基于改進雪雁算法的熱電聯產系統經濟調度優化

摘" 要： 熱電聯產技術由于具有經濟、低排放、高效能源利用等眾多優勢，在現代電力系統中應用廣泛。文中研究包括多機組在內的熱電聯產經濟調度優化，建立了考慮機組閥點載荷效應、爬坡速率限制等因素的熱電聯產模型，并對熱電聯產機組進行了熱電解耦改造。針對該模型中數值算法求解存在的無效迭代次數多、收斂精度低甚至不收斂的問題，提出一種具有速度約束的自適應布朗運動雪雁算法，通過約束速度大小以及有規律地調整雪雁算法中布朗運動幅度大小，達到增加有效迭代次數、提高收斂精度的目的。在該模型中進行改進雪雁算法與原始雪雁算法以及其他算法的尋優測試對比，結果表明改進雪雁算法在尋優測試中取得了較好的效果，比其他算法更能減少支出。

關鍵詞： 雪雁算法； 熱電聯產； 經濟調度優化； 自適應布朗運動； 速度約束； 熱電解耦

中圖分類號： TN929.5?34； TM743" " " " " " " " "文獻標識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）06?0127?09

CHP system ED optimization based on improved snow geese algorithm

QIU Zhiyong1， MO Yuanbin1， 2

（1. Instiute of Artificial Intelligence， Guangxi University for Nationalities， Nanning 530006， China;

2. Key Laboratory of Hybrid Computing and Integrated Circuit Design Analysis， Nanning 530006， China）

Abstract： Combined heat and power （CHP） technology is widely used in modern power system because of its advantages of economy， low emission and high efficiency in energy utilization. The economic dispatch （ED） optimization of CHP is researched， the CHP model considering factors such as valve point load effects and ramp rate limitations of the unit is built， and the thermoelectric decoupling transformation of CHP unit is also carried out. In order to solve the problems of many invalid iterations， low convergence accuracy or even non?convergence of numerical algorithms in this model， an adaptive Brownian motion snow geese algorithm with velocity constraints is proposed. By constrains the velocity and regularly adjusts the Brownian motion amplitude in the snow goose algorithm， the effective iterations are increased and the convergence accuracy is improved. In this model， the improved snow Goose algorithm is compared with the original snow Goose algorithm and other algorithms. The results show that the improved snow Goose algorithm can achieve better results in the optimization test， and can reduce the cost more than other algorithms.

Keywords： snow geese algorithm; combined heat and power; economic dispatch optimization; adaptive Brownian motion; speed constraint; thermoelectric decoupling

0" 引" 言

在現代電力系統和熱力系統中，經濟調度（Economic Dispatch， ED）是系統運行規劃中非常重要的一個步驟[1?2]。在中國的某些地區，往往會將電力系統和熱力系統整合到一個系統中實現熱電聯產（Combined Heat and Power， CHP），從而提高整體系統的靈活性，降低整個系統的運行成本[3?4]。由于熱電聯產系統有著眾多的變量與約束條件，使得經濟調度問題成為了復雜、多維、多組合、高約束的非線性優化問題[5?6]，傳統優化算法解決此類問題代價過大，而群智能優化算法在解決此類問題時有顯著優勢，已被成功應用于該問題的求解。然而每一種算法都有其特點，沒有一種算法能求解所有問題。

雪雁算法（SGA）[7]是一種新型的受自然啟發的元啟發式算法，因其布朗運動而非常適用于逃離局部最優和在最優值附近精確搜索該最優值的行為，也能夠在長周期、多約束的ED問題中增加算法的有效迭代次數，適用于此類熱電聯產經濟調度（Combined Heat and Power Economic Dispatch， CHPED）問題的求解。但該算法也有不足之處，比如雪雁個體的速度可能會異常大，也可能會異常小，這兩種行為都不利于算法的尋優。為此，本文提出了一種具有速度約束的自適應布朗運動的SGA算法，用于熱電聯產經濟調度優化。

