蚁群算法在微电网容量配置优化中的应用综述

吴榆俊 叶子青

（国网江苏省电力有限公司丹阳供电分公司）

0 引言

2021年我国率先提出了“碳达峰，碳中和”的伟大目标，这彰显着我国的大国担当以及贯彻了“金山银山不如绿水青山”的宗旨，这同样也意味着我国目前需要加快能源转型的步伐，减少煤炭，石油等化石燃料的使用比重，转而积极有序地大力发展风力发电和光伏发电这种清洁能源。根据国家能源局官网所发布的数据，2020年全国新增的发电设备容量，风电增加了7167万kW，同比增长高达178.7%，光伏发电增加了4820万kW，同比增长同样高达81.7%。由此可见，目前风能和光伏发电正在迅速发展。

1 建设微电网的意义

虽然风能和光伏发电过程几乎没有污染，且我国的风能和光能资源都十分丰富，但是风能和光伏都集中在西北、西南地区，而主要用电量较多的城市都分布在东南沿海地区，除此之外，风力发电、光伏发电都有着较强的随机性和间歇性缺点，并入电网后容易引起传统的大电网稳定性降低等一系列问题，例如前些年英国伦敦的大停电就是由于高比例的新能源入网，导致电力系统稳定性缺失所引发的。这些问题都阻碍着清洁能源发电的发展。

针对上述问题，有学者提出了微电网这一概念，所谓微电网，是集分布式发电、储能、负荷、监控和保护等功能于一身的小型发配电系统。现如今，微电网中的分布式发电装置主要是风力机和光伏板，储能方式则有多种（如蓄电池储能，氢储能，飞轮储能以及抽水蓄能等）。正是有着储能设备的存在，能够很大程度地平抑新能源发电的波动性。

具体为，假设某一时刻，若系统中发电设备所发出的电能无法被当地负荷所消耗，则可以将这一部分电能通过储能手段存储起来，转化为其他形式的能量（势能或化学能），然后当负荷出现功率缺口时，则可以将这一部分能量转换为电能来补足这一部分功率缺口，抑或是将存储的电能并入电网。

对于微电网而言，其经济性和可靠性是最为重要的，而这两个关键因素都与微电网各设备的容量配置有着十分重要的关系，以分布式发电设备为例，配置过大容量的发电设备一方面会导致资金投入过多，另一方面也会引起弃风弃光量的增加，反之则无法充分利用当地的风光资源，引起负荷缺电率升高，甚至会破坏电力系统的稳定性。因此，微电网的容量配置优化问题在微电网设计的过程当中占有举足轻重的地位。

求解系统容量配置问题最初主要采用传统的优化算法如线性规划和迭代技术，而目前使用广泛的元启发式算法（MetaHeuristic Algorigthm）和软件仿真优化。元启发式算法优化方面，目前使用最为广泛的主要是遗传算法（GA）、蚁群算法、粒子群优化算法（PSO）及其改进算法。本文主要综述了国内外学者如何采用蚁群算法进行容量配置优化，并做出一些总结，最后对该方法日后的发展提出一些展望。

2 蚁群算法简介

2.1 启发式算法简介

蚁群算法是启发式算法的一种，因此了解蚁群算法首先应当了解何为启发式算法。

在20世纪50年代中期仿生学创立后，人们开始从生物的各项行为中寻求新的用于人造系统的灵感。一些科学家分别独立地从生物进化的机理中提出适合于现实世界复杂问题优化的模拟进化算法（Simulated Evolutionary Optimization）［1］，旨在解决当时十分繁琐的几类问题，如组合优化问题、商旅问题、调度问题等，这些算法在解决这些类型问题的时候都取得了优于传统算法的结果，从而引起更多的关注，也被用于解决更多的实际问题。这也就是启发式算法的起源。

所谓启发式算法，是相对于最优化算法而提出的。本质上是一种基于直观或经验构造的算法。使用元启发式算法在消耗一定的计算资源后，能得到对于某个优化问题的一个可行解，但这并不一定为全局最优解。从定义中不难看出，如何使算法能够在最短的时间内得到全局最优解便成为研究的重点，随着启发式算法应用愈发广泛，为了使算法又快又好，各算法的改进算法以及组合算法便应运而生。

2.2 蚁群算法

蚁群算法最早是由学者Marco Dorigo于1992年提出，是一种根据蚂蚁在寻找食物时，总能找到食物和蚁穴之间的最短距离而提出的算法，最初用于解决商旅问题（TSP）。当蚁群在搬运食物时，会在路径上释放一种名为信息素（pheromone）的物质，且其他蚂蚁能够察觉到，因此在他们选择路径时会挑选信息素浓度较大的路径，这样在不停的正反馈作用下，蚁群就能够寻找到最近的道路［2－3］。

