利用拟对立正弦余弦算法在输电网络中，利用可再生能源和邱健蓄电池储能求解多目标概率最优电力流

可再生能源（RES）的使用正成为当前电力生产过程的重要组成部分。这是因为可再生能源（RES）在自然界中丰富且不排放污染，而为传统发电厂供能的化石燃料正在枯竭。尽管资源丰富且无污染，RES的特性非常不可预测。因此，将RES加入电力网络使系统更加复杂。在整合RES后，当前的工作旨在为IEEE 57和118总线标准网络中的最佳功率流（OPF）问题找到最佳解决方案。当RES表现出不可预测的行为时，标准OPF问题就变成了概率OPF（POPF）问题。目前的调查由四个测试模块组成。测试模块仅考虑传统热电源。在第二和第三个测试模块中，配备热电源，太阳能光伏（SPV）和风能（WP）作为可再生能源系统（RES）。第三个测试模块中，除了可再生能源外，还部署了电池储能（BES）技术。此外，第四模块包括IEEE 118总线测试网络上的RES和BES。这些问题通过准对立正弦余弦算法（QOSCA）解决，该算法是正弦余弦算法（SCA）和准对立学习（QOBL）的混合体。这些结果通过使用OSCA、SCA和基于混沌驾驶训练的优化（CDTBO）技术实现。本研究旨在在满足所有平等与不平等限制的同时，最大限度地降低发电总成本、排放、电压曲线（VP）和稳定性指数。在四个测试模块中，前述目标首先作为单一目标实现，然后三者同时作为多重目标实现。对于普通的一天，解决方案会被找到。当天的不确定数量通过适当的概率分布函数（PDF）计算，涵盖风电厂发电、光伏电源供电和负载需求。基于这些预期的每小时数据，进行了实验。通过使用QOSCA、OSCA、SCA和CDTBO获得的成果，在每个测试模块中对所测试系统的测试系统进行统计评估，以实现上述目标。在结合风-太阳能-BES后，使用QOSCA进行单一目标成本最小化的数值分析降至12.9%，而电压曲线改善了6.17%。此外，所提出的方法（QOSCA）基于多目标函数，考虑成本、发射和电压分布，成本降至11%，这证明了该方法的优越性。它还证明了复杂系统中的计算效率，速度比其他优化技术快25%。这些统计评估显示，QOSCA在解决POPF问题方面比OSCA、SCA和CDTBO更具显著的稳健性和有效性。为了验证QOSCA在优化问题上的鲁棒性和有效性，针对IEEE 118总线测试网络的结果进行了统计分析和名为ANOVA检验的假设性检验。

简介

电力系统是一个将发电机能量输送到负载的网络。发电机的能量通过电力传输系统传递给负载。由于电力储备不足、多个系统控制器间连接困难、长距离大量电力传输以及复杂的协调，现有电力系统网络的规划和运营变得越来越复杂。如果能在服务质量下降极少的情况下接受非计划中断，电力系统被视为安全。在中断之后，系统会经历很长时间的过渡阶段，才能稳定到可接受的状态。此外，所有操作限制均保持在可接受范围内。由于发电机是集成电力系统的一部分，其真实功率和无功功率仅在能够最大限度地减少燃油消耗并满足特定负载需求时具有灵活性。采用最优功率流（OPF）来解决这些问题[1]。因此，电力研究界开始把它当作野火来看待。OPF目前是一种常见的电力系统分析方法，已被证明足够可靠，可用于实际场景。因此，OPF解决方案的主要目标是开发一个既满足平等与不平等要求，又能降低燃料成本的发电系统。通常，OPF问题是一个多目标、非线性且非凸的优化问题。起初指出，OPF用于热发电机仅会降低燃料成本。但包括电力需求增加、环境法规、化石燃料枯竭以及降低碳价的需求等诸多问题，促使越来越多的可再生能源逐步整合进现有的电网。

