楊德友， 劉世宇

(東北電力大學(xué)電氣工程學(xué)院， 吉林省 吉林市 132012)

1 引言

化石能源(煤炭、石油、天然氣等)的日益匱乏及溫室效應(yīng)的突顯，使得在化石能源高效利用的同時需考慮其污染物排放問題，建立環(huán)境友好型的化石能源利用形式是能源行業(yè)的核心任務(wù)之一。

火力發(fā)電廠通過燃燒化石燃料將化學(xué)能轉(zhuǎn)化為電能，是化石能源消耗的主體，也是污染氣體重要源頭之一。“十三五”期間中國將加大環(huán)境綜合治理力度，大力推進污染物達標排放和總量減排。因此，電力系統(tǒng)發(fā)電廠有功調(diào)度過程中不僅要考慮經(jīng)濟性[1]，同時必須兼顧污染物排放問題，將污染物排放指標引入電力系統(tǒng)有功調(diào)度中，構(gòu)建同時考慮經(jīng)濟性和污染物排放兩個指標的目標函數(shù)，即電力系統(tǒng)環(huán)境經(jīng)濟調(diào)度(Economic-Environmental Dispatch，EED)。

EED求解過程中需要同時使經(jīng)濟指標和污染物排放指標達到最小，這是典型的多目標優(yōu)化問題[2，3]。目前，多目標優(yōu)化問題的全局最優(yōu)解的求取依然十分困難，為此國內(nèi)外專家學(xué)者針對多目標EED問題開展了廣泛的研究。文獻[4]提出了基于回溯搜索算法(Backtracking Search Algorithm，BSA)的EED求解方法，該方法通過對BSA算法本身敏感的控制參數(shù)的改變求解EED問題。文獻[5]采用改進細菌覓食算法(Modified Bacterial Foraging Algorithm，MBFA)，通過合理改變參數(shù)整定對EED 問題進行了模擬，但BSA和MBFA算法的參數(shù)設(shè)置和算法實現(xiàn)過程過于復(fù)雜。文獻[6]通過給單目標函數(shù)匹配不同權(quán)值，實現(xiàn)了多目標到單目標的轉(zhuǎn)化，提出了基于生物地理學(xué)算法(Biogeography-Based Optimization，BBO)的EED求解方法，并進行了數(shù)值模擬。文獻[7]通過設(shè)置罰因子將廢氣排放目標嵌入到發(fā)電機煤耗費用目標中，將多目標規(guī)劃問題轉(zhuǎn)化為單目標規(guī)劃問題，并利用花朵授粉算法(Flower Pollination Algorithm，F(xiàn)PA)進行求解。文獻[8]運用粗糙集理論確定環(huán)境調(diào)度和經(jīng)濟調(diào)度函數(shù)的約束度，進而確定多目標權(quán)系數(shù)，運用混沌局部搜索策略的差分進化算法 (Chaotic Local Search strategy Differential Evolution，CLSDE)對EED問題進行求解。但權(quán)系數(shù)法中各個目標函數(shù)需要在求解前進行認知賦值，權(quán)重系數(shù)直接影響優(yōu)化結(jié)果，自適應(yīng)性較差。文獻[9]通過對罰系數(shù)值的設(shè)定，將污染排放目標同總?cè)剂腺M用目標結(jié)合起來，將多目標規(guī)劃問題轉(zhuǎn)化為單目標問題，并分別利用調(diào)制粒子群優(yōu)化算法(Modulated Particle Swarm Optimization，MPSO)和改進量子粒子群算法(Improved Quantum Particle Swarm Optimization，IQPSO)獲取單目標最優(yōu)解，進而實現(xiàn)了EED的求解，但對罰系數(shù)值的設(shè)定并不能滿足多目標優(yōu)化需求。

飛蛾撲火算法(Moth-Flame Optimization algorithm，MFO)是Seyedali Mirjalili于2015年提出的模擬飛蛾撲火行為的進化算法[10]，具有收斂性強、收斂速度快、適用范圍廣等優(yōu)點，在求解高維優(yōu)化問題時，其優(yōu)勢更為明顯。本文選擇MFO作為基礎(chǔ)優(yōu)化算法，結(jié)合帕累托最優(yōu)策略，提出了基于帕累托最優(yōu)與MFO算法的多目標EED求解方法。通過與現(xiàn)有優(yōu)化算法結(jié)果的對比與分析，驗證了本文算法的可行性和有效性。

