摘 要：由于現(xiàn)行方法在火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度中應(yīng)用機(jī)組有功網(wǎng)損和電壓偏差改善效果較差，沒(méi)有達(dá)到預(yù)期的調(diào)度效果，因此本文提出基于蝙蝠優(yōu)化算法（Bat Algorithm，BA）的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度方法。以有功網(wǎng)損最小和電壓偏差最小為目標(biāo)建立多目標(biāo)函數(shù)，設(shè)定電負(fù)荷平衡約束性條件，整合目標(biāo)函數(shù)與約束性條件構(gòu)建火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度數(shù)學(xué)模型，利用蝙蝠優(yōu)化算法對(duì)模型迭代求解，輸出并執(zhí)行最優(yōu)調(diào)度策略，實(shí)現(xiàn)基于蝙蝠優(yōu)化算法的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度。經(jīng)試驗(yàn)證明，設(shè)計(jì)方法應(yīng)用下火電機(jī)組有功網(wǎng)損減少，電壓偏差降低，調(diào)度效果良好。

關(guān)鍵詞：蝙蝠優(yōu)化算法；火電機(jī)組；有功網(wǎng)損；電壓偏差

中圖分類號(hào)：TM 731 " " 文獻(xiàn)標(biāo)志碼：A

隨著可再生能源（例如風(fēng)電、光伏等）大規(guī)模接入電網(wǎng)，電力系統(tǒng)特性發(fā)生改變，給火電機(jī)組的運(yùn)行調(diào)度帶來(lái)了挑戰(zhàn)。在此背景下，如何充分挖掘火電機(jī)組的調(diào)峰潛力并優(yōu)化其負(fù)荷分配策略，成為提升電力系統(tǒng)整體運(yùn)行效率和穩(wěn)定性的關(guān)鍵。分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度法能夠根據(jù)不同時(shí)段電網(wǎng)負(fù)荷與可再生能源變化動(dòng)態(tài)調(diào)整火電機(jī)組的運(yùn)行狀態(tài)和出力水平，實(shí)現(xiàn)其經(jīng)濟(jì)性與消納優(yōu)化。目前，國(guó)內(nèi)、外對(duì)火電機(jī)組負(fù)荷優(yōu)化調(diào)度的研究已經(jīng)取得了一定進(jìn)展。

文獻(xiàn)[1]提出了基于大數(shù)據(jù)分析的調(diào)度方法，利用采集、存儲(chǔ)、挖掘和分析電力系統(tǒng)中的海量數(shù)據(jù)，實(shí)現(xiàn)負(fù)荷預(yù)測(cè)、負(fù)荷平衡和負(fù)荷調(diào)度。文獻(xiàn)[2]提出了基于深度學(xué)習(xí)的調(diào)度方法，利用深度學(xué)習(xí)算法分析歷史負(fù)荷數(shù)據(jù)、天氣條件等多源信息，建立負(fù)荷預(yù)測(cè)模型，最終實(shí)現(xiàn)負(fù)荷優(yōu)化分配與調(diào)度。盡管現(xiàn)行方法在火電機(jī)組運(yùn)行調(diào)度中具有一定潛力，但是在極端天氣條件下，預(yù)測(cè)誤差顯著增大，對(duì)制定調(diào)度計(jì)劃的影響較大。因此，本文提出基于蝙蝠優(yōu)化算法（Bat Algorithm，BA）的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度方法。

1 火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度數(shù)學(xué)模型

1.1 目標(biāo)函數(shù)

考慮火電機(jī)組負(fù)荷具有波動(dòng)性，負(fù)荷的異常波動(dòng)會(huì)增加火電機(jī)組有功網(wǎng)損，使其電壓出現(xiàn)異常變化，產(chǎn)生電壓偏差，從而影響火電機(jī)組運(yùn)行的穩(wěn)定性與安全性，因此本文以有功網(wǎng)損最小和電壓偏差最小為目標(biāo)，建立火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度多目標(biāo)函數(shù)，如公式（1）所示。

f=f1+f2 （1）

式中：f表示火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度多目標(biāo)函數(shù)；f1表示火電機(jī)組有功網(wǎng)損最小目標(biāo)函數(shù)；f2表示火電機(jī)組電壓偏差最小目標(biāo)函數(shù)[3]。

根據(jù)火電機(jī)組各個(gè)時(shí)段節(jié)點(diǎn)電壓和支路電導(dǎo)，可以確定有功網(wǎng)損，因此，火電機(jī)組有功網(wǎng)損最小目標(biāo)函數(shù)如公式（2）所示。

