简析梯级基于多智能体鱼群算法梯级水电系统优化调度模型题目

论文导读：。梯级水电系统的开发利用不仅对环境保护产生积极影响，而且在电力系统的稳定、经济运行中发挥重要作用。然而，梯级水电系统中各水电站之间的关系较为复杂，这为梯级水电系统优化调度带来了一定难度。目前，国内外专家学者已将智能算法应用于水电优化调度，如遗传算法、粒子群算法、蚁群算法、文化算法等，取得了一定成果。鱼
【摘 要】本文将多智能体思想应用于梯级水电系统优化调度，建立了基于多智能体鱼群算法的梯级水电系统优化调度模型，构造管理智能体、群体智能体、行为智能体、执行智能体和决策智能体。描述了多智能体鱼群算法的体系结构和优化流程，从人机交互角度实现了电力负荷的优化调配，加快了鱼群算法的收敛速度，极具创新性。算例结果表明，各智能体相互协调，最终得出合理的优化调度计算结果。本文设计的模型对于梯级水电系统优化调度问题行之有效。
【关键词】梯级水电系统；优化调度；多智能体；鱼群算法
伴随着我国经济的高速发展，环境污染问题日益严重。电力工业作为经济发展的基石，电力供应逐年增加，由此引发的煤炭资源消耗和污染物排放问题为我国节能减排目标的实现带来了阻力。为提高能源利用效率，促进节能降耗，实现电力工业可持续发展，我国积极推行节能发电调度。梯级水电系统的开发利用不仅对环境保护产生积极影响，而且在电力系统的稳定、经济运行中发挥重要作用。然而，梯级水电系统中各水电站之间的关系较为复杂，这为梯级水电系统优化调度带来了一定难度。目前，国内外专家学者已将智能算法应用于水电优化调度，如遗传算法、粒子群算法、蚁群算法[3]、文化算法[4]等，取得了一定成果。
鱼群算法是一种集群智能算法，其将鱼群运动规律设定为鱼群向食物浓度较大的水域游动，构造人工鱼个体，模拟鱼群觅食、追尾和群聚行为，通过个体的局部寻优，实现全局最优[5]。鱼群算法不需要考虑目标函数梯度值等特殊信息，只需进行优劣比较[6]，因此具有快速收敛性和操作便捷性。
人工智能领域的发展促进了多智能体系统（Multi-agent system，MAS）的出现。将多智能体技术运用于电力系统进行计算和仿真有着广泛的应用前景，并已取得了大量的研究成果[7-9]。文献[10]构建了一个多智能体水电厂机组优化组合系统，仿真结果证明所提出的优化模型具有合理性和可操作性。
本文将鱼群算法和多智能体技术相结合，采用多智能体鱼群算法求解梯级水电系统优化调度问题。首先基于多智能体理论，提出多智能体鱼群算法，构造管理智能体、群体智能体、行为智能体、执行智能体和决策智能体，构造鱼群生存环境，将每条人工鱼设定为一个智能体。然后，模拟鱼群的觅食、追尾、群聚行为，通过各智能体之间的交互及其与环境间的相互影响，实现人工鱼智能体位置的更新，从而加快收敛速度，实现梯级水电系统优化调度的智能化操作。最后，以由2个水电站构成的梯级水电系统为例，运用基于多智能体鱼群算法的水电优化调度模型对算例求解，探讨多智能体鱼群算法解决梯级水电系统优化调度的可行性。

1.梯级水电系统优化调度数学模型

1.1 目标函数

梯级水电系统优化调度是指将水库初始水位、调度期内各时段来水量作为已知条件，在满足水量平衡、电量平衡、发电引用流量限制、水库库容限制等约束条件下，寻求最优的发电引用流量和负荷分配方案。梯级水电系统优化调度通常采用发电量最大、弃水量最小或耗水量最小作为调度目标[11]。本文以发电量最大为优化目标，设梯级水电系统内共有级水电站，建立目标函数如式（1）所示：
（1）
式中：为总发电量（kwh）；为调度周期时段数；为时段变量，；为第级水电站的机组出力系数，；为第级水电站在时段的发电引用流量（m3/s）；为第级水电站在时段的平均发电水头（m）；为时段长度（s）。

1.2 约束条件

（1）水量平衡约束：
（2）
式中：、分别为第级水电站在时段和时段的库容；为第级水电站在时段的平均入库流量；为第级水电站在时段的平均弃水流量。
（2）电量平衡约束：
（3）
式中：为时段调度下达的梯级水电系统的总发电负荷；为第级水电站在时段的平均出力。
（3）发电引用流量限制：
（4）
式中：、分别为第级水电站在时段允许的最小和最大发电引用流量。
（4）水库水位限制：
（5）
式中：、、分别为第级水电站在时段的水位及其允许的最小和最大值。
（5）水库库容限制：
（4）
式中：、分别为第级水电站在时段允许的最小和最大库容。
（6）水电站出力限制：
（5）
式中：、分别为第级水电站在时段允许的最小和最大出力。