圖1是本文所建立的熱電聯產模型，表1是所建立的模型與目前其他模型的對比。本研究的主要貢獻如下。

1） 考慮了包括火力發電機組（Thermal Generating Units， TGUs）、熱電聯產機組（Combined Heat and Power Units， CHP）、純發熱機組（Heat?only Units， HOUs）、太陽能光伏電站（Solar PV Plants， SPVPs）、風力發電機組（Wind Turbine Generators， WTGs）在內的CHPED問題，調度總周期為24 h，每隔1 h進行一次調度。

2） 考慮了TGU機組的閥點載荷效應，TGU、CHP機組的產電爬坡速率限制，以及SPVP、WTG機組的儲存成本、懲罰成本。

3） 使用電轉氣?碳捕集（Power?to?Gas and Carbon Capture）技術對CHP機組進行熱電解耦改造。

4） 由于該模型解空間極為離散，且熱電解耦改造進一步增加了解空間的范圍，加劇了調度難度，因此提出了一種基于SGA的改進算法（SCAB?SGA），用于提高數值算法的收斂精度。

1" CHPED問題數學模型

1.1" 各機組運行成本建模

1.1.1" TGU機組運行成本建模

TGU機組運行成本與產電量[16]有關，公式為：

式中：[fTGU，i，t（PTGU，i，t）]表示第i個TGU機組在第t小時產生電量[PTGU，i，t]時的成本；[aTGU，i]、[bTGU，i]、[cTGU，i]為第i個TGU機組的燃料成本系數。式（1）在最后一項考慮了TGU機組的閥點載荷效應，其以非凸函數的形式表示[3]。

1.1.2" CHP機組成本建模

CHP機組的運行成本與其產電量和產熱量成正比[17]，表述為：

式中：[fCHP，i，t（PCHP，i，t，HCHP，i，t）]表示第i個CHP機組在第t小時產生電量[PCHP，i，t]、產生熱量[HCHP，i，t]時的成本；[aCHP，i]、[bCHP，i]、[cCHP，i]、[dCHP，i]、[eCHP，i]、[gCHP，i]為第i個CHP機組的燃料成本系數。

1.1.3" HOU機組運行成本建模

HOU機組的運行成本與其產熱量成正比[18]，表述為：

式中：[URTGU，i]、[DRTGU，i]分別為第i個TGU機組產電的上升斜坡限制、下降斜坡限制；[URCHP，i]、[DRCHP，i]分別為第i個CHP機組產電的上升斜坡限制、下降斜坡限制。

2" 改進的雪雁算法

2.1" 雪雁算法

在雪雁算法中，每只雪雁所處的位置都代表問題在搜索空間中的一種解決方案，每只雪雁都有其位置、速度和適應度值。雪雁算法的步驟如下。

1） 初始化種群。隨機化種群中每只雪雁的初始位置P、初始速度V，可以表示為：

式中：mod表示取余；[r4]為常數，取值范圍為[0，1]。方差以迭代次數100為周期，在[2[r4]，2（1+[r4）]]內循環往復。方差較大時，粒子有很大的概率以較大的幅度隨機更新，有利于跳出局部最優；方差較小時，粒子在最優值附近大概率以小步幅精確尋找該最優值，有利于算法收斂到較高的精度。

3" 測試系統

該系統是一個由13個TGU[6]機組（表2中Unit1～13）、6個CHP[6]中機組（表3中Unit1～6）、3個HOU[6]機組（表4中Unit1～3）、3個太陽能發電機組、3個風力發電機組組成的大型熱電聯產系統。太陽輻射照度如圖3所示，太陽能發電機組額定功率[PSPVP，rated]=175 MW，機組直接成本系數、儲備成本系數和懲罰成本系數分別取6、2和1。

風力發電機的切入風速[Vcutin]=4 m/s，切出風速[Vcutoff=25 m/s]，額定風速[VWTG，rated=15 m/s]，額定功率[PWTG，rated]=175 MW，某地區各個時刻風速如圖4所示，機組的直接成本系數、儲備成本系數和懲罰成本系數分別取7、2和1。

系統所需電量、熱量和環境溫度圖如圖5、圖6所示，參考溫度取24 ℃。P2G?CCS系統中，[α]取0.55，β取1.02，γ取0.5，η取0.4，[PmaxP2G]分別取為30 MW、20 MW、30 MW、20 MW、5 MW、20MW。