2 基于帕累托最優(yōu)的EED模型

EED問題需要在滿足用戶用電需求、系統(tǒng)網(wǎng)絡(luò)損耗、火電廠各發(fā)電機組有功出力參數(shù)設(shè)計等約束條件下，對系統(tǒng)中各個發(fā)電機組的有功分配進行優(yōu)化，盡可能使總?cè)剂铣杀竞涂偽廴九欧帕孔钚　?/p>

2.1 基本EED模型

(1)總?cè)剂铣杀?/p>

火電廠中每臺發(fā)電機的發(fā)電成本之和即為總?cè)剂铣杀綟(Pi)，它可被近似表示為：

(1)

式中，Pi為第i臺發(fā)電機的有功出力；N為發(fā)電機的數(shù)量；ai、bi、ci為第i臺發(fā)電機的煤耗特性系數(shù)。

在實際系統(tǒng)中，發(fā)電機組能耗曲線需要由汽輪機汽門來調(diào)節(jié)，從而改變發(fā)電機組的有功出力。在此過程中會產(chǎn)生一定的能耗損失，稱為閥點效應(yīng)，可以表示為：

Di=disin[fi(Pimin-Pi)]

(2)

式中，Di為閥點效應(yīng)所引起總?cè)剂铣杀镜淖兓?；Pimin為第i臺發(fā)電機有功出力的下限；di、fi為發(fā)電機組的閥點系數(shù)。

因此，實際發(fā)電機組的總?cè)剂铣杀究杀硎緸椋?/p>

(3)

(2)總污染排放量

由于國家對火力發(fā)電廠污染氣體排放，如SO2、NOX等有明文規(guī)定，要求其控制污染氣體的排放量。本文僅考慮NOX氣體的排放情況，因此總污染排放量E(Pi)可表示為：

(4)

式中，αi、βi、γi、ηi、δi為第i臺發(fā)電機的排放特性系數(shù)。

2.2 約束條件

由于系統(tǒng)安全和發(fā)電機組自身運行特性的限制，在調(diào)度過程中應(yīng)首先考慮平衡約束和容量約束。平衡約束條件可以表示為：

(5)

式中，PD為系統(tǒng)負荷；PL為系統(tǒng)網(wǎng)絡(luò)損耗，可以利用Kron公式[11]進行計算，其公式如下：

(6)

式中，Bij、B0i、B00為網(wǎng)絡(luò)參數(shù)。

機組發(fā)電容量自身同樣受到出力上下限約束，可表示為：

Pimin≤Pi≤Pimax

(7)

式中，Pimax為第i臺發(fā)電機有功出力的上限。

綜合上述約束，EED問題的多目標優(yōu)化模型可以表示為：

(8)

式中，F(xiàn)(Pi)和E(Pi)分別為煤耗費用和污染氣體排放量目標函數(shù)；g(Pi)為系統(tǒng)的等式約束條件；h(Pi)為系統(tǒng)的不等式約束條件。

2.3 基于帕累托最優(yōu)的EED求解模型

帕累托最優(yōu)[12]表征了多目標不能同時滿足所有目標同時繼續(xù)優(yōu)化的一種平衡狀態(tài)。帕累托最優(yōu)可以使多目標在尋優(yōu)過程中達到單目標適應(yīng)度的合理最優(yōu)配置。

設(shè)X為EED問題的解集，式(8)中若?i∈{1,2,…,n}均滿足fi(α)<

EED問題需要同時考慮煤耗費用和污染氣體排放量。該問題是一種向量化綜合優(yōu)化配置問題，最優(yōu)方案的求取取決于目標向量的更新和比較。

帕累托非劣性解向量分布的均勻程度可由間隔指標S[13]來衡量：

(9)

式中

m為目標函數(shù)中目標個數(shù)；n為非劣性解集中解向量個數(shù)。當S=0時表示該非劣性解集呈均勻分布。

此時所得全部非劣最優(yōu)解構(gòu)成了多目標優(yōu)化問題解的帕累托最優(yōu)前沿，通過對前沿中的方案進行排序，即在可行域中搜索出最優(yōu)的調(diào)度方案。

