（电力系统及其自动化专业论文）粒子群优化算法在电力系统规划中的应用研究.pdf

a b s t r c t a b s t r a c t t h ee l e c t r i c a lp o w e rs y s t e mp l a n n i n gi sc o m p r i s e do fp o w e rl o a df o r e c a s t i n g , p o w e rs o i l r p l a n n i n ga n de l e c t r i c a ln e t w o f l ( p l a n n i n g p o w e rl o a df o r e c a s t i n gi st h eb a s eo fe l e c t r i c a lp o w e r s y s t e mp l m l i j l g i t sv e r a c i t yh a sg r e a ti m p a c to i lp l a n n i n gr e s d l t t h ee l e c t r i c a ln e t w o r kp l a n n i n d g m a yf u r t l l e rb ed e r i d e di m ot r a n s m i s s i o nm t w o f l 【p l a i m i n ga n dd i s t r i b l i t i o nn e t w o r kp l a n n i n g t r a n s f o r m e rs u b s t a t i o np l a l m i n gi st h ei m p o r t a mp a r to fd i s t r m u t i o nn e t w o r kp l a m n g 1 1 l ec a - p 觞i t yo ft l a n 蚰o i l n c i - , t h e 越m b e fo fl l a n 西o n l l e l sa n ds u b s t a t i o n s 神o i i co ft h ei m p o r t a n te l e - l m e n t sw h i c hi n f l u e n c et h eg m l c t u r e ，t h er e l i a b i l i t ya n dt h ee c o n o m yo f u r b a ne l e c t r i c a ln d t w o i k , t h e l e f o r e , a o i n gr e s e a r c l si nl o a df o n m a s l i n ga n dt l a n s f o m l e rs u b s t a t i o no p t i m i z ep l a n n i n gh a v e p r a c t i c a lm e a n i n g s b a s i n go i lt h es t a n d a r dp a r t i c l es w 枷o p t i m i z a t i o n 口s o xt h i st h e s i sb r i n g sf o r w a n t 柚i m - p r o v e d p a r d c l e5 w a r l n 0 1 ) t i n l i z a l i o n o p s 西p s o c o n s i d e r s t h es o c i a l i i l f l 嘲o f o t h e r p a r t i c l e s 缸t h ew h o l es w a r l l lt oe a c hp a t t i e l e , n o to n l yt h es i n g l ep a r t i c l el h a ti nt h eg l o b a lb e s tp o s i t i o n f m l l t r m o r e t h es o c i a li n f l u e n c ef a c t o ri sa d j u s t e da y m m i c a l l ya l o n g i n gw i t ht l ks e a r c h i n gb e - h a v i o l n 呻啦t h et e s to fs e v e r a ls t a n d a r dt e s t i n gf u n c t i o n s ，i p s os h o w sb e t t e ra b i l i t yo f s e a r c h i n g g l o b a l b e s tr e s u l t a n d a v o i d i n g f a l l i n g i n t o l o c a l b e s t p o s i l i o n i t i sa b a n a u s i e a l g o r i t l m a i l r f i n ga tt h