基于改進蟻群算法的電力自動調(diào)度模型構(gòu)建

譚振鵬，鄧智廣

摘 要：以電力自動調(diào)度為對象，提出了一種基于蟻群算法和粒子群算法的改進蟻群算法， 該算法在分析了蟻群算法優(yōu)缺點的基礎(chǔ)上，通過利用粒子群算法得到蟻群算法重要參數(shù)值，從而達到提升算法性能的目的。通過仿真實驗證明，提出的改進蟻群算法模型具有可行性，并且在性能方面優(yōu)于粒子群算法和蟻群算法。

關(guān)鍵詞：電力自動調(diào)度;蟻群算法;粒子群算法;模型構(gòu)建

中圖分類號：TP18;TM734 文獻標識碼：A ? ? 文章編號：1001-5922（2021）11-0088-04

Construction of Electric Power Automatic Dispatching Model Based on Improved Ant Colony

Tan Zhenpeng， Deng Zhiguang

（Foshan Power Supply Bureau，Guangdong Power Grid Co.， Ltd.， Foshan 528000， China）

Abstract：Take power automatic scheduling as the object， an improved ant colony algorithm based on ant colony and particle group algorithm， which based on the advantages and disadvantages of ant algorithm is proposed， important parameter values of the ant colony algorithm are obtained by using the particle colony algorithm， so as to achieve the purpose of improving the algorithm performance. As proved by simulation experiments， the proposed improved ant swarm algorithm model is feasible and outperforms the particle swarm and ant swarm algorithms in terms of performance.

Key words：automatic power scheduling; ant colony algorithm; particle colony algorithm; model construction

0 引言

電能是當前人類社會極為重要的能源，直接關(guān)乎生產(chǎn)勞動和人們的日常生活。我國通過長期的規(guī)劃、建設(shè)等諸多努力，目前已經(jīng)構(gòu)建起復(fù)雜而龐大的電力自動化系統(tǒng)體系，加速了國民經(jīng)濟的發(fā)展與生活的改善。其中，電力調(diào)度自動化系統(tǒng)集成了電力監(jiān)控、電能計量、安全運維等多個電力系統(tǒng)，是關(guān)系到電網(wǎng)能否安全穩(wěn)定運行的重要環(huán)節(jié)，因此對電力調(diào)度自動化領(lǐng)域展開深入研究具有著重要的意義。在此背景下，本文以電力自動調(diào)度模型做為對象，研究如何利用先進的算法模型來提高電力調(diào)度數(shù)據(jù)的及時性和準確度。

1 粒子群算法

粒子群算法（PSO）是通過觀察鳥群覓食行為而提出的一種全局搜索優(yōu)化算法，其主要原理是：在自然界中，鳥群的覓食過程可以看作是群體中每只鳥不斷聚合、離散并且向食物方向運動的過程。若把鳥群視為“粒子群”，鳥群中的每只個體視為“粒子”，則“粒子”的位置就是優(yōu)化問題的解。每個“粒子”在多維搜索空間中運動，并且根據(jù)自身以及其他“粒子”的經(jīng)驗來調(diào)整方向和速度，從而通過彼此間的協(xié)作和競爭靠近并最終得到最優(yōu)解。

對于一個存在N個粒子的多維目標搜索空間，所有粒子構(gòu)成一個粒子群，第i個粒子為該搜索空間維度D的向量：

第i個粒子的運動速度為：

第i個粒子的最優(yōu)解Pbest為該粒子搜索到最佳適應(yīng)值的位置：

粒子群的全局最優(yōu)解gbest為

每個粒子個體在搜索最優(yōu)解的過程中，根據(jù)個體自身的最優(yōu)解Pbest和粒子群的全局最優(yōu)解gbest，來調(diào)整粒子個體自身的位置和向全局最優(yōu)解gbest運動的速度Vid，其影響因素包括粒子個體的運動慣性、粒子個體自身歷史經(jīng)驗以及粒子群群體歷史經(jīng)驗。粒子個體調(diào)整自身位置和運動速度的具體公式為

式（5）中，c1表示粒子個體對自身歷史經(jīng)驗的學(xué)習因子;c2表示粒子個體對粒子群歷史經(jīng)驗的學(xué)習因子;r1與r2則表示在[0，1]范圍內(nèi)的均勻隨機數(shù)。

粒子群算法雖然僅需要調(diào)節(jié)少量參數(shù)，但是粒子個體在算法執(zhí)行后期階段時將非?？拷?，因此參數(shù)稍有變動就容易導(dǎo)致局部搜索能力的顯著降低，直接影響算法的收斂性和性能。以粒子的最大運動速度Vmax為例，該參數(shù)的取值直接決定了粒子單次運動的最大距離，若取值過高則可能錯過最優(yōu)解，取值過低則不能進行充分的搜索而導(dǎo)致局部最優(yōu)問題。

