CN111178487A - 电力优化调度方法、装置、计算机设备和存储介质 - Google Patents

电力优化调度方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111178487A
CN111178487A CN201911323880.5A CN201911323880A CN111178487A CN 111178487 A CN111178487 A CN 111178487A CN 201911323880 A CN201911323880 A CN 201911323880A CN 111178487 A CN111178487 A CN 111178487A
Authority
CN
China
Prior art keywords
population
optimization
target
initial generation
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.)
Granted
Application number
CN201911323880.5A
Other languages
English (en)
Other versions
CN111178487B (zh
Inventor
丁剑鹰
陈斌源
吴迪
黄江云
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.)
Guangdong Energy Group Co Ltd
Original Assignee
Guangdong Energy Group Co Ltd
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 Guangdong Energy Group Co Ltd filed Critical Guangdong Energy Group Co Ltd
Priority to CN201911323880.5A priority Critical patent/CN111178487B/zh
Publication of CN111178487A publication Critical patent/CN111178487A/zh
Application granted granted Critical
Publication of CN111178487B publication Critical patent/CN111178487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种电力优化调度方法、装置、计算机设备和存储介质。该方法包括：计算机设备根据电力系统的决策变量和优化目标，初始化电力系统的初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群，从而获取电力系统的优化目标对应的决策变量的目标解集，根据决策变量的目标解集，完成电力调度操作。本方法中，由于在对电力系统的初代种群进行交叉变异处理时，采用了差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异，使得得到的子代种群具有更好的收敛性，在提高种群的多样性以及分布性的同时确保了种群最优个体的数量和质量，从而满足电力系统多目标电力调度的复杂需求。

Description

电力优化调度方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力技术领域，特别是涉及一种电力优化调度方法、装置、计算机设备和存储介质。
背景技术
随着电力系统规模的不断扩大和电力市场运营的兴起，电力系统各种优化问题的目标函数呈现多样化趋势，特别是在电力系统无功优化、经济调度、负荷建模优化和配电网重构等领域，逐渐发展成为综合考虑经济性、环保效益、电压安全裕度和电能质量等多种运行指标的多目标优化问题，因此权衡问题日益突出。
现有的多目标优化算法包括基于Pareto最优解集的多目标优化方法、NSGA-II的多目标优化方法、NSGA-III多目标优化方法等，这些方法可以通过权衡各目标之间的关系，根据决策者偏好挑选出最优解集。
但是，随着电力系统实际应用需求的复杂化，现有的优化方法无法满足电力系统多目标复杂优化调度的需求。
发明内容
基于此，有必要针对上述技术问题，提供一种电力优化调度方法、装置、计算机设备和存储介质。
第一方面，本申请提供一种电力优化调度方法，该方法包括：
确定电力系统的决策变量和优化目标；决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；优化目标表示电力系统中的至少两个维度的性能指标；
