基于BA的火电机组分时段负荷协调优化调度

摘 要：由于现行方法在火电机组分时段负荷协调优化调度中应用机组有功网损和电压偏差改善效果较差，没有达到预期的调度效果，因此本文提出基于蝙蝠优化算法（Bat Algorithm，BA）的火电机组分时段负荷协调优化调度方法。以有功网损最小和电压偏差最小为目标建立多目标函数，设定电负荷平衡约束性条件，整合目标函数与约束性条件构建火电机组分时段负荷协调优化调度数学模型，利用蝙蝠优化算法对模型迭代求解，输出并执行最优调度策略，实现基于蝙蝠优化算法的火电机组分时段负荷协调优化调度。经试验证明，设计方法应用下火电机组有功网损减少，电压偏差降低，调度效果良好。

关键词：蝙蝠优化算法；火电机组；有功网损；电压偏差

中图分类号：TM 731 " " 文献标志码：A

随着可再生能源（例如风电、光伏等）大规模接入电网，电力系统特性发生改变，给火电机组的运行调度带来了挑战。在此背景下，如何充分挖掘火电机组的调峰潜力并优化其负荷分配策略，成为提升电力系统整体运行效率和稳定性的关键。分时段负荷协调优化调度法能够根据不同时段电网负荷与可再生能源变化动态调整火电机组的运行状态和出力水平，实现其经济性与消纳优化。目前，国内、外对火电机组负荷优化调度的研究已经取得了一定进展。

文献[1]提出了基于大数据分析的调度方法，利用采集、存储、挖掘和分析电力系统中的海量数据，实现负荷预测、负荷平衡和负荷调度。文献[2]提出了基于深度学习的调度方法，利用深度学习算法分析历史负荷数据、天气条件等多源信息，建立负荷预测模型，最终实现负荷优化分配与调度。尽管现行方法在火电机组运行调度中具有一定潜力，但是在极端天气条件下，预测误差显著增大，对制定调度计划的影响较大。因此，本文提出基于蝙蝠优化算法（Bat Algorithm，BA）的火电机组分时段负荷协调优化调度方法。

1 火电机组分时段负荷协调优化调度数学模型

1.1 目标函数

考虑火电机组负荷具有波动性，负荷的异常波动会增加火电机组有功网损，使其电压出现异常变化，产生电压偏差，从而影响火电机组运行的稳定性与安全性，因此本文以有功网损最小和电压偏差最小为目标，建立火电机组分时段负荷协调优化调度多目标函数，如公式（1）所示。

f=f1+f2 （1）

式中：f表示火电机组分时段负荷协调优化调度多目标函数；f1表示火电机组有功网损最小目标函数；f2表示火电机组电压偏差最小目标函数[3]。

根据火电机组各个时段节点电压和支路电导，可以确定有功网损，因此，火电机组有功网损最小目标函数如公式（2）所示。

（2）

式中：N表示火电机组支路总数；j表示火电机组节点数量；Y（n，m）表示连接火电机组节点n和m的支路电导；Vn、Vm分别表示火电机组节点n和m的电压幅值；β表示节点电压相位差[4]。

根据节点电压实际值与期望值，可以确定火电机组电压偏差，因此，电压偏差最小目标函数如公式（3）所示。

（3）

式中：U、U*分别表示时段内火电机组节点的实际电压与期望电压；ΔUmax表示时段内火电机组节点的最大电压偏差。

1.2 约束性条件

火电机组分时段负荷协调优化调度需要满足负荷均衡约束性条件，保证在任何时段内，所有火电机组的供电负荷之和等于系统或区域在该时段的总电负荷需求，如公式（4）所示。

（4）

式中：M表示参数调度的火电机组数量；d表示第d台火电机组；Pd，t表示第d台火电机组在t时段的供电负荷；Pe，t表示t时段系统的总电负荷需求[5]。

整合上文建立的目标函数与约束性条件，构建火电机组分时段负荷协调优化调度数学模型I（t），如公式（5）所示。

（5）

2 基于蝙蝠优化算法的最优调度策略求解

采用蝙蝠优化算法求解上述调度模型。在火电机组分时段负荷协调优化调度中，每只蝙蝠代表一种潜在的调度策略，其空间位置映射出火电机组计算时段末应维持的负荷量，蝙蝠的移动速度模拟负荷随调度策略调整的涨、落速率[6]。评估火电机组分时段负荷总量，以评判蝙蝠位置（即调度策略）的优、劣，负荷量越高，表明该蝙蝠（调度策略）越接近最优。蝙蝠优化算法采用全局搜索与局部搜索的双重机制，不断迭代优化蝙蝠的位置，直至找到最佳调度策略。该过程包括以下8个关键步骤。

步骤一：参数初始化。明确并设定蝙蝠优化算法的基本参数，包括蝙蝠种群规模、负荷范围（最大负荷与最小负荷）、脉冲发射特性的调节参数（例如脉冲增加系数、响度衰减系数）以及算法的最大迭代次数等。

