基于二叉树种群的适应性多操作员差分进化算法在含随机风能和太阳能的电力优化调度中的应用

《Renewable Energy Focus》:Adaptive multi-operator differential evolution based on binary tree population for optimal power flow with stochastic wind and solar power

【字体: 大 中 小 】 时间:2026年07月21日 来源:Renewable Energy Focus 10.8

编辑推荐:

  摘要:最优功率流问题是电力系统中的重要优化任务。由于存在强烈的非线性、非凸性以及多重约束,该问题至今仍难以高效解决。尽管已有众多算法被开发出来用于求解这一问题,但它们仍存在一些局限性,如过早陷入局部最优、探索能力有限以及收敛速度较慢。为克服这些缺陷,本研究提出了一种基于二叉树种群

  摘要:最优功率流问题是电力系统中的重要优化任务。由于存在强烈的非线性、非凸性以及多重约束,该问题至今仍难以高效解决。尽管已有众多算法被开发出来用于求解这一问题,但它们仍存在一些局限性,如过早陷入局部最优、探索能力有限以及收敛速度较慢。为克服这些缺陷,本研究提出了一种基于二叉树种群的自适应多操作符差分进化算法(AMBTDE),用以高效处理含有随机风能和太阳能的功率流问题。该算法在二叉树种群框架的基础上,引入了多操作符池机制和自适应操作符选择方法,从而动态调整操作符的使用概率。这使得算法能够在不同的进化阶段灵活采用合适的搜索策略,以实现全局探索与局部利用的平衡。在IEEE 30节点、57节点以及大规模118节点测试系统上的结果表明,AMBTDE的性能显著优于现有的主流差分进化算法。尤其是在IEEE 30节点和57节点系统中引入随机风能和太阳能后,该算法在环境效益和技术层面均展现出显著优势。具体而言,AMBTDE在实现环境可持续性方面具有巨大潜力,能够将有害温室气体排放量降低多达3.8%;同时,有功功率损耗和电压偏差也分别降低了29.13%和38.016%。此外,在大规模IEEE 118节点系统上的验证进一步证明了该算法出色的可扩展性和经济性,即使在高度复杂的场景下也能实现9.505%的发电成本降低。这些定量结果充分证明了AMBTDE的有效性与稳健性,为现代含可再生能源的电力系统优化提供了强大的工具。

