利用灰狼优化和多智能体通信技术实现电网中的自适应拥塞管理

《Franklin Open》：Adaptive Congestion Management in Power Grids Using Grey Wolf Optimization and Multi-Agent Communication

　　Tiza Varghese|N.K. Arun|Gopakumar Pathirikkat
印度卡利卡特国立理工学院 673601

摘要
在现代电网中，拥塞管理是维持稳定性和效率的关键方面，尤其是在网络扩张和动态条件不断变化的情况下。本文提出了一种基于灰狼优化（GWO）和多智能体系统（MAS）通信的自适应拥塞管理方法，以实现最佳电力调度。该方法在IEEE 57节点系统上进行了验证，其中管理智能体与发电机智能体协调，通过迭代调整电力输出，同时确保经济载荷调度（ELD）并最小化拥塞。该系统使用基于Smart Python智能体开发环境（SPADE）通过XMPP Openfire服务器进行分散式通信，从而实现智能体之间的无缝协调。与粒子群优化（PSO）的比较分析突显了PSO在解决大规模网络拥塞问题时的局限性，表明GWO在处理传输约束和提高可用传输能力（ATC）方面具有更高的有效性。结果表明，所提出的GWO-MAS方法能够降低发电成本、更好地缓解拥塞，并提高电网灵活性。这项研究揭示了生物启发式优化在智能电网和未来电力网络中的自适应和分布式拥塞管理潜力。

1. 引言
1.1 背景和重要性
随着可再生能源的集成、负荷需求的波动以及传输网络的扩展，现代电网的复杂性不断增加，这使得拥塞管理成为电网运营商面临的关键挑战[1]。当电力流超过传输线路的容量时，就会发生传输拥塞，导致损耗增加、运营成本上升以及系统稳定性下降[2]。随着电力系统规模的扩大和复杂性的增加，传统的拥塞管理方法难以适应这些变化，因此需要开发更加灵活和分布式的解决方案[1,2]。
传统方法如最优功率流（OPF）和经济载荷调度（ELD）依赖于集中控制和预定义的优化模型来管理拥塞。尽管这些方法被广泛使用，但它们对静态公式的依赖性使其在处理电网条件的实时变化时效果不佳[3,4]。此外，以集中方式解决大规模优化问题所需的计算负担限制了其在动态变化网络中的适用性[5]。对可扩展、自适应和分布式解决方案的需求促使人们越来越关注用于电网管理的多智能体系统（MAS）[6]。MAS提供了一个分散式框架，其中代表不同电网组件的自主智能体可以通信和协调，以实现最优的电力再分配。这种方法增强了适应性，允许根据系统条件实时调整发电调度[7]。
优化技术在基于MAS的拥塞管理中发挥着关键作用，确保电力高效分配的同时降低成本并维持电网稳定性。粒子群优化（PSO）作为一种广泛使用的元启发式优化技术，在解决电力系统优化问题方面显示出潜力[8]。然而，在应用于大型网络时，由于容易陷入局部最优解且复杂解空间中的收敛效率较低，PSO在解决拥塞方面存在不足[8,9]。
为了克服这些限制，本研究在IEEE 57节点系统中实现了基于灰狼优化（GWO）的拥塞管理策略[10]。通过结合动态负荷变化，所提出的方法确保了优化过程在负荷波动条件下仍然具有鲁棒性。与PSO的比较分析突显了GWO在缓解拥塞、提高收敛效率和优化电力分配效率方面的优势。研究结果表明，GWO-MAS方法在降低发电成本、减轻拥塞和提高电网灵活性方面更为有效。这表明生物启发式优化在智能电网和未来电力网络中的自适应和分布式拥塞管理具有巨大潜力。

