CN102708248A - 一种基于多目标遗传算法的调度函数优化方法 - Google Patents

Abstract

本发明涉及一种基于多目标遗传算法的调度函数优化方法，所述方法的步骤如下：设定调度函数形式；决策变量设定；多目标粒子群算法MOPSO计算调度规则：多目标粒子群算法MOPSO计算过程包括：初始化；创建外部Archive，以popVar中非支配粒子位置信息在Archive中创建副本；迭代。本发明采用的粒子群算法，代替线性回归。所述算法具有流程简单易实现、算法参数少、收敛速度快等优点而被广泛采用。将其应用于水库调度函数的生成上，利用所建立的调度函数，优化出最优参数，得到水库最优调度函数。

Description

一种基于多目标遗传算法的调度函数优化方法

技术领域

本发明涉及一种基于多目标遗传算法的调度函数优化方法，是一种梯级水库群优化调度方法，是一种考虑多目标优化的梯级水库群调度函数优化模型构建及求解方法。

背景技术

目前，国内外研究的梯级水库群优化调度多是以单目标建立优化模型，这样可降低梯级优化调度的难度，但同时也忽视了水电站可开发的综合效益，导致研究结果极端、单一。水库优化调度中，仅考虑提高水电站的发电效益，就包含发电量最大、耗水量最小、蓄能最大等研究目标，而这些目标往往又是相悖的，追求其中一个目标最大，会造成另一目标的减小，整体利益无法得到最优级体现。

水电站水库优化调度的目的是制定优化调度规则, 指导水电站运行, 从而获得较好的效益。在来水确定的情况下, 可以利用确定性优化方法得出水库运行结果, 然后利用回归分析制定水库调度函数。由于这种方法将统一的优化问题分解为两个独立的过程分别寻优, 往往导致计算结果背离原问题的真实最优解; 同时, 由于在回归过程中难以考虑保证出力等约束, 所以该方法制定的调度函数在指导水电站水库运行时, 会出现水库正常运行破坏较多的不利状况。

发明内容

为了克服现有技术的问题，本发明提出了一种基于多目标遗传算法的调度函数优化方法。所述方法使用多目标粒子群算法 MOPSO，代替线性回归，有效的保证了水库的正常运行。

本发明的目的是这样实现的：一种基于多目标遗传算法的调度函数优化方法，所述方法的步骤如下：

设定调度函数形式：用于假设调度函数是线性的，假设影响水电站水库时段决策的主要因素为该水库在时段初的水库存水状态                                                

(水位或库容)和该时段的入库径流

，决策变量

(通常可取为时段末水位、库容、时段下泄流量或时段发电出力)是时段初水库存水和入库径流的函数，即

；

决策变量设定：用于将每个调度时段调度函数的参数作为优化的决策变量；

多目标粒子群算法 MOPSO计算调度规则：多目标粒子群算法 MOPSO计算过程包括以下子步骤：

初始化：

①随机生成粒子群popVar,种群规模为M；

②粒子初速度V（M）;

③计算每个粒子对应多目标的适应值；

④初始化粒子历史最优位置pBest=popVar;

⑤初始化粒子全局谁有位置gBest;

创建外部Archive，以popVar中非支配粒子位置信息在Archive中创建副本；

迭代：初始化Iter=0;

①计算拥挤距离，当Archive中非支配解个数超过1时，计算拥挤距离并降序排列；

②更新速度，V（M）=0.4* V（M）+R1*(pBest（M）-popVar（M）+R2*(gBest（A）-P（M）);

③更新粒子位置，P（M）= P（M）+ V（M）；

④限制粒子位置范围，将更新后超出位置范围的粒子保持在边界上并改变速度方向；

⑤突变变异，变异概率为Mu，当进化代数Iter＜IterM*Mu时进行变异操作；

⑥评价，计算变异后生成每个粒子对应多目标的适应值；

⑦更新Archive解集；

⑧检测迭代次数，如果Iter＜IterM则回到“计算拥挤距离”，如果Iter≥IterM则结束计算。

本发明产生的有益效果是：本发明采用的粒子群算法，代替线性回归。所述的粒子群算法( Particle Swarm Optimization, PSO) 是一种基于集群智能理论的随机全局优化进化算法。该算法具有流程简单易实现、算法参数少、收敛速度快等优点而被广泛采用;但PSO 也有自身的缺陷, 第一就是局部收敛即早熟问题, 第二是后期收敛速度慢的问题。将其应用于水库调度函数的生成上,利用所建立的调度函数,优化出最优参数, 得到水库最优调度函数。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的实施例一所述MOPSO算法计算流程图。

具体实施方式

实施例一：

本实施例是一种基于多目标遗传算法的调度函数优化方法。其基本原理如下：

1）调度函数形式

水库群中，任一水库某时段的决策不但取决于水库该时段天然来水和水库初状态，还取决于水库群中其它各库在该时段的天然来水和水库初状态，且是非线性的函数关系。深入研究发现，决策(出力、时段末水位和发电流量)受高阶非线性影响并不明显，在工程允许计算误差范围内，可以视为线性关系。从计算角度看，从一组数据中辨识出决策函数，如果待辨识的参数过多，而数据有限，有可能得不到一个唯一的函数；如果阶数过高，还可能出现过拟合现象。因此，一般假设调度函数是线性的，假设影响水电站水库时段决策的主要因素为该水库在时段初的水库存水状态

(水位或库容)和该时段的入库径流

，决策变量

(通常可取为时段末水位、库容、时段下泄流量或时段发电出力)是时段初水库存水和入库径流的函数。即

2）决策变量设定

针对上述调度函数隐式优化方法求解多目标问题时采取权重控制带来的随意性问题，本文提出一种采用多目标启发式优化方法的调度函数直接优化方法。该方法把每个调度时段调度函数的参数作为优化的决策变量，如一年有36个旬调度时段，每个时段3个决策变量，一年的调度函数就有108个决策变量。

3）多目标粒子群算法 MOPSO

多目标粒子群优化算法（MOPSO）是PSO算法在多目标优化领域应用的一种改进算法。MOPSO算法中gBest和pBest的概念进行了重新定义。对于群体中的每个粒子可能也没有曾经到达的最好位置（即pBest）。MOPSO中引进了外部集、拥挤距离和突变变异使Pareto解集能迅速收敛到最优面且均匀分布。外部集是存储种群中的非支配粒子的规模固定的集合，个体的密度信息是其选择的主要依据。变异可以防止过早收敛提高算法性能。MOPSO算法计算流程图如图1所示。

本实施例所述方法的具体步骤如下：

设定调度函数形式：用于假设调度函数是线性的，假设影响水电站水库时段决策的主要因素为该水库在时段初的水库存水状态

(水位或库容)和该时段的入库径流，决策变量

(通常可取为时段末水位、库容、时段下泄流量或时段发电出力)是时段初水库存水和入库径流的函数，即

；

决策变量设定：用于将每个调度时段调度函数的参数作为优化的决策变量；

多目标粒子群算法 MOPSO计算调度规则：多目标粒子群算法 MOPSO计算过程包括以下子步骤：

初始化：

①随机生成粒子群popVar,种群规模为M；

②粒子初速度V（M）;

③计算每个粒子对应多目标的适应值；

④初始化粒子历史最优位置pBest=popVar;

⑤初始化粒子全局谁有位置gBest;

创建外部Archive，以popVar中非支配粒子位置信息在Archive中创建副本；

迭代：初始化Iter=0;

①计算拥挤距离，当Archive中非支配解个数超过1时，计算拥挤距离并降序排列；

②更新速度，V（M）=0.4* V（M）+R1*(pBest（M）-popVar（M）+R2*(gBest（A）-P（M）);

③更新粒子位置，P（M）= P（M）+ V（M）；

④限制粒子位置范围，将更新后超出位置范围的粒子保持在边界上并改变速度方向；

⑤突变变异，变异概率为Mu，当进化代数Iter＜IterM*Mu时进行变异操作；

⑥评价，计算变异后生成每个粒子对应多目标的适应值；

⑦更新Archive解集；

⑧检测迭代次数，如果Iter＜IterM则回到“计算拥挤距离”，如果Iter≥IterM则结束计算。 

最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案（比如步骤的先后顺序等）进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。 

Claims (1)

1.一种基于多目标遗传算法的调度函数优化方法，其特征在于所述方法的步骤如下：

设定调度函数形式：用于假设调度函数是线性的，假设影响水电站水库时段决策的主要因素为该水库在时段初的水库存水状态                                                (水位或库容)和该时段的入库径流

，决策变量

(通常可取为时段末水位、库容、时段下泄流量或时段发电出力)是时段初水库存水和入库径流的函数，即

；

决策变量设定：用于将每个调度时段调度函数的参数作为优化的决策变量；

多目标粒子群算法 MOPSO计算调度规则：多目标粒子群算法 MOPSO计算过程包括以下子步骤：

初始化：

①随机生成粒子群popVar,种群规模为M；

②粒子初速度V（M）;

③计算每个粒子对应多目标的适应值；

④初始化粒子历史最优位置pBest=popVar;

⑤初始化粒子全局谁有位置gBest;

创建外部Archive，以popVar中非支配粒子位置信息在Archive中创建副本；

迭代：初始化Iter=0;

①计算拥挤距离，当Archive中非支配解个数超过1时，计算拥挤距离并降序排列；

②更新速度，V（M）=0.4* V（M）+R1*(pBest（M）-popVar（M）+R2*(gBest（A）-P（M）);

③更新粒子位置，P（M）= P（M）+ V（M）；

④限制粒子位置范围，将更新后超出位置范围的粒子保持在边界上并改变速度方向；

⑤突变变异，变异概率为Mu，当进化代数Iter＜IterM*Mu时进行变异操作；

⑥评价，计算变异后生成每个粒子对应多目标的适应值；

⑦更新Archive解集；

⑧检测迭代次数，如果Iter＜IterM则回到“计算拥挤距离”，如果Iter≥IterM则结束计算。

Images