SCI论文（www.lunwensci.com）
摘要：为解决传统用电决策方法在进行用电决策时决策效果差的问题， 避免在用电高峰期出现负载情况， 结合自适应粒子群算法， 针对精细化有序用电的决策方法展开研究 。根据实际用电情况对原始电力数据进行预处理， 运用主成分分析方法将电力数据归一 化， 消除数量差异 。通过自适应粒子群算法对用电决策进行寻优求解， 采用两阶段约束优化方法， 最大限度优化粒子收敛的范围。 根据用户的行为特点进行周期性的电力约束， 利用用户电力负荷信息， 结合特征值判断筛选出符合参加有序供电策略的客户情况， 以实现精细化有序供电决策的实施 。 实验表明： 应用所设计的有序用电方法， 能够减少高峰期的用电负荷， 实现稳定的电力资源 控制， 验证了该方法的有效性。
关键词： 自适应粒子群,有序用电,决策方法
Refined and Orderly Power Consumption Decision Method based on Adaptive
Particle Swarm Optimization
Yin Lu， Zhang Haitao， Yin Qing
(State Grid Shaanxi Electric Power Co., Ltd., Xi’an 710048. China)
Abstract: In order to solve the problem of poor decision-making effect of traditional power consumption decision-making methods and avoid the load situation at the peak of power consumption, the refined and orderly power consumption decision-making methods are studied by combined adaptive particle swarm optimization algorithm. According to the actual power consumption, the original power data is preprocessed, and the principal component analysis method is used to normalize the power data to eliminate the quantity difference . The self-adaptive particle swarm optimization algorithm is used to solve the power consumption decision, and the two-stage constrained optimization method is used to maximize optimize the scope of particle convergence. According to the behavior characteristics of users, periodic power constraints are carried out, and the user′s power load information is combined with eigenvalue judgment to screen out the customers who meet the orderly power supply strategy, so as to the implementation of refined and orderly power supply decision is realized . The experiment shows that by using the designed orderly electricity consumption method, the peak power load can be reduces and the stable power resource control can be realized, which verifies the effectiveness of the design method.
Key words: adaptive particle swarm optimization; orderly electricity consumption; decision making method
引言
合理控制电力资源， 做到有序用电是保障电力平衡 的关键 。有序用电是对电能资源实施有效的管理措施， 针对用户用电数据进行电负荷的分析预测， 让用电负荷 量曲线保持平稳[ 1]， 避免在用电高峰期出现电力供应不 足的问题 。有序用电既要满足用电需求， 又要让电力得 到最充分的应用效果 。近年来， 我国高峰期用电供需越 发紧张， 迫切需要对用电情况进行精细化运作， 在高峰 期前提前转移供需峰谷， 针对用电紧张的场景进行动态 调整[2] 。精细化的合理用电决策能够缓解我国用电紧张 的问题， 还能提高对电网电量的预测效果， 保障电力输 出的经济效益， 降低风险 。合理的有序用电决策凭借开 放电力市场准确的用电数据， 根据实际的需求平衡高峰期的电力供需标准 。有序用电决策不同于一刀切的处理 方式， 实现精准地电力供需分析需要提前对用电数据进 行规划， 再根据不同时间段的用电需求进行精准的供给。 传统有序用电控制方案过于简单， 仅仅一刀切实现间隔 时间段的用电管理， 不能实现精确性用电控制， 控制效 果较差， 容易在用电高峰期间出现电力负载的情况， 造 成局部停电， 影响居民正常用电。
