CN108764545A - 一种基于社会情感粒子群算法的水火电短期经济调度方法 - Google Patents

一种基于社会情感粒子群算法的水火电短期经济调度方法 Download PDF

Info

Publication number
CN108764545A
CN108764545A CN201810473259.6A CN201810473259A CN108764545A CN 108764545 A CN108764545 A CN 108764545A CN 201810473259 A CN201810473259 A CN 201810473259A CN 108764545 A CN108764545 A CN 108764545A
Authority
CN
China
Prior art keywords
particle
adaptive value
social
value
updated
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.)
Withdrawn
Application number
CN201810473259.6A
Other languages
English (en)
Inventor
方娜
万畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201810473259.6A priority Critical patent/CN108764545A/zh
Publication of CN108764545A publication Critical patent/CN108764545A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及电力系统运行和调度技术，具体涉及一种基于社会情感粒子群算法的水火电短期经济调度方法，建立数学模型并采用反向学习的方法生成规模为N的初始群体；计算各粒子适应值，确定个体最优粒子和全局最优粒子；对w进行更新，根据社会情绪值对粒子的位置和速度进行更新；计算每个粒子的适应值，将每个粒子适应值与其个体最优位置适应值比较，将适应值较好的粒子作为当前个体最优粒子；比较所有粒子个体最优适应值与全局最优粒子适应值，将适应值较好的粒子作为全局最优粒子；判断是否到达最大迭代次数，是就结束，否则更新每个粒子的社会情绪值，并返回对w进行更新。该调度方法使水电站出力最大，减少火电厂的排放，总成本更低。

