CN110598983A - 一种自适应改进粒子群算法的梯级水库优化调度方法 - Google Patents
一种自适应改进粒子群算法的梯级水库优化调度方法 Download PDFInfo
- Publication number
- CN110598983A CN110598983A CN201910729073.7A CN201910729073A CN110598983A CN 110598983 A CN110598983 A CN 110598983A CN 201910729073 A CN201910729073 A CN 201910729073A CN 110598983 A CN110598983 A CN 110598983A
- Authority
- CN
- China
- Prior art keywords
- particle
- reservoir
- cascade reservoir
- particle swarm
- learning factor
- 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 146
- 238000000034 method Methods 0.000 title claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 46
- 230000013016 learning Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000001149 cognitive effect Effects 0.000 claims abstract description 18
- 230000009326 social learning Effects 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000010248 power generation Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000001595 flow curve Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005728 strengthening 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
- G06Q10/04—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自适应改进粒子群算法的梯级水库优化调度方法,属于水利水电领域,所述方法包括:获取梯级水库系统基本信息;构建以水库调度期内各时段水位作为决策变量,最大发电量作为目标函数的梯级水库优化调度模型,并确定约束条件;根据梯级水库系统基本信息和约束条件,对粒子群参数进行初始化;计算各粒子相对进步度,并根据相对进步度更新各粒子的惯性权重、认知学习因子和社会学习因子,进而更新各粒子速度和位置;计算粒子群更新完成后的最优适应值,获得梯级水库系统每个月的发电量、月末水位和出库流量。本发明利用粒子相对进步度自适应调整粒子群参数,克服了传统粒子群算法易陷入局部最优的不足,提高了梯级水库的发电效益。
Description
技术领域
本发明属于水利水电技术领域,更具体地,涉及一种自适应改进粒子群算法的梯级水库优化调度方法。
背景技术
流域梯级水库优化调度是在满足市场、电网负荷需求及水电系统约束、上下游防洪安全、生态安全、航运安全等前提下,协调各级水库之间的水头、流量和出力关系,提高流域梯级水库群运行管理效益的主要手段,因此梯级水库优化调度实质是一个多维、多局部极值、复杂的非线性多约束优化问题。
目前,用于求解梯级水库群优化调度模型的方法大致分为两类,第一类是传统线性和非线性方法、动态规划法等方法,但此类方法在一定程度上存在维数灾难、算法复杂,收敛不稳定等问题。第二类是群体智能优化算法(SIA),如粒子群优化(PSO)算法、人工鱼群算法(AFSA)算法、蚁群算法(ACO)算法、布谷鸟搜索(CS)算法、群居蜘蛛优化(SSO)算法等。由于该类方法具有自学习、自组织、自适应的特征和简单、易懂、鲁棒性强以及并行处理等优点,目前已广泛用于梯级水库群优化调度,并取得了一定的实际应用效果。
然而随着搜索空间越来越复杂、搜索规模越来越大,传统的智能优化算法往往表现得很乏力。其中传统的粒子群算法(PSO)具有收敛速度快,程序容易实现,需要调整的参数少,对问题的依赖性较小等优点而受到广泛应用。但是PSO算法在求解梯级水库优化调度模型时容易陷入局部最优解,使种群失去多样性,同时影响收敛的速度和效率,造成梯级水库的发电效益较低。
发明内容
针对现有技术的缺陷,本发明的目的在于一种自适应改进粒子群算法的梯级水库优化调度方法,旨在解决传统粒子群算法在求解梯级水库优化调度模型时容易陷入局部最优解,使种群失去多样性,造成梯级水库的发电效益较低的问题。
为实现上述目的,本发明提供了一种自适应改进粒子群算法的梯级水库优化调度方法,包括:
(1)获取梯级水库系统基本信息;
(2)构建以水库调度期内各时段水位作为决策变量,最大发电量作为目标函数的梯级水库优化调度模型,并根据所述梯级水库系统基本信息确定所述优化调度模型的约束条件;
(3)根据所述梯级水库系统基本信息和约束条件,对粒子群参数进行初始化;
(4)根据所述优化调度模型计算各粒子相对进步度,并根据所述相对进步度更新各粒子的惯性权重、认知学习因子和社会学习因子;
(5)根据所述惯性权重、认知学习因子和社会学习因子,更新各粒子速度和位置,直至迭代的次数达到了预先设定的最大次数;
所述相对进步度为粒子自身的进步度与群体所有粒子平均进步度的比值;所述粒子自身的进步度为粒子前、后两次寻优的适应度之差;
(6)计算粒子群更新完成后的最优适应值,并根据所述最优适应值获得梯级水库系统每个月的发电量、月末水位和出库流量。
进一步地,步骤(1)中所述基本信息包括水库的水位库容曲线、末水位和下泄流量曲线、各月入库流量、正常蓄水位、死水位、总装机容量、保证出力,电站综合出力系数。
进一步地,步骤(2)中所述梯级水库优化调度模型表达式为:
其中,Ai为第i个电站出力系数;qit为第i个电站第t时段的平均发电流量,单位为m3/s;Hit为第i个电站第t时段的平均发电水头,单位为m; R为水电站总数目;T为总时段数;△T为时段长度。
进一步地,步骤(2)中所述约束条件包括:水量平衡约束 Vi,t+1=Vit+(Qit-qit-Sit)Δt、出力约束Nit,min≤Nit≤Nit,max、下泄流量约束 qit,min≤qit+Sit≤qit,max和水位约束Zit,min≤Zit≤Zit,max;
其中,Vit和分别Vi,t+1为第i个水库t时段初、末的库容;Qit为第i个水库在t时段的入库流量;qit为第i个水库在t时段的发电流量;Sit为第i个水库在t时段的弃水流量;Nit,min和Nit,max为第i个水电站在t时段的最小与最大限制出力;qit,min和qit,max为第i个水电站在t时段的最小与最大允许下泄流量;Zit,min和Zit,max为第i个水电站在t时段的最小与最大允许限制水位。
进一步地,步骤(3)中初始化的粒子群参数包括:粒子种群数、最大迭代次数、初始惯性权重、初始认知学习因子、初始社会学习因子、粒子的初始速度、粒子初始位置和粒子速度的上下限。
进一步地,步骤(4)中所述根据所述相对进步度更新各粒子的惯性权重、认知学习因子和社会学习因子,具体包括:
(4.1)根据公式对第k代粒子i的惯性权重进行更新;
(4.2)根据公式对第k代粒子i的认知学习因子进行更新;
(4.3)根据公式对第k代粒子i的社会学习因子进行更新;
其中,fi k为第k代粒子i的适应值,Δfi k为第k代和第k-1代粒子i的适应值差值,D为粒子种群数,k为迭代次数,第k代粒子i的相对进步度。
进一步地,步骤(5)中所述根据所述惯性权重、认知学习因子和社会学习因子,更新各粒子速度和位置,具体包括:
(5.1)根据如下公式更新粒子i的速度;
其中,rand1、rand2表示[0,1]之间的随机数,Vi k和分别是第k代粒子 i的速度和位置,是第k代粒子i的最佳位置,gbestk是整个种群在迭代k时的最佳位置。
(5.2)根据公式更新粒子i的位置。
通过本发明所构思的以上技术方案,与现有技术相比,能够取得以下有益效果:
本发明利用粒子相对进步度来自适应调整粒子群的惯性权重和认知学习因子和社会学习因子,并用所有粒子的个体最优值的平均值替代粒子群中最差的个体最优值,克服了传统粒子群算法易陷入局部最优的不足,在提高粒子群搜索效率和收敛速度的同时,增加粒子种群的多样性,加强其他粒子好的信息对搜索的引导,增大搜索到全局最优值的概率,提高了梯级水库的发电效益。
附图说明
图1为本发明提出的自适应改进粒子群算法流程图;
图2为标准粒子群算法流程图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1,本发明提供了一种自适应改进粒子群算法的梯级水库优化调度方法,包括:
(1)获取梯级水库系统的基本数据;
具体地,本发明实例的梯级水库由A和B两个年调节水库组成,水库 A在水库B的上游,已知各水库的水库的水位库容曲线、末水位和下泄流量曲线、各月入库流量、正常蓄水位、死水位、总装机容量、保证出力、允许最大下泄流量、电站综合出力系数。A水库主要以发电为主,为流域周围电网提供供电需求,兼有防洪、供水、航运、旅游及渔业养殖等综合效益。电站的正常蓄水位为1140m,总库容44.97亿m3,调节库容33.61 亿m3,总装机容量600MW,保证出力157.1MW,多年平均发电量15.6亿 k W·h。B水库是该干流梯级第2级电站,距上游A水库65km,该水库以发电为主,水库正常蓄水位970m,正常蓄水位以下库容8.64亿m3,总库容10.25亿m3,调节库容4.91亿m3,总装机容量695MW,保证出力 236.1MW,多年平均年发电量24.24亿k W·h。
(2)构建以水库调度期内各时段水位作为决策变量,最大发电量作为目标函数的梯级水库优化调度模型,并根据梯级水库系统基本信息确定该优化调度模型的约束条件;
