CN110942175A - 基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法 - Google Patents

基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法 Download PDF

Info

Publication number
CN110942175A
CN110942175A CN201911012379.7A CN201911012379A CN110942175A CN 110942175 A CN110942175 A CN 110942175A CN 201911012379 A CN201911012379 A CN 201911012379A CN 110942175 A CN110942175 A CN 110942175A
Authority
CN
China
Prior art keywords
individual
formula
representing
constraint
generator
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
Application number
CN201911012379.7A
Other languages
English (en)
Other versions
CN110942175B (zh
Inventor
韦宣
陈旭
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.)
Nanjing Yunyi Technology Co ltd
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN201911012379.7A priority Critical patent/CN110942175B/zh
Publication of CN110942175A publication Critical patent/CN110942175A/zh
Application granted granted Critical
Publication of CN110942175B publication Critical patent/CN110942175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (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)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法，建立大规模电力系统调度的数模模型包括目标函数和约束条件，种群初始化，保存此时种群中的全局最优解gBest.种群进行雇佣蜂的操作，判断产生的新个体是否满足约束条件，满足约束后计算目标函数值，将目标函数值好的个体保留。种群进行观察蜂的操作，判断产生的新个体是否满足约束条件，满足约束后计算目标函数值，将目标函数值好的个体保留。执行侦察蜂的操作，舍弃更新失败次数大于设定值的个体并生成新的个体。执行烟花爆炸操作，将生成的最优烟花点保留。本算法利用其平衡的局部搜索与全局搜索能力解决维度高、局部极值点多的大规模问题。

