肖 岚,温丽丽,赵 静,喻显茂
(1.国网四川省电力公司信息通信公司,四川 成都 610041;2.国网四川省电力公司,四川 成都 610041)
计及经济、环境因素的发电调度问题(EED)是当前电力系统中重要的优化问题[1],其目的是通过合理调度机组出力,达到发电成本、污染气体排放量等指标综合最优[2],因此,EED问题可以归结为具有多个约束条件的多目标非线性优化问题[3,4]。
近年来,由于群智能启发式计算技术在不连续、非凸、不可导非线性领域具有较好的优化性能,粒子群算法(PSO)、蛙跳算(SFLA)等智能算法被逐渐应用于EED 问题,文献[1]采用混沌粒子群算法对多目标发电调度进行研究;文献[5]利用人工蜂算法求解多区域发电调度问题;文献[6]将混沌蝙蝠算法应用于电力系统经济调度领域;文献[7]采用改进的差分进化算法求解阀点加载效应经济负载调度问题;文献[8]利用免疫遗传算法实现虚拟电厂源-荷协调调度。上述研究工作取得了具有一定推广应用价值的成果,但是如何进一步提升智能优化算法全局收敛性能,是值得进一步研究的问题。研究表明,智能优化算法存在局部深度搜索能力不强,容易陷入局部极值[3];对初始解较为敏感,个体进化学习对象选取缺乏理论支撑[9];寻优精度精度不高,寻优能力不稳定等缺陷。
针对上述问题,这里构建基于发电燃料成本、污染气体排放量和节点电压偏移量的多目标EED模型,采用改进的多目标灰狼算法对EED问题进行求解,通过设计多度量自适应FCM算法对GWA 种群多样性进行聚类分析,根据聚类结果重新定义狼群层级结构和反向学习、变异进化策略,并证明改进后的GWA能够保持较好的种群多样性。对标准算例进行测试,仿真结果表明该算法具有优秀全局寻优能力,能够得到更好的Pareto前沿和折中解。
设定电力系统含有N个发电机、M个系统节点,以发电燃料成本、污染气体排放量和节点电压偏移量等指标的建立多目标EED模型。
发电燃料成本 定义发电燃料成本函数f1(PG)为:
式中:PG=[P1…PN],Pi—第i发电机台有功处理;
ai、bi、ci—发电机成本系数。
污染气体排放量 定义污染气体排放量函数f2(PG)为:
式中:αi、βi、χi、εi、λi—发电机污染气体排放相关系数。
节点电压偏移量 定义节点电压偏移量函数f3(U)为:
式中:U=[U1…UM],Ui—PQ节点电压幅值;
—节点额定电压幅值。
约束条件 为保证电力系统安全运行,需满足功率平衡和运行约束条件,即:
式中:Q=[Q1…QN],Qi—发电机无功出力;P'i、Q'i—节点有功、无功负荷;θ=[θ1…θM],θi—节点电压相角;θij—节点i、j之间电压相角差值;Gij、Bij—电导和电纳;Sfi、Sti—系统电路始端和末端视在功率;L—系统电路数。
综上,EED多目标函数可以描述为:
式中:X=[θ U P Q]—函数变量;
g(X)、h(X)—等式约束和不等式约束。
由于EED问题属于多目标优化问题,求解式(6)得到结果为Pareto最优解集,决策者根据实际需求得到折中解即决策方案。
对于EED目标函数F(X)的解Xi、Xj,若:
称Xj被Xi支配,记为Xi≻Xj。对于解X*,若:
称X*为Pareto最优解,所有Pareto最优解组成的集合为Pa‐reto最优解集(前沿)ℵ(F(X)),记为:
采用权重决策方法[8]从ℵ(F(X))中选取折中最优解:
(1)对ℵ(F(X))进行规范化处理,得到规范化矩阵S=[sij]N×M(M、N分别为ℵ(F(X))规模和目标函数个数)。
(2)分别采用层次分析法和熵权法确定N个目标函数的主观权重集合ν=[ν1,…,νN]T和客观权重集合τ=[τ1,…,τN]T。
(3)在ν=[ν1,…,νN]T和τ=[τ1,…,τN]T的基础上,采用最小二乘法确定N个目标函数综合权重ω=[ω1,…,ωN]T:
(4)根据ω=[ω1,…,ωN]T得到Pareto最优解Xi*对应的综合评价指标集合ρ=[ρ1,…,ρi,…,ρM(]i=1,…,M):
选取ρ中最小值对应的解为折中最优解XCO*。
GWA[10]将狼群分为3级层次结构,通过模拟狼群进食行为,实现全局优化求解(GWA 基本原理参考相关文献,不再赘述)。狼群个体在进化过程中,选取目标函数值最好的狼作为学习对象,一定程度上提升了算法收敛速度,但是,这种基于目标函数值选取进化对象的操作忽略了种群个体空间信息,具有很大的盲目性。特别的,当种群最优解在局部极值附近时,算法很容易产生“早熟”现象,导致算法收敛精度不高。以图1为例,X2与X3目标函数值相同,但是空间位置不同,即X2、X3对进化个体X1的影响是不同的,因此,合理选取进化学习对象,对提升全局收敛能力具有重要意义,为此,这里设计多度量自适应FCM算法对种群空间特性进行聚类分析。
图1 种群空间信息对算法进化影响Fig.1 Effect of Population Spatial Information on Algorithm Evolution
FCM 作为应用广泛的聚类算法之一,其实质是通过欧式距离‖xk-vi‖2度量数据样本xk与聚类中心vi的距离D(xk,vi),并通过迭代计算聚类函数D实现数据分类。
式中:C—分类个数;n—数据规模;{xi}—隶属度矩阵;V={v1,…,vC}—聚类中心。
研究表明,对于孤点多、高维度负责聚类问题,可以利用高维映射函数Φ(x)替代欧式距离度量[11],即D(xk,vi)=‖Φ(xk)-vi‖2。借鉴这个思路,这里选取H个高维映射函数(Φ1(x),…,ΦH(x))对D(xk,vi)进行加权度量,即:
定义加权度量矩阵Ψ=[A1,…AH]T:
将式(13)、式(14)代入D,令∂J/∂μik=0,∂J/∂vi=0,有:
自适应分类 对于狼群种群,事先并不知道具体的分类个数,为此,提出自适应分类数确定策略:设置分类数C在[Cmin,Cmax]范围内依次执行多度量FCM操作,选取D取最小值时对应的C即为最佳分类数Cbest。
多度量自适应FCM实现过程可以描述为:
算法.多度量自适应FCM算法
输入:Cmax、Cmin、Tmax、Ψ、m、n
输出:Cbest、Ubest、Vbest
(1)对隶属度矩阵{xi}进行初始化。
(2)forC=CmintoCmax
(3)While(终止条件不满足)do
(4){
(5)根据式(15)计算V={v1,…,vC},根据式(13)计算聚类目标函数J(U,V),根据式(16)、式(17)计算新的隶属度矩阵U;
(6)}
(7)更新最佳聚类目标函数目标值集合{J(U,V)}C=1,…,C;
(8)C←C+1
(9)end for
(10)输出结果,{J(U,V)}C=1,…,Cmax中最小值对应的C即为最佳分类数Cbest。
(11)returnCbest、Ubest、Vbest
提出改进多目标灰狼算法(Improved Multi-objective GWA,IMGWA),利用多核自适应FCM算法进行种群多样性分析,重新定义狼群层级结构,并定义反向学习和变异进化策略。t时刻,狼群种群Ζ(t)={Xi}有Q头狼,采用多度量自适应FCM对狼群进行聚类分析,得到Ct个分类(W1(t),…,WCt(t)):
Wi(t)={Xj(t)},i=1,…,Ct,∑‖Wi(t)‖=Q,‖Wi(t)‖≥0(18)式中:‖Wi(t)‖—分类Wi(t)中狼的个数。
依次对‖Wi(t)‖≠0的分类进行Pareto最优解判定操作,得到Wi(t)对应的Pareto最优解集ℵ(Wi(t))和折中解(t)。狼群层级结构 将狼群重新定义为领头狼层级Y1(t)、管理狼层级Y2(t)和跟随狼层级Y3(t)三个层级:
从式(19)、式(20)看出,领头狼层级由Ct个分类对应的折中解组成,管理狼层级由Ct个分类对应的Pareto最优解集除去折中解组成,剩余狼组成跟随狼层级。在追捕猎物跟新操作中,跟随狼层级中的(t)选取Y1(t)中的3 头狼进行更新:
反向学习 对Y1(t)、Y2(t)内个体执行反向学习操作,以=(x1,…,xi,…,xn)为例,根据式(24)逐维进行反向学习更新:
算法.IMGWA
输入:Q、Tmaxn、ω1、ω2、ω3
输出:Y1(t)
(1)算法初始化,1 →t;
(2)While(t≤Tmax)do
(3){
(4)利用多度量自适应FCM对种群进行聚类分析,对每个分类进行Pareto最优解判定;
(5)根据式(19)、式(20)对种群进行层级划分,分别根据式(21)、式(23)~式(25)、式(26)对不同层级狼进行更新操作,对违反约束条件的个体进行修正;
(6)更新种群信息。t←t+1
(7)}
(8)returnY1(t)
IMGWA在每次迭代过程中,都需要执行一次多度量自适应FCM,其计算复杂度为T(Cmax-Cmin)HO(nQ)(T为最大迭代次数);IMGWA种群初始化复杂度为O(nQ);每次个体更新复杂度为O(nQ),因此,IMGWA计算复杂度为:
由此可见,引入多度量自适应FCM很大程度的增加了算法计算复杂度。
为了证明IMGWA能够保持更好的种群多样性,定义多样性评价指标Θ(Ζ(t)):
式中:Xi=(xi1,…xin)—狼群Ζ(t)内的个体。
命题IMGWA具有良好的种群多样性。
显然,IMGWA群体多样性的期望值与(t)有关,由于引用多度量自适应FCM对种群聚类分析,狼群个体在进化时选择空间差异性更大的个体进行更新,使得IMGWA能够保持更好的种群多样性。
采用IMGWA 对EED 模型进行求解,每头狼Xi代一个可行解。IMGWA目标函数设置为EED多目标函数,Xi设置为EED函数变量,即:
Pareto最优解集规模控制IMGWA每次迭代后,对Y1(t)内个体进行Pareto最优解判定,得到t时刻Pareto最优解ℵ(t),将ℵ(t)与外部Pareto最优解ℵ(F(X))进行Pareto最优解判定,并更新外部Pareto最优解。随着进化次数增加,ℵ(F(X))规模不断扩大,设置Pareto最优解集规模控制阀值‖ ℵ ‖max,当超过‖ ℵ ‖max,利用公式(34)逐个计算ℵ(F(X))内每个Pareto最优解的惩罚目标函数值F'(X),并依次剔除惩罚目标函数值差的个体,直到满足‖ ℵ ‖max为止。
式中:λ1、λ2、λ3、λ4、λ5—惩罚系数。IMGWA 优化EED 模型实现示意图,如图2所示。
图2 IMGWA优化EED模型实现示意图Fig.2 Implementation Diagram of IMGWA Optimized EED Model
为进一步对比分析这里提出的改进多目标灰狼算法优化性能,分别采用经典单目标函数来验证该算法全局收敛能力,采用EED优化问题验证多目标实际优化问题求解效果。
单目标函数可以看作是多目标函数的特例,参考文献[12],选取f1:Sphere 函数、f2:Ackley 函数、f3:Griewank 函数、f4:Rastrigrin函数进行试验仿真。IMGWA参数设置如下Q=350、Tmax=400、Cmin=5、Cmax=50、H=8、ω1=0.35、ω2=0.45、ω3=0.20。
多度量自适应FCM 性能验证 采用文献[13]提出的自聚类FCM 算法和文献[14]随机模糊聚类算法进行对比实验,选取不同迭代次数的IMGWA种群进行聚类分析,评价指标设置为聚类有效性指数VD[15]、聚类精度Ω:
式中:Mj—与xj异类数据集合;Ej—与xj同类数据集合。
VD值越小聚类结果越优。不同聚类算法性能对比,如表1所示。
从表1可以看出,对于高维复杂函数f2、病态复杂函数f4,无论是聚类有效性指数VD还是聚类精度Ω,这里聚类算法都要好于其它2种算法,特别的,对于病态复杂函数f4,这里算法聚类精度都在95%左右,比其它2种算法提高了约(11.9~56.4)%;VD降低了约(54.1~63.2)%。这表明,多度量高维映射函数的引入,有效提高了聚类算法对复杂数据的聚类能力,聚类效果更优。
不同智能优化算法对比实验 选取改进的布谷鸟优化算法(ICS)[9]、改进粒子群优化算法(IPSO)[16]进行对比实验。评价指标设置为最大值Ymax、最小值Ymin、均值-Y和运算时间YT。函数收敛曲线,如图3所示。评价指标对比结果,如表2所示。
表2 评价指标对比Tab.2 Comparison of Evaluation Indexes
图3 函数收敛曲线Fig.3 Function Convergence Curve
从图3、表2可以看出,收敛精度上,对于IMGWA、IPSO算法,两种算法都能够在收敛精度范围为找到3个函数的最优解,但是IMGWA收敛精度明显好于IPSO;对于ICS算法,能够得到f1、f2和f3全局最优解,但是无法得到f4全局最优解,并且收敛精度要差于其它两种算法。运算时间上,由于IMGWA迭代执行聚类分析操作,因此收敛时间要长于其它两种算法。不同智能优化算法对比实验,结果表明,通过引入多度量自适应FCM、重新定义狼群层级结构和设计反向学习、变异进化策略,有效提升了算法全局收敛精度,寻优结果更优。
选取IEEE30节点、6个发电机组的经典测试系统[1]来测试这里所提发电调度规划方案有效性。测试系统的总负荷为2.834pu,发电机组参数,如表3 所示。IMGWA 算法获取的EED模型Pareto前沿,如图4所示。
表3 发电机组参数Tab.3 Parameters of Generator Set
图4 IMGWA获取EED模型Pareto前沿Fig.4 IMGWA Obtains the Pareto Front of EED Model
从图4可以看出,IMGWA 算法获取的EED 问题Pareto 前沿延展性和均匀性都比较好,表明该算法能够很好地的优化EED问题,最终得到折中解(617.12,0.2012,0.017)。
为进一步对比分析IMGWA性能,采取NSGA-II多目标优化算法[17]和改进多目标布谷鸟搜索算法(IMCS)[18]对IEEE30节点和IEEE2736节点(系统参数设置参考文献[1])进行对比试验,折中解对比结果,如表4所示。同等发电燃料成本下污染物排放量对比结果,如图5所示。
表4 折中解对比Tab.4 Comparison of Compromise Solutions
图5 同等发电燃料成本下污染物排放量对比Fig.5 Comparison of Pollutant Emissions Under the Same Power Generation Fuel Cost
从图5可以看出,在同等发电燃料成本下,对于不同测试算例,这里算法得到污染物排放量要好于其他两种算法。特别的,当发电燃料成本615-630($/h)和1.25-1.305×10(6$/h)范围变动时,这里算法得到污染物排放量更有实际决策价值。从表4可以看出,对于不同测试算例,这里算法得到的折中解都能够支配其他两种算法得到的折中解,表明这里算法得到的Pareto前沿和折中解更具可行性和优越性。
对电力系统调度规划问题进行了研究,提出一种采用改进多目标灰狼算法的发电调度规划方案。通过引入多度量自适应FCM技术、改进灰狼智能优化算法和Pareto前沿规模控制策略,使得得到的电力系统调度决策方案更具有效性。下一步将重点围绕提高算法运行效率方面进行研究。