高明，周浩

(國(guó)網(wǎng)吐魯番供電公司，新疆 吐魯番 838000)

一種新型混合粒子群算法及其在輸電網(wǎng)規(guī)劃中的應(yīng)用

高明，周浩

(國(guó)網(wǎng)吐魯番供電公司，新疆 吐魯番 838000)

輸電網(wǎng)規(guī)劃是一個(gè)規(guī)模巨大、極其復(fù)雜的、具有非線性離散變量和多約束多目標(biāo)的數(shù)學(xué)優(yōu)化問題。將一種融合了交叉和變異，以及結(jié)合混沌理論的新型混合粒子群算法應(yīng)用到了求解輸電網(wǎng)規(guī)劃問題中。相對(duì)于普通粒子群算法，改進(jìn)過的混合粒子群算法可以更快速有效地尋找到全局最優(yōu)解。最后，通過算例驗(yàn)證了算法應(yīng)用于輸電網(wǎng)規(guī)劃是有效性和可靠性。

輸電網(wǎng)規(guī)劃；粒子群算法；交叉；變異；混沌

1 引言

輸電網(wǎng)規(guī)劃是電力系統(tǒng)規(guī)劃的重要組成部分，其任務(wù)是根據(jù)規(guī)劃期間的負(fù)荷增長(zhǎng)及電源規(guī)劃方案確定相應(yīng)的最佳電網(wǎng)結(jié)構(gòu)，以滿足經(jīng)濟(jì)可靠地輸送電能的要求[1]。人工智能理論和技術(shù)的快速發(fā)展，已經(jīng)有很多基于人工智能的優(yōu)化方法被應(yīng)用到輸電網(wǎng)優(yōu)化規(guī)劃中，比如遺傳算法GA[2-4]、蟻群算法ACA[5-8]、模擬退火算法SA[9]、進(jìn)化規(guī)劃算法[10]等。

粒子群優(yōu)化算法(PSO) 是美國(guó)學(xué)者Kennedy[11]在1995年提出來的，通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解是算法的基本思想。但在應(yīng)用到實(shí)際問題當(dāng)中，PSO 也表現(xiàn)出了一些不盡人意的問題。這些問題中最主要的是它容易產(chǎn)生早熟收斂、全局尋優(yōu)能力較差等。

鑒于以上不足，本文引入了一種新型混合粒子群算法[15]，它通過融合遺傳算法的交叉變異并引入混沌優(yōu)化算法，將混沌理論與粒子群優(yōu)化算法結(jié)合，提出了混沌粒子群算法。結(jié)合遺傳算法和混沌理論的思想，采用交叉機(jī)制增加種群的多樣性，同時(shí)提出與種群進(jìn)化代數(shù)相關(guān)的自適應(yīng)的混沌擾動(dòng)機(jī)制和變異機(jī)制，增強(qiáng)早熟粒子跳出局部極值的能力。將該算法應(yīng)用在輸電網(wǎng)規(guī)劃中取得了較好的效果。

2 PSO的基本原理

設(shè)搜索空間為D維，粒子總數(shù)為n。第i個(gè)粒子位置表示為向量Xi=(xi1xi2…xid)；第i個(gè)粒子的歷史最優(yōu)位置為Pi=(pi1pi2…pi3)，其中為所有pi(i=1,2,3,…)中的最優(yōu)；第i個(gè)粒子的速度為向量Vi=(vi1vi2…vi3)。每個(gè)粒子的速度和位置按如下公式進(jìn)行變化：

vid(k+1)=w×vid(k)+c1r1(pid-xid)+c1r1(pgd-xid)

(1)

xid(k)=xid(k)+vid(k+1)

(2)

式中：i=1…m；學(xué)習(xí)因子c1和c2為非負(fù)常數(shù)；r1和r2為介于[0,1]之間的隨機(jī)數(shù)；慣性權(quán)重w為一個(gè)位于區(qū)間[0,1]中的常數(shù)；k為迭代次數(shù)；x1為第i個(gè)粒子的位置向量；vi為速度向量；Δt為時(shí)間間隔，通常取為單位時(shí)間。有學(xué)者研究了w對(duì)粒子群全局優(yōu)化性能和收斂性能的影響,文獻(xiàn)[12]提出一種線性遞減慣性權(quán)重粒子群算法( LDWPSO)，其確定權(quán)重的公式如下：

w=wmax-t(wmax-wmin)/Tmax

(3)