为解决上述问题， 本文结合自适应粒子群算法， 设 计一种精细化有序用电的决策方法， 对电力资源进行优 化配置 。当电力不足时， 保证最佳的用电方案 。根据实 际用电制定精准化的标准要求， 避免出现用电高峰期电 力不能稳定供给的突发状况[3] 。结合具体用户用电时间 段和数据进行系统分析， 执行精细化的有序用电。
1 自适应粒子群精细化有序用电决策方法
1.1 电力数据预处理
对原始的电力数据进行数据预处理操作前需要对数 据进行分类 。原始的电力数据包括多个方面， 不同地质 不同等级会影响用电水平分层情况 。本文采取的划分用 户电力负荷数据的方法以时间为主， 将一天分为不同的 时间间隔， 1 h 为固定的间隔标准， 1 h 内用户耗电的电 力负荷为 1d 。将用户用电的信息数据作为样本 N， 用户 在样本中第 i 天电力负荷的用电量为：
所有用户的总用电分数统计成功后， 根据分数的区 间划分不同区域的用电量 。用电区间内的用户为一个集 合 。集合用电量数据， 让用户用电情况归一化， 降低后 续控制电力资源的数量级差异[4] 。经过整理发现， 所消 耗的用电量主要从 4 种不同的时间段产生了耗电波动大 的类型， 分为日间用电段 、夜间用电段 、 日夜用电段和 日夜用电总段[5] 。确定具体的时间段后， 运用主成分分 析方法对数据进行预处理， 将电力数据归一化 。不同的 电力指标往往具有不同的取值范围， 而不同的电力指标 又会不同程度地影响数据结果 。因此， 在训练粒子群之 前， 需要对数据进行归一化处理， 将其限制在可以相互 比较的同一区间， 以消除数量差异[6] 。在解决数据可比性的同时加快算法收敛 。文中采用线性归一化方法， 数 据预处理的公式如下：
1.2 粒子群寻优
有序用电要降低电损耗， 保证电网运行的经济性和 安全性 。考虑到计算时间， 采用自适应粒子群算法 。粒 子群算法迭代速度快， 能实现各点信息的共享， 完成最 优解的计算[7] 。并且粒子运行的速度快， 随机寻优能力 强， 具体的粒子群算法流程如图 1 所示。
粒子群算法是通过模拟鸟群觅食的行为而得名的一 种优化算法， 鸟群中的个体通过相互之间的信息交流和 协作， 找到最佳的觅食位置 。所有粒子都有适应值， 相当于鸟群自身飞行的速度， 多次迭代可得到最优解[8]。 自适应粒子搜索在规定的领域内搜索， 当搜索到的最优 位置成为个体极值时， 迭代粒子种群发现的最优位置为 全局极值 。更新公式， 局部极值代替了全局极值， 找到 最优解的第 k 次迭代粒子更新公式如下:
子 。在粒子寻优过程中， 粒子群算法保证粒子实现更快 的速度和更强的寻优能力[9] 。粒子群算法能够针对有序 用电的目标实现粒子优化的最大范围， 合理有效的粒子 优化可以实现多目标同时达到最优， 而自适应粒子群算 法作为一种约束处理技术， 通过多目标优化操作能够防 止由于收敛速度过快造成数据偏差[ 10] 。在自适应阶段的 粒子群算法中， 单目标约束转为双目标无约束， 约束处 理选择多目标优化 。多目标优化采用两阶段自适应切换 的方式， 在目标约束空间中进行全局和局部自适应角度 区域划分， 根据粒子的区域分布情况， 进行外部存档集 的维护以及最优粒子的选择[ 11] 。若群体中的个体违反每 个约束条件的最大值， 则种群中粒子被允许的最大约束 条件为：
经过归一化处理后， 约束度取值范围为[0. 1]。
约束度取值范围确认后， 粒子在目标空间的划分就 更明显， 方便局部搜索[ 12] 。需要注意， 在目标约束空间 进行区域划分时， 约束值的基点为[0. 0]， 只有满足约 束条件， 才能以归一化处理后的基点[0. 1]进行区域划 分 。约束划分的目标和约束条件有可能涉及非线性 、不连续等多种类型， 有些问题甚至可行解所占比例很低， 这都会给约束优化问题的求解带来极大的困难 。在约束 优化的前期阶段， 应该注重全局探索， 尽可能多地发现 可行区域; 在后期阶段， 需要加强局部搜索， 深入挖掘 各局部区域的最优解[ 13] 。优化过程中侧重点不同， 约束 优化策略的调整会对优化进程有促进作用 。因此， 以多 目标优化法为约束处理机制， 采用两阶段约束优化方法，每个阶段使用不同的策略， 最大限度优化粒子收敛的范 围， 从而获得更好的计算效果。
1.3 电力供需约束
有序用电管理主要应对电力供应不足情况， 首先应 保证党政机关以及用户住宅的供电 。针对不同情况不同 程度的用电， 依据不同时间段产生耗电波动大的类型， 将用户分为 4 类， 通过具体分析用户和周休时的供电情 况变化， 可以充分了解用户的用电情况， 有效减少了现 阶段单纯针对工作日供电负荷而设定的供电政策所导致 的错误[ 14] 。根据不同类型企业在周休日的用电行为不同， 选择不同的提取策略， 可以增强典型用电行为调研的准 确性和全面性 。不同类别用户用电提取操作建议如表 1 所示。
在实际用电决策中， 判断用电负荷大小主要根据上 文对电力数据的处理和粒子群寻优， 让整体用电负荷 曲线保持平稳 。 电力供需约束要实现合理的制约， 不 能仅仅在特定的时间进行电荷切割管理， 而是需要以 周期时间为尺度， 制定更合理的用电策略， 具体流程 如图 2 所示 。
