）设置种群与粒子的最优值，并对与各个粒子相应的规划方案进行连通性判定；（4）对不连通的方案，给予罚因子较大的值，然后对该方案中的有功潮流进行计算，得出网损值，估算出新建线路所需的投资费用，据此计算出该粒子的适应度值，用该值与其经历的最佳位置适应度进行比较，优于该位置，说明为全局最优，可将之作为最佳的规划方案。

3 结 论

在当前的形势下，对电网进行科学、合理的规划设计显得尤为重要。为实现这一目标，必须保证规划方案的可行性。鉴于此，可在电网规划过程中，对人工智能优化算法中的粒子群算法进行应用，借助该算法获取全局最优解，这个解就是最佳的电网规划方案。未来一段时期应当加大人工智能优化算法的研究力度，除对现有的算法进行持续改进外，还应开发一些新的算法，从而使其更好地为电网规划服务。