基于改进粒子群算法的工业负荷规划研究

东北电力技术　２２　２０１６年　ＮｏＲＴＨＥＡＳＴ　ＥＬＥＣＴＲＩＣ　ＰｏＷＥＲ　ＴＥＣＨＮｏＬｏＧＹ　第３７卷第７期　基于改进粒子群算法的工业负荷规划研究　宫及峰，张婷婷，刘　晨，赵婉旭　（国网辽宁省电力有限公司计量中心，辽宁　沈阳　１１０１６８）　摘要：工业用电负荷是电网用电负荷的重要组成部分　其用电负荷的合理规划对于电网线路规划具有重要意义。建立　工业用电负荷的收益模型，对不同类型的工业用电负荷进行分析ｌ’ｌ引入惩罚因子对支付的电费进行约束，提出自适应　权重系数的粒子群算法进行优化寻优，求解总收益最大情况下各用电负荷的最佳用电量。通过案例分析，验证了该粒　子群算法在工业用电负荷规划中的有效性，　为后续的大工业负荷的规划提供了新思路　关键词：配电网；粒子群算法；工业负荷；收益　０。　［中图分类号］ＴＭ７１５　［文献标志码］Ａ　［文章编号］ｌ００４—７９１３（２０１６）０７￣００　２＿ｏ４　Ｓｔｕｄｙ　ｏｎ　Ｉｎｄｕｓｔｒｉａｌ　Ｌｏａｄ　Ｐｌａｎｎｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ｉｍｐｒｏｖｅｄ　ＰＳＯ　Ａｌｇｏｒｉｔｈｍ　ＧＯＮＧ　Ｊｉ—ｆｅｎｇ，ＺＨＡＮＧ　Ｔｉｎｇ—ｔｉｎｇ，ＬＩＵ　Ｃｈｅｎ，ＺＨＡＯ　Ｗａｎ－ＸＵ　（Ｓｔａｔｅ　Ｇｒｉｄ　Ｌｉａｏｎｉｎｇ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｃｏ．，Ｌｔｄ．，Ｍｅｔｒｏｌｏｇｉｅａｌ　Ｃｅｎｔｅｒ，Ｓｈｅｎｙａｎｇ，Ｌｉａｏｎｉｎｇ　１　１０１６８，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎｄｕｓｔｉｒａｌ　ｅｌｅｃｔｉｃｉｒｔｙ　ｌｏａｄ　ｉｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｐａｒｔ　ｏｆ　ｔｈｅ　ｐｏｗｅｒ　ｇｒｉｄ　ｌｏａｄ　ａｎｄ　ｔｈｅ　ｐｌａｎｎｉｎｇ　ｏｆ　ｅｌｅｃｔｉｃｉｒｔｙ　ｌｏａｄ　ｈａｓ　ｇｒｅａｔ　ｉｍｐｏｒｔａｎｃｅ　ｏｎ　ｔｈｅ　ｐｏｗｅｒ　ｌｉｎｅｓ　ｐｌａｎｎｉｎｇ．Ｉｎｄｕｓｔｒｉａｌ　ｅｌｅｃｔｉｃｉｒｔｙ　ｌｏａｄ　ｒｅｖｅｎｕｅ　ｍｏｄｅｌ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｄｉｆｆｅｒｅｎｔ　ｔｙｐｅｓ　ｏｆ　ｉｎｄｕｓｔｒｉａｌ　ｅｌｅｃｔｒｉｃｉｔｙ　ｌｏａｄ　ａｒｅ　ａｎａｌｙｚｅｄ　ｂｙ　ｉｎｔｒｏｄｕｃｉｎｇ　ｔｈｅ　ｐｅｎａｌｔｙ　ｆａｃｔｏｒ　ｆｏｒ　ｔａｒｉｆ　ｐａｙｍｅｎｔ，ｓｅｌｆ－ａｄａｐｔｉｖｅ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｒｅ　ｐｒｏｐｏｓｅｄ　ｔｏ　ｓｅｅｋ　ｔｈｅ　ｂｅｓｔ　ｅｌｅｃｔｒｉｃｉｔｙ　ｃｏｎｓｕｍｐｔｉｏｎ　ｆｏｒ　ｔｈｅ　ｔｏｔａｌ　ｇｒｅａｔｅｓｔ　ｐｒｏｆｉｔｓ　ｏｆ　ｅａｃｈ　ｅｌｅｃｔｒｉｃａｌ　ｌｏａｄ．Ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｏｆ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ｅｌｅｃｔｒｉｃｉｔｙ　ｌｏａｄ　ｐｌａｎｎｉｎｇ　ｉｓ　ｖｅｒｉｆｉｅｄ　ｔｈｒｏｕｇｈ　ｔｈｉｓ　ｃａｓｅ　ｗｈｉｃｈ　ｐｒｏｖｉｄｉｎｇ　ａ　ｎｅｗ　ｗａｙ　ｆｏｒ　ｔｈｅ　ｓｕｂｓｅｑｕｅｎｔ　ｐｌａｎｎｉｎｇ　ｏｆ　ｌａｒｇｅ　ｉｎｄｕｓｔｒｉｌ　ｌｏａｄｓ．ａ　Ｋｅｙ　ｗｏｒｄｓ：Ｄｉｓｔｉｂｕｔｅｄ　ｇｅｎｅｒａｔｒｉｏｎ；Ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ；Ｅｌｅｃｔｒｉｃｉｔｙ　ｌｏａｄ；Ｐｒｏｆｉｔ　工业作为国民经济的主要生产动力，对促进社　会发展具有重要意义。随着工业生产精细化、效率　化、经济化的提升，其对工业用电的要求也越来越　体系。通过相应评价方法实现能耗的最小化。然　而，上述研究均从如何降低工业能耗角度出发，未　对前期的工业负荷用电进行规划。　本文建立了不同工业用电负荷的收益模型，以　工业用电负荷总收益最大为优化目标，建立了系统　优化目标函数。粒子群算法（Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉ—　ｍｉｚａｔｉｏｎ，ＰＳＯ）以其编程简单，寻优速度快成为　众多学者竞相研究的多目标寻优算法＿４　］，而传统　的ＰＳＯ算法存在陷入局部最优解、收敛精度低等　高。工业用户生产对能量的要求也越来越高，配电　网往往通过建立专用线路为其提供电能，或大工业　用户利用专用配变从公用中压线路上获得工业生产　所需的能量。　然而，大工业用电企业作为追求效益最优化的　个体，如何实现合理负荷控制，合理有效地进行经　济生产则是用电企业关注的焦点。工业负荷虽占用　户总数很小的比例，其用电量却占据着绝大部分，　而各工业用电负荷彼此之间存在竞争用电的局面．　问题。针对这些缺点，本文提出自适应权重系数的　粒子群算法（Ｓｅｌｆ—Ａｄａｐｔｉｖｅ　Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚａ—　ｔｉｏｎ，ＳＡＰＳＯ）以提高粒子群算法的寻优精度。通过　相应的案例对ＳＡＰＳＯ的应用进行了验证，同时在优　化目标下实现了不同工业用电负荷的用电规划，对　后续指导电网线路规划具有一定的现实意义。　不恰当的用电消耗，对工业负荷来说是不经济　的　］。因此，研究工业负荷的合理控制和管理，　对于社会经济的影响显得尤为重要。工业负荷用电　规划对于电网规划具有直接的影响。文献『２］研究　了工业用户的能耗问题，通过建立相应负荷模型．　分析了负荷限电次序及额度对工业负荷能耗的影　１工业负荷规划影晌因素分析　工业负荷以经济生产为主要目的，其用电需求　量大、负荷集中、负荷率相对较高。在工业负荷用　响。文献［３］针对有序用电问题建立了相应的指标　２０１６年　第３７卷第７期　宫及峰，等：基于改进粒子群算法的工业负荷规划研究　电规划中，应对各工业用户的用电量及生产进行全　面的评估，从多个角度对后期的线路规划、增加配　变布点、确定合适的配变容量等做出判断。影响工　用；Ｆ　为用电企业支付的员工劳务费。　“　ＲＥｖ＝Ａ　Ｓ　（２）　式中：Ａ，为不同工业用电企业单位电量的收入系　业用电负荷规划的因素如图１所示。　图ｌ　工业用电负荷规划影响因索　从图１中可看出，影响工业负荷规划的主要因　素可分为２部分：　ａ．工业负荷需要支出的费用．这些支出费用　主要包括：企业用电支付的电费、生产材料费用、　设备维护费用、企业生产支出的劳务费用及供电公　司给予企业的惩罚费用等　ｂ．企业的经济收益。主要涉及企业主营业务　生产带来的产品收益及供电企业给予工业用户的奖　励费用。惩罚费用与奖励费用则是根据工业用电的　情况进行确定，即与工业用电的功率因数有关。若　大工业用电负荷的功率因数较高，则会获得相应的　补贴费用：反之则进行相应的惩罚，奖励费用及惩　罚费用大小则由相应的奖惩比率进行确定。　工业负荷规划应综合考虑该工业用户的经济效　益与所支出的相关费用，避免出现因竞争用电，导　致工业用电企业人不敷出。出现经济亏损的现象。　因此．根据各因素对工业负荷规划的影响制定合适　的工业用电规划则显得尤为重要。　２工业负荷模型的构建　通过总结影响工业用电负荷规划的各类影响因　素。确定以工业用电负荷总收益最优为目标，建立　了工业负荷规划模型。配电网下工业用电负荷总收　益目标函数可表示为　ｍａｘｆ＝王（ＵｌＲＥＶ－－ＦｉｃｏｓＴ－ＦｉＲＭ－ＦｉＭＡＴ－－Ｆ　）　（１）　式中：　为不同的工业用电负荷；ＵｌＲＥＦ为工业用电　负荷经济生产所带来的经济收入；Ｆ　为支付的　电费；　删为生产材料费用；Ｆ　为设备维护费　数，该收入系数与工业所生产的产品有关；Ｓ　为　不同工业企业的用电量。　工业用电电费主要包括基本电价、电度电价和　供电部门的奖惩费用，奖励费用及惩罚费用的大小　则由相应的奖惩比率进行确定。电费函数如下　所示。　Ｆ　ｃｏｓＴ＝（ａＦｆｒ＋＇７５。）（１＋　。）　（３）　，ｖ　，７＝　（∑Ｓ　）　＋０．７５　（４）　式中：Ｆ　为企业安装变压器的容量；　为变压器　单位容量每月支付的费用，按国家规定的标准收　取；叼为配电网系统的单位电价，与总的工业用电　量成二次关系；　为系统价格因子；　为供电部　门的奖罚比率，即工业用电负荷的功率因数未达到　系统规定时．需进行相应的惩罚，达到规定功率因　数时则有部分的奖励。该比率按国家规定的功率因　数为０．９取值。　各工业用户不同的生产材料费用规定为　Ｆ　ＲＭ＝　Ｓ　（５）　式中：∞为单位电量所消耗的生产材料费用。　为了方便计算，工业设备的维护费用Ｆ　及　用电企业支付的员工劳务费Ｆ儿　，可简化为不同　定值　３基于ＳＡＰＳＯ算法的优化求解　３．１算法介绍　ＰＳＯ算法在并行处理、鲁棒性方面具有较大　的优势，算法相对简单、收敛性较强。在ＰＳＯ算　法中，每个个体都看成１个粒子。粒子在问题解的　空间中进行移动，在迭代中通过不断的位置和速度　更新来寻找最优解。在每次迭代中，粒子会产生２　个极值，即粒子的个体极值ｐ　和种群极值ｇ　。　粒子的速度和位置如式（６）、式（７）进行更新。　