根据决策变量和优化目标，初始化电力系统的初代种群和算法参数；算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值；
根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群；
根据目标优化种群，获取电力系统的优化目标对应的决策变量的目标解集；
根据决策变量的目标解集，完成电力调度操作。
在其中一个实施例中，上述初始化电力优化调度算法的初代种群和算法参数，包括：
计算初代种群的适应度值；适应度值用于表征初代种群的目标函数的值；
判断适应度值是否属于预设的取值范围；
若适应度值不在预设的取值范围内，则采用多约束变量混合处理的方法，调整初代种群对应的决策变量；
若适应度值在预设的取值范围内，则执行根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理的步骤。
在其中一个实施例中，上述采用多约束变混合处理的方法，调整初代种群对应的决策变量，包括：
设置决策变量对应的约束条件；约束条件包括对决策变量的上限值、下限值的不等式约束，和，对与决策变量有关的状态变量的等式约束；
根据各决策变量对应的约束条件，调整初代种群对应的决策变量的值。
在其中一个实施例中，上述根据决策变量和优化目标，初始化电力优化调度算法的初代种群和算法参数，包括：
根据算法参数、优化目标的数量，在各维度的优化目标对应的平面中，生成预设数量的参考点；参考点在平面中呈均匀分布。
在其中一个实施例中，上述根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群，包括：
采用差分算子对初代种群进行交叉处理，得到交叉处理后的初代种群；
采用levy飞行动态适应搜索法对交叉处理后的初代种群进行变异处理，得到初代种群对应的子代种群；
将初代种群和子代种群进行合并择优处理，得到目标优化种群。
在其中一个实施例中，上述采用动态适应搜索法对交叉处理后的初代种群进行变异处理，得到初代种群对应的子代种群之后，还包括：
计算子代种群的适应度值；
判断适应度值的是否处于预设的取值范围内；
若适应度值不在预设的取值范围内，则对采用多约束变量混合处理的方法，调整子代种群对应的决策变量；
若适应度值在预设的取值范围内，则执行将初代种群和子代种群进行合并择优处理，得到目标优化种群步骤。
在其中一个实施例中，上述将初代种群和子代种群进行合并择优处理，得到目标优化种群，包括：
将初代种群与子代种群合并，得到合并后的种群；
按照预设的排序规则，对合并后的种群进行排序，得到不同的占优层；占优层用于表征不同顺序阶段的种群；
根据预设的择优规则，选择占优层中的占优个体，生成目标优化种群。
在其中一个实施例中，上述根据预设的择优规则，选择占优层中的占优个体，生成目标优化种群，包括：
根据各占优层的顺序，选择各占优层中的占优层个体，依次加入目标优化种群中；
当当前占优层的占优个体加入至目标优化种群，使得目标优化种群的数量大于第一阈值时；则根据参考点，进行定量择优操作，使得目标优化种群的数量等于第一阈值。
在其中一个实施例中，上述根据参考点，进行定量择优操作，使得目标优化种群等于第一阈值，包括：
计算已经加入目标优化种群的各占优层的占优个体与参考点的距离；
根据距离，设定目标优化种群的小生境数；小生境数表示距离的预设边界值；
根据小生境数，从当前占优层中选择占优个体加入目标优化种群，使得目标优化种群的数量等于第一阈值。
在其中一个实施例中，在上述将初代种群和子代种群进行合并择优处理，得到目标优化种群之后，还包括：
增加一次迭代次数；
判断当前的迭代次数是否达到迭代阈值；
若当前的迭代次数小于迭代阈值，则返回执行根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群的步骤；
若迭代次数等于迭代阈值，则确定目标优化种群为最终优化种群。
第二方面，本申请提供一种电力优化调度装置，该装置包括：
确定模块，用于确定电力系统的决策变量和优化目标；决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；优化目标表示电力系统中的至少两个维度的性能指标；
初始化模块，用于根据决策变量和优化目标，初始化电力系统的初代种群和算法参数；算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值；
处理模块，用于根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群；
获取模块，用于根据目标优化种群，获取电力系统的优化目标对应的决策变量的目标解集；
