基于改進粒子群算法的工業負荷規劃研究

宮及峰，張婷婷，劉 晨，趙婉旭

（國網遼寧省電力有限公司計量中心，遼寧 沈陽 110168）

基于改進粒子群算法的工業負荷規劃研究

宮及峰，張婷婷，劉 晨，趙婉旭

（國網遼寧省電力有限公司計量中心，遼寧 沈陽 110168）

工業用電負荷是電網用電負荷的重要組成部分，其用電負荷的合理規劃對于電網線路規劃具有重要意義。建立工業用電負荷的收益模型，對不同類型的工業用電負荷進行分析，引入懲罰因子對支付的電費進行約束，提出自適應權重系數的粒子群算法進行優化尋優，求解總收益最大情況下各用電負荷的最佳用電量。通過案例分析，驗證了該粒子群算法在工業用電負荷規劃中的有效性，為后續的大工業負荷的規劃提供了新思路。

配電網；粒子群算法；工業負荷；收益

工業作為國民經濟的主要生產動力，對促進社會發展具有重要意義。隨著工業生產精細化、效率化、經濟化的提升，其對工業用電的要求也越來越高。工業用戶生產對能量的要求也越來越高，配電網往往通過建立專用線路為其提供電能，或大工業用戶利用專用配變從公用中壓線路上獲得工業生產所需的能量。

然而，大工業用電企業作為追求效益最優化的個體，如何實現合理負荷控制，合理有效地進行經濟生產則是用電企業關注的焦點。工業負荷雖占用戶總數很小的比例，其用電量卻占據著絕大部分，而各工業用電負荷彼此之間存在競爭用電的局面，不恰當的用電消耗，對工業負荷來說是不經濟的［1］。因此，研究工業負荷的合理控制和管理，對于社會經濟的影響顯得尤為重要。工業負荷用電規劃對于電網規劃具有直接的影響。文獻［2］研究了工業用戶的能耗問題，通過建立相應負荷模型，分析了負荷限電次序及額度對工業負荷能耗的影響。文獻［3］針對有序用電問題建立了相應的指標體系，通過相應評價方法實現能耗的最小化。然而，上述研究均從如何降低工業能耗角度出發，未對前期的工業負荷用電進行規劃。

本文建立了不同工業用電負荷的收益模型，以工業用電負荷總收益最大為優化目標，建立了系統優化目標函數。粒子群算法（Particle Swarm Opti?mization，PSO）以其編程簡單，尋優速度快成為眾多學者競相研究的多目標尋優算法［4－6］，而傳統的PSO算法存在陷入局部最優解、收斂精度低等問題。針對這些缺點，本文提出自適應權重系數的粒子群算法（Self－Adaptive Particle Swarm Optimiza?tion，SAPSO）以提高粒子群算法的尋優精度。通過相應的案例對SAPSO的應用進行了驗證，同時在優化目標下實現了不同工業用電負荷的用電規劃，對后續指導電網線路規劃具有一定的現實意義。

1 工業負荷規劃影響因素分析

工業負荷以經濟生產為主要目的，其用電需求量大、負荷集中、負荷率相對較高。在工業負荷用電規劃中，應對各工業用戶的用電量及生產進行全面的評估，從多個角度對后期的線路規劃、增加配變布點、確定合適的配變容量等做出判斷。影響工業用電負荷規劃的因素如圖1所示。

圖1 工業用電負荷規劃影響因素

從圖1中可看出，影響工業負荷規劃的主要因素可分為2部分：

a.工業負荷需要支出的費用，這些支出費用主要包括：企業用電支付的電費、生產材料費用、設備維護費用、企業生產支出的勞務費用及供電公司給予企業的懲罰費用等。

b.企業的經濟收益。主要涉及企業主營業務生產帶來的產品收益及供電企業給予工業用戶的獎勵費用。懲罰費用與獎勵費用則是根據工業用電的情況進行確定，即與工業用電的功率因數有關。若大工業用電負荷的功率因數較高，則會獲得相應的補貼費用；反之則進行相應的懲罰，獎勵費用及懲罰費用大小則由相應的獎懲比率進行確定。

工業負荷規劃應綜合考慮該工業用戶的經濟效益與所支出的相關費用，避免出現因競爭用電，導致工業用電企業入不敷出，出現經濟虧損的現象。因此，根據各因素對工業負荷規劃的影響制定合適的工業用電規劃則顯得尤為重要。

2 工業負荷模型的構建

通過總結影響工業用電負荷規劃的各類影響因素，確定以工業用電負荷總收益最優為目標，建立了工業負荷規劃模型。配電網下工業用電負荷總收益目標函數可表示為

式中：i為不同的工業用電負荷；uiREV為工業用電負荷經濟生產所帶來的經濟收入；FiCOST為支付的電費；FiRM為生產材料費用；FiMAT為設備維護費用；FiLC為用電企業支付的員工勞務費。

式中：λi為不同工業用電企業單位電量的收入系數，該收入系數與工業所生產的產品有關；Si為不同工業企業的用電量。

工業用電電費主要包括基本電價、電度電價和供電部門的獎懲費用，獎勵費用及懲罰費用的大小則由相應的獎懲比率進行確定。電費函數如下所示。

式中：FiT為企業安裝變壓器的容量；α為變壓器單位容量每月支付的費用，按國家規定的標準收取；η為配電網系統的單位電價，與總的工業用電量成二次關系；φ為系統價格因子；σi為供電部門的獎罰比率，即工業用電負荷的功率因數未達到系統規定時，需進行相應的懲罰，達到規定功率因數時則有部分的獎勵。該比率按國家規定的功率因數為0.9取值。

各工業用戶不同的生產材料費用規定為

式中：ω為單位電量所消耗的生產材料費用。

為了方便計算，工業設備的維護費用FiMAT及用電企業支付的員工勞務費FiLC，可簡化為不同定值。

3 基于SAPSO算法的優化求解

3.1 算法介紹

PSO算法在并行處理、魯棒性方面具有較大的優勢，算法相對簡單、收斂性較強。在PSO算法中，每個個體都看成1個粒子。粒子在問題解的空間中進行移動，在迭代中通過不斷的位置和速度更新來尋找最優解。在每次迭代中，粒子會產生2個極值，即粒子的個體極值pbest和種群極值gbest。粒子的速度和位置如式（6）、式（7）進行更新。

但傳統粒子群算法容易陷入局部最優解，本文提出SAPSO算法進行優化尋求，對PSO算法中的慣性權重系數進行了改進，提出非線性的動態自適應權重系數見式（8）：

式中：ωmax和ωmin分別表示ω的最大值和最小值；f表示微粒當前的目標函數值；favg和fmin分別表示當前所有微粒的平均目標值和最小目標值。

3.2 算法求解步驟

SAPSO尋優求解流程圖如圖2所示。

圖2 SAPSO算法流程

SAPSO算法具體步驟如下：

a.優化目標函數確定及相應參數初始化；

b.初始化粒子的位置、速度及初始化適應值；

c.根據式（8）對權重系數進行自適應調整；

d.根據式（6）和式（7）對粒子位置和速度進行更新；

e.更新粒子適應度值；

f.對適應度進行評價，更新個體歷史極值pbest；

g.更新全局極值gbest；

h.若結果滿足精度要求則跳出循環，輸出結果。

4 案例分析

本文選取1個典型的供電網絡作為分析對象。為了進一步簡化，分析網絡中選取6個節點作為用戶節點，其中有3個節點為工業用戶節點，分別為工業負荷1、工業負荷2及工業負荷3；其余3個節點為普通的居民用戶。本系統區域內主要供電對象為工業負荷，工業用電占據著系統用電量的絕大部分。由于居民用電量極少，因此，不考慮用戶負荷對該區域內用電分配的影響。本文所建系統結構如圖3所示。

圖3 系統結構

4.1 結果分析

各工業用戶用電進行經濟生產，但不同生產類型的工業企業所獲得的經濟效益存在差異，同時需要支出的費用也不盡相同。

本文規定基本電價按變壓器容量進行收取，取α＝24元／kVA；系統價格因子取φ＝1／106。其余各參數設置如表1所示。

表1 系統各參數設置

在SAPSO算法尋優過程中：取粒子數200，學習因子取2，最大權重取0.9，最小權重取0.4，迭代次數取50。

通過SAPSO尋優，以系統總收益最優為目標，得到不同工業負荷的最優用電量，如圖4所示。

圖4 各工業用戶用電量分析

從上述結果可知，利用SAPSO算法得到了該系統內3個工業負荷的最佳用電量為［204.52 kW，358.43 kW，536.92 kW］，在這種用電情況下，該系統的總收益為2 225.86元／h。從上述結果分析可知，各工業用戶在競爭用電下，以整體收益為最優得到了各自最佳用電量。在這種情況下，倘若工業負荷繼續用電量，則相應電費將以指數形式逐漸增加，用戶所相應承擔的電費將超過自身主營業務帶來的收益，造成入不敷出的現象。針對目前大工業用戶的混亂用電，后續應加大對工業用戶的效益問題進行分析，通過設定電費體系，限制浪費用電的現象。

4.2 算法比較分析

SAPSO算法采用非線性的動態自適應權重，有利于提高PSO算法的全局搜索能力，增加收斂精度。

利用PSO和SAPSO算法對該算例在迭代次數均為50的情況下進行重復求解，得到各次迭代目標函數值變化情況如圖5所示。算法改進前后收斂效果如表3所示。

圖5 SAPSO算法與PSO收斂性分析

表3 SAPSO與PSO收斂結果比較

可見，相比于PSO算法，SAPSO算法由于加入了自適應權重系數，避免了PSO算法容易陷入局部最優解的現象，而且收斂精度更高，從表3可看出，SAPSO算法收斂次數明顯要小于PSO算法，在本次尋優中，PSO尋優15次得到最優解，而SAPSO則只需11次便可實現目標的尋優，且SAPSO算法的收斂精度略高于PSO算法。另一方面，SAPSO算法在魯棒性上要優于PSO算法，PSO算法在前期收斂過程中存在震蕩的現象，SAPSO前期收斂較為平穩。因此，通過對權重系數進行自適應改進，有助于提高PSO算法的收斂速度及精度。

5 結論

本文建立了計及負荷收益及電費函數的負荷模型，提出了基于SAPSO優化算法的負荷用電量優化方法。

a.SAPSO算法相比于基本PSO算法，在收斂速度及精度方面都有較大的改善。

b.計及負荷主營業務收入及電費函數的模型是有效的，用于分析未來工業負荷的用電情況，指導工業負荷的優化用電，從而實現整體經濟效益的最大化。

［1］單葆國，趙慶波，張偉昌，等.山東省工業用電單耗分析［J］.中國電力，2003，36（10）：8－11.

［2］張粒子，楊 陽.基于能效標尺競爭與OaR的工業負荷管理策略［J］.電力自動化設備，2013，33（3）：9－14.

［3］董安有，刑 通，陳夢影，等.尖峰時段工業用戶用電序位評價指標體系與模型［J］.現代電力，2013，30（6）：73－79.

［4］靳現林，王建生，韓 蕾.一種改進粒子群優化算法的配電網重構［J］.東北電力技術，2007，28（10）：11－15.

［5］李 丹，楊 寧，易善軍.電力系統無功優化自適應粒子群算法［J］.東北電力技術，2010，31（11）：1－5.

［6］向 山，向迪輝.基于量子粒子群混合算法的電網經濟調度［J］.東北電力技術，2014，35（1）：5－8.

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.，Metrological Center，Shenyang，Liaoning 110168，China）

Industrial electricity load is an important part of the power grid load and the planning of electricity load has great importance on the power lines planning.Industrial electricity load revenue model is established in this paper，different types of industrial electricity load are analyzed by introducing the penalty factor for tariff 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 industrial loads.

Distributed generation；Particle swarm optimization；Electricity load；Profit

TM715

A

1004－7913（2016）07－0022－04

宮及峰（1979—），男，學士，工程師，從事電力系統相關技術研究。

2016－04－22）