基于多智能体遗传算法的配电网节能降耗综合管理系统
2016-08-12方璐詹军徐先勇方厚辉
方璐 詹军 徐先勇 方厚辉
摘要：针对目前企业配电网节能技术的不足，提出了一种基于多智能体遗传算法的配电网节能降耗综合管理系统。结合遗传算法（Genetic algorithm，GA）和多智能体系统（Multi-Agentsystem，MAS）技术构造了一种GA-MAS算法，每一个多智能体相当于遗传算法中一个个体，相邻的多智能体相互作用，并结合遗传算法的进化机理进行全局最优求解。提出了该系统各节能设备智能体结构模型和高压/低压多智能体系结构模型，运用GA_MAS算法，得出各个节能设备的最佳调节力度，使节能设备以最小的调节代价获得最大的节能效益。具体算例仿真及工程实际应用表明本文提出的配电网节能降耗综合管理系统能使总有功网损降低，电容器投入总组数减少，实现节能设备的最佳调节，同时表明GA_MAs算法收敛速度较快。
关键词：综合管理系统；节能降耗；节能设备多智能体；遗传算法
中图分类号：TM92 文献标识码：A
节能已成为我国经济和社会发展的一项长远战略方针，节电则是国家节能战略的重要组成部分。纵观目前企业配电网节能技术，存在以下不足：1）整个配电网缺乏全局的规划与管理手段，能量管理水平不高，没有形成“全方位、多方面”的综合节能降耗。2）企业配电网只是进行了局部优化管理，具有很大的局限性。3）企业配电网的节能设备还是单一运行的，形成“孤岛”林立的局面，信息比较分散，集成度不高，不便于高层管理和控制。4）单一独立节点节能设备之间相互影响，一旦局部调节过度或不足会造成临近线路的故障，形成“要害区域”。5）单一节能设备只具备某一方面的节能职能，不能满足社会对全方面节能的需要。且节能设备的独立控制容易导致设备调节过于频繁，设备使用寿命缩短，维护成本增加。
智能体（Agent）是一种具有感知能力、问题求解能力和与外界通信能力的实体。多智能体系统（Multi-Agent System，MAS）由多个松散耦合的、粗粒度的、具有感知能力、问题求解能力、能够与系统中其他智能体通信的智能体组成的网络结构。MAS在兼顾单个智能体系统优点的同时，通过协商、协调和协作，完成复杂的控制任务或解决复杂的问题。
遗传算法（GA）是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化算法。本文结合GA和MAS技术构造了多智能体遗传优化算法（GA-MAS），该算法利用Agent的局部感知、竞争协同和自学习等特性来实现生物对环境的自适应。由于所有操作都作用于局部种群而不是整个种群，从而维持了群体的多样性，在一定程度上抑制了遗传算法的早熟现象。
针对上述现有技术的不足及其存在的缺陷，结合GA和MAS技术，提出了一种基于多智能体遗传优化算法（GA-MAS）的配电网节能降耗综合管理系统。给出了管理系统的基本结构模型和节能设备多智能体的结构模型，运用GA-MAS算法，得出各个节能设备的最佳调节力度，使节能设备以最小的调节代价获得最大的节能效益。通过具体算例仿真及工程实际应用表明本文提出的管理系统能使总有功网损降低，电容器投人总组数减小，同时表明GA-MAS算法有很好的计算效率及收敛稳定性。
1 无功优化模型
在实际工程应用中，无功补偿装置必然会产生有功损耗及运行维护费用，另外，当配电网无功资源不足时，需要增加无功补偿设备，产生额外投资。因而，系统在追求有功网损最小的同时，综合考虑无功补偿装置总投入最小建立目标函数：其中，N为系统节点数，n为加装无功补偿装置的节点数，QCi为节点i上无功补偿容量，△PC为每kVar无功补偿容量的有功损耗，C为上网电价，丁为年运行小时数，K1为电容器年运行维护费用，△P为系统有功损耗，t为每年最大负荷运行时间。Vi，Vj分别指节点i，j的电压幅值，Gij，Bij分别指网络导纳矩阵的互导纳元素（互电导、互电纳），θij指节点电压相位差。其中，△u为控制变量的变化量；m为补偿装置种类数，即cui为第i种装置调节代价。以变压器为例，成本为Acost元，允许抽头总调节次数为Tn次，抽头永远不调整时的预期寿命是a年，经过Tn次的抽头调整后寿命缩短到a'年，调整设备所增加的运行维护工作量为B，则该变压器的抽头每次操作的调节代价（元/次）为：
cu11=B+（a-a'）Acost/aTn。 （4）
由式（4）可类似地计算无功补偿装置投切开关的调节代价。
Vi为节点i电压，QCiSVC，QCiHAPF，QCiIVC，QCiDSTATCOM分别为SVC，HAPF，IVC，DSTATCOM的无功补偿容量，Ti为有载调压变压器分接头档位，QCi为发电机无功出力。
2 多智能体遗传优化算法（GA-MAS）
2.1 Agent的环境