eq u e s t i o no fl o a df o r e c a s t i n g , t h i st h e s i sp r e s e n t s1 1c o m b i n e dl o a df o r e c a s t i n g m o d e l b a s e d o n i p s o , w h i c h u s 船i p s o t oc a l c u l a t e t h e w e 噜h t o f c o m b i n e d m o d e l t h ee o m p u t - i n gr e s u l to fp r a c t i c a ld a t as h o w st h a tt h ec o m b i n e df o r e c a s t i n gm o d e lb a s e do nm s oh 勰l c 懿 p r e d i c t e d e i t o i x t h a n p $ o a n d o t h e r t r a d i t i o n a l c o m b i n e d f o r e c a s t i n g m o d e l s a i l l l i l i g 砒t h eq u l i o l lo fn 删b n i m s u b s t a t i o no p t j l n j z cp l a n n i n g , t l l i st h e s i sp r e s e n t sa m a t h e m a t i c a lm o d e lb a s e do nd i s c r e t ei m p r o v e dp a l t i e l es w a l mo p t i m i z a t i o n 仍 p s o ) 佻 m o d e l o p t i m i z e s t h e l l o k v - s u b s t a t i o n m m a b c r , i t sc a p a c i t ya n d u n i t 皿m b e f ，u s i n g t h e m i n i m l m c o s to fn e t w o r kc o n s t r u c t i o na n d 鲥de n e r g y l o s sa so b j e c tf u n c t i o n , t h ec a p a c i t y l o a dr a t i oo f l l d l n 商o n n e l a n d t h e l a d i l l so f p o w e rs u p p l y 罄c o n s t r a i n tc o n d i t i o n d p s o _ i s u s e d i o f i n d o u t t h e b e s tr e s u l to f t h i sm o d e l i tc o m b i n e sm a t l a e m a t i eo p t i m i z a t i o na l g o r i t h ma n de n g i l i n gp r a c l j c x t h er e s u l t sa n dt h ec o n c l u t i o no f ac o m p u t a t i o n a le x a m p l es h o wt h ee f f e c t i v ev a l u eo f t h i sm o d e l k e y w o r d s ：e l e e u i c a lp o w c l rs y s t e mp l a n n i n g p a r t i c l es w a r mo p t i m i z a t i o n ；p o w e rl o a df o r e c a s t ； c o m b i n e df o r e c a s tm o d e l ；d i s t r i b u t i o nn e t w o r kp l a n n i n g ；t r a n s f o r m e rs u b s t a t i o n o 砸m i z ep l a n n i n g n 浙江大学硕士学位论文 第一章绪论 电力工业是一个投资密集和一次能源最大的行业，它对整个国民经济的发 展有巨大的影响。耍满足国民经济发展的需要，电力工业必须先行，因此做好 电力工程建设的前期工作，协调发、送、变电本体工程的建设进度，优化其设 计方案，其意义尤为重大。电力系统规划正是电力工程前期工作的重要组合部 分，它是关于单项本体工程设计的总体规划，是具体建设项目实施的方针和原 则，是一项具有战略意义的工作。正确、合理的电力系统规划设计实施后可以 最大限度地节约国家基建投资，促进国民经济其他行业的健康发展，提高其他 行业的经济和社会效益。相反，电力系统规划的失误会给国家建设带来不可弥 补的损失。因此，对电力系统规划问题进行研究，以期最大限度地提高规划质 量，具有重大的现实意义。 