基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)經(jīng)濟調(diào)度

孫 勇

基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)經(jīng)濟調(diào)度

孫 勇

(南京電子技術(shù)研究所，南京 210039)

為了適應(yīng)新能源接入大電網(wǎng)的發(fā)展趨勢，降低輸電損耗，提出了考慮輸電損耗的電力系統(tǒng)經(jīng)濟調(diào)度問題。提出根據(jù)功率平衡約束誤差在線調(diào)整連續(xù)神經(jīng)元更新步長的自適應(yīng)方法，建立了基于增廣的Lagrange-Hopfield神經(jīng)網(wǎng)絡(luò)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法，并且構(gòu)建了該算法的仿真計算流程。從理論上證明了該算法的收斂性，論證了該算法具有快速的收斂速度。通過選取不同的更新步長參數(shù)求解實例，證明該算法可以在線調(diào)整步長，從而提高收斂速度，大幅減少迭代次數(shù)。

經(jīng)濟調(diào)度 神經(jīng)網(wǎng)絡(luò) 輸電損耗 迭代次數(shù)

0 引言

新能源的應(yīng)用在一定程度上緩解了目前全世界范圍內(nèi)面臨的能源壓力，但是也帶來一些新的問題，其中經(jīng)濟調(diào)度問題是電力系統(tǒng)中比較有難度的數(shù)學(xué)優(yōu)化問題，即在滿足多種電力系統(tǒng)運行約束的條件下，使得總發(fā)電成本最小化[1]。特別是新能源接入條件下，對電力系統(tǒng)的快速調(diào)度有了更迫切的要求，由于電力系統(tǒng)經(jīng)濟調(diào)度問題是一個復(fù)雜的非線性優(yōu)化問題，傳統(tǒng)的Lagrangian乘子法、內(nèi)點法和梯度下降法等基本的優(yōu)化算法難以適應(yīng)非線性約束條件下具有大規(guī)模變量的非線性優(yōu)化問題。

因此，許多學(xué)者提出應(yīng)用智能優(yōu)化算法求解電力系統(tǒng)的經(jīng)濟調(diào)度問題。例如，朱繼忠等人利用改進的內(nèi)點法求解多能源綜合經(jīng)濟調(diào)度問題[2]。鄭曉菁、吳亮紅等人分別采用人工蜂群優(yōu)化算法和自適應(yīng)差分進化算法解決復(fù)雜電力系統(tǒng)的經(jīng)濟調(diào)度問題[3,4]。王凌和Yousefi等針對電力系統(tǒng)經(jīng)濟負荷分配分別提出一種基于混合雙種群的差分進化算法和一種改進的粒子群優(yōu)化算法[5,6]。Zou 等提出一種改進的差分進化算法用于解決經(jīng)濟負載調(diào)度問題[7]。在這些群智能優(yōu)化算法中，粒子群優(yōu)化算法 (Particle Swarm Optimization,PSO)具有易于實現(xiàn)的優(yōu)點。然而 PSO算法在處理具有連續(xù)的復(fù)雜約束的電力系統(tǒng)經(jīng)濟調(diào)度優(yōu)化問題時，易陷入局部最優(yōu)。雖然粒子群算法在跳出局部最優(yōu)解方面具有良好的特性，但是對于大規(guī)模優(yōu)化問題的計算效率還需要改善[8]。此外，還有部分學(xué)者提出采用遺傳算法和進化算法求解優(yōu)化問題，但是遺傳算法與進化算法受到適應(yīng)性函數(shù)選擇的影響[9]，并且對遺傳機制的一些參數(shù)比較敏感，容易陷入局部最優(yōu)解。梁靜等人提出了一種改進粒子群優(yōu)化 (ODPSO) 算法，在搜索前期和后期分別采用廣義的反向?qū)W習(xí)策略和改進的變異交叉策略對當前種群的最優(yōu)粒子進行更新[10]，從而提高種群的多樣性，有利于獲得全局最優(yōu)解，該算法在處理約束的問題上還可以進一步完善。

人工神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于系統(tǒng)辨識、模式分類和自動控制等領(lǐng)域，Park首次采用Hopfield神經(jīng)網(wǎng)絡(luò)（HNN）求解電力系統(tǒng)的經(jīng)濟調(diào)度問題[11]，但是難以處理大規(guī)模系統(tǒng)優(yōu)化問題。劉社民等人基于增廣的Lagrange-Hopfield神經(jīng)網(wǎng)絡(luò)算法，提出了改進的增廣Lagrange-Hopfield神經(jīng)網(wǎng)絡(luò)算法[12]，但是關(guān)鍵參數(shù)不能自適應(yīng)調(diào)整。Lee應(yīng)用增廣的拉格朗日神經(jīng)網(wǎng)絡(luò)（ELANN）方法求解經(jīng)濟調(diào)度問題[13]，但是都有收斂速度較慢的不足。