ACO算法流程图如图1所示，用蚁群算法解决问题的步骤一般为：

图 蚁群算法流程图

STEP1.初始化各参数，定义蚂蚁数量M，路径（可能的解）数N，建立禁忌表，每条路径上初始信息素浓度为相同值；

STEP2.蚂蚁数k＝k＋1；

STEP3.按照状态转移公式选择路径，

STEP4.更新各条路径上的信息素，修改禁忌表；

STEP5.判断k＜M，若结果为真则从第二步开始，重复上述步骤，反之则进行第六步；

STEP6.输出各条路径上的信息素浓度，即得出结果。

3 蚁群算法的应用

3.1 基本蚁群算法的应用

ACO算法在容量配置方面时常会作为一种良好的选择方案，王园媛［4］等人在建设规划配电网建立了各种分布式电源和储能设备的出力模型，在综合考虑需求侧的经济利益基础上，以用户侧的投资运行成本和线路损耗最小为目标函数，采用蚁群算法对进行求解得到了最佳的容量配置，有效减少了系统的成本和线路损耗。文献［5］旨在为印度中央邦中部地区的一个村庄提供一种基于可再生能源的离网型发电系统，作者在对系统的总成本、不同发电设备的出力情况、蓄电池的状态等各种参数进行了系统的性能分析后，建立了系统各部件的模型，以负荷需求的连续性和LPSP为目标函数，采用ACO算法求解，得到了风机、光伏和储能设备的最佳容量配置方案，并进行仿真验证，结果显示，该方案能够较好地满足当地负载对于电能质量的要求。

3.2 改进蚁群算法的应用

对于改进的ACO算法应用，文献［6］中伍春林等人通过对算法调节因子取值和信息素全局更新方式加以改进，提出了一种改进的蚁群算法，主要原理是通过增大调节因子β值来加快收敛速度，并且改进信息素的全局更新方式，从而解决基本ACO算法存在搜索时间过长与容易陷入局部最优这两个问题。最后在Eclipse开发环境下使用Java语言编程实现算法并选取某地区系统为实例对象进行仿真计算，验证了这一改进的ACO算法不但提高了对全局最优解的搜索能力，而且提高了算法收敛到全局最优解的速度。无独有偶，王宗礼［7］等人在对ACO算法的信息素采用一定的公式制约后，又在算法执行过程中，更新信息启发因子α和期望因子β值的时候引入了参数ξ1和ξ2，如式（2）所示：

式中，ξ1和ξ2为大于1的常系数，最后为验证改进算法的高效性，将改进的ACO算法分别与基本的GA算法和ACO算法用于求解同一算例，发现改进的算法迭代次数比基本算法少了15次，得到的解带入目标函数后，成本也较后两者降低了50多万元。

除此之外，另一类改进算法则是在算法开始前，对“蚂蚁”编码方式和对排序方式进行革新，如文献［8］中利用了一种实数编码方式的基于排序方法的改进ACO算法，并且改进了信息素的更新规则，以此来凸显寻优过程中的优劣差异，从而提高了搜索效率。董伟强等人利用这种改进的ACO算法求解，以系统的平均年成本为目标，各设备的数量和系统缺电率LPSP为约束条件的容量配置问题，得出最佳容量配置结果的同时，也充分证明了系统中混合储能单元（蓄电池和氢燃料电池）的必要性。

4 结束语

本文主要综述了蚁群算法及其改进算法在微电网容量配置优化方面的应用，该算法的基本原理和优缺点，基本算法的应用，改进算法的应用和如何改进算法都做了一定的举例和总结。

现对蚁群算法在微电网容量配置优化方面应用的重点和未来的发展方向做展望：

1）不单纯的着眼于容量配置，应当加强容量配置和能量管理策略的联系，二者的共同目标都是打造一个成本更低，效率更高的微电网系统。因此，将能量管理策略融入容量配置方案二者并行优化，而不是先后优化，也能取得更加理想的效果。

2）可以引入人工智能，如机器学习等，无论是在负荷预测还是对于系统中各设备的出力模型精度都能有很大的提升，在这基础上再进行容量配置优化必定能使结果更加精确。

3）虽经历了将近半个世纪的发展，但对于各种元启发式算法的优劣评判大多仍是以实验、仿真结果做指标。因此，应当更多的对蚁群算法进行数学理论分析，寻求突破。

通过上述分析，可见利用蚁群算法优化微电网容量配置仍十分具有研究的必要性，其对于加速我国能源转型具有重要作用。