l 国家计划及能源政策 l 能源规划 1 电力负荷预测 i 电源规划 l tl i 电网规划 l 图i i 电力系统规划的结构 电力系统规划应在国家计划和能源政策指导下，在国民经济综合平衡的基 础上进行。如图1 1 所示，电力系统规划由电力负荷预测、电源规划和电网规划 构成。电力负荷预测是电力系统规划的基础，它提供电力增长状况、负荷曲线 及电力分布情况。就电力系统而言，电源规划方案和电网规划方案实质上是不 可分割的整体。但是由于两者侧重点不同，并且统一解决这两个问题又非常困 难，所以目前不得不将电源规划与电网规划的问题分开处理，在必要时对它们 采用协调技术进行迭代求解【”。 第一章绪论 面对国民经济发展的要求，面对市场经济条件下的新形势和电力市场化的 新态势，电力系统规划受到新观念、新理论、新方法的启迪和激励，目前国内 外已有许多电力系统规划的科学方法和研究成果。但是，鉴于规划工作的特点 与难点，许多理论研究成果在实际应用中存在一定的不足。因此，对电力系统 规划进行多角度、全方位的认识，使理论研究成果在具备科学性和先进性的同 时，兼具实用性和操作简易性是当前电网研究领域的重点课题。 1 1 立题意义 电力网络的作用是对各类用户尽可能经济地提供可靠且合乎质量标准要求 的电能，以随时满足各类用户的要求。因此，在进行电力网络规划时，必须事 先准确估计出未来负荷变化的大小与特性，即要建立未来负荷模型。这就是负 荷预测所要达到的目的。负荷预测的准确性对电网规划有着显著的影响。它直 接影响到投资与运行的合理性，直接关系到电网的安全、经济、可靠运行。若 负荷预测实际偏低，将会导致电网容量不足，无法满足用户正常供电要求，甚 至还可能缺电，另一方面，若负荷预测实际偏高，则会导致安装一些过多、而 不能充分利用的设备，从而引起投资的浪费。因此，准确的负荷预测是整个规 划工作的基础和前提，应尽可能提高负荷预测的精度。 基于负荷预测和电源规划的电网规划是电力系统总体发展规划的重要组成 部分，也是电网更新改造的依据。它直接关系到电源发出的电能否及时送出， 以及电力系统供电的安全性及经济性能否实现。由于电网设备投资需求大，且 设备寿命长达数十年，导致电力系统强烈地受“过去权重”的制约。因此，寻 求最佳的电网投资决策以保证整个电力系统的长期最优发展，是电网规划所要 达到的目标。 电网规划可以进一步分为输电网规划即主网规划和配电网规划两类。由于 配电网分布广泛，因此其电力设备的投资大。从电力系统设备的投资模式中可 以看出，配电网投资费用约占整个电力系统总投资的4 0 ：其次，由于配电系 统电压水平较低，因而整个配电网的电压损耗和电能损耗也大，也就需要更多 的运行维修费用。所以通过优化决策使包括配电网投资费用和运行维修费用在 内的配电网总费用最小具有极其重要的实际意义和经济价值。 配电网络优化的任务是在负荷预测的基础上，通过最优化新建变电所和馈 2 浙江大学硕士学位论文 线段的建设地点及容量，得到网损小、可靠性高及投资小的配电网，并考虑变 电所容载比、馈线段容量、电压升降、辐射状网络结构等约束条件。变电所规 划是配电网规划中的重要组成部分，规划内容包括：变电所最优位置、最优建 设时间、最优容量分配和最优变压器组合方案等。其中，变电所容量和变压器 台数是影响城网结构、可靠性和经济性的一个重要因素。变电所容量和台数不 同，网内变电所总数、变电所的主接线形式和系统的接线方法也就不同，也必 然对电网的经济性和可靠性产生不同影响。 因此，本文主要针对负荷预测和变电所优化规化这两个具体问题进行了深 入的研究，为今后相关规划研究打下了基础。 1 2 相关课题的国内外发展概况 负荷预测是一个相当复杂的问题，不同电力系统由于负荷特性不同，可能 有不同的预测方法，即使同一个电力系统，根据预测时间的远近以及负荷特性 的变化，不同时期也可能采用不同的方法。负荷预测的核心问题是预测的技术 方法。随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，各 种各样的负荷预测模型不断涌现。有比较直观而简单的方法，也有数学上比较 复杂的方法。这些方法都各有其优缺点及适用范围，绝对准确和适用于任何情 况的预测方法是不存在的。在大多数情况下，需要配合使用几种方法来进行预 测，而且预测人员的经验和判断力是至关重要的因素。 从数学上讲，配电网规划是一个动态多目标不确定性非线性整数规划问题。 由于大量不确定和不知道的因素，难以用数学模型描述，许多时候只能依靠规 划人员的经验来完成工作，规划工作缺乏科学性。随着科学技术的发展和迅速 增长的电力需求，传统方法越来越不能满足工作需求。目前，国内外有许多关 于规划的文献和理论研究成果，将各种先进的理论方法和科学技术引入实际规 划工作中，不仅可以大大减少电力规划人员的工作量，还保证了规划结果的科 学性和准确性。 群集智能计算以生物社会系统为依托，也就是由简单个体组成的群落与环 境以及个体之间的相互作为。这种生物社会性的模拟系统利用局部信息产生难 以估量的群体行为，并用来解决那些因为难以建立有效的形式化模型而用传统 优化方法又难以有效解决甚至无法解决的问题。