调度模块，用于根据决策变量的目标解集，完成电力调度操作。
第三方面，本申请提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述第一方面中任一项实施例所提供的电力优化调度方法。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一项实施例所提供的电力优化调度方法。
上述电力优化调度方法、装置、计算机设备和存储介质，计算机设备通过确定电力系统中至少两个与电力系统性能相关的决策变量和电力系统中的至少两个维度的优化目标，根据该决策变量和优化目标，初始化电力系统的初代种群和算法参数，算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值，根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群，从而获取电力系统的优化目标对应的决策变量的目标解集，根据决策变量的目标解集，完成电力调度操作。本方法中，由于在对电力系统的初代种群进行交叉变异处理时，采用了差分算子对初代种群进行交叉，使得得到的子代种群具有更好的收敛性，采用levy飞行动态适应搜索策略对交叉后的种群进行变异，意味着在更广阔的范围自适应地寻找更优解，在提高种群的多样性以及分布性的同时确保了种群最优个体的数量和质量，最终得到最优的决策变量的目标解集，根据目标解集实现电力系统多个优化目标函数的协调优化，达到整体能耗的降低和排放的减少，从而满足电力系统多目标电力调度的复杂需求。
附图说明
图1为一个实施例中电力优化调度方法的应用环境图；
图2为一个实施例中电力优化调度方法的流程示意图；
图3为另一个实施例中电力优化调度方法的流程示意图；
图4为另一个实施例中电力优化调度方法的流程示意图；
图5为另一个实施例中电力优化调度方法的流程示意图；
图6为另一个实施例中电力优化调度方法的流程示意图；
图7为另一个实施例中电力优化调度方法的流程示意图；
图8为另一个实施例中电力优化调度方法的流程示意图；
图9为另一个实施例中电力优化调度方法的流程示意图；
图10为另一个实施例中电力优化调度方法的流程示意图；
图10a为另一个实施例中电力优化调度方法的整体流程示意图；
图11为一个实施例中电力优化调度装置的结构框图；
图12为另一个实施例中电力优化调度装置的结构框图；
图13为另一个实施例中电力优化调度装置的结构框图；
图14为另一个实施例中电力优化调度装置的结构框图；
图15为另一个实施例中电力优化调度装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力优化调度方法，可以应用于如图1所示的应用环境中。图1提供了一种计算机设备，该计算机设备可以是服务器，也可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力优化调度的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力优化调度的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
1993年，印度科学家Srinivas和Deb第一次提出了NSGA算法，该算法具备搜索能力强和鲁棒性好的优势，同事也存在几方面的不足，其Pareto构造的时间复杂度高，特别是当进化种群规模较大时候，运行时间体现的越发明显；该算法缺乏最优个体保留机制；该算法需要人为设定共享参数，共享参数大小的设定不容易确定，难以进行共享参数的调整与修改。2002年，Deb教授等人在NSGA的框架上提出了NSGA-II算法，通过构造新的非支配集的方法降低时间复杂度，通过定义精英策略保持群体的分布性和多样性，弥补了NSGA的缺陷,但当存在多个优化目标函数时，NSGA-II算法的局限性和缺点得到体现。2014年，Deb教授在NSGA-II的基础框架上提出了一种基于参考点方法的高维多目标优化算法NSGA-III，并在文献中验证了该算法对多目标测试函数的有效性，但是该算法得到的最优解集较为分散，优化效果不是很好，无法准确满足实际应用的需求。随着电力系统多目标优化调度问题越来越复杂，以上多目标优化算法的计算效果都出现了局限性的问题。本方案提供的一种电力系统多目标优化调度方法在NSGA-III算法的基础上做了改进，利用差分算子和levy飞行动态搜索策略对初代种群进行交叉变异处理，提高了最优解集的收敛性，计算得到的最优解集的优化效果较为显著。从社会效益来说可以实现电力系统多个优化目标函数的协调优化，达到整体能耗的降低和排放的减少；从发电企业的角度可以实现机组的优化运行，降低成本；对电网公司而言，可以在一定程度上降低调度的复杂度，在合理的调度模式下增加收益。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请图2-图10实施例提供的电力优化调度方法，其执行主体可以是计算机设备，也可以是电力优化调度装置，该电力优化调度装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
