CN108915927B - 确定波浪发电装置参数的方法、装置及设备 - Google Patents
确定波浪发电装置参数的方法、装置及设备 Download PDFInfo
- Publication number
- CN108915927B CN108915927B CN201810716669.9A CN201810716669A CN108915927B CN 108915927 B CN108915927 B CN 108915927B CN 201810716669 A CN201810716669 A CN 201810716669A CN 108915927 B CN108915927 B CN 108915927B
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- determining
- initial
- wave power
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B13/00—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates
- F03B13/12—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates characterised by using wave or tide energy
- F03B13/14—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates characterised by using wave or tide energy using wave energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/30—Energy from the sea, e.g. using wave energy or salinity gradient
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种确定波浪发电装置参数的方法,能够预先确定波浪发电装置的初始参数,然后对参数进行多次迭代优化,每次迭代过程中,通过差分变异算法、纵向交叉算法、以及横向交叉算法对参数进行计算,并通过预设的适应度目标函数,确定各个参数的适应度,进而筛选出适应度较大的参数,最终经过多次迭代,得到最优参数。可见,该方法通过将差分变异算法与纵横交叉算法进行结合,最终得到波浪发电装置的最优参数,实验表明该方法收敛速度较快、且局部搜索能力较强。此外,本发明还提供了一种确定波浪发电装置参数的装置、设备、以及一种计算机可读存储介质,其作用与上述方法相对应。
Description
技术领域
本发明涉及波浪发电领域,特别涉及一种确定波浪发电装置参数的方法、装置、设备及计算机可读存储介质。
背景技术
近年来,随着波浪发电等可再生能源发电的发展,我国的新能源发电比重日益提高。波浪发电作为新能源发电的一个重要组成部分,有着波浪功率密度大、可预测性好,发展前景好等优点。最大功率跟踪在光伏、风力发电应用已十分广泛,有效的解决了风能、太阳能转化效率低下的问题。但是,如何实现波浪能的最大功率捕获,尚待研究。
就直驱式波浪发电系统而言,当直线电机的动子固有的自然频率与波浪频率相同时,两者之间会发生共振现象,此时直驱式波浪发电系统的输出功率最大,即波浪的捕获率最大。但由于实际波浪有很强的时变性,而波浪发电系统是一个惯性高阶系统,其固定的质量和频率较难改变,这就需要借助控制策略协调双方的变化规律。
随着智能优化算法逐渐应用在社会的各个方面,例如金融,物流,医学,互联网和新能源发电等方面,把功率跟踪技术和智能算法结合起来,会对实际的系统控制有很大的帮助。常见的应用于最大功率跟踪的智能优化算法,包括几下几种:
粒子群算法,该算法源于复杂适应系统(Complex Adaptive System,CAS)。CAS理论于1994年正式提出,CAS中的成员称为主体。比如研究鸟群系统,每个鸟在这个系统中就称为主体。主体有适应性,它能够与环境及其他的主体进行交流,并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括:新层次的产生(小鸟的出生);分化和多样性的出现(鸟群中的鸟分成许多小的群);新的主题的出现(鸟寻找食物过程中,不断发现新的食物)。
人工鱼群算法,该算法是李晓磊等人于2002年在动物群体智能行为研究的基础上提出的一种新型方盛优化算法,该算法根据水域中鱼生存数目最多的地方就是本水域中富含营养物质最多的地方这一特点来模拟鱼群的觅食行为而实现寻优。算法主要利用鱼的三大基本行为:觅食、聚群和追尾行为,采用自上而下的寻优模式从构造个体的底层行为开始,通过鱼群中各个体的局部寻优,达到全局最优值在群体中凸显出来的目的。