引言:确保电力系统安全、经济且高效地运行是现代能源管理的核心目标。1962年,Carpentier首次提出了最优功率流模型[1]。该模型考虑了电压及运行约束条件。与传统功率流分析不同,最优功率流问题需要在多重约束条件下寻求最优解,因此具有高度的非线性、非凸性,且往往涉及多目标优化。早期的解析法和数学规划方法,如牛顿法、拉格朗日乘数法以及内点法,在处理凸形问题时能够获得较好精度,但在处理现实世界中的非凸问题时则常常出现局部最优解,且计算复杂度极高。自20世纪90年代以来,随着计算智能技术的发展,智能优化算法逐渐成为最优功率流研究的重要方向。与传统的数学规划方法相比,这类算法无需依赖凸性假设,更能有效处理非线性、非凸以及多目标优化问题。遗传算法、粒子群优化算法以及差分进化算法应运而生,并被广泛应用于最优功率流问题研究。在[2]中,Yuryevich和Wong提出了一种基于进化规划的最优功率流算法,能有效应对非凸约束问题;在[3]中,Abido将粒子群优化算法应用于最优功率流问题,并在IEEE 30节点系统上验证了其有效性;在[4]中,Abou El Ela等人将差分进化算法应用于最优功率流问题,结果表明其在处理非凸和非光滑成本函数方面优于传统方法,但仍存在计算量大且收敛速度不稳定的问题。在过去的十年里,智能优化算法已成为最优功率流研究的核心,人们不断对粒子群优化、差分进化算法以及新兴的群体智能算法进行方法改进并拓展其应用场景。在[5]中,Zhu等人提出了一种经过学习增强的差分进化算法(LEDE),用于处理动态环境下的最优功率流问题。该方法通过最近邻学习来重用以往的决策结果,并采用精英随机排序机制来处理最优功率流约束问题;在[6]中,Biswas等人提出了一种结合差分进化算法与有效约束处理技术的最优功率流方法,通过整合可行性规则、动态惩罚机制以及修复操作符来提升问题的可行性和收敛性;在[7]中,Li等人开发了自适应约束差分进化算法(ACDE),该算法在标准差分进化框架中引入了动态约束处理机制,使搜索策略能够根据约束违反的程度进行调整,从而在保证可行性的同时提升收敛速度;在[8]中,Li等人又提出了一种带有自适应惩罚约束处理机制的增强型自适应差分进化算法(EJADE-SP),用于解决最优功率流问题;在[9]中,Guo等人将在差分进化算法中引入基于深度强化学习的操作符选择机制,以提高算法的稳健性和效率;在[10]中,Ali等人提出了C2oDE算法,这是一种融合了可行性规则和??约束方法的复合差分进化算法,可用于处理非线性的最优功率流约束问题;在[11]中,Gupta等人开发了HMJDE算法,该算法结合了改进后的Jaya算法与差分进化算法,旨在通过全局搜索与更精细的局部优化相结合的方式来处理最优功率流问题。这些差分进化算法的变体虽然提升了最优功率流问题的可行性、收敛性以及搜索多样性,但也带来了新的挑战,如算法复杂性高、参数调优敏感度大,以及在大型非凸系统中的可扩展性有限。因此,人们也开始广泛研究群体智能算法和学习驱动型算法,这些替代方法为提升最优功率流性能提供了新的途径。在[12]中,Bakir等人提出了人工兔子优化算法(ARO),该算法配备了动态适应度-距离平衡机制,通过动态平衡适应度与距离值来调整搜索方向,从而避免过早收敛;在[13]中,Shaheen等人开发了ESNST算法,用于多维度最优功率流问题,通过加强算法间的相互作用与信息传播来提升搜索多样性;在[14]中,Jamal等人提出了MGTO算法,这是一种融合了混沌初始化与协同进化机制的混合大猩猩优化算法,用于最优功率流问题处理;在[15]中,Shaheen等人提出了IHOA算法,通过对HOA算法进行参数自适应控制并改进约束处理机制来提升其性能;在[16]中,Weng等人提出了CPSCA算法,该算法通过引入交叉操作与模式搜索来平衡全局探索与局部利用之间的关系;在[17]中,有人提出了算术优化算法与Aquila优化算法的混合算法,用于最优功率流问题,以实现全局探索与局部利用的平衡;在[18]中,Nassef等人提出了红尾鹰优化算法(RTH),用于最优功率流问题处理;在[19]中,Li等人开发了PG-CGCN算法,这是一种基于物理原理的切比雪夫图卷积网络,可应用于最优功率流问题。群体智能算法和学习驱动型算法虽然提升了最优功率流问题的收敛性、搜索多样性以及探索与利用的平衡能力,但在面对大型不确定系统时仍存在复杂度高、参数敏感度大以及稳健性不足等问题。随着人们对气候变化和全球变暖问题的日益重视,全球可再生能源市场呈现出前所未有的快速发展势头。除了具备技术和经济方面的优势外,这些可持续能源技术——尤其是光伏发电和风能——还能带来显著的社会与环境效益,它们在减少温室气体(尤其是二氧化碳)排放以及推动社区可持续发展方面发挥着重要作用[20]。值得注意的是,到2025年全球可再生能源的装机容量增长了50%,截至该年度底,包括太阳能、风能、水力发电、地热能、海洋能以及生物气能在内的各类可再生能源的累计装机容量已达到约5241吉瓦,其中光伏发电系统的装机容量为3000吉瓦,风能系统的装机容量为1245吉瓦[21]。可再生能源市场的快速扩张反映了全球向可持续能源技术转型的坚定趋势,这也进一步凸显出迫切需要先进的电网优化工具来应对如此大规模的能源整合问题。