在一个实施例中，如图2所示，提供了一种电力优化调度方法，本实施例涉及的是计算机设备根据该决策变量和优化目标，初始化电力系统的初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异得到目标优化种群，从而获取到电力系统的优化目标对应的决策变量的目标解集，最后根据决策变量的目标解集，完成电力调度操作的具体过程，包括以下步骤：
S201、确定电力系统的决策变量和优化目标；决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；优化目标表示电力系统中的至少两个维度的性能指标。
其中，决策变量指的是电力系统中与电力系统性能相关的电力参数，该决策变量的取值决定了优化目标的目标函数取值，示例地，决策变量可以包括电力系统中发电机的有功功率、电力设备的电压值、变压器的节点变比以及节点无功功率等参数；优化目标指的是该电力系统中需要优化的电力系统性能指标，示例地，优化目标可以包括电力系统的燃料成本、污染物排放量、电力系统的耗能、电力系统的电力负荷等。
在本实施例中，计算机设备根据电力系统的实际情况，确定出该电力系统的优化目标，例如，电力系统在过去一段时间的燃料成本耗费较大、污染物排放量可观，那么，计算机设备可以设定该电力系统的优化目标为燃料成本和污染物排放量；根据确定后的优化目标，确定影响优化目标的电力参数，将该电力参数确定为决策变量，例如，影响电力系统燃料成本的电力参数有发电机的有功功率、电力设备的电压值、变压器的节点变比等；影响电力系统污染物排放量的电力参数有发电机的有功功率、变压器的节点变比、节点的无功功率等；那么，计算机设备可以确定发电机的有功功率、电力设备的电压值、变压器的节点变比、节点的无功功率为优化目标对应的决策变量，本实施对此不做限定。
S202、根据决策变量和优化目标，初始化电力系统的初代种群和算法参数；算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值。
其中，初代种群指的是随机生成的所有决策变量的多组值的集合；初始化算法参数指的是设定初代种群的规模，设定种群的迭代次数、设定算法中交叉变异的系数的取值、以及设定各类决策变量的上限值和下限值。
在本实施例中，计算机设备在初始化算法参数之后，根据初代种群的规模，也就是初代种群的数量，初始化初代种群中所有决策变量的随机值集合；同时，计算机设备可以根据初始化算法参数中的各类决策变量的上限值和下限值，对初代种群中决策变量的随机值进行修复调整，若随机取得的决策变量的值小于对应的下限值，或大于对应的上限值，则计算机设备可以通过多种方式将该决策变量的随机值调整至预设取值范围之内，优选地，计算机设备可以采用多约束变量混合处理的方法，调整对应的决策变量的随机值，本实施例对此不做限定。
S203、根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群。
其中，交叉变异处理包括交叉处理和变异处理；交叉处理指的是将初代种群中的优化个体进行交叉，得到优化个体集中的优化解集；变异处理指的是将初代种群中优化个体进行变异，增加优化个体的多样性。交叉算法包括单点交叉、两点交叉、均匀交叉、基于差分算子交叉等；变异算法包括多项式变异、飞行动态搜索变异、基本位变异、均匀变异、边界变异等。
在本实施例中，计算机设备可以根据初代种群中各决策变量的值和算法参数中已经设置好的交叉变异的系数，对初代种群进行交叉变异处理，优选地，基于差分算子的交叉方法具备良好的收敛速度，计算机设备可以选择基于差分算子的交叉算法对初代种群进行交叉处理，得到收敛性较好的交叉处理后的初代种群。考虑到初代种群迭代初期需要加强算法的全局搜索能力，提高种群个体分散程度；在迭代后期需要弥补算法的局部搜索能力，提高算法的收敛能力，优选地，计算机设备可以选择levy飞行动态适应搜索策略对交叉后的初代种群进行变异处理，得到交叉变异后的子代种群，本实施例对此不做限定。进一步地，在对初代种群进行交叉变异处理得到子代种群之后，计算机设备还可以对该子代种群进行进一步处理，其中可以包括将子代种群与初代种群进行合并，通过精英策略或其他择优方法，选取合并后的种群中的优化个体，组成新的种群；再对该新的种群进行交叉变异处理，直到得到目标优化种群，本实施例对此不做限定。
S204、根据目标优化种群，获取电力系统的优化目标对应的决策变量的目标解集。
其中，目标优化种群指的是通过上述实施例中交叉变异处理和进一步种群合并、种群个体择优处理后得到的最终优化种群，该目标优化种群中包括该电力系统优化目标对应的决策变量的目标解集，该目标解集指的是达到该优化目标时各决策变量的最优取值的集合，该目标优化种群用于指示计算机设备根据该目标优化种群中决策变量的优化取值进行电力调度。
在本实施例中，计算机设备获取到目标优化种群之后，可以通过基于模糊选择的决策方法或其他计算方法，从该目标优化种群中，计算得到优化目标对应的决策变量的最优解集合。示例地，获取优化目标的最优值，优化目标可以包括电力系统燃料成本和污染物排放量，对应的最优值可以为电力系统燃料成本最低、污染物排放量最小，例如，电力系统燃料成本为800.3991，污染物排放量为0.36629；该优化目标对应的目标解集包括多个决策变量的最优解，示例地，决策变量包括第2台发电机的有功功率为48.74011、第5台发电机的有功功率为21.37287、第1台发电机的电压标压值为1.082294、第2台发电机的电压标压值为1.063403、节点6和节点9的电压器的电压比为1.033137、节点6和节点10的电压器的电压比为0.93973、节点10的无功功率为2.499678、节点12的无功功率为1.31572等，本实施例对此不做限定。
S205、根据决策变量的目标解集，完成电力调度操作。
其中，目标解集包括与优化目标对应的多个决策变量的最优取值，计算机设备按照该目标解集对电力系统中涉及的电力设备的电力参数进行调整，以完成电力调度的操作。
在本实施例中，计算机设备根据上述步骤获取到的目标解集，以同样的例子说明，该目标解集包括第2台发电机的有功功率为48.74011、第5台发电机的有功功率为21.37287、第1台发电机的电压标压值为1.082294、第2台发电机的电压标压值为1.063403、节点6和节点9的电压器的电压比为1.033137、节点6和节点10的电压器的电压比为0.93973、节点10的无功功率为2.499678、节点12的无功功率为1.31572，计算机设备根据这些数值，调整电力系统中各节点、各设备的电力参数，使之达到目标解集中各决策变量的取值，完成电力优化调度，本实施例对此不做限定。
上述电力优化调度方法中，计算机设备通过确定电力系统中至少两个与电力系统性能相关的决策变量和电力系统中的至少两个维度的优化目标，根据该决策变量和优化目标，初始化电力系统的初代种群和算法参数，根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群，从而获取电力系统的优化目标对应的决策变量的目标解集，根据决策变量的目标解集，完成电力调度操作。本方法中，计算机设备根据初始化的种群数目、交叉变异系数、决策变量的界限值等这些算法参数，对初代种群进行交叉变异处理时，采用了差分算子对初代种群进行交叉，使得得到的子代种群具有更好的收敛性，采用levy飞行动态适应搜索策略对交叉后的种群进行变异，意味着在更广阔的范围自适应地寻找更优解，在提高种群的多样性以及分布性的同时确保了种群最优个体的数量和质量，最终而得到最优的决策变量的目标解集，根据目标解集实现电力系统多个优化目标函数的协调优化，达到整体能耗的降低和排放的减少，从而满足电力系统多目标电力调度的复杂需求。
在上述确定电力系统的决策变量和优化目标之后，需要通过构建多目标优化算法完成对优化目标对应决策变量的最优解集的求解。构建算法的第一步为初始化算法的各项参数，且使得各项参数在预设合理的数值范围内，在一个实施例中，如图3所示，上述初始化电力优化调度算法的初代种群和算法参数，包括：
S301、计算初代种群的适应度值；适应度值用于表征初代种群的目标函数的值。
其中，适应度值用来表示该种群中各决策变量的取值的优化程度，适应度值越接近理想值，则决策变量的取值的优化程度更高，该理想值指的是根据优化目标对应的目标函数计算得到的值。
在本实施例中，计算机设备计算初代种群的适应度值，目的在于检验初始化时，随机生成的初代种群中各决策变量的值是否在合理范围内。计算机设备可以通过优化目标对应的目标函数来计算该适应度值，本实施例对此不做限定。
S302、判断适应度值是否属于预设的取值范围，若适应度值不在预设的取值范围内，则执行步骤S303；若适应度值在预设的取值范围内，则执行步骤S304。
其中，预设的取值范围指的是根据目标函数计算得到的理想值的合理偏差范围，该合理偏差是预先设定的，示例地，优化目标为电力系统燃料成本和污染物排放量，其理想值分别为800.3991和0.20484，计算机设备可以设定电力系统燃料成本的取值范围为(750.00-850.00)，污染物排放量的取值范围为(0.20-0.40)。
