CN109086900A - 基于多目标粒子群优化算法的电力物资保障及调配平台 - Google Patents
基于多目标粒子群优化算法的电力物资保障及调配平台 Download PDFInfo
- Publication number
- CN109086900A CN109086900A CN201811011394.5A CN201811011394A CN109086900A CN 109086900 A CN109086900 A CN 109086900A CN 201811011394 A CN201811011394 A CN 201811011394A CN 109086900 A CN109086900 A CN 109086900A
- Authority
- CN
- China
- Prior art keywords
- particle
- power material
- goods
- materials
- objective
- 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.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 149
- 239000002245 particle Substances 0.000 title claims abstract description 103
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims abstract description 21
- 230000008439 repair process Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000012913 prioritisation Methods 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims abstract 2
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008676 import Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多目标粒子群优化算法的电力物资保障及调配平台，包括:储备优化结果库、物资需求信息库、多目标粒子群优化算法模块、算法评价校验模块、优化方案生成。发明利用多目标粒子群优化(MPSO)算法，采集电力物资历史储备数据，业扩新装、应急抢修、日常抢修多项工作开展的物资需求清单，以及应急灾害类别、抢修紧急程度等相关数据，生成电力物资保障及调配多目标优化方案。用户通过该平台，能够快速优化某种灾害或事件发生后对各种电力物资的需求量，指导相关部门按需储备或采购物资，保证电力安全生产的顺利进行，同时避免过量储备导致的资金浪费。
Description
技术领域：
本发明涉及一种基于多目标粒子群优化算法的电力物资保障及调配平台。
背景技术：
电力企业物资储存量是相当庞大的，且电力企业生产又具有很强的社会供应性，容易受到外部因素影响，其存储周期相对漫长，几个月到几十个月都有，且存储量大，采购周期较长。因为电力行业的特殊性，电力生产技术更新较为频繁，电力物资仓储管理尤为繁重，对管理人员也有着很大的考验。对于电力企业来说，提高电力物资仓储管理效率，建立电力物资协调联动调拨机制，能够降低企业运转成本，并更合理地分配储备库存，提高电力物资的利用率。
在电力物资保供应工作中，以往物资储备管理不能满足物资保供电要求，特别是对于应急抢修和业扩报装项目的时限要求，需进一步优化电力物资储备种类和数量，健全快速、灵活、有效的电力物资调配机制，以便同时满足业扩新装、应急抢修、日常抢修多项工作开展的需要。采用多目标粒子群优化算法来建立电力物资保障及调配平台，就可以更好地利用信息技术手段，为电力企业提供物资保障及调配多目标优化方案。以便进一步提高电力物资保障能力，优化电力物资储备库存分配，并合理减少资金占用，实现电力生产的安全可靠。
在实际工作中，衡量一个方案的好坏往往难以用一个指标来判断，而需要多个指标进行比较，这些指标有时是不可协调甚至矛盾的，那么在给定条件下同时要求多个目标都尽可能的好，并为之确定一个合理的方案就是多目标优化问题。由于多目标优化问题在各种实际问题中大量存在，与单目标优化相比，多目标优化显得更加重要，因此多目标优化成为最优化领域的一个重要研究方向。对多目标优化问题寻求单一最优解是不现实的，通常多目标优化是产生一组可选的折衷解，由决策过程在可选解集中做出最终的选择。多目标优化的思想萌芽于经济学中的效用理论。从20世纪60年代以来，多目标优化问题吸引了越来越多不同背景的研究人员的注意力，无论在优化理论或应用方面都迅速、蓬勃的开展起来，如1968年，Z.J ohnsen系统地提出了关于多目标决策模型的研究报告。人们设计了多种求解多目标优化问题的方法，并运用它们解决各种实际问题，取得了一定效果。