3 用于多目標優(yōu)化的MFO算法

3.1 MFO算法

在MFO算法中，假設(shè)飛蛾是候選解，問題的變量是飛蛾在空間中的位置，飛蛾的位置矩陣可以表示為：

(10)

式中，n為飛蛾數(shù)量；d為變量個數(shù)(維數(shù))。

對于所有飛蛾，假設(shè)存在一個可以存儲適應(yīng)值的向量：

(11)

這里的適應(yīng)值是每只飛蛾適應(yīng)值函數(shù)的返回值。每只飛蛾的位置向量(例如矩陣M的第一行)被傳遞給了適應(yīng)值函數(shù)，適應(yīng)值函數(shù)的輸出值即為對應(yīng)飛蛾的適應(yīng)值(例如OM矩陣中的OM1)。

MFO算法的另一個重要組成部分是火焰。其位置矩陣可以表示為：

(12)

事實上，矩陣M和F具有相同的維數(shù)。對于火焰，假設(shè)存在一個可以儲存對應(yīng)適應(yīng)值的向量：

(13)

MFO算法是一種求解非線性規(guī)劃問題的全局最優(yōu)解的三維方法，可以定義為：

MFO=(I,P,T)

(14)

式中，I為一種可以產(chǎn)生隨機飛蛾和對應(yīng)適應(yīng)值的函數(shù)，I函數(shù)的數(shù)學(xué)模型可以表示為：

I:φ→{M,OM}

(15)

P函數(shù)為主函數(shù)，可以在搜索空間里自由移動飛蛾的位置，P函數(shù)通過矩陣M的更新來記錄飛蛾的最終位置，即

P:M→M

(16)

T函數(shù)為終止函數(shù)，當T函數(shù)滿足終止條件時，則函數(shù)將返回真，此時停止運行；否則返回假，P函數(shù)將繼續(xù)進行搜索，即

T:M→{真，假}

(17)

I函數(shù)可以產(chǎn)生最初解，并且計算出目標函數(shù)值。I函數(shù)可以利用任何隨機分布進行計算，MFO算法中飛蛾的隨機分布可以表示為：

M(i,j)=(ubi-lbi)·rand()+lbi

(18)

式中，ub和lb為隨機分布過程中存在的向量，這兩個向量規(guī)定了變量的最大值和最小值，即

ub=[ub1,ub2,…,ubi,…,ubn]

(19)

其中，ubi為第i個變量的最大值。

lb=[lb1,lb2,…,lbi,…,lbn]

(20)

其中，lbi為第i個變量的最小值。

初始化后，P函數(shù)將會進行反復(fù)迭代，直到T函數(shù)返回為真時停止計算。本文算法中，飛蛾的更新過程是一種對數(shù)的螺旋關(guān)系。在搜索過程中，螺旋范圍的波動不可以超出搜索區(qū)間。因此，該算法對數(shù)螺旋可以定義為：

S(Mi,Fj)=Diebtcos(2πt)+Fj

(21)

式中，Di為第i只飛蛾和第j個火焰之間的距離；b為可以改變對數(shù)螺旋形狀的常數(shù)；t為在[-1,1]之間的隨機數(shù)。

D的計算方法如下：

Di=Fj-Mi

(22)

式中，Mi表示第i只飛蛾；Fj表示第j個火焰。

對于上述模型可以描述為：

(1)飛蛾可以通過改變t值收斂到火焰周圍的任何點。

(2)t值越小，距離火焰就越近(如圖1所示)。

圖1 根據(jù)t值改變飛蛾在火焰周圍的螺旋位置Fig.1 Changing position of moth around flame according to t value

(3)火焰周圍的飛蛾頻繁更新位置可以增加飛蛾接近火焰的概率。

飛蛾位置的更新可以保證飛蛾始終在火焰周圍進行搜索。在優(yōu)化過程中，飛蛾將根據(jù)矩陣更新位置。假設(shè)存在一個在區(qū)間[r,1]的隨機數(shù)t，其中r為收斂常數(shù)，是一個在迭代過程中由-1～-2線性遞減的變量。