伴随着可再生能源装机的快速增长,学术界也开展了大量研究,致力于混合可再生能源系统的最优设计及其技术经济性评估。特别是对于大规模应用场景——包括并网型以及独立运行的大型公用事业级系统——近期有大量研究深入分析了光伏发电、风能系统与抽水蓄能系统相结合的方案,旨在在多种运行约束条件下确保系统的可靠性与经济可行性[22]、[23]、[24]、[25]。此外,对于分散式以及离网型应用场景,人们也针对不同的居民供热与用电需求,以及太阳能路灯等远程基础设施的供电需求,对各种混合可再生能源系统配置进行了最优设计[26]、[27]、[28]。这些系统级设计所展现出的实际复杂性与多样化的应用场景,进一步凸显出开发强大数学优化工具的必要性,比如先进的最优功率流算法,以便高效地将这些可再生能源系统整合到现代电力网络中。因此,由于可再生能源的接入带来了巨大的容量增长,同时也增加了系统的不确定性,使得研究包含随机因素的最优功率流问题变得愈发重要。在[29]中,Biswas等人将SHADE算法与有效的约束处理技术SF相结合,用于处理含有随机风能和太阳能的最优功率流问题;在[30]中,Bai等人提出了DEEPSO-OL算法,该算法结合了差分进化算法、粒子群优化算法以及正交学习方法,用于处理包含风能发电的最优功率流问题;在[31]中,Sallam等人提出了MODE算法,这是一种多操作符差分进化算法,它通过自适应地结合变异操作与交叉操作来保持最优功率流问题求解过程中的搜索多样性;在[32]中,Li等人提出了两种用于处理随机风能和太阳能最优功率流问题的多约束多目标算法,即NSGA-II-SF算法与ACNSDE-SF算法;在[33]中,Huy提出了一种基于自适应几何估计的多目标差分进化算法(AGE-MODE),用于处理包含热能、风能以及太阳能来源的混合电力系统中的多目标最优功率流问题(MOOPF-TWS)。虽然考虑风能和太阳能不确定性后的最优功率流算法能够提升收敛速度与解决方案的多样性,但它们仍然存在诸多局限,比如依赖于随机建模、结果稳定性较差,以及难以在经济效益与系统运行安全性之间取得平衡。除了基于差分进化算法的策略之外,还有多种群体智能算法以及混合优化算法被提出,用于解决包含随机因素的可再生能源集成问题,进一步丰富了相关研究的方法体系。在[34]中,Roy和Jadhav提出了人工蜂群算法,用于处理含有随机风能的最优功率流问题;在[35]中,Panda和Tripathy开发了一种改进版的细菌觅食算法,用于解决包含风能与热能发电系统的安全约束最优功率流问题;在[36]中,Hasanien等人开发了ECOA算法,通过对COA算法进行改进,提升了其在处理包含可再生能源以及电动汽车的相关最优功率流问题时的搜索能力与场景分析能力;在[37]中,Ozkaya提出了dFDB-GO算法,该算法将动态适应度-距离平衡机制应用于包含随机因素的安全约束最优功率流问题处理中;在[38]中,Jamal等人提出了一种改进版的鹈鹕优化算法(POA),该算法通过结合变异策略、适应度距离平衡机制以及大猩猩团队优化机制,提升了其在处理随机最优功率流问题时的探索能力与利用能力;在[39]中,Adhikari等人提出了一种基于自适应闪电附着过程优化器的随机最优功率流解决方案;在[40]中,Maheshwari等人提出了一种流向算法,用于在包含可再生能源发电不确定性的情况下分析最优功率流问题;在[41]中,Souza等人提出了一种基于梯度的随机最优功率流方法,该方法侧重于处理风能发电的波动性问题;在[42]中,Ebeed等人通过对Runge-Kutta优化算法进行改进,加入了柯西变异机制与准对立学习机制,以此提升全局搜索能力并避免陷入局部最优解。尽管这些方法能够在包含可再生能源不确定性的情况下改善最优功率流问题的求解效果,但总体而言,它们的解决方案精度较低,且收敛稳定性不足。综上所述,作为电力系统运行与调度核心组成部分的最优功率流问题,已经通过数学规划方法以及智能优化算法得到了广泛研究。然而,现有的解决方法在实际应用中仍存在诸多明显局限。首先,由于算法在面对复杂且非凸的约束条件时容易陷入局部最优解,因此其求解精度往往不够理想;其次,这些算法的收敛速度较慢,早期阶段的探索不够充分,后期又会出现效率下降的问题,从而导致较高的计算成本;最后,这些算法的可扩展性较差,随着系统规模的扩大,其性能会逐渐变得不稳定。为解决上述局限性,本研究提出了一种基于二叉树种群的自适应多操作符差分进化算法,用于解决单目标最优功率流问题。该算法以层次化方式组织个体,并结合了多操作符池与自适应选择机制,能够在保持种群多样性的同时,提升全局探索能力与局部收敛速度。因此,所提出的算法不仅显著提高了解决方案的精度与收敛速度,还展现出较强的适应性,能够有效应对大规模系统的问题。本研究的主要创新点包括:(1) 对基于二叉树种群的差分进化算法进行了改进,加入了自适应多操作符机制,用于解决单目标最优功率流问题;(2) 在IEEE 30节点、57节点以及118节点系统上进行了全面测试,证明了该算法在复杂场景下的稳定性;(3) 通过与现有的先进优化技术进行对比,验证了该算法的有效性。本文的其余结构如下:第2节回顾最优功率流理论;第3节详细介绍包含随机可再生能源的最优功率流模型;第4节阐述所提出的AMBTDE算法;第5节分析实验结果;第6节对整个研究工作进行总结。