在本实施例中，计算机设备获取计算得到初代种群的适应度值，判断该适应度值是否在预设的取值范围内，示例地，若计算机设备计算得到的电力系统燃料成本为933.5423，污染物排放量为0.4169，两个值均不在上述的取值范围内，则计算机设备执行步骤S303；若计算机设备计算得到的电力系统燃料成本为831.5328，污染物排放量为0.36629，两个值均在上述的取值范围内，则计算机设备执行步骤S304。
S303、采用多约束变量混合处理的方法，调整初代种群对应的决策变量。
其中，多约束混合处理方法指的是针对决策变量和与决策变量相关的状态变量设定的约束方法，其目的在于修复调整决策变量与状态变量的取值，使得初代种群的适应度值处于合理范围内。
在本实施例中，计算机设备可以通过对决策变量的不等式约束，和对状态变量的等式约束，对初代种群的决策变量进行修复调整，其中，决策变量的不等式约束包括发电机的有功功率、电力设备的电压值、变压器的节点变比等电力参数的上、下限值的约束，本实施例对此不做限定。
S304、执行根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理的步骤。
在本实施例中，计算机设备计算得到的初代种群的适应度值在预设的取值范围内，说明各决策变量的取值同样也在理想取值范围内，计算机设备则可以对当前初代种群进行交叉变异处理，执行后续的操作。
在本实施例中，计算机设备通过校验初代种群的适应度值，从而将决策变量的值修复调整至合理范围内，一定程度上降低了由于随机初始化的决策变量的取值的错误导致优化算法失真的概率。
上述采用多约束变量混合处理指的是将决策变量的取值调整至设定取值范围内的方法，该方法可以通过约束条件对决策变量的值进行调整，也可以直接修改决策变量的值，使其在预设的取值范围内。在一个实施例中，如图4所示，上述采用多约束变混合处理的方法，调整初代种群对应的决策变量，包括：
S401、设置决策变量对应的约束条件；约束条件包括对决策变量的上限值、下限值的不等式约束，和，对与决策变量有关的状态变量的等式约束。
其中，对决策变量的上限值、下限值的不等式约束指的是针对不合理的决策变量的取值，设定的合理取值范围的不等式约束；对与决策变量有关的状态变量的等式约束指的是为使状态变量的不合理取值的影响降低而设定的等式约束条件。
在本实施例中，决策变量可以包括外发电机的有功功率、发电机节点的电压值、可调变压器变比以及节点的无功功率等，计算机设备均可设置各类决策变量的上限值和下限值，用于设置决策变量的取值不等式约束条件；计算机设备通过设置罚函数法，设定电力系统中与决策变量相关的状态变量的取值；该状态变量可以包括节点负荷、线路负荷等，本实施例对此不做限定。
S402、根据各决策变量对应的约束条件，调整初代种群对应的决策变量的值。
在本实施例中，计算机设备采用边界限制策略实现对决策变量的上限值、下限值的不等式约束，具体地，任一决策变量的取值不在预设的取值范围内，即不满足约束条件时，计算机设备可以采用边界限制策略将该决策变量的值修复到取值范围内，其修复公式为：
Figure BDA0002327857160000101
其中，xmin表示决策变量的下限值，xmax表示决策变量的上限值。
计算机设备通过罚函数对状态变量的取值进行约束，具体约束公式可以表示为：
Figure BDA0002327857160000111
上述公式(2)中，η、ψ、χ以及
Figure BDA0002327857160000112
都是惩罚系数，funvio(x)表示对约束变量x的越限量，在本实施例中，η、ψ、χ以及
Figure BDA0002327857160000113
的值均设置为50000。
在本实施例中，通过对设置约束条件对决策变量和状态变量的取值进行修复调整，使得决策变量和状态变量的取值处于合理范围内，一定程度上消除了不合理取值对后续交叉变异处理的影响，保证了数据的有效性。
在初始化初代种群和算法参数之后，为增加种群的多样性，需要对种群进行交叉变异处理，交叉变异的方法包括多种。在其中一个实施例中，如图5所示，上述根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群，包括：
S501、采用差分算子对初代种群进行交叉处理，得到交叉处理后的初代种群。
在本实施例中，计算机设备通过基于差分算子的交叉算法对初代种群进行交叉处理，基于差分算子的交叉算法的寻优速度较快，具备较高的收敛性。在本实施例中，具体地，计算机设备可以采用DE/best/1/bin的搜索方式，在第m代个体的更新方式将变成：
Figure BDA0002327857160000114
其中，i＝1,2,3,...,Np，j＝1,2,3,...,D，m＝0,1,2,...,iterationmax。
