基于BA的火電機組分時段負荷協(xié)調優(yōu)化調度

摘 要：由于現(xiàn)行方法在火電機組分時段負荷協(xié)調優(yōu)化調度中應用機組有功網(wǎng)損和電壓偏差改善效果較差，沒有達到預期的調度效果，因此本文提出基于蝙蝠優(yōu)化算法（Bat Algorithm，BA）的火電機組分時段負荷協(xié)調優(yōu)化調度方法。以有功網(wǎng)損最小和電壓偏差最小為目標建立多目標函數(shù)，設定電負荷平衡約束性條件，整合目標函數(shù)與約束性條件構建火電機組分時段負荷協(xié)調優(yōu)化調度數(shù)學模型，利用蝙蝠優(yōu)化算法對模型迭代求解，輸出并執(zhí)行最優(yōu)調度策略，實現(xiàn)基于蝙蝠優(yōu)化算法的火電機組分時段負荷協(xié)調優(yōu)化調度。經(jīng)試驗證明，設計方法應用下火電機組有功網(wǎng)損減少，電壓偏差降低，調度效果良好。

關鍵詞：蝙蝠優(yōu)化算法；火電機組；有功網(wǎng)損；電壓偏差

中圖分類號：TM 731 " " 文獻標志碼：A

隨著可再生能源（例如風電、光伏等）大規(guī)模接入電網(wǎng)，電力系統(tǒng)特性發(fā)生改變，給火電機組的運行調度帶來了挑戰(zhàn)。在此背景下，如何充分挖掘火電機組的調峰潛力并優(yōu)化其負荷分配策略，成為提升電力系統(tǒng)整體運行效率和穩(wěn)定性的關鍵。分時段負荷協(xié)調優(yōu)化調度法能夠根據(jù)不同時段電網(wǎng)負荷與可再生能源變化動態(tài)調整火電機組的運行狀態(tài)和出力水平，實現(xiàn)其經(jīng)濟性與消納優(yōu)化。目前，國內(nèi)、外對火電機組負荷優(yōu)化調度的研究已經(jīng)取得了一定進展。

文獻[1]提出了基于大數(shù)據(jù)分析的調度方法，利用采集、存儲、挖掘和分析電力系統(tǒng)中的海量數(shù)據(jù)，實現(xiàn)負荷預測、負荷平衡和負荷調度。文獻[2]提出了基于深度學習的調度方法，利用深度學習算法分析歷史負荷數(shù)據(jù)、天氣條件等多源信息，建立負荷預測模型，最終實現(xiàn)負荷優(yōu)化分配與調度。盡管現(xiàn)行方法在火電機組運行調度中具有一定潛力，但是在極端天氣條件下，預測誤差顯著增大，對制定調度計劃的影響較大。因此，本文提出基于蝙蝠優(yōu)化算法（Bat Algorithm，BA）的火電機組分時段負荷協(xié)調優(yōu)化調度方法。

1 火電機組分時段負荷協(xié)調優(yōu)化調度數(shù)學模型

1.1 目標函數(shù)

考慮火電機組負荷具有波動性，負荷的異常波動會增加火電機組有功網(wǎng)損，使其電壓出現(xiàn)異常變化，產(chǎn)生電壓偏差，從而影響火電機組運行的穩(wěn)定性與安全性，因此本文以有功網(wǎng)損最小和電壓偏差最小為目標，建立火電機組分時段負荷協(xié)調優(yōu)化調度多目標函數(shù)，如公式（1）所示。

f=f1+f2 （1）

式中：f表示火電機組分時段負荷協(xié)調優(yōu)化調度多目標函數(shù)；f1表示火電機組有功網(wǎng)損最小目標函數(shù)；f2表示火電機組電壓偏差最小目標函數(shù)[3]。

根據(jù)火電機組各個時段節(jié)點電壓和支路電導，可以確定有功網(wǎng)損，因此，火電機組有功網(wǎng)損最小目標函數(shù)如公式（2）所示。

（2）

式中：N表示火電機組支路總數(shù)；j表示火電機組節(jié)點數(shù)量；Y（n，m）表示連接火電機組節(jié)點n和m的支路電導；Vn、Vm分別表示火電機組節(jié)點n和m的電壓幅值；β表示節(jié)點電壓相位差[4]。