2.多智能体鱼群算法

2.1 鱼群理论

鱼群算法是一种模拟鱼群运动规律的群智能随机搜索优化算法。其基本思想是通过觅食、群聚和追为，鱼源于：论文大全www.7ctime.com
群向食物浓度较大的水域游动，鱼群规模最大的地方食物浓度达到最大。根据这一思想，构造人工鱼个体，通过鱼群之间的信息交互，人工鱼个体不断修正自身行为模式，从而寻求到个体的局部最优，最终求得全局的最优解。由于不需要考虑目标函数梯度值等特殊信息，只需要对问题进行优劣比较，因而鱼群算法具有操作简单、收敛快速、全局搜索能力强等优势[12]。
鱼群算法初始化为一群随机分布的人工鱼个体。初始化过程中，设定人工鱼群规模、最大移动步长、人工鱼的最大视野、拥挤度因子、最大迭代次数等参数。人工鱼个体通过对比当前位置与游动后位置的食物密度大小，选择游动行为，每游动一次，便执行一次迭代。通过循环迭代，人工鱼个体不断更新自身位置，直到找到全局最优值[13]。鱼群算法优化寻优求解的具体流程如图1所示。

2.2 多智能体理论

智能体（Agent）是一种具有知识、目标、感知能力、自主能力的物理实体或信息处理单元。智能体通常固定在某个特定的环境中工作，通过感知局部环境，自主决策自身行为或动作，从而达到既定目标。在与环境及其他智能体的交互过程中，智能体既可以自治运行、自主学习，独立完成任务，也可以通过互通信息、彼此协商，与其他智能体协作处理复杂问题[14]。
多智能体系统（MAS）是指在特定环境中，由多个可计算的智能体组成的松散耦合网络[15]。其具有自治性、反应性、社会性等特点，可以把复杂的控制任务分解为一系列简单易解的子任务。各智能体以相互通信的方式来协商、协调、协作，共同实现系统中的目标，从而完成无法由单一智能体完成的复杂任务。

2.3 多智能体鱼群算法

采用多智能体鱼群算法求解梯级水电系统优化调度问题，其本质是构造多个功能相异的智能体，从分布式计算的角度将鱼群算法的优化求解过程分解为若干子问题，通过各个智能体之间的智能交互和协作来分层处理子问题，从而提高鱼群算法的收敛速度和计算精度。
（1）多智能体鱼群算法体系结构
多智能体鱼群算法体系结构如图2所示，包括5种类型的智能体，即管理智能体（MA）、群体智能体（FA）、行为智能体（CA）、执行智能体（EA）和决策智能体（DA）。
管理智能体负责创建鱼群的初始化生存环境，设定人工鱼群规模N、最大移动步长s、人工鱼的最大视野v、拥挤度因子、最大迭代次数tm等参数，生成群体智能体。群体智能体的数量为N，每一个FA代表着一条人工鱼个体，其状态可由D维向量Xi表示，，。行为智能体包括觅食行为智能体（CA1）、群聚行为智能体（CA2）和追为智能体（CA3），其任务是指挥群体智能体模拟鱼群的觅食、群聚、追为。执行智能体负责对人工鱼当前的环境作出评价，更新食物浓度最大值，选择人工鱼的执行行为。决策智能体根据最大迭代次数判断是否终止计算，并输出计算结果。
（2）多智能体鱼群算法优化流程
论文导读：
　多智能体鱼群算法通过各智能体间的沟通协作来完成复杂问题的优化求解。各智能体通过信息交换，采用协调合作的方式，保证共同目标的实现。多智能体鱼群算法的流程如图3所示。
管理智能体收到梯级水电系统优化调度指令，初始化各参数，根据人工鱼群规模生成群体智能体，并将最大移动步长、人工鱼最大视野、拥挤度因子传递给行为智能体，将最大迭代次数传递给决策智能体。群体智能体的初始状态为在可行域内随机分布，是第i个人工鱼个体的一个状态值，代表第j级水电站的发电引用流量。每个群体智能体分别与三种行为智能体进行信息交互，模拟执行觅食、追尾、群聚三种行为。行为智能体将式（1）中的总发电量E设定为食物浓度值fc，并将三种行为各自产生的食物浓度最大值分别传输给执行智能体。执行智能体比较每条人工鱼个体执行三种行为所得到的食物浓度值，记录食物浓度最大值，并将执行信息传递给行为智能体。行为智能体按照执行信息采取相应行为，并将行为结果传递给群体智能体。群体智能体更新自身状态，再次借助行为智能体，模拟执行觅食、追尾、群聚三种行为，如此循环。与此同时，决策智能体根据最大迭代次数，判断群摘自：硕士论文答辩www.7ctime.com
体智能体的迭代次数是否达到最大值。若未达到，则将信息反馈给群体智能体，允许群体智能体继续循环迭代；若达到，则输出执行智能体所记录的食物浓度最大值，即总发电量最大值，结束优化过程。

