基于人工智能技术的经济负荷调度

Charanjeet马丹¹布夫内什·霍哈尔¹还有罗希尼·夏尔马²

印度索尼帕特印度工程学院电子工程系助理教授
印度索尼帕特印度工程学院电子工程系硕士技术学者

摘要

本文将抗捕食性粒子群优化技术(APSO)应用于经济调度问题的求解。将该算法应用于三机和六机火电厂，验证了该算法的可行性。将该算法的性能与经典粒子群优化策略(SPSO)、经典粒子群优化策略的新版本新粒子群优化策略(NPSO)以及遗传算法(GA)进行了比较。对于三台发电机系统，阀点负荷(VPL)的影响已被考虑，而对于六台发电机系统，此影响已被忽略。对比结果表明，与其他方法相比，该算法具有更好的解和更稳定的收敛特性。

关键字

抗捕食粒子群优化(APSO)、经济调度(ED)、遗传算法(GA)、阀点加载(VPL)

介绍

降低发电总成本是电力系统运行的重要任务之一。电力需求是现代电力系统运行的基本问题。它是一个关键的优化问题，其主要目标是在在线发电机之间分配所需的电力需求。它用于最小化机组的发电成本，同时满足等式和不等式约束[1,2]。优化过程可以节省大量的资金。在过去的几十年里，一些传统的优化技术已经被有效地应用于单调递增的分段线性函数，如lambda迭代法、Newton-Raphson方法和线性规划[1,5 -6]。一个实际的ED问题必须考虑禁止操作区域，阀点的影响，以提供完整的ED公式。为了求解非线性代价函数，一些人工智能(AI)技术如人工神经网络(ANN)[7]，遗传算法(GA)[6,8 -9]已在过去得到应用。

由于过度的数值迭代，人工神经网络的计算量很大。Walters和Sheble[6]提出了一种包含阀点效应的ED遗传算法解[6]。Chen和Chang[8]还提出了一种包含网络损失和阀点效应的算法。虽然，遗传算法模型已用于各种优化问题，但最近的研究人员发现了其性能上的一些不足，如在全局最优[12]附近收敛缓慢。过早收敛是降低其搜索能力的另一个问题。

PSO是由Kennedy和Eberhart在1995年开发的，其动机是生物的社会行为，如鱼类的聚集和鸟类的聚集。它是一种求解非线性和非连续优化问题的元启发式算法[13,18]。经典粒子群算法的核心思想依赖于蜂群的觅食活动。认知行为和社会行为都是觅食活动的组成部分。与其他人工智能技术相比，粒子群算法生成高质量的解，计算时间更短，收敛速度更快[11,13 -14]。与GA不同的是，它的粒子速度是根据其同伴[13]先前的最佳位置更新的。PSO可以快速找到一个好的局部解决方案，但在接下来的迭代中一直坚持这个方案[15,17]。在本文中，APSO已经成功地克服了上述问题。该算法通过将粒子群分解为认知行为和社会行为两个经典粒子群，从而避免了粒子群的过早收敛。实验结果与SPSO[18]、NPSO[19]进行了比较。采用两个测试系统进行性能比较。 The first test system consists of three generating units [6] whereas the second test system comprises six generating units [13].

问题公式化

ED是电力系统运行中的关键功能之一。在实际运行中，电力系统必须在各运行机组之间进行最优发电调度，以满足发电机的负荷需求、旋转备用容量和实际运行约束。所提出的包含阀点加载效应的公式(EDVPL)已在循环整流正弦函数[1]中建模。ED问题的目标是使总燃料成本最小化。在数学上，考虑VPL[1]的ED问题定义为:

各种pso策略的修订

各种基于粒子群算法的策略被应用于解决EDVPL问题。本文讨论了几种粒子群优化策略，并将它们的实验结果与APSO策略进行了比较。

A.经典PSO (SPSO)

SPSO是一种快速计算技术，有助于解决ED问题。它是一个优化工具，提供了一个基于群体的搜索过程，其中个体表示粒子。这些粒子在多维搜索空间中随时间改变位置[1,18]。设p和v分别表示一个粒子(位置)和它在搜索空间中对应的飞行速度(速度)。粒子的速度由惯性、认知和社会三个分量控制。惯性分量模拟了鸟在前一个方向飞行的惯性行为。认知部分模拟了鸟类关于之前最佳位置的记忆，社会部分模拟了鸟类关于粒子之间最佳位置的记忆(蜂群内的相互作用)。每个粒子的修正速度和位置可以用当前速度和到pbest的距离来计算_id对gb_id如下面公式[1]。

图1所示为60次迭代中权重因子线性递减，变化范围约为0.9 ~ 0.4。

B. new pso (npso)

经典PSO中的一种新的变体，即NPSO，通过将认知成分分解为两个不同的成分——认知成分和社会成分[1,19]。认知和社会成分分别表示好的体验和坏的体验。也就是说，这只鸟对它先前访问的认知成分的最佳位置有记忆。糟糕的体验成分帮助粒子记住它之前访问过的最糟糕的位置。为了计算新的速度，还考虑了粒子的不良经验。新的速度更新方程由[1]给出

提议的粒子群策略

A.反掠夺pso (apso)