根據(jù)節(jié)點電壓實際值與期望值，可以確定火電機組電壓偏差，因此，電壓偏差最小目標函數(shù)如公式（3）所示。

（3）

式中：U、U*分別表示時段內(nèi)火電機組節(jié)點的實際電壓與期望電壓；ΔUmax表示時段內(nèi)火電機組節(jié)點的最大電壓偏差。

1.2 約束性條件

火電機組分時段負荷協(xié)調優(yōu)化調度需要滿足負荷均衡約束性條件，保證在任何時段內(nèi)，所有火電機組的供電負荷之和等于系統(tǒng)或區(qū)域在該時段的總電負荷需求，如公式（4）所示。

（4）

式中：M表示參數(shù)調度的火電機組數(shù)量；d表示第d臺火電機組；Pd，t表示第d臺火電機組在t時段的供電負荷；Pe，t表示t時段系統(tǒng)的總電負荷需求[5]。

整合上文建立的目標函數(shù)與約束性條件，構建火電機組分時段負荷協(xié)調優(yōu)化調度數(shù)學模型I（t），如公式（5）所示。

（5）

2 基于蝙蝠優(yōu)化算法的最優(yōu)調度策略求解

采用蝙蝠優(yōu)化算法求解上述調度模型。在火電機組分時段負荷協(xié)調優(yōu)化調度中，每只蝙蝠代表一種潛在的調度策略，其空間位置映射出火電機組計算時段末應維持的負荷量，蝙蝠的移動速度模擬負荷隨調度策略調整的漲、落速率[6]。評估火電機組分時段負荷總量，以評判蝙蝠位置（即調度策略）的優(yōu)、劣，負荷量越高，表明該蝙蝠（調度策略）越接近最優(yōu)。蝙蝠優(yōu)化算法采用全局搜索與局部搜索的雙重機制，不斷迭代優(yōu)化蝙蝠的位置，直至找到最佳調度策略。該過程包括以下8個關鍵步驟。

步驟一：參數(shù)初始化。明確并設定蝙蝠優(yōu)化算法的基本參數(shù)，包括蝙蝠種群規(guī)模、負荷范圍（最大負荷與最小負荷）、脈沖發(fā)射特性的調節(jié)參數(shù)（例如脈沖增加系數(shù)、響度衰減系數(shù)）以及算法的最大迭代次數(shù)等。

步驟二：種群初始化。在火電機組分時段允許的負荷波動范圍內(nèi)，隨機生成每只蝙蝠的初始位置（即各時段的負荷設定）、速度、頻率、脈沖發(fā)射速率和響度[7]?？紤]火電機組分時段負荷的特性，對每只蝙蝠的這些參數(shù)進行時段的初始化。

步驟三：初始適應度評估。計算火電機組在給定蝙蝠位置（調度策略）下的負荷量，并引入懲罰機制，處理不滿足約束條件的方案，評估每只蝙蝠的初始適應度，將適應度最高的蝙蝠作為初始全局最優(yōu)解。

步驟四：全局搜索更新。在探索并逼近最優(yōu)解的過程中，算法具有群體智能協(xié)作與自適應調整機制，即整個蝙蝠群緊隨當前表現(xiàn)最優(yōu)的蝙蝠個體，動態(tài)調整各自的位置與行為策略。具體來說，在每一次迭代中，蝙蝠根據(jù)自身發(fā)出的超聲波脈沖頻率的變化來調整飛行方向和速度[8]。蝙蝠速度更新過程如公式（6）所示。

vit+1=vit+（xit-x*）α （6）

式中：vit+1表示群體中第i只蝙蝠在第t+1次迭代中的飛行速度；vit表示群體中第i只蝙蝠在當前迭代中的飛行速度；xit表示群體中第i只蝙蝠在當前迭代中的位置；x*表示本次迭代前所有蝙蝠的最佳位置；α表示蝙蝠所發(fā)出的超聲波的脈沖頻率。

α的計算過程如公式（7）所示。

α=αmin+（αmax-αmin）η （7）

式中：αmax、αmin分別表示蝙蝠所發(fā)出的超聲波的脈沖頻率最大值和最小值；η表示值域為0～1的隨機數(shù)。

根據(jù)蝙蝠更新的速度，對其位置進行更新，如公式（8）所示。

xit+1=xit+vit+1 （8）

式中：xit+1表示群體中第i只蝙蝠在第t+1次迭代中的位置。

迭代應用上述公式，蝙蝠群中的每個成員能夠根據(jù)當前最優(yōu)解的信息和自身的搜索經(jīng)驗，調整自己的飛行速度和方向。

步驟五：局部搜索與更新。在全局搜索的基礎上，每只蝙蝠根據(jù)其當前最佳位置進行局部隨機擾動，生成新位置并評估其適應度，并比較新、舊位置的適應度和特定條件，以決定是否接受局部更新。

