基于蚁群算法的调度自动化主站中电力设备自适应调度方法

刘文宗

（北京科东电力控制系统有限责任公司，北京 100192）

电力设备是配电网建设中的重要组成部分，其功能是生产、输送以及分配电能，将电能安全、稳定地输送给用户，保障电网安全、可靠地运行[1]。调度自动化主站在某种程度上相当于配电网的大脑，能根据电力设备的运行工况及特征有针对性地汇总收集的各项信息，对比分析数据并进行潮流计算[2]，从而调度电力设备。调度自动化主站中电力设备自适应调度方法至关重要。现阶段，传统的电力设备自适应调度方法多数采用文献[3]提出的方法，该方法在实际应用过程中存在自适应调度时间较长、效率较低的问题，无法提高电力设备运行的稳定性以及输出的均衡性[3]。蚁群算法（Ant Colony Optimization，ACO）能够解决上述问题，从广义角度来看，蚁群算法是指一种概率型搜索算法，通过正反馈式信息传递方式快速获取求解问题的全局优化特征，得出最优解，为电力设备自适应调度提供有力的数据支持[4]。基于此，该文在传统的电力设备自适应调度方法的基础上引入蚁群算法，基于蚁群算法的调度自动化主站中电力设备自适应调度方法进行研究。

1 调度自动化主站中电力设备自适应调度方法设计

1.1 提取电力设备电流分布信号参数

该文设计的调度自动化主站中电力设备自适应调度方法根据调度自动化主站的实际运行工况及运行特征提取主站中电力设备器件内部的电流分布信号参数，为后续的设备自适应调度奠定良好基础。

利用传感器实时采集调度自动化主站中电力设备的输出功率参数，根据电力设备运行过程中各个模块输入量与输出量间的关系特征对输出功率参数进行特征分析[5]。根据电力设备多芯片压接式控制方法原理计算器件内部的电流分布信号参数，如公式（1）所示。

式中：W为电流分布信号参数；IA、IB和IC分别为电力设备器件的内部总电流、内部输入电流和内部输出电流。

通过计算得出电力设备的电流分布信号参数，再结合内部电流的分布规律获取电力设备内部电子的迁移传递特征。

1.2 建立自适应调度对象模型

基于提取的调度自动化主站中电力设备电流分布信号参数获取电力设备内部电子的迁移传递特征，再建立电力设备自适应调度对象模型，进行调度自动化主站初步调度的自适应寻优。基于电力设备参数同步融合控制原理建立电力设备自适应调度对象模型[6]。其原理如下：1） 采集参数。通过传感器或测量装置获取电力设备内部的各种参数（例如电流、电压、功率以及温度等），确保实时获取设备状态信息。2） 数据同步。对采集的参数数据进行同步，并将其传输给调度自动化主站或数据处理中心，对设备数据进行集中管理和控制。3） 参数融合。通过整合和分析设备参数数据，生成综合的设备状态描述，以便进行系统的自适应调度和优化。4） 控制策略与调度。基于融合后的设备参数制定相应的控制策略和调度方案，实现对电力设备进行协调工作和优化控制的功能。基于此，该文建立的自适应调度对象模型由2个部分组成，分别为一族设备类以及与设备类相关的多个支持类。其中，一族设备类能够清晰、直观地描述调度自动化主站中电力设备自身的特性，包括其类型、功能、电气参数和传输特性等，这样可以确保自适应调度模型能够准确地反映电力设备的内部特性，并为后续的调度决策提供基础数据；相关支持类能够根据主站的实际运行需求创建并跟踪设备类的实例化过程，反映设备类的动态变化情况[7]。

在建立的自适应调度对象模型中输入电力设备内部结构特征分布概率，提取设备自适应调度的联合特征参数分布[8]。基于模型约束参数重组方法重组并解析设备自适应调度终端用户类型。在该基础上，运用两级分层求解法，通过确定工序顺序并合理安排自适应调度工序来找到最优的调度方案，并解决电力设备联合调度的问题。

1.3 基于蚁群算法的电力设备自适应调度

蚁群算法是一种基于蚂蚁的集群行为模拟的优化算法，其核心思想是通过模拟蚂蚁在寻找食物过程中留下的信息素引导其他蚂蚁找到更优的路径。该算法模拟了蚂蚁寻找食物时的群体智能行为，通过一种在搜索过程中留下信息素的激励机制，在蚂蚁群中传递和增强信息素浓度，从而协调群体的行为，达到优化的目标。蚂蚁通过释放信息素互相通信，引导其他蚂蚁行动。信息素的含量会随时间衰弱逐渐被新信息取代。在该过程中，优秀蚂蚁留下更多的信息素，因此，蚂蚁会根据“集体记忆”来完成寻优工作。基于蚁群算法的优点，将其应用于调度自动化主站中电力设备自适应调度方法中，通过上述的蚁群原理，将电力系统中的设备、负荷以及能源等因素抽象为信息素，根据系统中每个节点的信息素浓度来评估节点的质量，从而选择最佳节点的策略进行优化，以期通过蚁群算法提高调度自动化主站中电力设备自适应调度方法的调度效果。基于此，综合考虑配电网运行可靠性优化的要求，对供电线路各类开关的位置进行重新配置，实现自适应分段开关最优配置的目标[9]。