2 蟻群算法

蟻群算法（ACO）是通過觀察蟻群覓食行為而提出的一種模擬進化算法。在自然界中，螞蟻覓食時會在運動路徑上留下信息素，信息素會吸引一定范圍內(nèi)的其他螞蟻，使其改變原本的行進路徑。隨著被影響的螞蟻數(shù)量逐漸增長，該路徑上的信息素也越來越多，其他螞蟻選擇該路徑的概率就越大。因此，蟻群覓食行為可以看作是一個正反饋機制。

本文以典型的旅行商算法（TSP）問題來說明蟻群算法的數(shù)學(xué)模型。假設(shè)某平面上蟻群中的螞蟻個體數(shù)量為m，城市數(shù)量為n，其中城市i到城市j的距離為，城市i在t時刻的螞蟻個體數(shù)量為，路徑（i，j）在t時刻的信息素濃度為τij（t），則。TSP問題即尋找經(jīng)過所有城市各一次后回到出發(fā)點的最短路徑，在初始時刻所有路徑上的信息素濃度相同，因此可以設(shè)初始值τij（0）=const。在t時刻，螞蟻k由城市i到城市j運動的概率為Pijk（t）：

由于可能出現(xiàn)過早收斂到局部最優(yōu)解的問題，因此引入信息素揮發(fā)系數(shù)1-ρ，當螞蟻經(jīng)過n個時刻完成一次循環(huán)后，對路徑上的信息素進行調(diào)節(jié)。假設(shè)螞蟻k在完成一次循環(huán)后自身在路徑（i，j）留下的信息素濃度為，路徑（i，j）上的信息素濃度總量為，則：

式中，Q為常數(shù);Lk為螞蟻k在該次循環(huán)的路徑總長度。

3 改進蟻群算法

蟻群算法的求解過程中無需人工干預(yù)，不受初始路線選擇的影響，僅涉及了少量參數(shù)，因此蟻群算法的穩(wěn)定性、魯棒性好。此外，每個螞蟻個體的覓食行為是獨立的、多個個體同時進行的，個體間只通過信息素進行交互，因此蟻群算法是一種分布式計算方法，并且具有良好的可靠性和全局搜索能力。但是，蟻群算法的缺點也很明顯，在解決規(guī)模較大的問題時其性能不佳，可能出現(xiàn)數(shù)量較大的無效搜索而導(dǎo)致收斂過程冗長，收斂性降低且容易陷入局部最優(yōu)解。針對蟻群算法的上述問題，本研究考慮了電力調(diào)度自動系統(tǒng)的實際情況，結(jié)合粒子群算法（PSO）和蟻群算法（ACO），提出一種改進蟻群算法（PSO-ACO）。

對于蟻群算法，啟發(fā)因子α和啟發(fā)因子β對算法性能有著決定性的影響作用，而其選擇方法主要采用以往經(jīng)驗或者仿真實驗結(jié)果。本文對蟻群算法的改進部分，主要是以具有良好全局尋優(yōu)能力的粒子群算法來得到蟻群算法中啟發(fā)因子α和啟發(fā)因子β的最優(yōu)組合。

在式（5）和式（6）中，通常根據(jù)對以往經(jīng)驗的分析來確定W的取值。這種取值方式不具備通用性，將其取值設(shè)為0，由此得到：

在此基礎(chǔ)上，對蟻群算法的啟發(fā)因子α和啟發(fā)因子β的初始速度進行設(shè)置，使其在尋找問題最優(yōu)解的過程中利用粒子群算法實現(xiàn)進化。當?shù)玫阶顑?yōu)適應(yīng)度函數(shù)時，啟發(fā)因子α和啟發(fā)因子β的最優(yōu)位置即為其最優(yōu)組合。

改進蟻群算法（PSO-ACO）的具體流程如圖1所示。

4 算法仿真與分析

本文提出了改進蟻群算法（PSO-ACO），為了驗證該算法的可行性和性能，進行算法仿真實驗并分析實驗結(jié)果。算法仿真實驗采用 Windows 10操作系統(tǒng)，以MATLAB軟件進行開發(fā)，搭建的硬件平臺采用Intel奔騰G5500 型CPU， 8G容量的金士頓DDR4內(nèi)存。

仿真實驗選擇經(jīng)典TSP問題進行，首先設(shè)置信息素揮發(fā)系數(shù)為0.6，求取蟻群算法的啟發(fā)因子α和啟發(fā)因子β的最優(yōu)組合，接著在此基礎(chǔ)上將結(jié)果代入到下個計算程序，最終得到經(jīng)典TSP問題的最佳路徑。