Description

一种基于社会情感粒子群算法的水火电短期经济调度方法
技术领域
本发明属于电力系统运行和调度技术领域，尤其涉及一种基于社会情感粒子群算法的水火电短期经济调度方法。
背景技术
水火电力系统联合优化运行旨在利用水、火电能源的互补优势，充分发挥水能资源的发电能力，减少非可再生能源的消耗。水火电力系统短期经济调度是在满足水、火电一系列约束条件下，确定各电站的最优调度方案，以便充分利用水能资源，节约火电的煤耗成本，使系统总运行费用最少。由于水火电力系统中存在复杂的水力、电力联系，其短期经济调度实质是一个具有复杂约束的大规模、动态、非凸、非线性的优化问题。
智能优化算法现代社会中得到了十分广泛的应用，各种优化算法被用于科学研究，工程上也广泛采用各种群体优化算法，例如遗传算法、粒子群算法、蚁群算法等等。其中粒子群算法于1995年在IEEE国际会议上在计算机研究学者Eberhart和心理学家Kennedy的一篇论文中首次被提出，大量数据表明粒子群算法的优化能力与遗传算法相比有过之而无不及，所以粒子群优化算法一经提出并得到社会各界的广泛认可，越来越多的学者开始了对粒子群优化算法的研究，并且有大量的研究成果被提出。在当今社会，粒子群优化算法仍然在很多领域上都是研究的热点。
在粒子群中，每个个体都可以按照给定的速度在指定的空间中移动；每个粒子根据自身的历史最佳位置和整个粒子群中粒子的最佳位置的信息，从而对自己的位置进行调整，并逐渐向最佳位置移动，从而得到优化区间上的最佳适应值。标准粒子群优化算法的速度和位置更新公式为式(1′)和式(2′)。
xij(t+1)＝xij(t)+vij(t+1) (2′)
其中t为当前迭代次数，c1，c2为加速因子分别调节个体向自身历史最佳位置的移动步长和个体向全局最佳位置调节的移动步长；r1，r2为区间[0，1]的随机数，为粒子群优化到当前代数时的每个粒子个体的最优位置，为粒子群优化到当前代数时的全局最优粒子。
粒子群作为当今应用比较广泛一种群体智能算法虽然得到社会各界的广泛认可，同时也被用于对典型的4水3火水火电系统经济调度的优化。其数学模型为：
目标函数：
水火电经济调度的目的是使系统再满足约束条件的情况下，使火电厂的出力最小。其目标函数可以表示为
其中min F为最小成本；T为调度周期(在短期水火电经济调度问题中，调度周期为24h，调度时间间隔为1h)；Ns为火电厂总个数；asi，bsi，csi为火电厂运行费用系数，Ps(i，t)表示t时段火电组i的出力。
约束条件：(1)水火电系统负荷平衡
式中Nh为水电站的数目，Ph(j，t)为水电站j在时刻t的出力，是一个水库库容和排水量的二次函数，PD(t)为t时段水火电系统的负荷需求。
(2)水容量动态平衡约束
式中Ih(j，t)水电站j在t时段的入库流量，Vh(j，t-1)为水电站j在t时段的库容量，Q(j，t)为t时刻j水库的排水量，Nj为与该水库相连的上游水库的个数，τlj为水从水电站l到水电站j的所需的时间。
(3)水电站出力约束
Ph(j)min≤Ph(j，t)≤Ph(j)max
其中Ph(j)min为水电站j出力的最小功率，Ph(j)max为水电站j出力的最大功率，Ph(j，t)为t时刻水电站j的输出功率。
(4)火电厂出力约束
Ps(i)min≤Ps(i，t)≤Ps(i)max
其中Ps(i)min为火电厂i出力的最小功率，Ps(i)max为火电厂i出力的最大功率，Ps(i，t)为t时刻火电厂i的输出功率。
(5)水库库容约束
V(j)min≤V(j，t)≤V(j)max
其中V(j)min和V(j)max为水库j的库容量的下限和上限值。
(6)水库排水量平衡
Q(j)min≤Q(j，t)≤Q(j)max
Q(j)min和Q(j)max分别为水库j排水量的最小和最大值。
但是，标准粒子群优化算法对上述模型进行求解时容易早熟陷入局部最优解。
发明内容
本发明的目的是对粒子群优化算法进行改进，并将改进后的粒子群优化算法用于对水火电系统短期经济调度的模型求解。
为实现上述目的，本发明采用的技术方案是：一种基于社会情感粒子群算法的水火电短期经济调度方法，包括以下步骤：
步骤1、根据目标函数和约束条件建立数学模型，利用反向学习的方法在给定范围得到种群规模为N的初始群体；
步骤2、计算每个粒子的适应值，将每个粒子位置作为当前个体最优位置，比较每个粒子适应值，将适应值最优的粒子位置作为全局最优位置；
步骤3、对惯性权重系数w进行更新；
步骤4、根据粒子社会情绪值对粒子的位置和速度进行更新；
步骤5、计算每个粒子适应值；
步骤6、对每个粒子，将其适应值与所经历的最好位置适应值经行比较，将适应值更优的粒子位置代替个体最优粒子位置；
步骤7、判断当前迭代次数是否达到最大迭代次数，若没有达到最大迭代次数则进行步骤8；否则跳出循环，算法结束；
步骤8、更新每个粒子的社会情绪值，并返回步骤3。
在上述的基于社会情感粒子群算法的水火电短期经济调度方法中，步骤3所述对惯性权重系数w进行更新的公式如下；
W＝e-iter*(iter/MaxIter)s (1)
其中，iter为当前迭代次数，MaxIter为总迭代次数，s为大于1的常数。
在上述的基于社会情感粒子群算法的水火电短期经济调度方法中，步骤4所述对粒子的位置进行更新的公式如下；
xij(t+1)＝xij(t)+vij(t+1) (2)
其中，t为当前迭代次数，c1，c2为加速因子分别调节个体向自身历史最佳位置的移动步长和个体向全局最佳位置调节的移动步长；r1，r2为区间[0，1]的随机数，为粒子群优化到当前代数时的每个粒子个体的最优位置，为粒子群优化到当前代数时的全局最优粒子；
所述对粒子的速度进行更新通过以下公式来实现；
其中，r1，r2，r3为[0.1]的随机数，N为粒子种群规模，E(t)≤0.4时，c1＝1，c3＝2；E(t)＞0.6时，c2＝2.5；0.4≤E(t)≤0.6时，c1＝2.5，c2＝1，c3＝1.5。
在上述的基于社会情感粒子群算法的水火电短期经济调度方法中，步骤8所述更新每个粒子的社会情绪值通过以下公式来实现；
本发明的有益效果是：在现有的标准粒子群算法的基础之上引入社会情感学习模型，每个粒子对周围其它粒子的成功或者失败的经验进行学习，通过学习对自身下一步的活动进行指导，从而得到一种新的粒子速度更新机制。对于粒子群优化算法的惯性权重w，使其随着迭代次数的增加自适应调整。将改进后的算法用于对典型的4水3火电力系统的短期经济调度进行优化，使水电站出力最大，减少火电厂的排放。还适合于求解水火电力系统短期经济调度问题，且总成本更低。
附图说明
图1本发明一个实施例W(t)的函数变化曲线图；
图2本发明一个实施例SEPSO算法优化得到的水电站的库容变化曲线；
图3本发明一个实施例SEPSO算法优化流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
首先我们对粒子群优化算法中的参数进行处理，使其随着迭代次数的增加而改变。
惯性权重的选择，需要考虑到平衡粒子群的全局寻优能力和局部寻优能力，这样更有利于粒子群的寻优。经过分析越是难优化的函数，越需要加强全局搜索能力，一旦定位到最优解的大致位置，越需要加强局部搜索能力。因此重新提出一种惯性权重函数，在优化开始阶段使w保持最大，然后由大到小过渡，最后达到最小值接近于零。所以我们采用如式(3′)的更新公式对参数w进行更新。
W＝e-iter*(iter/MaxIter)s (3′)
其中，iter为当前迭代次数，MaxIter为总迭代次数，s为大于1的常数，本实施例s取10。W(t)的函数变化曲线图如图1所示。
其次结合社会情感算法对粒子群优化算法的粒子更新的速度进行改进，粒子通过与周围其它粒子适应值的比较进行学习，对自身下一步的活动进行指导，能够有效解决算法在后期收敛速度下降至一个百分点时算法停止陷入局部最优的缺陷。
在优化过程中，对群体中所有粒子进行社会评价，第t代的第i个粒子的社会适应值为：
fitnessi(t)＝f(xi(t)) (4′)
在新的速度更新机制中，粒子的速度更新方式受个体情绪E(t)的影响，E(t)的取值范围为[0，1]，E(t)越大表示粒子的情绪越高，E(t)越小则表示粒子的情绪越低落，Ei(t)的计算公式如式(5′)所示
其中θ为情绪指数变化的幅值，θ取值为0.05。
个体的情绪状态分为三种情况，当E(t)＞0.6时表示情绪高涨，0.4≤E(t)≤0.6时情绪平和，E(t)≤0.4时表示粒子情绪低落，当E(t)＜0时取0，E(t)＞1时取1。
当0.4≤E(t)≤0.6时，粒子情绪平和，粒子能够冷静自我学习和向群体里更加优秀的粒子学习，粒子速度由式(6′)更新。
当E(t)≤0.4时，此时粒子情绪低落，在下一步的活动中粒子趋向于避开群体评价较差的粒子位置，粒子速度更新公式如式(7′)。
当E(t)＞0.6时，此时粒子情绪高涨，粒子学习欲望强烈，只考虑外界环境的最好评价，粒子速度更新公式如式(8′)
综上所述，改进的粒子速度更新由式(9′)决定。
其中r1，r2，r3为[0.1]的随机数，N为粒子种群规模，E(t)≤0.4时，c1＝1，c3＝2；E(t)＞0.6时，c2＝2.5；0.4≤E(t)≤0.6时，c1＝2.5，c2＝1，c3＝1.5。
利用改进后的社会情感粒子群优化算法(Social Emotional Particle SwarmOptimization，SEPSO)对典型的4水3火水火电电力系统经济调度模型(不考虑系统网损)进行20次优化求解，得到的最小成本更低。具体结果如下：
SEPSO算法优化得到的水电站的库容变化曲线如图2所示。
成本最小时的各水库库容如下表：
成本最低时的各电站的出力情况如下表：
从上表中看出各时段水、火电站的出力满足系统负荷平衡，且均在其出力范围内。从这些调度结果来看，本实施例提出的约束处理方法适合于求解水火电力系统短期经济调度问题，且总成本更低。
SEPSO算法优化流程图如图3所示，具体步骤如下
步骤一：根据目标函数和约束条件建立数学模型，利用反向学习的方法初始化种群中的粒子位置和速度，粒子种群的规模为N。
步骤二：将每个粒子代替相同位置上的个体最优粒子，计算每个粒子的适应值，同时将所有粒子中适应值最小的粒子代替全局最优粒子。
步骤三：根据式(3′)对惯性权重系数w进行更新。
步骤四：根据社会情绪值E对粒子的位置和速度进行更新；通过式(2’)对粒子的位置进行更新，通过式(9′)对粒子的速度进行更新，如果粒子越界则进行越界处理。
步骤五：计算每个粒子，全局最优和个体最优粒子的适应值，将每个微粒经历过的最好位置的适应值保存为当前最好位置Pbest。
步骤六：将每个粒子的适应值与全局最优粒子的适应值比较，将较好的值保存到Gbest中。
步骤七：判断iter是否达到最大迭代次数，若没有达到最大迭代次数则进行步骤八，否则跳出循环，算法结束。
步骤八：根据式(5′)更新每个粒子的社会情绪值，并返回步骤三。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (4)