1.2 文献综述
当传输网络由于运行约束而无法传输所需电力时，就会发生电力系统拥塞，导致电压不稳定、线路过载和潜在的级联故障[1,2]。这对系统的可靠性、安全性和市场效率构成了重大挑战，因此需要有效的拥塞管理策略[11]。传统的拥塞管理技术大致可以分为基于优化的网络重配置和需求侧管理方法[12]。
基于优化的方法如最优功率流（OPF）和经济载荷调度（ELD）旨在在确保系统安全的同时最小化发电成本。OPF模型被构建为非线性规划问题，以优化系统范围内的实功率和无功功率流动[13,14]。基于敏感性的方法进一步通过识别关键节点和发电机来缓解拥塞[3]。然而，这些方法通常需要大量的计算资源，并依赖于准确的实时数据，而在动态电网条件下这些数据并不总是可用的[15]。ELD侧重于优化发电机输出以最小化燃料成本，但它没有明确考虑传输约束，这限制了其在拥塞场景中的有效性[15,16]。
通过调整发电计划来缓解拥塞的做法被广泛采用，这种方法通常涉及选择最具成本效益的发电机进行修改，以确保在不违反系统稳定性的前提下满足传输约束[17,18]。然而，重新调度通常是一个缓慢且成本较高的过程，特别是在市场运行分散的大型电力系统中[19]。馈线式自动化装置（FACTS），包括统一功率流控制器（UPFC）和晶闸管控制串联电容器（TCSC），通过动态调整电力流来优化网络性能，提供了一种替代的拥塞管理方法[20,21]。UPFC有效管理实功率和无功功率，提高传输能力，而TCSC提供串联补偿以控制线路阻抗[21,22]。尽管这些装置有效，但它们需要较高的资本投入和复杂的控制机制，限制了其在大规模应用中的部署[23]。
需求侧管理（DSM）方法，如需求响应（DR）计划，试图通过减少高峰负荷来缓解拥塞[24]。这些方法依赖于消费者参与和动态定价机制，激励在高峰时段减少负荷[25]。虽然DSM可以在不增加基础设施成本的情况下有效管理拥塞，但其有效性取决于消费者行为和市场规则[26,27]。基于市场的拥塞管理技术，如节点定价和拥塞定价，通过分配成本信号来反映拥塞情况，鼓励经济调度决策，从而优化电网利用[28]。然而，这些技术需要复杂的市场结构和计算密集型的价格计算，对于动态系统中的实时拥塞管理可能不太实用[26]。
传统的拥塞管理方法如OPF、ELD、重新调度和基于FACTS的解决方案通常受到集中控制、高计算复杂性和在动态电网环境中适应性差的限制。为了解决这些问题，多智能体系统（MAS）作为一种分散式和自适应的电力系统管理框架应运而生[29,30]。MAS使发电机智能体、传输智能体和系统运营商能够进行分散式决策，从而实现对电网变化的实时响应[31,32]。
尽管具有这些优势，但在拥塞管理中的MAS实现仍然不够充分，尤其是在大规模系统中。以往的研究主要集中在小规模网络上，而在MAS框架内整合强大的优化技术仍是一个活跃的研究领域[[33], [34], [35]]。
元启发式优化技术，包括遗传算法（GA）、差分进化（DE）和粒子群优化（PSO），由于能够处理复杂的非线性问题而在电力系统优化中得到广泛应用[36]。其中，PSO在拥塞管理中特别受欢迎，因为它能高效搜索最优的发电重新调度策略[36,37]。然而，在像IEEE 57节点系统这样的大规模网络中，PSO往往会过早收敛并陷入局部最优解，导致拥塞解决效率低下[37]。这一局限性凸显了需要更自适应和强大的优化技术，如灰狼优化（GWO），它在全局搜索能力和解决方案质量方面已显示出优于PSO的优势[10]。GWO模仿了灰狼的领导层级和狩猎机制，确保了优化问题中的探索与利用之间的良好平衡[38]。
最近的研究还探讨了智能优化和多智能体协调在更广泛的工程应用中的潜力，包括基于强化学习的协作多智能体框架，用于解决复杂的约束问题[39], [40], [41]。

大多数传统的拥塞管理策略假设负荷条件是静态的，这可能无法反映现实世界的电网动态。然而，由于可再生能源的渗透、消费者行为和市场变化，电力系统经历了持续的负荷波动[[1], [2], [3], [4]]。一些研究强调了需要结合实时负荷变化的拥塞管理技术，以确保电网的可靠运行[5]。虽然一些现有技术尝试对拥塞管理中的不确定性进行建模，但很少有将动态负荷变化集成到基于MAS的优化框架中的研究。这一空白促使开发出能够实时考虑负荷不确定性的MAS-GWO方法。

2. 基于GWO的最优电力调度
2.1 灰狼的启发与社会层级
灰狼优化（GWO）是由Mirjalili等人（2014年）提出的一种生物启发式元启发式算法，其灵感来源于灰狼（Canis lupus）的社会层级和合作狩猎行为。灰狼是顶级捕食者，具有严格的领导结构和高效的狩猎机制，使其成为群体智能算法的理想模型[38]。
狼群中的层级包括四个等级：
- **Alpha（α）**：负责决策和指导狼群的领导者。
- **Beta（β）**：副领导者，协助Alpha领导狼群。
- **Delta（δ）**：负责侦察、警戒和协助决策的狼。
- **Omega（ω）**：遵循者，有助于保持种群多样性。
这种层级结构在优化问题中实现了探索与利用之间的有效平衡。

2.2 GWO的数学模型
GWO的数学模型包括三个主要阶段：包围猎物、狩猎和攻击猎物。
a) **包围行为**
灰狼在攻击前会包围猎物。包围机制的数学表达式为：
(1) \(D_{围}\) = \(|C_{围} \cdot X_{p}^{(t)} - X_{f}^{(t)}\)
(2) \(X_{f}^{(t+1)} = X_{p}^{(t)} - A_{围} \cdot D_{围}\)
其中：
- \(X_{p}^{(t)}\) 是猎物的位置（最优解）
- \(X_{f}^{(t)}\) 是搜索智能体（狼）的位置
- \(A_{围}\) 和 \(C_{围}\) 是控制收敛行为的自适应系数向量
- \(D_{围}\) 表示狼与猎物之间的距离

系数 \(A_{围}\) 和 \(C_{围}\) 的计算公式为：
(3) \(A_{围} = 2a_{围} \cdot r_{1}^{(t)} - a_{围}\)
(4) \(C_{围} = 2r_{2}^{(t)}\)
其中 \(a_{围}\) 在迭代过程中从2线性减少到0，\(r_{1}^{(t)}\) 和 \(r_{2}^{(t)}\) 是范围在[0,1]内的两个随机向量。
b) **狩猎过程**
GWO中的狩猎策略由α、β和δ级狼指导，它们代表当前迭代中的前三名解决方案。
其余狼根据这些领导者更新它们的位置：
\(X_{f}^{(t+1)} = X_{1}^{(t)} + X_{2}^{(t)} + X_{3}^{(t)}\)
其中 \(X_{1}^{(t)}\)、\(X_{2}^{(t)}\) 和 \(X_{3}^{(t)}\) 的计算公式为：
(6) \(X_{1}^{(t)} = X_{α}^{(t)} - A_{α}^{(t)} \cdot D_{α}^{(t)}\)
\(X_{2}^{(t)} = X_{β}^{(t)} - A_{β}^{(t)} \cdot D_{β}^{(t)}\)
\(X_{3}^{(t)} = X_{δ}^{(t)} - A_{δ}^{(t)} \cdot D_{δ}^{(t)}\)
其中 \(D_{α}^{(t)}\)、\(D_{β}^{(t)}\) 和 \(D_{δ}^{(t)}\) 的计算公式为：
(7) \(D_{α}^{(t)} = |C_{1}^{(t)} \cdot X_{α}^{(t)} - X_{f}^{(t)}\)
\(D_{β}^{(t)} = |C_{2}^{(t)} \cdot X_{β}^{(t)} - X_{f}^{(t)}\)
\(D_{δ}^{(t)} = |C_{3}^{(t)} \cdot X_{δ}^{(t)} - X_{f}^{(t)}\)
c) **探索与利用机制**
从探索到利用的转换由参数a控制，其趋势是递减的：
\(a_{围}^{(t)} = 2^{-t} \cdot 2^{T}\)
其中 \(t\) 是当前迭代次数，\(T\) 是最大迭代次数。这种机制确保搜索最初探索解空间的多样化区域，然后再收敛到最优解。

2.3 GWO在电力调度中的应用
电力调度是指在最小化成本和满足系统约束的同时，将发电资源最优分配以满足系统负荷需求。高效的电力调度在维持电网稳定性、经济运行和能源安全方面起着关键作用。

表I、II、III、IV

表I. GWO算法的伪代码
**算法1：GWO策略用于最优搜索**
输入：灰狼种群规模 \(N\)，最大迭代次数 \(T\)
输出：最优解 \(X_{α}\)，最佳适应度值 \(f(X_{α})\)
初始化灰狼种群 \(X_{i}^{(1)}, 2, \ldots, N)\)
初始化参数 \(a_{围}\)、\(A_{围}\) 和 \(C_{围}\)
评估每个搜索智能体的适应度：
- 确定 \(X_{α}\) 为最佳搜索智能体
- 确定 \(X_{β}\) 为第二最佳搜索智能体
- 确定 \(X_{δ}\) 为第三最佳搜索智能体
\(t = 0\)（初始化迭代计数器）
当 \(t < T\) 时：
- 使用公式(5)更新当前搜索智能体的位置
更新参数 \(a_{围}\)、\(A_{围}\) 和 \(C_{围}\)
重新计算所有搜索智能体的适应度
更新 \(X_{α}\)、\(X_{β}\) 和 \(X_{δ}\)
增加 \(t\)（\(t = t + 1\)）
返回 \(X_{α}\) 作为最优解

表II. 发电机成本系数
| 发电机 | 成本系数 |
|------|--------|
| 0 | 0.022 |
| 1 | 0.0175 |
| 2 | 0.0151 |
| 3 | 0.0253 |
| 4 | 0.0335 |
| 5 | 0.0230 |
| 6 | 0.0225 |

表III. IEEE 57节点系统概述
| 组件 | 数量 | P（MW） | Q（MVAr） |
|-----------|------------|--------|--------|
| 总发电容量 | 1975.9 | -468.0 至 699.0 |
| 发电机数量 | 7 | | |
| 在线容量 | 1975.9 | -468.0 至 699.0 |
| 倘认定发电量 | 1278.7 | 321.1 |
| 负荷 | 42 | 50.8 |
| 固定负荷 | 42 | 1250.8 |
| 可调度负荷 | 0 | 0.0 |
| 并联元件 | 3 | -0.021 |**IEEE 57节点系统中GWO与PSO在拥堵管理方面的比较评估**
| 指标 | GWO（提出方法） | PSO（基准方法） | 备注 |
|-------------|-----------------|-----------------|-------------------------------|
| 拥塞线路（优化前） | 1（线路7） | 1（线路7） | GWO和PSO方法起始时的拥堵情况相同——线路7超载 |
| 拥塞解决情况 | 是 | 否 | PSO未能缓解线路12的拥堵 |
| 最终发电成本（$） | 620 | 943.72 | GWO实现了约14%的成本降低 |
| 拥塞线路数量（优化后） | 0 | 1 | GWO确保所有线路都在安全范围内 |
| ATC改进（整体趋势） | 显著的、系统范围内的改进 | 部分的、依赖于节点的改进 | GWO在所有节点上实现了更好的ATC提升 |
| 线路流量限制违规 | 无 | 1（线路12） | GWO在约束条件下提供了可行的解决方案 |

**传输拥堵的挑战**
传输拥堵是一个重大问题，当功率流超过传输线的热限制、电压限制或稳定性限制时就会发生。如果管理不当，拥堵可能导致更高的运营成本、电压不稳定、增加的传输损耗以及潜在的系统故障，因此需要强大的拥堵管理策略。传统优化方法往往难以处理电力调度问题的非线性、多模态特性。相比之下，像灰狼优化（GWO）这样的元启发式算法通过平衡探索（寻找全局最优解）和利用（精细调整解决方案）提供了一种替代方案。

**GWO的优势**
GWO由于其以下优点而被广泛用于解决电力调度问题：
- 相比遗传算法（GA）和粒子群优化（PSO）等传统方法，收敛速度更快。
- 不需要梯度信息，适用于不可微分的成本函数。
- 在处理复杂约束（如发电机限制和传输约束）时具有灵活性。

**问题表述**
经济负载调度（ELD）问题旨在在确保满足系统约束的同时，将总燃料成本降至最低。目标函数表示为：
$$
C_{total} = \sum_{i=1}^{N}(a_i P_i^2 + b_i P_i + c_i) + \lambda \times \text{Penalty}
$$
其中：
- $C_{total}$ 是总发电成本；
- $a_i, b_i, c_i$ 是发电机i的燃料成本系数；
- $P_i$ 是发电机i的功率输出；
- $\lambda$ 是违反约束的惩罚因子。