式中wmax為最大慣性權(quán)重，wmin為最小慣性權(quán)重，t為當(dāng)前進(jìn)化代數(shù)，Tmax為最大進(jìn)化代數(shù)。通過線性遞減慣性權(quán)重粒子群算法已成為一個(gè)標(biāo)準(zhǔn)，是檢驗(yàn)新提出的方法的有效性。該算法在迭代初期給予w一個(gè)較大的值，一定程度上增加了種群的多樣性，在算法后期w有一個(gè)較小的值，有利于算法收斂和提高解的精度。但是該方法只是對(duì)w進(jìn)行了簡(jiǎn)單變換，在求解復(fù)雜的函數(shù)優(yōu)化問題中，仍難以跳出局部極值。

3 CMCPSO的基本原理[15]

3.1 初始化策略

粒子群初始化對(duì)算法的性能產(chǎn)生一定影響，基本粒子群的初始化過程是隨機(jī)的，文獻(xiàn)[13]提出最好將粒子均勻初始化在解的空間中，假如初始的解群比較好，對(duì)于求解效率與解的質(zhì)量都會(huì)有幫助。我們可以根據(jù)混沌具有不重復(fù)的遍歷性和偽隨機(jī)特性來初始化粒子的位置和速度，從而提高種群的多樣性。本文用到的是Logistic映射, 其定義如下

zk+1=μzk(1-zk),{zk|k=1,2,3…}

(4)

式中,μ為混沌因子，zk為實(shí)值序列，研究表明，當(dāng)3.571448≤μ≤4時(shí), 該混沌映射處于混沌狀態(tài)，在某一初始條件z1下，由Logistic映射生成序列為{zk|k=1,2,3,…}, 具有混沌序列特性。

3.2 交叉策略

利用遺傳算法里的選擇、交叉操作增加粒子的多樣性，通過引入新的交叉機(jī)制增強(qiáng)群體粒子的優(yōu)良特性，從而減小算法陷入局部極值的可能。在每一次的迭代過程中按適應(yīng)度高低對(duì)所有N個(gè)粒子進(jìn)行排序，選取適應(yīng)度較高的一半粒子直接進(jìn)入下一代，后一半粒子作為待交叉粒子，進(jìn)行交叉操作。交叉策略為：最后一個(gè)粒子和后一半粒子中第一個(gè)粒子交叉，第二個(gè)粒子和倒數(shù)第二個(gè)粒子交叉，依此類推。即首先隨機(jī)產(chǎn)生交叉位Ci∈[1,D]，第i個(gè)粒子和第N×3/2+1-i個(gè)粒子的Ci～D位進(jìn)行交換，其中i=N/2+1,N/2+2,…,(N×3-2)/4；然后計(jì)算交叉后新生成的粒子適應(yīng)度；最后交叉前后的所有粒子通過適應(yīng)度的高低進(jìn)行排序，將未參加交叉操作的粒子與適應(yīng)度高的一半粒子組成新的種群。這樣不僅保留了種群中的優(yōu)秀個(gè)體，同時(shí)也使種群更加多樣化，增強(qiáng)種群全局尋優(yōu)能力。

3.3 混沌擾動(dòng)和變異機(jī)制

隨著迭代過程的進(jìn)行，一旦算法陷入局部極值，粒子速度接近于零，種群多樣性就慢慢消失，部分粒子出現(xiàn)惰性，其他粒子很快聚集到這些惰性粒子附近并停止移動(dòng),這種現(xiàn)象稱為早熟現(xiàn)象。避免早熟現(xiàn)象的產(chǎn)生，必須要提高算法的適應(yīng)性，利用混沌和變異的思想，將其加入到粒子群算法中，幫助粒子跳出局部極值。

如果目前搜索到的全局最優(yōu)值連續(xù)T0代變化小于一個(gè)較小的值Δt，我們就可以認(rèn)為算法已經(jīng)陷入了局部最優(yōu)，這時(shí)便可以利用混沌運(yùn)動(dòng)的遍歷性，將目前整個(gè)粒子群搜索到的最優(yōu)位置為基礎(chǔ)產(chǎn)生混沌序列，重新生成N×3/4個(gè)粒子，替換按照速度更新公式更新的粒子，而這些粒子的當(dāng)前搜索到的最優(yōu)位置保持不變，具體實(shí)現(xiàn)過程如下。