SCAB?SGA中各參數取值為：[r1]=0.8，[r2]=10，[r4=0]，特別地，對于產電機組[r3=20]，對于產熱機組[r3=1]。迭代次數設置為5 000次，種群數量為60。

本文中比較雪雁算法（SGA）、SCAB?SGA、鴿群優化（PIO）算法、正余弦優化算法（SCA）、鯨魚優化算法（WOA）、粒子群優化（PSO）算法在測試系統上經濟調度的結果，部分算法的參數設置如表5所示。

4" 測試結果

表6為6種算法在測試系統上的經濟調度結果。從表中可以看到，SCAB?SGA得到的最小值為3.36×106，平均值為3.47×106，明顯優于其他算法所得到的最小值與平均值。SCAB?SGA算法相比于SGA，尋找到的最小支出減少了10.49%，相比于其他算法（PIO、SCA、WOA、PSO）得到的最小支出依次減少了25.8%、21.5%、12.5%、43.24%，尋優性能提升幅度非常大，說明SCAB?SGA算法更加適用于在多維度多約束情況下的調度。

圖7為6種算法的適應度隨迭代次數變化圖，從中可以看到SCAB?SGA在迭代次數達到1 000后適應度依舊在緩慢下降，這與起初對算法改進的預期猜想（改變布朗運動幅度有利于算法精確尋找最優值）一致。在這6種算法中，原始SGA算法尋找到的最優值與WOA算法尋找到的最優值幾乎一致，但表6中顯示原始SGA算法的穩定性明顯差于WOA的穩定性。對該模型求解能力最差的算法為PSO，其在5 000次的迭代中適應度幾乎不更新。

圖8、圖9為TGU機組產電量隨時間變化圖。TGU1～TGU3在某些時段（如3～9 h）由于爬坡速率因素限制了算法對其產電量更新的幅度。事實上，造成算法對該模型求解困難的原因就在于爬坡速率因素的限制，它極大地限制了算法更新數值的能力。

圖10、圖11分別為CHP機組產電量、P2G系統耗電量隨時間變化趨勢圖。從圖中可以看出P2G耗電量大部分時間維持在較高的狀態，這使CHP機組大幅減弱了其電熱耦合特性，增強了功率調節的能力。

圖12為SPVP機組和WTG機組產電量隨時間變化的趨勢圖。可以看到，經算法優化后的產電量與其太陽輻射照度、風力速度大致呈正比，說明在該模型中新能源經濟開銷較小。

圖13、圖14分別為CHP機組和HOU機組產熱量，可以看到除第3個HOU機組外其余機組產熱量隨時間波動小，非常平穩。第3個HOU機組的產熱量先隨時間上升（1～12 h），后隨著時間下降（13～24 h），這與圖5中熱量需求變化一致。

5" 結" 語

本文研究了綜合能源系統長周期的熱電聯產經濟調度優化問題，建立了考慮多種因素的熱電聯產模型，并針對該模型中的數值算法對其求解存在的無效迭代次數多、收斂精度低甚至不收斂的問題，提出一種具有速度約束的自適應布朗運動雪雁算法。經過在大型熱電聯產測試系統上實際測試，所提算法取得了優于其他算法的良好結果，比其他算法均能減少支出，說明該算法在熱電聯產系統調度優化求解方面具有良好的性能。

注：本文通訊作者為莫愿斌。

參考文獻

[1] NAVEED A K. Combined emission economic dispatch of power system including solar photo voltaic generation [J]. Energy conversion and management， 2015， 92： 82?91.

[2] 潘晨，滕歡，梁夢可，等.基于改進粒子群算法考慮閥點效應的經濟負荷最優分配[J].電力科學與技術學報，2020，35（1）：151?156.

[3] ABDI H. A survey of combined heat and power?based unit commitment problem： optimization algorithms， case studies， challenges， and future directions [J]. Mathematics， 2023， 11（19）： 102.

[4] LIN C H. Joint commitment of generation units and heat exchange stations for combined heat and power systems [J]. IEEE transactions on sustainable energy， 2019， 11（3）： 1118?1127.

[5] 潘華，梁作放，李永奎，等.考慮電動汽車用戶行為特性的電力系統經濟調度[J].電力科學與技術學報，2020，35（1）：96?101.