利用电网记录的海量用户电力负荷信息， 通过选择 合适特征值判断电力用户参加有序供电的积极程度， 从 而筛选出最符合参加有序供电策略的客户[ 15] 。然后， 研 究客户平日与周休时用电负载变化规律， 负荷变化趋势 的最优值采用自适应粒子群方法进行研究 。统计研究结 论后获得不同类别的典型电能负载， 针对客户具体供电 情况特点提出有针对性的供电对策。
2 测试实验
为测试本文设计的精细化有序用电决策方法的有效性， 在电网数据可信的基础上， 分别对比本文设计的基 于粒子群算法的精细化用电决策方法和传统的有序用电 方法。
2.1 实验准备
变电站专为工业园区供电， 因此其馈线上接的居民 和商业用户负荷很小， 文中忽略不计 。 由于每座变电站 容量为 63 MVA， 功率因数达到 0.95. 则有功约束设置为 60 MW 。实验选区的变电站共计 19 座， 除备用馈线外， 共计 223 条馈线出线 。本文选取的大用户用电均处于不 同工业园区， 并由 6 座 110 kV 变电站集中供电 。为验证 所设计的方法取得的效果， 设每座变电站只有 1 台 63 MVA 的主变压器， 防止出现局部性过载而对整个电网可 靠性产生危害。
2.2 实验结果
有序用电决策前后 6 座变电站及其负荷变化情况如 表 2 所示。
用电的标准负荷为 1 500 MW， 最大用电的固定时间 段在中午或晚上用餐时间 。 由表 2 数据可知， 传统方法 下的变电站 B 在第 11 时段有出现过载的情况， 变电站 D 在第 12 时段的负荷也接近满载 。并且变电站 B 、C 、D、 F 在相似的时间段均达到了满载， 在电力高峰期没有达 到合理规避的理想效果 。而加入有序用电决策方法后， 变电站日负荷有一定程度的降低， 并且合理控制了多个 变电站在固定时间的高峰期， 说明所设计精细化用电决策方法能够在高峰用电期减少用电负荷情况， 取得的效 果更好， 即使在高峰期也能减少用电负荷， 避免超载。
3 结束语
本文针对当下电力用户用电情况， 结合自适应粒子 群算法， 设计了一种精细化有序用电的决策方法 。通过 主成分分析法对电力用户数据进行预处理， 通过自适应 粒子群算法增加粒子收敛速度， 对电力用电决策方法进 行寻优计算， 对电力供应进行周期性分时段的约束 。根 据用户数据特征值对用户类型进行判断， 实现精细化有 序供电 。该方法能够解决传统用电决策方法决策效果差 的问题， 避免在用电高峰期出现负载情况， 实现对电力 资源的有效控制， 可在一定程度上节约国家电力资源， 为我国可持续发展提供一定的技术支持。
由于时间的限制， 本文研究在一定程度上有局限性， 因此还需要对设计方法进行完善， 以期满足不同用户用 电， 稳定高峰期的电力系统运行。
参考文献：
[ 1] 游国栋 , 李兴韫 ,侯晓鑫 , 等 . 基于自适应位置调节的粒子群 MPPT 控制方法[J]. 天津科技大学学报,2022.37(3):49-53.
[2] 花赟昊,靳一奇,王世萱,等 . 基于自适应变异粒子群算法的光 伏 MPPT控制研究[J]. 太阳能学报,2022.43(4):219-225.
[3] 范贤志 . 基于自适应粒子群算法的 WSN 覆盖优化[J]. 科学技 术创新,2022( 12): 19-23.
[4] 陆立民, 褚国伟, 张涛,等 . 基于改进多目标粒子群算法的微电 网储能优化配置[J]. 电力系统保护与控制, 2020. 48( 15):9.
[5] 邹康格,刘衍民 . 基于自适应网格混合机制的多目标粒子群算 法[J]. 重庆工商大学学报(自然科学版),2022.39(2): 14-23.
[6] 白晓慧, 何小娟, 孙超利,等 . 基于决策变量分组的粒子群算法求解大规模优化问题[J]. 宁夏师范学院学报, 2020. 41(4):7.
[7] 闫秀英,党苗苗 . 基于改进多目标粒子群算法的家庭用电时段 优化[J]. 系统仿真学报,2022.34( 1):70-78.
[8] 李华珍,柳有权,朱家伟,等 . 基于改进粒子群算法的居民需求响应调度优化与仿真[J]. 系统仿真学报,2021.33(8): 1969- 1979.
[9] 陆怀谷, 刘绍东, 张渊,等 . 基于自适应粒子群算法的增量配电 网电源博弈规划[J]. 南京理工大学学报,2021.45(2): 150- 157.
[ 10] 宋爽, 李中伟, 刘勇, 等 . 住宅小区负荷群用电优化策略研究 [J]. 电测与仪表,2021.58(8):57-66.
[ 11] 许志军,臧鹏程, 白格平,等 . 考虑风储联合运行系统经济性的 储能配置优化[J]. 内蒙古电力技术,2022.40(4):47-53.
[ 12] 李玥,穆维松,褚晓泉,等 . 基于改进量子粒子群的 K-means 聚 类算法及其应用[J]. 控制与决策,2022.37(4): 12.
[ 13] 袁斌,王伟博,王辉 . 基于改进的粒子群算法的多目标点路径 规划[J]. 浙江科技学院学报,2022.34(3):225-232.
[ 14] 吴大飞,杨光永,樊康生,等 . 多策略融合的改进粒子群优化算 法[J/OL]. 计算机应用研究: 1-8[2022-07-04].
[ 15] 李旭炯,孙林花 . 基于粒子群优化算法的无功和电压控制及 仿真[J]. 电力电容器与无功补偿,2022.43(3): 14-20.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/64183.html