1.一种基于社会情感粒子群算法的水火电短期经济调度方法，其特征是，包括以下步骤：
步骤1、根据目标函数和约束条件建立数学模型，利用反向学习的方法在给定范围得到种群规模为N的初始群体；
步骤2、计算每个粒子的适应值，将每个粒子位置作为当前个体最优位置，比较每个粒子适应值，将适应值最优的粒子位置作为全局最优位置；
步骤3、对惯性权重系数w进行更新；
步骤4、根据粒子社会情绪值对粒子的位置和速度进行更新；
步骤5、计算每个粒子适应值；
步骤6、对每个粒子，将其适应值与所经历的最好位置适应值经行比较，将适应值更优的粒子位置代替个体最优粒子位置；
步骤7、判断当前迭代次数是否达到最大迭代次数，若没有达到最大迭代次数则进行步骤8；否则跳出循环，算法结束；
步骤8、更新每个粒子的社会情绪值，并返回步骤3。
2.如权利要求1所述的基于社会情感粒子群算法的水火电短期经济调度方法中，步骤3所述对惯性权重系数w进行更新的公式如下；
其中，iter为当前迭代次数，MaxIter为总迭代次数，s为大于1的常数。
3.如权利要求1所述的基于社会情感粒子群算法的水火电短期经济调度方法中，步骤4所述对粒子的位置进行更新的公式如下；
xij(t+1)＝xij(t)+vij(t+1) (2)
其中，t为当前迭代次数，c1，c2为加速因子分别调节个体向自身历史最佳位置的移动步长和个体向全局最佳位置调节的移动步长；r1，r2为区间[0，1]的随机数，为粒子群优化到当前代数时的每个粒子个体的最优位置，为粒子群优化到当前代数时的全局最优粒子；
所述对粒子的速度进行更新通过以下公式来实现；
其中，r1，r2，r3为[0.1]的随机数，N为粒子种群规模，E(t)≤0.4时，c1＝1，c3＝2；E(t)＞0.6时，c2＝2.5；0.4≤E(t)≤0.6时，c1＝2.5，c2＝1，c3＝1.5。
4.如权利要求1所述的基于社会情感粒子群算法的水火电短期经济调度方法中，步骤8所述更新每个粒子的社会情绪值通过以下公式来实现；
其中，θ为情绪指数变化的幅值，θ取值为0.05。
CN201810473259.6A 2018-05-17 2018-05-17 一种基于社会情感粒子群算法的水火电短期经济调度方法 Withdrawn CN108764545A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810473259.6A CN108764545A (zh) 2018-05-17 2018-05-17 一种基于社会情感粒子群算法的水火电短期经济调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810473259.6A CN108764545A (zh) 2018-05-17 2018-05-17 一种基于社会情感粒子群算法的水火电短期经济调度方法

