基于IAFSA-SFLA的新能源電站公平調(diào)度方法研究

楊海柱 康樂 岳剛偉

摘 ?要： 隨著我國的新能源電站的裝機(jī)容量的不斷增加，區(qū)域電網(wǎng)限電現(xiàn)象越來越嚴(yán)重。本文針對新能源電站發(fā)電受限時，如何公平的制定各電站調(diào)度計劃的問題，提出了一種基于IAFSA-SFLA的新能源電站公平調(diào)度方法。本文所提方法主要包括兩部分，第一部分為新能源電站二階段公平調(diào)度模型，第二部分為基于IAFSA-SFLA（改進(jìn)人工魚群-蛙跳算法）用來對調(diào)度模型進(jìn)行求解。通過測試函數(shù)驗證本文所提算法的有效性，并編寫程序用來對所提公平調(diào)度模型進(jìn)行求解，結(jié)果表明本文所提算法能夠克服人工魚群和蛙跳算法的缺點，進(jìn)一步提高收斂速度和收斂精度，并且能夠快速準(zhǔn)確對本文所提公平調(diào)度模型進(jìn)行求解，進(jìn)行公平調(diào)度計劃的制定。

關(guān)鍵詞： 改進(jìn)人工魚群;蛙跳算法;新能源;公平調(diào)度

中圖分類號： TM731 ? ?文獻(xiàn)標(biāo)識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.04.007

本文著錄格式：楊海柱，康樂，岳剛偉，等. 基于IAFSA-SFLA的新能源電站公平調(diào)度方法研究[J]. 軟件，2019，40（4）：3542

【Abstract】： With the increasing installed capacity of new energy power plants in China， the phenomenon of power limitation in regional power grid is becoming more and more serious. In this paper， a fair dispatching method of new energy power station based on IAFSA-SFLA is proposed， aiming at the problem of how to make the dispatching plan of each power station fairly when the power generation of new Energy power station is limited. The method proposed in this paper mainly includes two parts， the first part is the fair dispatching model of two stage of new energy power stations， and the second is based on IAFSA-SFLA （improved artificial fish swarm-frog jump algorithm）， which is used to solve the scheduling model. The validity of the proposed algorithm is verified by test function， and a program is written to solve the proposed fair scheduling model. The results show that the proposed algorithm can overcome the shortcomings of artificial fish swarm and leapfrog algorithm， further improve the convergence speed and accuracy， and can quickly and accurately solve the fair scheduling model proposed in this paper， and make a fair scheduling plan.

【Key words】： Improved artificial fish swarm; Leaping frog algorithm; New energy; Fair scheduling

0 ?引言

隨著傳統(tǒng)能源的日益枯竭，全球各國對新能源發(fā)電的應(yīng)用越來越重視，截止到2017年，我國光伏發(fā)電累計裝機(jī)達(dá)到1.30億千瓦，風(fēng)電累計并網(wǎng)裝機(jī)容量達(dá)到1.64億千瓦。快速發(fā)展的新能源發(fā)電給我國的電力行業(yè)帶來了挑戰(zhàn)，新能源電站所發(fā)電能不能被完全消納，在未來很長一段時間內(nèi)棄風(fēng)棄光現(xiàn)象會一直存在。在這種情況下，如何在保證新能源電站的基本利益的情況下實現(xiàn)電網(wǎng)和電站間的協(xié)調(diào)運行，制定合理公平的調(diào)度計劃就顯得尤為重要。

目前，國外針對新能源發(fā)電的優(yōu)先調(diào)度研究和應(yīng)用起步較早，在靈活的電源結(jié)構(gòu)和靈活調(diào)度手段配合下，己經(jīng)從根本上實現(xiàn)了新能源的優(yōu)先調(diào)度，無需考慮新能源電站間的公平調(diào)度模式。國內(nèi)目前關(guān)于新能源發(fā)電的調(diào)度研究主要集中在含有新能源發(fā)電的電力系統(tǒng)經(jīng)濟(jì)調(diào)度、優(yōu)化調(diào)度等[1-4]。對于含有新能源發(fā)電的公平調(diào)度方法較少，文獻(xiàn)描述了在我國寧夏和蒙西電網(wǎng)中新能源發(fā)電的公平調(diào)度方法。文獻(xiàn)基于模糊理論建立了多調(diào)度原則下“三公”調(diào)度的綜合評判方法。但是現(xiàn)有研究未綜合考慮系統(tǒng)規(guī)劃、運行等影響新能源調(diào)度的主要因素對新能源優(yōu)先調(diào)度的影響，不能夠保證調(diào)度計劃的公平性。同時由于電網(wǎng)調(diào)度模型一般為非線性模型，采用牛頓、拉格朗日等數(shù)值求解方法雖然能求解出最終結(jié)果，但求解步驟復(fù)雜，且計算算量大，不能進(jìn)行快速的模型求解。單純的人工魚群、蜂群、模擬退火等智能算法存在容易陷入局部尋優(yōu)的問題，在調(diào)度模型的求解過程中不能實現(xiàn)真正的調(diào)度目標(biāo)最優(yōu)[5-8]。