现代电力网络因技术进步和全球人口增长而显著增加用电量。由于化石燃料的过度使用，导致环境恶化和气候变化[2]。因此，已努力将环保型可再生能源（RES）纳入系统，如风能[3]、太阳能[4]、水力[5]等。当可再生能源系统（RES）加入电网时，其结构变得更加复杂，需要有效的管理和控制，以提供可靠且安全的电力供应。因此，增加可再生能源系统（RES）给现有电力网络带来了新的难题[6]。RES增加了电力系统的不确定性，使得实现稳定可靠的运行更加困难[7]。在下文讨论的不同电力系统领域，已测试了不同的优化方法，强调了拟议的研究工作。
Ahmedi等人[8]采用基于混合整数（MINLP）的非线性[9]规划方法解决HTS问题，并获得最优解，以验证MINLP优化技术在IEEE 118总线系统的有效性。Roy [10] 在 HTS 系统上应用了基于教学学习（TLBO）的优化算法，以获得考虑阀点负载和禁区成本最小化的最优解。Zhang 等人[11]讨论了一种基于采集技术的优化方法，用于降低成本并稳定电力系统运行。Dai 等人[12]通过数据挖掘方法解决了经济负载调度问题，以获得成本和排放最小化的多目标解决方案。Meng 等人[13]利用交叉优化算法在大规模系统中基于深度强化学习解决热电联合问题。Chen 等人[14]应用了改进后的群体教学优化算法，在多领域解决了CHPED问题，并验证了该技术的有效性。Urazel等人[15]提出了海洋捕食者算法（MPA），用于不同维度的CHPED问题，如11单位、48单位和96单位，以验证该拟议MPA相较于现有优化技术的有效性。通过考虑了多个非线性函数，如有功功率损耗、阀门点负载和禁区，以评估所提算法的有效性。Jamal 等人[16]使用带有混沌准操作位置（CQOGTO）的大猩猩部队优化器解决了IEEE 30和57总线系统的OPF问题。Berahmandpour 等人[17]讨论了基于风能的经济负荷调度问题，其中应用了柔韧指数以最小化风的不确定性。Mishra等人[18]应用秃鹫优化技术解决负载调度问题，考虑经济与排放（EELD），其中将水力-风能-太阳能与热装置结合，以最小化化石燃料成本并验证所提算法的优越性。Bai 等人[19]提出了基于正交学习的混合 PSO，应用于风电系统 OPF 的 IEEE 30 总线，以在勘探与开发速率之间做出折中。Sallam 等人[20]在基于风能和太阳能的IEEE 30和118总线系统（带有OPF）输电线路上应用了差分演化算法，实现经济运行并减少电力系统的排放。Naderi 等人[21]将洗牌青蛙跳跃算法（SELA）应用于 OPF 问题。在这里，使用了FACTS器件以获得成本、排放、输电损耗和电压偏差的最佳结果。为了利用混合模糊技术寻找成本降低的最佳解，Naderi 研究了与 FACTS 器件结合的最优有源功率调度问题。[22] 对于最优解。还提出了一种自适应技术来解决IEEE 30,57,118总线上的OPF问题。
Dubey 等人[23]在基于风的HTS问题中实施了蚂蚁狮优化（ALO）技术，其中考虑复合排名指数（CRI）作为分析帕累托最优解的决策。Paul等人[24]测试了更新版的WOA针对HTS问题，其中风能和太阳能源被纳入经济发电和减排。同时也测试了所提技术在处理系统非线性问题上的优越性。Patwal和Nitin[25]设计了一种结合泵储和风能的水热电力调度模型，以实现最佳发电。改进型交叉PSO（MCPSO）用于评估非线性问题的发放能力。Maka和Chaudhary[26]提出了一种基于太阳能与电池集成的方案，用于性能分析和控制器，以监督能源系统。Jacques 等人[27]利用微电网中的不同可再生能源和储能设备，并用模糊逻辑控制测试，以在电力系统网络扰动期间提升发电质量。因此，当前正逐渐流行解概率方法（POPF）。
POPF技术考虑了RES的不确定性和严重事件情景。[28]中的POPF问题，正在考虑RES的PDF文件，其目标是降低系统预期的发电成本。POPF相较于标准OPF的主要优势在于采用概率方法来表达RES的不确定性，而后者依赖于基本的确定性方式[29]。此外，POPF还能更准确地评估违反运营限制的可能性。许多基于现代控制理论的技术已被应用于POPF问题[30]。这些包括启发式方法[31]和累积量法[32]。这为POPF调查的累积量法（CM）提供了两个扩展，提升了其在POPF场景中管理限制的能力。本文[33]通过使用输出变量的累积分布函数（CDF）来解决POPF问题。本研究的统计表述利用高级蒙特卡洛模拟的结果，以达到平均值、标准差和CDF的最佳准确度。