传统的多目标算法是将多目标问题转换成单目标问题后利用成熟的单目标优化算法求解，其缺点是一次优化求解只能求出一个解。随着优化研究的深入，出现越了越来越多更复杂的优化问题，这些问题通常涉及很多因素，优化问题的模型难以描述，且自变量维数很多，使得计算量大大增加，这类问题可利用信息较少，因此很难设计出通用的优化算法。随着计算机技术的成熟，生命科学与工程科学相互交叉渗透和影响，为人工智能的发展提供了理论基础。其中进化计算作为一类优化技术，通过模拟生物进化过程与机制来求解问题，为解决复杂的多目标优化问题提供了新的思路和方法，受到了人们极大地关注。进化计算技术是一种更为宏观意义下的仿生优化算法，通过对达尔文的“优胜劣汰，适者生存”的进化原理及孟德尔等人的遗传变异理论的模拟，在优化过程中建立类似于自然界生物的进化过程与机制，来达到求解优化与搜索问题的目的。作为进化计算的一个研究方向，群体智能是以社会性动物的群体行为和人工生命理论为基础，研究各种群体行为的内在原理，并以这些原理为基础设计出新的问题求解方法。粒子群算法(particle swarmoptimization,PS0)作为群体智能算法的一种，在优化问题上能够成功地进行应用。PSO算法不要求被优化函数具有可微、可导、连续等性质，并且具有收敛速度快，算法简单，容易实现，控制参数少，计算速度快等特点。由于PSO算法的上述优点，它不但被用来解决单目标优化问题，而且越来越广泛地被应用于多目标优化问题求解上。
发明内容：
本发明要解决的技术问题：针对上述问题，提供了基于多目标粒子群优化算法的电力物资保障及调配平台，以便同时满足业扩新装、应急抢修、日常抢修多项工作开展的需要。
本发明的技术方案：一种基于多目标粒子群优化算法的电力物资保障及调配平台，包括WEB应用服务器，应用服务器中包括:
基于多目标粒子群优化算法的电力物资保障及调配平台，包括 WEB应用服务器，应用服务器中包括:
储备优化结果库：包括电力物资保障及调配优化结果数据集、优化结果评价校验训练集，为用户最终生成电力物资保障及调配多目标优化方案、方案结果评价与校验提供支撑数据；
物资需求信息库：存储电力业扩新装、应急抢修和日常抢修工作开展的物资需求清单，包括物资类别、物资预估单价、应急抢修灾害类别和抢修紧急程度；
多目标粒子群优化算法模块：从物资需求信息库获取物资需求清单数据，利用多目标粒子群优化算法模块求解最优解集，并将最优解集写入储备优化结果库；
算法评价校验模块：确定检验样本数据，检验多目标粒子群优化算法模块生成的计算结果，对生成的最优解集和检验样本数据进行比较，当计算结果集和样本数据集有较大误差时，可调整多目标权值，训练结束后，将相关多目标权值保存到储备优化结果库；
优化方案生成模块：提取储备优化结果库和电力物资系统中库存数据，生成电力物资保障及调配多目标优化方案，并从电力物资系统中获取物资采购单价数据，生成物资预估单价，将物资预估单价数据保存到物资需求信息库。
用户将满足业扩新装、应急抢修、日常抢修工作开展的物资需求清单导入所述应用服务器，并调用所述多目标粒子群优化算法模块进行处理，生成电力物资保障及调配多目标优化方案。
所述应用服务器通过数据接口导入电力物资系统的物资种类、采购价格、库存等信息，并计算生成电力物资预估单价，预估单价数据保存到物资需求信息库。
所述应用服务器导入算法评价检验样本数据，并通过所述算法评价校验模块将检验样本数据和所述多目标粒子群优化算法模块生成的最优解集进行比较，当计算结果集和样本数据集有较大误差时，调整多目标权值；训练结束后，将相关多目标权值保存到储备优化结果库。
电力物资保障及调配多目标粒子群优化算法步骤如下：
一、初始化粒子群体,包括多目标粒子群算法的控制参数, 群体规模,迭代次数，并从电力物资系统中采集历史数据获得业扩新装、应急抢修、日常抢修多项工作开展的各种物资需求量，以及各种变量因素参数；
二、计算每个粒子所代表物资保障及调配多目标优化方案的两个目标值：最小物资采购费用及最短供货用时；
三、根据Pareto最优概念更新每个粒子的个体最优值，即在粒子的当前位置和历史最优位置中选择一个非劣解作为粒子的个体最优值，如二者无支配关系则保持个体最优值不变；
四、根据粒子的序值挑选当前种群中序值较小的粒子，存入外部档案库,并删除其中供货超时的非劣解；
五、更新每个粒子的速度和位置；
六、判断是否达到最大迭代次数，若达到，则输出档案库中的非劣解；否则转到步骤二；
七、对档案库中的非劣解进行N-1校验,输出所有满足N-1 安全的电力物资保障及调配多目标优化方案。
在步骤一中，粒子群中每个粒子代表一种物资，其决策变量Xi＝(xi1,xi2,…,xiD)，i＝1,2,…,N；D为种变量因素的数目；第i 个粒子的速度也是一个D维的向量，记为Vi＝(vi1,vi2，…,viD)。
在步骤二中，最小物资采购费用为minf1，最短供货用时为 minf2，则：
其中S为采购物资集，Kl为物资单价，xi为第i种待选物资的决策变量，li为第i种物资的需求量，wi为第i种物资的供货时间约束， yi为第i种物资的供货时间约束系数。AP(i,n)为资金收回系数，其中 i为资金贴现率，n为贴现年限。