惩罚因子$\lambda$是通过经验调整选定的，以在最小化发电成本和确保有效缓解拥堵之间取得最佳平衡。优化受到以下几项约束：
1. **功率平衡约束**：总发电量必须等于总需求加上损耗：
$$
\sum_{i=1}^{N} P_i = P_D + P_{\text{loss}}
$$
其中$P_D$是总系统需求；$P_{\text{loss}}$是通过PYPOWER框架使用交流功率流分析计算得出的传输损耗。这种方法基于系统参数捕捉网络损耗，无需依赖简化的B系数损失模型，从而提高了建模的准确性和可复现性。
2. **发电机容量限制**：每个发电机必须在其规定的最小和最大限制范围内运行：
$$
P_{mini} \leq P_i \leq P_{maxi}
$$
3. **传输线拥堵限制**：每条传输线的最大功率流限制为：
$$
|S_{ij}| \leq S_{ij}^{\text{max}}
$$
其中$S_{ij}$表示节点i和j之间的线路视在功率流；$S_{ij}^{\text{max}}$是该线路的最大允许功率传输容量。当超过传输线限制时，会发生拥堵，需要重新调度策略来调整发电机输出以减轻超载。
4. **收敛和终止标准**：灰狼优化器（GWO）根据灰狼的社会层次结构和狩猎行为迭代更新候选解。当达到最大迭代次数时，算法终止。

**GWO在电力系统中的拥堵管理应用**
GWO通过动态调整发电机输出来重新分配发电量，以最小化成本并缓解传输拥堵。具体步骤如下：
1. **种群初始化**：每个搜索代理（灰狼）代表一个潜在的发电机调度方案，狼的位置对应于发电机的输出。
2. **适应性评估**：适应度函数评估每个狼的位置，考虑经济成本和拥堵惩罚。
3. **更新位置**：狼根据Xα、Xβ、Xδ的位置更新自身的位置。
4. **停止标准**：优化过程持续进行，直到达到最大迭代次数或适应度值变化低于预定阈值，表示收敛。

**基于MAS的GWO调度**
为了在实时电网操作中动态应用GWO，部署了多代理系统（MAS）。MAS通过允许独立代理高效通信和协调决策来实现分布式控制。系统中的每个代理都有特定的角色，确保优化过程以分散和可扩展的方式执行。

**MAS中的代理类型**
MAS框架包括两种主要类型的代理：管理员代理和发电机代理。它们协作以实现最优的电力调度，并同时缓解传输网络中的拥堵：
- **管理员代理**：负责执行GWO优化算法，确定最具成本效益且无拥堵的电力调度计划。它持续监测系统状态，收集实时数据。
- **发电机代理**：自主运行但遵循管理员代理发出的调度指令，调整发电输出，确保安全稳定运行，并及时反馈状态变化。

**实时优化过程**
MAS框架结合灰狼优化（GWO），根据系统条件动态调整发电机输出，实现实时电力调度和拥堵管理。SPADE（智能Python代理开发环境）为这种实现提供了结构化框架，支持代理之间的异步通信。本文介绍了一种自适应的拥塞管理框架，该框架结合了灰狼优化（GWO）算法与多智能体系统（MAS）通信技术，旨在解决大规模电网中最优电力调度的挑战。在IEEE 57节点系统上进行的仿真测试表明，基于GWO的框架通过分散式的SPADE通信机制有效协调了发电机智能体，实现了经济负荷调度和拥塞缓解。仿真结果证实，GWO在发电成本最小化、拥塞缓解以及可用输电能力（ATC）提升方面优于粒子群优化（PSO）。GWO在动态负荷条件下的稳健性能得到了验证，其全局搜索能力和收敛行为尤为突出。此外，从经济角度来看，GWO带来的总发电成本降低了13.99%，显示出其在成本优化方面的显著优势。总体而言，基于GWO的方法在确保电网无拥塞运行方面表现更胜一筹，同时具备更好的系统灵活性和可靠性。

在撰写过程中，作者使用了AI辅助技术[Paperpal, ChatGPT]来提升文本的语言表达和可读性。在使用这些工具/服务后，作者对内容进行了必要的审查和编辑，并对发表物的内容负全责。

**作者贡献声明：**
- Tiza Varghese：负责撰写初稿、软件开发、方法论设计、概念构建。
- N.K. Arun：负责文本审核与编辑、验证工作以及整体监督和形式分析。
- Gopakumar Pathirikkat：同样参与文本审核与编辑、验证以及监督工作。