2 0 世纪9 0 年代以来，群集智能 第一章绪论 计算的研究引起了许多学者的极大兴趣，并出现了蚁群优化( a n tc o l o n y o p t o m i z a t i o n ，a c o ) 算法f 2 】、粒子群优化( p a r t i c l es w a r mo p i m i z a t i o n ，p s o ) 算法团等一些著名的群集智能优化算法。其中，粒子群优化算法最初是由k e n n d y 和e b e r h a r t 博士在1 9 9 5 年受人工生命研究结果启发，在模拟鸟群觅食过程中的 迁徙和群集行为时提出的一种基于群集智能的演化计算技术。本文中将对t s o 算法进行深入研究，并将其应用于电力系统规划的某些具体问题的优化求解中。 下文中将对负荷预测、配电网规划和粒子群优化算法这几个课题的相关理 论发展和应用情况作一个概述。 1 2 1 负荷预测的研究概况 所谓电力负荷预测就是指对未来时刻的电力需求进行预测。按照预测的周 期，可以分为超短期负荷预测、短期预测、中期预测和长期预测四种，应用于 电力网络规划的负荷预测主要有短、中、长期三种。 ( 1 ) 短期预测。预测周期为l 5 年，主要是为电力系统规划、特别是配电 网规划服务的，这对配电网的增容、规划极为重要。 ( 2 ) 中期预测。预测周期为乒1 0 年，主要用于电力系统规划( 包括发电 设备及输变电设备的扩建计划、退役计划和改建计划) ，同时也供电力网络的规 划参考。 ( 3 ) 长期预测。预测未来的1 1 - 3 0 年，主要用来制定电力工业战略规划( 包 括烯料需求量、一次能源平衡、系统最终发展目标以及必要的技术更新、科研 规划等) 。 不同类型的负荷预测有着不同的预测方法。与电力系统运行有关的负荷预 测方法和与电力系统规划密切联系的短、中和长期负荷预测所采用的预测方法 是不同的。 国内外有很多专家学者对电力负荷预测进行了较为深入的研究。用于电力 网络规划的负荷预测方法主要分为确定性负荷预测、不确定性负荷预测、空间 负荷预测和负荷组合预测。 1 确定性负荷预测方法( 4 1 确定性负荷预测方法，即把电量和电力负荷预测用一个或一组方程来描述， 变量之间有明确的一一对应关系。其中又可以分为经济模型预测法、时间序列 4 浙江大学硕士学位论文 负荷预测法、相关系数预测法和饱和曲线预测法等。 经济模型预测法根据经济发展趋势来预测相应的电力负荷。常用的经济预 测模型有：线性趋势模型、对数线性趋势模型和二次曲线趋势模型。这类方法 适用于各类城市电力网络的中短期规划。优点是需要的数据量较少，但是在负 荷变化的趋势不均匀时会得到与实际情况偏差较大的结果。 时问序列预测方法把电力负荷看作是一组随时间变化的数列，不考虑其大 小变化的因果关系。目前被广泛使用的时间序列负荷预测方法有：一阶自回归、 拧阶自回归和自回归与移动平均。这类方法可用于短期和中长期负荷预测。一般 适用于负荷变化比较均匀的情况，所需历史数据越多越好，当阶数增加时，工 作量比较大。 相关系数预测方法是假定电力负荷的增长与某一种可预测因素的变化规律 相近，通过寻找电力负荷历史数据与该因素的历史值之间的关系和该因素的预 测值来求电力负荷的预测值。这类方法包括：电力弹性系数法、g d p 综合电耗 和单产值法。该方法的优点是所需的数据少，计算过程也比较简单，对电力网 络的适用情况较好。缺点是如果负荷变化不能自解释时，会导致误预测，并且 该方法必须有各种社会经济指标等经济数据，而往往这些数据的获得比电力负 荷的预测更加困难。 s 曲线是小区域、低配电等级的负荷增长的典型形状。饱和曲线预测法即是 通过历史数据确定s 曲线的公式来预测负荷值。这类方法的优点是所需的数据 量较少，而且由于考虑到将来负荷的发展情况，所以预测结果较为精确。缺点 是没有考虑负荷变化的因果关系，一般适用于负荷变化比较均匀的情况。 2 不确定性负荷预测方法1 5 6 实际的电力负荷预测中存在着很多的不确定性因素，如：国民经济发展的 情况、国家的政策、气候条件和能源政策等。在上述确定性负荷预测方法中对 这些因素的考虑往往不够全面，甚至忽略，显然这样得到的预测结果与未来的 情况有着较大的偏差。 近年来对电力负荷预测不确定性方法的研究成为电力负荷预测中的一个研 究热点，通过多年来的不懈努力，特点是各种新的理论和方法的引入，已为负 荷预测不确定性因素的处理提供了有效的预测工具，它们的引入促使电力负荷 预测取得了很大的进展。常用的不确定性方法主要有模糊预测方法、灰色预测 第一章绪论 方法、人工神经网络预测法、专家系统方法和小波分析方法等。 模糊预测方法考虑了电力负荷与多因素的相关性，将负荷与对应环境作为 一个数据整体进行加工，得出负荷变化模式及对应环境因素特片征，从而将待 测年环境因素与各历史环境特征进行比较，得出所求的负荷增长率。该方法的 缺点是理论性较强，要求的数学基础较高，对环境因素的选取过程较复杂，如 果环境因素选取不当，会直接影响预测结果的精度。 灰色系统理论的核心是灰色动态建模( g r e yd y n a m i cm o d e l ，g m ) ，其思想 是直接将时间序列转化为微分方程，从而建立系统发展变化的动态模型。目前 在电力负荷预测中经常采用的动态模型是预测模型g m ( 1 ，1 ) ，即只有一个变量、 一阶的g m 模型。该模型是一个指数函数，因而适合用于发展系数较小的短期 预测。