在步骤三中第i个粒子迄今为止搜索到的最优位置称为个体极值，记为
pbest＝(pi1,pi2,…,piD)，i＝1,2,…,N；
整个粒子群迄今为止搜索到的最优位置为全局极值，记为
gbest＝(pg1,pg2,…,pgD)。
粒子根据如下公式来更新自己速度和位置：
vid＝w*vid+c1r1(pid-xid)+c2r2(pgd-xid)
xid＝xid+vid；
其中c1和c2为学习因子由用户设定，r1和r2为[0，1]范围内的均匀随机数。
所述应用服务器为WEB应用服务器，用户通过网页将物资需求清单导入应用服务器，并调用应用服务器执行多目标粒子群优化 (MPSO)计算，生成电力物资保障及调配多目标优化方案。
所述应用服务器通过数据接口导入电力物资系统的物资种类、采购价格、库存等信息，并计算生成电力物资预估单价。同时所述应用服务器导入算法评价检验样本数据，并通过算法评价校验模块和最优解集进行比较，作为业扩新装、应急抢修、日常抢修多项工作的权值调整依据。
本发明的有益效果：
综合电力企业物资储备历史数据，业扩新装、应急抢修、日常抢修多项工作开展的物资需求，以及应急灾害类别、抢修紧急程度等相关数据，运用多目标粒子群优化(MPSO)算法，生成电力物资保障及调配多目标优化方案。应用服务器采用上述方法，能够快速计算某种灾害或事件发生后对各种电力物资的需求量，指导相关部门按需储备或采购物资，保证电力抢修工作的顺利进行，同时避免过量储备或采购导致的资金浪费。多目标粒子群优化(MPSO)算法的运行，能够得到同时满足业扩新装、应急抢修、日常抢修多项工作开展需要的物资储备多目标优化的最优非劣解集，其具有收敛速度快，算法简单，容易实现，控制参数少，计算速度快等特点。该算法与电力物资系统相结合，能够根据具体的灾害类别、抢修紧急程度对应的所需物资进行优化计算，输出准确高效的物资储备方案，确保储备物资满足需要，避免物资储备中重复储备和储备不足，使电力物资储备水平得到显著提升。与传统单目标算法得到的结果相比,多目标粒子群优化算法得到的方案能更合理地分配物资储备库存，减少物资储备资金占用，提高物资供应保障能力，保证电力生产的安全可靠。
具体实施方式：
本平台由WEB应用服务器、PC终端组成，应用服务器包括：储备优化结果库、物资需求信息库、多目标粒子群优化算法模块、算法评价校验模块和优化方案生成模块。PC端上安装有导入满足业扩新装、应急抢修、日常抢修多项工作开展的物资需求清单的应用端。
储备优化结果库：包括电力物资保障及调配优化结果数据集、优化结果评价校验训练集，为用户最终生成电力物资保障及调配多目标优化方案、方案结果评价与校验提供支撑数据；
物资需求信息库：存储电力业扩新装、应急抢修、日常抢修多项工作开展的物资需求清单，包括物资类别、物资预估单价，以及应急抢修灾害类别、抢修紧急程度等；
多目标粒子群优化算法模块：从物资需求信息库获取物资需求清单数据，利用多目标粒子群优化(MPSO)算法模块求解最优解集，并将最优解集写入储备优化结果库；
算法评价校验模块：确定检验样本数据，检验多目标粒子群优化 (MPSO)算法模块生成的计算结果，对生成的最优解集和检验样本数据进行比较，当计算结果集和样本数据集有较大误差时，可调整多目标权值。训练结束后，将相关多目标权值保存到储备优化结果库 100；
优化方案生成：提取储备优化结果库中数据，以及电力物资系统中库存数据，生成电力物资保障及调配多目标优化方案。并从电力物资系统中获取物资采购单价数据，生成物资预估单价，将物资预估单价数据保存到物资需求信息库200。
多目标电力物资储备优化模型
电力物资储备优化考虑的因素包括物资采购费用、供货时间等, 将这些因素分别作为电力物资储备优化问题的优化目标,建立多目标电力物资储备优化模型如式(1)-(2)。
式中:目标函数f1为方案的物资采购费用，S为采购物资集，Kl为物资单价，xi为第i种待选物资的决策变量，li为第i种物资的需求量。目标函数f2为供货用时约束，Wi为第i种物资的供货时间约束， yi为第i种物资的供货时间约束系数。AP(i,n)为资金收回系数，其中i为资金贴现率，n为贴现年限。
PSO优化算法
作为一种基于种群操作的优化技术，PSO算法将群体中的每个个体看作D维搜索空中一个没有体积和重量的粒子，即代表一个可能的候选解，粒子在搜索空间中以一定的速度飞行，其飞行所经历过的最好位置就是该粒子本身所找到的最好解，粒子的飞行速度由该粒子的飞行经验和群体的飞行经验进行动态调整，逐代搜索最后得到最优解。
假设在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第i个粒子表示为一个D维的向量
Xi＝(xi1,xi2,…,xiD)，i＝1,2,…,N。
第i个粒子的“飞行”速度也是一个D维的向量，记为
Vi＝(vi1,vi2，…,viD)，i＝1,2,…3。
第i个粒子迄今为止搜索到的最优位置称为个体极值，记为
pbest＝(pi1,pi2,…,piD)，i＝1,2,…,N。