多智能体遗传优化算法是结合GA算法和MAS的主要特征构造的一种算法。首先构造Agent的生存环境，每个Agent与其邻域相互作用，并结合GA算法的进化机制，使其能快速、准确地收敛到全局最优解。
将任意一个Agenta相当于GA算法中一个体，其适应值为：
f（α）=FQ。 （9）
Agenta的目的就是在满足运行条件的限制下尽可能减小其适应值。
所有的Agent都被放人一个生存环境，即一个L×L的网格，其中L=根号下N，N为群体中个体数。如图1所示，每个Agent都“居住”在该环境里，并且被固定在一个格子中。每个Agent都有其生存周期和自学习能力，能感知其邻域中的个体，并根据感知到的信息自主采取行动策略来完成其意图和目的。每个Agent和其邻域的个体组成了该Agent的局部环境，如图1所示，虚线框构成了Agent2，2的局部环境。每个Agent只和邻域内其他智能体交配产生新个体，具有一定局部性，而它邻域内其他个体又和自身邻域个体交配，由于邻域的重叠性，因而所有个体间均存在信息交换，又具有一定的全局性，可以维持群体的多样性。
2.2 GA-MAS算法流程
GA-MAS算法流程图如图2所示。
1）Pareto择优操作
每个Agent根据其局部环境与其邻域个体两两比较寻找最优解。在任意一个智能体的局部环境中，若该个体优于周围其他个体，则该个体为其邻域中的Pareto最优解。由于是在每个个体的局部环境中进行择优操作，而不是作用于整个群体，因而保证了群体的多样性。
2）交配操作其中，rand是[0，1]中的一个随机数。Pareto择优操作后得到的种群以交叉概率pc按式（12）（13）进行交叉。交叉后得到的子代个体与其父代进行优劣比较，若子代优于父代，则保留子代，否则，继续保留父代。
3）死亡和再生操作
智能体A1，A2，如果两点的距离d（A1，A2）
3 基于GA-MAS的配电网节能降耗综合管理系统
3.1 系统结构
依据多智能体分层分布式系统理论，基于多智能体的配电网节能降耗综合管理系统结构图如图3所示，包括高压侧、低压侧两级多智能体和管理层。
高/低压侧各个智能体的交互和协调通过任务协调智能体完成，且任务协调智能体之间可相互通信；各个智能体通过任务分解智能体与管理层连接，使不同的智能体连通了相应的管理层的各个系统。管理层各系统通过智能体之间的通信和交互相互连接起来，实现了操作平台的互联、互操作和互协调。管理层各系统的数据可通过TCP/IP协议实现各数据库之间互访，达到数据共享与交换的目的。从而管理层各系统连通了高压侧多智能体和低压侧多智能体，实现了高低压侧智能体的交互和协作，进一步实现多层次节能降耗。
3.2 节能设备智能体结构模型
节能设备智能体是具有节能设备功能结构属性的智能体。图3中节能设备智能体构建过程如下：
第j个节能设备智能体结构属性为：
Shj={ghj，Msj，Mrj，Ncj，T1}。 （14）
式（14）中ghj为第j个节能设备智能体对其他节能设备智能体的信念度；Msj为第j个节能设备智能体的初始状态；Mrj为第j个节能设备智能体的目标状态；Ncj为第j个节能设备智能体的优先级指标；T1为定义时间间隔。
1）SVC智能体
第K个SVC智能体其初始状态MsSVCk和目标状态MrSVCk分别为：
式（15）中QSVCk为第K个SVC设备补偿无功；VSVCk为第K个SVC设备节点电压；iSVCk为第K个SVC设备输出电流；NSVCk为第K个SVC设备优先级；TSVCk为时间脉冲。
那么第K个SVC智能体结构属性为：
式（17）中IHAPFk为第K个HAPF设备补偿谐波电流；VHPAFk为第K个HAPF设备节点电压；iHAPFk为第K个HAPF设备输出电流；NHAPFk为第K个HAPF设备优先级；THAPFk为时间脉冲。
那么第K个HAPF智能体结构属性为：
3）IVC智能体
第K个IVC智能体其初始状态MsIVCk和目标状态MrIVCk分别为：
式（19）中QIVCk为第K个IVC设备补偿无功；VIVCk为第K个IVC设备节点电压；iIVCk为第K个IVC设备输出电流；NIVCk为第K个IVC设备优先级；TIVCk为时间脉冲。
那么第K个IVC智能体结构属性分别为：
4）DSTATCOM智能体
第K个DSTATCOM智能体其初始状态MsDCOMk和目标状态MrDCOMk为：
式（21）中IDCOMk为第K个DSTATCOM设备补偿无功；VDCOMk为第K个DSTATCOM设备节点电压；iDCOMk为第K个DSTATCOM设备输出电流；NDCOMk为第K个DSTATCOM设备优先级；TDCOMk为时间脉冲。
那么第K个DSTATCOM智能体结构属性为：
3.3 高压/低压多智能体系结构模型
在节能设备智能体基础上，构建的高压/低压多智能体系结构为：
HV/LVMSh={Sh1，Sh2，…，Shj，N，T} （23）
式（23）中sh1，…，Shj为图3中高/低压侧各个节能设备智能体；N为各个智能体的优先级信息表；T为时间脉冲。在实例中可具体表示为：