具体地,梯级水电站优化调度模型以水电站水库的水利水电系统为整体目标,建立发电量最大的目标函数f(x),公式如下:
f(x)=MaxEA+MaxEB
式中,Ai为第i个电站出力系数,A水库取8.5,B水库取8.35;qit为第i个电站第t时段的平均发电流量,单位为m3/s;Hit为第i个电站第t时段的平均发电水头,是这一时段上游平均水位减下游平均水位,上游平均水位为上游初水位与末水位的平均值,下游平均水位根据下游水位-流量关系确定,单位为m;R为水电站总数目,本发明实施例取2;T为总时段数(本发明实施例计算时段为月,T=12);ΔT为各单位时段长度。
然后建立符合本梯级水库群的各种约束:
水量平衡约束:Vi,t+1=Vit+(Qit-qit-Sit)Δt,式中Vit和Vi,t+1分别为第i个水库t时段初、末的库容;Qit为第i个水库在t时段的入库流量,具体取值见表3;qit为第i个水库在t时段的发电流量;Sit为第i个水库在t时段的弃水流量;
出力约束:Nit,min≤Nit≤Nit,max,式中Nit,min和Nit,max为第i个水电站在t 时段的最小与最大限制出力;
下泄流量约束:qit,min≤qit+Sit≤qit,max,式中qit,min和qit,max为第i个水电站在t时段的最小与最大允许下泄流量;
水位约束:Zit,min≤Zit≤Zit,max,式中Zit,min和Zit,max为第i个水电站在t时段的最小与最大允许限制水位。
(3)根据所述梯级水库系统基本信息和约束条件,对粒子群参数进行初始化;
具体地,初始化的粒子群参数包括:粒子种群数、最大迭代次数、初始惯性权重、初始认知学习因子、初始社会学习因子、粒子的初始速度、粒子初始位置和粒子速度的上下限。
(4)根据优化调度模型计算各粒子相对进步度,并根据所述相对进步度更新各粒子的惯性权重、认知学习因子和社会学习因子;
具体地,根据事先设定的适应值函数(即优化调度模型),计算每个粒子当前的适应值,即可衡量粒子位置的优劣,将每个粒子评价的最优结果作为个体极值pbest,选择群体中最大的一个为全局极值gbest,记录粒子的位置;
粒子在当前速度驱使下,如果相对进步度越大,说明该粒子在所有粒子中的寻优效果越好,则应加大该粒子“惯性”部分的影响,即增加其惯性权重值,也就是相对增强粒子的探索能力;同时应该增大认知学习因子 c1值和减小社会学习因子c2值,也就是加强自身经验的影响和减弱社会经验的影响,因此根据公式对第k代粒子i的惯性权重进行更新;根据公式对第k代粒子i的认知学习因子进行更新;根据公式对第k代粒子i的社会学习因子进行更新;
其中,fi k为第k代粒子i的适应值,Δfi k为第k代和第k-1代粒子i的适应值差值,即粒子自身的进步度, D为粒子种群数,k为迭代次数,第k代粒子i的相对进步度,为粒子自身的进步度与群体所有粒子平均进步度的比值;
(5)根据惯性权重、认知学习因子和社会学习因子,更新各粒子速度和位置,直至迭代的次数达到预先设定的最大次数;
具体地,在速度更新中,用所有粒子的个体最优值的平均值替代粒子群中最差的个体最优值,对粒子进行评价更新个体极值和全局极值。如果粒子的适应值优于当前的个体极值,则将个体极值pbest设置为该粒子的位置,更新个体极值,如果所有粒子的个体极值中最好的优于全局极值,则将全局极值gbest设置为该粒子的位置,更新全局极值;
粒子i的速度更新公式如下;
其中,rand1、rand2表示[0,1]之间的随机数,Vi k和分别是第k代粒子 i的速度和位置,是第k代粒子i的最佳位置,gbestk是整个种群在迭代k时的最佳位置;
粒子i的位置更新公式为:
(6)计算粒子群更新完成后的最优适应值,并根据最优适应值获得对应的梯级水库系统每个月的发电量、月末水位和出库流量。
为了验证本发明方法的有效性,分别采用如图2所示的标准粒子群算法,和本发明提出的自适应改进粒子群算法进行优化调度,并对结果进行对比分析;对于标准粒子群算法,取粒子种群数N=30,迭代次数K=100次,初始惯性权重ω0=0.8,初始认知学习因子c10、初始社会学习因子c20均取2,速度上限Vmax=2.0m/s,则速度下限Vmin=-2.0m/s,根据标准粒子群算法步骤求解该梯级水库的优化调度方案;
对于本发明提出的自适应改进粒子群算法,取粒子种群数N=30,迭代次数 K=100次,初始惯性权重ω0=0.9,初始认知学习因子c10=1,初始社会学习因子c20=1.5,速度上限Vmax=2.0m/s,则速度下限Vmin=-2.0m/s。
实施结果见表3、4、5。
表3
表3的结果显示,通过自适应改进PSO算法得到的梯级电站年发电量更高,表明本发明方法对梯级水电站的调度更优。
表4
表4列出了两种算法下每个电站的平均发电水头。与标准粒子群算法相比,自适应改进粒子群算法提高了电站的平均发电水头,说明相比标准粒子群算法,自适应改进粒子群算法能寻到更优值。
表5
