淺談電網(wǎng)規(guī)劃中的相關(guān)技術(shù)方法

申請免費(fèi)試用、咨詢電話：400-8352-114

摘 要：電力改革對電網(wǎng)規(guī)劃工作提出更嚴(yán)格的要求。傳統(tǒng)的人工規(guī)劃已經(jīng)無法適應(yīng)當(dāng)前的需要。這里詳細(xì)地介紹了國際上提出的各種尋優(yōu)算法模型，諸如啟發(fā)式方法、模擬退火法、遺傳算法、禁忌搜素、蟻群算法等。深入分析了它們的特點(diǎn)、優(yōu)點(diǎn)和需要進(jìn)一步解決的問題。展望了電網(wǎng)規(guī)劃技術(shù)未來的發(fā)展前景。 

關(guān)鍵詞：電網(wǎng)規(guī)劃；啟發(fā)式方法；數(shù)學(xué)優(yōu)化  中圖分類號：u665.12文獻(xiàn)標(biāo)識碼：a 文章編號：  1前言  電網(wǎng)是國家的基礎(chǔ)設(shè)施，是經(jīng)濟(jì)發(fā)展不可缺少的硬件。合理的電網(wǎng)規(guī)劃，不僅可以獲得最大的經(jīng)濟(jì)效益，也可以獲得最佳的社會效益。早期的電網(wǎng)規(guī)劃以方案比較為基礎(chǔ)。通過技術(shù)經(jīng)濟(jì)比較，從幾個設(shè)定的方案中選擇出推薦的方案。然而，這些待選方案是憑規(guī)劃人員經(jīng)驗作出的，往往帶主觀因素和局限性。在新形勢下，需要尋求更合理的規(guī)劃方法。  理論上，電網(wǎng)規(guī)劃是一個復(fù)雜的、動態(tài)的、多目標(biāo)的不確定非線性數(shù)學(xué)規(guī)劃課題。而且系統(tǒng)規(guī)模越大，其復(fù)雜性也越高。常規(guī)的電網(wǎng)規(guī)劃方法大體可分為啟發(fā)式和數(shù)學(xué)優(yōu)化兩大類。這些方法在實際研究中有一定突破，但是仍然存在諸如：①維數(shù)災(zāi)難；②局優(yōu)而非全優(yōu)；③約束條件和目標(biāo)函數(shù)不易協(xié)調(diào)等問題。近來許多新型優(yōu)化模  型，如遺傳算法、蟻群算法、模擬退火算法等，被應(yīng)用到電網(wǎng)規(guī)劃領(lǐng)域并取得了一定的進(jìn)展。下面將分別進(jìn)行探討。  2啟發(fā)式方法  啟發(fā)式方法是一種以直觀分析為依據(jù)的算法。通常是以系統(tǒng)某一性能指標(biāo)對可行路徑上一些線路參數(shù)作靈敏度分析。根據(jù)一定的原則，逐步迭代，直到獲得滿足要求的方案為止。它主要由過負(fù)荷校驗、靈敏度分析、方案形成三個部分組成。啟發(fā)式方法有兩種思路。第一種是逐步擴(kuò)展法。即根據(jù)靈敏度分析的結(jié)果，以最有效的線路介入系統(tǒng)，逐步擴(kuò)展網(wǎng)絡(luò)。另外一種是逐步倒推法。即先將所有待選線路全部加入系統(tǒng)，構(gòu)成一個冗余的虛擬網(wǎng)絡(luò)。然后根據(jù)靈敏度分析，逐步剔除有效性低的線路 。  啟發(fā)式方法直觀靈活，計算時間短，易于同規(guī)劃人員的經(jīng)驗相結(jié)合。缺點(diǎn)是難以選擇出既容易計算，又能真正反映規(guī)劃問題實質(zhì)的性能指標(biāo)。它不是嚴(yán)格的優(yōu)化方法，不能很好地考慮各階段，各架線決策間的相互影響。