3.4 系统的管理方法
图4是基于多智能体遗传优化算法的配电网节能降耗综合管理系统的管理方法流程图。首先从系统获取实时数据，比较各节能设备智能体当前状态和目标状态。然后高压/低压多智能体汇总所有信息，运用GA-MAS优化算法制定优化方案，再通过任务协调与分解智能体，根据优先级别N确定哪些节能设备智能体参与任务，根据时间脉冲T确定节能设备什么时候响应任务，实现各个节能设备智能体之间的交互和协作，减小节能设备之间的相互影响。
4 仿真分析
为验证以上算法的正确性与可行性，在Delphi环境下应用Pascal语言编制程序，对IEEE-14节点系统进行计算分析。在本文选取的IEEE-14节点系统中，设节点数为14个、发电机数6个、变压器数4个、节能装置6套。变压器当成有载调压变压器，变压器变比调节范围在1±1.25%×8，共分为0～16共17档，并且限制变压器的一次调节档位±2档，其档位与实际变比的换算关系为：T=0.9+n×1.25%（n=0，1，…，16），发电机端电压上下限制为0.9～1.1pu，节点电压限制在0.95～1.05pu。计算过程中，有功功率基准值为100MW，无功功率基准值为100MVar。
表1和表2为基于GA-MAS优化算法与PSO优化算法的配网节能降耗比对结果，对于IEEE-14节点系统，利用优化算法求解高低压节能设备投入套数，总有功网损最小，同时满足节点电压约束，控制方案合理，达到节能设备优化运行效果。在节点电压控制、发电机有功出力和电压最大最小畸变率等方面，本文所提基于GA-MAS的配网节能降耗系统展现出了优异结果。相比于PSO优化算法，当GA-MAS优化算法实施后，总有功网损降低到0.135pu，而PSO优化算法高达0.138pu，节能设备投入总数减少2套。
图5为GA-MAS和PSO迭代曲线，其中实线表示的是GA-MAS迭代曲线，虚线表示的是PSO迭代曲线。从图中可以看出，GA-MAS算法的收敛精度和速度比PSO算法要好，在算法计算速度方面，经GA-MAS和PSO优化的时间分别为16.3s和34.5s，由此看出，GA-MAS的计算速度和收敛性明显优于PSO算法。
5 工程应用
某企业配电网拥有110kV变电站一座，自备热电厂一座，10kV配电变电站两座。其中，25000kVA容量110±8×1.25%有载调压变压器2台，110kV线路两回，分别从不同的变电站引人为厂区供电，6300kVA容量10±8×1.25%有载调压变压器4台，10kV馈线143回，6kV馈线256回，6300kVA发电机组2台，系统共接人各种高低压节能设备16套。本文所提出的基于多智能体遗传优化算法的配电网节能降耗管理系统，被成功应用于该企业配电网，产生的节能降耗效益如下：
1）减少了有载调压变压器分接头开关的动作次数。变压器分接头由本文所提系统投运前的每台每周3.87次降低到目前的每台每周2.08次，动作次数降低了46%，提高了设备的使用寿命，减轻了检修劳动强度。
2）提高了配电网进线端口功率因数，减少了节能设备投入套数。系统接人运行后，使配电网内总的无功补偿容量降低了33%，同时，功率因数由原来的0.92稳步提升至0.96。节能设备总计投入11套，总共减少了5套。
3）减少电能损耗，取得了明显的节能降耗效果。对配电网三个月网损率的统计分析表明，平均网损率为8.0%，比系统接人运行前同比降低了1.9个百分点，节能降耗效果显著。
4）提高了电压质量。图6（a）～（c）分别为110kV，10kV，6kV节点整点时刻电压曲线，从中可以看出，使用本文提出的配电网节能降耗综合系统，并经过系统优化后，各节点电压得到明显改善，其中110kV节点优化前最低电压为101.1kV，优化后最低电压为105.4kV；10kV节点优化前最低电压9.51kV，优化后最低电压为9.82kV；6kV节点优化前最低电压为5.69kV，优化后最低电压为5.91kV。据统计，系统接人运行的三个月内，地区电网6kV以上母线电压合格率为99.96%，同比提高了0.4个百分点。
6 结论
本文提出了一种基于多智能体遗传优化算法的配电网节能降耗综合管理系统，该系统通过全面考虑造成配电网电能损耗因素，运用GA-MAS算法，得出各个节能设备的最佳调节力度，使节能设备以最小的调节代价获得最大的节能效益。GA-MAS算法构造了一个MAS环境，每一个Agent相当于GA算法中一个个体，它们在该环境中与其领域相互作用，并结合GA算法的进化机理，使其能快速、准确地收敛到全局最优解。通过具体算例表明本文提出的管理系统能使总有功网损降低，电容器投入总组数减小，同时表明GA-MAS算法有很好的计算效率及收敛稳定性。本文提出的基于GA-MAS算法的配电网节能降耗综合管理系统对配电网实现“全方位、多方面”的综合节能降耗具有重要意义。