由表5可知,采用自适应改进粒子群算法计算的梯级水库年总发电量约为32.26亿kw·h,计算时间为450s,标准粒子群算法计算结果为31.7亿 kw·h,计算时间为471s,与标准粒子群算法相比,自适应改进粒子群算法的提高了年总发电量的同时,有效地缩短了计算时间。综上所述,本发明自适应改进粒子群算法在梯级水库模型中的优化效果明显优于标准粒子群算法,具有较好的优化精度和全局优化能力。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种自适应改进粒子群算法的梯级水库优化调度方法,其特征在于,包括:
(1)获取梯级水库系统基本信息;
(2)构建以水库调度期内各时段水位作为决策变量,最大发电量作为目标函数的梯级水库优化调度模型,并根据所述梯级水库系统基本信息确定所述优化调度模型的约束条件;
(3)根据所述梯级水库系统基本信息和约束条件,对粒子群参数进行初始化;
(4)根据所述优化调度模型计算各粒子相对进步度,并根据所述相对进步度更新各粒子的惯性权重、认知学习因子和社会学习因子;
(5)根据所述惯性权重、认知学习因子和社会学习因子,更新各粒子速度和位置,直至迭代的次数达到了预先设定的最大次数;
所述相对进步度为粒子自身的进步度与群体所有粒子平均进步度的比值;所述粒子自身的进步度为粒子前、后两次寻优的适应度之差;
(6)计算粒子群更新完成后的最优适应值,并根据所述最优适应值获得梯级水库系统每个月的发电量、月末水位和出库流量。
2.根据权利要求1所述的一种自适应改进粒子群算法的梯级水库优化调度方法,其特征在于,步骤(1)中所述基本信息包括水库的水位库容曲线、末水位和下泄流量曲线、各月入库流量、正常蓄水位、死水位、总装机容量、保证出力,电站综合出力系数。
3.根据权利要求1或2所述的一种自适应改进粒子群算法的梯级水库优化调度方法,其特征在于,步骤(2)中所述梯级水库优化调度模型表达式为:
其中,Ai为第i个电站出力系数;qit为第i个电站第t时段的平均发电流量,单位为m3/s;Hit为第i个电站第t时段的平均发电水头,单位为m;R为水电站总数目;T为总时段数;△T为时段长度。
4.根据权利要求3所述的一种自适应改进粒子群算法的梯级水库优化调度方法,其特征在于,步骤(2)中所述约束条件包括:水量平衡约束Vi,t+1=Vit+(Qit-qit-Sit)Δt、出力约束Nit,min≤Nit≤Nit,max、下泄流量约束qit,min≤qit+Sit≤qit,max和水位约束Zit,min≤Zit≤Zit,max;
其中,Vit和分别Vi,t+1为第i个水库t时段初、末的库容;Qit为第i个水库在t时段的入库流量;qit为第i个水库在t时段的发电流量;Sit为第i个水库在t时段的弃水流量;Nit,min和Nit,max为第i个水电站在t时段的最小与最大限制出力;qit,min和qit,max为第i个水电站在t时段的最小与最大允许下泄流量;Zit,min和Zit,max为第i个水电站在t时段的最小与最大允许限制水位。
5.根据权利要求1所述的一种自适应改进粒子群算法的梯级水库优化调度方法,其特征在于,步骤(3)中初始化的粒子群参数包括:粒子种群数、最大迭代次数、初始惯性权重、初始认知学习因子、初始社会学习因子、粒子的初始速度、粒子初始位置和粒子速度的上下限。
6.根据权利要求1所述的一种自适应改进粒子群算法的梯级水库优化调度方法,其特征在于,步骤(4)中所述根据所述相对进步度更新各粒子的惯性权重、认知学习因子和社会学习因子,具体包括:
(4.1)根据公式对第k代粒子i的惯性权重进行更新;
(4.2)根据公式对第k代粒子i的认知学习因子进行更新;
(4.3)根据公式对第k代粒子i的社会学习因子进行更新;
其中,fi k为第k代粒子i的适应值,Δfi k为第k代和第k-1代粒子i的适应值差值,D为粒子种群数,k为迭代次数,第k代粒子i的相对进步度。
7.根据权利要求1所述的一种自适应改进粒子群算法的梯级水库优化调度方法,其特征在于,步骤(5)中所述根据所述惯性权重、认知学习因子和社会学习因子,更新各粒子速度和位置,具体包括:
(5.1)根据如下公式更新粒子i的速度;
其中,rand1、rand2表示[0,1]之间的随机数,Vi k和分别是第k代粒子i的速度和位置,是第k代粒子i的最佳位置,gbestk是整个种群在迭代k时的最佳位置。
(5.2)根据公式更新粒子i的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729073.7A CN110598983A (zh) | 2019-08-08 | 2019-08-08 | 一种自适应改进粒子群算法的梯级水库优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729073.7A CN110598983A (zh) | 2019-08-08 | 2019-08-08 | 一种自适应改进粒子群算法的梯级水库优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598983A true CN110598983A (zh) | 2019-12-20 |
Family