整个粒子群迄今为止搜索到的最优位置为全局极值，记为
gbest＝(pg1,pg2,…,pgD)
在找到这两个最优值时，粒子根据如下公式(3.1)和(3.2)来更新自己速度和位置：
vid＝w*vid+c1r1(pid-xid)+c2r2(pgd-xid)(3.1)
xid＝xid+vid(3.2)
其中c1和c2为学习因子，也称加速常数(acceleration constant)，r1和r2为[0，1]范围内的均匀随机数。式(3.1)右边由三部分组成，第一部分为“惯性(inertia)”或“动量(momentum)”部分，反映了粒子的运动
“习惯(habit)”，代表粒子有维持自己先前速度的趋势；第二部分为“认知(cognition)”部分，反映了粒子对自身历史经验的记忆(memory) 或回忆(remembrance)，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会(social)”部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体或邻域历史最佳位置逼近的趋势，根据经验，通常c1＝c2＝2。i＝1,2,…,D。vid是粒子的速度， vid∈[-vmax,vmax]，vmax是常数，由用户设定用来限制粒子速度。r1和r2是介于[0,1]之间的随机数。
精英归档
单目标进化算法中，常将适应度大的个体称为精英个体，这些个体不参加交叉、变异等操作而直接被复制到下一代群体中去，这样既有利于群体向优秀个体方向进化，又可以加快算法的收敛速度。多目标粒子群算法也采用这种策略，多目标粒子群算法中，根据粒子对应的目标向量受支配程度来确定粒子的优劣程度。为了衡量每个粒子对应的目标向量受支配程度，定义粒子的序值进行度量。如第t代种群的Xi个体的目标向量被同代种群中的Pt个体的目标向量所支配，那么个体X的序值rank(X,t)＝1+Pt，所有支配个体的序值被指定为1，序值越小,粒子受支配程度越小,粒子的目标向量越好；序值越大，粒子受支配程度越大，粒子的目标向量越差。在种群外部设置一个档案库，将当前种群中所有序值为1的个体作为精英个体保存到外部档案库中，如果当前群体中没有序值为1的个体，则将序值较小的个体作为精英个体存到档案库，这种操作称为精英归档。
多目标粒子群优化算法流程
电力物资保障及调配多目标粒子群优化算法流程如下：
(1)初始化粒子群体,包括多目标粒子群算法的控制参数,群体规模,迭代次数，并从电力物资系统中采集历史数据获得业扩新装、应急抢修、日常抢修多项工作开展的各种物资需求量，以及各种变量因素参数；
(2)计算每个粒子所代表物资保障及调配多目标优化方案的2个目标值f1(X)、f2(X)；
(3)根据Pareto最优概念更新每个粒子的个体最优值，即在粒子的当前位置和历史最优位置中选择一个非劣解作为粒子的个体最优值，如二者无支配关系则保持个体最优值不变；
(4)根据粒子的序值挑选当前种群中序值较小的粒子，存入外部档案库,并删除其中供货超时的非劣解。精英个体粒子保存在种群外部的档案库中，其用以保存算法进化过程中产生的非劣解，粒子更新时所需的全体最优值可直接从外部档案库中选择；
(5)根据公式(3.1)和(3.2)更新每个粒子的速度和位置；
(6)判断是否达到最大迭代次数，若达到，则输出档案库中的非劣解；否则转到(2)；
(7)对档案库中的非劣解进行N-1校验,输出所有满足N-1安全的电力物资保障及调配多目标优化方案。使用多目标粒子群算法计算时会出现违反约束的供货超时非劣解,在对外部档案库进行更新时，需要对档案库中的非劣解进行N-1校验，以便删除供货超时的非劣解。由于N-1校验计算量大，因此在算法迭代过程中不做N-1校验,以减小计算量、缩短计算时间,待种群进化结束时，对获得的非劣解进行N-1校验。
Claims (7)
1.一种基于多目标粒子群优化算法的电力物资保障及调配平台，包括WEB应用服务器，其特征在于应用服务器中包括:
储备优化结果库：包括电力物资保障及调配优化结果数据集、优化结果评价校验训练集，为用户最终生成电力物资保障及调配多目标优化方案、方案结果评价与校验提供支撑数据；
物资需求信息库：存储电力业扩新装、应急抢修和日常抢修工作开展的物资需求清单，包括物资类别、物资预估单价、应急抢修灾害类别和抢修紧急程度；
多目标粒子群优化算法模块：从物资需求信息库获取物资需求清单数据，利用多目标粒子群优化算法模块求解最优解集，并将最优解集写入储备优化结果库；
算法评价校验模块：确定检验样本数据，检验多目标粒子群优化算法模块生成的计算结果，对生成的最优解集和检验样本数据进行比较，当计算结果集和样本数据集有较大误差时，可调整多目标权值，训练结束后，将相关多目标权值保存到储备优化结果库；
优化方案生成模块：提取储备优化结果库和电力物资系统中库存数据，生成电力物资保障及调配多目标优化方案，并从电力物资系统中获取物资采购单价数据，生成物资预估单价，将物资预估单价数据保存到物资需求信息库。