步骤二：种群初始化。在火电机组分时段允许的负荷波动范围内，随机生成每只蝙蝠的初始位置（即各时段的负荷设定）、速度、频率、脉冲发射速率和响度[7]。考虑火电机组分时段负荷的特性，对每只蝙蝠的这些参数进行时段的初始化。

步骤三：初始适应度评估。计算火电机组在给定蝙蝠位置（调度策略）下的负荷量，并引入惩罚机制，处理不满足约束条件的方案，评估每只蝙蝠的初始适应度，将适应度最高的蝙蝠作为初始全局最优解。

步骤四：全局搜索更新。在探索并逼近最优解的过程中，算法具有群体智能协作与自适应调整机制，即整个蝙蝠群紧随当前表现最优的蝙蝠个体，动态调整各自的位置与行为策略。具体来说，在每一次迭代中，蝙蝠根据自身发出的超声波脉冲频率的变化来调整飞行方向和速度[8]。蝙蝠速度更新过程如公式（6）所示。

vit+1=vit+（xit-x*）α （6）

式中：vit+1表示群体中第i只蝙蝠在第t+1次迭代中的飞行速度；vit表示群体中第i只蝙蝠在当前迭代中的飞行速度；xit表示群体中第i只蝙蝠在当前迭代中的位置；x*表示本次迭代前所有蝙蝠的最佳位置；α表示蝙蝠所发出的超声波的脉冲频率。

α的计算过程如公式（7）所示。

α=αmin+（αmax-αmin）η （7）

式中：αmax、αmin分别表示蝙蝠所发出的超声波的脉冲频率最大值和最小值；η表示值域为0～1的随机数。

根据蝙蝠更新的速度，对其位置进行更新，如公式（8）所示。

xit+1=xit+vit+1 （8）

式中：xit+1表示群体中第i只蝙蝠在第t+1次迭代中的位置。

迭代应用上述公式，蝙蝠群中的每个成员能够根据当前最优解的信息和自身的搜索经验，调整自己的飞行速度和方向。

步骤五：局部搜索与更新。在全局搜索的基础上，每只蝙蝠根据其当前最佳位置进行局部随机扰动，生成新位置并评估其适应度，并比较新、旧位置的适应度和特定条件，以决定是否接受局部更新。

步骤六：全局最优解更新。在每次迭代中，遍历更新后的蝙蝠种群，比较并更新全局最优解。

步骤七：蝙蝠属性更新。随着迭代进行，根据预设规则调整蝙蝠的脉冲发射率和响度，蝙蝠在接近猎物的过程中逐渐降低其发出的声波响度，逐渐增加其声波脉冲的发射率。

步骤八：终止条件判断。当达到预设的迭代次数或满足其他终止条件时，算法结束。此时的全局最优蝙蝠即代表火电机组分时段负荷的最优调度策略。根据该策略进行负荷协调优化调度，以此实现基于蝙蝠优化算法的火电机组分时段负荷协调优化调度。

3 试验论证

3.1 试验对象与设计

本文采用对比试验的方式验证所提基于蝙蝠优化算法的火电机组分时段负荷协调优化调度方法的可行性与可靠性，将本文方法与文献[1]提出的基于大数据分析的调度方法、文献[2]提出的基于深度学习的调度方法进行比较。以某火电厂为试验对象，该火电厂包括3组火电机组，发电机端电压上限为2.1p.u.，电压下限为0.1p.u.，机组有功功率上限为2000kW，平均负荷为253MW。利用本文设计方法对该火电机组进行分时段负荷协调优化调度。试验环境包括windows 10 XP操作系统，搭配Inter Core i8 CPU，16GB硬盘和8G内存。

3.2 试验指标

为了验证本文方法的可行性，选择有功网损、电压偏差和准确率作为指标。有功网损是衡量电力系统经济性和效率的重要指标之一。在火电机组分时段负荷协调优化调度中，降低有功网损，不仅可以提高能源利用效率，而且可以减少发电成本，对电力系统的经济性和稳定性具有重要影响。电压偏差反映了电力系统运行的稳定性和安全性。在优化调度中，应保证各节点电压在合理范围内波动，以保证系统稳定运行。准确率是衡量调度方法有效性的直接指标。分时段负荷协调优化调度对调度计划的精确性要求较高。只有准确预测并满足各时段的负荷需求，才能保证电力系统的平稳运行和用户的用电质量。

有功网损与电压偏差能够体现火电机组负荷的波动性带来的影响。有功网损越大，电压偏差越大，导致火电机组负荷波动性越大，机组运行越不稳定，负荷优化调度效果越差。

综合评价以上3个指标，可以全面评估不同评价方法的一致性、稳定性和可靠性，为选择最合适的评价方法提供科学依据。

3.3 试验参数设置

试验中，根据该火电机组实际情况，蝙蝠优化算法参数设置见表1。

按照以上步骤对调度策略进行迭代求解，输出并执行调度策略。

3.4 试验过程

收集火电厂历史负荷数据、机组运行参数（例如电压、有功功率）等。根据机组参数设置仿真模型的初始条件和约束条件。利用蝙蝠优化算法，进行分时段负荷协调优化调度。设置算法参数，例如蝙蝠种群大小、频率范围和脉冲发射率等。复现或近似实现文献[1]方法，用于进行比较。同样，根据文献[2]的描述，构建或调用已有的深度学习模型进行调度优化。分别使用3种方法，对该火电厂的3组火电机组进行分时段负荷协调优化调度，每个方法均运行多次，以获取稳定结果，并计算平均有功损耗和电压偏差。记录每种方法在不同时间段内的火电机组网损、电压偏差数据和不同故障类型的故障判断。计算并比较3种方法的火电机组网损、平均电压偏差等关键指标。最后以图表形式展示3种方法的调度效果对比，包括火电机组网损情况对比表、电压偏差曲线和故障诊断结果对比等，并分析蝙蝠优化算法在减少有功损耗和电压偏差方面的优势。

3.5 试验结论

应用3种方法的火电机组网损和电压偏差如图1、表2所示。

从表2数据可以看出，在本次试验中，应用本文方法的火电机组有功网损最低，不超过10MW。从图1可以看出，应用本文方法的火电机组电压偏差不超过1p.u.，即实际电压基本接近期望电压，而文献[1]、文献[2]方法电压偏差远高于本文设计方法。因此可以初步证明，本文设计方法能够有效降低负荷波动带来的有功网损和电压偏差，均衡负荷，并保证火电机组稳定运行。

为进一步验证基于蝙蝠优化算法的火电机组分时段负荷协调优化调度方法的有效性，本文选用150组火电机组故障进行判断，采用相同的数据集，将本文方法与文献[1]方法、文献[2]方法进行比较，诊断准确率和数量见表3。

由表3的故障诊断结果可知，本文方法具有卓越的准确性，整体准确率为97.3%，远超文献[1]82.7%、文献[2]82%的准确率。具体来说，在T1、T2等常见、通用的故障类型中，本文方法不仅准确率高，而且错判率低，有效避免了误判带来的潜在风险。对D1、D2等更复杂、难以诊断的故障来说，本文方法同样具有较高的准确率，能够利用精细化的特征提取和智能化的决策机制，进行高准确率诊断。此外，对DT、PD等特定场景下的故障来说，本文方法也具有独特优势，表明本文方法对于不同故障类型的灵活应对能力和高效解决能力，进一步证明本文所提蝙蝠优化算法的火电机组分时段负荷协调优化调度方法是有效的，具有较高的故障判断能力，有助于更好地进行火电机组分时段负荷协调优化调度。

4 结语

本文提出了基于蝙蝠优化算法的火电机组分时段负荷协调优化调度方法，利用模拟蝙蝠觅食过程中的回声定位机制，有效解决了火电机组负荷调度中复杂的优化问题。该方法不仅提高了负荷调度的灵活性和准确性，而且显著增强了电力系统的稳定性和经济性。未来，随着算法不断优化和实际应用场景不断拓展，蝙蝠优化算法有望在火电机组负荷调度领域发挥更重要的作用，为智能电网的发展贡献更多力量。

参考文献

[1]吴春锐.基于大数据分析的电气系统供配电负荷预测与调度优化[J].电器工业，2024（8）：86-90.

[2]翁存兴，王晓宁，刘碧峰.基于深度学习的火电厂机组负荷调度自动控制方法[J].信息与电脑（理论版），2023，35（1）：83-85.

[3]陈宏，张岭乔，张宇峰，等.基于混合粒子群优化的智能电网负荷协同调度[J].电子设计工程，2024，32（16）：111-114，120.

[4]於慧敏.基于改进差分进化的含分布式电源配网负荷自适应调度方法[J].自动化应用，2024，65（13）：255-256，259.

[5]刘雁行，徐恺，乔如妤，等.基于多种群协同粒子群人工智能算法的电力系统负荷调度研究[J].自动化与仪器仪表，2024（4）：139-143.

[6]李冰，王雷震，张佳，等.基于多策略协同进化差分算法的社区居民负荷优化调度[J].计算机应用研究，2023，40（12）：3636-3642，3654.

[7]张斌，司大军，李文云，等.计及多类型可调度柔性负荷响应的电力系统经济调度策略[J].电工电能新技术，2023，42（4）：39-47.

[8]丁涛，黄雨涵，张洪基，等.基于等微增率并计及机组功率约束的火电机组最优负荷分配精确解[J].中国电机工程学报，2024，44（4）：1446-1460.