采用APSO[20]策略，有效、经济地解决了含阀点负荷效应的经济调度问题。主要目的是增强粒子在后期阶段的收敛性。APSO是通过分离认知和社会两个组成部分而发展起来的。在原有的粒子群算法中，将食物位置建模为优化问题的最佳结果点。APSO认为最坏的结果是捕食者。该算法将认知行为优化和社会行为优化相结合。这是通过使用糟糕的经验来完成的，粒子总是绕过它之前最糟糕的位置。勘探能力进一步提高。

B. apso程序的eld

下面简要介绍了使用APSO优化EDVPL问题的步骤:

步骤1:在本文中，我们将每个实发电机组的输出作为一个基因。因此，蜂群的形成由许多基因组成。P是所有在线发电机的真实功率输出集合，用来表示粒子在群中的位置。对于有ng发生器的系统，考虑Npar粒子群。完整的群表示为一个矩阵，如下图所示:

测试系统和结果

为了显示出比其他各种PSO策略更优的收敛特性，我们考虑了两个不同的测试系统。第一个测试系统由三台发电机组成，负荷需求为850MW[6]，第二个测试系统由六台发电机组成，负荷需求为1263MW[14]。用于不同PSO策略的参数如表1所示。

A.案例1:三机系统

三个发电机系统的数据来自[6]，包括VPL效应，负载需求为850MW。人口规模为20，最大迭代次数为200。损失被忽略了。单台发电机的输出功率和发电成本如表(2)所示。表2是上述各种技术的比较结果。

在图2中，它显示了收敛特性。在所有应用技术中，采用APSO取得了较好的效果。

B.案例2:三机系统

三台发电机系统的数据，负荷需求为1263MW[14]。在这种情况下，不考虑VPL效应和损失。人口规模为100，最大迭代次数为200。各发电机的输出功率和发电成本分别如表(3)所示。表3给出了所有给定技术的比较结果。

如图3所示为收敛特性。在所有应用技术中，采用APSO取得了较好的效果。

结论

本文成功地将ASPO应用于有阀点加载效应和无阀点加载效应的ED问题。在六发电机系统中，将APSO的结果与SPSO、NPSO和GA进行了比较。结果表明，在EDVPL问题上，APSO算法的解质量优于其他PSO策略，且收敛稳定。同时也减少了早熟收敛的问题。

参考文献

D. P. Kothari和J. S. Dhillon，“电力系统优化”，第二版，PHI，新德里，2010年
D. P. Kothari和I. J. Nagrath，“电力系统工程”，第2版，TMH，新德里，2010年
D. P. Kothari和I. J. Nagrath，“现代电力系统分析”，第三版，TMH，新德里，2009年。
Bakirtzis, V. Petridis和S. Kazarlis，“遗传算法解决经济调度问题”，IEEE继续Gen. Transm。第141卷第4期，第377-382页，1994年7月
李国强，“高效经济调度算法的研究与应用”，《电力工程学报》，第4卷第1期。3，第213-217页，1991。
沃尔特斯和谢伯尔，“带阀点负荷的经济调度的遗传算法解”，ieee, 1993。
k . Y.Lee。Sode-Yome和J. H. Park，“自适应Hopfield神经网络的经济负荷调度”，IEEE传输。电力系统，第13卷，no. 3。2，页519-526,1998。
陈鹏程、张海昌，“遗传算法在大规模经济调度中的应用”，电子工程学报。电力系统，第10卷，1919-1926页，1995年。
B.Sheble和K. Brittig，“重新定义的遗传算法-经济调度实例”，IEEE学报。电力系统，vol. 10, pp. 117-124, 1995。
蒋志林，“基于遗传算法的多燃料机组功率经济调度研究”，电气工程学报。电力系统，第20卷，no。4，页1690- 1699,2005。
R. C. Eberhart和Y. Shi，“遗传算法和粒子群优化的比较”，IEEE Int论文集。进化计算会议，第611 - 616页，1998年5月。
苏达卡兰博士，“基于遗传算法和禁忌搜索的排放与经济调度问题研究”，中国科学(ei)，第86卷，第39-43页，2005年6月。
Y. Shi和R. Eberhart，“一种改进的粒子群优化器”，IEEE学报。进化计算会议，pp。1998年5月，69-73号。
高宗林，“考虑发电机约束的粒子群优化算法求解经济调度问题”，电子工程学报。《权力》，第18卷，no。3, pp. 1187-1195, 2003。
J.B. Park, K.S. Lee, J.R. Shin和K.Y. Lee，“具有非光滑成本函数的粒子热优化经济调度”，IEEE学报。电力系统，第20卷，no。1，页34- 42,2005。
A.Ratnaweera, S. K. Halgamuge和H. C.Watson，“具有时变加速度系数的自组织分层粒子群优化”，IEEE, 2013。Evol.Comput。，第8卷，no。3, pp. 240-255, 2004
李志强，李志强，“基于阀点效应的储备约束动态调度”，计算机工程与工程学报。论电力系统，第20卷，no. 2。3, pp.1273-1282, 2005。
J. Kennedy和R. Eberhart，“粒子群优化”，IEEE学报。神经网络，第4卷，第42-1948页，1995年。
A. I.Selvakumar和K. thanushodi，“一种新的非凸经济调度问题的粒子群优化解”，IEEE学报。《电力系统》第22卷，no. 2。1, pp. 42-51, 2007。
谢晓明，“基于粒子群优化算法的非凸经济调度问题研究”，《电力系统研究》，第28卷，第2-10页，2008。