基于JADE平臺的粒子群算法 在經(jīng)濟(jì)調(diào)度中的應(yīng)用

陳智慧

（廣東工業(yè)大學(xué)自動(dòng)化學(xué)院自動(dòng)化學(xué)院，廣州 510006）

經(jīng)濟(jì)調(diào)度（Economic Dispatch，ED）是電力系統(tǒng)優(yōu)化不可缺少的組成部分，其目的是最小化機(jī)組總發(fā)電成本，并且保證電力系統(tǒng)安全有效地運(yùn)行。其對電力系統(tǒng)經(jīng)濟(jì)可靠運(yùn)行具有重要意義[1]。

經(jīng)濟(jì)調(diào)度一直都是電力行業(yè)的研究熱點(diǎn)。近年來，模擬自然進(jìn)化規(guī)律的智能算法得到大力發(fā)展，此類智能算法適用于求解非線性，不可微，多約束等復(fù)雜優(yōu)化問題。文獻(xiàn)[1]以動(dòng)物搜索行為啟發(fā)，提出快速群搜索優(yōu)化算法，測試結(jié)果表明算法是可行的。文獻(xiàn)[2]通過添加自適應(yīng)因子，提出了改進(jìn)的混合蛙跳算法來求解經(jīng)濟(jì)調(diào)度模型。文獻(xiàn)[3]提出了飽和度自適應(yīng)微分進(jìn)化算法，算法引入飽和度概念和控制參數(shù)自適應(yīng)調(diào)整策略，使算法避免“早熟” 現(xiàn)象，實(shí)驗(yàn)結(jié)果表明算法是可行的。

本文通過引入小概率變異和設(shè)置動(dòng)態(tài)慣性權(quán)重，提出了基于JADE 平臺的改進(jìn)粒子群算法。算法具有快速搜索能力，算法在高維和復(fù)雜優(yōu)化問題中效果明顯。本文使用IEEE118 節(jié)點(diǎn)40 機(jī)組的標(biāo)準(zhǔn)測試系統(tǒng)進(jìn)行測試，結(jié)果表明了算法的可行性，對復(fù)雜系統(tǒng)求解的優(yōu)越性。

1 電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型

1.1 燃料成本模型

電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型是在滿足各種等式和不等式約束條件下，以燃料成本為目標(biāo)函數(shù)。汽輪機(jī)的進(jìn)氣閥突然開啟時(shí)的拔絲效應(yīng)使機(jī)組發(fā)電費(fèi)用曲線產(chǎn)生閥點(diǎn)效應(yīng)。機(jī)組能耗曲線的二次函數(shù)可以表示為[3]

式中，F(xiàn)為總的燃料成本；N為系統(tǒng)中的機(jī)組總數(shù)；Pimin為第i臺機(jī)組的有功功率出力下限；Pi為第i臺機(jī)組的有功功率；ai、bi、ci、ei、fi分別為機(jī)組i的耗量成本特征系數(shù)。

1.2 約束條件

式中：Pimax、Pimin分別為第i臺機(jī)組的有功功率出力上下限。Pi為第i臺機(jī)組的有功功率。PD為負(fù)荷需求。

2 基于JADE 的改進(jìn)粒子群算法

2.1 JADE 平臺和MAS

JADE 平臺全稱為 Java Agent Development Framework，是一個(gè)遵守FIPA 協(xié)議的軟件框架。平臺由Agent 管理系統(tǒng)（AMS）負(fù)責(zé)管理平臺中Agent的生命周期和狀態(tài)，目錄服務(wù)（DF）負(fù)責(zé)平臺中的黃頁服務(wù)和消息傳輸系統(tǒng)（ACC）控制平臺內(nèi)消息的交換[4]。

由多個(gè)Agent 組成的系統(tǒng)稱為多Agent 系統(tǒng)（Multi Agent System，MAS）。MAS是由許多具有獨(dú)立個(gè)體的智能體組成的，每個(gè)個(gè)體可以完成感知、學(xué)習(xí)、協(xié)作、行動(dòng)等操作。多個(gè)Agent組成一個(gè)互相合作，互相作用的系統(tǒng)，通過多個(gè)Agent之間互相通訊協(xié)作，將問題分解，能完成某些復(fù)雜的目標(biāo)或任務(wù)[5]。