ID=68853794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729073.7A Pending CN110598983A (zh) | 2019-08-08 | 2019-08-08 | 一种自适应改进粒子群算法的梯级水库优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598983A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210141A (zh) * | 2020-01-03 | 2020-05-29 | 黄河勘测规划设计研究院有限公司 | 基于约束机制粒子群算法的水库库容曲线修正方法 |
CN111626512A (zh) * | 2020-05-28 | 2020-09-04 | 国家电网公司西南分部 | 一种考虑电网断面约束的梯级水电日前调度方法 |
CN112036632A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种梯级水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
CN112132469A (zh) * | 2020-09-25 | 2020-12-25 | 华中科技大学 | 一种基于多种群协作粒子群算法的水库群调度方法和系统 |
CN112232659A (zh) * | 2020-10-15 | 2021-01-15 | 华中科技大学 | 一种梯级水库发电调度方法及系统 |
CN112529339A (zh) * | 2021-01-12 | 2021-03-19 | 黄河勘测规划设计研究院有限公司 | 利用改进粒子群算法优化水库发电调度图的方法 |
CN113705899A (zh) * | 2021-08-30 | 2021-11-26 | 武汉大学 | 水库优化调度最优决策与效益的找寻方法 |
CN117236478A (zh) * | 2023-06-01 | 2023-12-15 | 南京航空航天大学 | 基于Transformer改进深度强化学习的多目标多水库调度优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN106355292A (zh) * | 2016-09-21 | 2017-01-25 | 广东工业大学 | 基于量子粒子群算法的梯级水库优化调度方法及系统 |
-
2019
- 2019-08-08 CN CN201910729073.7A patent/CN110598983A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN106355292A (zh) * | 2016-09-21 | 2017-01-25 | 广东工业大学 | 基于量子粒子群算法的梯级水库优化调度方法及系统 |
Non-Patent Citations (5)
Title |
---|
YANGYANG JIA 等: "Multiple groups of gradient particle swarm optimization and its application in optimal operation of reservoir", 《2014 10TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION (ICNC)》 * |
刘列: "自适应粒子群算法在水库优化调度中的应用研究", 《大众科技》 * |
向益奇: "基于自适应进步粒子群算法的梯级水库群优化调度研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
徐生兵等: "一种改进学习因子的粒子群算法", 《信息安全与技术》 * |
邓剑波 等: "基于改进粒子群算法的冷热电联供微网优化调度", 《电力科学与技术学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210141A (zh) * | 2020-01-03 | 2020-05-29 | 黄河勘测规划设计研究院有限公司 | 基于约束机制粒子群算法的水库库容曲线修正方法 |
CN111210141B (zh) * | 2020-01-03 | 2023-07-14 | 黄河勘测规划设计研究院有限公司 | 基于约束机制粒子群算法的水库库容曲线修正方法 |
CN111626512A (zh) * | 2020-05-28 | 2020-09-04 | 国家电网公司西南分部 | 一种考虑电网断面约束的梯级水电日前调度方法 |
CN111626512B (zh) * | 2020-05-28 | 2023-11-14 | 国家电网公司西南分部 | 一种考虑电网断面约束的梯级水电日前调度方法 |
CN112036632B (zh) * | 2020-08-26 | 2021-06-04 | 三峡大学 | 一种基于梯级水库生态发电多目标中长期随机调度模型的优化调度方法 |