（2）

式中：N表示火電機(jī)組支路總數(shù)；j表示火電機(jī)組節(jié)點(diǎn)數(shù)量；Y（n，m）表示連接火電機(jī)組節(jié)點(diǎn)n和m的支路電導(dǎo)；Vn、Vm分別表示火電機(jī)組節(jié)點(diǎn)n和m的電壓幅值；β表示節(jié)點(diǎn)電壓相位差[4]。

根據(jù)節(jié)點(diǎn)電壓實(shí)際值與期望值，可以確定火電機(jī)組電壓偏差，因此，電壓偏差最小目標(biāo)函數(shù)如公式（3）所示。

（3）

式中：U、U*分別表示時(shí)段內(nèi)火電機(jī)組節(jié)點(diǎn)的實(shí)際電壓與期望電壓；ΔUmax表示時(shí)段內(nèi)火電機(jī)組節(jié)點(diǎn)的最大電壓偏差。

1.2 約束性條件

火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度需要滿足負(fù)荷均衡約束性條件，保證在任何時(shí)段內(nèi)，所有火電機(jī)組的供電負(fù)荷之和等于系統(tǒng)或區(qū)域在該時(shí)段的總電負(fù)荷需求，如公式（4）所示。

（4）

式中：M表示參數(shù)調(diào)度的火電機(jī)組數(shù)量；d表示第d臺(tái)火電機(jī)組；Pd，t表示第d臺(tái)火電機(jī)組在t時(shí)段的供電負(fù)荷；Pe，t表示t時(shí)段系統(tǒng)的總電負(fù)荷需求[5]。

整合上文建立的目標(biāo)函數(shù)與約束性條件，構(gòu)建火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度數(shù)學(xué)模型I（t），如公式（5）所示。

（5）

2 基于蝙蝠優(yōu)化算法的最優(yōu)調(diào)度策略求解

采用蝙蝠優(yōu)化算法求解上述調(diào)度模型。在火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度中，每只蝙蝠代表一種潛在的調(diào)度策略，其空間位置映射出火電機(jī)組計(jì)算時(shí)段末應(yīng)維持的負(fù)荷量，蝙蝠的移動(dòng)速度模擬負(fù)荷隨調(diào)度策略調(diào)整的漲、落速率[6]。評(píng)估火電機(jī)組分時(shí)段負(fù)荷總量，以評(píng)判蝙蝠位置（即調(diào)度策略）的優(yōu)、劣，負(fù)荷量越高，表明該蝙蝠（調(diào)度策略）越接近最優(yōu)。蝙蝠優(yōu)化算法采用全局搜索與局部搜索的雙重機(jī)制，不斷迭代優(yōu)化蝙蝠的位置，直至找到最佳調(diào)度策略。該過(guò)程包括以下8個(gè)關(guān)鍵步驟。

步驟一：參數(shù)初始化。明確并設(shè)定蝙蝠優(yōu)化算法的基本參數(shù)，包括蝙蝠種群規(guī)模、負(fù)荷范圍（最大負(fù)荷與最小負(fù)荷）、脈沖發(fā)射特性的調(diào)節(jié)參數(shù)（例如脈沖增加系數(shù)、響度衰減系數(shù)）以及算法的最大迭代次數(shù)等。

步驟二：種群初始化。在火電機(jī)組分時(shí)段允許的負(fù)荷波動(dòng)范圍內(nèi)，隨機(jī)生成每只蝙蝠的初始位置（即各時(shí)段的負(fù)荷設(shè)定）、速度、頻率、脈沖發(fā)射速率和響度[7]?？紤]火電機(jī)組分時(shí)段負(fù)荷的特性，對(duì)每只蝙蝠的這些參數(shù)進(jìn)行時(shí)段的初始化。

步驟三：初始適應(yīng)度評(píng)估。計(jì)算火電機(jī)組在給定蝙蝠位置（調(diào)度策略）下的負(fù)荷量，并引入懲罰機(jī)制，處理不滿足約束條件的方案，評(píng)估每只蝙蝠的初始適應(yīng)度，將適應(yīng)度最高的蝙蝠作為初始全局最優(yōu)解。

