基于BFAN加速的分布式多目标海星算法在新型电力系统经济调度中的应用OA

针对高比例可再生能源接入导致新型电力系统经济调度优化难度剧增,以及传统启发式算法普遍存在计算效率低、易陷入局部最优等瓶颈问题,提出了一种基于分叉融合注意力网络(BFAN)加速的分布式多目标海星优化算法(BFAN-DMOSFOA),旨在保障系统稳定运行的同时实现经济性与环保性的协同优化。首先,构建了包含发电成本、二氧化碳排放及二氧化硫排放最小化的多目标优化模型,并采用分布式框架将系统划分为多个自治区域,以解决集中式方法存在的单点故障与隐私泄露风险;其次,设计了BFAN,该网络融合了门控循环单元(GRU)的时序特征提取能力与自注意力机制的全局关联捕捉能力,用于精准预测种群演化趋势;最后,将BFAN嵌入分布式多目标海星优化算法(DMOSFOA)的迭代过程中,形成“运行决策-模拟评估”两阶段混合优化机制,利用训练好的BFAN在特定迭代区间内直接预测并生成高质量解,替代部分随机搜索过程,从而大幅加速算法收敛。在IEEE 118节点和1436节点两个电力系统上的仿真试验结果表明,所提BFAN-DMOSFOA算法在解集质量与计算效率上均显著优于离散多目标灰狼优化算法(DMOGWO)、离散多目标黏菌优化算法(DMOSMA)、离散多目标鲸鱼优化算法(DMOWOA)、基于深度神经网络加速的DMOSFOA(DNN-DMOSFOA)及未加速的DMOSFOA等对比算法。在解集质量方面,BFAN-DMOSFOA算法在两个试验中贡献的全局第一前沿非支配解占比分别高达52.58%和78.28%,占据绝对主导地位;其帕累托解集到理想点的平均欧氏距离在两个试验中分别为0.3227和0.6528,均为所有算法中最优,证明了其卓越的收敛精度。在计算效率方面,BFAN-DMOSFOA算法相较各对比算法均展现出显著的运行速度优势,在规模更大的1436节点系统中同样保持了强大的可扩展性。BFAN-DMOSFOA算法不仅通过分布式框架保障了数据隐私与系统鲁棒性,更通过BFAN网络实现了对优化过程的智能加速,在显著提升求解速度的同时,保证了帕累托最优解集的高质量与均匀分布。研究证实,该方法能够高效适配大规模、多约束的复杂调度场景,为新型电力系统的实时、经济、环保调度提供了强有力的技术支撑和可行的解决方案。