宋文龍，馬 靜，朱冬梅，王蓉蓉

（國網(wǎng)寧夏電力有限公司石嘴山供電公司，寧夏 石嘴山 753000）

0 引 言

電力工業(yè)作為社會發(fā)展的驅(qū)動力，其重要性不言而喻。近年來，國民經(jīng)濟水平的持續(xù)提升，使得各行各業(yè)對電力的需求量進一步增大。為滿足電力需求，應當對電網(wǎng)進行合理規(guī)劃。一方面應明確規(guī)劃要求，另一方面要充分考慮規(guī)劃中面臨的問題，并選取行之有效的人工智能優(yōu)化算法，求取全局最優(yōu)解，這個解便是電網(wǎng)規(guī)劃的最佳方案。通過該方案對電網(wǎng)進行規(guī)劃，可以獲得巨大的經(jīng)濟效益和社會效益。因此，本文就人工智能優(yōu)化算法在電網(wǎng)規(guī)劃中的研究與應用展開分析探討。

1 電網(wǎng)規(guī)劃要求及面臨的問題

1.1 電網(wǎng)規(guī)劃的基本要求

電網(wǎng)是由電力系統(tǒng)中的變電站與輸配電線路組成的整體，對電能進行輸送與分配是電網(wǎng)的主要任務。對于整個電力系統(tǒng)，電網(wǎng)規(guī)劃是非常重要的環(huán)節(jié)之一，由此能夠使網(wǎng)架結構得到進一步加強。而在電網(wǎng)規(guī)劃過程中，最為常用的方法有兩種，一種是傳統(tǒng)的數(shù)學方法，另一種是智能算法。電網(wǎng)規(guī)劃的基本要求如下。

1.1.1 保證供電可靠性

我國的電力負荷等級被細分為三個級別，在進行電網(wǎng)規(guī)劃時，要結合實際情況，選取最為適宜的技術措施，從而使各個級別的負荷都能得到滿足，為用戶的可靠用電提供保障。

1.1.2 確保電網(wǎng)靈活性

不同時期的負荷會存在一定的差異，而電網(wǎng)本身應當能夠?qū)Ω鱾€時期的負荷有所適應，換言之，電網(wǎng)在不同時期應有不同的運行方式。因此，在電網(wǎng)規(guī)劃時，要使整個電網(wǎng)結構足夠靈活，可以適應各種運行方式的要求，從而確保電力系統(tǒng)的運行穩(wěn)定性。

1.1.3 便于運行維護

在對電網(wǎng)進行規(guī)劃的過程中，應當使系統(tǒng)運維時，操作人員能方便、快捷地完成對系統(tǒng)的相應操作，盡可能縮短維護時間，保證電網(wǎng)的運行效率，避免因維護耗時過長而影響供電可靠性[1]。

1.2 面臨的問題

電網(wǎng)規(guī)劃是一項較為復雜且系統(tǒng)的工作，其中涵蓋的環(huán)節(jié)非常多。分析目前的總體情況可知，電網(wǎng)規(guī)劃主要面臨如下3個方面的問題。

1.2.1 電源規(guī)劃問題

在電網(wǎng)規(guī)劃中，電源的設計是較為重要的內(nèi)容之一，通過電源的建設能夠為發(fā)電廠帶來一定的利潤。然而，在發(fā)電廠與電網(wǎng)分離管理的前提下，電源的規(guī)劃設計與網(wǎng)絡的建設情況出現(xiàn)嚴重脫節(jié)。發(fā)電廠可以對電源的選址進行全權決定，電網(wǎng)規(guī)劃很難直接從市場中獲得到相關的信息，對電網(wǎng)規(guī)劃造成影響。

1.2.2 負荷預測問題

電網(wǎng)負荷的影響因素相對較多，如用電負荷、市場需求等，由此使得負荷的確定難度隨之增大。不僅如此，經(jīng)濟建設進程的逐步加快，對電網(wǎng)負荷提出更高的要求，這在一定程度上導致電網(wǎng)負荷的預測變得更加復雜。