且當(dāng)網(wǎng)絡(luò)規(guī)模較大時，指標(biāo)對于哪一組方案都差別不大，難以優(yōu)化選擇。  3數(shù)學(xué)優(yōu)化方法  數(shù)學(xué)優(yōu)化方法是對電網(wǎng)規(guī)劃作出數(shù)學(xué)模型，形成有約束的極值問題，然后用最優(yōu)化理論進(jìn)行求解。數(shù)學(xué)優(yōu)化的主要方法有：線性規(guī)劃、多目標(biāo)規(guī)劃和動態(tài)規(guī)劃等方法。  線性規(guī)劃方法是最優(yōu)化技術(shù)中發(fā)展最為成熟的領(lǐng)域，同時也是應(yīng)用最廣泛的優(yōu)化方法。常采用近似措施，將非線性問題線性化，以便利用線性規(guī)劃處理非線性優(yōu)化問題。線性規(guī)劃模型的主要不足之處是：用連續(xù)變量模擬離散的決策變量，不能準(zhǔn)確地描述電網(wǎng)規(guī)劃的整數(shù)性。得到的結(jié)果，要么偏離最優(yōu)解，要么不滿足約束條件。  多目標(biāo)規(guī)劃法將電網(wǎng)規(guī)劃的經(jīng)濟(jì)性和可靠性有機(jī)地結(jié)合起來，使優(yōu)化方案的綜合效益達(dá)到最佳，適應(yīng)了目前電網(wǎng)規(guī)劃部門的實際需要。同時，多目標(biāo)電網(wǎng)規(guī)劃以供應(yīng)方的開發(fā)成本最小和需求方缺電成本最小為優(yōu)化目標(biāo)。兼顧了供需雙方的利益，提高了規(guī)劃方案的綜合社會效益。該方法的優(yōu)點(diǎn)是：①在目標(biāo)函數(shù)中可以綜合考慮經(jīng)濟(jì)性和可靠性要求。將可靠性指標(biāo)轉(zhuǎn)化成經(jīng)濟(jì)形式加入目標(biāo)函數(shù)，求得綜合成本最低的網(wǎng)架方案。②在理論上驗證了綜合考慮經(jīng)濟(jì)性和可靠性的多目標(biāo)電網(wǎng)規(guī)劃方法的可行性并提出了數(shù)學(xué)模型和求解方法。缺點(diǎn)是適用規(guī)模小，適用性差。動態(tài)規(guī)劃將一個問題轉(zhuǎn)化為幾個子問題分階  段考慮。動態(tài)規(guī)劃模型中，決策變量在各階段的取值相互制約。當(dāng)線路在某一階段被選中后，就不能在其它階段中被選中。對于目標(biāo)函數(shù)，長期規(guī)劃還必須考慮資金的時間價值。動態(tài)規(guī)劃法的優(yōu)點(diǎn)是：①能夠避免連續(xù)變量法常常遇到的搜索方向錯誤，迭代不收斂或收斂到局部最優(yōu)等問題；②避免了靈敏度系數(shù)的缺陷。缺點(diǎn)是：①計算時間長。②對于大規(guī)模系統(tǒng)，變量組合較多，易出現(xiàn)維數(shù)災(zāi)和計算不容易等問題。  雖然數(shù)學(xué)優(yōu)化方法理論上可以保證得到最優(yōu)解，但由于電網(wǎng)規(guī)劃中要考慮的因素很多，問題的階數(shù)也很大，建立模型十分困難。即使建模了，求解也很難。而且，實際中許多因素不能完全形式化，通常需要對原問題的數(shù)學(xué)模型作簡化處理，有可能丟失最優(yōu)解。綜上所述，盡管數(shù)學(xué)規(guī)劃發(fā)展較快，但在解決電網(wǎng)規(guī)劃的實際問題上還存在種種困難，有待繼續(xù)完善發(fā)展。  