2.根据权利要求1所述基于多目标粒子群优化算法的电力物资保障及调配平台，其特征在于:用户将满足业扩新装、应急抢修、日常抢修工作开展的物资需求清单导入所述应用服务器，并调用所述多目标粒子群优化算法模块进行处理，生成电力物资保障及调配多目标优化方案。
3.根据权利要求1所述基于多目标粒子群优化算法的电力物资保障及调配平台，其特征在于：所述应用服务器通过数据接口导入电力物资系统的物资种类、采购价格、库存等信息，并计算生成电力物资预估单价，预估单价数据保存到物资需求信息库。
4.根据权利要求1-2所述基于多目标粒子群优化算法的电力物资保障及调配平台，其特征在于：所述应用服务器导入算法评价检验样本数据，并通过所述算法评价校验模块将检验样本数据和所述多目标粒子群优化算法模块生成的最优解集进行比较，当计算结果集和样本数据集有较大误差时，调整多目标权值；训练结束后，将相关多目标权值保存到储备优化结果库。
5.根据权利要求1所述基于多目标粒子群优化算法的电力物资保障及调配平台，其特征在于电力物资保障及调配多目标粒子群优化算法步骤如下：
一、初始化粒子群体,包括多目标粒子群算法的控制参数,群体规模,迭代次数，并从电力物资系统中采集历史数据获得业扩新装、应急抢修、日常抢修多项工作开展的各种物资需求量，以及各种变量因素参数；
二、计算每个粒子所代表物资保障及调配多目标优化方案的两个目标值：最小物资采购费用及最短供货用时；
三、根据Pareto最优概念更新每个粒子的个体最优值，即在粒子的当前位置和历史最优位置中选择一个非劣解作为粒子的个体最优值，如二者无支配关系则保持个体最优值不变；
四、根据粒子的序值挑选当前种群中序值较小的粒子，存入外部档案库,并删除其中供货超时的非劣解；
五、更新每个粒子的速度和位置；
六、判断是否达到最大迭代次数，若达到，则输出档案库中的非劣解；否则转到步骤二；
七、对档案库中的非劣解进行N-1校验,输出所有满足N-1安全的电力物资保障及调配多目标优化方案。
6.根据权利要求5所述基于多目标粒子群优化算法的电力物资保障及调配平台，其特征在于：在步骤一中，粒子群中每个粒子代表一种物资，其决策变量Xi＝(xi1,xi2,…,xiD)，i＝1,2,…,N；D为种变量因素的数目；第i个粒子的速度也是一个D维的向量，记为Vi＝(vi1,vi2，…,viD)。
7.根据权利要求6所述基于多目标粒子群优化算法的电力物资保障及调配平台，其特征在于：在步骤二中，最小物资采购费用为minf1，最短供货用时为minf2，则：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811011394.5A CN109086900B (zh) | 2018-08-31 | 2018-08-31 | 基于多目标粒子群优化算法的电力物资保障及调配平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811011394.5A CN109086900B (zh) | 2018-08-31 | 2018-08-31 | 基于多目标粒子群优化算法的电力物资保障及调配平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109086900A true CN109086900A (zh) | 2018-12-25 |
| CN109086900B CN109086900B (zh) | 2021-06-01 |
Family
ID=64840227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811011394.5A Active CN109086900B (zh) | 2018-08-31 | 2018-08-31 | 基于多目标粒子群优化算法的电力物资保障及调配平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109086900B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992919A (zh) * | 2019-04-11 | 2019-07-09 | 天津科技大学 | 基于粒子群算法的啤酒灌装生产线设备选型系统 |
| CN110046761A (zh) * | 2019-04-11 | 2019-07-23 | 北京工业大学 | 一种基于多目标粒子群优化算法的乙醇库存补货策略 |
| CN110458327A (zh) * | 2019-07-09 | 2019-11-15 | 浙江墨煌信息科技有限公司 | 应急物资调度方法及其系统 |
| CN110543805A (zh) * | 2019-04-15 | 2019-12-06 | 贵州电网有限责任公司都匀供电局 | 基于图像识别和智能调配的电力应急物资需求提报平台 |