基于蚁群算法建立电力设备自适应调度代价函数收敛极限式，如公式（2）所示。

式中：F（x）为自适应调度代价函数。

将自适应调度代价函数收敛极限式与需求响应控制终端类型分布情况结合，设计电力设备自适应调度蚁群寻优收敛路径。加入多径分量，构建调度自动化主站中电力设备自适应调度寻优模型，自适应调度流程如图1所示。

图1 电力设备自适应调度寻优流程示意图

首先，实时读取调度自动化主站中电力设备的各项参数信息。根据自动化主站的运行工况设置计数器的工作模式，配置相关参数，参数包括蚂蚁的数量、初始信息素、信息素的更新速率、期望负荷量以及电力设备负荷比例分布等。读取电力设备文件数据，加载传输缓冲区。其次，调节电力设备负荷总量，使其达到均衡状态。基于负荷调度任务分配方式获取电力设备待调度的期望负荷量。根据电力设备负荷比例分布，结合上述蚁群寻优结果进行电力设备自适应调度。判断调度后自动化主站中的电力设备输出是否达到均衡状态，判断依据是监测电力设备的负荷分布情况，通过实时监测各个电力设备的负荷输出情况判断是否达到均衡状态，将负荷分布情况与期望负荷量进行对比，如果负荷分布在可接受范围内，就认为达到均衡状态；如果未达到均衡状态，就重复上述自适应调度步骤；如果达到均衡状态，就输出电力设备自适应调度结果，关闭各项数据文件，完成整个调度任务。

2 试验分析

在提出的自适应调度方法投入实际自动化主站应用前，需要对该方法的自适应调度效果和可行性进行验证，确认该方法能够达到调度自动化主站运行的预期要求后，才可以大规模使用。基于此，该文进行试验。

2.1 试验准备

选取S市配网调度自动化主站作为该试验的研究目标。该市配网调度自动化主站的运行概况参数见表1。

表1 S市配网调度自动化主站概况参数

通过表1可以获取S市配网调度自动化主站的运行工况。在该基础上，利用该文设计的电力设备自适应调度方法对S市配网调度自动化主站进行全方位调度，获取自适应调度结果，检验该文设计的调度方法的可行性。

2.2 结果分析

为了避免单一的试验存在偶然性，该文引入对比试验的方法，将该文提出的基于蚁群算法的调度自动化主站中电力设备自适应调度方法设置为试验组，将文献[3]提出的基于需求侧相应的电力设备自适应调度方法设置为对照组一，将文献[7]提出的基于遗传算法的电力设备自适应调度方法设置为对照组二。采用MATLAB模拟分析软件模拟3种自适应调度方法的运行过程，对比3种方法的调度结果。为了避免试验结果过于混乱，选取调度自动化主站中电力设备自适应调度完成时间作为该试验的评价指标。随机选择7个电力设备试件，分别为油浸式配电变压器、避雷器、断路器、高压开关柜、环网柜、柱上开关以及电缆分支箱，对7个电力设备试件进行标号处理，分别标号为DLSJ-01#～DLSJ-07#。在电力设备输出功率增益为120 dB、迭代次数为400次的前提条件下，测定3种方法完成电力设备自适应调度所需时间并进行对比，结果见表2。

表2 3种方法电力设备自适应调度时间对比结果

由表2可知，在应用该文提出的基于蚁群算法的调度自动化主站中电力设备自适应调度方法后，7个电力设备试件完成自适应调度所需时间始终比另外2种方法短，自适应调度时间最长不超过2.01 s，而对照组一的电力设备自适应调度时间最短为4.37 s，对照组二的电力设备自适应调度时间最短为4.08 s。由对比结果可知，该文提出的电力设备自适应调度方法具有更高的可行性，能够在较短的时间内完成设备自适应调度，使调度自动化主站中电力设备自适应调度的输出均衡性效果达到最佳。

3 结语

综上所述，为了优化调度自动化主站中电力设备自适应调度的效果，提高自适应调度效率，该文在传统电力设备自适应调度方法的基础上进行优化设计，引入蚁群算法，基于蚁群算法的调度自动化主站中电力设备自适应调度方法进行深入研究。该文提出的方法缩短了电力设备各试件自适应调度所需时间，能够在较短的时间内完成调度任务，保证调度的稳定性和均衡性，对调度自动化主站的安全、高效运行具有重要意义。