4人工智能方法  啟發(fā)式方法和數(shù)學(xué)規(guī)劃方法的共同特點(diǎn)是：以預(yù)測結(jié)果所需要確定的未來環(huán)境為基礎(chǔ)，建立數(shù)學(xué)模型，求出最佳規(guī)劃方案。但是電網(wǎng)規(guī)劃還需要考慮影響其結(jié)果的各種不確定因素，如未來系統(tǒng)負(fù)荷及電源信息的不確定性、環(huán)境的變化以及政策法規(guī)背景等不確定性。傳統(tǒng)的規(guī)劃算法將難以適應(yīng)。  為了彌補(bǔ)傳統(tǒng)規(guī)劃方法的不足，一種基于人工智能的新理論和新方法被引入到這一領(lǐng)域中來。人工智能方法，又稱現(xiàn)代啟發(fā)式方法，是借助物理現(xiàn)象或生物自然選擇等自然規(guī)律的一種搜索算法。包括模擬退火法(simulated annealing，簡稱ann)、遺傳算法(genetic algorithm，簡稱ga)、禁忌搜索(taboo search，簡稱ts)蟻群算法(antco1ony 0ptimizati0n簡稱aco)等。  （1)模擬退火算法(ann)。模擬退火算法以馬爾科夫鏈的遍歷理論為基礎(chǔ)，適用于大型組合優(yōu)化問題的隨機(jī)搜索技術(shù)。算法的核心在于模擬固體物質(zhì)冷卻和退火的再結(jié)晶熱力學(xué)過程。采用metropolis接受準(zhǔn)則，避免落入局部最優(yōu)解，漸進(jìn)地收斂于全局最優(yōu)。這種方法已在電網(wǎng)規(guī)劃中嘗試應(yīng)用。但模擬退火過程中，為使每一冷卻步的狀態(tài)分布平滑要很費(fèi)時。而且這種算法屬于單點(diǎn)尋優(yōu)，不能像遺傳算法那樣獲得多個優(yōu)化解。所以，若能將這種算法和其它優(yōu)化方法結(jié)合使用，更能發(fā)揮其優(yōu)勢 。  （2）遺傳算法(ga)。遺傳算法是電網(wǎng)規(guī)劃采用的一種新的優(yōu)化方法。它根據(jù)自然選擇(優(yōu)勝劣汰)的原則進(jìn)行搜索和優(yōu)化，能考慮多種目標(biāo)函數(shù)和約束條件。特別適合于整數(shù)型變量的優(yōu)化等問題。遺傳算法的操作簡單，通過交叉和變異完成進(jìn)化。更便于執(zhí)行靈敏度分析、線性規(guī)劃等數(shù)學(xué)方法，且屬于多點(diǎn)尋優(yōu)。不受搜索空間的限制性約束，不要求連續(xù)性、可導(dǎo)性、單峰等假設(shè)?？梢酝瑫r考慮多種目標(biāo)函數(shù)和約束條件。由于能解決電網(wǎng)規(guī)劃中的多目標(biāo)、多約束、非線性、混合整數(shù)優(yōu)化等問題而受到重視。更重要的是，遺傳算法在獲得最優(yōu)解的同時，也能給出一些次優(yōu)解。這彌補(bǔ)了數(shù)學(xué)優(yōu)化只能求得單解的不足。這種多解的功能，可以充分發(fā)揮工程技術(shù)人員的主觀能動性，利用他們的工程實踐經(jīng)驗，在多個解中進(jìn)行分析篩選，得到更符合實際的規(guī)劃方案 。  遺傳算法的應(yīng)用已經(jīng)取得了很大進(jìn)展。目前存在的問題是它的收斂數(shù)學(xué)機(jī)理還未完全搞清楚。當(dāng)參數(shù)選取不當(dāng)時，有收斂在局部最優(yōu)點(diǎn)的可能。且計算速度還較慢。有關(guān)算法收斂的控制參數(shù)，如種群規(guī)模、交叉率和變異率等還需要研究改進(jìn)。此外，兼顧到模擬退火算法能有效防止陷入局部最優(yōu)解這一特性，將模擬退火法和遺傳算法結(jié)合成混合一模擬退火算法， 已證實有不錯的效果?？傮w來說，遺傳算法及其在電網(wǎng)規(guī)劃的應(yīng)用正處于蓬勃發(fā)展階段，有很好的應(yīng)用前景。  （3)禁忌搜索(ts)。禁忌搜索算法是一種用于解決組合優(yōu)化問題的啟發(fā)式搜索算法。其特點(diǎn)是采用了禁忌技術(shù)，用一個禁忌表記錄經(jīng)到達(dá)過的局部最優(yōu)點(diǎn)。在下一次搜索中，不再選擇禁忌表中的這些點(diǎn)，以避免落入局部最優(yōu)解 。該方法適合于解決純整數(shù)規(guī)劃問題，能有效處理不可微的目標(biāo)函數(shù)。這正符合電網(wǎng)規(guī)劃的特點(diǎn)， 因而被應(yīng)用到電網(wǎng)規(guī)劃中。該方法的優(yōu)點(diǎn)是搜索效率高，收斂速度快。缺點(diǎn)是收斂受到初始解的影響，taboo表的深度及期望水平影響搜索的效率和最終結(jié)果。taboo搜索法機(jī)理還不甚清楚。在數(shù)學(xué)上無法證明其一定能達(dá)到最優(yōu)解。而且對于多階段大規(guī)模的問題，可能受到列表大小的限制，難以達(dá)到全局最優(yōu)解。  （4)專家系統(tǒng)。專家系統(tǒng)是目前是人工智能中最為活躍的分支之一。專家系統(tǒng)總結(jié)了大量規(guī)劃專家和工程師們的實踐經(jīng)驗，有利于提高電網(wǎng)規(guī)劃的合理性，簡化數(shù)學(xué)模型。電力系統(tǒng)規(guī)模一般很大，有的網(wǎng)絡(luò)具有上千個節(jié)點(diǎn)和線路，如果再考慮多階段和其它相關(guān)因素，規(guī)劃本身成為一個規(guī)模巨大的優(yōu)化問題。單靠簡單優(yōu)化技術(shù)是無法解決的。根據(jù)規(guī)劃專家的經(jīng)驗可以合理簡化模型，提高算法的效率，降低計算的復(fù)雜性。專家系統(tǒng)可以看作是啟發(fā)式方法的發(fā)展。它需要收集大量的信息，采取適當(dāng)方法存儲，并建立有效的學(xué)習(xí)機(jī)制。目前這些方面存在的困難還較大，專家系統(tǒng)在電網(wǎng)規(guī)劃中仍處于應(yīng)用的初期，還有待于進(jìn)一步深入研究開發(fā)。  5結(jié)束語  電網(wǎng)規(guī)劃是電力系統(tǒng)總體發(fā)展規(guī)劃的重要組成部分，也是電網(wǎng)更新改造的依據(jù)。合理地進(jìn)行規(guī)劃可以獲得巨大的社會效益和經(jīng)濟(jì)效益。因此，對電網(wǎng)規(guī)劃問題進(jìn)行深入研究具有重大的現(xiàn)實意義。近年來，智能優(yōu)化算法發(fā)展十分迅速，在電網(wǎng)規(guī)劃領(lǐng)域取得重大的進(jìn)展。提高計算速度、突破維數(shù)災(zāi)難、避免局部最優(yōu)仍是其繼續(xù)研發(fā)的方向。由于電網(wǎng)規(guī)劃的復(fù)雜性和多樣性，仍需要更加深入地探討電網(wǎng)的準(zhǔn)確描述和尋優(yōu)模型的處理。