為此，本文在現(xiàn)有調(diào)度模式的基礎(chǔ)上構(gòu)建了新能源電站二階段公平模型，包含新能源消納空間的計算以及公平性分配兩步。并提出了一種改進(jìn)人工魚群-蛙跳算法用于對本文所提調(diào)度模型性的求解，在算法尋優(yōu)前期采用改進(jìn)的人工魚群算法進(jìn)行尋優(yōu)，當(dāng)找到最優(yōu)區(qū)域時切換成蛙跳算法進(jìn)行局部尋優(yōu)，兼顧了兩種算法的優(yōu)點，同時通過在人工魚群算法中引入levy變異因子進(jìn)行改進(jìn)，使得人工魚群在確定全局最優(yōu)區(qū)域時精度更高，同時收斂速度也得以提高。

1 ?新能源電站二階段公平調(diào)度模型

本文所提出的的新能源電站段公平調(diào)度模型包含兩個階段，第一階段是根據(jù)新能源日前發(fā)電預(yù)測和負(fù)荷預(yù)測值進(jìn)行消納空間計算，第二階段是在第一階段計算得到的消納空間的基礎(chǔ)上，根據(jù)新能源電站進(jìn)行綜合評價得到各新能源電站綜合評分系數(shù)，對各電站的調(diào)度計劃進(jìn)行公平性分配，綜合評分系數(shù)的計算方法在本文不再贅述。

1.1 ?消納空間計算

（1）目標(biāo)函數(shù)

在滿足系統(tǒng)和傳統(tǒng)機(jī)組運行約束條件下，含有新能源發(fā)電的電力系統(tǒng)的發(fā)電成本應(yīng)考慮常規(guī)機(jī)組的煤耗成本以及新能源發(fā)電棄風(fēng)棄光成本，消納空間的計算需要滿足電力系統(tǒng)整體運行的經(jīng)濟(jì)性，經(jīng)濟(jì)性調(diào)度的目標(biāo)為電力系統(tǒng)的發(fā)電成本之和最低。目標(biāo)函數(shù)具體公式如下：

式中，NG為區(qū)域電網(wǎng)內(nèi)參與調(diào)度的常規(guī)機(jī)組數(shù)量;NS為區(qū)域電網(wǎng)內(nèi)參與調(diào)度的光伏電站數(shù)量;NW為區(qū)域電網(wǎng)內(nèi)參與調(diào)度的風(fēng)電場數(shù)量;T為區(qū)域電網(wǎng)調(diào)度時段，Pi（t）為常規(guī)機(jī)組i在t時刻的有功出力;Fi（Pi（t））為t時刻火電機(jī)組i的出力經(jīng)濟(jì)成本;ai、bi、ci為給定的常規(guī)機(jī)組i的出力煤耗成本系數(shù);Fj（Pj（t））為第j個光伏電站在t時刻的棄光成本;Fk（Pk（t））第k個風(fēng)電場在t時刻的棄風(fēng)成本;λPV、λW分別是光伏電站和風(fēng)電場的單位棄光棄風(fēng)成本;αPV、αW分別是光伏電站和風(fēng)電場的出力上最大預(yù)測誤差系數(shù)，其值大于等于1，越接近1表示預(yù)測精度越高;Pjy（t）、Pky（t）分別為光伏電站j和風(fēng)電場k在t時刻的出力預(yù)測值;Pj（t）、Pk（t）分別為光伏電站j和風(fēng)電場k在t時刻的調(diào)度計劃值;Δt為調(diào)度時段的時間。

（2）約束條件

1.2 ?公平性分配

在第一階段計算得到區(qū)域電網(wǎng)對新能源發(fā)電的消納空間后，然后按照綜合評分系數(shù)對同類型電站間的調(diào)度計劃進(jìn)行初次分配，接著計算電站剩余消納空間進(jìn)行再分配，得出最終電站的公平調(diào)度計劃。

進(jìn)行電站調(diào)度計劃公平性分配時，由于光伏電站和風(fēng)電場裝機(jī)容量存在較大差異，將兩類電站放在一起進(jìn)行分配時，可能會出現(xiàn)新能源消納空間得不到充足利用的現(xiàn)象，故需要分別對光伏電站和風(fēng)電場的調(diào)度計劃進(jìn)行公平性分配。以光伏電站為例，公平性分配具體步驟如下：

⑤將步驟④得到的第二類電站j在t時刻的調(diào)度計劃Pj2m（t）作為初始分配計劃返回步驟2），重新對第二類電站調(diào)度計劃進(jìn)行判斷，根據(jù)條件對調(diào)度計劃進(jìn)行修訂，直到電站剩余消納計劃之和為0，此時可停止循環(huán)計算輸出t時刻最終調(diào)度計劃。

2 ?改進(jìn)人工魚群-蛙跳算法

由于本文所提公平調(diào)度模型所考慮的規(guī)模大，時段長，計算量復(fù)雜，為了實現(xiàn)對調(diào)度模型的快速求解，本文將人工魚群算法和蛙跳算法配合使用，利用人工魚群算法前期尋優(yōu)速度快的特點，先找到全局最優(yōu)解所在的區(qū)域，然后切換成蛙跳算法，利用蛙跳算法更強(qiáng)的局部搜索能力，在全局最優(yōu)解所在區(qū)域內(nèi)進(jìn)行局部尋優(yōu)，縮短算法的尋優(yōu)時間，提高求解速度。同時為了避免人工魚群算法在前期尋優(yōu)時陷入局部最優(yōu)狀況，在人工魚群尋優(yōu)時引入基于levy分布的變異因子，當(dāng)處于局部最優(yōu)時，可以輕松跳出，從而能夠更快更準(zhǔn)確的找到全局最優(yōu)解所在的區(qū)域。

2.1 ?基于levy變異的改進(jìn)人工魚群算法

人工魚群算法在確定搜索方向和避免陷入局部尋優(yōu)方面具有一定的優(yōu)越性，但是當(dāng)局部極值出現(xiàn)嚴(yán)重聚集時，算法的收斂速度將會放慢很多，更有可能出現(xiàn)早熟的狀態(tài)。為了更好的實現(xiàn)全局尋優(yōu)，在人工魚群算法中引入levy變異因子，進(jìn)一步增加種群的多樣性，提高算法跳出局部最優(yōu)的能力。

Levy變異就是基于levy分布的變異因子，相對于高斯變異和柯西變異，levy變異具有更好的變異步長，產(chǎn)生更強(qiáng)的擾動，克服了高斯變異跳出局部尋優(yōu)能力差和柯西變異局部尋優(yōu)能力較弱的缺點。Levy分布的概率密度函數(shù)如式（17）所示。

2.2 ?基于levy變異的改進(jìn)人工魚群-蛙跳算法

由于人工魚群算法具有前期尋優(yōu)速度快，后期收斂慢的特點，在人工魚群中引入levy變異因子，進(jìn)一步增強(qiáng)全局尋優(yōu)能力[9-15]。同時將適合局部尋優(yōu)的混合蛙跳算法同基于levy變異的人工魚群算法相結(jié)合，利用基于levy變異的改進(jìn)人工魚群算法快速找到全局最優(yōu)解所在區(qū)域，然后切換成蛙跳算法在區(qū)域內(nèi)進(jìn)行局部尋優(yōu)，快速找到全局最優(yōu)解。改進(jìn)人工魚群-蛙跳算法具體步驟如圖1。

①算法初始化。設(shè)定人工魚群算法具體參數(shù)，包括人工魚的總數(shù)N，視野范圍，最大移動步長step，擁擠度因子 ，以及最大嘗試次數(shù)，設(shè)人工魚所處位置為xi，其所處位置的適應(yīng)度值為Yi。

②公告板賦值。根據(jù)目標(biāo)函數(shù)，計算人工魚的適應(yīng)度，將最優(yōu)人工魚狀態(tài)及其值賦給公告板。

③行為選擇。將所有的人工魚分別執(zhí)行追尾行為和聚群行為，然后對兩種行為后的值進(jìn)行評價，選擇較小的值作為實際執(zhí)行行為，缺省行為為覓食行為。

（a）覓食行為

人工魚當(dāng)前所處位置為xi，食物濃度為Yi，在視野范圍內(nèi)尋找下一個位置xj，食物濃度為Yj。當(dāng)Yj大于Yi時，則人工魚向xj方向移動一步，如果j小于等于Yi時，則重新隨機(jī)選擇狀態(tài)xj，并重新判斷是否滿足前進(jìn)條件，當(dāng)隨機(jī)次數(shù)達(dá)到設(shè)定的嘗試次數(shù)時，如果仍然不滿足前進(jìn)條件，則執(zhí)行隨機(jī)行為，具體的數(shù)學(xué)表達(dá)式如式（19）所示。

（b）聚群行為

人工魚所處位置為xi，其所處位置的食物濃度為Yi，在人工魚所處視野內(nèi)伙伴的數(shù)量為nf，伙伴所處的中心位置為xc。當(dāng) （ 表示中心位置的食物濃度， 表示擁擠度因子），表明中心位置具有較高的食物濃度，且處于不是太擁擠的狀態(tài)，此時人工魚就向中心位置移動一步，當(dāng) ? 時，人工魚就執(zhí)行覓食行為。聚群行為具體公式如式（20）所示。

（c）追尾行為

人工魚所處位置為xi，其所處位置的食物濃度為Yi，在其視野允許范圍內(nèi)搜尋食物濃度為Ymax時的人工魚位置為xmax。當(dāng) 時，表明在xmax位置具有較高的食物濃度且不擁擠，此時人工魚可由xi向xmax前進(jìn)一步，當(dāng) ，人工魚重新執(zhí)行覓食行為。追尾行為具體公式如式（21）所示。

（d）隨機(jī)行為

隨機(jī)行為實際上是一種特殊的覓食行為，當(dāng)人工魚無法從相鄰環(huán)境中需找到濃度更高的位置時，就在可移動步長范圍內(nèi)隨機(jī)移動一步，具體的計算公式如式（22）所示。

④公告板信息更新。當(dāng)人工魚群迭代后，如果最優(yōu)人工魚的狀態(tài)要好于公告板中記錄的人工魚狀態(tài)，就更新公告板。

⑤變異條件判斷。若公告板記錄的最優(yōu)人工魚狀態(tài)在連續(xù)三次迭代后沒有發(fā)生變化或者是變化很小，就執(zhí)行變異操作，否則執(zhí)行步驟⑦。

⑥變異操作。利用歷史最優(yōu)魚替換形成中間魚群，對中間魚群的人工魚按照式（18）進(jìn)行變異。同時將變異后每條人工魚的函數(shù)值同公告板相比較，如果要優(yōu)于公告板就將公告板的值更新，否則公告板的值不發(fā)生變化。

⑦算法切換判斷。根據(jù)公告板信息來判斷是否區(qū)需要切換成蛙跳算法，當(dāng)群體最優(yōu)適應(yīng)度值滿足式（23）時，就表明人工魚群算法已經(jīng)找到了全局最優(yōu)解所在區(qū)域，可以切換成蛙跳算法進(jìn)一步求解。否則返回步驟②繼續(xù)迭代。

⑧蛙跳算法初始化。將人工魚群算法最后一次迭代產(chǎn)生的人工魚群按照適應(yīng)度值大小降序排列，取前1/2最優(yōu)魚群賦值給青蛙種群，同時，將青蛙種群劃分成m個子種群。

⑨進(jìn)行局部搜索。在進(jìn)行局部搜索時對子種群內(nèi)部適應(yīng)度最差的個體進(jìn)行更新，最差的青蛙朝本子種群中最優(yōu)的青蛙跳躍，具體方法如式（24）所示。

如果更新完后青蛙所處的位置要優(yōu)于更新前的位置，則完成一次位置更新，否則，用蛙群中具有最優(yōu)適應(yīng)度的青蛙所處的位置Xz，來替換式（24）中的Xb，重新更新新的位置。如果得到的新位置仍然相較于更新前的位置沒有得到改善，那么將隨機(jī)向空間中移動一個位置

⑩全局信息交換。將各子種群的青蛙混合到一起，按照適應(yīng)度降序重新排列劃分成新的m各子種群，重復(fù)局部搜索策略和全局信息信息交換，直到適應(yīng)度值達(dá)到要求，此時算法結(jié)束，輸出全局最優(yōu)解。

3 ?算例分析

3.1 ?算法有效性驗證

設(shè)置本文所提算法參數(shù)，最大嘗試次數(shù)為30次，擁擠度因子δ=0.618，α=2，β=0.1，設(shè)置人工魚群視野范圍10，移動步長為1，蛙跳算法的最大移動步長為0.5。利用本文所提算法、蛙跳算法、人工魚群算法分別對對兩個函數(shù)分別尋優(yōu)50次，對于得出的理論最優(yōu)解、全局最優(yōu)解、最優(yōu)解平均值進(jìn)行比較。具體數(shù)據(jù)見表1，圖2、3為采用人工魚群算法、蛙跳算法及本文算法分別對Ackley函數(shù)和Rastrign函數(shù)求解的得到的迭代曲線。

表1中AFSA為人工魚群算法，SFLA為蛙跳算法，通過表中計算結(jié)果可知，針對于兩個多維復(fù)雜函數(shù)的求解，采用本文所提算法全局輸出的最優(yōu)解和最優(yōu)解平均值均要優(yōu)于人工魚群和蛙跳算法，結(jié)果表明，本文所提基于levy變異的人工魚群蛙跳算法相對于人工魚群和蛙跳算法在尋優(yōu)過程中具有更好的收斂精度。

圖2、3可知，人工魚群算法分別在經(jīng)過26次和39迭代后能夠迅速收斂于最優(yōu)解所在區(qū)域，但是在算法尋優(yōu)后期不能找到函數(shù)的全局最優(yōu)解。蛙跳算法在求解時具有較高的精度，但是算法前期收斂慢，對于Ackley函數(shù)在迭代67次，對于Rastrign函數(shù)在迭代56次才收斂于最優(yōu)解。本文所提算法首先采用人工魚群算法在全局進(jìn)行尋優(yōu)，對于兩個函數(shù)分別在第28次和40次迭代時切換為蛙跳算法進(jìn)行求解，在切換后對于Ackley函數(shù)又進(jìn)行了17次迭代求解出全局最優(yōu)解，對于Rastrign函數(shù)又進(jìn)行了12次迭代求解出全局最優(yōu)解，總迭代次數(shù)少于蛙跳算法。同時由于本文對于人工魚群算法引入了levy變異因子，在算法前期尋優(yōu)過程中，跳出局部最優(yōu)解的能力也進(jìn)一步提高，使得算法對于全局最優(yōu)解所在區(qū)域的確定更加精確，Levy變異因子的加入能夠有效提高算法尋優(yōu)速度。

3.2 ?公平調(diào)度制定

本文構(gòu)建IEEE30節(jié)點改進(jìn)模型，在節(jié)點1、2、5、8、11、13接入常規(guī)火電機(jī)組G1、G2、G3、G4、G5、G6，在節(jié)點14、16、17、18分別接入光伏電站S1、S2、S3、S4，在節(jié)點22、24、26、27分別接入風(fēng)電場W1、W2、W3、W4。光伏電站S1、S2、S3、S4的綜合評分系數(shù)分別為0.4584、0.4899、 0.8711、0.5251。風(fēng)電場W1、W2、W3、W4的綜合評分系數(shù)分別為0.8300、0.5255、 0.4418、0.7340。表2為常規(guī)發(fā)電機(jī)相關(guān)參數(shù)，圖4分別為負(fù)荷預(yù)測數(shù)據(jù)、光伏電站功率預(yù)測數(shù)據(jù)、風(fēng)電場預(yù)測數(shù)據(jù)。

通過matlab構(gòu)建二階段公平調(diào)度模型，配置常規(guī)發(fā)電機(jī)參數(shù)、區(qū)域日負(fù)荷預(yù)測數(shù)據(jù)、新能源電站日發(fā)電預(yù)測數(shù)據(jù)，并編寫基于levy變異的改進(jìn)人工魚群-蛙跳算法對模型進(jìn)行求解，最終求得各新能源電站日前調(diào)度計劃。表3為求得的新能源電站公平調(diào)度計劃。

表中傳統(tǒng)調(diào)度方法為本文所提調(diào)度模型中不考慮公平性分配的經(jīng)濟(jì)調(diào)度方法。通過表可以看出，采用公平調(diào)度方法，同類型電站間調(diào)度計劃按照綜合評分系數(shù)來分布，當(dāng)電站綜合評分系數(shù)高時，新能源電站能夠獲得更大的調(diào)度計劃，電站的消納能力就能夠進(jìn)一步提高。而僅考慮經(jīng)濟(jì)調(diào)度時，新能

源電站的日棄電功率沒有規(guī)律性，且同電站綜合評分系數(shù)不相關(guān)，無法從公平競爭角度給出新能源發(fā)電企業(yè)合理解釋。采用本文所提公平調(diào)度方法，能夠保證綜合評分系數(shù)較低的新能源電站為了獲得更多的調(diào)度計劃，不斷發(fā)展，提高企業(yè)綜合排名，從而實現(xiàn)更大程度上的新能源消納空間。引入綜合評分系數(shù)進(jìn)行調(diào)度計劃分配能夠?qū)崿F(xiàn)調(diào)度計劃的差異性，滿足競爭公平性的調(diào)度計劃分配，同時通過剩余消納計劃之間的再分配，使得每個電站獲得更均衡的調(diào)度計劃。