Paul 等人[34]提出了基于混沌反向驾驶训练的优化方法，用于分析基于CHPED的IEEE 57总线问题上的OPF，结合风-太阳能-电动化，作为单一且多目标函数来降低成本、排放和输电损耗。Fawzy等人[35]实施了一种通过选择储能设备最佳位置来减少风能溢出的方法。Amani 和 Kargarian [36] 提出了一种 Harrow–Hassidim–Lloyd 方法，用于分析不同母线上的直流最优功率流。Ahmadipour 等人[37]采用了基于算术优化算法（AOA）和 aquila 优化器（AO）求解器的 AO-AOA 混合方法，解决最优功率流（OPF）问题，以独立优化 L 指标、电压偏差、排放、燃料成本和功率损失。Bakir 等人[38]提出了在多端子直流（MTDC）系统、柔性交流输电系统（FACTS）设备和可再生能源（RESs）存在下，多目标交流-直流最优功率流（MO/AC-DC OPF）问题。Ghorai等人[39]基于对立学习实施了人工兔子优化，以分配DG的合适位置。主要目标是减少电压偏差、降低成本，并改善IEEE 33和118总线中的总谐波失真。Gao等人[40]提出两个贝叶斯深度神经网络分别解决POPF的每个阶段，以实现高精度和有效训练，以应对功率系统不确定性和频繁拓扑变化的挑战。Hasanien等人[41]提出了一种将增强海象优化（EWO）算法应用于IEEE 30和118总线系统概率最优功率流（POPF）问题的新方法。Ferahtia等人[42]在直流微电网中应用了侧翼群优化，以延长电池寿命，从而提升电力系统运行性能。Monfaredi 等人[43]设计了 IEEE 33 总线集成能源系统中最优运行的能源管理政策。Paul等人[44]采用CDTBO方法求解基于CHP的OPF，考虑风能以求解IEEE 30总线上的最优解，适用于不同的单目标和多目标函数。在这里，Hashish 等人[45]提出了人工大猩猩部队优化（GTO），用于解决光伏（PV）和风能（WE）源的混合电力系统，解决概率最优功率流（POPF）问题。该技术的潜力已通过应用于IEEE 30和118总线系统进行了测试。Nagrajan 等人[46]专注于增强型袋熊优化算法（EWOA），用于求解最优功率流（OPF），并考虑了可再生能源系统（太阳能光伏系统）、风能（WE）和电动汽车（EV）。该优化技术的潜力已通过应用于IEEE 30总线、IEEE 57总线和IEEE 118总线系统得到验证。Abed [47] 提出了 Fire Hawk 优化器（FHO）算法，以有效解决配电网络中的 RES 的 OPF 问题。该建议优化器通过在标准IEEE 69总线系统上应用进行测试
管理不确定性的有用方法是概率最优功率流（POPF）[48]。它旨在确定最佳发电方案，考虑RES发电的概率性和负荷需求，以在满足限制的同时最小化预测发电成本。[49]，由于这一本质区别，POPF优于OPF，从而更准确地描绘电力系统运行。POPF通过考虑RES的变异性，能够识别理想工作点，从而提升整体电力系统的效率。
文献中指出了多种在不同幂系统领域中用于求解单目标函数和多目标函数的优化算法的优缺点。根据观察，目前大多数优化技术收敛率低、准确性低且在高维问题上难以应对。在当前的研究中，基于quoasi的对立学习（QOBL）与传统的正弦余弦优化（QOSCA）策略进行了整合，以克服上述限制。
以下几点可以被视为当前工作的重要动机因素。如今，减少化石燃料排放和优化化石燃料的使用已成为关键要求。随着电力需求持续增长，能源公用事业公司发现在合理且经济地平衡供需方面变得更加困难。尽管RES具有非线性特性，但必须同时调度传统热能单元和RES的运行。
本研究在当前背景下成功引入了一种新策略。准对立正弦余弦算法（QOSCA）已被与风能、太阳能和电动汽车等可再生能源联系在一起。该基于OPF的QOSCA系统用于减少火力发电厂的燃料消耗。此前尚未在正在进行的研究中尝试过这种整合。许多多目标函数，如发射成本和电压稳定性成本，以及其他单目标函数，如成本最小化、发射最小化和电压稳定性。从文献空白中观察到现有算法存在一些优缺点，详见表1。
以下研究文章部分将根据以下讨论进行整理：本研究中使用的议题制定过程详见第3节。第三部分涵盖了不确定性的建模，随后是风能和太阳能的广泛概述。“准对立正弦余弦算法（QOSCA）”在第4节中进行了演示。许多测试系统使用建议算法进行的模拟结果见第5节。第6节生成关于推荐工作的结论性意见。