1.2.3 潮流分布問題

電網(wǎng)的調(diào)度形式隨著市場化經(jīng)營發(fā)生了一定的改變，在這一背景下，電網(wǎng)的運行方式趨于多元化，由此使得系統(tǒng)潮流分布無法達到均勻狀態(tài)。同時，因用戶可選的范圍越來越廣泛，加之超遠距離輸電直接交易，所以要求電網(wǎng)具備更大的容量，這給潮流分布帶來更大的不確定性[2]。

2 人工智能優(yōu)化算法在電網(wǎng)規(guī)劃中應用

2.1 電網(wǎng)規(guī)劃約束條件

在電網(wǎng)規(guī)劃過程中，潮流計算是較為重要的一項內(nèi)容，具體計算時，應當以給定的元件運行條件作為主要依據(jù)，如電網(wǎng)結構、發(fā)電機以及負荷等，來對整個電力系統(tǒng)處于穩(wěn)態(tài)運行狀態(tài)下的參數(shù)進行確定。在給定的條件中，一般都會包括平衡點與樞紐點的電壓、負荷點的功率以及整個系統(tǒng)中各個電源的功率等。需要通過計算獲得的與運行狀態(tài)相關的參量有母線節(jié)點的電壓幅值、網(wǎng)絡中的功率分布與損耗等。對于復雜系統(tǒng)，基本上都是采用非線性方程進行求解，常用的求解方法有P-Q分解法、牛頓法等。需要指出的是，這些算法雖然能夠得到最終解，但計算過程卻比較復雜，且計算量非常大。電網(wǎng)有著數(shù)量眾多的規(guī)劃模型，在這些模型中存在不同的約束條件，可在某些特定的條件下，對簡化后的交流潮流算法，即直流潮流算法進行應用。該算法為線性方程，計算量比常規(guī)的方法小很多，復雜程度較低，能夠?qū)崿F(xiàn)快速求解的目標，基本上不會出現(xiàn)收斂的問題[3]。正因如此，該算法在電網(wǎng)規(guī)劃中得到廣泛應用。從電網(wǎng)的角度上講，線路中的電阻要比電抗小很多，并且位于一條線路兩端的電壓相角差也不是很大。所以在對潮流進行計算時，可忽略線路中的電阻損耗及對地電容，并將變壓器的變比與節(jié)點電壓標幺值設置為1，最終能夠得到直流潮流方程。即各條支路中有功潮流的向量等于各條支路中由導納所構成的對角矩陣與各條支路兩側(cè)的相交差向量進行相乘得出。電網(wǎng)規(guī)劃對直流潮流方程進行運用能夠使計算時間縮短，并在目標函數(shù)對比分析的基礎上，進一步提升規(guī)劃可行性。

2.2 粒子群及其進化算法

2.2.1 粒子群算法

粒子群算法簡稱PSO，是人工智能優(yōu)化算法中應用較為廣泛的一種算法，可將之歸入到隨機全局優(yōu)化技術的范疇。過程簡單、易于實現(xiàn)是PSO最為突出的特點，不僅如此，該算法還具有智能背景，適合工程應用。PSO與遺傳算法極為類似，也是通過迭代對最優(yōu)解進行求取。該算法以鳥類捕食過程作為依托，在計算之初會先以隨機的方式產(chǎn)生出一群粒子，這些粒子相當于若干覓食的鳥類，每一只鳥都是群體中的一個粒子，這群粒子便是隨機解。為從中得到全局最優(yōu)解，需要進行不斷迭代[4]?；玖Ｗ尤核惴ǖ牟襟E如下：

步驟1，經(jīng)過初始化之后，以隨機的方式在d維空間中產(chǎn)生出粒子群的位置與速度；

步驟2，對粒子群中的每一個粒子進行評價，具體方法為計算粒子的適應值，據(jù)此評價其適應度；

步驟3，以粒子的適應值作為主要依據(jù)，與其所經(jīng)歷過的最佳位置的適應值進行比較，從而確定粒子當前所處的位置是否為全局歷史最佳位置；

步驟4，根據(jù)相應的計算公式，對粒子的位置與速度進行更新，若是未達到最大的迭代次數(shù)，則可重新循環(huán)至步驟2，直至獲得全局最優(yōu)解為止。PSO算法的基本計算流程如圖1所示。