在波浪发电系统中,以上两种智能算法在功率跟踪上与纵横交叉算法的应用实质是相通的,都是通过目标函数寻找波浪发电装置的最优阻尼参数和弹性参数,使得波浪能捕获率最大。但是,以上两种算法与纵横交叉算法具有相似的缺点:收敛速度较慢,局部搜索能力较差。
可见,如何解决传统计算波浪发电装置最优参数的算法收敛速度较慢、局部搜索能力不理想的问题,亟待本领域技术人员解决。
发明内容
本发明的目的是提供一种确定波浪发电装置参数的方法、装置、设备以及一种计算机可读存储介质,用以解决传统计算波浪发电装置最优参数的算法收敛速度较慢、局部搜索能力不理想的问题。
为解决上述技术问题,本发明提供了一种确定波浪发电装置参数的方法,包括:
预先设置迭代次数、适应度目标函数、以及种群数量,并确定初始参数矩阵,所述初始参数矩阵包括所述种群数量的初始参数,所述初始参数包括波浪发电装置的阻尼参数和弹性参数;
在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数;
利用纵向交叉算法根据所述第一参数确定纵向交叉参数;
利用横向交叉算法根据所述第二参数确定横向交叉参数;
根据所述适应度目标函数确定所述原始参数、所述变异参数、所述纵向交叉参数、以及所述横向交叉参数的适应度,将适应度最大的所述种群数量的参数更新到所述初始参数矩阵,以完成本次迭代;
判断已完成的迭代次数是否小于所述预设迭代次数;
若小于,则重复上述过程进行迭代,否则将所述初始参数矩阵中的参数作为所述波浪发电装置参数。
其中,所述适应度目标函数具体设置为:
其中,η表示的是波浪发电装置的效率,Rg和Kg分别是波浪发电装置的阻尼参数和弹性参数,ω是波浪频率,Ra和K是波浪的阻尼参数和弹性参数,m为所述波浪发电装置中浮子本体的质量,ma为波浪带给所述浮子的附加质量。
其中,在所述在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数之前,包括:
预先确定差分变异概率、纵向交叉概率、以及横向交叉概率。
本发明还提供了一种确定波浪发电装置参数的装置,包括:
初始化模块:预先设置预设迭代次数、适应度目标函数、以及种群数量,并确定初始参数矩阵,所述初始参数矩阵包括所述种群数量的初始参数,所述初始参数包括波浪发电装置的阻尼参数和弹性参数;
差分变异模块:用于在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数;
纵向交叉模块:用于利用纵向交叉算法根据所述第一参数确定纵向交叉参数;
横向交叉模块:用于利用横向交叉算法根据所述第二参数确定横向交叉参数;
更新模块:用于根据所述适应度目标函数确定所述原始参数、所述变异参数、所述纵向交叉参数、以及所述横向交叉参数的适应度,将适应度最大的所述种群数量的参数更新到所述初始参数矩阵,以完成本次迭代;
判断模块:用于判断已完成的迭代次数是否小于所述预设迭代次数;
结果模块:用于若小于,则重复上述过程进行迭代,否则将所述初始参数矩阵中的参数作为所述波浪发电装置参数。
其中,所述初始化模块具体将所述适应度目标函数设置为:
其中,η表示的是波浪发电装置的效率,Rg和Kg分别是波浪发电装置的阻尼参数和弹性参数,ω是波浪频率,Ra和K是波浪的阻尼参数和弹性参数,m为所述波浪发电装置中浮子本体的质量,ma为波浪带给所述浮子的附加质量。
其中,所述装置包括:
概率确定模块:用于预先确定差分变异概率、纵向交叉概率、以及横向交叉概率。
此外,本发明还提供了一种确定波浪发电装置参数的设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行计算机程序以实现如上所述的确定波浪发电装置参数的方法的步骤。
最后,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上保存有计算机程序,所述计算机程序被处理器执行时实现如上所述的确定波浪发电装置参数的方法的步骤。
本发明所提供的一种确定波浪发电装置参数的方法,能够预先确定波浪发电装置的初始参数,然后对参数进行多次迭代优化,每次迭代过程中,通过差分变异算法、纵向交叉算法、以及横向交叉算法对参数进行计算,并通过预设的适应度目标函数,确定各个参数的适应度,进而筛选出适应度较大的参数,最终经过多次迭代,得到最优参数。可见,该方法通过将差分变异算法与纵横交叉算法进行结合,最终得到波浪发电装置的最优参数,实验表明该方法收敛速度较快、且局部搜索能力较强。
