CN105976052A - 基于改进量子粒子群算法的多区域经济调度方法 - Google Patents
基于改进量子粒子群算法的多区域经济调度方法 Download PDFInfo
- Publication number
- CN105976052A CN105976052A CN201610281825.4A CN201610281825A CN105976052A CN 105976052 A CN105976052 A CN 105976052A CN 201610281825 A CN201610281825 A CN 201610281825A CN 105976052 A CN105976052 A CN 105976052A
- Authority
- CN
- China
- Prior art keywords
- fitness
- population
- zone
- sigma
- small
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims description 10
- 238000013499 data model Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了基于改进量子粒子群算法的多区域经济调度方法,采用NW小世界网络改进量子粒子群算法可使基本量子粒子群在寻优过程容易陷入局部最优的缺点得到改善。本发明实施例方法包括:S1:建立多区域经济调度问题的目标函数;S2:对所述目标函数采用NW小世界网络改进量子粒子群算法进行优化,具体包括:S2‑1:种群初始化;S2‑2:构建小世界网络,得到邻接矩阵;S2‑3:更新个体,更新种群;S2‑4:根据更新后的种群计算适应度;S2‑5:采用竞争算子对父代粒子的适应度和子代粒子适应度进行比较,适应度较好的保留下来作为下一次迭代的父代;S2‑6:若计算的迭代次数达到预设的最大迭代次数,则计算并输出多区域经济调度计算的结果,否则,跳转至步骤S2‑2。
Description
技术领域
本发明涉及电力系统领域,尤其涉及基于改进量子粒子群算法的多区域经济调度方法。
背景技术
电力系统经济调度是能量管理系统(EMS)的主要内容,在一些具体环境下它在概念范畴上等同于发电计划,发电计划包括机组组合、水火电计划、交换计划、检修计划和燃料计划等;按周期其有:超短期计划,即自动发电控制(AGC),短期发电计划,即日或周的计划;中期发电计划,即月至年的计划与修正;长期计划,即数年至数十年的计划,包括电源发展规划和网络发展规划等。
在电力系统运行中,经济调度是一个重要的优化问题,对于传统电力系统经济调度其目标是在单一区域范围内满足各种限制因素的前提下,使发电总成本最小化。对于实际的电力系统往往不是简单的单一区域而是多区域,各个区域通过联络线互联起来,所以多区域电力系统经济调度的目标是在满足电力需求、发电机的运行特征、联络线传输功率等约束下,寻求系统的发电能力和各区域之间的电力交换,从而使总体发电量成本最小化。
目前量子粒子群(Quantum-behaved Particle Swarm Optimization Algorithm,QPSO)算法被用于解决经济调度问题,但是由于量子粒子群本身具有在寻优过程容易陷入局部最优的缺点。
发明内容
本发明实施例采用NW小世界网络改进量子粒子群算法,从而改善了量子粒子群算法在寻优过程容易陷入局部最优的缺点。
本发明实施例提供的一种基于改进量子粒子群算法的多区域经济调度方法,包括:
S1:建立多区域经济调度问题的目标函数;
S2:对所述目标函数采用NW小世界网络改进量子粒子群算法进行优化,具体包括:
S2-1:种群初始化;
S2-2:构建小世界网络,得到邻接矩阵;
S2-3:根据小世界邻接矩阵进行更新种群,产生子代粒子;
S2-4:根据适应度函数计算更新后的种群的适应度;
S2-5:采用竞争算子比较父代和子代的适应度,适应度好的保留下来作为下一次迭代的父代;
S2-6:若计算的迭代次数达到预设的最大迭代次数,则计算并输出所述多区域经济调度计算的结果,否则,跳转至步骤S2-2。
可选地,所述目标函数具体为:
其中Fij(Pij)是第i个区域的第j台发电机的费用函数,aij、bij、cij、eij,k和fij,k分别是第i各区域的第j台发电机的费用系数,N是区域的数量,Mi是第i个区域的发电机数量,Pij是第i个区域的第j台发电机所发出的实际功率;为第i个区域的第j台发电机所能发出的最小功率;
所述目标函数的约束条件包括:
其中,为第i个区域的第j台发电机所能发出的最大功率;
其中,PDi是区域i的负荷要求,Tir是从区域i通过联络线传输到区域r的功率;
Tir,min≤Tir≤Tir,max,i=1,2,....,N,r=1,2,.....N,i≠r;
其中,Tir,minTir,max分别是从区域i传输功率到区域r的最小和最大功率。