• （a）
  大多数现有系统在静态负载下检查时并未考虑动态载荷。
• （b）
  局部最优问题困扰着大多数当前优化方法。
• （c）
  目前大多数优化策略都存在计算复杂性。
• （d）
  目前大多数优化算法尚未在大规模网格上实现。
• （e）
  为了调度更多且更具非线性的可再生能源，大多数当前优化算法尚未在复杂系统上得到验证。
• （女）
  方差分析（方差分析）和箱型图在大多数优化中并未用于确定数据的平均值。
• （g）
  统计分析并未用于讨论大多数当前算法的鲁棒性。
• （h）
  在应用于多目标函数之前，大多数优化技术都集中在单一目标函数上。
• （一）
  大多数现有主要系统不测试误差条分析，这有助于计算标准差和标准误，以验证最大和最小范围的价值。

本文阐述了以下研究动机因素

• （a）
  化石燃料在当前形势下通过即兴发挥。
• （b）
  对环境的关注促使人们采用了旨在减少化石燃料污染的货币激励措施。
• （c）
  由于电力需求的增长，能源公用事业公司越来越难以高效且低成本地平衡供需。
• （d）
  将热电发电机组与可再生能源结合使用至关重要。
• （e）
  非线性存在于可再生能源中，如风速不确定性、太阳辐射不确定性和BES不确定性。
• （女）
  正如上述文献研究所示，研究中仍存在一定的空白。大多数优化方法由于局部最优问题、收敛速度较慢和计算时间增加，结果令人失望。

• 1.
  在IEEE 57和IEEE 118总线上实现的概率最优电力流的工作，考虑风能、太阳能和电池能源（BES）。
• 2.
  准对立式学习（QOBL）已被纳入SCA（QOSCA），以增强探索和利用能力，以获得最优解。
• 3.
  在拟议的研究工作中，动态负载已被考虑用于可再生能源（风能-太阳能-生物系统）和无可再生能源基础的IEEE 57和IEEE 118总线系统，这些系统负载可连续24小时变化。
• 4.
  该实验旨在以多种组合（称为多样化情况）同时降低发电成本、排放并改善稳定指数的电压曲线，适用于单目标和多目标函数。
• 5.
  除了单向方差分析、箱形图、误差条图外，还对30项相同试验的计算结果评估了多种统计参数，这清楚地展示了QOSCA在解决基于不同目标组合的多案例的OPF问题方面的稳健性和有效性。