ICPSO算法及其在經(jīng)濟(jì)負(fù)荷分配中的應(yīng)用

鄒 恩，辛建濤，方仕勇，林錦錢

（華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣州510642）

經(jīng)濟(jì)負(fù)荷分配ELD（economic load dispatch）是電力系統(tǒng)中典型的一類數(shù)學(xué)優(yōu)化問題，由于它具有復(fù)雜、非線性、不連續(xù)等特點(diǎn)，已成為電站經(jīng)濟(jì)運(yùn)行的重要優(yōu)化問題。目標(biāo)是在滿足系統(tǒng)負(fù)荷和運(yùn)行約束條件的前提下，在一個電廠或電力系統(tǒng)內(nèi)合理安排各機(jī)組的出力負(fù)荷，使發(fā)電成本最小化，以降低燃料的消耗和供電成本。

在解決ELD問題上，由于火電機(jī)組存在閥點(diǎn)效應(yīng)［1］，加之系統(tǒng)運(yùn)行約束條件、穩(wěn)定性等制約，致使系統(tǒng)本質(zhì)上成為非凸的高維、非線性以及不連續(xù)的優(yōu)化問題，因此在尋求機(jī)組最優(yōu)組合解的過程中將會存在復(fù)雜性及準(zhǔn)確性的問題，甚至很難得出理論上的最優(yōu)解［2］。由于ELD問題具有很強(qiáng)的實(shí)用性和經(jīng)濟(jì)性，自始至終都有大量的學(xué)者對其進(jìn)行研究，目前為止已有很多文獻(xiàn)涉及到此類問題的求解，如常規(guī)算法有線性規(guī)劃法［3］，動態(tài)規(guī)劃法［4］以及拉格朗日松弛法［5］等，智能算法有遺傳算法［1，6，7］、蟻群算法［2］、神經(jīng)網(wǎng)絡(luò)算法［8］以及混沌優(yōu)化算法［9，10］等。然而這些算法在處理ELD問題上，都存在一定的缺點(diǎn)，如容易陷入局部最優(yōu)、求解精度不高、容易陷入“維數(shù)災(zāi)”以及計算時間較長等。

粒子群優(yōu)化算法是一種新的模仿鳥類群體行為的全局智能優(yōu)化算法，現(xiàn)已成為進(jìn)化算法中一個新的重要分支。由于算法操作簡單、收斂快、且易于實(shí)現(xiàn)等特點(diǎn)，得到了廣泛的關(guān)注，并已成功運(yùn)用于求解不同領(lǐng)域的多維非線性優(yōu)化求解中。然而粒子群算法在搜索后期容易陷入局部最優(yōu)，發(fā)生“早熟”現(xiàn)象。針對這一缺陷，已有許多學(xué)者對其進(jìn)行改進(jìn)，一是對粒子群算法本身進(jìn)行改進(jìn)［11，12］，增強(qiáng)粒子的全局尋優(yōu)能力；二是粒子群算法與其它算法如單純形法、遺傳算法、混沌優(yōu)化等算法相結(jié)合［13～16］，利用各種算法的優(yōu)勢互補(bǔ)進(jìn)行求解。

以往的混沌粒子群優(yōu)化算法是在粒子群算法陷入局部極值后通過引入混沌擾動，使其跳出局部最優(yōu)。本文在文獻(xiàn)［17］的基礎(chǔ)上，通過修正粒子群迭代的行動策略，并在粒子群尋優(yōu)過程中引入Tent映射增強(qiáng)粒子的全局遍歷性，以實(shí)現(xiàn)更快的收斂效果。與前者相比，后者有更好的收斂性能。最后將本文改進(jìn)的混沌粒子群算法應(yīng)用在電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配中，仿真結(jié)果體現(xiàn)了ICPSO算法的有效性和優(yōu)越性。

1 經(jīng)濟(jì)負(fù)荷分配的數(shù)學(xué)模型

1.1 目標(biāo)函數(shù)

發(fā)電機(jī)組燃料消耗的目標(biāo)函數(shù)模型如下所示：

式中：Cost為發(fā)電機(jī)組總的消耗費(fèi)用；M為系統(tǒng)發(fā)電機(jī)總數(shù)；Pm為第m 臺發(fā)電機(jī)的有功功率；Cm（Pm）為第m臺發(fā)電機(jī)的耗量特性，表達(dá)如下：