Description

基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题 优化方法
技术领域
本发明涉及一种基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法，属于电力系统经济调度领域。
背景技术
经济调度问题是在已知系统的负荷需求的情况下，合理分配各发电机组的有效功率，达到满足系统需求的情况下，总的发电成本最少的目标。经济调度问题是一种典型的高维非线性有约束的优化问题，在考虑机组的阀点效应时，问题又表现出非凸、不可微的特性。传统的数学方法在解决这种问题时，会造成误差增大、发生震荡等问题。随着社会经济的不断发展，电力系统也变得大规模化，这导致优化变量不断增加和局部极值点不断上升，算法容易陷入局部最优，很难找到全局最优解。因此对大规模经济调度问题求解的研究具有重要的意义。
发明内容
本发明的目的在于提供一种基于烟花爆炸的人工蜂群算法解决大规模电力系统经济调度问题，通过烟花爆炸机制使得算法在局部极值点增多的搜索区域内搜索，不容易陷入局部最优，从而能找到全局最优解或次最优解。
为解决上述技术问题，本发明采用下面的技术方案。
作为本发明的技术方案，基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法，该方法包括如下实施步骤：
步骤1：建立电力经济调度的数学模型，包括目标函数和约束条件；
步骤2：参数设置并初始化种群，令Xj＝[Pj1,Pj2,Pj3……PjN]表示第j个向量中需要优化的N个发电机组，PjN表示第j个向量的第N个发电机组的有功功率，初始化的种群在满足约束条件后计算种群的目标函数值，即电力系统经济调度的成本费用，找出当前种群中的最优解gBest,即电力系统经济调度的成本费用最低的个体；
步骤3：执行烟花爆炸人工蜂群算法的雇佣蜂操作，种群个体执行雇佣蜂操作生成新的个体vj，新的个体vj满足约束条件后计算个体vj的目标函数值，即个体vj的电力系统经济调度的成本费用，与原来的个体Xj比较目标函数值，保留电力系统经济调度的成本费用小的个体；
步骤4：执行烟花爆炸人工蜂群算法的观察蜂操作，种群个体根据各自的目标函数值生成概率，根据概率确定是否能够执行观察蜂的操作，同样执行观察蜂操作生成的新个体Vj,满足约束条件后计算Vj的目标函数值，与原来的个体Xj比较目标函数值，保留电力系统经济调度的成本费用小的个体；
步骤5:执行烟花爆炸人工蜂群算法的侦察蜂操作，选取更新失败次数最多的个体，即个体的电力系统经济调度的成本费用在优化过程中未降低，如果达到预先设定的值，将舍弃这个个体并随机生成新的个体代替；
步骤6：执行烟花爆炸人工蜂群算法的烟花爆炸操作，从产生的烟花点中选出电力系统经济调度的成本费用最小的个体进入下一代；选出当前种群中的电力系统成本费用最低个体Vgbest，与迭代到现在找到的全局最优解gBest的成本费用比较，保留成本费用低的个体为全局最优解。
步骤7：判断计算代价是否达到最大值，如果是则转向步骤8，否则转向步骤3；
步骤8：输出全局最优解gBest，即为各发电机组的最优有功功率，使得电力系统调度的成本费用最低。
进一步，步骤1包括以下具体步骤：
步骤1-1：创建电力系统经济调度的目标函数，其数学表达式如式(1)所示：
Figure BDA0002244579910000021
式中ai,bi,ci是第i台发电机组的成本费用系数，ei,fi是阀点负载效应的系数，Pi是第i台发电机的输出功率，Pi min是第i台发电机组的最小输出功率，N表示发电机组的总数量；
步骤1-2：建立模型的约束条件，包括功率平衡约束、发电机运行约束、发电机爬坡约束和禁止操作区域约束；
功率平衡约束条件的数学表达式：
Figure BDA0002244579910000022
Figure BDA0002244579910000031
式中PD表示系统负载需求，PL表示功率传输损耗，式(3)计算传输损耗，Bij,B0i,B00是损耗系数；
发电机运行约束的数学表达式：
Pi min＜Pi＜Pi max (4)
式中Pi min是第i台发电机组的最小输出功率，Pi max是第i台发电机组的最大输出功率；
发电机爬坡约束的数学表达式：
Figure BDA0002244579910000032
式中，Pi和Pi 0分别表示当前发电机组的输出功率和上一次输出功率，URi和DRi分别表示发电机组的上坡极限和下坡极限；
综合公式(3)和(4)，可以得到如下的约束条件：
max(Pi min,Pi 0-DRi)≤Pi≤min(Pi max,Pi 0+URi) (6)
禁止操作区域约束：
Figure BDA0002244579910000033
Pik L和Pik U分别表示第i台发电机组在第k个禁止操作区域的下边界和上边界，k表示禁止操作区域的索引，Zi表示的是禁止操作区域的数量，
Figure BDA0002244579910000034
表示第i台发电机组在第Zi个禁止操作区域的上边界。
进一步，步骤2包括以下具体步骤：
步骤2-1：随机初始化种群
X＝Pmin(popsize,N)+rand(1,N).*(Pmax(popsize,N)-Pmin(popsize,N)) (8)
式中popsize表示种群的个数，N表示发电机组总数，Pmin和Pmax分别代表发电机组输出功率的最小值和最大值；
步骤2-2：随机生成的种群需要满足约束条件
步骤2-2-1：满足功率平衡约束
根据公式(3),计算出种群中的每个个体Xj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA0002244579910000041
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure BDA0002244579910000042
Pjk是个体Xj随机选取的第k个发电机组的有功功率；
步骤2-2-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤2-2-3：满足禁止操作区域约束；
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改
Figure BDA0002244579910000043
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000044
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤2-3：根据公式(1)，计算出种群中每个个体的目标函数值；
步骤2-4：根据目标函数值，找出当前种群中的全局最优解gBest，即电力系统成本费用值最低的个体。
进一步，步骤3包括以下具体步骤：
步骤3-1：每个个体执行公式(11)的操作，生成新的个体vj：
vj＝Pji+φji(Pji-Pkj) (11)
其中，Pji表示个体Xj的第i个发电机组的有功功率，Pki是在种群中随机选择的一个个体的某个维度并且k≠j,只对个体的某个维度即某个发电机进行变化，φji是一个在(-1,1)的随机数；
步骤3-2：每个新的个体需要满足约束条件
步骤3-2-1：满足功率平衡约束；
根据公式(3),计算出新的个体vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA0002244579910000045
与PD+PL是否相等,如果不相等，就根据公式(9)修改。
Figure BDA0002244579910000051
Pjk是随机选取的某个发电机；
步骤3-2-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤3-2-3：满足禁止操作区域约束；
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改：
Figure BDA0002244579910000052
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000053
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤3-3：根据公式(1)，计算出新个体的目标函数值；
步骤3-4：比较Xj与vj的目标函数值，如果vj函数值小于Xj，则vj替换Xj，并且trialj赋值为零，否则trialj加1，trial记录着个体更新失败的次数。
进一步，步骤4包括以下具体步骤：
步骤4-1：根据公式(12),计算每个个体对应的概率pj，
Figure BDA0002244579910000054
式中F(Xj)表示个体Xj的目标函数值，即电力系统的成本费用，popsize代表种群的个数；
步骤4-2：对于种群中的个体j，如果随机生成的概率小于pj，则执行公式(11)的操作；
步骤4-3：每个新的个体需要满足约束条件；
步骤4-3-1：满足功率平衡约束
根据公式(3),计算出个体Vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA0002244579910000055
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure BDA0002244579910000056
Pjk是随机选取的某个发电机；
步骤4-3-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤4-3-3：满足禁止操作区域约束
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改
Figure BDA0002244579910000061
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000062
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤4-4：根据公式(1)，计算出新个体的目标函数值；
步骤4-5：比较Xj与Vj的目标函数值，如果Vj函数值小于Xj，则Vj替换Xj，并且trialj赋值为零，否则trialj加1。
进一步，步骤5包括以下具体步骤：
步骤5-1：选取trial中更新失败次数最多的个体Xj，如果trialj的值大于设定值limit，则舍弃该个体，使用公式(12)重新生成一个代替它：
Xj＝Pmin+rand(0,1).*(Pmax-Pmin) (12)
进一步，步骤6包括以下具体步骤：
步骤6-1：根据公式(13)、(14),从种群中选取5个相互之间距最远的个体：
Figure BDA0002244579910000063
Figure BDA0002244579910000064
式(13)中，R(Xi)表示个体Xi与种群中其他个体的总距离，d(Xi,Xj)表示个体Xi,Xj之间的距离，k表示种群中的个体，根据式(14)，计算每个个体的概率p(Xi)，相互之间距离越远，概率越大，从而将相互之前距离较远的个体选中，避免爆炸区域重合；
步骤6-2：根据公式(15)、(16)，计算五个个体爆炸产生的烟花点个数：
Figure BDA0002244579910000065
Figure BDA0002244579910000066
式中
Figure BDA0002244579910000071
是一个常量，代表总的烟花数，Ymax代表五个个体中最差的目标函数值，ε用来防止产生的个数为零，f(Xi)表示个体Xi的目标函数值，Smin、Smax是产生的烟花数的上下限值，KE是常数5；
步骤6-3：根据公式(17)，求出爆炸的幅度值:
Figure BDA0002244579910000072
式中
Figure BDA0002244579910000073
代表选出的五个个体的幅度值，
Figure BDA0002244579910000074
表示在第一代时，个体i幅度的初始化值，为搜索区域的长度。
Figure BDA0002244579910000075
表示个体i上一代的幅度值，
Figure BDA0002244579910000076
表示个体
Figure BDA0002244579910000077
产生的烟花点中目标函数值最小的个体，
Figure BDA0002244579910000078
代表最优烟花点的电力系统调度成本费用，当
Figure BDA0002244579910000079
产生的最优烟花点函数值大于
Figure BDA00022445799100000710
的函数值时，
Figure BDA00022445799100000711
下一代的爆炸幅度等于这一代的幅度乘以系数Cr＜1，否则乘以系数Ca＞1，爆炸幅度是动态变化的；
步骤6-4：根据公式(18)，随机选择某些维度进行更新，求出爆炸产生的烟花点：
Figure BDA00022445799100000712
式中
Figure BDA00022445799100000713
表示个体Xi的第k个发电机组，Ai表示个体Xi的幅度值，φ是一个在(-1,1)的随机数；
步骤6-5：每个烟花点都需要满足约束条件；
步骤6-5-1：满足功率平衡约束
根据公式(3),计算出个体Vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA00022445799100000714
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure BDA00022445799100000715
Pjk是随机选取的某个发电机；
步骤6-5-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤6-5-3：满足禁止操作区域约束
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改：
Figure BDA0002244579910000081
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000082
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤6-6：根据公式(1)，计算出烟花点的目标函数值；
步骤6-7：在每个个体Xj产生的烟花点中找出最优烟花点
Figure BDA0002244579910000083
如果
Figure BDA0002244579910000084
则替换Xj；