(1)利用式(4)混沌映射，產(chǎn)生混沌序列矩陣

Chaos(1:N×3/4,1:D)

(2)產(chǎn)生自適應(yīng)的擾動(dòng)偏差

Bias(1:N×3/4,1:D)

=k(Tmax-t)Rnd(1:N×3/4,1:D)

將Chaos的各個(gè)分量載波到自適應(yīng)擾動(dòng)偏差Bias內(nèi)，在全局最優(yōu)粒子附近產(chǎn)生個(gè)新的粒子

Pop(i,1:D)=Pg(1:D)-Bias(i-1,1:D)

+2Bias(i-1,1:D)Chaos(i=1,1:D)

作為重要的施工材料-鋼筋會(huì)在雨水箱涵技術(shù)應(yīng)用于道路施工期間進(jìn)行制裝施工。①為了使鋼筋的使用質(zhì)量得以保證，需要按照設(shè)計(jì)圖紙的要求進(jìn)行采購(gòu)，鋼筋的各種檢驗(yàn)報(bào)告和出廠合格證書均要備好。為了使鋼筋使用質(zhì)量與施工要求相符合，進(jìn)入施工現(xiàn)場(chǎng)的鋼筋由監(jiān)理單位安排的專人對(duì)其檢測(cè)[2]；②通過檢驗(yàn)的鋼筋需由監(jiān)理人員簽字確認(rèn)才可以投入施工使用中。尤其重視制作鋼筋的焊接環(huán)節(jié)，嚴(yán)格核查焊接的全部過程，使其焊接表面保證平整光滑，才能使焊接縫隙自然平緩的過渡且與施工需求相符合；③按照實(shí)際的施工狀況和要求，在安裝鋼筋過程中對(duì)其間距進(jìn)行科學(xué)設(shè)計(jì)，在墊層上放置墨線，與工程設(shè)計(jì)結(jié)合起來將底板鋼筋準(zhǔn)擺放。

按公式將混沌序列引入到算法中，在迭代中產(chǎn)生局部最優(yōu)解的領(lǐng)域點(diǎn)，使惰性粒子逃離束縛并快速搜尋到最優(yōu)解。因此改進(jìn)了傳統(tǒng)粒子群進(jìn)化后期收斂速度慢、易陷入局部最優(yōu)的缺點(diǎn)，有效地提高了算法收斂速度和精度。如果局部極小位置和全局最優(yōu)位置相隔較遠(yuǎn)的情況，僅僅通過混沌擾動(dòng)有時(shí)也難以跳出局部最優(yōu)，如果搜索到的全局最優(yōu)值連續(xù)T0代變化小于一個(gè)較小的值Δ0{Δ0<Δ1}則隨機(jī)產(chǎn)生變異位Mi∈[1,D]，除全局最優(yōu)粒子以外，任意選擇N×3/4個(gè)粒子進(jìn)行變異操作，變異公式如下

xi,Mi=ai+(bi-ai)Rnd()

(5)

算法被執(zhí)行的前期，全局極值更新很快，交叉粒子群優(yōu)化起主要作用，混沌和變異起輔助作用；而在算法搜索后期，若全局極值反復(fù)迭代后變化不大，為加速尋優(yōu)進(jìn)程，加強(qiáng)粒子的再次尋優(yōu)能力，則根據(jù)式(6)判斷，采取混沌擾動(dòng)策略，增強(qiáng)對(duì)當(dāng)前全局最優(yōu)位置附近的空間的搜索，還是通過采用變異操作，這樣可以較大幅度搜索遠(yuǎn)離當(dāng)前全局最優(yōu)位置的空間。

(6)

式中Pi代表第i代進(jìn)化以后更新得到的全局最優(yōu)目標(biāo)值。Δ0,Δ1分別為混沌和變異閾值。引入了混沌和變異操作之后，粒子群的多樣性得到了提高。