步驟六：全局最優(yōu)解更新。在每次迭代中，遍歷更新后的蝙蝠種群，比較并更新全局最優(yōu)解。

步驟七：蝙蝠屬性更新。隨著迭代進行，根據(jù)預設規(guī)則調整蝙蝠的脈沖發(fā)射率和響度，蝙蝠在接近獵物的過程中逐漸降低其發(fā)出的聲波響度，逐漸增加其聲波脈沖的發(fā)射率。

步驟八：終止條件判斷。當達到預設的迭代次數(shù)或滿足其他終止條件時，算法結束。此時的全局最優(yōu)蝙蝠即代表火電機組分時段負荷的最優(yōu)調度策略。根據(jù)該策略進行負荷協(xié)調優(yōu)化調度，以此實現(xiàn)基于蝙蝠優(yōu)化算法的火電機組分時段負荷協(xié)調優(yōu)化調度。

3 試驗論證

3.1 試驗對象與設計

本文采用對比試驗的方式驗證所提基于蝙蝠優(yōu)化算法的火電機組分時段負荷協(xié)調優(yōu)化調度方法的可行性與可靠性，將本文方法與文獻[1]提出的基于大數(shù)據(jù)分析的調度方法、文獻[2]提出的基于深度學習的調度方法進行比較。以某火電廠為試驗對象，該火電廠包括3組火電機組，發(fā)電機端電壓上限為2.1p.u.，電壓下限為0.1p.u.，機組有功功率上限為2000kW，平均負荷為253MW。利用本文設計方法對該火電機組進行分時段負荷協(xié)調優(yōu)化調度。試驗環(huán)境包括windows 10 XP操作系統(tǒng)，搭配Inter Core i8 CPU，16GB硬盤和8G內(nèi)存。

3.2 試驗指標

為了驗證本文方法的可行性，選擇有功網(wǎng)損、電壓偏差和準確率作為指標。有功網(wǎng)損是衡量電力系統(tǒng)經(jīng)濟性和效率的重要指標之一。在火電機組分時段負荷協(xié)調優(yōu)化調度中，降低有功網(wǎng)損，不僅可以提高能源利用效率，而且可以減少發(fā)電成本，對電力系統(tǒng)的經(jīng)濟性和穩(wěn)定性具有重要影響。電壓偏差反映了電力系統(tǒng)運行的穩(wěn)定性和安全性。在優(yōu)化調度中，應保證各節(jié)點電壓在合理范圍內(nèi)波動，以保證系統(tǒng)穩(wěn)定運行。準確率是衡量調度方法有效性的直接指標。分時段負荷協(xié)調優(yōu)化調度對調度計劃的精確性要求較高。只有準確預測并滿足各時段的負荷需求，才能保證電力系統(tǒng)的平穩(wěn)運行和用戶的用電質量。

有功網(wǎng)損與電壓偏差能夠體現(xiàn)火電機組負荷的波動性帶來的影響。有功網(wǎng)損越大，電壓偏差越大，導致火電機組負荷波動性越大，機組運行越不穩(wěn)定，負荷優(yōu)化調度效果越差。

綜合評價以上3個指標，可以全面評估不同評價方法的一致性、穩(wěn)定性和可靠性，為選擇最合適的評價方法提供科學依據(jù)。

3.3 試驗參數(shù)設置

試驗中，根據(jù)該火電機組實際情況，蝙蝠優(yōu)化算法參數(shù)設置見表1。

按照以上步驟對調度策略進行迭代求解，輸出并執(zhí)行調度策略。

3.4 試驗過程

收集火電廠歷史負荷數(shù)據(jù)、機組運行參數(shù)（例如電壓、有功功率）等。根據(jù)機組參數(shù)設置仿真模型的初始條件和約束條件。利用蝙蝠優(yōu)化算法，進行分時段負荷協(xié)調優(yōu)化調度。設置算法參數(shù)，例如蝙蝠種群大小、頻率范圍和脈沖發(fā)射率等。復現(xiàn)或近似實現(xiàn)文獻[1]方法，用于進行比較。同樣，根據(jù)文獻[2]的描述，構建或調用已有的深度學習模型進行調度優(yōu)化。分別使用3種方法，對該火電廠的3組火電機組進行分時段負荷協(xié)調優(yōu)化調度，每個方法均運行多次，以獲取穩(wěn)定結果，并計算平均有功損耗和電壓偏差。記錄每種方法在不同時間段內(nèi)的火電機組網(wǎng)損、電壓偏差數(shù)據(jù)和不同故障類型的故障判斷。計算并比較3種方法的火電機組網(wǎng)損、平均電壓偏差等關鍵指標。最后以圖表形式展示3種方法的調度效果對比，包括火電機組網(wǎng)損情況對比表、電壓偏差曲線和故障診斷結果對比等，并分析蝙蝠優(yōu)化算法在減少有功損耗和電壓偏差方面的優(yōu)勢。