Publications (1)

Publication Number Publication Date
CN108764545A true CN108764545A (zh) 2018-11-06

Family

ID=64008355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810473259.6A Withdrawn CN108764545A (zh) 2018-05-17 2018-05-17 一种基于社会情感粒子群算法的水火电短期经济调度方法

Country Status (1)

Country Link
CN (1) CN108764545A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766564A (zh) * 2021-01-15 2021-05-07 长江勘测规划设计研究有限责任公司 梯级水电站群优化调度逐阶段反向学习降维优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766564A (zh) * 2021-01-15 2021-05-07 长江勘测规划设计研究有限责任公司 梯级水电站群优化调度逐阶段反向学习降维优化方法
CN112766564B (zh) * 2021-01-15 2022-06-03 长江勘测规划设计研究有限责任公司 梯级水电站群优化调度逐阶段反向学习降维优化方法

Similar Documents

Publication Publication Date Title
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN107994595B (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN110232481B (zh) 基于mqpso的天然气管网多目标优化调度方法
WO2017186178A1 (zh) 储能电站自适应动态规划的控制方法、系统和存储介质
CN109447393A (zh) 一种电力系统经济负荷分配的改进的粒子群算法
CN109345005A (zh) 一种基于改进鲸鱼算法的综合能源系统多维寻优方法
CN109672184B (zh) 一种含光伏的配电网电压控制方法和系统
CN107704875A (zh) 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN109345019B (zh) 一种基于改进粒子群算法的微电网经济调度优化策略
CN107609683B (zh) 一种基于萤火虫算法的梯级水库群调度优化方法
CN107453356B (zh) 基于自适应动态规划的用户侧柔性负荷调度方法
CN110490429A (zh) 基于ssa算法智能楼宇微电网家用负荷快速调度方法
CN109919658A (zh) 一种基于博弈论的负荷控制方法及系统
CN110401209B (zh) 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法
CN115577864B (zh) 基于多模型组合运算的配电网运行优化调度方法
CN110363343A (zh) 一种混合自适应的水电站群智能优化调度方法及系统
CN108287477A (zh) 基于模型预测和多尺度优先级的集群温控负荷控制方法
CN105896596B (zh) 一种考虑需求侧响应的风电功率分层平滑系统及其方法
CN112686571A (zh) 基于动态自适应建模的综合智慧能源优化调度方法及系统
CN109712019A (zh) 一种多能楼宇实时能量管理优化方法
CN115940292A (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN113191086A (zh) 一种基于遗传算法的电采暖热负荷需求优化方法及系统
CN112952847A (zh) 考虑用电需求弹性的多区域主动配电系统调峰优化方法
CN109245152A (zh) 一种基于多目标蚁群算法的微电网负荷分配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20181106

WW01 Invention patent application withdrawn after publication