ｋ　＝　口　＋ｃ１ｒ１（Ｐｂｅｓｔ－－　）＋ｃ２ｒ２（ｇｂｅｓｔ－Ｘ　）　（６）　ｋ　ｋ　十　ｋ“　（７）　式中：　表示粒子的速度；　为惯性权重系数；　表示粒子当前的位置；ｋ为迭代次数；ｒ　与ｒ：分别　为０～１之间的随机数；ｃ　与ｃ，分别为加速因子，　用于调节粒子在每次迭代中的步长。　但传统粒子群算法容易陷入局部最优解，本文　提出ＳＡＰＳＯ算法进行优化寻求，对ＰＳＯ算法中的　２０１６年　东北电力技术　第３７卷第７期　惯性权重系数进行了改进，提出非线性的动态自适　应权重系数见式（８）：　ｆ　（∞　一∞　）Ｘ（产　ｉ　）　∞：ｔ（－０．ｍｉｎ一——　＿’　（８）　ｌ，ｏ　，ｆ＞￣ｆａ　式中：∞　和　ｉ　分别表示０９的最大值和最小值；ｆ　表示微粒当前的目标函数值；　和　分别表示当　前所有微粒的平均目标值和最小目标值。　３．２算法求解步骤　ＳＡＰＳＯ寻优求解流程图如图２所示。　开始　优化目标函数确定及相应参数设置　初始化每个粒子的速度和位置　计算每个粒子的适应值　计算个体最优值　。　计算全局最优值　根据公式（７）进行权重系数自适应调整　根据公式（５）对粒予的速度进行更新　根据公式（６）对粒子的位鬻进行更新　否　是否满足结束条件　输出结果　图２　ＳＡＰＳＯ算法流程　ＳＡＰＳＯ算法具体步骤如下：　ａ．优化目标函数确定及相应参数初始化：　ｂ．初始化粒子的位置、速度及初始化适　应值：　ｃ．根据式（８）对权重系数进行自适应调整；　ｄ．根据式（６）和式（７）对粒子位置和速　度进行更新：　ｅ．更新粒子适应度值：　ｆ．对适应度进行评价，更新个体历史极　但Ｐｂ。　ｔ；　ｇ．更新全局极值ｇ　。　；　ｈ．若结果满足精度要求则跳出循环，输出　结果。　４案例分析　本文选取１个典型的供电网络作为分析对象。　为了进一步简化，分析网络中选取６个节点作为用　户节点。其中有３个节点为工业用户节点，分别为　工业负荷１、工业负荷２及工业负荷３：其余３个　节点为普通的居民用户。本系统区域内主要供电对　象为工业负荷，工业用电占据着系统用电量的绝大　部分。由于居民用电量极少，因此，不考虑用户负　荷对该区域内用电分配的影响。本文所建系统结构　如图３所示。　工业负荷１　隅３系统结构　４．１结果分析　各工业用户用电进行经济生产，但不同生产类　型的工业企业所获得的经济效益存在差异．同时需　要支出的费用也不尽相同。　本文规定基本电价按变压器容量进行收取．取　＝２４：￣ｔ＿，／ｋＶＡ；系统价格因子取　＝１／１０　。其余各　参数设置如表１所示。　表１系统各参数设置　在ＳＡＰＳＯ算法寻优过程中：取粒子数２００，　学习因子取２，最大权重取０．９，最小权重取０．４，　迭代次数取５０。　通过ＳＡＰＳＯ寻优，以系统总收益最优为目标．　得到不同工业负荷的最优用电量，如图４所示。　２０１６年　第３７卷第７期　宫及峰，等：基于改进粒子群算法的工业负荷规划研究　２　２　２　可见，相比于ＰＳＯ算法，ＳＡＰＳＯ算法由于加　Ｏ　Ｏ　孔拢０　６ＯＯ　５００　蔓　萤４０ｏ　莲３００　２ｏｏ　柏　ｌＯＯ　０　－Ｅ业负衙１　工业负树２　：Ｅ业负荷３　图４各工业用户用电曩分析　从上述结果可知，利用ＳＡＰＳＯ算法得到了该　系统内３个工业负荷的最佳用电量为『２０４．５２　ｋＷ，３５８．４３　ｋＷ，５３６．９２　ｋＷ］，在这种用电情况　下，该系统的总收益为２　２２５．８６　ｈ。从上述结果　分析可知，各工业用户在竞争用电下，以整体收益　为最优得到了各自最佳用电量。在这种情况下，倘　若工业负荷继续用电量．则相应电费将以指数形式　逐渐增加，用户所相应承担的电费将超过自身主营　业务带来的收益，造成人不敷出的现象。针对目前　大工业用户的混乱用电，后续应加大对工业用户的　效益问题进行分析，通过设定电费体系。限制浪费　用电的现象。　４．２算法比较分析　ＳＡＰＳＯ算法采用非线性的动态自适应权重。有　利于提高ＰＳＯ算法的全局搜索能力．增加收敛　精度。　利用ＰＳＯ和ＳＡＰＳＯ算法对该算例在迭代次数　均为５０的情况下进行重复求解。得到各次迭代目　标函数值变化情况如图５所示。算法改进前后收敛　效果如表３所示。　／。”ｒ……………～…………………“　／一／Ｔ　＼　／一，厂一，ｓ　ｓｏ算法　Ｐｓ　算浊　／　ｌ　４　７　１０　ｌ３　１６　１９　２２　２５　２８　３ｌ　３４　３７　４Ｏ　４３　４６　４９　迭代次数　５　ＳＡＰＳＯ算法呵ＰＳＯ收敛性分析　表３　ＳＡＰＳＯ与ＰＳＯ收敛结果比较　入了自适应权重系数．避免了ＰＳＯ算法容易陷入　局部最优解的现象，而且收敛精度更高。从表３可　看出，ＳＡＰＳＯ算法收敛次数明显要小于ＰＳＯ算法，　在本次寻优中，ＰＳＯ寻优１５次得到最优解，而　ＳＡＰＳＯ则只需１１次便可实现目标的寻优，且　ＳＡＰＳＯ算法的收敛精度略高于ＰＳＯ算法。另一方　面，ＳＡＰＳＯ算法在鲁棒性上要优于ＰＳＯ算法，　ＰＳＯ算法在前期收敛过程中存在震荡的现象，　ＳＡＰＳＯ前期收敛较为平稳。因此，通过对权重系　数进行自适应改进，有助于提高ＰＳＯ算法的收敛　速度及精度。　５　结论　本文建立了计及负荷收益及电费函数的负荷模　型，提出了基于ＳＡＰＳＯ优化算法的负荷用电量优　化方法。　ａ．ＳＡＰＳＯ算法相比于基本ＰＳＯ算法，在收　敛速度及精度方面都有较大的改善。　ｂ．计及负荷主营业务收入及电费函数的模型　是有效的，用于分析未来工业负荷的用电情况，指　导工业负荷的优化用电．从而实现整体经济效益的　最大化。　参考文献：　［１］　单葆国，赵庆波，张伟昌，等．山东省工业用电单耗分析　［Ｊ］．中国电力，２００３，３６（１０）：８－１１．　［２］　张粒子，杨阳．基于能效标尺竞争与ＯａＲ的工业负荷管理　策略［Ｊ］．电力自动化设备，２０１３，３３（３）：９－１４．　［３］　董安有，刑通，陈梦影，等．尖峰时段工业用户用电序位　评价指标体系与模型［Ｊ］．现代电力，２０１３，３０（６）：７３　７９．　［４］　靳现林，王建生，韩蕾．一种改进粒子群优化算法的配电　网重构［Ｊ］．东ｊＥ电力技术，２００７，２８（１０）：１１—１５．　［５］　李丹，杨宁，易善军．电力系统无功优化自适应粒子群　算法［Ｊ］．东北电力技术，２０１０，３１（１１）：卜５．　［６］　向　山，向迪辉．基于量子粒子群混合算法的电网经济调度　［Ｊ］．东北电力技术，２０１４，３５（１）：５－８．　作者简介：　宫及峰（１９７９一），男，学士，工程师，从事电力系统相关技　术研究。　（收稿日期２０１６—０４—２２）