此外,本发明还提供了一种确定波浪发电装置参数的装置、设备、以及一种计算机可读存储介质,其作用与上述方法相对应,这里不再赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种确定波浪发电装置参数的方法实施例的实现流程图;
图2为本发明提供的一种基于纵横交叉算法的确定波浪发电装置参数的仿真结果图;
图3为本发明提供的一种基于差分变异算法和纵横交叉算法的确定波浪发电装置参数的仿真结果图;
图4为本发明提供的一种确定波浪发电装置参数的装置的结构框图。
具体实施方式
本发明的核心是提供一种确定波浪发电装置参数的方法、装置、设备、及计算机可读存储介质,有效加快了算法收敛速度,提高了算法的局部搜索能力。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
下面对本发明提供的一种确定波浪发电装置参数的方法实施例进行介绍,参见图1,该实施例包括:
步骤S101:预先设置预设迭代次数、适应度目标函数、以及种群数量,并确定初始参数矩阵,所述初始参数矩阵包括所述种群数量的初始参数,所述初始参数包括波浪发电装置的阻尼参数和弹性参数。
具体的,所述适应度目标函数可以设置为:
其中,η表示的是波浪发电装置的效率,Rg和Kg分别是波浪发电装置的阻尼参数和弹性参数,ω是波浪频率,Ra和K是波浪的阻尼参数和弹性参数,m为所述波浪发电装置中浮子本体的质量,ma为波浪带给所述浮子的附加质量。
波浪功率捕获的优化问题主要需要考虑的是阻尼系数和弹性系数,因此,在本实施例中,初始参数可以包括阻尼参数和弹性参数,但是不限于这两个参数。
此外,还可以预先确定差分变异概率probability1、纵向交叉概率probability2、以及横向交叉概率probability3。
步骤S102:在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数。
步骤S103:利用纵向交叉算法根据所述第一参数确定纵向交叉参数。
步骤S104:利用横向交叉算法根据所述第二参数确定横向交叉参数。
步骤S105:根据所述适应度目标函数确定所述原始参数、所述变异参数、所述纵向交叉参数、以及所述横向交叉参数的适应度,将适应度最大的所述种群数量的参数更新到所述初始参数矩阵,以完成本次迭代。
步骤S106:判断已完成的迭代次数是否小于所述预设迭代次数;
步骤S107:若小于,则重复上述过程进行迭代,否则将所述初始参数矩阵中的参数作为所述波浪发电装置参数。
对于上述算法的计算过程,下面开始进行详细的描述,整体的算法的可以分为以下几步:
1、设置基本参数,并求得初始适应度矩阵:
最大迭代次数N可以设置为20,种群数量m可以为20,差分进化算法中的缩放因子F可以设置为0.5。利用x(i,:)来存贮20组阻尼参数和弹性参数,得到一个20行2列的矩阵。由于一组电机参数有两个,故变量维数D为2。
输出初始化电机参数后,利用式(1)可算得各组初始参数的初始适应度,并把初始适应度存储进矩阵gbest。
2、差分变异部分:
主要的程序代码可以如下:
FOR i=1to N;
INPUT:x,probability1
LET x1←x;
bon(i,:)←x1(p,:)+F*(x1(j,:)-x1(k,:));
IF p1<probability1THEN;
x(i,:)←bon(i,:);
ELSE;
x(i,:)←x1(i,:);
END IF;
END FOR;
更新种群x。
下面对上述程序进行解释,将x中的参数赋值给x1(第一次迭代的是初始化的种群),同时产生一个0到1的随机数赋值给p1,作为变异的概率。在x1中随机选取不重复的前3组电机参数作为产生变异因子的父代,每组电机参数编号为x1(j,:)、x1(p,:)、x1(k,:),然后通过变异公式产生变异因子bon(i,:),当变异概率p1小于最大变异概率probability1时,则将变异因子bon(i,:)赋值给x(i,;),否则将x1(i,;)赋值给x(i,;),这一步为更新种群x的步骤。
F为发生进化的缩放因子,初始化中的缩放因子是变异过程中的一个影响因子,表示父代元素遗传下来的概率;probability1设为差分变异的变异概率,j、k、p分别是随机分配后种群的前三组元素编号,p1是0到1之间的随机数,bon(i,:)为变异后产生的中庸解,x1(i,:)是用来存贮随机交换后的矩阵。
3、纵向交叉部分:
主要的程序代码可以如下:
INPUT:x,p2,probability2
x2←x;
产生一个随机数p2(0,1);
IF p2<probability2THEN
FOR j=1to N;
产生一个随机数r1(-1,1);
产生一个随机数cr(0,1);