式中：am、bm、cm為第m 臺發(fā)電機(jī)燃料消耗特性曲線參數(shù)，均為一常數(shù)。

在火力發(fā)電機(jī)組運(yùn)行中，氣輪機(jī)進(jìn)氣閥突然開啟時常常產(chǎn)生閥點(diǎn)效應(yīng)，增加發(fā)電機(jī)的出力，使發(fā)電成本增大。閥點(diǎn)效應(yīng)耗量特性可表示為

式中：Em為閥點(diǎn)效應(yīng)引起的耗量特性；gm、hm和分別為第m臺發(fā)電機(jī)的參數(shù)和有功功率下限，gm和hm均為一常數(shù)。

1.2 約束條件

1）發(fā)電機(jī)出力運(yùn)行約束

式中：Pminm、Pmaxm分別為第m 臺發(fā)電機(jī)的出力上下限值。

2）系統(tǒng)有功平衡約束

式中：PL和PD分別為系統(tǒng)的總網(wǎng)損和總負(fù)荷。

網(wǎng)損可以采用潮流軟件獲得，工程上習(xí)慣用B系數(shù)法進(jìn)行求解［8］。網(wǎng)損與發(fā)電機(jī)有功功率之間的關(guān)系表達(dá)式如下：

式中：PT為P的轉(zhuǎn)置向量，其中P為發(fā)電機(jī)有功功率的m維列矢量；B為m×m維方陣，B0為m維列矢量，B00為一常數(shù)值。

2 改進(jìn)的混沌粒子群算法ICPSO

2.1 混沌粒子群CPSO算法及其改進(jìn)

傳統(tǒng)的混沌粒子群算法是針對粒子群算法后期收斂慢，且容易陷入局部最優(yōu)等缺點(diǎn)而提出的，基本原理是在粒子群算法尋優(yōu)后，通過引入混沌機(jī)制，利用混沌運(yùn)動的遍歷性、隨機(jī)性以及規(guī)律性，對其近似最優(yōu)解進(jìn)行混沌搜索，使其跳出局部最優(yōu)而獲得全局最優(yōu)解。

2.1.1 Tent混沌映射

Tent映射是一種遍歷性、隨機(jī)性都很強(qiáng)的混沌映射，具有區(qū)間均勻搜索特性。其表達(dá)式為

2.1.2 改進(jìn)的粒子群算法

對于基本粒子群算法，迭代更新公式如下：

式中：Vi（t）＝ ［vi1，vi2，…，viN］和 Xi（t）＝ ［xi1，xi2，…，xiN］分別表示第i個粒子的速度和位置矢量；t為當(dāng)前的迭代次數(shù)；ω為慣性權(quán)重；c1和c2是學(xué)習(xí)因子，通常取c1＝c2＝2；r1和r2是介于（0，1）之間的隨機(jī)數(shù)；pbesti和gbest（t）分別表示第i個粒子迭代t次所經(jīng)歷過的最優(yōu)位置和整個種群經(jīng)歷過的最優(yōu)位置。

由于粒子群優(yōu)化算法中每個粒子是根據(jù)當(dāng)前個體極值和全局最優(yōu)解來更新下一代的信息，沒有考慮其它粒子的信息，因此，可選取前n個粒子的信息來修正每個粒子下次迭代的行動策略，在更新中可實(shí)現(xiàn)種群粒子搜索的多方向性，搜索更均勻，提高了算法的全局尋優(yōu)能力［12］。由此粒子群更新公式可寫為

式中：r2j是（0，1）內(nèi)的隨機(jī)數(shù)；gbestj（t）是根據(jù)種群所有粒子的適應(yīng)度值按從小到大排序后選取前n個粒子在解空間中的位置，一般n的取值為4時算法能取得較滿意的效果［12］。

對于慣性權(quán)重ω，可采用非線性動態(tài)慣性權(quán)重系數(shù)公式即自適應(yīng)權(quán)重法，以改善粒子的全局搜索能力和局部改良能力，其計算方法如式（10）所示：

式中：ωmax和ωmin為ω的最大和最小值，分別設(shè)為0.9和0.4；f是當(dāng)前粒子的適應(yīng)值，favg和fmin分別為當(dāng)前所有粒子的平均適應(yīng)值和最小適應(yīng)值。