[6] BASU M. Fuel constrained commitment scheduling for combin?ed heat and power dispatch incorporating electric vehicle parking lot [J]. Energy， 2023， 276： 127293.1?127293.14.

[7] TIAN A Q， LIU F F， Lü H X. Snow geese algorithm： a novel migration?inspired meta?heuristic algorithm for constrained engineering optimization problems [J]. Applied mathematical modelling， 2024， 126： 327?347.

[8] MOHAMMADI I B， MORADI D M， RABIEE A. Combined heat and power economic dispatch problem solution using particle swarm optimization with time varying acceleration coefficients [J]. Electric power systems research， 2013， 95： 9?18.

[9] ZHAO T， ZHENG Y， LI G. Integrated unit commitment and economic dispatch of combined heat and power system considering heat?power decoupling retrofit of CHP unit [J]. International journal of electrical power and energy systems， 2022， 143： 498.

[10] SADEGHIAN H， ARDEHALI M. A novel approach for optimal economic dispatch scheduling of integrated combined heat and power systems for maximum economic profit and minimum environmental emissions based on Benders decomposition [J]. Energy， 2016， 102： 10?23.

[11] KHAN A N， AWAN B A， MAHMOOD A， et al. Combined emission economic dispatch of power system including solar photo voltaic generation [J]. Energy conversion and management， 2015， 92： 82?91.

[12] BASU M. Combined heat and power dynamic economic dispatch with demand side management incorporating renewable energy sources and pumped hydro energy storage [J]. IET generation， transmission amp; distribution， 2019， 13（17）： 3771?3781.

[13] BASU M. Group search optimization for combined heat and powereconomic dispatch [J].International journal of electrical power and energy systems， 2016， 78： 138?147.

[14] SUN J， DENG J， LI Y. Indicator crowding distance?based evolutionary algorithm for combined heat and power economic emission dispatch [J]. Applied soft computing journal， 2020， 90： 106158.

[15] PATTANAIK K J， BASU M， DASH P D. Heat transfer search algorithm for combined heat and power economic dispatch [J]. Iranian journal of science and technology， transactions of electrical engineering， 2019， 44（2）： 1?16.

[16] WALTER D C， SHEBLE G B. Genetic algorithm solution of economic dispatch with valve point loading [J]. IEEE transactions power system， 1993， 8（13）： 25?32.

[17] GUO T， HENWOOD M I， OOIJEN M V. An algorithm for heat and power dispatch [J]. IEEE transactions power system， 1996， 11（4）： 78?84.

[18] RAO N S P. Combined heat and power economic dispatch： a direct solution [J]. Electric power components and systems， 2006， 34（9）： 1043?1056.

[19] LIANG R H， LIAO J H. A fuzzy?optimization approach for generation scheduling with wind and solar energy systems [J]. IEEE transaction on power system， 2007， 22（4）： 1665?1674.

[20] MOUSUMI B. Combined heat and power dynamic economic dispatch with demand side management incorporating renewable energy sources and pumped hydroenergy storage [J]. IET generation， transmission distribution， 2019， 13（17）： 3771?3781.

[21] HETZER J， YU D C， BHATTARAI K. An economic dispatch model incorporating wind power [J]. IEEE transaction energy conversion， 2008， 23（2）： 3?11.

[22] 代凱凱，藺紅.基于光熱電站存儲熱特性提高系統調峰能力優化研究[J].現代電子技術，2023，46（1）：181?186.

[23] MA Y， WANG H， HONG F， et al. Modeling and optimization of combined heat and power with power?to?gas and carbon capture system in integrated energy system [J]. Energy， 2021（5）： 121392.

[24] HIMANSHU A N N， DHILLON J S. Multi?objective combined heat and power unit commitment using particle swarm optimization [J]. Energy， 2019， 172： 794?807.

作者簡介：邱志勇（2001—），男，湖南長沙人，碩士研究生，研究方向為系統優化與控制。

莫愿斌（1969—），男，侗族，廣西柳州人，博士研究生，教授，碩士生導師，研究方向為系統優化與控制。

收稿日期：2024?06?02" " " " " "修回日期：2024?07?09