但是实际电力负荷的变化很难成指数规律，故其预测结果必然不会令人 满意。 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ， n n ) 预测方法通过对人脑神经 系统的结构模拟来实现负荷的预测。人工神经网络具有非线性、自组织、自适 应、大规模并行处理等优点。自文献【7 1 首次提出用a n n 进行电力负荷预测以来， 就引起了人们广泛的关注。负荷预测是a n n 在电力系统应用中最合适的一个领 域，也是到目前为止研究得较多的一个课题。这类方法应用于短期负荷预测要 比中长期负荷预测更为适宜，目前在实际应用中也已经取得了接近实用的成果。 但这种方法适应性较差，对不同的系统应根据其负荷变化的规律及气象变化规 律来选取不同的特征参量，不同的数据处理方法，不同的a n n 模型与结果，因 而限制了其在电力负荷预测中的广泛应用。 专家系统预测通过将规划人员的经验用计算机可识别的形式表达，从而可 模拟专家进行预测。该方法可以将人的经验与统计方法相结合，对于异常负荷 模式的预测特别有效。采用该方法的主要局限在于专家经验提炼困难。 小波分析是9 0 年代初引入工程界的数学工具。在短期负荷预测方面，由于 电力负荷具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中嵌 套小周期。小波变换能将负荷序列分别按照其波动的程序投影到不同的尺度上 ( 即子序列) ，从而更加清楚地表现出负荷序列的周期性。在此基础上，对不同 的子负荷序列分别进行预测，然后通过序列重构，得到完整的小波负荷结果， 其精确性和准确性都大为提高。在中期负荷预测方面，通过构造小波神经网络 6 浙江大学硕士学位论文 来模拟年负荷曲线，克服了传统神经网络拓扑结构差、学习时间长等缺点，得 到了令人满意的结果。 3 空间负荷预测方法 近年来，负荷发展和变化的情况比较复杂，用传统的负荷预测方法得到的 负荷大小和地理分布存在着较大的偏差。为适应实际的需要，上世纪8 0 年份初 w i l l i s hl 提出了空间负荷预测理论( s p a t i a l l o a d f o r e c a s t i n g t h e o r y ) 嘲。该方 法不仅能够预测未来负荷量的变化规律，而且对未来的负荷地理分布情况也作 出了相应的预测，预测精度较高。空间负荷预测方法有很多优点，如：可以用 来预测新开发地区的负荷( 没有历史年的负荷数据，不能用趋势法来预测) ；不 受电网中经常出现的负荷转移问题的影响：可以考虑到小区用地类型发生变化 时发展情况等。缺点是要求的数据量很多，工作量很大，在实用性上有很大问 题。近年来，由于地理信息系统( a s ) 的应用，使收集数据的工作减轻了，加 上计算机处理能力的提高，使空间负荷预测成为可能唧。 4 优选组合预测方法 优选组合预测有两类概念，一是指将几种预测方法所得的预测结果，选取 适当的权重进行加权平均的一种预测方法；二是指在几种预测方法中进行比较， 选择拟合优度最佳或标准离差最小的预测模型作为最优模型进行预测。组合预 测方法是建立在最大信息利用的基础上，它集结多种单一模型所包含的信息， 进行最优组合。因此，在大多数情况下，通过组合预测可以达到改善预测结果 的目的。 组合预测方法的关键是确定各单个预测方法的组合权重。对于权重的确定， 主要有等权平均法( e w 法) ，方差一协方差优选法( m v 法) ，回归组合预测法 ( r 法) 、模型群优选法1 6 1 ； e 1 最优加权法1 0 l 。此外，近年来还出现了用神经网络 等人工智能算法来确定组合权重的研究i 】，开拓了组合预测方法的新思路。但 神经网络存在收敛速度慢和易陷入局部极值等缺陷“2 1 。因此，组合预测方法仍 需要寻求新的确定组合权重的算法。 1 2 2 配电网规划的研究概况 配电网络由变电所组成，变电所之间由馈线相互连接，潮流从变电所流向 7 第一章绪论 负荷点。配电网的规划人员必须确定有足够的变电所容量和馈线载流量，在可 选的变压器、新建馈线和新变电所之间仔细的进行选择，以满足在规划水平年 负荷发展的需要。 通常，配电网规划应该包括：变电所最优位置、馈线的最优位置、单条馈 线的优化设计、最优负荷分配、最优变电所容量分配和变电所的最优变压器组 合方案。 从数学上讲，配电网规划是一个多目标不确定性非线性整数规划问题。根 据对规划期间处理的不同，可分为单阶段扩展规划和多阶段扩展规划i ，】。 单阶段规划是根据规划期开始的数据寻求规划末尾( 即水平年) 的最佳结 构方案。多阶段规划中，每一扩展方案既要考虑本阶段的要求，又要考虑整个 规划期的要求。多阶段规划可采用动态规划方法，也可采用静态规划方法。考 虑整个规划期最优扩展方案的方法称为动态规划方法。把多阶段中每一阶段都 作为单阶段规划来优化，把上阶段优化结果作为下阶段的输入，这种处理叫做 静态规划。动态规划处理要比静态规划复杂得多，但静态规划不能给出整个规 划期的最优解。 从模型上来看，目前有关配电网规划的数学模型很多，但大多只考虑变电 所规划问题或馈线规划问题，即这两部分的优化是分开来先后进行的i ”】。在变 电所规划中，将馈电网进行简化处理。