基于改进粒子群算法的智能电力调度自动化主站电机组的调度方法

林展华

（北京科东电力控制系统有限责任公司，北京 100192）

0 引 言

优化调度技术作为一项基于数学模型的应用技术，是电力科研部门重点关注的技术。经过大量的实践证明，运用现代群体智能算法调度电机组，能够得到较大概率的全局近似解，具有较强的实用性和高效性。自1960 年以来，随着高速计算机技术的普及，最优化问题得到了解决[1]。由于最优解理论与算法的快速发展，使相关研究成为市场内一个新兴课题。随着仿生学研究的兴起，利用仿生学方法设计高效求解最优问题的方法开始变得更加可行，如鸟群、蜂群、群集等，此类算法具有稳定、高效、快速等特点，其也为求解最优问题提供一条新的途径[2]。群体智能自从被提出以来，在人工智能、通信网络、工业生产中得到越来越多的应用。本项目的开展将为群体智能的发展提供新的思路与方法，改进粒子群算法是一种新的群体智能优化方法，其简单、易实现，可实现并行搜索和高效计算，适用于求解多种复杂问题，并有很大概率获得全局最优解[3]。目前，改进粒子群算法已被广泛应用于电力系统的各个方面，并具备良好的发展趋势。为全面落实此项工作，降低电机组的发电成本，研究一种新的基于改进粒子群算法的智能电力调度自动化主站电机组的调度方法，旨在通过此次设计，为改进粒子群算法在相关领域内的推广提供进一步的指导与帮助。

1 建立智能电力调度自动化主站的电机组调度目标函数

为满足电机组的优化调度需求，开展相关研究前，建立智能电力调度自动化主站的电机组调度目标函数，在此过程中，明确智能电力调度自动化主站运行的目标是经济成本最小化，即支出费用最小化，并且为排除影响电厂调度成本的相关因素，将智能电力调度自动化主站发电过程中的消耗量作为首要目标[4]。建立的目标函数为

式中：F1min表示智能电力调度自动化主站发电过程中以最小消耗量为目标的函数；ai、bi、ci表示编号为i的电厂的燃料耗量特性系数；Pi表示编号为i的电厂在电能调度过程中的有功出力情况；n表示智能电力调度自动化主站中的电厂数量。在此基础上，将智能电力调度自动化主站发电过程的最小排放量作为目标[5]。建立的目标函数为

式中：F2min表示将智能电力调度自动化主站发电过程中的最小排放量作为目标构建的目标函数；αi、βi、γi表示编号为i的电厂的发电气体燃烧系数。完成上述内容的研究后，将发电过程中由于线路损耗所引起的发电损失作为另一目标[6]。建立的目标函数为

式中：F3min表示将发电过程中由于线路损耗所引起的最小发电损失为目标所构建的目标函数；δ表示发电过程中的线路损耗系数；PD表示智能电力调度自动化主站的总负荷需求；u表示电网中的负荷节点。综合上述内容，得到智能电力调度自动化主站的电机组调度目标函数为

按照上述方式，完成智能电力调度自动化主站的电机组调度目标函数构建。

2 基于改进粒子群算法的电机组调度最优解计算

在上述内容的基础上，引入改进的粒子群算法，计算电机组的最优调度。在此过程中，将智能电力调度自动化主站中的每一个节点作为一个粒子，将电机组优化调度过程作为空间中的粒子寻优过程。

电机组在未调度前，粒子的状态为初始化状态（随机状态），每次迭代过程，粒子都将根据自身的极值与整个群体的极值进行匹配，也可以将此过程作为电机组调度最优解更新过程，计算公式为

式中：vN+1表示迭代次数为N+1 时对应的粒子在空间中的寻优速度（更新速度）；vN表示迭代次数为N时对应的粒子在空间中的寻优速度（更新速度）；c1、c2表示改进粒子群算法迭代过程中的学习因子；p表示粒子个体当前所在的空间位置；bestN表示迭代次数为N时对应的粒子在空间中的最优解；xN表示迭代次数为N时对应的粒子极值；g表示更新后粒子个体所在的空间位置。按照上述方式，实现基于改进粒子群算法的电机组调度最优解计算。

3 电机组调度方案全局寻优

在基于改进粒子群算法的电机组调度最优解计算的基础上，为避免改进粒子群在空间中的寻优出现局部最优解，影响电机组调度的全局寻优，在完成上述设计后，设计电机组调度方案的全局寻优。在此过程中，考虑到粒子在空间中的更新速度与收敛性会影响全局寻优结果，可以在粒子群中加入一个惯性系数，将此系数作为约束，对粒子在空间中的更新或飞行速度进行控制。约束后的粒子在空间中的寻优速度为

4 实例应用分析

文章从3 个方面开展基于改进粒子群算法的智能电力调度自动化主站电机组的调度方法的设计研究，为实现该调度方法在实际应用中应用效果的检验，以某地区大型发电中心为例，按照提出的方法，调度发电中心中的电机组，检验所提出的电机组调度方法能否在应用中发挥预期的优化效果。

通过与此单位相关负责人的交涉可知，为满足电力市场的自动化与智能化发展需求，技术部投入大量资金用于调度中心发电过程的智能化改造，为落实此项工作，运营单位建造智能电力调度自动化主站，并采用调度电机组的方式进一步优化此方面工作。尽管资金、人力投入量巨大，但根据用电用户的反馈、运营管理部门的阶段性工作进展可知，现有的调度方法并未在应用中达到预期效果。

为排除相关因素对电机组调度过程的影响，在调度前对电机组运行过程中的基本情况与主要技术参数进行分析，相关内容如表1 所示。

表1 电机组运行过程中的基本情况与主要技术参数

采用文章所提方法进行基于改进粒子群算法的电机组调度，调度过程中，根据智能电力调度自动化主站的运行需求，建立智能电力调度自动化主站的电机组调度目标函数。为确保改进粒子群算法在实际应用中发挥预期效果，按照表2 所示的内容设计改进粒子群算法中参数条件。

表2 改进粒子群算法中的参数条件

在此基础上，通过电机组调度方案的全局寻优，实现智能电力调度自动化主站的改进粒子群算法的电机组调度。

完成上述研究后，将电机组调度前、调度后的发电成本作为检验调度方法应用效果的关键指标之一，统计实验结果如图1 所示。

图1 电机组调度前后的发电成本对比

从图1 所示的实验结果可以看出，使用文章所提方法调度电机组后，电机组调度前的发电成本大于电机组调度后的发电成本，由此可见，此次研究提出的基于改进粒子群算法的智能电力调度自动化主站电机组的调度方法的应用效果良好，按照规范使用该方法进行电机组调度，可以有效减少电站发电过程中的经济成本，为发电企业的市场运营创造更高的价值与经济效益。

5 结 论

通过建立智能电力调度自动化主站的电机组调度目标函数、电机组调度最优解计算以及电机组调度方案全局寻优，开展基于改进粒子群算法的智能电力调度自动化主站电机组的调度方法设计研究。完成对该方法的设计后，以某地区大型发电中心为例，设计实例应用实验，实验结果表明，使用文章所提方法进行电机组调度可以有效减少电站发电过程中的经济成本，为发电企业的市场运营创造更高的价值与经济效益。