2.2 ICPSO算法在ELD問題中的應(yīng)用

由機(jī)組組合數(shù)學(xué)模型可知，發(fā)電機(jī)組產(chǎn)生的費(fèi)用由機(jī)組燃料消耗和閥點(diǎn)效應(yīng)產(chǎn)生的費(fèi)用組成，對發(fā)電機(jī)出力運(yùn)行約束式（4），機(jī)組變量需限制在出力范圍內(nèi)，對于越限分量將其限制在邊界值上。對于系統(tǒng)有功平衡約束式（5），可采用罰函數(shù)的形式將有約束問題轉(zhuǎn)化為無約束優(yōu)化問題，最終目標(biāo)函數(shù)如式（11）所示：

式中：ξ為罰因子，通常取一個較大的常數(shù)；對于每個粒子Xi的值，代表了所有發(fā)電機(jī)出力負(fù)荷［pi1，pi2，…，piM］的一組解，即如式（12）所示：

ELD問題的ICPSO算法基本流程如下：

Step 1 設(shè)定粒子群體迭代次數(shù)max＿gen、混沌局部搜索次數(shù)max C，以及群體規(guī)模D，初始粒子位置Xi以及速度Vi，Xi和Vi可通過式（13）進(jìn)行初始化：

對于速度限值的設(shè)定可以取機(jī)組最大出力負(fù)荷值的一半，即有vi，max＝－vi，min＝0.5·pmaxm。

Step 2 按式（11）求初始種群的適應(yīng)度值，將當(dāng)前各粒子的最優(yōu)位置存儲在pbesti（t）中，將群體中最小適應(yīng)度值所對應(yīng)的pbesti（t）放在gbest（t）中。

Step 3 根據(jù)式（9）和式（10）更新粒子的速度和位置，對于越限的粒子將其限制在邊界值上，按式（11）計算更新后粒子的適應(yīng)度值。

Step 4 對更新后粒子的適應(yīng)度值進(jìn)行排序，選取群體20%較優(yōu)的粒子進(jìn)行混沌局部搜索［17］，迭代次數(shù)達(dá)到max C或者混沌搜索后的適應(yīng)值比先前適應(yīng)值優(yōu)，則退出混沌局部搜索，進(jìn)入step 5。

Step 5 通過適應(yīng)度值更新粒子pbesti與gbest（t）的值。

Step 6 按式（14）縮小搜索區(qū)域

其中0＜r＜1。

Step 7 在新的收縮區(qū)域內(nèi)按式（13）隨機(jī)生成80%的粒子，按式（11）計算粒子的適應(yīng)度值。

Step 8 將經(jīng)過step 4的粒子與step 7的粒子構(gòu)成一個新的種群，取代原粒子群。

Step 9 若滿足停止條件，即達(dá)到設(shè)定的粒子群迭代次數(shù) max＿gen，停止搜索，輸出gbest（t）的值，否則返回Step3繼續(xù)搜索。其中g(shù)best（t）中的各個數(shù)值代表了消耗費(fèi)用最低時的機(jī)組出力負(fù)荷值，即如式（15）所示：

3 算例分析

為了驗(yàn)證本文ICPSO算法的有效、快速收斂以及結(jié)果的精確性，通過 MATLAB 7.8版本在E2140、主頻1.60GHz、內(nèi)存512MB的計算機(jī)上進(jìn)行仿真實(shí)驗(yàn)，其中最大迭代次數(shù)max＿gen＝100，混沌局部搜索次數(shù)maxC＝30，種群規(guī)模D＝20，罰因子ξ＝50。

算例1：采用文獻(xiàn)［16］中的3機(jī)6母線系統(tǒng)為例，系統(tǒng)總負(fù)荷PD＝850MW，考慮耗量曲線的閥點(diǎn)效應(yīng)，忽略網(wǎng)損。表1給出了算例中發(fā)電機(jī)燃料耗量曲線特性參數(shù)以及有功功率限值。

表1 機(jī)組特性參數(shù)Tab.1 Parameters of generating units

算例2：采用與算例1相同的系統(tǒng)，總負(fù)荷為500MW，計及閥點(diǎn)效應(yīng)與網(wǎng)損，網(wǎng)損B系數(shù)如下：

對于文獻(xiàn)［17］中提出的CPSO算法和本文ICPSO算法，分別對算例1和算例2進(jìn)行獨(dú)立仿真實(shí)驗(yàn)各50次，其平均適應(yīng)值收斂效果如圖1和圖2所示。表2是算例1計及閥點(diǎn)效應(yīng)，忽略網(wǎng)損的仿真計算結(jié)果。表3是算例2計及閥點(diǎn)效應(yīng)和網(wǎng)損的仿真計算結(jié)果。表4和表5為各文獻(xiàn)中采用不同算法在算例1和算例2中的仿真結(jié)果對比情況。