x2(j,no1)←x2(j,no2)*cr+x2(j,no1)*(1-cr)+(x2(j,no2)-x2(j,no1))*r1
x2(j,no2)←x2(j,no1)*cr+x2(j,no2)*(1-cr)+(x2(j,no1)-x2(j,no2))*r1
END FOR;
END IF;
更新局部竞争算子;
更新全局竞争算子;
下面对上述程序代码进行解释,上面产生的变异因子bon(i,:)中选取更优的元素已更新到x(i,:)中,将更新后的父代x赋值给x2;根据随机概率抽取两列向量进行纵向交叉运算,然后同样需要计算纵向运算后产生电机参数的适应度,将x2适应度与x比较,将x2中适应度较大的参数更新到x中,并将相应的适应度更新到gbest中。
因为本发明中的参数是一个二维向量的矩阵,故纵向交叉的概率为1。由于纵向交叉算子只改变D/2的数据,故当有一维数据陷入局部最优,也不会影响到其他列数据,这大大减小了陷入局部最优的几率。
其中,r1和cr分别是-1到1和0到1的随机缩放因子,no1和no2分别是x2中阻尼参数和弹性参数,x2是存贮用来纵向交叉粒子的矩阵,x2(j,no1)和x2(j,no2)为x2父代中的阻尼参数和弹性参数,纵向交叉概率probability2,上述纵向交叉概率probability2可以取0.2到0.8;
4、横向交叉部分:
主要的程序代码可以如下:
INPUT x,p3,probability3
x3←x;
LET crossmatrix=randperm(N);
FOR i=1to N/2-1;
产生一个随机数p3(0,1);
IF p3<probability3THEN
LET no1=crossmatrix(i*2+1);
LET no2=crossmatrix(i*2+2);
FOR j=1to D;
产生一个随机数r2(-1,1);
产生一个随机数cr(0,1);
firstcross(j)←x3(j,no2)*cr+x3(j,no1)*(1-cr)+(x3(j,no2)-x3(j,no1))*r2
seconcross(j)←x3(j,no2)*cr+x3(j,no1)*(1-cr)+(x3(j,no2)-x3(j,no1))*r2
END FOR;
END IF;
END FOR;
更新局部竞争算子;
更新全局竞争算子;
下面对上述程序进行解释,将上面纵向交叉更新后的x赋值给x3,作为横向交叉运算的父代。首先把x3矩阵随机划分为N/2-1组,然后根据随机概率p3,抽取任意两行元素进行横向交叉运算,而且每组参数只能够被选中一次。经过横向交叉操作后产生中庸解,对其进行适应度计算,选取较优和最优适应度的电机参数更新到局部竞算因子x和全局竞算因子gbest中。同理,横向交叉运算后当有一行元素陷入局部最优解,都不影响其他行元素,增强整体元素跳出局部最优的能力。
其中,r2和cr分别是-1到1和0到1的随机缩放因子,no1和no2分别是x3中不同种群的阻尼参数和弹性参数,x3是存贮用来横向交叉粒子的矩阵,x3(j,no1)和x3(j,no2)为x3父代中的阻尼参数和弹性参数,横向交叉概率probability3、firstcross、和secondcross是分别是x3(j,no1)和x3(j,no2)通过横向交叉后产生的中庸解。上述横向交叉概率probability3可以取0.8。
5、更新部分:
计算中庸解和父代种群的每组粒子中适应度函数参见式(1),其中ω可以取2pi/3,Rg和Kg可以分别取300、800;如果中庸解适应度优于父代,则x←xi,否则保持原来的x,其中xi中的i为1、2、3。
FOR i=1to m;
根据公式(2)评估更新后的xi和x;
IF xi(j)适应度高于父代x(j)THEN;
LET x←xi;
ELSE保持x不变;
END IF;
END FOR;
当电机参数经过变异-纵向交叉-横向交叉运算后,为整个种群的电机参数迭代一次,记录下全局竞算因子gbest和局部竞算因子x。当算法仍处于迭代过程中,x则作为下一次算法迭代的初值参与迭代,x、gbest作为更新竞算因子的标准,用来挑选出变异-横向-纵向交叉后的较优和最优的电机参数,以达到快速寻求全局最优的目的。
本实施例选取差分算法的变异部分与纵横交叉算法结合,差分算法的交叉选择部分则利用纵横交叉算法来进行改进,变异部分则是更好的为纵向、横向交叉运算提供更好的父代,使得算法求解精度更高,收敛性更好。
为验证本发明所提供的改进纵横交叉算法的优越性,本案例中分别采用传统和改进的纵横交叉算法对波浪发电装置的功率捕获进行仿真。采用传统的纵横交叉算法的仿真结果如图2所示,改进的纵横交叉算法的仿真结果如图3所示,图中,横坐标表示迭代次数,纵坐标表示适应度。显然,波浪能捕获效率分别是0.9358和0.9948,从仿真结果可看到,改进优化算法的收敛速度和全局寻优能力更好。
在本实施例的基础之上,也就是采用本方法能够快速求得发电机的最优阻尼参数和弹性参数后,通过所提供的优化算法快速的计算出电机最优参数,利用所得出参数去控制电机反电磁力使得发电装置频率与波浪频率相同,产生共振。将大大提高波浪发电装置的输出功率,对解决波浪发电装置的优化问题提供了一种更为简便快速的方法。
综上,本实施例所提供的一种确定波浪发电装置参数的方法,能够预先确定波浪发电装置的初始参数,然后对参数进行多次迭代优化,每次迭代过程中,通过差分变异算法、纵向交叉算法、以及横向交叉算法对参数进行计算,并通过预设的适应度目标函数,确定各个参数的适应度,进而筛选出适应度较大的参数,最终经过多次迭代,得到最优参数。可见,该方法通过将差分变异算法与纵横交叉算法进行结合,最终得到波浪发电装置的最优参数,实验表明该方法收敛速度较快、且局部搜索能力较强。
下面对本发明实施例提供的确定波浪发电装置参数的装置实施例进行介绍,下文描述的确定波浪发电装置参数的装置与上文描述的确定波浪发电装置参数的方法可相互对应参照。
参见图4,该实施例包括:
初始化模块401:预先设置预设迭代次数、适应度目标函数、以及种群数量,并确定初始参数矩阵,所述初始参数矩阵包括所述种群数量的初始参数,所述初始参数包括波浪发电装置的阻尼参数和弹性参数。
差分变异模块402:用于在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数。
纵向交叉模块403:用于利用纵向交叉算法根据所述第一参数确定纵向交叉参数。
横向交叉模块404:用于利用横向交叉算法根据所述第二参数确定横向交叉参数。
更新模块405:用于根据所述适应度目标函数确定所述原始参数、所述变异参数、所述纵向交叉参数、以及所述横向交叉参数的适应度,将适应度最大的所述种群数量的参数更新到所述初始参数矩阵,以完成本次迭代。
判断模块406:用于判断已完成的迭代次数是否小于所述预设迭代次数;
结果模块407:用于若小于,则重复上述过程进行迭代,否则将所述初始参数矩阵中的参数作为所述波浪发电装置参数。
其中,所述初始化模块401具体将所述适应度目标函数设置为:
其中,η表示的是波浪发电装置的效率,Rg和Kg分别是波浪发电装置的阻尼参数和弹性参数,ω是波浪频率,Ra和K是波浪的阻尼参数和弹性参数,m为所述波浪发电装置中浮子本体的质量,ma为波浪带给所述浮子的附加质量。
其中,所述装置包括:
概率确定模块:用于预先确定差分变异概率、纵向交叉概率、以及横向交叉概率。
本实施例提供的确定波浪发电装置参数的装置用于实现前述的确定波浪发电装置参数的方法,因此该装置中的具体实施方式可见前文中的确定波浪发电装置参数的方法的实施例部分,例如,初始化模块401、差分变异模块402、纵向交叉模块403、横向交叉模块404、更新模块405、判断模块406、结果模块407,分别用于实现上述确定波浪发电装置参数的方法中步骤S101,S102,S103,S104,S105,S106,S107。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例提供的确定波浪发电装置参数的装置用于实现前述的确定波浪发电装置参数的方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本发明还提供了一种确定波浪发电装置参数的设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行计算机程序以实现如上所述的确定波浪发电装置参数的方法的步骤。
最后,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上保存有计算机程序,所述计算机程序被处理器执行时实现如上所述的确定波浪发电装置参数的方法的步骤。
由于本发明提供确定波浪发电装置参数的设备以及计算机可读存储介质用于实现前述的确定波浪发电装置参数的方法,因此,其实施方式可以参见前面对方法实施例的介绍,这里就不再展开进行描述。另外,其作用与上述方法的作用相对应,这里也不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的确定波浪发电装置参数的方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (5)
1.一种确定波浪发电装置参数的装置,其特征在于,包括:
初始化模块:预先设置预设迭代次数、适应度目标函数、以及种群数量,并确定初始参数矩阵,所述初始参数矩阵包括所述种群数量的初始参数,所述初始参数包括波浪发电装置的阻尼参数和弹性参数;
差分变异模块:用于在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数;
纵向交叉模块:用于利用纵向交叉算法根据所述初始参数确定纵向交叉参数;
横向交叉模块:用于利用横向交叉算法根据所述初始参数确定横向交叉参数;
更新模块:用于根据所述适应度目标函数确定所述初始参数、所述变异参数、所述纵向交叉参数、以及所述横向交叉参数的适应度,将适应度最大的所述种群数量的参数更新到所述初始参数矩阵,以完成本次迭代;
判断模块:用于判断已完成的迭代次数是否小于所述预设迭代次数;
结果模块:用于若小于,则重复上述过程进行迭代,否则将所述初始参数矩阵中的参数作为波浪发电装置参数。
3.如权利要求1所述的装置,其特征在于,所述装置包括:
概率确定模块:用于预先确定差分变异概率、纵向交叉概率、以及横向交叉概率。
4.一种确定波浪发电装置参数的设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行计算机程序以实现以下步骤:
预先设置预设迭代次数、适应度目标函数、以及种群数量,并确定初始参数矩阵,所述初始参数矩阵包括所述种群数量的初始参数,所述初始参数包括波浪发电装置的阻尼参数和弹性参数;
在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数;
利用纵向交叉算法根据所述初始参数确定纵向交叉参数;
利用横向交叉算法根据所述初始参数确定横向交叉参数;
根据所述适应度目标函数确定所述初始参数、所述变异参数、所述纵向交叉参数、以及所述横向交叉参数的适应度,将适应度最大的所述种群数量的参数更新到所述初始参数矩阵,以完成本次迭代;
判断已完成的迭代次数是否小于所述预设迭代次数;
若小于,则重复上述过程进行迭代,否则将所述初始参数矩阵中的参数作为波浪发电装置参数。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上保存有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
预先设置预设迭代次数、适应度目标函数、以及种群数量,并确定初始参数矩阵,所述初始参数矩阵包括所述种群数量的初始参数,所述初始参数包括波浪发电装置的阻尼参数和弹性参数;
在迭代开始时,利用差分变异算法根据所述初始参数确定变异参数;
利用纵向交叉算法根据所述初始参数确定纵向交叉参数;
利用横向交叉算法根据所述初始参数确定横向交叉参数;
根据所述适应度目标函数确定所述初始参数、所述变异参数、所述纵向交叉参数、以及所述横向交叉参数的适应度,将适应度最大的所述种群数量的参数更新到所述初始参数矩阵,以完成本次迭代;
判断已完成的迭代次数是否小于所述预设迭代次数;
若小于,则重复上述过程进行迭代,否则将所述初始参数矩阵中的参数作为波浪发电装置参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716669.9A CN108915927B (zh) | 2018-07-03 | 2018-07-03 | 确定波浪发电装置参数的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716669.9A CN108915927B (zh) | 2018-07-03 | 2018-07-03 | 确定波浪发电装置参数的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108915927A CN108915927A (zh) | 2018-11-30 |
CN108915927B true CN108915927B (zh) | 2020-08-11 |
Family
ID=64424208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810716669.9A Expired - Fee Related CN108915927B (zh) | 2018-07-03 | 2018-07-03 | 确定波浪发电装置参数的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108915927B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112761851B (zh) * | 2021-01-26 | 2022-06-10 | 浙江水利水电学院 | 一种直驱式波浪能发电装置最大功率捕获控制方法 |