理论基础:最优功率流的根本目标是在满足电力系统各项约束条件的同时,实现特定的运行目标。最优功率流问题可以被建模为一个带约束的非线性优化问题:min f(x,y) s.t. g(x,y) = 0 h(x,y) ≤ 0 其中,f(x,y)表示需要优化的目标函数,x和y分别代表控制变量与状态变量;系统的等式约束与不等式约束则分别由g(x,y)和h(x,y)表示。

风能与太阳能的随机建模:这一部分在传统的最优功率流框架基础上,加入了可再生能源元素,详细研究了用于描述风能以及光伏发电波动性的概率模型。

所提出的AMBTDE算法:差分进化算法是一种基于种群的随机优化方法,其核心思想是通过差分变异、交叉操作以及选择操作来迭代更新种群,从而实现对复杂优化问题的全局搜索。与传统进化算法相比,差分进化算法具有结构简单、参数少、易于实现以及收敛性能良好等优点,因此被广泛应用于连续优化问题中。为验证所提出的AMBTDE算法的有效性和优越性,研究人员进行了大量实证测试。所有实验均独立重复30次,以确保统计结果的可靠性。各类算法均在Matlab R2023b环境中实现,运行设备为配备AMD Ryzen 9 7940HX处理器(主频2.40 GHz)、16 GB内存的笔记本电脑,操作系统为Windows 11 64位版本。实验研究首先介绍了参数设置,随后在IEEE 30节点和57节点电网上进行了测试。

通过与其他先进优化方法对比,不同测试网络上的仿真结果均显示出所提AMBTDE算法的卓越性能。该算法不仅在所有情况下几乎都能实现优化目标的最小化,还表现出稳定的收敛特性和高可靠的解质量。这些结果证明了将基于成功率的自适应机制与二叉树种群结构相结合用于最优功率流问题的有效性。

作者贡献:姚金汉负责写作——审阅与编辑、写作——初稿撰写、可视化、验证、软件开发、方法设计、研究分析、形式化分析、数据整理及概念构建;陈旭负责监督工作、资源协调及资金申请;袁烨负责监督工作及概念构建。

利益冲突声明:作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢:本项工作得到了中国国家自然科学基金(项目编号:62303197)的支持。

姚金汉|陈旭|袁烨
中国江苏大学电气与信息工程学院
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号