蝙蝠算法在電網規劃上的應用研究綜述

寧鵬 張毅

（吉林建筑大學電氣與計算機學院 吉林 長春 130000）

引言

隨著自然科學的不斷發展，許多生物群體的研究成果被運用到算法的分析上，就此興起了很多群智能算法，其中蝙蝠算法是2010年劍橋大學的學者Yang教授提出的一種新型仿生智能優化算法[1]。蝙蝠算法通過模擬蝙蝠回聲定位捕食獵物行為可以實現搜索問題的最優解。

如今越來越多的領域涉及到智能優化的問題，如城市交通尋求最短路徑，電力系統中尋求最經濟運行方式，供水供暖集團尋求最優方案等等，這些尋優問題使得基于純數學理論求最優解問題面臨新的挑戰。利用蝙蝠算法能較好的處理非凸、非連續、多峰問題的優點去解決組合優化和數據挖掘等問題。

1 蝙蝠算法的研究現狀

傳統數學優化法要求目標函數連續可導，求解出的解往往是局部最優解，但處理離散變量比較困難，基于這一問題，眾多學者在蝙蝠算法的基礎上不斷創新與改進，在其精確度，收斂性等方面都有了極大的提升。

李志軍[2]借鑒粒子群算法的優化策略，提出了一種帶速度限制的自適應混沌蝙蝠算法（LIBA）.通過Halton序列初始化蝙蝠的位置，利用速度限制來約束蝙蝠位置更新，采用慣性權重和自適應尋優學習因子改進了算法的求解精度和收斂速度；通過加速穿越和混沌擾動的策略，防止陷入局部最優。

郭旭，賀興時等人[3]針對基本蝙蝠算法存在的后期收斂速度慢、易陷入局部極值、穩定性差等缺點，提出一種基于精英反向學習的混沌蝙蝠算法。該算法引入精英反向學習策略，通過比較精英個體與其的反向解并擇優，充分利用優秀個體信息，加快算法收斂速度，同時，在迭代過程中對蝙蝠位置進行混沌擾動，增加種群多樣性，有效地提高了算法的搜索能力和搜索精度。

鄭浩，于俊洋等人[4]針對蝙蝠算法尋優精度低、易陷入局部極值、求解不穩定的問題，提出了一種基于余弦控制因子和迭代局部搜索策略的蝙蝠的算法。首先在蝙蝠速度公式中加入由余弦因子控制的非線性慣性權重，來動態調節算法全局搜索與局部搜索的平衡，提高算法尋優精度和穩定性。

2 蝙蝠算法在電網規劃應用現狀

蝙蝠算法作為一種搜索全局最優解的有效方法，且具有模型簡單、收斂速度快等特點。自BA提出以來，已有不少學者將其應用于優化問題，其中包括電網規劃中的火電機組經濟調度，輸電網規劃，配電網重構以及醫療健康，定位服務等領域。另外蝙蝠算法對簡單函數優化、生產調度、分類類別、模式識別等，相對于粒子群算法(PSO)，遺傳算法(GA)以及和聲搜索算法(HS)等具有更大潛能。本文主要介紹了蝙蝠算法在電網規劃上的應用。

崔崇雨，朱瑞金等人[5]提出一種混沌蝙蝠算法（Chaotic Bat Algorithm，CBA）求解含分布式發電（Distributed Generation，DG）的配電網無功優化問題。基于標準蝙蝠算法改進的混沌蝙蝠算法可以提高全局收斂性，并成功應用于求解火電機組經濟調度、輸電網規劃、配電網重構等優化問題

吳忠強，于丹琦等人[6]發現在光伏發電系統中，經常存在電池板局部被遮擋的情況，造成電池板出現多峰極值的現象。改進了原始蝙蝠算法(bat algorithm，BA)計算過程中隨機項較少，容易陷入局部極值的缺陷，解決了傳統的最大功率點(MPPT)搜索方法常常會陷入局部極值，從而錯過或丟失系統的全局最大功率點，甚至產生振蕩導致系統輸出不穩定的問題。

和其他智能優化算法，EBA算法可獲得更優的發電費用。

3 結論與展望

蝙蝠算法自身具備很多優點，如算法參數少、模型簡單、通用性強等。其中蝙蝠算法對燃氣輪機發電系統進行性能優化和狀態監測，求解無刷直流齒輪電機問題，以及解決拓撲優化問題中的彈簧問題和減速器問題都強于其他群智能算法。隨著蝙蝠算法的推廣，也發現了它存在易陷入局部最優解、收斂精度不高、算法收斂速度不均衡等缺點。針對蝙蝠算法的這些劣勢，許多學者和研究人員通過大量的仿真實驗對蝙蝠算法做出了各種相應的改進。蝙蝠算法可以跟其他算法有效的結合，發展潛力巨大，以后能應用到更多的領域。

未來蝙蝠算法也可以和云計算中心的數據相結合，起到一定的預測作用。比如通過電力系統中模型處理負荷的歷史數據和天氣數據，對未來一段時間某個地區的負荷進行預測，進一步提高負荷預測的精確度，對用電管理、能源消耗的控制、電力系統的經濟消耗和社會收益都有著非常重要的意義。