CN114439673B (zh) * | 2022-01-27 | 2023-09-19 | 清华大学 | 辨识波浪发电装置水动力学参数的方法、装置及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9322386B1 (en) * | 2013-07-19 | 2016-04-26 | Jason Kirsch | Hydro blade turbine system |
CN104239961B (zh) * | 2014-07-16 | 2016-05-18 | 广东工业大学 | 一种基于纵横交叉算法的电力系统经济调度优化方法 |
CN104348173B (zh) * | 2014-09-15 | 2017-03-29 | 广东电网公司揭阳供电局 | 一种基于改进纵横交叉算法的电力系统无功优化方法 |
CN107766926A (zh) * | 2017-10-23 | 2018-03-06 | 广东工业大学 | 一种波浪发电的方法和系统 |
-
2018
- 2018-07-03 CN CN201810716669.9A patent/CN108915927B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108915927A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McCabe et al. | Optimizing the shape of a surge-and-pitch wave energy collector using a genetic algorithm | |
CN104899431B (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
CN104866904A (zh) | 一种基于spark的遗传算法优化的BP神经网络并行化方法 | |
CN108915927B (zh) | 确定波浪发电装置参数的方法、装置及设备 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及系统 | |
CN113344174A (zh) | 基于概率分布的高效神经网络结构搜索方法 | |
Garcia-Teruel et al. | Hull geometry optimisation of wave energy converters: On the choice of the objective functions and the optimisation formulation | |
CN110687397B (zh) | 一种基于改进人工鱼群算法的主动配电网故障定位方法 | |
CN111461443A (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN111582094B (zh) | 并行选取超参数设计多分支卷积神经网络识别行人的方法 | |
CN102799940A (zh) | 基于遗传算法和先验知识的网络社区划分方法 | |
CN114564838A (zh) | 考虑时空相关性的多风电场风速模拟方法及系统 | |
Guntsch et al. | Population based ant colony optimization on FPGA | |
CN114336696B (zh) | 一种兆瓦级氢储能电站容量配置方法及系统 | |
Pencheva et al. | Generalized nets model of offspring reinsertion in genetic algorithms | |
CN109614688A (zh) | 一种负荷管理模型的优化方法、装置、介质及电子设备 | |
Yu et al. | Vegetation evolution for numerical optimization | |
Salama et al. | Short term pumped storage scheduling using two proposed techniques | |
CN112257344B (zh) | 一种基于ap聚类算法的场景削减方法 | |
CN108573301B (zh) | 一种网格编织优化方法及装置 | |
CN114169098B (zh) | 基于捕食者策略和粒子群算法的先进安注箱参数优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200811 Termination date: 20210703 |
|
CF01 | Termination of patent right due to non-payment of annual fee |