CN112036632A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种梯级水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
CN112132469A (zh) * | 2020-09-25 | 2020-12-25 | 华中科技大学 | 一种基于多种群协作粒子群算法的水库群调度方法和系统 |
CN112132469B (zh) * | 2020-09-25 | 2023-12-22 | 华中科技大学 | 一种基于多种群协作粒子群算法的水库群调度方法和系统 |
CN112232659A (zh) * | 2020-10-15 | 2021-01-15 | 华中科技大学 | 一种梯级水库发电调度方法及系统 |
CN112529339A (zh) * | 2021-01-12 | 2021-03-19 | 黄河勘测规划设计研究院有限公司 | 利用改进粒子群算法优化水库发电调度图的方法 |
CN113705899A (zh) * | 2021-08-30 | 2021-11-26 | 武汉大学 | 水库优化调度最优决策与效益的找寻方法 |
CN113705899B (zh) * | 2021-08-30 | 2023-08-04 | 武汉大学 | 水库优化调度最优决策与效益的找寻方法 |
CN117236478A (zh) * | 2023-06-01 | 2023-12-15 | 南京航空航天大学 | 基于Transformer改进深度强化学习的多目标多水库调度优化方法 |
CN117236478B (zh) * | 2023-06-01 | 2024-04-26 | 南京航空航天大学 | 基于Transformer改进深度强化学习的多目标多水库调度优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598983A (zh) | 一种自适应改进粒子群算法的梯级水库优化调度方法 | |
CN108805434B (zh) | 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法 | |
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 | |
WO2022193642A1 (zh) | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 | |
CN109447405B (zh) | 一种承担调峰任务的一库多级式梯级库群短期计划制定方法 | |
CN109345010B (zh) | 一种梯级泵站的多目标优化调度方法 | |
CN110363343B (zh) | 一种混合自适应的水电站群智能优化调度方法及系统 | |
CN105207253B (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN109447393A (zh) | 一种电力系统经济负荷分配的改进的粒子群算法 | |
CN107609683B (zh) | 一种基于萤火虫算法的梯级水库群调度优化方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN105426954A (zh) | 一种基于多策略协同作用的粒子群优化的方法 | |
CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
CN110163420B (zh) | 一种基于分解文化进化算法的多目标生态调度方法和系统 | |
Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
CN105425591B (zh) | 基于风电场区域实时风速分析调控风电场有功的方法和装置 | |
CN107203687A (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
Lu et al. | Study on the optimal hydropower generation of Zhelin reservoir | |
CN110598919B (zh) | 一种梯级水电站群生态调控方法与系统 | |
CN110991722A (zh) | 一种电力负荷预测方法 | |
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 | |
CN110766210B (zh) | 一种梯级水库群短期优化调度方法与系统 | |
CN111325306A (zh) | 一种基于abc-pso混合算法的供水泵组调度方法 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN116865358A (zh) | 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |