CN111160513B - 一种电力配电网的能量优化方法 - Google Patents
一种电力配电网的能量优化方法 Download PDFInfo
- Publication number
- CN111160513B CN111160513B CN202010147384.5A CN202010147384A CN111160513B CN 111160513 B CN111160513 B CN 111160513B CN 202010147384 A CN202010147384 A CN 202010147384A CN 111160513 B CN111160513 B CN 111160513B
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- fitness
- extremum
- particle swarm
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 134
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000005265 energy consumption Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 239000000969 carrier Substances 0.000 abstract description 2
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Classifications
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/38—Flow based routing
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了电力线宽带载波技术领域的一种电力配电网的能量优化方法，使用改进的粒子群优化算法搜索最大链路权重并进行二次优化得到全局最优解，以实现最大限度地节能，算法实现起来更加简单，收敛更快。对粒子群初始化；基于适应度函数计算粒子的适应度值；对个体极值和群体极值进行历史最优化替代；计算各粒子最大适应度值和平均适应度值的差值，将个体适应度差值作为输入，自适应调节速度和位置，更新粒子速度、位置得到子代种群；动态调整子代个体产生新一代粒子群；新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；获取链路权重最大值，使用改进的粒子群优化算法搜索最大链路权重并进行二次优化得到全局最优解。
Description
技术领域
本发明属于电力线宽带载波技术领域，具体涉及一种电力配电网的能量优化方法。
背景技术
在无线通信领域，通过地理自适应保真能量模型来优化移动Ad Hoc(点对点)无线网络中的能量消耗。已有使用基因算法(GA)和模拟退火(SA)元启发算法在移动Ad Hoc网络中从两个方向上产生能量来比较能量最小化过程。基于地域自适应保真算法(GAF)是移动Ad Hoc无线网络中最著名的拓扑管理方案被用于移动Ad Hoc网络的节能管理。在无线AdHoc网络中节点负责数据的传输是以电池做电源的，因此需要节能以提高电池使用时间。相似的节点进入相同网格并且负责数据传输。因此，某个时刻只有一个可以是有效的收发数据的节点并且其余的节点就成为浪费能量的节点。
发明内容
为解决现有技术中的不足，本发明提供一种电力配电网的能量优化方法，使用改进的粒子群优化算法搜索最大链路权重并进行二次优化得到全局最优解，从而得到最小业务流量，以实现最大限度地节能，算法实现起来更加简单，收敛更快。
为达到上述目的，本发明所采用的技术方案是：一种电力配电网的能量优化方法，包括：
步骤1：对粒子群进行初始化，同时随机初始化各粒子；输入粒子群优化算法的参数和链路权重向量作为参数；把链路权重向量作为优化目标函数；
步骤2：基于适应度函数，进行各粒子适应度值计算；将粒子个体作为系统变量输入，基于约束条件产生可行解；
步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；
步骤4：针对粒子进行当前适应度与种群历史最优适应度值比较，并进行历史最优值替换；
步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；
步骤6：动态调整子代种群的个体产生新一代粒子群；
步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；对每个粒子，将其适应度值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的个体极值和群体极值的值，更新群体极值；
步骤8：如果获得链路权重最大值，则结束，否则跳转至步骤5；
步骤9：根据最大链路权重计算变量强度，并计算最小流量；
步骤10：重新初始化粒子群，每一个粒子个体都对应着一个网格长度；根据物联网电力宽带载波能耗模型输入模型参数和改进的粒子群优化算法参数；把物联网电力宽带载波能耗模型作为优化目标函数；重复步骤2至步骤7；
步骤11：如果获得整个系统最小总能耗，则结束，否则跳转至步骤5。
一种改进的粒子群优化算法，包括：
步骤1：对粒子群进行初始化，同时随机初始化各粒子；
步骤2：基于适应度函数，计算各粒子的当前适应度值；
步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；
步骤4：针对粒子进行当前适应度值与种群历史最优适应度值比较，并进行历史最优值替换；
步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；
步骤6：对子代种群的各粒子进行动态调整，产生新一代粒子群；
步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；
步骤8：如果获得最优值，则结束，否则跳转至步骤2。
与现有技术相比，本发明所达到的有益效果：
(1)本发明所述电力配电网的能量优化方法，通过使用改进的粒子群优化算法搜索最大链路权重得到全局最优解，并且使用改进的粒子群算法进行二次优化，计算最大链路权重，得到最小业务流量，实现最大限度地节能目的；
(2)本发明所述改进的粒子群优化算法，通过计算最大适应度值和平均适应度值的差值，自适应调节粒子的速度和位置，动态调整子代个体，实现起来更加简单，收敛更快，可防止早熟收敛。
附图说明
图1是本发明实施例提供的一种电力配电网的能量优化方法的流程示意图；
图2是采用本发明实施例提供的一种电力配电网的能量优化方法的配电网的总能量消耗曲线图；
图3是采用本发明实施例提供的一种电力配电网的能量优化方法的配电网的最大链路权重图；
图4是采用本发明实施例提供的一种电力配电网的能量优化方法的配电网采用最大链路权重计算得到最小流量时得到的最小网络总能耗图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提供一种改进的粒子群优化算法(改进的PSO)，首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标标识该粒子特征。基于对鸟类捕食行为的模拟，粒子群优化算法(PSO)可以计算出多个粒子共存及合作最优的路径最优解。粒子本身在飞行过程中所获取的最好位置被记作个体极值Pbest,整个粒子群所获得的最优位置可以记作群体极值Gbest，用H维速度Vi＝(vi1，vi2，…，viH)与位置Pi＝(pi1，pi2，…，piH)进行粒子状态的表示，通过针对自身速度与位置进行状态更新，可以产生新一代群体。
粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。
粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值，群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。
在每一次迭代过程中，粒子通过个体极值和群体极值更新自身的速度和位置，更新公式如下：
其中，表示第k+1次迭代后粒子的速度，w表示惯性权值，/>表示第k次迭代后粒子的速度，c1表示第一学习因子常数，c2表示第二学习因子常数，/>表示第k次迭代后第一随机数，取值范围是[0，1]，/>表示第k次迭代后粒子个体极值，/>表示第k次迭代后粒子的位置，/>表示第k次迭代后第二随机数，取值范围是[0，1]，/>表示第k次迭代后粒子群体极值，k表示迭代次数；
其中，表示第k+1次迭代后粒子的位置。当w＝0.8，c1＝c2＝1.8，k＝100时，算法收敛性较好。
PSO算法没有选择、交叉、变异等操作算子，PSO有记忆的功能，PSO与遗传算法的信息共享机制不同，遗传算法是互相共享信息，整个种群的移动是比较均匀地向最优区域移动，而在PSO中，只有Gbest或Pbest给出信息给其他粒子，属于单向的信息流动，整个搜索更新过程是跟随当前最优解的过程。因此，在一般情况下，PSO的收敛速度更快。
改进的PSO计算各粒子最大适应度值和平均适应度值的差值，根据差值自适应调节速度和位置，使得个体极值和群体极值更新。为了防止早熟收敛，对粒子群的个体进行动态调整，包括引入移民算子、过滤相似个体、动态补充子代新个体。在移民的过程中不仅可以加速淘汰差的个体，而且增加解的多样性。移民算子就是在每一代进化过程中以一定的淘汰率(一般取15％～20％)将最差个体淘汰，然后用产生的新个体代替的操作。为了加快收敛速度，可采用滤除相似个体的操作，减少基因的单一性。删除相似个体的过滤操作为：对子代个体按适应度排序，依次计算适应度差值小于门限delta的相似个体间的广义海明距离(相同长度的以A为基的两个字符串中对应位不相同的数量称为两者间的广义海明距离)。如果同时满足适应度差值小于门限delta，广义海明距离小于门限delta，就滤除其中适应度较小的个体。过滤操作后，从优秀的父代个体中变异产生新个体。将父代中适应度较高的n个个体随机进行若干次变异，产生出新个体，加入子代。这些新个体继承了父代较优个体的模式片段，并产生新的模式，易于与其他个体结合生成新的较优子代个体。而且增加的新个体的个数与过滤操作删除的数量有关。如果群体基因单一性增加，则被滤除的相似个体数目增加，补充的新个体数目随之增加；反之，则只少量滤除相似个体，甚至不滤除，补充的新个体数目也随之减少。这样动态解决群体由于缺乏多样性而陷入局部解的问题。
改进的PSO算法流程：
步骤1：对粒子群进行初始化，同时随机初始化各粒子；
步骤2：基于适应度函数，进行各粒子适应度值计算；
步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；
步骤4：针对粒子进行当前适应度值与种群历史最优适应度值比较，并进行历史最优值替换；
步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；
步骤6：对子代种群的各粒子进行动态调整，产生新一代粒子群；
步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置，使用等式(1)与(2)进行计算；
步骤8：如果获得最优值，则结束，否则跳转至步骤2。
物联网电力宽带载波(HPLC)能量消耗模型把网络区域的站点(Station，STA)分成虚拟的网格来节约能源，宽度被分为网格，数据可以从一个网格被转发到目的站点，第i个网格中的能耗(Ei)是中央协调器(Central Coordinator,CCO)、代理协调器(ProxyCoordinator，PCO)或站点在发送、接收、监听和休眠的时候产生能耗的总和：
Ei＝etTt+erTr+elTl+esTs (3)
其中，et表示站点正在发送时产生的能耗，er表示站点正在接收时产生的能耗，el表示站点处于监听状态时产生的能耗，es表示站点处于休眠状态时产生的能耗，Tt表示站点发送状态的持续时间，Tr表示站点接收状态的持续时间，Tl表示站点监听状态的持续时间，Ts表示站点休眠状态的持续时间；
其中，a表示由电子元件决定的常数一，a＝0.083(J/S)，b表示由电子元件决定的常数二，b＝0.017(J/S)，c表示由电子元件决定的常数三，c＝0.013(J/S/m2)，d表示由电子元件决定的常数四，R表示相邻网格之间能直接通信的两个站点之间的标称距离，σ表示通信路径损失的能量指数，通常取值为3；参数es和el相等。
将(4)式带入(3)式得到一个模型来描述任意一个网格中的能量的消耗：
Ei＝a+bTr+cRσTt (5)，
发送和接收持续时间分别如下：
其中，Dt表示站点正在发送的数据流量，Dr表示站点正在接收的数据流量，μ表示数据发送和接收的速率值，为250kps。数据流量需求通常被认为是静态的，但是研究表明无线网络中的数据流量需求通常是高度动态的而且本质上是不可预知的。电力配电网的变量强度λ被描述为数据流量D与网络总长度L和网络面积B的比：
D＝L×B×λ (7)
网格中的CCO，PCO比一般站点有更多数据要发送；网格中的更接近目的站点的活动站点相比于远离目的站点的站点将有更多数据发送；这意味着这些站点相比于远站点将有更短的传输范围更高的传输效率；CCO或PCO有更高的传输效率。
第i个网格发送和接收的数据可以通过减去整个网络的网格长度方向上第i个位置的网格的长度来得到。每个网格中发送和接收数据站点之间的距离从网络总长度中减去网格长度Xi的总和：
其中，Lti表示第i个网格发送数据站点之间的距离，Lri表示第i个网格接收数据站点之间的距离，m表示网络中的站点总数，xi表示第i个网格的长度；
将(8)式带入(7)式来给出第i个网格中发送的流量数据Dti和第i个网格中接收的流量数据Dri：
相邻网格之间能直接通信的两个站点之间的标称距离R确保相邻网格间站点之间的直接通信并且网络中第i个网格的标称距离Ri定义为：
其中，Xi表示第i个网格的长度，Xi-1表示第i-1个网格的长度；
将等式(6)、(9)和(10)带入等式(5)得到网络的第i个网格中的能耗如下：
其中，i＝1的时候Xi＝0。
在高速载波通信动态路由算法中，每条链路会被分配1个神经网络权重，流量根据这些权重计算最优网络标识符进行路由。而节能路由的主要设计思想是先休眠利用率低的链路集合，将本该处于休眠链路的业务流量，导向其他非休眠链路。由于要最大限度地节能，则应该以最小数目的链路满足业务的需求，使更多的链路上没有业务量经过。链路的权重Wl决定了业务的流量分布D。链路的权重Wl与流量D是负相关的关系，因为电力配电网的变量强度λ＝1/Wl。权重越小的链路其流量越大，权重越大的链路其流量越小，甚至无流量经过。
由HPLC能量消耗模型可知，网格中发送和接收流量直接影响整个系统耗能。因此，可通过优化链路权重来得到需要的流量分布，从而达到节能的目的。
优化网络链路权重的启发式算法有很多种，比如邻域搜索算法来优化链路权重，建立以最小化最大链路利用率为优化目标的数学模型，使用与链路利用率呈正相关的函数作为评估代价的准则。使用基于链路权重的向量邻域搜索方式。邻域搜索的主要思想是初始化1套权重向量，进行能耗评估，根据权重调整策略对初始权重向量进行调整，一直迭代，调整权重找到更优的解(即最小的能耗)。但是因为邻域搜索算法主要是一种对权重向量进行搜索得到最优解的算法，并不是搜索全局最优解的算法。因此，本发明提出使用粒子群算法搜索最大链路权重得到全局最优解，从而得到最小业务流量，以实现最大限度地节能。
将改进的粒子群优化算法嵌入物联网电力宽带载波HPLC能量消耗模型来获得整个电力配电网的最小能量消耗。
一个基于PSO优化问题是通过最小化整个网络的总能量来解决的即：