圖1 算例1平均適應(yīng)值收斂曲線圖Fig.1 Average fitness convergence curves of case 1

圖2 算例2平均適應(yīng)值收斂曲線圖Fig.2 Average fitness convergence curves of case 2

表2 算例1仿真結(jié)果Tab.2 Simulation results of case 1

表3 算例2仿真結(jié)果Tab.3 Simulation results of case 2

表4 不同算法在算例1中的仿真結(jié)果Tab.4 Simulation results of different algorithms in case 1

表5 不同算法在算例2中的仿真結(jié)果Tab.5 Simulation results of different algorithms in case 2

從圖1和圖2可以看出，文獻(xiàn)［17］中的CPSO算法和本文ICPSO算法應(yīng)用于不同算例中均體現(xiàn)了較快的收斂性能，在進(jìn)化初期就可以初步達(dá)到精確的收斂效果，但相比之下，本文ICPSO算法在收斂性能和精確性方面略勝于文獻(xiàn)［17］中的CPSO算法。表2和表3為ICPSO算法分別在算例1和算例2仿真結(jié)果中的幾組可行解，通過表中數(shù)據(jù)顯示，改進(jìn)后的算法在結(jié)果上實(shí)現(xiàn)了更優(yōu)。

通過表4仿真結(jié)果對比，本文提出的ICPSO算法所得出的總費(fèi)用是最低的，從表5可看出，文獻(xiàn)［9］和文獻(xiàn)［10］中涉及到的算法，其網(wǎng)損與系統(tǒng)總負(fù)荷之和并不等于各機(jī)組的總出力值，換言之是以犧牲負(fù)荷平衡約束條件來獲得最優(yōu)費(fèi)用，而本文ICPSO算法不僅總費(fèi)用低，且能精確的滿足負(fù)荷平衡約束條件。由此可得出，ICPSO算法有較好優(yōu)越性。通過以上對照表明，本文所述ICPSO算法在快速性與精確性方面均達(dá)到令人滿意的結(jié)果。

4 結(jié)語

本文對CPSO算法進(jìn)行了改進(jìn)，并在ELD問題上進(jìn)行仿真實(shí)驗(yàn)，相比以往的CPSO算法以及其它智能算法取得了更優(yōu)的效果，實(shí)現(xiàn)了快速尋優(yōu)與結(jié)果的精確性。由于混沌粒子群算法屬于隨機(jī)性算法，相比確定性算法在結(jié)果上存在隨機(jī)性，加之ELD問題是多維的且含較多復(fù)雜約束條件，因此在后面的研究工作中，需要考慮算法在多機(jī)組運(yùn)行、機(jī)組啟停、機(jī)組的爬坡限制以及環(huán)境負(fù)荷調(diào)度多目標(biāo)優(yōu)化問題等方面結(jié)果的精確性以及快速收斂性。ICPSO算法在實(shí)際系統(tǒng)中的成功應(yīng)用，將會為相關(guān)行業(yè)帶來一定的經(jīng)濟(jì)效益。

［1］ Walters D C，Sheble G B.Genetic algorithm solution of economic dispatch with valve point loading［J］.IEEE Trans on Power Systems，1993，8（3）：1325－1332.

［2］ 侯云鶴，熊信艮，吳耀武，等（Hou Yunhe，Xiong Xinyin，Wu Yaowu，et al）.基于廣義蟻群算法的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配（Economic dispatch of power systems based on generalized ant colony optimization method）［J］.中國電機(jī)工程學(xué)報（Proceedings of the CSEE），2003，23（3）：59－64.

［3］ Jabr R A，Coonick A H，Cory B J.A homogeneous linear programming algorithm for the security constrained economic dispatch problem［J］.IEEE Trans on Power Systems，2000，15（3）：930－936.

［4］ 馬玲，王爽心，劉如九，等（Ma Ling，Wang Shuangxin，Liu Rujiu，et al）.基于改進(jìn)動態(tài)規(guī)劃法的火電廠負(fù)荷經(jīng)濟(jì)調(diào)度（Load economic dispatching of thermal power station based on improved dynamic programming method）［J］.北京交通大學(xué)學(xué)報（Journal of Beijing Jiaotong University），2005，29（4）：100－103.

