Evolutionary Learning Based Optimization for Solving Non-convex Optimal Power Flow Problems: A Modern Teaching–Learning-Based Optimization Algorithm

电网是一个庞大而脆弱的机器，必须在灯开关被拨动的瞬间平衡供应与需求。保持这一系统安全且廉价运行需要解决一个被称为最优潮流（optimal power flow）的复杂谜题。工程师们必须决定每座发电厂应产生多少电力、线路应维持多高的电压，以及如何调节变压器，同时还要确保系统不会因自身的重量而崩溃。挑战在于，发电成本很少是一条直线；它是一个由燃料燃烧的物理现实和设备的机械限制所造成的、充满凸起和谷底的崎岖、不平整的景观。传统的数学工具往往难以驾驭这种粗糙的地形，容易陷入局部低谷，从而错过系统运行效率最高的真正最低点。

为了驾驭这种困难的景观，研究人员转向了受自然和人类行为启发的算法。其中一种方法被称为教学学习优化算法（teaching-learning-based optimization），它模拟了一个教室场景：老师通过分享知识来提高学生的平均分，而学生之间也会互相学习。虽然这种方法很强大，但有时会过快地满足于一个较好的解，从而错过了隐藏在更深搜索空间中的最优解。在最近的一项研究中，来自约旦、伊拉克和伊朗的研究团队提出了一种更稳健的新算法，称为进化学习优化算法（evolutionary learning based optimization）。他们采用了教室模型，并加入了一层进化策略——这是一种引入随机且经过计算的突变的技术，用以保持搜索的活力并防止系统陷入停滞。通过将教室的有组织学习与进化的适应性随机性相结合，他们创造了一个旨在为电网寻找绝对最佳设置的工具，即使面对扭曲且非平滑的问题也能应对自如。

研究人员在被称为 CEC2014 基准测试的一系列标准数学挑战上测试了他们的新算法，这些挑战旨在设计得具有难度和欺骗性。在这些模拟中，新方法始终优于原始的基于教学的学习算法和其他流行的优化技术。它能更快、更好且更稳定地找到解决方案，证明了增加进化步骤有助于系统跳出局部陷阱并更彻底地探索整个搜索空间。随后，该团队将这一工具应用于真实的电网模型，特别是代表小型和中型电力系统的 IEEE 30 节点和 57 节点测试网络。他们要求算法同时解决几个关键问题：降低燃料成本、减少有害排放、最小化传输过程中的热损耗，以及保持电压水平稳定。

在针对 30 节点网络进行的每一次测试场景中，新算法都提供了卓越的结果。当任务是最小化燃料成本时，它实现的成本为每小时 800.4791 美元，这一数字低于原始教学学习法和其他既有算法所能达到的水平。当问题变得更加复杂，涉及多种燃料类型或需要在成本与排放及功率损耗之间进行平衡时，这种新方法依然能找到最高效的设置。例如，在一次旨在同时降低燃料成本和功率损耗的测试中，该算法找到了一个既能节省资金又能保持系统稳定的解决方案。研究人员还在包含七台发电机组且变量显著增多的更大规模 57 节点网络上测试了该算法。虽然论文指出，针对这个较大网络的优化解已被获得并与之前的文章进行了对比，但所提供的文本中并未包含 57 节点燃料成本的具体数值结果。

研究还观察了该算法随时间的变化行为。在模拟中，这种新方法表现出误差的稳定且快速下降，这意味着它能快速找到较好的解，并将其精炼至接近完美的程度。不同于某些可能会剧烈波动或在达到最佳答案前就停滞不前的其他方法，该算法保持了一条通往最优解的稳定路径。研究人员通过对每个问题进行三十次模拟运行来验证这些发现，以确保结果并非偶然。数据表明，这种新方法不仅更精确，而且更可靠，能够一致地找到电网变量的最佳设置。

通过将教室的社会学习与突变的进化力量相结合，研究人员创造了一个比许多现有方法更能处理电力系统复杂、非线性现实的工具。这项工作表明，通过仔细平衡探索新可能性与精炼已知优选方案之间的关系，工程师可以找到更廉价、更清洁地运行电网的方法。研究结果表明，这种混合方法可以成为未来电力系统规划的宝贵资产，提供了一种在成本、效率和环境影响之间的复杂权衡中航行，而不至于迷失在问题的数学粗糙地形中的方法。