本文基于增廣的Lagrange Hopfield神經(jīng)網(wǎng)絡(luò)方法（ALHN），針對系統(tǒng)優(yōu)化過程中參數(shù)不能自適應(yīng)調(diào)整的問題，提出了基于ALHN的自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法。

1 含輸電損耗電力系統(tǒng)經(jīng)濟調(diào)度問題

由于新能源的接入，發(fā)電機組分布范圍廣，由輸電引起的損耗不容忽視，假設(shè)一個電力系統(tǒng)中含有臺發(fā)電機組，它們通過輸電網(wǎng)絡(luò)與一條等效負荷母線相連，考慮輸電損耗對功率需求的影響，計算各臺發(fā)電機組的輸出功率，使得該電力系統(tǒng)的發(fā)電總成本最小，因此，構(gòu)成一個含輸電損耗的電力系統(tǒng)的經(jīng)濟調(diào)度問題。其目標是在滿足功率平衡約束和發(fā)電機功率約束的條件下使得發(fā)電總成本最小，成本函數(shù)如下：

其中，

為了處理傳輸損耗，需滿足功率平衡約束：

采用B系數(shù)法計算輸電損耗，表達式如下：

每臺發(fā)電機組的輸出功率約束為：

考慮輸電損耗的電力系統(tǒng)經(jīng)濟調(diào)度問題就是求解在滿足上述約束條件下系統(tǒng)運行成本達到最小的系統(tǒng)運行方案。

2 基于ALHN的自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法

2.1 能量函數(shù)

增廣Lagrange-Hopfield神經(jīng)網(wǎng)絡(luò)（ALHN）的能量函數(shù)是增廣的Lagrange函數(shù)，其中的能量函數(shù)是通過Hopfield神經(jīng)網(wǎng)絡(luò)中的Hopfield關(guān)系項進行增廣，從而克服了傳統(tǒng)的Hopfield網(wǎng)絡(luò)算法收斂速度慢的缺點。

經(jīng)濟調(diào)度問題的增廣的Lagrange函數(shù)為：

引入NG個連續(xù)神經(jīng)元和一個乘子神經(jīng)元，能量函數(shù)表示如下：

2.2 神經(jīng)元更新的自適應(yīng)算法

發(fā)電機組連續(xù)神經(jīng)元的動態(tài)輸入等于能量函數(shù)對神經(jīng)元輸出的負導(dǎo)數(shù)，即：

考慮傳輸損耗，引入功率平衡約束的誤差：

當解趨于最優(yōu)解時，步長增加，可以提高收斂速度；當解背離最優(yōu)解的時候，步長得到縮短，避免在錯誤的方向上偏離的更遠。因此，式(10)至式(14)構(gòu)成了連續(xù)神經(jīng)元輸入狀態(tài)更新的自適應(yīng)算法。下面對神經(jīng)元的輸出狀態(tài)進行計算。

一般情況下，采用S型函數(shù)表示發(fā)電機組功率的連續(xù)神經(jīng)元的輸出函數(shù)：

乘子神經(jīng)元的輸出函數(shù)如下：

綜上所述，采用上述自適應(yīng)步長更新算法，則構(gòu)成了基于ALHN的自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法，可以根據(jù)功率平衡約束的滿足程度，自適應(yīng)調(diào)整步長，加速收斂速度。

3.3 收斂性證明

首先計算連續(xù)神經(jīng)元狀態(tài)的更新對能量函數(shù)的影響：

將式(15)帶入上式，可得：

將式(8)帶入上式，可得：

由于式(15)是增函數(shù)，因此d/d始終小于零，所以能量函數(shù)逐漸趨于極小值。

其次，計算乘子神經(jīng)元狀態(tài)的更新對能量函數(shù)的影響：

將式(16)帶入上式，可得：

將式(9)帶入上式，可得：

由證明可知，自適應(yīng)更新算法并不會導(dǎo)致算法發(fā)散，并且對收斂速度有了很大改善，能夠在迭代過程中，對約束條件進行實時評估，然后修改下一步的更新步長，改進了算法的收斂速度。

3 計算流程

3.1 參數(shù)選擇及初始化

該算法首選需要確定設(shè)定神經(jīng)元的初始狀態(tài)，一般根據(jù)發(fā)電機組的容量按比例分配：

連續(xù)神經(jīng)元的輸入初始值如下：

3.2 結(jié)束條件

功率平衡約束誤差由式(12)計算。第次迭代時神經(jīng)元的迭代誤差由下式計算：

為了考慮以上三種誤差，定義最大誤差如下：

只有當最大誤差小于預(yù)先給定的值或者達到最大迭代次數(shù)時，算法才會終止。

3.3 計算流程

基于改進ALHN的自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法，求解含傳輸損耗電力系統(tǒng)經(jīng)濟調(diào)度問題的計算流程如圖1所示：

圖1 計算流程圖

4 算例

以三臺發(fā)電機組構(gòu)成的電力系統(tǒng)為例，發(fā)電機組的成本系數(shù)矩陣如下：

發(fā)電機組的運行極限約束如下：

輸電損耗功率的相關(guān)參數(shù)：

算法參數(shù)選擇如下：

為了進行比較，選取2=1.04，1分別取0.7、0.8、0.9時，以及1=2=1時的情形進行計算，最大誤差如下圖所示：

圖1 最大誤差曲線

通過自適應(yīng)改變更新步長，可以大幅降低迭代次數(shù)，提高收斂速度。詳細結(jié)果見下表：

表1 計算結(jié)果對比

上述三種情況均求得最優(yōu)解為：

則最低運行成本是6 170.34美元/h。

通過表1可知，當參數(shù)1=2=1時，即為ALHN的一般算法，迭代次數(shù)達到266次，其他情形為基于ALHN的自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法，迭代次數(shù)有了大幅降低，并且更新步長隨功率平衡約束誤差實時更新，計算結(jié)果說明本文算法具有更好的計算效率。

5 結(jié)論

本文基于Hopfield神經(jīng)網(wǎng)絡(luò)算法（ALHN）提出了一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，提高算法的收斂速度。從理論上證明了算法的收斂性，可以提高能量函數(shù)趨于最小值的速率，為提高算法求解速度提供了理論基礎(chǔ)。雖然本文算法在求解含有輸電損耗的電力系統(tǒng)經(jīng)濟調(diào)度問題方向效果良好，但是在如何確定自適應(yīng)參數(shù)方面還需要進一步從理論上完善。

：

[1] Al-Betar M A, Awadallah M A, Khader A T, et al. Economic load dispatch problems with valve-point loading using natural updated harmony search[J]. Neural Computing and Applications, 2018, 29(10): 767-781.

[2] 朱繼忠, 余鵬飛, 禤培正等.計及風(fēng)電和儲能的綜合經(jīng)濟調(diào)度方法[J]. 南方電網(wǎng)技術(shù), 2017, 11(2): 2-7.

[3] 鄭曉菁. 基于人工蜂群優(yōu)化法的多區(qū)域電力系統(tǒng)經(jīng)濟調(diào)度 [J]. 計算機工程與科學(xué), 2015, 37(8):1533-1539.

[4] 吳亮紅, 王耀南, 袁小芳, 等. 基于快速自適應(yīng)差分進化算法的電力系統(tǒng)經(jīng)濟負荷分配 [J]. 控制與決策, 2013, 28(4):557-562.

[5] 王凌, 黃付卓, 李靈坡. 基于混合雙種群差分進化的電力系統(tǒng)經(jīng)濟負荷分配 [J]. 控制與決策, 2009, 24(8): 1156-1160

[6] Yousefi N. Solving nonconvex economic load dispatch problem using particle swarm optimization with time varying acceleration coefficients[J]. Complexity, 2016, 21(6): 299-308.

[7] Zou D, Li S , Wang G G , et al. An improved differential evolution algorithm for the economic load dispatch problems with or without valve-point effects[J]. Applied Energy, 2016, 181: 375-390.

[8] 鄭恩讓, 姜蘇英. 基于改進粒子群優(yōu)化算的分數(shù)階PID控制[J]. 控制工程,2017,24(10): 2082-2087.

[9] 黃健, 周端. 基于改進差分進化算法的滑?？刂茀?shù)整定[J]. 控制工程, 2018, 25(3): 484-487.

[10] 梁靜, 葛士磊, 瞿博陽, 于坤杰．求解電力系統(tǒng)經(jīng)濟調(diào)度問題的改進粒子群優(yōu)化算法[J/OL]．控制與決策.1-10.https://doi.org/10.13195/j.kzyjc.2018.1490.

[11] Park J H, Kim Y S, Eom I K, et al. Economic load dispatch for piecewise quadratic cost function using Hopfield neural network[J]. IEEE Transactions on Power Apparatus and System. 1993, 8(3): 1030-1038.

[12] 劉社民, 李建功, 裴付中, 等. 基于改進神經(jīng)網(wǎng)絡(luò)算法的電力系統(tǒng)經(jīng)濟調(diào)度[J]. 吉林大學(xué)學(xué)報(信息科學(xué)版), 2019, 37(1): 80-87.

[13] Lee S C, Kim Y H. An enhanced Lagrangian neural network for the ELD problems with piecewise quadratic cost functions and nonlinear constraints[J]. Electric Power Systems Research. 2002, 60(3): 167-177.

Cost-effective Dispatch of Power System Based on Adaptive Neural Network

Sun Yong

(Nanjing Research Institute of Electronics Technology, Nanjing 210039, China)

TP731

A

1003-4862（2019）10-0006-05

2019-04-19

孫勇（1982-），男，高級工程師。研究方向：電源系統(tǒng)設(shè)計。E-mail: sunyong233@126.com