比如将负荷进行分区，以区与区之间的 负荷转载能力来代表馈电网；再如将负荷分成一个个网络范围，根据区或网格 的负荷大小和粗略网损优化出变电所的最优供电半径，在此基础上求得变电所 的位置、容量。在馈线优化规划中，由于变电所规划方案已定，可根据已选定 的变电所位置和容量，以网络总的投资、运行费用最小为优化目标，优化出馈 线的最优走向、长度和型号。这样变电所规划和配电网络规划先后分开进行， 可以简化问题，具有应用上的方便性，但所得结果不一定最优，甚至不一定次 优。因为馈线网络的费用在配电系统中占较大部分( 尤其是运行费用) ，但这些 在变电所规划过程中难以得到体现。 由于配电网规划的网络特性，其规划模型主要为数学方程。从问题的求解 算法来看，用于配电网规划问题求解的算法主要有3 判1 4 】：启发式算法、经典 的数学优化算法和近年来兴起的智能优化算法。 启发式算法以直观分析为依据，接近工程人员思路，可以根据经验和计算 8 浙江大学硕士学位论文 给出较好的设计方案，方法直观、灵活、计算时间短。配电网规划中常用的是 支路交换法1 1 ”，其求解思路是先使网络形成闭合回路，再断开某一支路，每次 迭代从一个解移动到另一个解。特点是效率高、偏向于经验、易于接受。缺点 是不是严格的优化算法，容易陷于局部最优解。 配电网规划的数学优化方法就是将配电网规划的要求归纳为运筹学中的数 学规划模型，然后通过一定的优化算法求解，从而获得满足约束条件的最优规 划方案。数学优化方法考虑了各变量之间的相互影响，因而在理论上比启发式 方法更严格些，理论上可以保证解的最优性。但通常计算量很大，在实际应用 中有一些缺点：首先，由于配电网规划的变量很多、问题阶数大、约束条件复 杂、建模因难，建模时不得不对具体问题作大量简化；其次，有些规划决策因 素难以用数学模型表达，因此数学上的最优解未必是符合工程实际的最优方案： 第三，存在维数灾，当问题规模较大时，几乎不可能在有限时间内得到最优解。 目前，经典数学优化算法中常用于配电网规划问题求解的是分枝定界法【1 6 】和0 - l 优化算法【1 7 】。 智能优化算法模拟自然界一些“进化”现象研究出的一类比较新的优化求 解算法，适用于求解组合优化问题以及目标函数或某些约束条件不可微的非线 性优化问题。它比较接近人类的思维方式，易于理解，用这类算法求解组合优 化问题，在得到最优解的同时也可以得到一些次优解，便于规划人员研究比较。 此类算法主要有：遗传算法，禁忌搜索法，蚁群算法和粒子群优化算法等。 遗传算法( g e n e t i ca l g o r i t h m ，g a ) 是一种基于自然选择和群体遗传机理的 搜索算法，它模拟自然选择和自然遗传过程中发生的繁殖、杂交和突变现象。 g a 能处理配网规划中复杂的不确定因素，可以以较大概率找到全局最优点，具 有全局收敛性、通用性和鲁棒性强，无可微性要求等优点，并且可以提供多组 优化解。并且，基于自身特殊的编码方式，g a 可以方便地进行整数规划及混合 规划。由于配电网中网络馈线数量很多，且线路的投建与否是个o 1 规划问题， g a 以其独有的特点在配网规划中得到越来越多的应用b s , 1 9 | 。但g a 要针对不同 问题设计不同的编码方案与不同的遗传策略，否则计算过程中容易产生不可行 解，有时还会陷入局部最优解。 禁忌搜索算法( t a b us e a r c h ，t s ) 是对局部领域搜索的一种扩展，是一种 全局逐步寻优算法。它使用“记忆”技术对系统的优化过程进行记录和选择， 9 第一章绪论 并指导下一步的搜索，适用于解决配电网络规划这种大型组合优化问题 2 0 l 。但 是由于t s 用于大规模配电网规划时编码很长，通过禁忌表逐一移动线路，寻优 效率不高，且表长度是根据经验确定的，规划结果随经验变动。 蚁群算法( a c o ) 来自对蚁群群体行为的研究，是一种求解组合最优问题 的通用启发式方法。文献【2 1 】给出了同时考虑配电网络扩展的固定费用和与电能 损失相关的可变费用的配电网络规划的非线性混合整数规划模型，详细地讨论 了a c o 在单阶段配电网络规划中的应用。蚁群算法是用转换概率确定每个新节 点的向上节点，但在转换概率中添加新的选择因素就要有新的表达式，这严重 影响了规划结果的稳定性，不易灵活应用。 粒子群优化算法( p s o ) 来源于对一个简化社会模型的模拟。它同遗传算法 类似，是一种基于群体的优化工具，具有算法简单、容易实现，收敛速度快， 全局搜索能力强等优点。文献1 2 2 】以线路的规划年综合费用最小为目标函数建立 优化模型，将p s o 用于配电网网架规划，有效地解决了离散变量的处理和辐射 网判断之间的矛盾。文献 2 3 n 将p s o 引入到配电网规划中的变电所选址问题 中，采用了负荷点对变电所归属属性为粒子进行编码的方式，拓展了基于浮点 数编码的基本粒子群，取得了不错的效果。 1 2 3 粒子群优化算法及其在电力系统规划中的应用情况 粒子群优化算法源于对鸟群捕食的行为研究的粒子群优化算法同遗传算法 类似，是一种基于迭代的优化工具。它将优化问题的解对应于搜索空间中一只 鸟的位置，称这些鸟为“微粒”；每个粒子都有其位置和速度，还有一个由被优 化函数决定的适应度；各微粒根据以往经验和当前最优微粒的位置不断更新其 位置，完成在解空间的搜索。 粒子群优化算法具有很多优点：算法通用，不依赖于问题信息；群体搜索， 并具有记忆能力，保留局部个体和全局种群的最优信息：原理简单，容易实现； 协同搜索，同时利用个体局部信息和群体全局信息指导算法下一步的搜索。 粒子群优化算法应用面很广，目前已广泛应用于函数优化、神经网络训练、 数据挖掘、模糊系统控制以及原有的一些遗传算法应用领域。粒子群优化算法 在电力系统中的应用研究起步较晚，最近几年它在电力系统领域中应用的研究 逐渐显示出广阔的应用前景，已开始引起电力科学工作者的关注和研究兴趣洲。 浙江大学硕士学位论文 目前p s o 在电力系统规划中的应用主要有：文献 2 5 1 研究了p s o 算法在输 电网络扩展规划中的应用，以投资回收效益、设备成本( 包括变电所、传输线、 铁塔、开关设备、变压器和补偿设备等) 和电能损耗费用之和最小为目标函数， 建立了扩展输电网的最小费用模型，设计了基于p s o 的求解算法；文献 2 6 1 提 出了一种将进化算法的繁殖选择操作算子引入p s o 中的改进方法，用以确定发 电机组的检修计划，建模时以生产运行费用和检修费用总和最小为优化目标； 文献 2 7 ，2 8 】把p s o 及其改进算法应用于电力系统无功优化、无功与电压综合控 制，取得较好的效果；文献 2 9 1 把“分群”和“灾变”的思想引入粒子群优化算 法，并应用于水火电力系统短期发电计划优化。 1 3 本文的主要工作 本文以粒子群优化算法和电力系统规划为主要研究对象，对粒子群优化算 法理论进行了深入研究并加以改进，在电力系统规划的负荷预测以及变电所优 化规划问题中给予运用，提出了基于改进粒子群优化算法的负荷组合预测方法 和中高压变电所优化规划方法，最后通过实例计算与对比分析，证明了方法的 有效性和实用性。 第一章作为全篇论文的引言，系统全面地总结了电力系统规划中负荷预测 和配电网规划现阶段的研究情况，详细介绍了粒子群优化算法在电力系统规划 中的应用及前景。最后阐明了本文的主要任务。 第二章深入研究了粒子群优化算法在连续域和离散域中的求解过程，为后 文在负荷组合预测及中高压变电所优化方案中的应用打好理论基础。同时在已 有研究理论的基础上，提出了一种可以考虑更多微粒有用信息的改进粒子群优 化算法。通过标准测试函数的测试分析，并与标准粒予群优化算法进行对比。 结果显示改进算法具有较强的全局收敛能力，能够有效提高算法精度。 第三章介绍了常用的几种组合预测方法，包括传统的组合预测方法和基于 人工神经网络的优选组合预测方法，特别对人工神经网络负荷预测数据样本集 产生方法进行了研究，对比得出适用于负荷预测的神经网络样本数据的变量选 择方法和数据处理方法。将第二章提出的改进粒子群优化算法应用于负荷组合 预测问题中，并与其他已有的负荷组合预测方法相比。实例计算的结果证明了 该方法的有效性。最后简单介绍了该方法在重要城市电网安全预警与保障决策 第一章绪论 支持系统中的应用情况。 第四章将提出的离散形态的改进粒子群优化算法应用于一个配电网中高压 变电所优化模型的求解中。该模型以网络的建设费用和运行损耗费用最小化为 目标函数，以变电所容载比和供电半径等为约束条件，在给定负荷水平下，对 l l o k v 变电所个数、变压器台数、容量以及1 0 l 【v 出线回路数进行优化。通过具 体算例的计算，证明了该模型实用价值；对计算结果分析得出的结论对变电所 规划工作也具有一定的参考价值。 第五章对全文的主要研究成果进行了总结，指出了今后有待进一步开展的 工作。 浙江大学硕士学位论文 第二章改进的粒子群优化算法 粒子群优化算法是一种基于群智能方法的演化计算技术，源于对一个简化 社会模型的模拟。它与遗传算法类似，是一种基于群体的优化工具。系统初始 化为一组随机解，通过迭代搜寻最优值。与其它进化算法比较，p s o 算法的优 势在于算法概念简单容易实现，同时又有深刻的智能背景，即适合科学研究， 又特别适合工程应用。因此，p s o 算法一经提出，立刻引起了演化计算等领域 的学者们的广泛关注。短短几年里，p s o 算法已经获得了很大的发展，并已经 在一些领域得到应用。目前已被“国际演化计算会议”( i e e ei n t e m a f i o n a l c o n f e r e n c e so ne v o l u t i o n a r yc o m p u t a t i o n ，c e c ) 列为一个讨论的专题。 本章介绍了标准粒子群优化算法的原理、算法流程、参数设置和现有的改 进策略，并在此基础上提出了一种可以考虑更多微粒有用信息，将社会影响程 度因子在一定范围内随机化的改进粒子群优化算法( i m p r o v o dp a r t i c l es w a r m o p t i m i z a t i o nw i t hr a n d o ms o c i a li n f l u e n c ef a c t o r ，n s o。与标准粒子群算法_r) 相比，改进粒子群优化算法考虑了整个种群中其他微粒对每个微粒的社会影响， 而不仅仅是单一的具有全局极值的微粒的影响，并且这种社会影响程度随着搜 索的进行而动态调整。最后通过对经典测试函数的测试分析，证明了改进粒子 群优化算法具有更强的全局搜索能力，能够有效提高算法的精度。 2 1 标准粒子群优化算法 2 1 1 粒子群优化算法的原理 p s o 算法源于对鸟群捕食行为的研究，是一种基于迭代的优化工具。它首 先初始化一群随机微粒( 随机解) ，然后通过进化( 迭代) 找到最优解。每个微 粒通过跟踪两个“极值”来更新自己，一个极值是微粒本身找到的最优位置， 这个位置被称作个体极值p b e s h 另一个极值是整个微粒群目前找到的最优位置， 通常被称作全局极值g b e s t 。有时，也可以用部分微粒找到的最优位置，即局部 极值i b e s t 来更新微粒的位置。算法的数学描述为：设置= ( h ，葺：，) 为微 粒f 的当前位置，玉【- x r r 。x ，矗。】，k = ( v 。，峙：，) 为微粒i 的当前飞行速 第二章改进的粒子群优化算法 度，m 一吃。，】，只= ( ，只2 ，a 。) 为微粒i 经历的最好位景，也就是微 粒f 经过的有最好适应度值的位置，称为个体最好位置，即p e s t ： 乞= ( 以，以：，踟) 为整个群体中微粒经过的最好位置，称为全局最好位置， 即g b e s t 。则微粒速度和位置的进化方程可描述为： 妒1 = u 吃+ q x r , ( p 攀一毋) + 乞吒( 蟛一端) ( 2 1 ) = 拶+ 吃 ( 2 2 ) 式中，u 为惯性权重( i n e r t i a w e i 曲t ) ，其取值范围通常为【o 2 ，1 2 bc 1 和c 2 为加速常数( a c c e l e r a t i o nc o n s t a n t s ) ，通常在( o ，2 ) 区间取值：和吒为两个独 立的随机函数，取值范围为【o ，l 】。 从式( 2 1 ) 中可知，每个微粒的速度由三部分组成：第一部分为微粒先前 的速度，第二部分为“认知( c o g n i t i o n ) ”部分，表示微粒自身的思考：第三部 分为“社会( s o c i a l ) ”部分，表示微粒间的信息共享与相互合作。 标准p s o 的算法流程如下： s t e p l ：初始化一群微粒( 群体规模为m ) ，包括随机的位置和速度； s t e p 2 ：评价每个微粒的适应度； s t e p 3 ：对每个微粒，将它的适应度值和它经历过的最好位置p b e s t 的作比较， 如果较好，则将其作为当前的最好位置p b e s t ： s t y 4 ：对每个微粒，将它的适应度值和全局所经历最好位置g b e s t 的作比较， 如果较好，则重新设置g s e s t 的索引号； s t e p 5 ：根据式( 2 1 ) 和式( 2 2 ) 更新微粒的速度和位置： s t e p 6 ：检查结束条件，若满足，则结束寻优；否则，回到s t e p 2 。结束条件 为寻优达到预设的最大进化代数z 。或评价值小于给定精度s 。 2 1 2 粒子群优化算法的参数设置 p s o 算法一个最大的优点就是不需要调节太多的参数，但是算法中的少数 几个参数却直接影响着算法的性能以及收敛性。目前，p s o 算法的理论研究尚 处初级阶段，所以算法参数设置在很大程度上还依赖于经验 3 0 l 。 p s o 参数包括：群体规模m ，微粒长度，微粒范围【_ j k ，】，微粒最 大速度，惯性权重u ，加速常数c l 和乞。下面是这些参数的作用及其设置经 1 4 浙江大学硕士学位论文 验。 群体规模坍：即微粒数目，一般取2 0 - 4 0 。试验表明，对于大多数问题来说， 3 0 个微粒就可以取得很好的结果，不过对于比较难的问题或者特殊类别的问题， 微粒数目可以取到1 0 0 或2 0 0 。微粒数目越多，算法搜索的空间范围就越大，也 就更容易发现全局最优解。当然，算法运行的时间也越长 微粒长度，：即每个微粒的维数，由具体优化问题而定。 微粒范围 一，】；微粒范围由具体优化问题决定，通常将问题的参数 取值范围设置为微粒的范围。同时，微粒每一维也可以设置不同的范围。 微粒最大速度v 腓；：微粒最大速度决定了微粒在一次飞行中可以移动的最大 距离。如果1 。太大，微粒可能会飞过好解；如果v k 太小，微粒不能在局部好 区问之外进行足够的探索，导致陷入局部最优值。通常设定屹一= k 。， o 1 i 1 0 ，每一维都采用相同的设置方法。 惯性权重u ：t o 使微粒保持运动惯性，使其有扩展搜索空间的趋势，有能 力探索新的区域。取值范围通常为【o 2 ，1 2 】。早期的试验将u 固定为1 0 1 3 1 。试验 发现，动态惯性权重因子能够获得比固定值更为优越的寻优结果，使算法在全 局搜索前期有较高的探索能力以得到合适的种子。动态惯性权重因子可以在p s o 搜索过程中线性变化，亦可根据p s o 性能的某个测度函数而动态改变，比如模 糊规则系统。目前采用较多的动态惯性权重因子是s h i 建议的线性递减权值策 略，如式( 2 3 ) 。它能使u 由0 9 随迭代次数线性递减到o 4 3 1 , a 2 l 。 印：( 一d ) 掣+ ( d e n d( 2 3 ) m a x 式中，z 施为最大进化代数，国删为初始惯性权值，( o e n d 为迭代至最大代数时 的惯性权值。典型取值国m f = 0 9 ，o e n d