基于樽海鞘群算法的负荷优化分配研究及应用

胡恩俊

摘要：在当前电力体制改革的背景下，各发电企业不断推进大数据、人工智能等技术与传统电力业务的深度融合，以进一步提升竞争力。本文针对电力系统燃煤机组经济负荷优化分配问题，引入樽海鞘群算法（Salp Swarm Algorithm ,SSA）。应用结果表明，樽海鞘群算法能有效进行负荷分配，并具有较高的实用性。

关键词：负荷优化；燃煤机组；樽海鞘群算法

0 引言

在电力市场竞争越来越激烈的今天，对电厂特别是火电企业带来了巨大挑战。发电企业为提升自身核心竞争力，从内部管控角度需改善自身经营效率，降低发电能耗^[1]。对于燃煤火电机组，负荷优化分配就是在满足各约束条件的基础上，结合各机组的煤耗等特性，实现负荷的科学合理分配，从而使机组总煤耗最低。

在大数据、人工智能等新一代信息技术迅速发展的背景下，探索各智能算法在火电传统业务的应用，对建设智能电厂以及数字化转型等工作具有重要意义。目前国内外学者已将粒子群、遗传等算法成功应用至负荷优化分配^[1-3]。樽海鞘群算法（Salp Swarm Algorithm,SSA）^[4]是一种新的群体智能算法，模拟了海洋中樽海鞘的生活习性，该算法具有控制参数少、计算量小等特点，并在裂缝图像分割等领域实现成功应用^[5-6]。本文将SSA算法引入负荷优化分配，并结合某电厂实际证明算法在负荷优化中的有效性和优越性。

1 负荷优化分配模型

火电机组煤耗特性是反映机组经济性水平的重要依据，也是负荷优化分配的基础与前提。依据各机组稳态工况下数据，对负荷、煤耗进行曲线拟合^[2]，其关系式如式(1)所示：

(1)

式中：b_i为第i台机组的煤耗，p_i为第i台机组的负荷；a_n,a_n-1,a₀均为拟合后的机组煤耗特性曲线系数。

负荷优化分配的目标函数为：

(2)

式中：N为电厂总机组数，B为全厂总煤耗。

考虑到机组的安全、可靠及环保性等要求，在负荷优化分配过程中，需考虑如下约束：

（1）单个机组负荷的范围

(3)

式中：p_min、p_max分别是该机组允许运行的最小、最大负荷。

（2）机组负荷的单位时间变化限值

(4)

式中，p_ij、p_ij-1分别是第i个机组在j时段与j-1时段的负荷值,P_i0为第i个机组所允许的单位时间负荷变化限值。

2 樽海鞘群算法

樽海鞘群算法是由澳大利亚学者 Mirjalili 等根据海洋中樽海鞘群的生活习性进行模拟提炼而形成的一种群体智能算法^[4]。樽海鞘组织及活动方式与水母比较相似，以链式结构进行移动与觅食，整体可分为领导者与追随者，且后方樽海鞘的移动只受前一个樽海鞘影响^[4-6]。研究者数学化模拟这种行为并用于解决优化问题。

樽海鞘群算法的优化目标是搜索N◊D 空间内一种记为F的食物源，N表示樽海鞘的数量，D表示空间的维度。空间中樽海鞘的位置用 表示（n=1,2,3,…,N），食物的位置用 表示。搜索的上限为 ，下限为 。所有樽海鞘初始位置按照公式（5）进行随机分配：

(5)

樽海鞘群中领导者记为 ，追随者记为 。

领导者的位置综合与目标位置距离及随机性进行移动，其位置更新表示为

(6)

式中， 和 分别是第d维中，领导者与食物的位置（d=1,2,3,…,D）。u_b和l_b分别是对应的上下限。c₁、c₂、c₃ 是算法控制参数，c₂和c₃ 是在[0,1]区间的随机数，c₁ 是控制算法的收敛因子，平衡全局搜索和局部搜索，其表达式为

(7)

式中，j表示当前迭代的次数，J表示最大迭代次数。

追随者的移动符合牛顿运动定律，其位移表示为

(8)

式中，t表示迭代间隔时间；a是加速度，计算公式为 ,v₀是初始速度，值为0。由于追随者按照链式依次前进，其速度 。因此追随者的位移表达式更新为

(9)

移动后追随者的位置为

(10)

式中，j表示当前迭代的次数。

3 基于SSA的火电机组负荷优化分配

基于文献[7]中某火电厂3台机组进行负荷的优化分配，机组容量为328MW，最低技术负荷为80MW，各机组的煤耗特性曲线为：

1#机组：

(11)

2#机组：

(12)

3#机组：

(13)

针对这3台火电机组采用SSA算法对其进行负荷优化分配结果如下（总负荷750MW）：

表1 SSA算法负荷分配结果

1#机组/MW	2#机组/MW	3#机组/MW
270.711	242.1082	237.1808

与文献[7]中采用灰狼GWO、遗传GA算法形成的负荷优化分配结果对比如下表：

表2 负荷分配结果比较

算法	1#机组/MW	2#机组/MW	3#机组/MW	总煤耗 t/h
SSA	270.711	242.1082	237.1808	348.2934
GWO	268.772	245.1675	236.0596	348.3136
GA	261.366	257.166	231.467	348.7908

从表2结果可以得出，SSA算法可以应用至火电机组负荷优化分配，且本次负荷分配后的总煤耗低于GWO、GA算法，提高了机组运行的经济性。

4 结语

本文采用SSA算法进行电厂机组负荷优化分配。通过对比实例发现，SSA算法进行负荷分配能有效降低煤耗，分配方案优于GWO、GA算法，具有较强的实用性和适用性。

参考文献

[1] 金洪吉.火电厂机组负荷优化分配的混沌粒子群算法分析[J]. 电子器件,2017,40(1):212-216.

[2] 陈贵林，宋明厚，吴忠强. 基于量子粒子群算法的电力系统负荷多目标优化分配[J].数学的实践与认识, 2019,49(22):1-8.

[3] 汤晓青，刘辉，范宇，等． 基于改进多目标遗传算法的实时发电市场优化调度研究［J］．电力系统保护与控制，2017，45(17):65－71．

[4] Mirjalili S,Gandomi A H,et al. Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems[J]. Advanc⁃es in Engineering Software (S1873-5339), 2017, 114(6):163-191.

[5] 王丽，康飞 基于樽海鞘群优化算法的裂缝图像分割[J].电脑知识与技术.2019，25(15):223-224

[6] 王斐，贾晓洪，李丽娟，等．基于樽海鞘群算法的图像匹配方法[J]. 弹箭与制导学报.2019，39(5):111-114[7] 尹元亚，蒋国臻，田佳，等．基于灰狼优化算法的火电机组负荷优化分配经济性研究[J]. 电力系统及其自动化，2020，42(1):75-78