在每次迭代中，火焰會根據(jù)適應(yīng)值分類。在更新過程中，若所有飛蛾均被相同火焰吸引，則飛蛾將在搜索空間內(nèi)收斂到同一個點。同時，飛蛾位置更新可能出現(xiàn)在不同的火焰周圍，這種機制使飛蛾在搜索區(qū)域突然移動，這也提升了探測進程。

然而，飛蛾位置在搜索區(qū)域內(nèi)進行n次不同的位置更新可能會降低對最優(yōu)解的探測。這樣可以使火焰數(shù)量在迭代過程中逐漸減少，火焰數(shù)量flameno可表示為：

(23)

式中，l為當前迭代次數(shù)；N為最大火焰數(shù)量；T為最大迭代次數(shù)。

迭代過程后期，飛蛾只在最優(yōu)火焰處更新位置，在搜索區(qū)域定位和探測，并且使火焰數(shù)量逐漸下降。此時，當T函數(shù)返回真時，P函數(shù)停止。本文引入算法基本流程圖如圖2所示。

圖2 MFO算法流程圖Fig.2 Flow chart of MFO algorithm

3.2 基于帕累托最優(yōu)的MFO多目標優(yōu)化

EED問題為多目標優(yōu)化問題，通過對帕累托策略的引入可以將本文算法適用于多目標MFO優(yōu)化求解，在此過程中引入累計排序適應(yīng)度賦值策略、精英保留策略和擁擠距離計算策略[14]。

具體經(jīng)濟節(jié)能調(diào)度基本步驟如下：

(1)設(shè)置求解EED問題所用算法基本參數(shù)(系統(tǒng)負荷總量、發(fā)電機組煤耗特性參數(shù)、污染排放參數(shù)等)。

(2)利用計算方法內(nèi)部初始化函數(shù)對搜索粒子進行初始位置確定，并計算對應(yīng)每臺發(fā)電機組出力分配的初始適應(yīng)值。

(3)利用快速非支配排序和擁擠距離計算策略求取全局非劣最優(yōu)解。

(4)通過計算方法函數(shù)更新粒子，計算更新后的適應(yīng)值，求取更新后粒子目標函數(shù)值，并與上代對應(yīng)值進行對比，得出此時最優(yōu)目標函數(shù)值。

(5)獲得子代種群后，將上代最優(yōu)種群與其進行合并，并利用快速非支配排序和擁擠距離計算策略求取此時全局最優(yōu)解，并產(chǎn)生下一代種群。

(6)如果粒子個數(shù)i

(7)確認是否達到最大迭代次數(shù)λ，如果滿足終止條件，則算法停止，輸出各發(fā)電機組最優(yōu)出力方案、總出力和目標函數(shù)值。本文算法計算經(jīng)濟節(jié)能調(diào)度框圖如圖3所示。

圖3 計算方法經(jīng)濟節(jié)能調(diào)度框圖Fig.3 Economic energy saving scheduling

4 仿真分析

為了驗證本文提出的MFO算法用于求解電力系統(tǒng)環(huán)境經(jīng)濟調(diào)度的有效性和經(jīng)濟性，本節(jié)采用傳統(tǒng)含有40臺發(fā)電機組系統(tǒng)對MFO算法作進一步驗證和分析。

同時考慮總煤耗成本和污染氣體排放量，系統(tǒng)總負荷設(shè)為10500MW，40機組系統(tǒng)參數(shù)詳見文獻[15]。針對該測試系統(tǒng)，在MATLAB2014b平臺上編制程序執(zhí)行本文算法，設(shè)置MFO算法粒子數(shù)為100個，最大迭代次數(shù)為500次；文獻[15]中非支配排序遺傳算法(Nondominated Sorting Genetic Algorithm-Ⅱ，NSGA-Ⅱ)、帕累托進化算法(Strength Pareto Evolutionary Algorithm，SPEA2)、多目標差分進化算法(Multi-Objective Differential Evolution，MODE)、萬有引力算法(Gravitational Search Algorithm，GSA)和帕累托差分進化算法(Pareto Differential Evolution，PDE)迭代次數(shù)設(shè)置為500次，單獨運行200次，取最優(yōu)調(diào)度方案。