［5］ Shiina Takayuki，Watanabe Isamu.Lagrangian relaxation method for price－based unit commitment problem［J］.Engineering Optimization，2004，36（6）：705－719.

［6］ 何大闊，王福利，毛志忠，等（He Dakuo，Wang Fuli，Mao Zhizhong，et al）.遺傳算法在電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配中的應(yīng)用（Application of genetic algorithm on economic dispatch of power systems）［J］.系統(tǒng)仿真學(xué)報（Journal of System Simulation），2007，19（4）：890－892，900.

［7］ 范宏，韋化（Fan Hong，Wei Hua）.改進(jìn)遺傳算法及其在機(jī)組優(yōu)化組合中的應(yīng)用（Improved genetic algo－rithm and its application in unit commitment optimization）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU－EPSA），2004，16（4）：46－49，63.

［8］ 毛 亞 林，張 國 忠，朱 斌，等 （Mao Yalin，Zhang Guozhong，Zhu Bin，et al）.基于混沌模擬退火神經(jīng)網(wǎng)絡(luò)模型的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配（Economic load dispatch of power systems based on chaotic simulated annealing neural network model）［J］.中國電機(jī)工程學(xué)報（Proceedings of the CSEE），2005，25（3）：65－70.

［9］ 唐巍，李殿璞（Tang Wei，Li Dianpu）.電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配的混沌優(yōu)化方法（Chaotic optimization for economic dispatch of power systems）［J］.中國電機(jī)工程學(xué)報（Proceedings of the CSEE），2000，20（10）：36－40.

［10］ 修春波，陸麗芬（Xiu Chunbo，Lu Lifen）.改進(jìn)的混沌優(yōu)化算法及其在電力系統(tǒng)負(fù)荷分配中的應(yīng)用研究（Chaos optimization algorithm and its application in economic load dispatch on power system）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2010，38（21）：109－117.

［11］ 張雪雯，李艷君（Zhang Xuewen，Li Yanjun）.基于自調(diào)節(jié)粒子群算法的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配（Self－adjusted particle swarm optimization algorithm based economic load dispatch of power system）［J］.電網(wǎng)技術(shù)（Power System Technology），2006，30（18）：8－13.

［12］ 趙波，曹一家（Zhao Bo，Cao Yijia）.電力系統(tǒng)機(jī)組組合問題的改進(jìn)粒子群優(yōu)化算法（An improved particle swarm optimization algorithm for power system unit commitment）［J］.電網(wǎng)技術(shù)（Power System Technology），2004，28（21）：6－10.

［13］ 唐英干，崔玉紅，喬雷杰，等（Tang Yinggan，Cui Yuhong，Qiao Leijie，et al）.一種新算法在經(jīng)濟(jì)負(fù)荷分配中的應(yīng)用（Application of simplex search method and particle swarm optimization in economic dispatch）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU－EPSA），2009，21（1）：20－26.

［14］ 蔣秀潔，吳永華，楊敏（Jiang Xiujie，Wu Yonghua，Yang Min）.基于PSO－GA算法的電力系統(tǒng)機(jī)組組合研究（PSO－GA algorithms for unit commitment of power system）［J］.繼電器（Relay），2006，34（5）：34－38.

［15］ 陳如清，俞金壽（Chen Ruqing，Yu Jinshou）.混沌粒子群混合優(yōu)化算法的研究與應(yīng)用（Study and application of chaos－particle swarm optimization－based hybrid optimization algorithm）［J］.系 統(tǒng) 仿 真 學(xué) 報（Journal of System Simulation），2008，20（3）：685－688.

［16］ 蒙文川，邱家駒（Meng Wenchuan，Qiu Jiaju）.電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配的混沌粒子群優(yōu)化算法（Chaotic particle swarm optimization algorithm for economic load dispatch of power system）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU－EPSA），2007，19（2）：114－119.

［17］Bo Liu，Ling Wang，Yi－Hui Jin，et al.Improved particle swarm optimization combined with chaos［J］.Chaos，Solitons and Fractals，2005，25（5）：1261－1271.

［18］Park J B，Lee K S，Shin J R，et al.A particle swarm optimization for economic dispatch with nonsmooth cost functions［J］.IEEE Trans on Power Systems，2005，20（1）：34－42.