由上述分析得到的CMCPSO算法的流程

圖1

4 基于CMCPSO的電網(wǎng)規(guī)劃

電網(wǎng)規(guī)劃優(yōu)化函數(shù)[14]為

式中：第一部分為網(wǎng)絡(luò)投資；第二部分為整個(gè)網(wǎng)絡(luò)的網(wǎng)損；資金回收系數(shù)k1=r(1+r)n/[r(1+r)n-1]；cj為支路j中擴(kuò)展一回新建線路的投資費(fèi)用；xj為支路j中新建線路回?cái)?shù)；Ω1為待選新建線路集合；年網(wǎng)損費(fèi)用系數(shù)k2=Costτ/u2，其中Cost為網(wǎng)損電價(jià)，τ為最大負(fù)荷損耗時(shí)間，u為系統(tǒng)額定電壓；rj為支路j的電阻；Pj為正常情況下支路j輸送的有功功率；Ω1和Ω分別為網(wǎng)絡(luò)中已有線路和新建線路的集合。潮流約束條件為

(7)

式中：pi和Qi分別為節(jié)點(diǎn)i(i=1～N)的注入有功功率和無功功率；節(jié)點(diǎn)i與j之間的相角差θij=θi-θj；N為節(jié)點(diǎn)總數(shù)。所有節(jié)點(diǎn)電壓Ui須滿足

Uimin≤Ui≤Uimax(i∈N)

(8)

所有電源節(jié)點(diǎn)的有功功率和無功功率要滿足

(9)

式中：PGi和QGi分別為電源節(jié)點(diǎn)i(i∈G)的有功功率和無功功率；G為電源節(jié)點(diǎn)集合。所有線路的傳輸功率須滿足

(10)

式中：pi和qi分別為線路i(i∈Ω)的有功功率和無功功率；pimax和qimax分別為線路最大有功功率和無功功率。架線回?cái)?shù)須滿足

0≤xi≤ximax且xi∈Ni∈Ω1

(11)

式中：ximax為架線回?cái)?shù)最大值；N為非負(fù)整數(shù)集。電網(wǎng)規(guī)劃的決策變量為整數(shù)，則粒子位置的向量為

X=[x1,x2,…,xi…xm]

(12)

式中：xi為第i條線路從0到線路走廊所能架設(shè)線路回?cái)?shù)上限之間的整數(shù)；m為系統(tǒng)中可增加線路走廊數(shù)。

5 算例分析

IEEE-6節(jié)點(diǎn)電網(wǎng)系統(tǒng)是國(guó)內(nèi)外電網(wǎng)規(guī)劃研究人員所廣泛采用的試驗(yàn)電網(wǎng)[1]。本文實(shí)證分析也引用IEEE-6節(jié)點(diǎn)電網(wǎng)系統(tǒng)。在6個(gè)節(jié)點(diǎn)中，任意兩個(gè)節(jié)點(diǎn)之間都可以架設(shè)新線，共有15條可架線走廊。其中節(jié)點(diǎn)6是新建發(fā)電廠，必須聯(lián)入電網(wǎng)。假設(shè)系統(tǒng)中任意兩節(jié)點(diǎn)間的潮流在多回線路上是平均分配的。粒子數(shù)取20，學(xué)習(xí)因子c1和c2均取2，懲罰系數(shù)U1取1000，懲罰系數(shù)U2取10000。

分別用PSO算法和CMCPSO算法進(jìn)行運(yùn)算，結(jié)果可見表1。通過表1結(jié)果對(duì)比，在粒子數(shù)為20時(shí)，基本PSO在50次優(yōu)化計(jì)算中沒搜索到一次最優(yōu)，原因是基本PSO一旦找到一個(gè)局部最優(yōu)點(diǎn)，群中粒子容易被吸引到該局部最優(yōu)區(qū)域，喪失了繼續(xù)搜索的能力，所以不能得到最優(yōu)解。而采用本文CMCPSO后，由于引入了混沌序列，幫助那些局部惰性粒子逃脫束縛并快速尋找到最優(yōu)解。

圖2

表1 基本PSO和CMCPSO的比較

6 結(jié)論

本文提出的融合交叉變異和混沌的新型粒子群算法，引入了遺傳算法和混沌算法的優(yōu)化思想。在種群的每帶進(jìn)化過程中引入了交叉操作，顯著地增加了種群的多樣性，同時(shí)提高了種群進(jìn)化速度。傳統(tǒng)的粒子群算法在迭代后期粒子極易陷入停滯狀態(tài)，本文提出的混合算法通過引入混沌擾動(dòng)或變異操作，雙重保障粒子足以跳出局部極小點(diǎn)，改善了粒子群優(yōu)化算法擺脫局部極值點(diǎn)的能力，提高了算法全局搜索最優(yōu)的能力。具體算例結(jié)果表明，該算法具有較高的運(yùn)行效率和全局收斂能力，能夠很好的求解大規(guī)模電網(wǎng)規(guī)劃優(yōu)化問題。

[1] 王錫凡.電力系統(tǒng)優(yōu)化規(guī)劃[M].北京：水利電力出版社，1990.