| CN112381670A (zh) * | 2020-11-27 | 2021-02-19 | 国网江苏省电力有限公司无锡供电分公司 | 一种综合能源系统的组件容量匹配全局寻优方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090204267A1 (en) * | 2001-08-10 | 2009-08-13 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
| CN102831489A (zh) * | 2012-08-29 | 2012-12-19 | 广东电网公司 | 电力配网建设物资需求预测方法及装置 |
| CN104392099A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种混合多目标粒子群算法解决应急调度问题方法 |
| CN105868839A (zh) * | 2016-02-26 | 2016-08-17 | 海南电网有限责任公司 | 一种应急物资储备优化系统 |
| CN106529782A (zh) * | 2016-11-02 | 2017-03-22 | 贵州电网有限责任公司贵阳供电局 | 一种电力应急物资综合保障分析与管理平台及计算方法 |
-
2018
- 2018-08-31 CN CN201811011394.5A patent/CN109086900B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090204267A1 (en) * | 2001-08-10 | 2009-08-13 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
| CN102831489A (zh) * | 2012-08-29 | 2012-12-19 | 广东电网公司 | 电力配网建设物资需求预测方法及装置 |
| CN104392099A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种混合多目标粒子群算法解决应急调度问题方法 |
| CN105868839A (zh) * | 2016-02-26 | 2016-08-17 | 海南电网有限责任公司 | 一种应急物资储备优化系统 |
| CN106529782A (zh) * | 2016-11-02 | 2017-03-22 | 贵州电网有限责任公司贵阳供电局 | 一种电力应急物资综合保障分析与管理平台及计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 于小兵: "基于改进粒子群算法的多目标应急物资调度", 《工业工程》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992919A (zh) * | 2019-04-11 | 2019-07-09 | 天津科技大学 | 基于粒子群算法的啤酒灌装生产线设备选型系统 |
| CN110046761A (zh) * | 2019-04-11 | 2019-07-23 | 北京工业大学 | 一种基于多目标粒子群优化算法的乙醇库存补货策略 |
| CN110046761B (zh) * | 2019-04-11 | 2021-06-25 | 北京工业大学 | 一种基于多目标粒子群优化算法的乙醇库存补货策略 |
| CN109992919B (zh) * | 2019-04-11 | 2023-04-07 | 天津科技大学 | 基于粒子群算法的啤酒灌装生产线设备选型系统 |
| CN110543805A (zh) * | 2019-04-15 | 2019-12-06 | 贵州电网有限责任公司都匀供电局 | 基于图像识别和智能调配的电力应急物资需求提报平台 |
| CN110458327A (zh) * | 2019-07-09 | 2019-11-15 | 浙江墨煌信息科技有限公司 | 应急物资调度方法及其系统 |
| CN112381670A (zh) * | 2020-11-27 | 2021-02-19 | 国网江苏省电力有限公司无锡供电分公司 | 一种综合能源系统的组件容量匹配全局寻优方法和系统 |
| CN112381670B (zh) * | 2020-11-27 | 2022-08-05 | 国网江苏省电力有限公司无锡供电分公司 | 一种综合能源系统的组件容量匹配全局寻优方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109086900B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086900A (zh) | 基于多目标粒子群优化算法的电力物资保障及调配平台 | |
| Wang et al. | Stochastic economic emission load dispatch through a modified particle swarm optimization algorithm | |
| Shieh et al. | Modified particle swarm optimization algorithm with simulated annealing behavior and its numerical verification | |
| Jasmin et al. | Reinforcement learning approaches to economic dispatch problem | |
| CN108280538A (zh) | 基于云计算环境下分布式物流库存优化方法 | |
| Yang et al. | The cascade reservoirs multi-objective ecological operation optimization considering different ecological flow demand | |
| CN108092320A (zh) | 分布式光伏并网准入容量的规划方法及系统 | |
| CN111339066B (zh) | 数据库优化方法、装置、电子设备及计算机可读存储介质 | |
| CN115309980A (zh) | 一种基于鲸鱼优化bp神经网络的协同过滤智能推荐方法 | |
| CN109445906A (zh) | 一种虚拟机需求数量预测方法 | |
| Pilát et al. | Aggregate meta-models for evolutionary multiobjective and many-objective optimization | |
| CN113255873A (zh) | 一种聚类天牛群优化方法、系统、计算机设备和存储介质 | |
| CN109858665A (zh) | 基于特征筛选与anfis-pso的光伏短期功率预测方法 | |
| Wu et al. | Remaining useful life prediction of Lithium-ion batteries based on PSO-RF algorithm | |
| Liu et al. | An adaptive lion swarm optimization algorithm incorporating tent chaotic search and information entropy | |
| CN108711860B (zh) | 一种基于并行计算的配电网变电站-线路联合规划方法 | |
| Shaheen et al. | Enhancing parameter identification and state of charge estimation of Li-ion batteries in electric vehicles using an improved marine predators algorithm | |
| Iruela et al. | A GPU-accelerated adaptation of the PSO algorithm for multi-objective optimization applied to artificial neural networks to predict energy consumption | |
| Shao et al. | An improved artificial bee colony-based approach for zoning protected ecological areas | |
| Xu et al. | Extremal Nelder–Mead colony predation algorithm for parameter estimation of solar photovoltaic models | |
| CN115860382A (zh) | 一种储能电站与常规电源协调调峰的多目标优化配置方法 | |
| CN116316588A (zh) | 微电网的优化调度方法、装置、计算机设备和存储介质 | |
| Lin et al. | PowerFlowNet: Leveraging Message Passing GNNs for Improved Power Flow Approximation | |
| Pappala et al. | Power system optimization under uncertainties: A PSO approach | |
| Mubarok et al. | Electrical load forecasting study using artificial neural network method for minimizing blackout |
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 |