步骤6-8：选出当前种群中的电力系统成本费用最低个体Vgbest，与迭代到现在找到的全局最优解gBest的成本费用比较，保留成本费用低的个体为全局最优解。
本技术方案的优点在于：
1.本发明在解决大规模电力系统经济调度问题上，发挥了人工蜂群算法自身较强的全局搜索能力，面对大规模电力系统多极值点的特点，不容易陷入局部最优和出现极早收敛的情况。
2.本发明使用烟花爆炸机制通过动态的改变烟花爆炸的幅度，使得算法在解决大规模问题时，搜索区域不断缩小，能够有效的利用有限的函数评价次数去寻求最优解，有利于提高结果的精度。
3.烟花爆炸人工蜂群算法利用人工蜂群算法的全局搜索能力和烟花爆炸机制的局部搜索搜索能力，使得解决大规模电力系统经济调度问题时能够在前期寻找到有效的搜索区域，在后期进行局部搜索，找到各发电机组最优的输出功率，达到成本费用低的要求。
附图说明
图1为基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法流程图
具体实施方式
结合附图1和具体实施步骤对本发明作进一步详细的说明。
步骤1：建立经济调度的数学模型包括目标函数和约束条件
步骤1-1：创建电力系统经济调度的目标函数，其数学表达式如式(1)所示：
Figure BDA0002244579910000085
式中ai,bi,ci是第i台发电机组的成本费用系数，ei,fi是阀点负载效应的系数，Pi是第i台发电机的输出功率，Pi min是第i台发电机组的最小输出功率，N表示发电机组的总数量；
步骤1-2：建立模型的约束条件，包括功率平衡约束、发电机运行约束、发电机爬坡约束和禁止操作区域约束；
功率平衡约束条件的数学表达式：
Figure BDA0002244579910000091
Figure BDA0002244579910000092
式中PD表示系统负载需求，PL表示功率传输损耗，式(3)计算传输损耗，Bij,B0i,B00是损耗系数；
发电机运行约束的数学表达式：
Pi min＜Pi＜Pi max (4)
式中Pi min是第i台发电机组的最小输出功率，Pi max是第i台发电机组的最大输出功率；
发电机爬坡约束的数学表达式：
Figure BDA0002244579910000093
式中，Pi和Pi 0分别表示当前发电机组的输出功率和上一次输出功率，URi和DRi分别表示发电机组的上坡极限和下坡极限；
综合公式(3)和(4)，可以得到如下的约束条件：
max(Pi min,Pi 0-DRi)≤Pi≤min(Pi max,Pi 0+URi) (6)
禁止操作区域约束：
Figure BDA0002244579910000094
Pik L和Pik U分别表示第i台发电机组在第k个禁止操作区域的下边界和上边界，k表示禁止操作区域的索引，Zi表示的是禁止操作区域的数量。
步骤2：参数设置并初始化种群，其中Xj＝[Pj1,Pj2,Pj3……PjN]表示第j个向量中需要优化的N个发电机组，PjN表示第j个向量的第N个发电机组的有功功率，初始化的种群在满足约束条件后计算种群的目标函数值，即电力系统经济调度的成本费用，找出种群中的全局最优解gBest,即电力系统经济调度的成本费用最低的个体；
步骤2-1：随机初始化种群
X＝Pmin(popsize,N)+rand(1,N).*(Pmax(popsize,N)-Pmin(popsize,N)) (8)
式中popsize表示种群的个数，N表示发电机组总数，Pmin和Pmax分别代表发电机组输出功率的最小值和最大值；
步骤2-2：随机生成的种群需要满足约束条件
步骤2-2-1：满足功率平衡约束
根据公式(3),计算出种群中的每个个体Xj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA0002244579910000101
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure BDA0002244579910000102
Pjk是个体Xj随机选取的第k个发电机组的有功功率；
步骤2-2-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤2-2-3：满足禁止操作区域约束；
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改
Figure BDA0002244579910000103
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000104
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤2-3：根据公式(1)，计算出种群中每个个体的目标函数值；
步骤2-4：根据目标函数值，找出当前种群中的全局最优解gBest。
步骤3：执行烟花爆炸人工蜂群算法的雇佣蜂操作，种群个体执行雇佣蜂操作生成新的个体vj，新的个体vj满足约束条件后计算个体vj的目标函数值，即个体vj的电力系统经济调度的成本费用，与原来的个体Xj比较目标函数值，保留电力系统经济调度的成本费用小的个体；
步骤3-1：每个个体执行公式(11)的操作，生成新的个体vj：
vji＝Pji+φji(Pji-Pkj) (11)
其中，Pki是在种群中随机选择的一个个体的某个维度并且k≠j,只对个体的某个维度即某个发电机进行变化，φji是一个在(-1,1)的随机数；
步骤3-2：每个新的个体需要满足约束条件；
步骤3-2-1：满足功率平衡约束；
根据公式(3),计算出个体vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA0002244579910000111
与PD+PL是否相等,如果不相等，就根据公式(9)修改。
Figure BDA0002244579910000112
Pjk是随机选取的某个发电机；
步骤3-2-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤3-2-3：满足禁止操作区域约束；
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改：
Figure BDA0002244579910000113
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000114
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤3-3：根据公式(1)，计算出新个体的目标函数值；
步骤3-4：比较Xj与vj的目标函数值，如果vj函数值小于Xj，则vj替换Xj，并且trialj赋值为零，否则trialj加1，trial记录着个体更新失败的次数。
步骤4：执行烟花爆炸人工蜂群算法的观察蜂操作，种群个体根据各自的目标函数值生成概率，根据概率确定是否能够执行观察蜂的操作，同样执行观察蜂操作生成的新个体Vj,满足约束条件后计算Vj的目标函数值，与原来的个体Xj比较目标函数值，保留电力系统经济调度的成本费用小的个体；
步骤4-1：根据公式(12),计算每个个体对应的概率pj，
Figure BDA0002244579910000115
式中F(Xj)表示个体Xj的目标函数值，即电力系统的成本费用，popsize代表种群的个数