可选地,所述步骤S2-1具体包括:
根据以下公式对所述目标函数进行初始化:
rand(0,1)为一个0~1的随机数。
可选地,所述步骤S2-2具体包括:
根据NW小世界网络拓扑理论按照预设的度量生成小世界的邻接矩阵;
若当前所述计算的迭代次数大于0,则根据步骤S2-3对生成的邻接矩阵进行种群更新和步骤S2-4计算得到的初始适应度进行选择。
可选地,所述步骤2-3具体包括:
若种群为初次更新,采用如下数学模型对邻接矩阵内的粒子进行更新:
A(z,r)=r1*pbest(z,r)+(1-r1)*lgbest(1,r);
其中pbest为初始种群,lgbest为通过小世界网络选择后产生占优解对应的粒子;
若种群并非初次更新,则将当前迭代计算之前产生的新种群继续以概率的形式更新,若概率满足预设值,则采用如下数学模型进行更新:
A(z,:)=A(z,:)+(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
若概率不满足预设值,则采用如下数据模型进行更新:
A(z,:)=A(z,:)-(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
其中,maxgen为最大迭代次数,m为当前迭代次数,u为0~1的随机数,AA(z,:)为小世界网络产生的邻接矩阵的平均值和对应初始种群的差的绝对值。
可选地,所述步骤2-4具体包括:
通过如下式子根据更新后的种群计算适应度:
其中,f为惩罚系数;
采用竞争算子对更新产生的子代粒子的适应度和父代粒子的适应度进行比较,选取产生效果较好的适应度作为当前的适应度。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,S1:建立多区域经济调度问题的目标函数;S2:对所述目标函数采用NW小世界网络改进量子粒子群算法进行优化,具体包括:S2-1:种群初始化;S2-2:构建小世界网络,得到邻接矩阵;S2-3:根据小世界邻接矩阵进行更新种群,产生子代粒子;S2-4:根据适应度函数计算更新后的种群的适应度;S2-5:根据竞争算子对父代适应度和子代适应度进行比较,适应度较好的保留下来作为下一次迭代的父代;S2-6:若计算的迭代次数达到预设的最大迭代次数,则计算并输出所述多区域经济调度计算的结果,否则,跳转至步骤S2-2。本发明实施例中,通过将NW小世界网络模型改进量子粒子群算法,使得改进后的算法不仅保持种群多样性,而且改善了基本量子粒子群算法容易陷入局部最优的缺点,提高了多区域经济调度的效果。
附图说明
图1为本发明实施例中基于改进量子粒子群算法的多区域经济调度方法一个实施例流程图;
图2为本发明实施例中基于改进量子粒子群算法的多区域经济调度方法另一个实施例流程图;
图3为本发明中基于改进量子粒子群算法的多区域经济调度方法的一个应用场景下40机组在各个区域机组数量以及负荷分布图;
图4为本发明中基于改进量子粒子群算法的多区域经济调度方法的一个应用场景下的收敛图。
具体实施方式
本发明提出了一种解决多区域电力系统经济调度问题的方法:小世界量子粒子群算法(NWQPSO)。基本的量子粒子群算(QPSO)是在可行解空间中搜索全局最优解,这种搜索方式可以使算法在收敛效果上得到一定程度的提高,但是这种以概率收敛的进化方式,会使得粒子多样性方面有所欠缺,当算法收敛到一定精度时就无法继续优化,进而陷入局部最优解。把NW小世界网络引入QPSO算法中使得小世界量子粒子群算法可以保持种群的多样性同时改善了传统量子粒子群算法易陷入局部最优的缺点。采用这一方法可以有效的解决多区域电力系统经济调度问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种基于改进量子粒子群算法的多区域经济调度方法一个实施例包括:
11、建立多区域经济调度问题的目标函数;
首先,可以建立多区域经济调度问题的目标函数。
12、对该目标函数采用NW小世界网络改进量子粒子群算法进行优化,具体包括:
在建立多区域经济调度问题的目标函数之后,可以对该目标函数采用NW小世界网络改进量子粒子群算法进行多区域经济调度计算,具体包括:
121、种群初始化;
根据该目标函数得到初始化种群。
122、构建小世界网络,得到邻接矩阵;
在得到初始化种群后,可以构建小世界网络,得到邻接矩阵。
123、根据小世界邻接矩阵进行更新种群,产生子代粒子;
在得到小世界网络的邻接矩阵之后,可以根据小世界邻接矩阵进行更新种群,产生子代粒子。
124、根据适应度函数计算更新后的种群的适应度;
更新种群后,可以根据适应度函数计算更新后的种群的适应度。
125、采用竞争算子比较父代和子代的适应度,适应度好的保留下来作为下一次迭代的父代;
在根据适应度函数计算更新后的种群的适应度之后,可以采用竞争算子比较父代和子代的适应度,适应度好的保留下来作为下一次迭代的父代。