2.2 改進(jìn)PSO 算法

粒子群算法是模擬大自然中鳥類捕食行為的一種智能算法。算法具有易于理解、實(shí)現(xiàn)和收斂速度快等特點(diǎn)[6]。其基本原理是每個(gè)粒子根據(jù)自身經(jīng)驗(yàn)和種群間信息共享交換來進(jìn)行進(jìn)化，最終求取全局最優(yōu)解。在粒子群算法中，粒子的速度和位置的更新公式如下[7]：

式中，vik、xik分別為i粒子第k代的速度和位置；w為慣性權(quán)重；r1、r2為數(shù)值在[0,1]區(qū)間之間的隨機(jī)數(shù)；c1、c2為加速常數(shù)；Pi、Pg分別為個(gè)體最優(yōu)解和全局最優(yōu)解。

慣性權(quán)重w對粒子群的收斂特性具有重要的影響。較大的慣性權(quán)重有利于全局搜索，而較小的慣性權(quán)重則有利于局部搜索，所以本文算法采用動(dòng)態(tài)的慣性權(quán)重來優(yōu)化算法的收斂特性[6]。

式中，w為當(dāng)前的慣性權(quán)重。wmax、wmin分別為最大、最小的慣性權(quán)重。Niter為當(dāng)前迭代數(shù)。Nitermax為最大迭代數(shù)。

粒子群算法容易陷入“早熟”現(xiàn)象，使算法趨于局部最優(yōu)解。為此，本文在粒子群算法中引入小概率變異機(jī)制，對粒子的位置以一定概率產(chǎn)生擾動(dòng)，使算法擺脫局部最優(yōu)解[6]。

2.3 交互模型

本文提出的基于JADE 平臺下的多智能體粒子群算法（multi agent particle swarm optimization algorithm，MAPSO）是由一個(gè)中間體Agent 和若干個(gè)個(gè)體Agent 組成，它們分布在不同的網(wǎng)絡(luò)節(jié)點(diǎn)上[8]。其中中間體 Agent 負(fù)責(zé)挑選出全局最優(yōu)解，是MAPSO 算法的核心Agent。中間體Agent 負(fù)責(zé)收集所有個(gè)體Agent 適應(yīng)值并排序篩選出最優(yōu)適應(yīng)值。通過與個(gè)體Agent 通信，得到全局最優(yōu)解。每個(gè)個(gè)體Agent（Individual）代表一個(gè)粒子，即模型中的一個(gè)潛在解，是粒子群算法的主要完成者。個(gè)體Agent 根據(jù)粒子群算法的進(jìn)化公式，在每次迭代的過程中不斷地更新自身，得到進(jìn)化。算法中每個(gè)個(gè)體Agent 在局域網(wǎng)設(shè)備中隨機(jī)生成，因此能充分利用現(xiàn)有的設(shè)備，大幅度提高了算法的優(yōu)化效率，增加了算法的并行性。

基于JADE 的PSO 算法實(shí)現(xiàn)的具體過程如下。

步驟1：Node_1_Agent 向其他設(shè)備發(fā)出請求，在多臺設(shè)備中隨機(jī)生成多個(gè)Agent。

步驟2：個(gè)體Agent（Individual）隨機(jī)產(chǎn)生一組粒子群算法的參數(shù)（位置X 和速度V），計(jì)算出適應(yīng)值（機(jī)組費(fèi)用），將適應(yīng)值定義為個(gè)體歷史最優(yōu)值并傳遞給中間體Agent（Middleware）。

步驟3：中間體Agent 接受了所有Agent 的適應(yīng)值，排序并篩選出最優(yōu)的適應(yīng)值。將最優(yōu)適應(yīng)值命名為全局最優(yōu)值并向具備最優(yōu)適應(yīng)值的個(gè)體Agent 發(fā)送請求。

圖1 基于JADE 平臺的PSO 算法

步驟4：具備最優(yōu)適應(yīng)值的個(gè)體Agent 接受到到中間Agent 發(fā)送的請求后，將自身當(dāng)前的位置返回給中間體Agent。