步骤4-2：对于种群中的个体j，如果随机生成的概率小于pj，则执行公式(11)的操作；
步骤4-3：每个新的个体需要满足约束条件；
步骤4-3-1：满足功率平衡约束
根据公式(3),计算出个体Vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA0002244579910000121
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure BDA0002244579910000122
Pjk是随机选取的某个发电机；
步骤4-3-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤4-3-3：满足禁止操作区域约束
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改
Figure BDA0002244579910000123
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000124
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤4-4：根据公式(1)，计算出新个体的目标函数值；
步骤4-5：比较Xj与Vj的目标函数值，如果Vj函数值小于Xj，则Vj替换Xj，并且trialj赋值为零，否则trialj加1。
步骤5:执行烟花爆炸人工蜂群算法的侦察蜂操作，选取更新失败次数最多的个体，即个体的电力系统经济调度的成本费用在优化过程中未降低，如果达到预先设定的值，将舍弃这个个体并随机生成新的个体代替；
步骤5-1：选取trial中更新失败次数最多的个体Xj，如果trialj的值大于设定值limit，则舍弃该个体，使用公式(13)重新生成一个代替它。
Xj＝Pmin+rand(0,1).*(Pmax-Pmin) (12)
步骤6：执行烟花爆炸人工蜂群算法的烟花爆炸操作，从产生的烟花点中选出电力系统经济调度的成本费用最小的个体进入下一代；从现有的种群中找出电力系统经济调度的成本费用最低个体Vgbest，与gBest的成本费用比较，保留成本费用低的个体为gBest；
步骤6-1：根据公式(13)、(14),从种群中选取5个相互之间距最远的个体：
Figure BDA0002244579910000131
Figure BDA0002244579910000132
式(13)中，R(Xi)表示个体Xi与种群中其他个体的总距离，d(Xi,Xj)表示个体Xi,Xj之间的距离，根据式(14)，计算每个个体的概率，相互之间距离越远，概率越大，从而将相互之前距离较远的个体选中，避免爆炸区域重合；
步骤6-2：根据公式(15)、(16)，计算五个个体爆炸产生的烟花点个数：
Figure BDA0002244579910000133
Figure BDA0002244579910000134
式中
Figure BDA0002244579910000135
是一个常量，代表总的烟花数，Ymax代表五个个体中最差的目标函数值，ε用来防止产生的个数为零，f(Xi)表示个体Xi的目标函数值，Smin、Smax是产生的烟花数的上下限值，KE是常数5；
步骤6-3：根据公式(17)，求出爆炸的幅度值:
Figure BDA0002244579910000136
式中
Figure BDA0002244579910000137
代表选出的五个个体的幅度值，
Figure BDA0002244579910000138
表示在第一代时，个体i幅度的初始化值，为搜索区域的长度。
Figure BDA0002244579910000139
表示个体i上一代的幅度值，
Figure BDA00022445799100001310
表示个体
Figure BDA00022445799100001311
产生的烟花点中目标函数值最小的个体，
Figure BDA00022445799100001312
代表最优烟花点的目标函数值，当
Figure BDA00022445799100001313
产生的最优烟花点函数值大于
Figure BDA00022445799100001314
的函数值时，
Figure BDA00022445799100001315
下一代的爆炸幅度等于这一代的幅度乘以系数Cr＜1，否则乘以系数Ca＞1，爆炸幅度是动态变化的；
步骤6-4：根据公式(18)，随机选择某些维度进行更新，求出爆炸产生的烟花点：
Figure BDA0002244579910000141
式中
Figure BDA0002244579910000142
表示个体Xi的第k个发电机组，Ai表示个体Xi的幅度值，φ是一个在(-1,1)的随机数；
步骤6-5：每个烟花点都需要满足约束条件；
步骤6-5-1：满足功率平衡约束
根据公式(3),计算出个体Vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure BDA0002244579910000143
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure BDA0002244579910000144
Pjk是随机选取的某个发电机；
步骤6-5-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤6-5-3：满足禁止操作区域约束
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改：
Figure BDA0002244579910000145
Pji表示个体Xj的第i个发电机组的有功功率，
Figure BDA0002244579910000146
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤6-6：根据公式(1)，计算出烟花点的目标函数值；
步骤6-7：在每个个体Xj产生的烟花点中找出最优烟花点Vbest，如果f(Vbest)＜f(Xj)，则替换Xj；
步骤6-8：选出当前种群中的电力系统成本费用最低个体Vgbest，与迭代到现在找到的全局最优解gBest的成本费用比较，保留成本费用低的个体为全局最优解。
步骤7：判断计算代价是否达到最大值，如果是则转向步骤8，否则转向步骤3；
步骤8：输出全局最优解gBest，即为各发电机组的最优有功功率，使得电力系统调度的成本费用最低。
为了体现本方法在大规模问题有较好的优化能力，表1提供了本方法和其它一些方法优化大规模问题的结果，即在运行30次后结果的最小值、平均值、最大值和方差。从数据中可以看出，本方法拥有较好的优化能力。
表1
Figure BDA0002244579910000151
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法，其特征在于，该方法包括如下实施步骤：
步骤1：建立电力经济调度的数学模型，包括目标函数和约束条件；
步骤2：参数设置并初始化种群，令Xj＝[Pj1,Pj2,Pj3……PjN]表示第j个向量中需要优化的N个发电机组，PjN表示第j个向量的第N个发电机组的有功功率，初始化的种群在满足约束条件后计算种群的目标函数值，即电力系统经济调度的成本费用，找出当前种群中的全局最优解gBest,即电力系统经济调度的成本费用最低的个体；
步骤3：执行烟花爆炸人工蜂群算法的雇佣蜂操作，种群个体执行雇佣蜂操作生成新的个体vj，新的个体vj满足约束条件后计算个体vj的目标函数值，即个体vj的电力系统经济调度的成本费用，与原来的个体Xj比较目标函数值，保留电力系统经济调度的成本费用小的个体；
步骤4：执行烟花爆炸人工蜂群算法的观察蜂操作，种群个体根据各自的目标函数值生成概率，根据概率确定是否能够执行观察蜂的操作，同样执行观察蜂操作生成的新个体Vj,满足约束条件后计算Vj的目标函数值，与原来的个体Xj比较目标函数值，保留电力系统经济调度的成本费用小的个体；
步骤5:执行烟花爆炸人工蜂群算法的侦察蜂操作，选取更新失败次数最多的个体，即个体的电力系统经济调度的成本费用在优化过程中未降低，如果达到预先设定的值，将舍弃这个个体并随机生成新的个体代替；
步骤6：执行烟花爆炸人工蜂群算法的烟花爆炸操作，从产生的烟花点中选出电力系统经济调度的成本费用最小的个体进入下一代；从现有的种群中找出这一代电力系统经济调度的成本费用最低个体Vgbest，与迭代到现在找到的全局最优解gBest的成本费用比较，保留成本费用低的个体为全局最优解；
步骤7：判断计算代价是否达到最大值，如果是则转向步骤8，否则转向步骤3；
步骤8：输出全局最优解gBest，即为各发电机组的最优有功功率，使得电力系统调度的成本费用最低。
2.根据权利要求1所述的基于烟花爆炸人工蜂群算法的大规模经济调度问题优化方法,其特征在于，步骤1包括以下具体步骤：
步骤1-1：创建电力系统经济调度的目标函数，其数学表达式如式(1)所示：
Figure FDA0002244579900000021
式中ai,bi,ci是第i台发电机组的成本费用系数，ei,fi是阀点负载效应的系数，Pi是第i台发电机的输出功率，Pi min是第i台发电机组的最小输出功率，N表示发电机组的总数量；
步骤1-2：建立模型的约束条件，包括功率平衡约束、发电机运行约束、发电机爬坡约束和禁止操作区域约束；
功率平衡约束条件的数学表达式：
Figure FDA0002244579900000022
Figure FDA0002244579900000023
式中PD表示系统负载需求，PL表示功率传输损耗，式(3)计算传输损耗，Bij,B0i,B00是损耗系数；
发电机运行约束的数学表达式：
Pi min＜Pi＜Pi max (4)
式中Pi min是第i台发电机组的最小输出功率，Pi max是第i台发电机组的最大输出功率；发电机爬坡约束的数学表达式：
Figure FDA0002244579900000024
式中，Pi和Pi 0分别表示当前发电机组的输出功率和上一次输出功率，URi和DRi分别表示发电机组的上坡极限和下坡极限；
综合公式(3)和(4)，可以得到如下的约束条件：
max(Pi min,Pi 0-DRi)≤Pi≤min(Pi max,Pi 0+URi) (6)
禁止操作区域约束：
Figure FDA0002244579900000025
Pik L和Pik U分别表示第i台发电机组在第k个禁止操作区域的下边界和上边界，k表示禁止操作区域的索引，Zi表示的是禁止操作区域的数量，
Figure FDA0002244579900000031
表示第i台发电机组在第Zi个禁止操作区域的上边界。
3.根据权利要求2所述的基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法,其特征在于，步骤2包括以下具体步骤：
步骤2-1：随机初始化种群
X＝Pmin(popsize,N)+rand(1,N).*(Pmax(popsize,N)-Pmin(popsize,N)) (8)
式中popsize表示种群的个数，N表示发电机组总数，Pmin和Pmax分别代表发电机组输出功率的最小值和最大值；
步骤2-2：随机生成的种群需要满足约束条件
步骤2-2-1：满足功率平衡约束
根据公式(3),计算出种群中的每个个体Xj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure FDA0002244579900000032
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure FDA0002244579900000033
Pjk是个体Xj随机选取的第k个发电机组的有功功率；
步骤2-2-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤2-2-3：满足禁止操作区域约束；
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改
Figure FDA0002244579900000034
Pji表示个体Xj的第i个发电机组的有功功率，
Figure FDA0002244579900000035
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤2-3：根据公式(1)，计算出种群中每个个体的目标函数值；
步骤2-4：根据目标函数值，找出当前种群中的全局最优解gBest，即电力系统成本费用值最低的个体。
4.根据权利要求2所述的基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法,其特征在于，步骤3包括以下具体步骤：
步骤3-1：每个个体执行公式(11)的操作，生成新的个体vj：
vj＝Pji+φji(Pji-Pkj) (11)
其中，Pji表示个体Xj的第i个发电机组的有功功率，Pki是在种群中随机选择的一个个体的某个维度并且k≠j,只对个体的某个维度即某个发电机进行变化，φji是一个在(-1,1)的随机数；
步骤3-2：每个新的个体需要满足约束条件
步骤3-2-1：满足功率平衡约束；
根据公式(3),计算出新的个体vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure FDA0002244579900000041
与PD+PL是否相等,如果不相等，就根据公式(9)修改。
Figure FDA0002244579900000042
Pjk是随机选取的某个发电机；
步骤3-2-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤3-2-3：满足禁止操作区域约束；
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改：
Figure FDA0002244579900000043
Pji表示个体Xj的第i个发电机组的有功功率，
Figure FDA0002244579900000044
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤3-3：根据公式(1)，计算出新个体的目标函数值；
步骤3-4：比较Xj与vj的目标函数值，如果vj函数值小于Xj，则vj替换Xj，并且trialj赋值为零，否则trialj加1，trial记录着个体更新失败的次数。
5.根据权利要求2所述的基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法,其特征在于，步骤4包括以下具体步骤：