多目標優(yōu)化過程中，成本目標函數(shù)和排放量目標函數(shù)在進行500次迭代過程中的收斂曲線如圖4所示。迭代次數(shù)150次時經(jīng)濟目標與環(huán)境目標均趨于穩(wěn)定，可見，本文算法收斂性較好，可以較快實現(xiàn)調(diào)度方案的獲取。

圖4 MFO求解總?cè)剂铣杀竞臀廴九欧拍繕耸諗壳€Fig.4 Convergence curve of total fuel cost and pollutant emission target by MFO algorithm

為了權(quán)衡煤耗因素和污染排放因素對調(diào)度方案選取的影響，本文選用帕累托最優(yōu)策略解決多目標優(yōu)化過程中互相排斥目標間的合理配置，帕累托最優(yōu)前沿的逼近問題可以將多目標分解為若干個單目標優(yōu)化子問題，使成本($)與排放量(t)通過策略互相制約和約束。

圖5為運用MFO算法在同時考慮煤耗費用和污染排放處理費用時，運用帕累托最優(yōu)前沿對該仿真系統(tǒng)的最后一次迭代過程中20個非支配解的分布規(guī)律，并與文獻[15]中PDE算法、MODE算法、SPEA2算法和NSGA-Ⅱ算法中非支配解進行對比。由圖5可以看出，本文算法的最優(yōu)解集在目標空間內(nèi)分布更廣，最優(yōu)前沿面更優(yōu)。圖5中所標注區(qū)域為上述算法在最優(yōu)前沿面上的最優(yōu)點集合，比較非支配解可獲得全局最優(yōu)調(diào)度方案，即本文所提算法最優(yōu)出力方案中多目標均分別優(yōu)于文獻[15]中所列算法的調(diào)度方案。

圖5 帕累托最優(yōu)前沿比較Fig.5 Pareto optimal frontier comparison

將所得調(diào)度方案同文獻[15]中5種優(yōu)化算法進行比較，結(jié)果如表1所示。本文算法所得最優(yōu)總煤耗費用為125669.39$，低于NSGA-Ⅱ、SPEA2等優(yōu)化算法調(diào)度結(jié)果；在總污染排放量的比較中，MFO算法所得調(diào)度方案將排放含硫、氮化合物為主的污染氣體210300.66t，同樣低于文獻[15]中其他算法所得結(jié)果。通過對本文算法與文獻[15]中算法求取該多目標優(yōu)化問題的對比，可見本文算法在求解EED問題的經(jīng)濟性和有效性。

電力系統(tǒng)有功調(diào)度過程中，系統(tǒng)負荷的大小隨時間、用戶需求等因素改變。針對該測試系統(tǒng)，常規(guī)火電機組參數(shù)保持不變，通過對系統(tǒng)總負荷的改變對本文算法做進一步模擬。表2為系統(tǒng)總負荷達到6000MW、8000MW和10500MW時應(yīng)用本文優(yōu)化算法求解EED問題時各發(fā)電機組最優(yōu)出力情況，該結(jié)果進一步驗證了本文環(huán)境經(jīng)濟調(diào)度算法的有效性和適應(yīng)性。

表1 不同算法的經(jīng)濟調(diào)度求解Tab.1 Solving of economic dispatch by different algorithms

表2 不同系統(tǒng)負荷的經(jīng)濟調(diào)度求解Tab.2 Solving of economic dispatch by different system loads

5 結(jié)論

本文提出了求解多目標環(huán)境經(jīng)濟調(diào)度的帕累托最優(yōu)MFO算法。采用罰函數(shù)法保證平衡約束條件，通過運用帕累托最優(yōu)前沿求取多目標最優(yōu)分配方案。計算和分析結(jié)果表明：

(1)對于煤耗成本因素和污染排放因素，本文算法可以更好地適應(yīng)兩者的關(guān)系，并且收斂速度較快，收斂性強。

(2)在滿足平衡約束和容量約束的前提下，與現(xiàn)有求解EED問題算法相比，本文算法具有更好的可行性。

(3)本文算法對于大規(guī)模規(guī)劃問題的適用性較強，可以為節(jié)能減排的環(huán)境經(jīng)濟調(diào)度提供參考，具有非常廣闊的工程應(yīng)用前景。

[1] 劉靜，羅先覺(Liu Jing，Luo Xianjue)．采用多目標隨機黑洞粒子群優(yōu)化算法的環(huán)境經(jīng)濟發(fā)電調(diào)度(Environ-mental economic dispatching adopting multi-objective random black-hole particle swarm optimization algorithm)[J]．中國電機工程學(xué)報(Proceedings of the CSEE)，2010，30(34):105-111．

[2] 江岳文, 陳沖, 溫步瀛(Jiang Yuewen, Chen Chong, Wen Buying). 基于隨機模擬粒子群算法的含風電場電力系統(tǒng)經(jīng)濟調(diào)度(Economic dispatch based on particle swarm optimization of stochastic simulation in wind power integrated system)[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2007, 26(3):37-41.

[3] 伍大清, 劉立, 鄭建國,等(Wu Daqing, Liu Li, Zheng Jianguo, et al.). 基于環(huán)境經(jīng)濟調(diào)度問題的空間自適應(yīng)劃分多目標優(yōu)化(Environmental economic power dispatch based on multi-objective evolution algorithm with adaptive space partition)[J]. 控制與決策(Control and Decision), 2015, 30(11):1974-1980.

[4] Kuntal Bhattacharjee, Aniruddha Bhattacharya, Sunita Halder nee Dey. Backtracking search optimization based economic environmental power dispatch problems[J]. International Journal of Electrical Power & Energy Systems, 2015, 73: 830-842.

[5] Hota P K, Barisal A K, Chakrabarti R. Economic emission load dispatch through fuzzy based bacterial foraging algorithm[J]. International Journal of Electrical Power & Energy Systems, 2010, 32: 794-803.

[6] Bhattacharya A, Chattopadhyay P K. Application of biogeography based optimization for solving multi-objective economic emission load dispatch problems[J]. Electric Power Components and Systems, 2010, 38(3): 340-365.

[7] Abdelaziz A Y, Ali E S, Abd Elazim S M. Combined economic and emission dispatch solution using flower pollination algorithm[J]. International Journal of Electrical Power & Energy Systems, 2016, 80: 264-274.

[8] 譚忠富，鞠立偉，陳致宏，等(Tan Zhongfu, Ju Liwei, Chen Zhihong，et al.)．基于粗糙集理論與CLSDE算法的環(huán)境經(jīng)濟調(diào)度優(yōu)化模型(An environmental economic dispatch optimization model based on rough set theory and chaotic local search strategy differential evolution algorithm)[J]．電網(wǎng)技術(shù)(Power System Technology)，2014，38(5)：1339-1345．

[9] 陳功貴, 陳金富(Chen Gonggui, Chen Jinfu)．含風電場電力系統(tǒng)環(huán)境經(jīng)濟動態(tài)調(diào)度建模與算法(Environmental/economic dynamic dispatch modeling and method for power systems integrating wind farms)[J]．中國電機工程學(xué)報(Proceedings of the CSEE), 2013, 33(10): 27-35.

[10] Mirjalili S. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm[J]. Knowledge Based Systems, 2015, 89: 228-249.

[11] Chen Po Hung, Chang Hong Chan. Large-scale economic dispatch by genetic algorithm[J]. IEEE Transactions on Power Systems, 1995,10(4):1919-1926.

[12] 劉磊, 楊仕友(Liu Lei, Yang Shiyou). 高維多目標優(yōu)化設(shè)計的改進多重單目標Pareto采樣算法研究(An improved multiple single objective Pareto sampling algorithm for many-objective optimizations)[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2013, 32(1): 89-93.

[13] 崔遜學(xué)(Cui Xunxue)．多目標進化算法及其應(yīng)用(Applications adopting multi-objective evolutionary algorithm)[M]．北京：國防工業(yè)出版社(Beijing: National Defence Industry Press)，2006.

[14] 馮士剛，艾芊(Feng Shigang，Ai Qian)．帶精英策略的快速非支配排序遺傳算法在多目標無功優(yōu)化中的應(yīng)用(Application of fast and elitist non-dominated sorting generic algorithm in multi objective reactive power optimization)[J]．電工技術(shù)學(xué)報(Transactions of China Electrotechnical Society)，2007，22(12)：146-152．

[15] Güven? U, S?nmez Y, Duman S, et al. Combined economic and emission dispatch solution using gravitational search algorithm[J]. Scientia Iranica, 2012, 19 (6): 1754-1762.