126、若计算的迭代次数达到预设的最大迭代次数,则计算并输出该多区域经济调度计算的结果,否则,跳转至步骤122。
在采用竞争算子比较父代和子代的适应度之后,需要判断计算的迭代次数是否达到预设的最大迭代次数,若是,则计算并输出该多区域经济调度计算的结果,否则,跳转至步骤122。
本实施例中,S1:建立多区域经济调度问题的目标函数;S2:对该目标函数采用NW小世界网络改进量子粒子群算法进行优化,具体包括:S2-1:种群初始化;S2-2:构建小世界网络,得到邻接矩阵;S2-3:根据小世界邻接矩阵进行更新种群,产生子代粒子;S2-4:根据适应度函数计算更新后的种群的适应度;S2-5:采用竞争算子比较父代和子代的适应度,适应度好的保留下来作为下一次迭代的父代;S2-6:若计算的迭代次数达到预设的最大迭代次数,则计算并输出该多区域经济调度计算的结果,否则,跳转至步骤S2-2。本实施例中,通过将小世界网络模型引入到量子粒子群算法中,使得基本量子粒子群容易陷入局部最优的缺点得到改善,同时保持种群多样性,,提高了多区域经济调度的效果。
为便于理解,下面对本发明实施例中的一种基于改进量子粒子群算法的多区域经济调度方法进行详细描述,请参阅图2,本发明实施例中一种基于改进量子粒子群算法的多区域经济调度方法另一个实施例包括:
201、建立多区域经济调度问题的目标函数;
在建立目标函数时,需要考虑机组阀点效应的电力系统多区域经济调度问题,同时考虑区域之间联络线传输功率的限制,该目标函数具体为:
其中Fij(Pij)是第i个区域的第j台发电机的费用函数,aij、bij、cij、eij,k和fij,k分别是第i各区域的第j台发电机的费用系数,N是区域的数量,Mi是第i个区域的发电机数量,Pij是第i个区域的第j台发电机所发出的实际功率;为第i个区域的第j台发电机所能发出的最小功率;
设定约束条件如下:
发电机处理约束:
其中,为第i个区域的第j台发电机所能发出的最大功率;
各区域功率平衡约束:
其中,PDi是区域i的负荷要求,Tir是从区域i通过联络线传输到区域r的功率;
联络线功率传输约束:
Tir,min≤Tir≤Tir,max,i=1,2,....,N,r=1,2,.....N,i≠r;
其中,Tir,minTir,max分别是从区域i传输功率到区域r的最小和最大功率。可以知道,如果功率是从区域i传输到区域r,则Tir是正数,反之则Tir为负数。
202、种群初始化;
可以根据发电机组和联络线功率传输上下限进行初始化,得到初始种群。例如,根据以下公式对所述目标函数进行初始化:
rand(0,1)为一个0~1的随机数。
需要说明的是,在进行种群初始化时,需要选取种群大小,然后根据各个机组出力(功率)上下限来随机生成机组的出力,从而组成一定数量的初始种群。
203、根据NW小世界网络拓扑理论按照预设的度量生成小世界的邻接矩阵;
在初始化种群之后,可以根据小世界网络拓扑理论按照预设的度量生成小世界的邻接矩阵。具体为:
设X为初始种群,DS(z)为初始种群产生的初始解,Juzhen为构造的小世界网络,C为矩阵lbest每一列求和,B为矩阵lbest的行数,G为最小fitlbest对应的lbest。具体执行流程表示如下:
INPUT:DSdc,M,i;
LET fitpbest=DSdc;
LET Aa=X;
其中,根据小世界网络产生的小世界网络矩阵流程如下:
LET J=Juzhen;
FOR z=1 to M
FOR j=1 to M;
IF J(z,j)==1
其中,根据小世界网络产生的邻接矩阵流程如下:
lbest=Aa(j,:);
fitlbest=fitpbest(1,j)
END IF
END FOR
mlbest=C/B
lgbest=G。
204、若当前该计算的迭代次数大于0,则根据步骤205对生成的邻接矩阵进行种群更新和步骤206计算得到的初始适应度进行选择;
若当前该计算的迭代次数大于0,则根据步骤205对生成的邻接矩阵进行种群更新和步骤206计算得到的初始适应度进行选择。
205、根据小世界邻接矩阵进行更新种群,产生子代粒子;
若种群为初次更新,则采用如下数据模型进行更新:
A(z,r)=r1*pbest(z,r)+(1-r1)*lgbest(1,r);
其中pbest为初始种群,lgbest为通过小世界网络选择后产生占优解对应的粒子;
若种群并非初次更新,则将当前迭代计算之前产生的新种群继续以概率的形式更新,若概率满足预设值,则采用如下数据模型进行更新:
A(z,:)=A(z,:)+(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
若概率不满足预设值,则采用如下数据模型进行更新:
A(z,:)=A(z,:)-(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
其中,maxgen为最大迭代次数,m为当前迭代次数,u为0~1的随机数,AA(z,:)为小世界网络产生的邻接矩阵的平均值和对应初始种群的差的绝对值。
需要说明的是,更新种群的具体步骤还可以表示为:
设lgbest为产生最优值的机组出力,mlbest为根据小世界网络产生的邻接矩阵的平均值,D为所有区域机组和区域数量之和,m是当前迭代代数,AA(z,:)为平均值mlbest与Aa(z,:)的差的绝对值,则其执行流程如下:
INPUT:lgbest,mlbest,D;
LET pbest(z,r)=Aa;
FOR r=1to D;
产生随机数r1∈(0,1);
A(z,r)=r1*pbest(z,r)+(1-r1)*lgbest(1,r);
更新全部种群
END FOR;
IF rand>0.5
产生随机数u∈(0,1);
以概率的形式更新种群
A(z,:)=A(z,:)+(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
ELSE;
A(z,:)=A(z,:)-(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
END IF;
206、根据适应度函数计算更新后的种群的适应度;
通过如下式子根据更新后的种群计算适应度:
其中,f为惩罚系数;
利用竞争算子对父代粒子的适应度和子代粒子的适应度进行比较,选取产生效果较好的适应度作为当前的适应度。例如,如果新产生的子代的适应度的效果优于父代适应度,则交换两个适应度,反之则不替换,效果较好的得以保存下来进行下一次的比较。当迭代次数达到预设的最大迭代次数时,则最后的当前适应度为可以产生最佳效果的适应度。
207、采用竞争算子比较父代和子代的适应度,适应度好的保留下来作为下一次迭代的父代;
如上所述,在根据适应度函数计算更新后的种群的适应度之后,可以采用竞争算子比较父代和子代的适应度,适应度好的保留下来作为下一次迭代的父代。
208、判断计算的迭代次数是否达到预设的最大迭代次数,若是,则执行步骤209,否则,跳转至步骤203;
每次在采用竞争算子比较父代和子代的适应度,确定下一次迭代的父代之后,可以判断计算的迭代次数是否达到预设的最大迭代次数,若是,则执行步骤209,否则,跳转至步骤203。
209、计算并输出该多区域经济调度计算的结果。
若计算的迭代次数达到预设的最大迭代次数,则计算并输出该多区域经济调度计算的结果。
与现有技术相比,本发明实施例中一种基于改进量子粒子群算法的多区域经济调度方法具有如下显著的效果:
1、步骤简单,控制参数少,求解容易;
2、将小世界网络模型引入到量子粒子群算法的优化算法,小世界量子粒子群算法通过将小世界以随机加边方式动态改变种群个体的邻域拓扑结构的理念引入到量子粒子群算法,使得小世界量子粒子群算法在优化过程中提高种群的多样性,同时改善了量子粒子群算法容易陷入局部最优的缺点。
为验证本发明所提出的小世界量子粒子群算法NWQPSO(小世界量子粒子群)的有效性和优越性,下面通过参数和曲线的方式进行说明:
预先设定如下:机组数量40,按照如图3方式进行分区,种群大小M=200,最大迭代次数为maxgen=500,四个区域的惩罚系数分别为0.65、0.75、0.75和0.8,40机组系统的机组参数如表1。
在本案例,采用NWQPSO算法的调度结果如表2所示,收敛曲线如图4所示,为了证明NWQPSO算法的优越性,我们将NWQPSO算法的优化结果和其他智能优化算法进行了比较如表3所示。
表1 40机组系统参数表
表2 采用NWQPSO40机组调度结果
表3 NWQPSO算法的优化结果和其他算法对比
表4 各个区域功率平衡度
由上面表1、表2、表3和图3、图4可以看出,采用NWQPSO算法40机组4区域系统进行仿真,通过仿真得到的的机组调度结果和优化结果如表2和表3所示。从表3我们可以看出NWQPSO算法的优化结果为122422.8336$/h,显然优于表中的其他算法的优化结果。另外一方面,NWQPSO调度结果的总功率不平衡度以及各个区域功率不平衡度如表4所示,可以看出NWQPSO在功率平衡方面的表现同样让人满意。因此,可以说NWQPSO算法在解决多区域电力系统经济调度问题表现更好。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于改进量子粒子群算法的多区域经济调度方法,其特征在于,包括:
S1:建立多区域经济调度问题的目标函数;
S2:对所述目标函数采用NW小世界网络改进量子粒子群算法进行优化,具体包括:
S2-1:种群初始化;
S2-2:构建小世界网络,得到邻接矩阵;
S2-3:根据小世界邻接矩阵进行更新种群,产生子代粒子;
S2-4:根据适应度函数计算更新后的种群的适应度;
S2-5:采用竞争算子比较父代和子代的适应度,适应度好的保留下来作为下一次迭代的父代;
S2-6:若计算的迭代次数达到预设的最大迭代次数,则计算并输出所述多区域经济调度计算的结果,否则,跳转至步骤S2-2。
2.根据权利要求1所述的多区域经济调度方法,其特征在于,所述目标函数具体为:
其中Fij(Pij)是第i个区域的第j台发电机的费用函数,aij、bij、cij、eij,k和fij,k分别是第i各区域的第j台发电机的费用系数,N是区域的数量,Mi是第i个区域的发电机数量,Pij是第i个区域的第j台发电机所发出的实际功率;为第i个区域的第j台发电机所能发出的最小功率;
所述目标函数的约束条件包括:
其中,为第i个区域的第j台发电机所能发出的最大功率;
其中,PDi是区域i的负荷要求,Tir是从区域i通过联络线传输到区域r的功率;
Tir,min≤Tir≤Tir,max,i=1,2,....,N,r=1,2,.....N,i≠r;
其中,Tir,minTir,max分别是从区域i传输功率到区域r的最小和最大功率。
3.根据权利要求2所述的多区域经济调度方法,其特征在于,所述步骤S2-1具体包括:
根据以下公式对所述目标函数进行初始化:
rand(0,1)为一个0~1的随机数。
4.根据权利要求2所述的多区域经济调度方法,其特征在于,所述步骤S2-2具体包括:
根据NW小世界网络拓扑理论按照预设的度量生成小世界的邻接矩阵;
若当前所述计算的迭代次数大于0,则根据步骤S2-3对生成的邻接矩阵进行种群更新和步骤S2-4计算得到的初始适应度进行选择。
5.根据权利要求4所述的多区域经济调度方法,其特征在于,所述步骤2-3具体包括:
若种群为初次更新,采用如下数学模型对邻接矩阵内的粒子进行更新:
A(z,r)=r1*pbest(z,r)+(1-r1)*lgbest(1,r);
其中pbest为初始种群,lgbest为通过小世界网络选择后产生占优解对应的粒子;
若种群并非初次更新,则将当前迭代计算之前产生的新种群继续以概率的形式更新,若概率满足预设值,则采用如下数学模型进行更新:
A(z,:)=A(z,:)+(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
若概率不满足预设值,则采用如下数据模型进行更新:
A(z,:)=A(z,:)-(0.5+0.5*((maxgen-m)/maxgen))*AA(z,:)*log(1/u);
其中,maxgen为最大迭代次数,m为当前迭代次数,u为0~1的随机数,AA(z,:)为小世界网络产生的邻接矩阵的平均值和对应初始种群的差的绝对值。
6.根据权利要求5所述的多区域经济调度方法,其特征在于,所述步骤2-4具体包括:
通过如下式子根据更新后的种群计算适应度:
其中,f为惩罚系数;
采用竞争算子对更新产生的子代粒子的适应度和父代粒子的适应度进行比较,选取产生效果较好的适应度作为当前的适应度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610281825.4A CN105976052A (zh) | 2016-04-28 | 2016-04-28 | 基于改进量子粒子群算法的多区域经济调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610281825.4A CN105976052A (zh) | 2016-04-28 | 2016-04-28 | 基于改进量子粒子群算法的多区域经济调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105976052A true CN105976052A (zh) | 2016-09-28 |
Family
ID=56994201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610281825.4A Pending CN105976052A (zh) | 2016-04-28 | 2016-04-28 | 基于改进量子粒子群算法的多区域经济调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976052A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025501A (zh) * | 2017-04-12 | 2017-08-08 | 广东工业大学 | 一种基于基因编辑差分算法的多燃料经济调度优化方法 |
CN107145958A (zh) * | 2017-03-20 | 2017-09-08 | 广东工业大学 | 一种基于改进粒子群算法的市政排水管网智能化排水调度方法 |
CN112436514A (zh) * | 2020-12-15 | 2021-03-02 | 广东电网有限责任公司佛山供电局 | 一种考虑光伏不确定性的多微网互联优化方法 |
-
2016
- 2016-04-28 CN CN201610281825.4A patent/CN105976052A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145958A (zh) * | 2017-03-20 | 2017-09-08 | 广东工业大学 | 一种基于改进粒子群算法的市政排水管网智能化排水调度方法 |
CN107025501A (zh) * | 2017-04-12 | 2017-08-08 | 广东工业大学 | 一种基于基因编辑差分算法的多燃料经济调度优化方法 |
CN112436514A (zh) * | 2020-12-15 | 2021-03-02 | 广东电网有限责任公司佛山供电局 | 一种考虑光伏不确定性的多微网互联优化方法 |
CN112436514B (zh) * | 2020-12-15 | 2023-05-02 | 广东电网有限责任公司佛山供电局 | 一种考虑光伏不确定性的多微网互联优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lam et al. | Distributed algorithms for optimal power flow problem | |
CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
CN106355292B (zh) | 基于量子粒子群算法的梯级水库优化调度方法及系统 | |
Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
Chen et al. | An improved NSGA-III algorithm for reservoir flood control operation | |
CN109948847B (zh) | 一种基于多目标进化算法的水库群调度方法 | |
CN101777990A (zh) | 多目标免疫优化组播路由路径选择方法 | |
CN106339817A (zh) | 一种多区域动态经济调度方法及系统 | |
CN107316113A (zh) | 一种输电网规划方法及系统 | |
CN105391056B (zh) | 一种考虑不平衡通信网络的电力系统分布式经济调度方法 | |
Adhvaryyu et al. | Application of bio-inspired krill herd algorithm to combined heat and power economic dispatch | |
Kim et al. | Optimal power flow and energy-sharing among multi-agent smart buildings in the smart grid | |
CN105976052A (zh) | 基于改进量子粒子群算法的多区域经济调度方法 | |
CN106067074B (zh) | 一种通过优化链路的开关状态来提升电网系统鲁棒性的方法 | |
CN107808200B (zh) | 配电网短时检修计划优化方法和装置 | |
CN114389277B (zh) | 基于蜉蝣算法的配电网无功优化方法 | |
Sharma et al. | Particle swarm optimization approach for economic load dispatch: a review | |
Wei et al. | Transmission network planning with N-1 security criterion based on improved multi-objective genetic algorithm | |
CN110752594B (zh) | 基于改进凝聚层次聚类法的配电网路径优化方法 | |
CN107180286B (zh) | 基于改进型花粉算法的制造服务供应链优化方法及系统 | |
CN113408779A (zh) | 新能源汇集网络的多目标规划方法、装置和计算机设备 | |
CN106251043A (zh) | 多区域经济环境调度优化方法和装置 | |
CN116937584A (zh) | 基于改进灰狼算法的微电网群多目标优化求解方法和装置 | |
CN110189231A (zh) | 一种基于改进遗传算法的电网最优供电方案的确定方法 | |
CN109672197A (zh) | 一种考虑分布式电源出力不确定性的储能运行优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160928 |
|
RJ01 | Rejection of invention patent application after publication |