圖1 PSO算法流程示意圖

2.2.2 PSO進化算法

一些專家學者在研究中發(fā)現(xiàn)，在PSO引入慣性權重，能夠使算法本身的性能得到進一步提升，這是因為慣性權重會對迭代前后的速度產(chǎn)生直接影響。當引入的慣性權重比較大時，PSO算法的全局收斂能力較強，而慣性權重比較小時，PSO算法的局部收斂能力較強。換言之，慣性權重能夠?qū)SO算法的局部收斂能力與全局收斂能力起到平衡作用。慣性權重在PSO算法迭代過程的線性減少，可使迭代前期算法的全局探測能力和迭代后期算法的局部探測能力有所增強。雖然慣性權重的引入使PSO算法的性能得到提升，但由于粒子是以盲目和隨機的方式進行探索，從而使得收斂速度變得比較慢[5]。為彌補這一缺陷，PSO進化算法被提出。該算法的模型是通過推導得出的，其流程如下：

步驟1，經(jīng)過初始化后，以隨機的方式產(chǎn)生出n粒子的位置；

步驟2，計算出每個粒子的適應值，并對其適應度進行評價；

步驟3，用粒子的適應值與其所經(jīng)歷的最佳位置適應值進行比較，超出則為歷史最佳位置；

步驟4，與整個群體經(jīng)歷的歷史最佳位置進行比較，若是優(yōu)于全局，則該粒子當前所處的位置為整個群體的歷史最佳位置；

步驟5，調(diào)整粒子位置，若是適應值尚未達到最大的迭代次數(shù)，則可循環(huán)回到步驟2，直至獲得最優(yōu)解為止。進化PSO算法的流程如圖2所示。

圖2 進化PSO算法流程示意圖

通過對比可以發(fā)現(xiàn)，進化PSO算法與基本PSO算法之間存在一些不同之處，即粒子位置調(diào)整和速度改變。在這一前提下，進化PSO算法的計算量有所減少。進化PSO算法在性能方面得到大幅度提升，但其基本要求卻并未改變，即早期全局性和末期局部性[6]。早期與末期的搜索能力與慣性權重有關，即慣性權重的值越大，進化PSO算法的早期搜索能力越大，慣性權重的值越小，進化PSO算法的末期探測能力越大。所以在迭代時，慣性權重值應遞減，具體選擇時，可從0.8向0.2遞減，防止出現(xiàn)早熟收斂的情況。

2.3 基于進化PSO算法的電網(wǎng)規(guī)劃

2.3.1 電網(wǎng)規(guī)劃模型

電網(wǎng)規(guī)劃模型的種類相對較多，在對模型進行選取時，可將規(guī)劃的經(jīng)濟性作為首要考慮因素?；谶@一前提，本次研究中，選取的電網(wǎng)規(guī)劃模型是一個基于經(jīng)濟性的靜態(tài)規(guī)劃模型，即電網(wǎng)規(guī)劃模型經(jīng)濟指標需要求得最小的投資建設費用與線路運行過程中的最小損耗費用之和。其中，最小投資建設費用需要匯總分部分項工程建設支出的最小值，最小損耗費用需要計算所有線路運行中能耗的最小值。在計算過程中，還要需要考慮與該規(guī)劃模型相對應的約束條件包括線路潮流、功率平衡和新增線路。

2.3.2 適應度函數(shù)

在應用進化PSO算法對電網(wǎng)規(guī)劃模型進行求解時，由于存在約束條件，所以可采用外懲罰函數(shù)法，通過該方法能夠?qū)⒃镜哪繕伺c約束函數(shù)構造成帶有參數(shù)的增廣目標函數(shù)，而罰因子便是其中的參數(shù)。之所以選用外懲罰函數(shù)法是它能夠促使迭代點逐步向可行解方向靠近。適應度函數(shù)在實際運算的過程中會隨迭代發(fā)生變化，如果在迭代的過程中有過負荷的情況出現(xiàn)，可直接將之轉(zhuǎn)化為目標函數(shù)中的費用項。而在網(wǎng)絡狀態(tài)為不連通的情況下，若是給予罰因子較大的值，則慣性權重值也會比較大，這樣便會在探索中被淘汰，直至得到全局最優(yōu)解為止。

2.3.3 連通性判斷

在對電網(wǎng)中直流潮流進行計算前，需要進行連通性判斷，這是非常重要的環(huán)節(jié)之一。當網(wǎng)絡處于不連通的狀態(tài)時，會給罰因子一個相對較大的數(shù)值，這樣當前的規(guī)劃方案將會被淘汰，而處于電力系統(tǒng)中的各個節(jié)點均為0或1的兩值狀態(tài)，其模型有三種，分別為點權、邊權和賦權。由于變電站存在進線和出線，所以它與電力系統(tǒng)中的節(jié)點相同，也存在0或1的兩值狀態(tài)。鑒于此，在網(wǎng)絡模型的選擇上，應當以邊權網(wǎng)絡模型作為首選[7]。

以圖作為研究對象的方法被稱之為圖論法，這種方法應用領域非常廣泛，工程技術領域便是其中之一。對于電力系統(tǒng)，用圖表示接線方式，不僅簡單，而且直觀。可將電網(wǎng)中的輸電線路視作為支路，電源為節(jié)點，由此可以構建起一個網(wǎng)絡圖形，借助圖論法能夠?qū)W(wǎng)絡的連通性進行判定。當網(wǎng)絡處于不連通的狀態(tài)時，可對該規(guī)劃方案的適應度函數(shù)給予較大的罰因子，這樣除了無需繼續(xù)計算外，還能判定該規(guī)劃方案為最優(yōu)解。由此可見，在網(wǎng)絡連通性的判定中，圖論法的效果非常好，其優(yōu)勢體現(xiàn)在速度快、效率高等方面，從而可以大幅度提升電網(wǎng)規(guī)劃方案的計算速度。

2.3.4 算法的實現(xiàn)

以進化PSO算法對電網(wǎng)規(guī)劃模型進行求解，主要步驟如下：（1）將電網(wǎng)的相關數(shù)據(jù)準確輸入到構建好的規(guī)劃模型中，并根據(jù)網(wǎng)絡的可選路數(shù)對粒子進行確定，包括維數(shù)和數(shù)量；（2）經(jīng)過初始化后，以隨機的方式產(chǎn)生出粒子的具體位置，進而生成若干規(guī)劃方案；（3）設置種群與粒子的最優(yōu)值，并對與各個粒子相應的規(guī)劃方案進行連通性判定；（4）對不連通的方案，給予罰因子較大的值，然后對該方案中的有功潮流進行計算，得出網(wǎng)損值，估算出新建線路所需的投資費用，據(jù)此計算出該粒子的適應度值，用該值與其經(jīng)歷的最佳位置適應度進行比較，優(yōu)于該位置，說明為全局最優(yōu)，可將之作為最佳的規(guī)劃方案。

3 結 論

在當前的形勢下，對電網(wǎng)進行科學、合理的規(guī)劃設計顯得尤為重要。為實現(xiàn)這一目標，必須保證規(guī)劃方案的可行性。鑒于此，可在電網(wǎng)規(guī)劃過程中，對人工智能優(yōu)化算法中的粒子群算法進行應用，借助該算法獲取全局最優(yōu)解，這個解就是最佳的電網(wǎng)規(guī)劃方案。未來一段時期應當加大人工智能優(yōu)化算法的研究力度，除對現(xiàn)有的算法進行持續(xù)改進外，還應開發(fā)一些新的算法，從而使其更好地為電網(wǎng)規(guī)劃服務。