步骤4-1：根据公式(12),计算每个个体对应的概率pj，
Figure FDA0002244579900000045
式中F(Xj)表示个体Xj的目标函数值，即电力系统的成本费用，popsize代表种群的个数；
步骤4-2：对于种群中的个体j，如果随机生成的概率小于pj，则执行公式(11)的操作；
步骤4-3：每个新的个体需要满足约束条件；
步骤4-3-1：满足功率平衡约束
根据公式(3),计算出个体Vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure FDA0002244579900000051
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure FDA0002244579900000052
Pjk是随机选取的某个发电机；
步骤4-3-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤4-3-3：满足禁止操作区域约束
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改
Figure FDA0002244579900000053
Pji表示个体Xj的第i个发电机组的有功功率，
Figure FDA0002244579900000054
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤4-4：根据公式(1)，计算出新个体的目标函数值；
步骤4-5：比较Xj与Vj的目标函数值，如果Vj函数值小于Xj，则Vj替换Xj，并且trialj赋值为零，否则trialj加1。
6.根据权利要求1所述的基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法,其特征在于，步骤5包括以下具体步骤：
步骤5-1：选取trial中更新失败次数最多的个体Xj，如果trialj的值大于设定值limit，则舍弃该个体，使用公式(12)重新生成一个代替它：
Xj＝Pmin+rand(0,1).*(Pmax-Pmin) (12)。
7.根据权利要求1所述的基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法,其特征在于，步骤6包括以下具体步骤：
步骤6-1：根据公式(13)、(14),从种群中选取5个相互之间距最远的个体：
Figure FDA0002244579900000061
Figure FDA0002244579900000062
式(13)中，R(Xi)表示个体Xi与种群中其他个体的总距离，d(Xi,Xj)表示个体Xi,Xj之间的距离，k表示种群中的个体，根据式(14)，计算每个个体的概率p(Xi)，相互之间距离越远，概率越大，从而将相互之前距离较远的个体选中，避免爆炸区域重合；
步骤6-2：根据公式(15)、(16)，计算五个个体爆炸产生的烟花点个数：
Figure FDA0002244579900000063
Figure FDA0002244579900000064
式中
Figure FDA0002244579900000065
是一个常量，代表总的烟花数，Ymax代表五个个体中最差的目标函数值，ε用来防止产生的个数为零，f(Xi)表示个体Xi的目标函数值，Smin、Smax是产生的烟花数的上下限值，KE是常数5；
步骤6-3：根据公式(17)，求出爆炸的幅度值:
Figure FDA0002244579900000066
式中
Figure FDA0002244579900000067
代表选出的五个个体的幅度值，
Figure FDA0002244579900000068
表示在第一代时，个体i幅度的初始化值，为搜索区域的长度。
Figure FDA0002244579900000069
表示个体i上一代的幅度值，
Figure FDA00022445799000000610
表示个体
Figure FDA00022445799000000611
产生的烟花点中目标函数值最小的个体，
Figure FDA00022445799000000612
代表最优烟花点的电力系统调度成本费用，当
Figure FDA00022445799000000613
产生的最优烟花点函数值大于
Figure FDA00022445799000000614
的函数值时，
Figure FDA00022445799000000615
下一代的爆炸幅度等于这一代的幅度乘以系数Cr＜1，否则乘以系数Ca＞1，爆炸幅度是动态变化的；
步骤6-4：根据公式(18)，随机选择某些维度进行更新，求出爆炸产生的烟花点：
Figure FDA0002244579900000071
式中
Figure FDA0002244579900000072
表示个体Xi的第k个发电机组，Ai表示个体Xi的幅度值，φ是一个在(-1,1)的随机数；
步骤6-5：每个烟花点都需要满足约束条件；
步骤6-5-1：满足功率平衡约束
根据公式(3),计算出个体Vj＝[Pj1,Pj2,Pj3……PjN]的损耗PjL,根据公式(2),计算出
Figure FDA0002244579900000073
与PD+PL是否相等,如果不相等，就根据公式(9)修改：
Figure FDA0002244579900000074
Pjk是随机选取的某个发电机；
步骤6-5-2：根据公式(6),满足发电机运行约束和发电机爬坡约束；
步骤6-5-3：满足禁止操作区域约束
当发电机组的输出功率在禁止操作区域的区间里，根据公式(10)修改：
Figure FDA0002244579900000075
Pji表示个体Xj的第i个发电机组的有功功率，
Figure FDA0002244579900000076
表示个体Xj的第i个发电机组在第k个禁止操作区域里的下边界和上边界；
步骤6-6：根据公式(1)，计算出烟花点的目标函数值；
步骤6-7：在每个个体Xj产生的烟花点中找出最优烟花点
Figure FDA0002244579900000077
如果
Figure FDA0002244579900000078
则替换Xj；
步骤6-8：选出当前种群中的电力系统成本费用最低个体Vgbest，与迭代到现在找到的全局最优解gBest的成本费用比较，保留成本费用低的个体为全局最优解。
CN201911012379.7A 2019-10-23 2019-10-23 基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法 Active CN110942175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911012379.7A CN110942175B (zh) 2019-10-23 2019-10-23 基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911012379.7A CN110942175B (zh) 2019-10-23 2019-10-23 基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法

Publications (2)

Publication Number Publication Date
CN110942175A true CN110942175A (zh) 2020-03-31
CN110942175B CN110942175B (zh) 2023-04-18

Family

ID=69906318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911012379.7A Active CN110942175B (zh) 2019-10-23 2019-10-23 基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法

Country Status (1)

Country Link
CN (1) CN110942175B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488282A (zh) * 2020-12-01 2021-03-12 合肥工业大学 一种预测气体浓度的方法、系统、设备及其存储介质
CN113624227A (zh) * 2021-07-23 2021-11-09 北京理工大学 一种基于马氏距离的等值线迭代重力匹配算法
CN113705986A (zh) * 2021-08-12 2021-11-26 武汉大学 一种基于风险理论的核心骨干网架构建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105610198A (zh) * 2016-01-20 2016-05-25 南京邮电大学 基于群体经验人工蜂群算法的电力系统静态经济调度方法
CN105719081A (zh) * 2016-01-20 2016-06-29 南京邮电大学 一种基于改进人工蜂群算法的电力系统动态经济调度方法
US20190080270A1 (en) * 2017-09-11 2019-03-14 Hefei University Of Technology Production scheduling method and system based on improved artificial bee colony algorithm and storage medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105610198A (zh) * 2016-01-20 2016-05-25 南京邮电大学 基于群体经验人工蜂群算法的电力系统静态经济调度方法
CN105719081A (zh) * 2016-01-20 2016-06-29 南京邮电大学 一种基于改进人工蜂群算法的电力系统动态经济调度方法
US20190080270A1 (en) * 2017-09-11 2019-03-14 Hefei University Of Technology Production scheduling method and system based on improved artificial bee colony algorithm and storage medium

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488282A (zh) * 2020-12-01 2021-03-12 合肥工业大学 一种预测气体浓度的方法、系统、设备及其存储介质
CN113624227A (zh) * 2021-07-23 2021-11-09 北京理工大学 一种基于马氏距离的等值线迭代重力匹配算法
CN113624227B (zh) * 2021-07-23 2023-10-03 北京理工大学 一种基于马氏距离的等值线迭代重力匹配算法
CN113705986A (zh) * 2021-08-12 2021-11-26 武汉大学 一种基于风险理论的核心骨干网架构建方法
CN113705986B (zh) * 2021-08-12 2023-11-07 武汉大学 一种基于风险理论的核心骨干网架构建方法

Also Published As

Publication number Publication date
CN110942175B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110942175B (zh) 基于烟花爆炸人工蜂群算法的大规模电力系统经济调度问题优化方法
Xu et al. MOEA/HD: A multiobjective evolutionary algorithm based on hierarchical decomposition
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN105809279B (zh) 一种基于多目标量子混合蛙跳算法的水资源优化调度方法
Chang et al. Intelligent control for modeling of real‐time reservoir operation, part II: artificial neural network with operating rule curves
CN109101721B (zh) 不确定环境下基于区间直觉模糊的多无人机任务分配方法
CN112132469B (zh) 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
CN112012875B (zh) 一种水轮机调节系统pid控制参数的优化方法
CN112819192A (zh) 一种基于蜂群算法优化的rf_gru网络短期电力负荷预测方法
CN114884134B (zh) 基于区间优化的火电机组灵活性调节调度方法
Al-Shabi et al. Improved asymmetric time-varying coefficients of particle swarm optimization
Zhao et al. Decomposition-based multiobjective optimization algorithms with adaptively adjusting weight vectors and neighborhoods
Wang et al. Application of hybrid artificial bee colony algorithm based on load balancing in aerospace composite material manufacturing
CN112511346A (zh) 一种基于可信度筛选的Web服务组合方法
CN113313322B (zh) Moea/d挤压工艺参数多目标优化方法及装置
CN112381271B (zh) 一种快速对抗深度置信网络的分布式多目标优化加速方法
CN114130034B (zh) 基于注意力机制与强化学习的多智能体游戏ai设计方法
CN114745288B (zh) 基于区块链和动态赋权的复杂网络抗毁性模型量化方法
Huang et al. A novel parameter optimisation method of hydraulic turbine regulating system based on fuzzy differential evolution algorithm and fuzzy PID controller
CN113410872B (zh) 一种风电场内机组间的功率优化分配算法
Wang et al. Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm
CN114971207A (zh) 基于改进人工蜂群算法的负荷优化分配方法
Zhang et al. Adaptive truncation technique for constrained multi-objective optimization
Jian et al. Solving constrained optimization via dual particle swarm optimization with stochastic ranking
Kumar et al. AI based Economic Load Dispatch incorporating wind power penetration

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
TR01 Transfer of patent right

Effective date of registration: 20240408

Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Country or region after: China

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240511

Address after: Room 506-221109, 5th Floor, No. 188 Xinglong Street, Jianye District, Nanjing City, Jiangsu Province, 210000

Patentee after: Nanjing Yunyi Technology Co.,Ltd.

Country or region after: China

Address before: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right