步驟四：全局搜索更新。在探索并逼近最優(yōu)解的過(guò)程中，算法具有群體智能協(xié)作與自適應(yīng)調(diào)整機(jī)制，即整個(gè)蝙蝠群緊隨當(dāng)前表現(xiàn)最優(yōu)的蝙蝠個(gè)體，動(dòng)態(tài)調(diào)整各自的位置與行為策略。具體來(lái)說(shuō)，在每一次迭代中，蝙蝠根據(jù)自身發(fā)出的超聲波脈沖頻率的變化來(lái)調(diào)整飛行方向和速度[8]。蝙蝠速度更新過(guò)程如公式（6）所示。

vit+1=vit+（xit-x*）α （6）

式中：vit+1表示群體中第i只蝙蝠在第t+1次迭代中的飛行速度；vit表示群體中第i只蝙蝠在當(dāng)前迭代中的飛行速度；xit表示群體中第i只蝙蝠在當(dāng)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表示蝙蝠所發(fā)出的超聲波的脈沖頻率。

α的計(jì)算過(guò)程如公式（7）所示。

α=αmin+（αmax-αmin）η （7）

式中：αmax、αmin分別表示蝙蝠所發(fā)出的超聲波的脈沖頻率最大值和最小值；η表示值域?yàn)?～1的隨機(jī)數(shù)。

根據(jù)蝙蝠更新的速度，對(duì)其位置進(jìn)行更新，如公式（8）所示。

xit+1=xit+vit+1 （8）

式中：xit+1表示群體中第i只蝙蝠在第t+1次迭代中的位置。

迭代應(yīng)用上述公式，蝙蝠群中的每個(gè)成員能夠根據(jù)當(dāng)前最優(yōu)解的信息和自身的搜索經(jīng)驗(yàn)，調(diào)整自己的飛行速度和方向。

步驟五：局部搜索與更新。在全局搜索的基礎(chǔ)上，每只蝙蝠根據(jù)其當(dāng)前最佳位置進(jìn)行局部隨機(jī)擾動(dòng)，生成新位置并評(píng)估其適應(yīng)度，并比較新、舊位置的適應(yīng)度和特定條件，以決定是否接受局部更新。

步驟六：全局最優(yōu)解更新。在每次迭代中，遍歷更新后的蝙蝠種群，比較并更新全局最優(yōu)解。

步驟七：蝙蝠屬性更新。隨著迭代進(jìn)行，根據(jù)預(yù)設(shè)規(guī)則調(diào)整蝙蝠的脈沖發(fā)射率和響度，蝙蝠在接近獵物的過(guò)程中逐漸降低其發(fā)出的聲波響度，逐漸增加其聲波脈沖的發(fā)射率。

步驟八：終止條件判斷。當(dāng)達(dá)到預(yù)設(shè)的迭代次數(shù)或滿足其他終止條件時(shí)，算法結(jié)束。此時(shí)的全局最優(yōu)蝙蝠即代表火電機(jī)組分時(shí)段負(fù)荷的最優(yōu)調(diào)度策略。根據(jù)該策略進(jìn)行負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度，以此實(shí)現(xiàn)基于蝙蝠優(yōu)化算法的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度。

3 試驗(yàn)論證

3.1 試驗(yàn)對(duì)象與設(shè)計(jì)

本文采用對(duì)比試驗(yàn)的方式驗(yàn)證所提基于蝙蝠優(yōu)化算法的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度方法的可行性與可靠性，將本文方法與文獻(xiàn)[1]提出的基于大數(shù)據(jù)分析的調(diào)度方法、文獻(xiàn)[2]提出的基于深度學(xué)習(xí)的調(diào)度方法進(jìn)行比較。以某火電廠為試驗(yàn)對(duì)象，該火電廠包括3組火電機(jī)組，發(fā)電機(jī)端電壓上限為2.1p.u.，電壓下限為0.1p.u.，機(jī)組有功功率上限為2000kW，平均負(fù)荷為253MW。利用本文設(shè)計(jì)方法對(duì)該火電機(jī)組進(jìn)行分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度。試驗(yàn)環(huán)境包括windows 10 XP操作系統(tǒng)，搭配Inter Core i8 CPU，16GB硬盤(pán)和8G內(nèi)存。

3.2 試驗(yàn)指標(biāo)

為了驗(yàn)證本文方法的可行性，選擇有功網(wǎng)損、電壓偏差和準(zhǔn)確率作為指標(biāo)。有功網(wǎng)損是衡量電力系統(tǒng)經(jīng)濟(jì)性和效率的重要指標(biāo)之一。在火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度中，降低有功網(wǎng)損，不僅可以提高能源利用效率，而且可以減少發(fā)電成本，對(duì)電力系統(tǒng)的經(jīng)濟(jì)性和穩(wěn)定性具有重要影響。電壓偏差反映了電力系統(tǒng)運(yùn)行的穩(wěn)定性和安全性。在優(yōu)化調(diào)度中，應(yīng)保證各節(jié)點(diǎn)電壓在合理范圍內(nèi)波動(dòng)，以保證系統(tǒng)穩(wěn)定運(yùn)行。準(zhǔn)確率是衡量調(diào)度方法有效性的直接指標(biāo)。分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度對(duì)調(diào)度計(jì)劃的精確性要求較高。只有準(zhǔn)確預(yù)測(cè)并滿足各時(shí)段的負(fù)荷需求，才能保證電力系統(tǒng)的平穩(wěn)運(yùn)行和用戶的用電質(zhì)量。

有功網(wǎng)損與電壓偏差能夠體現(xiàn)火電機(jī)組負(fù)荷的波動(dòng)性帶來(lái)的影響。有功網(wǎng)損越大，電壓偏差越大，導(dǎo)致火電機(jī)組負(fù)荷波動(dòng)性越大，機(jī)組運(yùn)行越不穩(wěn)定，負(fù)荷優(yōu)化調(diào)度效果越差。

綜合評(píng)價(jià)以上3個(gè)指標(biāo)，可以全面評(píng)估不同評(píng)價(jià)方法的一致性、穩(wěn)定性和可靠性，為選擇最合適的評(píng)價(jià)方法提供科學(xué)依據(jù)。

3.3 試驗(yàn)參數(shù)設(shè)置

試驗(yàn)中，根據(jù)該火電機(jī)組實(shí)際情況，蝙蝠優(yōu)化算法參數(shù)設(shè)置見(jiàn)表1。

按照以上步驟對(duì)調(diào)度策略進(jìn)行迭代求解，輸出并執(zhí)行調(diào)度策略。

3.4 試驗(yàn)過(guò)程

收集火電廠歷史負(fù)荷數(shù)據(jù)、機(jī)組運(yùn)行參數(shù)（例如電壓、有功功率）等。根據(jù)機(jī)組參數(shù)設(shè)置仿真模型的初始條件和約束條件。利用蝙蝠優(yōu)化算法，進(jìn)行分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度。設(shè)置算法參數(shù)，例如蝙蝠種群大小、頻率范圍和脈沖發(fā)射率等。復(fù)現(xiàn)或近似實(shí)現(xiàn)文獻(xiàn)[1]方法，用于進(jìn)行比較。同樣，根據(jù)文獻(xiàn)[2]的描述，構(gòu)建或調(diào)用已有的深度學(xué)習(xí)模型進(jìn)行調(diào)度優(yōu)化。分別使用3種方法，對(duì)該火電廠的3組火電機(jī)組進(jìn)行分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度，每個(gè)方法均運(yùn)行多次，以獲取穩(wěn)定結(jié)果，并計(jì)算平均有功損耗和電壓偏差。記錄每種方法在不同時(shí)間段內(nèi)的火電機(jī)組網(wǎng)損、電壓偏差數(shù)據(jù)和不同故障類型的故障判斷。計(jì)算并比較3種方法的火電機(jī)組網(wǎng)損、平均電壓偏差等關(guān)鍵指標(biāo)。最后以圖表形式展示3種方法的調(diào)度效果對(duì)比，包括火電機(jī)組網(wǎng)損情況對(duì)比表、電壓偏差曲線和故障診斷結(jié)果對(duì)比等，并分析蝙蝠優(yōu)化算法在減少有功損耗和電壓偏差方面的優(yōu)勢(shì)。

3.5 試驗(yàn)結(jié)論

應(yīng)用3種方法的火電機(jī)組網(wǎng)損和電壓偏差如圖1、表2所示。

從表2數(shù)據(jù)可以看出，在本次試驗(yàn)中，應(yīng)用本文方法的火電機(jī)組有功網(wǎng)損最低，不超過(guò)10MW。從圖1可以看出，應(yīng)用本文方法的火電機(jī)組電壓偏差不超過(guò)1p.u.，即實(shí)際電壓基本接近期望電壓，而文獻(xiàn)[1]、文獻(xiàn)[2]方法電壓偏差遠(yuǎn)高于本文設(shè)計(jì)方法。因此可以初步證明，本文設(shè)計(jì)方法能夠有效降低負(fù)荷波動(dòng)帶來(lái)的有功網(wǎng)損和電壓偏差，均衡負(fù)荷，并保證火電機(jī)組穩(wěn)定運(yùn)行。

為進(jìn)一步驗(yàn)證基于蝙蝠優(yōu)化算法的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度方法的有效性，本文選用150組火電機(jī)組故障進(jìn)行判斷，采用相同的數(shù)據(jù)集，將本文方法與文獻(xiàn)[1]方法、文獻(xiàn)[2]方法進(jìn)行比較，診斷準(zhǔn)確率和數(shù)量見(jiàn)表3。

由表3的故障診斷結(jié)果可知，本文方法具有卓越的準(zhǔn)確性，整體準(zhǔn)確率為97.3%，遠(yuǎn)超文獻(xiàn)[1]82.7%、文獻(xiàn)[2]82%的準(zhǔn)確率。具體來(lái)說(shuō)，在T1、T2等常見(jiàn)、通用的故障類型中，本文方法不僅準(zhǔn)確率高，而且錯(cuò)判率低，有效避免了誤判帶來(lái)的潛在風(fēng)險(xiǎn)。對(duì)D1、D2等更復(fù)雜、難以診斷的故障來(lái)說(shuō)，本文方法同樣具有較高的準(zhǔn)確率，能夠利用精細(xì)化的特征提取和智能化的決策機(jī)制，進(jìn)行高準(zhǔn)確率診斷。此外，對(duì)DT、PD等特定場(chǎng)景下的故障來(lái)說(shuō)，本文方法也具有獨(dú)特優(yōu)勢(shì)，表明本文方法對(duì)于不同故障類型的靈活應(yīng)對(duì)能力和高效解決能力，進(jìn)一步證明本文所提蝙蝠優(yōu)化算法的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度方法是有效的，具有較高的故障判斷能力，有助于更好地進(jìn)行火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度。

4 結(jié)語(yǔ)

本文提出了基于蝙蝠優(yōu)化算法的火電機(jī)組分時(shí)段負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度方法，利用模擬蝙蝠覓食過(guò)程中的回聲定位機(jī)制，有效解決了火電機(jī)組負(fù)荷調(diào)度中復(fù)雜的優(yōu)化問(wèn)題。該方法不僅提高了負(fù)荷調(diào)度的靈活性和準(zhǔn)確性，而且顯著增強(qiáng)了電力系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。未來(lái)，隨著算法不斷優(yōu)化和實(shí)際應(yīng)用場(chǎng)景不斷拓展，蝙蝠優(yōu)化算法有望在火電機(jī)組負(fù)荷調(diào)度領(lǐng)域發(fā)揮更重要的作用，為智能電網(wǎng)的發(fā)展貢獻(xiàn)更多力量。

參考文獻(xiàn)

[1]吳春銳.基于大數(shù)據(jù)分析的電氣系統(tǒng)供配電負(fù)荷預(yù)測(cè)與調(diào)度優(yōu)化[J].電器工業(yè)，2024（8）：86-90.

[2]翁存興，王曉寧，劉碧峰.基于深度學(xué)習(xí)的火電廠機(jī)組負(fù)荷調(diào)度自動(dòng)控制方法[J].信息與電腦（理論版），2023，35（1）：83-85.

[3]陳宏，張嶺喬，張宇峰，等.基于混合粒子群優(yōu)化的智能電網(wǎng)負(fù)荷協(xié)同調(diào)度[J].電子設(shè)計(jì)工程，2024，32（16）：111-114，120.

[4]於慧敏.基于改進(jìn)差分進(jìn)化的含分布式電源配網(wǎng)負(fù)荷自適應(yīng)調(diào)度方法[J].自動(dòng)化應(yīng)用，2024，65（13）：255-256，259.

[5]劉雁行，徐愷，喬如妤，等.基于多種群協(xié)同粒子群人工智能算法的電力系統(tǒng)負(fù)荷調(diào)度研究[J].自動(dòng)化與儀器儀表，2024（4）：139-143.

[6]李冰，王雷震，張佳，等.基于多策略協(xié)同進(jìn)化差分算法的社區(qū)居民負(fù)荷優(yōu)化調(diào)度[J].計(jì)算機(jī)應(yīng)用研究，2023，40（12）：3636-3642，3654.

[7]張斌，司大軍，李文云，等.計(jì)及多類型可調(diào)度柔性負(fù)荷響應(yīng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度策略[J].電工電能新技術(shù)，2023，42（4）：39-47.

[8]丁濤，黃雨涵，張洪基，等.基于等微增率并計(jì)及機(jī)組功率約束的火電機(jī)組最優(yōu)負(fù)荷分配精確解[J].中國(guó)電機(jī)工程學(xué)報(bào)，2024，44（4）：1446-1460.