3.算例分析

设某梯级水电系统由一级电站和二级电站2个水电站组成，梯级水电系统的参数值设置如表1所示。以日为调度周期，设定调度周期时段数为T=24，时段长度=1h；取初始水位为死水位。
梯级水电系统优化调度目标为总发电量最大，采用C++语言编程，应用多智能体鱼群算法进行优化求解，具体步骤如下：（1）管理智能体创建鱼群初始化环境，确定参数人工鱼群规模N=40、最大移动步长s=0.05、人工鱼的最大视野v=0.3、拥挤度因子=0.618、最大迭代次数tm=30，生成40个群体智能体；（2）群体智能体随机分配鱼群的初始状态，，。、分别表示第i条人工鱼所代表的一级电站和二级电站的发电引用流量；（3）群体智能体将其初始状态传递给觅食行为智能体、追为智能体、群聚行为智能体，模拟鱼群的三种行为，行为智能体将三种行为产生的食物浓度最大值（总发电量最大值）传输给执行智能体；（4）执行智能体记录食物浓度最大值，并要求行为智能体执行相应行为；（5）群体智能体向食物浓度最大值处游动，更新自身状态，并继续循环迭代；（6）当迭代次数达到30时，决策智能体反馈给其他各智能体，要求停止计算，结束优化过程；输出优化结果：一级电站最大发电量=797

4.65MWh，二级电站最大发电量=316

2.43MWh。

结论 本文将多智能体思想应用于梯级水电系统优化调度，建立了基于多智能体鱼群算法的梯级水电系统优化调度模型。描述了多智能体鱼群算法的体系结构和优化流程，从人机交互角度实现了电力负荷的优化调配，极具创新性。算例结果表明，各智能体相互协调，最终得出合理的优化调度计算结果，本文设计的模型对于梯级水电系统优化调度问题行之有效。
参考文献：
叶琳浩，夏成军，陈丽丹，张尧.改进遗传算法在韶关小水电群优化调度的应用[J].电力系统及其自动化学报，2009，21（3）：53-57.
陈烨兴，罗云霞，周慕.弹性粒子群优化算法及其在水电优化调度中的应用[J].河海大学学报（自然科学版），2010，38（6）：603-607.
[3]张智晟，樊秀娟，林涛.基于量子蚁群优化算法的梯级水电系统经济调度[J].电力自动化设备，2010，30（10）：17-21.
[4]罗云霞，王万良，周慕.小水电优化调度数学模型及其基于文化算法的比较研究[J].水力发电学报，2009，28（4）：187-192.
[5]曹承志，张坤，等.基于人工鱼群算法的BP神经网络速度辨识器[J].系统仿真学报，2009，21（4）：1047-1050.
[6]聂宏展，吕盼，等.基于人工鱼群算法的输电网络规划[J].电工电能新技术，2008，27（2）：11-15.
[7]杨鑫.多智能体进化算法在火电厂负荷优化分配中的应用[D].北京：华北电力大学，2008.
[8]董军，陈小良，张婧.电力市场环境下基于多智能体的输电投资决策研究[J].华北电力大学学报，2009，36（4）：89-94.
[9]赵波，曹一家.电力系统无功优化的多智能体粒子群优化算法[J].中国电机工程学报，2005，25（5）：1-6.
[10]孟安波，刘永前，徐海波.基于多Agent遗传算法的水电厂机组优化组合研究与实现[J].电力系统保护与控制，2011，39（1）：24-28.
[11]李崇浩，纪昌明，缪益.基于微粒群算法的梯级水电厂短期优化调度研究[J].水力发电学报，2006，25（2）：94-98.
[12]聂宏展，王毕元，孙金红，等.基于混沌人工鱼群算法的输电网规划方法[J].电网技术，2010，34（12）：109-113.
[13]杨淑霞，韩奇，徐琳茜，路石俊.基于鱼群算法优化BP神经网络的电力客户满意度综合评价[J].电网技术，2011，35（5）：146-151.
[14]高世一，赵明扬，邹媛媛，刘建.基于多智能体的制造系统生产控制建模研究[J].计算机集成制造系统，2007，13（6）：1066-1070.
[15]郑旭栋.基于多智能体的车间调度系统研究[D].上海：上海交通大学，2007.