[摘 要]如今，电力系统的发展达到了广泛智能化、互联化阶段，对电力网的运行也提出了更高的要求。因此，人工智能得到了重视，将其应用到电力系统中，可以提升电网运行效率。本文介绍了当前主流人工智能在电力系统优化中的应用。
[关键词]人工智能；电力系统优化；智能电网
引言：
近年来，随着已有的电力系统日渐趋于成熟，计算机、云平台、自动控制等技术与传统的电力相结合，碰撞出了新一轮电力改革的火花。尤其是国家电网公司在2019年两会报告中提出了“坚强智能电网”和“泛在电力物联网”的建设目标，使得电网智能化、信息化、数字化成为了必然趋势。而在实际中，由于终端计算能力有限，复杂计算往往难以完成，使得电力系统的优化运行较为困难。
1电力系统优化的必然性
电力系统有着悠久的发展历史，自从将数值优化方法应用到了电力工程中，它们发挥了很大的作用。系统优化的价值十分可观，单单从经济角度来看，每年可以为电网节约数十亿人民币，提高了燃料的经济可用性和系统的安全稳定性。随着电力系统越来越复杂，负荷侧需求增加，火电厂的燃料消耗量也居高不下，导致成本增加，环境压力增大。因此，对于电力系统的优化运行显得至关重要。
目前已有许多方法，包括了传统方法和人工方法。这些方法随着系统的改变而不断地优化，以适应电网的发展。但是由于电网系统有着大量的约束，使得它们十分复杂。因此，找到更为有效快捷的方法显得十分重要，以此来解决电力系统中的若干优化问题，如经济调度、最优潮流OPF以及水热调度等。经济调度是指在满足安全和电能质量的前提下，合理利用现有资源，确定最佳的功率输出，使得发电机组的燃料成本最小化，实现最低的发电成本。最优潮流OPF是指控制各设备参数，在满足各个节点正常运行条件下，实现目标函数的最小化，一般又分为了有功优化和无功优化。水热调度也是电力系统的一个重要优化问题。电力系统中最主要的发电厂就是火力发电厂和水力发电厂，两者的配合通常需要调度时间范围。
2人工智能技术在电力系统优化中的应用
人工智能已经被广泛地应用于解决优化问题，这些方法可以节约更多的计算时间和内存占用，也更易应用于复杂场景解决复杂问题，来有效解决许多传统方法无法解决的问题。并且这些方法可以与其它方法结合，形成混合系统，集单一的优势于一体，有着强大的可行性和经济性。
2.1专家系统法
专家系统（ES），又称为以知识为基础的系统，是模拟相关领域的人类专家决策能力的计算机系统。它旨在通过来自特定主题专家的知识体系推理，利用if-then判别逻辑来解决复杂问题。专家系统是在20世纪60年代到80年代发展并应用于商业。它又可以分为基于案例的推理系统，基于规则的系统，面向对象的系统等。现在已有的电力优化系统大部分基于此，但是其最为常见的缺点是知识的获取问题，并且每一次的突破都需要科研人员的大量研发，更新周期较长，往往会因为与已有系统不兼容而升级困难。
期刊文章分类查询,尽在期刊图书馆
2.2蚁群优化算法
蚁群优化算法（ACO）是一种基于蚂蚁觅食行为的解决计算问题的概率技术，可以通过图形来找到最好的路径，在旅行商、车间任务调度等经典的离散组合优化问题中得到了广泛的应用。近年来扩展到了连续域，应用到电力系统经济调度等领域，可以实现并行搜索，并且有效性极高，针对电力系统的一些实际特点，比如安全要求，稳定性要求等都有极高的吻合性[1]。但是算法中的参数设定通常需要通过实验方法确定，从而使得该算法的优化性能与人的经验密切相关，很难达到最理想效果。
2.3人工蜂群算法[2]
人工蜂群算法（ABC）由DervişKaraboğa（Erciyes大学）于2005年提出，是一种基于蜜蜂觅食行为的优化算法。在该算法中，有三种蜜蜂：侦察员蜜蜂，旁观者蜜蜂和雇佣者蜜蜂。它们分别负责发现新的食物来源，选择来源评估价值以及接近食物来源并进行评估，最终寻找到最佳食物来源。该算法具有较强的全局搜索能力，并且因具有控制参数少，鲁棒性较强等优点被广泛用于电力系统优化中。但是由于它在接近最优解附近的时候搜寻效率会大幅减弱，容易陷入局部最优解。并且由于该算法的蜜源适应度公式对不同情形的评判有所差异，无法真实反应蜜源的适应度，使得优化精确度下降。
2.4遗传算法
遗传算法（GA）通过使用定向随机搜索在负载的情况下定位最优解，是一种受自然选择过程启发的元启发式方法，属于更大类的进化算法（EA）。它主要是基于模拟达尔文生物进化论的自然选择和生物遗传原理的一种自进化的算法模型。该算法是从潜在的一个代表解的种群开始初代进化，然后对每个个体通过评价公式计算其各自对当前环境的适应度，将其作为遗传适应的判断标准。并且在遗传过程中还会发生交叉现象和变异现象，以此来产生新的个体，继续进行适应度选择，最终筛选出最适应当前环境的一个种群作为最优解。对于电力系统中大量的动态多目标不确定性的非线性规划问题，它们解的空间具有不连续、多不确定因素的特点。并且随着电力系统越来越庞大，运算复杂度也更高。而GA算法可以把众多目标作为种群，各自条件因素作为条件，使得计算极为简便，所需存储空间也大幅降低，其在电力系统优化中占据着越来越重要的位置。但是它的编程实现较为复杂，使得可行性有所欠缺。并且它的实现还需要许多参数，比如变异率和交叉率，这些参数的选择严重影响最优解的质量，再加上大部分参数是依据经验所得，使得解的可靠性降低。
结束语：
一般来说，基于人工智能的方法是不断进步的，来解决不同电力系统优化的其他应用问题。近年来，混合系统结合了每种方法的优势，相较于单一的方法具有各种优点，因此受到了研究人员的青睐。而把这些方法应用到电力系统优化中后，使得大数据的处理能力进一步加强，调度优化能力也进一步提升。并且随着终端处理能力的提升，使得在设备端的处理成为了可能，这些方法可以处理更加复杂的任务，将其应用到具有更多互连的现代大型电力系统中，以满足当前电力系统建设的互联化和智能化，推进“三型两网”的建设。
参考文献:
[1]陈海焱,陈金富,段献忠.含风电场电力系统经济调度的模糊建模及优化算法[J].电力系统自动化,2006(02):22-26.
[2]田野,徐洪华,李福善.一种改进的人工蜂群算法[J].长春理工大学学报(自然科学版),2014,37(05):137-140+145.
[3]蒋波涛,袁君睿.智能技术在电力决策支持系统中的应用探讨[J].微电机,2018,51(9):60-64,67.
论文作者:李杰
论文发表刊物:《电力设备》2018年第33期
论文发表时间:2019/5/16
标签：算法论文; 电力系统论文; 方法论文; 电力论文; 系统优化论文; 人工智能论文; 电网论文; 《电力设备》2018年第33期论文;