運行60 s后，得到如表1所示的仿真實驗結(jié)果。

從表1可以看到，多次實驗所得的結(jié)果并不統(tǒng)一。分析其原因，主要有兩點：一是在粒子群算法階段，粒子的初始位置具有差異;二是在蟻群算法階段，每次計算的相對最優(yōu)路徑具有差異。進一步分析后發(fā)現(xiàn)，即使得到的最優(yōu)路徑結(jié)果不統(tǒng)一，但各次實驗結(jié)果均優(yōu)于經(jīng)典TSP問題庫的給定值，由此可證明改進蟻群算法（PSO-ACO）具有可行性。

為了更好地驗證改進蟻群算法（PSO-ACO）的性能，文章在上述仿真平臺上分別對粒子群算法、蟻群算法和文章提出的改進蟻群算法進行對比實驗，結(jié)果如表2所示。

從表2可以看到，與粒子群算法和蟻群算法相比，本文提出的改進蟻群算法（PSO-ACO）計算結(jié)果最接近理論值，證明該算法具有更優(yōu)良的性能。

5 結(jié)語

綜上所述，本研究提出的改進蟻群算法（PSO-ACO）具備可行性和有效性，算法性能十分優(yōu)越。仿真結(jié)果表明，本研究提出的改進蟻群算法進行計算后取得的結(jié)果均比經(jīng)典TSP問題庫的標準值更高。且通過進一步驗證后發(fā)現(xiàn)，粒子群優(yōu)化算法和蟻群算法的實驗結(jié)果為695.156 67和372.167 8，與TSP庫的最優(yōu)解存在較大的差距，而本研究提出，改進后的算法得到的實驗結(jié)果為679.214 5，更接近于最優(yōu)解678.597 45，計算時間為56.2 s，損耗時間相較于另外兩種算法來說相對更少。由此說明，通過本研究提出的改進蟻群算法（PSO-ACO）構(gòu)建的模型可以在很大程度上提升電力調(diào)度自動化系統(tǒng)數(shù)據(jù)的及時性和準確性。然而，由于實驗條件限制，本研究存在一定的不足和局限，構(gòu)建的模型處于仿真實驗，最終的實驗結(jié)果不夠準確和客觀。因此，在這一方面還需進一步改進，后續(xù)將對硬件設(shè)備進行升級和完善，在真實環(huán)境下對算法和模型進行測試，從而提高其可靠性和穩(wěn)定性。

參考文獻

[1]閃 鑫，陸 曉，翟明玉，等. 人工智能應(yīng)用于電網(wǎng)調(diào)控的關(guān)鍵技術(shù)分析[J]. 電力系統(tǒng)自動化，2019，43（01）：49-57.

[2]吳清平. 一種改進的粒子群優(yōu)化算法研究[J]. 大慶師范學(xué)院學(xué)報，2018，38（06）：68-71.

[3]覃遠年，梁仲華. 蟻群算法研究與應(yīng)用的新進展[J]. 計算機工程與科學(xué)，2019，41（01）：173-184.

[4]陳國民. 智能電網(wǎng)技術(shù)在電力調(diào)度自動化中的發(fā)展研究要點[J]. 通信電源技術(shù)，2019，36（10）：277-278.

[5]王文豐，宋 勇，韓龍哲，等. 一種改進的粒子群算法的路徑規(guī)劃研究[J]. 小型微型計算機系統(tǒng)，2019，40（12）：2 614-2 618.

[6]何伊妮，曹 偉，韋昌福，等. 基于膜計算和蟻群算法的電網(wǎng)云平臺資源配置方法[J]. 電力工程技術(shù)，2020，39（01）：103-109.

[7]汪 沖，李 俊，李 波，等. 改進的蟻群與粒子群混合算法求解旅行商問題[J]. 計算機仿真，2016，33（11）：274-279.

[8]張于賢，丁修坤，薛殿春，等. 求解旅行商問題的改進蟻群算法研究[J]. 計算機工程與科學(xué)，2017，39（08）：1 576-1 580.

[9]李 擎，張 超，陳 鵬，等. 一種基于粒子群參數(shù)優(yōu)化的改進蟻群算法[J]. 控制與決策，2013，28（06）：873-878+883.

[10]孫名揚，高 原，嚴亞勤，等. 智能電網(wǎng)調(diào)度控制系統(tǒng)集群化技術(shù)[J]. 電力系統(tǒng)自動化，2015，39（01）：31-35.

[11]馬繼輝，余明捷，陳鑫杰，等. 基于Hama并行蟻群算法模型及TSP應(yīng)用研究[J]. 交通運輸系統(tǒng)工程與信息，2016，16（03）：168-173+180.