步驟5：中間體Agent 將接受到的位置廣播給所有個(gè)體Agent。

步驟6：個(gè)體Agent 根據(jù)小概率變異而更新自己，根據(jù)式（4）、式（5）更新自身的位置，速度和并且計(jì)算出適應(yīng)值。

步驟7：如果迭代數(shù)超過了上限，結(jié)束算法，否則進(jìn)入步驟3。

3 算例仿真

為了驗(yàn)證基于JADE 的PSO 算法的優(yōu)化效果，對IEEE118 節(jié)點(diǎn)40 臺機(jī)組系統(tǒng)進(jìn)行了經(jīng)濟(jì)調(diào)度計(jì)算，算法運(yùn)行在Intel E5300、4G 內(nèi)存硬件環(huán)境中。考慮閥點(diǎn)效應(yīng)的 40 機(jī)組經(jīng)濟(jì)調(diào)度系統(tǒng)，負(fù)荷為10500MW，粒子總數(shù)為10，迭代總數(shù)為2000，c1、都為2。40 機(jī)組的費(fèi)用參數(shù)參照文獻(xiàn)[9]。而基于Matlab 的PSO 算法的基本參數(shù)如上面一致。

圖2 不同平臺的收斂特性圖

表1 不同平臺的數(shù)據(jù)對比

由圖2和表1可知，基于JADE 的PSO 算法相比基于Matlab 的PSO 算法具有更優(yōu)的收斂精度。而基于JADE 平臺的PSO 算法運(yùn)行在3 臺設(shè)備當(dāng)中，能有效地減輕主設(shè)備的計(jì)算任務(wù)，有效利用現(xiàn)有的設(shè)備，增強(qiáng)算法的并行性。

4 結(jié)論

1）基于JADE 的PSO 算法將算法運(yùn)行在不同設(shè)備當(dāng)中，能有效地利用現(xiàn)有的設(shè)備，大大減輕核心設(shè)備的計(jì)算任務(wù)。

2）多Agent 系統(tǒng)使復(fù)雜問題分解，由多個(gè)多智能體獨(dú)立并共同協(xié)商地完成，增強(qiáng)了算法的并行性和智能性。

3）算法引入動(dòng)態(tài)慣性權(quán)重和小概率變異，使算法有效地?cái)[脫局部最優(yōu)解，更接近全局最優(yōu)解。

[1] 詹俊鵬,郭創(chuàng)新,吳青華,等. 快速群搜索優(yōu)化算法及其在電力系統(tǒng)經(jīng)濟(jì)調(diào)度中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報(bào),2012,32(Z): 1-6.

[2] 代永強(qiáng),王聯(lián)國,施秋紅,等. 改進(jìn)的混合蛙跳算法性能分析及其在電力系統(tǒng)經(jīng)濟(jì)調(diào)度中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制,2012,40(10): 77-83.

[3] 劉卓,黃純,郭振華,等. 飽和度自適應(yīng)微分進(jìn)化算法在電力經(jīng)濟(jì)調(diào)度中的應(yīng)用[J]. 電網(wǎng)技術(shù),2011,35(2): 100-104.

[4] 旭日. 基于JADE 平臺的網(wǎng)絡(luò)信息搜索與集成系統(tǒng)[D]. 天津大學(xué): 天津大學(xué),2006: 6-9

[5] 劉漢雷. 基于Jade 的多Agent 圖像檢索系統(tǒng)[D]. 華中科技大學(xué): 華中科技大學(xué),2011: 7-8

[6] 劉剛,彭春華,相龍陽. 采用改進(jìn)型多目標(biāo)粒子群算法的電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度[J]. 電網(wǎng)技術(shù),2011,35(7): 139-144.

[7] 梅飛,梅軍,鄭建勇,等. 粒子群優(yōu)化的KFCM 及SVM 診斷模型在斷路器故障診斷中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報(bào),2013,33(36): 134-141.

[8] 孟安波,殷豪. 基于多Agent 的遺傳算法在PID 調(diào)速器中的優(yōu)化[J]. 電力自動(dòng)化設(shè)備,2012,32(9): 128-133.

[9] SINHA N,CHAKRABARTI R,CHATTOPADHYAY A P K. Evolutionary Programming Techniques for Economic Load Dispatch[J]. IEEE Transactions on Evolutionary Computation,2003,7(1): 83-94.