每个Xi代表PSO变量。
假设建立一个总站点个数为100，15级代理的网络，网络面积1500m2，网络总长度5455米，流量变量强度为5。如图2所示，
当网格长度为28米时，总能量消耗最小Ei＝7.158e+012(J/S)。实验表明，超过28米，网格长度越长，消耗能量越多。
基于改进的粒子群算法优化链路权重的物联网电力宽带载波HPLC节能算法如图1所示：
步骤1：对粒子群进行初始化，同时随机初始化各粒子；输入粒子群优化算法的参数和链路权重向量作为参数，把链路权重向量作为优化目标函数；
步骤2：基于适应度函数，进行各粒子适应度值计算；将粒子个体作为系统变量输入，基于约束条件产生可行解；
步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；
步骤4：针对粒子进行当前适应度与种群历史最优适应度值比较，并进行历史最优值替换；
步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；
步骤6：动态调整子代种群的个体产生新一代粒子群；
步骤7：使用等式(1)与(2)进行计算；对每个粒子，将其适应度值与最优值进行比较，如果较好，则将其作为当前的最好位置，比较当前所有的Pbest和Gbest的值，更新Gbest；
步骤8：如果获得链路权重最大值，则结束，否则跳转步骤5；
步骤9：根据最大链路权重计算变量强度，根据等式(7)计算最小流量；
步骤10：重新初始化粒子群，每一个粒子个体都对应着一个网格长度；根据物联网电力宽带载波HPLC能量模型输入模型参数和PSO算法参数；把HPLC能量模型等式(12)作为优化目标函数。重复步骤2至步骤7；
步骤11：如果获得整个系统最小总能耗，则结束，否则跳转步骤5。
假设建立一个总站点个数为100，15级代理的网络，网络面积1500m2，网络总长度5455米，流量变量强度为链路权重的倒数。图3为最大链路权重图。最大链路权重Wl＝4.8。图4为采用最大链路权重计算得到最小流量时得到的最小网络总能量图。当网格长度为28米时，总能量消耗最小Ei＝2.982e+011(J/S)。实验表明，超过28米，网格长度越长，消耗能量越多。对比图2和图4，采用最大链路权重计算得到最小流量时得到的最小网络总能量明显下降。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种电力配电网的能量优化方法，其特征是，包括：
将改进的粒子群优化算法嵌入物联网电力宽带载波能量消耗模型来获得整个电力配电网的最小能量消耗，实现电力配电网的能量优化；
其中，物联网电力宽带载波能量消耗模型为：
其中，Ei表示第i个网格的能量消耗，a表示由电子元件决定的常数一，b表示由电子元件决定的常数二，B表示网络面积，λ表示电力配电网的变量强度，μ表示数据发送和接收的速率值，L表示网络总长度，Xi表示第i个网格的长度，c表示由电子元件决定的常数三，Xi-1表示第i-1个网格的长度，σ表示通信路径损失的能量指数；
改进的粒子群优化算法，包括：
步骤1：对粒子群进行初始化，同时随机初始化各粒子；输入粒子群优化算法的参数和链路权重向量作为参数；把链路权重向量作为优化目标函数；
步骤2：基于适应度函数，进行各粒子适应度值计算；将粒子个体作为系统变量输入，基于约束条件产生可行解；
步骤3：针对粒子进行当前适应度值与历史最优适应度值比较，同时进行历史最优值替代；
步骤4：针对粒子进行当前适应度与种群历史最优适应度值比较，并进行历史最优值替换；
步骤5：计算各粒子最大适应度值和平均适应度值的差，获得个体适应度差值，将个体适应度差值作为输入，自适应调节各粒子的速度和位置，更新粒子速度、位置得到子代种群；
步骤6：动态调整子代种群的个体产生新一代粒子群；
步骤7：新一代粒子群中的各粒子通过个体极值和群体极值更新自身的速度和位置；对每个粒子，将其适应度值与最优值进行比较，如果优于最优值，则将其作为当前的最好位置，比较当前所有的个体极值和群体极值的值，更新群体极值；
步骤8：如果获得链路权重最大值，则结束，否则跳转至步骤5；
步骤9：根据最大链路权重计算变量强度，并计算最小流量；
步骤10：重新初始化粒子群，每一个粒子个体都对应着一个网格长度；根据物联网电力宽带载波能耗模型输入模型参数和改进的粒子群优化算法参数；把物联网电力宽带载波能耗模型作为优化目标函数；重复步骤2至步骤7；
步骤11：如果获得整个系统最小总能耗，则结束，否则跳转至步骤5；
所述整个系统最小总能耗是中央协调器、代理协调器或站点在发送、接收、监听和休眠的时候产生能耗的总和：
(12)
其中，m表示网络中的站点总数；
2.根据权利要求1所述的电力配电网的能量优化方法，其特征是，所述步骤6：对粒子群的各粒子进行动态调整，产生新一代粒子群；包括，
引入移民算子，在每一代进化过程中以设定的淘汰率将最差个体淘汰，然后用产生的新个体代替；
过滤相似个体，对子代个体按适应度值排序，依次计算各粒子最大适应度值和平均适应度值的差值和所述差值小于门限delta的相似个体间的广义海明距离；若满足所述差值小于所述门限delta且所述广义海明距离小于所述门限delta，则滤除该粒子；
动态补充子代新个体，将父代中适应度值高的多个个体随机进行多次变异，产生出新个体，加入子代，产生新一代粒子群。
3.根据权利要求1所述的电力配电网的能量优化方法，其特征是，在所述步骤7中，采用公式(1)更新新一代粒子群中各粒子的速度，采用公式(2)更新新一代粒子群中各粒子的位置：
其中，表示第k+1次迭代后粒子的速度，w表示惯性权值，/>表示第k次迭代后粒子的速度，c1表示第一学习因子常数，c2表示第二学习因子常数，/>表示第k次迭代后第一随机数，/>表示第k次迭代后粒子个体极值，/>表示第k次迭代后粒子的位置，/>表示第k次迭代后第二随机数，/>表示第k次迭代后粒子群体极值，k表示迭代次数；
其中，表示第k+1次迭代后粒子的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010147384.5A CN111160513B (zh) | 2020-03-05 | 2020-03-05 | 一种电力配电网的能量优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010147384.5A CN111160513B (zh) | 2020-03-05 | 2020-03-05 | 一种电力配电网的能量优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160513A CN111160513A (zh) | 2020-05-15 |
| CN111160513B true CN111160513B (zh) | 2023-08-04 |
Family
ID=70567084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010147384.5A Active CN111160513B (zh) | 2020-03-05 | 2020-03-05 | 一种电力配电网的能量优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160513B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086229B (zh) * | 2022-04-29 | 2023-07-11 | 珠海高凌信息科技股份有限公司 | 一种基于进化算法的sdn网络多路径计算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
| CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
| CN107169558A (zh) * | 2017-05-25 | 2017-09-15 | 河海大学 | 一种实现工程岩体力学参数反演的改进粒子群优化方法 |
| CN107798379A (zh) * | 2017-11-23 | 2018-03-13 | 东北大学 | 改进量子粒子群优化算法的方法及基于改进算法的应用 |
-
2020
- 2020-03-05 CN CN202010147384.5A patent/CN111160513B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
| CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
| CN107169558A (zh) * | 2017-05-25 | 2017-09-15 | 河海大学 | 一种实现工程岩体力学参数反演的改进粒子群优化方法 |
| CN107798379A (zh) * | 2017-11-23 | 2018-03-13 | 东北大学 | 改进量子粒子群优化算法的方法及基于改进算法的应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160513A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Balamurugan et al. | Hybrid Marine predators optimization and improved particle swarm optimization-based optimal cluster routing in wireless sensor networks (WSNs) | |
| CN111818553B (zh) | 基于模糊逻辑的无线传感器网络改进多跳leach协议的数据传输方法 | |
| Umashankar et al. | An efficient hybrid model for cluster head selection to optimize wireless sensor network using simulated annealing algorithm | |
| Tukisi et al. | Multi-hop PSO based routing protocol for Wireless Sensor Networks with Energy Harvesting | |
| CN111160513B (zh) | 一种电力配电网的能量优化方法 | |
| CN113660710B (zh) | 一种基于强化学习的移动自组织网络路由方法 | |
| Wang et al. | A multi-featured actor-critic relay selection scheme for large-scale energy harvesting WSNs | |
| Zuo et al. | Deep reinforcement learning based load balancing routing for LEO satellite network | |
| CN115843085A (zh) | 一种基于改进模糊c均值聚类的wsn分簇路由方法 | |
| Sett et al. | Effect of optimal cluster head placement in MANET through multi objective GA | |
| Meena et al. | Firefly optimization based hierarchical clustering algorithm in wireless sensor network | |
| Gao et al. | SWIPT-based energy scheduling for solar-powered WSN in full-duplex mode | |
| CN109089307B (zh) | 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法 | |
| Bozorgi et al. | A smart optimizer approach for clustering protocol in UAV-assisted IoT wireless networks | |
| CN112672396B (zh) | 基于改进鲸鱼算法的无线传感器网络移动节点分簇方法 | |
| Peng et al. | Real-time transmission optimization for edge computing in industrial cyber-physical systems | |
| Qabouche et al. | Energy efficient PSO-based routing protocol for large WSN | |
| CN112822747A (zh) | 一种无线传感网中基于遗传算法和蚁群算法的路由选择策略 | |
| CN107872809B (zh) | 一种基于移动节点辅助的软件定义传感网络拓扑控制方法 | |
| CN113965943B (zh) | 基于双向Q-Learning优化AODV路由的方法 | |
| Hosseinirad | Multi-layer clustering topology design in densely deployed wireless sensor network using evolutionary algorithms | |
| El Morabit et al. | Small cell switch off using genetic algorithm | |
| Asha | A hybrid approach for cost effective routing for WSNs using PSO and GSO algorithms | |
| Lafta et al. | Efficient routing protocol in the mobile ad-hoc network (MANET) by using genetic algorithm (GA) | |
| Kumari et al. | A genetic algorithm based leach protocol for cluster head selection to enhance the network lifetime of wireless sensor network |
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 | ||
| CB02 | Change of applicant information |
Address after: 210000 14-17 / F, building 7, yunmi City, 19 ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province Applicant after: Jiayuan Technology Co.,Ltd. Address before: 210000 14-17 / F, building 7, yunmi City, 19 ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province Applicant before: Jiayuan Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |