基于改进蚁群算法的电力自动调度模型构建

谭振鹏，邓智广

摘 要：以电力自动调度为对象，提出了一种基于蚁群算法和粒子群算法的改进蚁群算法， 该算法在分析了蚁群算法优缺点的基础上，通过利用粒子群算法得到蚁群算法重要参数值，从而达到提升算法性能的目的。通过仿真实验证明，提出的改进蚁群算法模型具有可行性，并且在性能方面优于粒子群算法和蚁群算法。

关键词：电力自动调度;蚁群算法;粒子群算法;模型构建

中图分类号：TP18;TM734 文献标识码：A     文章编号：1001-5922（2021）11-0088-04

Construction of Electric Power Automatic Dispatching Model Based on Improved Ant Colony

Tan Zhenpeng， Deng Zhiguang

（Foshan Power Supply Bureau，Guangdong Power Grid Co.， Ltd.， Foshan 528000， China）

Abstract：Take power automatic scheduling as the object， an improved ant colony algorithm based on ant colony and particle group algorithm， which based on the advantages and disadvantages of ant algorithm is proposed， important parameter values of the ant colony algorithm are obtained by using the particle colony algorithm， so as to achieve the purpose of improving the algorithm performance. As proved by simulation experiments， the proposed improved ant swarm algorithm model is feasible and outperforms the particle swarm and ant swarm algorithms in terms of performance.

Key words：automatic power scheduling; ant colony algorithm; particle colony algorithm; model construction

0 引言

电能是当前人类社会极为重要的能源，直接关乎生产劳动和人们的日常生活。我国通过长期的规划、建设等诸多努力，目前已经构建起复杂而庞大的电力自动化系统体系，加速了国民经济的发展与生活的改善。其中，电力调度自动化系統集成了电力监控、电能计量、安全运维等多个电力系统，是关系到电网能否安全稳定运行的重要环节，因此对电力调度自动化领域展开深入研究具有着重要的意义。在此背景下，本文以电力自动调度模型做为对象，研究如何利用先进的算法模型来提高电力调度数据的及时性和准确度。

1 粒子群算法

粒子群算法（PSO）是通过观察鸟群觅食行为而提出的一种全局搜索优化算法，其主要原理是：在自然界中，鸟群的觅食过程可以看作是群体中每只鸟不断聚合、离散并且向食物方向运动的过程。若把鸟群视为“粒子群”，鸟群中的每只个体视为“粒子”，则“粒子”的位置就是优化问题的解。每个“粒子”在多维搜索空间中运动，并且根据自身以及其他“粒子”的经验来调整方向和速度，从而通过彼此间的协作和竞争靠近并最终得到最优解。

对于一个存在N个粒子的多维目标搜索空间，所有粒子构成一个粒子群，第i个粒子为该搜索空间维度D的向量：

第i个粒子的运动速度为：

第i个粒子的最优解Pbest为该粒子搜索到最佳适应值的位置：

粒子群的全局最优解gbest为

每个粒子个体在搜索最优解的过程中，根据个体自身的最优解Pbest和粒子群的全局最优解gbest，来调整粒子个体自身的位置和向全局最优解gbest运动的速度Vid，其影响因素包括粒子个体的运动惯性、粒子个体自身历史经验以及粒子群群体历史经验。粒子个体调整自身位置和运动速度的具体公式为

式（5）中，c1表示粒子个体对自身历史经验的学习因子;c2表示粒子个体对粒子群历史经验的学习因子;r1与r2则表示在[0，1]范围内的均匀随机数。

粒子群算法虽然仅需要调节少量参数，但是粒子个体在算法执行后期阶段时将非常靠近，因此参数稍有变动就容易导致局部搜索能力的显著降低，直接影响算法的收敛性和性能。以粒子的最大运动速度Vmax为例，该参数的取值直接决定了粒子单次运动的最大距离，若取值过高则可能错过最优解，取值过低则不能进行充分的搜索而导致局部最优问题。

2 蚁群算法

蚁群算法（ACO）是通过观察蚁群觅食行为而提出的一种模拟进化算法。在自然界中，蚂蚁觅食时会在运动路径上留下信息素，信息素会吸引一定范围内的其他蚂蚁，使其改变原本的行进路径。随着被影响的蚂蚁数量逐渐增长，该路径上的信息素也越来越多，其他蚂蚁选择该路径的概率就越大。因此，蚁群觅食行为可以看作是一个正反馈机制。

本文以典型的旅行商算法（TSP）问题来说明蚁群算法的数学模型。假设某平面上蚁群中的蚂蚁个体数量为m，城市数量为n，其中城市i到城市j的距离为，城市i在t时刻的蚂蚁个体数量为，路径（i，j）在t时刻的信息素浓度为τij（t），则。TSP问题即寻找经过所有城市各一次后回到出发点的最短路径，在初始时刻所有路径上的信息素浓度相同，因此可以设初始值τij（0）=const。在t时刻，蚂蚁k由城市i到城市j运动的概率为Pijk（t）：

由于可能出现过早收敛到局部最优解的问题，因此引入信息素挥发系数1-ρ，当蚂蚁经过n个时刻完成一次循环后，对路径上的信息素进行调节。假设蚂蚁k在完成一次循环后自身在路径（i，j）留下的信息素浓度为，路径（i，j）上的信息素浓度总量为，则：

式中，Q为常数;Lk为蚂蚁k在该次循环的路径总长度。

3 改进蚁群算法

蚁群算法的求解过程中无需人工干预，不受初始路线选择的影响，仅涉及了少量参数，因此蚁群算法的稳定性、鲁棒性好。此外，每个蚂蚁个体的觅食行为是独立的、多个个体同时进行的，个体间只通过信息素进行交互，因此蚁群算法是一种分布式计算方法，并且具有良好的可靠性和全局搜索能力。但是，蚁群算法的缺点也很明显，在解决规模较大的问题时其性能不佳，可能出现数量较大的无效搜索而导致收敛过程冗长，收敛性降低且容易陷入局部最优解。针对蚁群算法的上述问题，本研究考虑了电力调度自动系统的实际情况，结合粒子群算法（PSO）和蚁群算法（ACO），提出一种改进蚁群算法（PSO-ACO）。

对于蚁群算法，启发因子α和启发因子β对算法性能有着决定性的影响作用，而其选择方法主要采用以往经验或者仿真实验结果。本文对蚁群算法的改进部分，主要是以具有良好全局寻优能力的粒子群算法来得到蚁群算法中启发因子α和启发因子β的最优组合。

在式（5）和式（6）中，通常根据对以往经验的分析来确定W的取值。这种取值方式不具备通用性，将其取值设为0，由此得到：

在此基础上，对蚁群算法的启发因子α和启发因子β的初始速度进行设置，使其在寻找问题最优解的过程中利用粒子群算法实现进化。当得到最优适应度函数时，启发因子α和启发因子β的最优位置即为其最优组合。

改进蚁群算法（PSO-ACO）的具体流程如图1所示。

4 算法仿真与分析

本文提出了改进蚁群算法（PSO-ACO），为了验证该算法的可行性和性能，进行算法仿真实验并分析实验结果。算法仿真实验采用 Windows 10操作系统，以MATLAB软件进行开发，搭建的硬件平台采用Intel奔腾G5500 型CPU， 8G容量的金士顿DDR4内存。

仿真实验选择经典TSP问题进行，首先设置信息素挥发系数为0.6，求取蚁群算法的启发因子α和启发因子β的最优组合，接着在此基础上将结果代入到下个计算程序，最终得到经典TSP问题的最佳路径。

运行60 s后，得到如表1所示的仿真实验结果。

从表1可以看到，多次实验所得的结果并不统一。分析其原因，主要有两点：一是在粒子群算法阶段，粒子的初始位置具有差异;二是在蚁群算法阶段，每次计算的相对最优路径具有差异。进一步分析后发现，即使得到的最优路径结果不统一，但各次实验结果均优于经典TSP问题库的给定值，由此可证明改进蚁群算法（PSO-ACO）具有可行性。

为了更好地验证改进蚁群算法（PSO-ACO）的性能，文章在上述仿真平台上分别对粒子群算法、蚁群算法和文章提出的改进蚁群算法进行对比实验，结果如表2所示。

从表2可以看到，与粒子群算法和蚁群算法相比，本文提出的改进蚁群算法（PSO-ACO）计算结果最接近理论值，证明该算法具有更优良的性能。

5 结语

综上所述，本研究提出的改进蚁群算法（PSO-ACO）具备可行性和有效性，算法性能十分优越。仿真结果表明，本研究提出的改进蚁群算法进行计算后取得的结果均比经典TSP问题库的标准值更高。且通过进一步验证后发现，粒子群优化算法和蚁群算法的实验结果为695.156 67和372.167 8，与TSP库的最优解存在较大的差距，而本研究提出，改进后的算法得到的实验结果为679.214 5，更接近于最优解678.597 45，计算时间为56.2 s，损耗时间相较于另外两种算法来说相对更少。由此说明，通过本研究提出的改进蚁群算法（PSO-ACO）构建的模型可以在很大程度上提升电力调度自动化系统数据的及时性和准确性。然而，由于实验条件限制，本研究存在一定的不足和局限，构建的模型处于仿真实验，最终的实验结果不够准确和客观。因此，在这一方面还需进一步改进，后续将对硬件设备进行升级和完善，在真实环境下对算法和模型进行测试，从而提高其可靠性和稳定性。

参考文献

[1]闪 鑫，陆 晓，翟明玉，等. 人工智能应用于电网调控的关键技术分析[J]. 电力系统自动化，2019，43（01）：49-57.

[2]吴清平. 一种改进的粒子群优化算法研究[J]. 大庆师范学院学报，2018，38（06）：68-71.

[3]覃远年，梁仲华. 蚁群算法研究与应用的新进展[J]. 计算机工程与科学，2019，41（01）：173-184.

[4]陈国民. 智能电网技术在电力调度自动化中的发展研究要点[J]. 通信电源技术，2019，36（10）：277-278.

[5]王文丰，宋 勇，韩龙哲，等. 一种改进的粒子群算法的路径规划研究[J]. 小型微型计算机系统，2019，40（12）：2 614-2 618.

[6]何伊妮，曹 伟，韦昌福，等. 基于膜计算和蚁群算法的电网云平台资源配置方法[J]. 电力工程技术，2020，39（01）：103-109.

[7]汪 冲，李 俊，李 波，等. 改進的蚁群与粒子群混合算法求解旅行商问题[J]. 计算机仿真，2016，33（11）：274-279.

[8]张于贤，丁修坤，薛殿春，等. 求解旅行商问题的改进蚁群算法研究[J]. 计算机工程与科学，2017，39（08）：1 576-1 580.

[9]李 擎，张 超，陈 鹏，等. 一种基于粒子群参数优化的改进蚁群算法[J]. 控制与决策，2013，28（06）：873-878+883.

[10]孙名扬，高 原，严亚勤，等. 智能电网调度控制系统集群化技术[J]. 电力系统自动化，2015，39（01）：31-35.

[11]马继辉，余明捷，陈鑫杰，等. 基于Hama并行蚁群算法模型及TSP应用研究[J]. 交通运输系统工程与信息，2016，16（03）：168-173+180.