[2] 王秀麗,王錫凡.遺傳算法在輸電系統(tǒng)規(guī)劃中的應(yīng)用 [J].西安交通大學(xué)學(xué)報(bào)，1995，29(8)：1-9，16.

[3] 王秀麗，李淑慧，陳皓勇,等.基于非支配遺傳算法及協(xié)同進(jìn)化算法的多目標(biāo)多區(qū)域電網(wǎng)規(guī)劃[J].中國(guó)電機(jī)工程學(xué)報(bào)，2006，26(12)：11-15.

[4] 劉方，顏偉，Yu D C.基于遺傳算法和內(nèi)點(diǎn)法的無功優(yōu)化混合策略[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25(15)：67-72.

[5] 翟海保，程浩忠，呂干云,等.基于模式記憶并行蟻群算法的輸電網(wǎng)規(guī)劃 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25(9)：17-22.

[6] 郝晉，石立寶，周家啟，等.基于蟻群優(yōu)化算法的機(jī)組最優(yōu)投入[J].電網(wǎng)技術(shù)，2002，26(11)：27-32.

[7] 孫薇，商偉，牛東曉.改進(jìn)蟻群優(yōu)化算法在配電網(wǎng)網(wǎng)架規(guī)劃中的應(yīng)用[J].電網(wǎng)技術(shù)，2006，30(15)：85-90.

[8] 侯云鶴，熊信艮，吳耀武，等.基于廣義蟻群算法的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配[J].中國(guó)電機(jī)工程學(xué)報(bào)，2003，23(3)：59-64.

[9] 陳章潮，顧潔，孫純軍. 改進(jìn)的混合模擬退火—遺傳算法應(yīng)用于電網(wǎng)規(guī)劃[J].電力系統(tǒng)自動(dòng)化，1999，23(10)：28-32.

[10] 謝敬東，唐國(guó)慶，吳新余.進(jìn)化規(guī)劃在電網(wǎng)規(guī)劃中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，1998，10(2)：15-20.

[11] Clerc M，Kennedy J.The particle swarm：explosion stability and convergence in a multi-dimensional complex space IEEE Trans?? Evolutionary Compute，2002，6(1)：58-73.

[12] Shi Y，Eberhart R C Empirical study of particle swarm optimization//Proceedings of the IEEE Congress on Evolutionary Computation Piscataway，NJ：IEEE Press，1999：1945-1950.

[13] Richards M，Ventura D.Choosing a starting configuration for particle swarm optimization //Proc.IEEE Int.Joint.Conf Neural Netw，2004：2309-2312.

[14] Chung T S，Li K K，Chen G J，et al. Multi-objective transmission network planning by a hybrid GA approach with fuzzy decision analysis[J]. Electrical Power and Energy Systems(S0092-2051)，2003，5(2)：187-192.

[15] 劉朝，祁榮賓,錢鋒.融合交叉變異和混沌的新型混合粒子群算法[J].化工學(xué)報(bào)，2010，61(11)：2861-2867.

A Novel Hybrid Particle Swarm Optimization Algorithm and Its Application in Transmission Network Expansion Planning

GAOMing，ZHOUHao

(State Grid Turpan Power Supply Company，Turpan 838000，China)

The problem of transmission network planning is a nonlinear integer planning problem with restraint conditions and discrete variables and a difficult and outstanding problem in planning research.A hybrid particle swarm optimization algorithm merging crossover mutation and chaos(CMCPSO) was used into solving the transmission network planning problem.Compared with ordinary particle swarm algorithm,the hybrid particle swarm algorithm can more quickly and effectively to find the optimal solution.At last,the validity and reliability of the method is demonstrated by a case.

transmission network planning；particle swarm optimization；crossover；mutation；chaos

1004-289X(2015)03-0087-04

TM72

B

2014-05-15

高明(1988-)，男，本科，長(zhǎng)期從事電力系統(tǒng)規(guī)劃工作、電力系統(tǒng)設(shè)計(jì)工作； 周浩(1985-)，男，本科，長(zhǎng)期從事電力系統(tǒng)變電運(yùn)檢工作。