3.5 試驗結論

應用3種方法的火電機組網(wǎng)損和電壓偏差如圖1、表2所示。

從表2數(shù)據(jù)可以看出，在本次試驗中，應用本文方法的火電機組有功網(wǎng)損最低，不超過10MW。從圖1可以看出，應用本文方法的火電機組電壓偏差不超過1p.u.，即實際電壓基本接近期望電壓，而文獻[1]、文獻[2]方法電壓偏差遠高于本文設計方法。因此可以初步證明，本文設計方法能夠有效降低負荷波動帶來的有功網(wǎng)損和電壓偏差，均衡負荷，并保證火電機組穩(wěn)定運行。

為進一步驗證基于蝙蝠優(yōu)化算法的火電機組分時段負荷協(xié)調優(yōu)化調度方法的有效性，本文選用150組火電機組故障進行判斷，采用相同的數(shù)據(jù)集，將本文方法與文獻[1]方法、文獻[2]方法進行比較，診斷準確率和數(shù)量見表3。

由表3的故障診斷結果可知，本文方法具有卓越的準確性，整體準確率為97.3%，遠超文獻[1]82.7%、文獻[2]82%的準確率。具體來說，在T1、T2等常見、通用的故障類型中，本文方法不僅準確率高，而且錯判率低，有效避免了誤判帶來的潛在風險。對D1、D2等更復雜、難以診斷的故障來說，本文方法同樣具有較高的準確率，能夠利用精細化的特征提取和智能化的決策機制，進行高準確率診斷。此外，對DT、PD等特定場景下的故障來說，本文方法也具有獨特優(yōu)勢，表明本文方法對于不同故障類型的靈活應對能力和高效解決能力，進一步證明本文所提蝙蝠優(yōu)化算法的火電機組分時段負荷協(xié)調優(yōu)化調度方法是有效的，具有較高的故障判斷能力，有助于更好地進行火電機組分時段負荷協(xié)調優(yōu)化調度。

4 結語

本文提出了基于蝙蝠優(yōu)化算法的火電機組分時段負荷協(xié)調優(yōu)化調度方法，利用模擬蝙蝠覓食過程中的回聲定位機制，有效解決了火電機組負荷調度中復雜的優(yōu)化問題。該方法不僅提高了負荷調度的靈活性和準確性，而且顯著增強了電力系統(tǒng)的穩(wěn)定性和經(jīng)濟性。未來，隨著算法不斷優(yōu)化和實際應用場景不斷拓展，蝙蝠優(yōu)化算法有望在火電機組負荷調度領域發(fā)揮更重要的作用，為智能電網(wǎng)的發(fā)展貢獻更多力量。

參考文獻

[1]吳春銳.基于大數(shù)據(jù)分析的電氣系統(tǒng)供配電負荷預測與調度優(yōu)化[J].電器工業(yè)，2024（8）：86-90.

[2]翁存興，王曉寧，劉碧峰.基于深度學習的火電廠機組負荷調度自動控制方法[J].信息與電腦（理論版），2023，35（1）：83-85.

[3]陳宏，張嶺喬，張宇峰，等.基于混合粒子群優(yōu)化的智能電網(wǎng)負荷協(xié)同調度[J].電子設計工程，2024，32（16）：111-114，120.

[4]於慧敏.基于改進差分進化的含分布式電源配網(wǎng)負荷自適應調度方法[J].自動化應用，2024，65（13）：255-256，259.

[5]劉雁行，徐愷，喬如妤，等.基于多種群協(xié)同粒子群人工智能算法的電力系統(tǒng)負荷調度研究[J].自動化與儀器儀表，2024（4）：139-143.

[6]李冰，王雷震，張佳，等.基于多策略協(xié)同進化差分算法的社區(qū)居民負荷優(yōu)化調度[J].計算機應用研究，2023，40（12）：3636-3642，3654.

[7]張斌，司大軍，李文云，等.計及多類型可調度柔性負荷響應的電力系統(tǒng)經(jīng)濟調度策略[J].電工電能新技術，2023，42（4）：39-47.

[8]丁濤，黃雨涵，張洪基，等.基于等微增率并計及機組功率約束的火電機組最優(yōu)負荷分配精確解[J].中國電機工程學報，2024，44（4）：1446-1460.