上述公式(3)中，Facc是缩放因子，Racc表示交叉因子，Np是D算子操作的次数，该次数和初代种群的数目相等。D是优化问题解空间的维度。iterationmax表示总的迭代次数。r1，r2以及best表示从初代Np个个体中随机选择的三个个体，best是使用非支配原则从这三个个体中选出的适应值最优的个体，r1为次优个体，r2为最差个体。
S502、采用levy飞行动态适应搜索法对交叉处理后的初代种群进行变异处理，得到初代种群对应的子代种群。
其中，Levy飞行是一种比布朗随机运动更有效的一种随机搜索策略，在搜寻过程中，短距离飞行和长距离飞行相间，短距离飞行可以保证种群在小范围内仔细的搜索，偶尔长距离的飞行可以使得种群跳出该区域进入另一区域，在更广阔的范围内寻找更优解。
在本实施例中，计算机设备采用Levy飞行的变异搜索策略，对种群进行变异操作，保证种群的解可以搜索到更广的空间范围区间。具体地，Levy变异的步长满足以下概率密度函数，在分布关于z＝0对称的时候，其概率密度函数可以如下表示：
Figure BDA0002327857160000121
上述公式(4)中，y∈R，0≤λ≤2是一个决定其分布尺度的特征参数，γ>0是决定分布图形锐度的参数。当将Levy飞行的变异策略引入到电力优化调度算法中时，其种群子代的计算方法可以表示为：
Figure BDA0002327857160000122
上述公式(5)中，α是一个求解问题的尺度参数，Levy(β)是一个以β为参数的Levy步长。当将Levy飞行的变异搜索策略和上述差分算子的加速选择方法结合在一起时候，公式(3-14)将转换成如下式子：
Figure BDA0002327857160000123
其中，i＝1,2,3,...,Np，j＝1,2,3,...,D，m＝0,1,2,...,iterationmax。
优选地，本实施例中将线性自适应参数与Levy变异步长相结合，Levy变异步长的求解方式可以表示为：
Figure BDA0002327857160000124
上述公式(7)中，gen表示当代迭代次数，ite表示总迭代次数。u和v满足正态分布，其中，
Figure BDA0002327857160000125
σu、σv的具体求解公式可以表示为：
Figure BDA0002327857160000126
Γ是标准Gamma函数，
Figure BDA0002327857160000127
用于被选出来的最优个体用来更新子代种群。
S503、将初代种群和子代种群进行合并择优处理，得到目标优化种群。
其中，目标优化种群指的是包括优化目标对应的所有决策变量的最优解的集合。
在本实施例中，计算机设备对初代种群进行交叉变异后，得到子代种群，计算机设备可以对该子代种群进行进一步种群合并、种群个体择优处理，其中包括将子代种群与初代种群进行合并，然后从合并后的种群中选择决策变量的最优解，从而确定目标优化种群，本实施例对此不做限定。
在本实施例中，计算机设备采用基于差分算子和基于levy飞行动态适应搜索策略的交叉变异算法，对初代种群进行了交叉变异处理，在提高算法的收敛能力的同事，保证了初代种群数据的多样性。
为验证得到的子代种群的目标函数的值仍在预设的目标函数的值的取值范围内，在一个实施例中，如图6所示，上述采用动态适应搜索法对交叉处理后的初代种群进行变异处理，得到初代种群对应的子代种群之后，还包括：
S601、计算子代种群的适应度值。
在本实施例中，计算机设备需要对每次生成的种群进行适应度值的计算，与步骤S301同样的，计算机设备同样是为了检验当前种群中各决策变量的值是否在合理范围之内。
S602、判断适应度值的是否处于预设的取值范围内；若适应度值不在预设的取值范围内，则执行步骤S603；若适应度值在预设的取值范围内，则执行步骤S604。
在本实施例中，预设的取值范围如同步骤S302中提到的，计算机设备获取计算得到子代种群的适应度值，判断该适应度值是否在预设的取值范围内，若计算机设备计算得到适应度值在上述的取值范围内，则计算机设备执行步骤S603；若计算机设备计算得到的适应度值不在上述的取值范围内，则计算机设备执行步骤S604。
S603、对采用多约束变量混合处理的方法，调整子代种群对应的决策变量。
在本实施例中，同样地，计算机设备采用多约束变量混合处理的方法，将子代种群中决策变量的取值修复调整至合理范围内，同样的，待调整的决策变量包括发电机的有功功率、电力设备的电压值、变压器的节点变比等电力参数，本实施例对此不做限定。
S604、执行将初代种群和子代种群进行合并择优处理，得到目标优化种群步骤。
其中，合并择优处理指的是将初代种群与子代种群进行合并，由于种群规模是一定的，所以需要对该合并后的种群进行择优处理，使得得到的目标优化种群的规模等于初始化算法参数时预设的种群规模。
在本实施例中，计算机设备判断子代种群的适应度值在预设的取值范围内时，说明各决策变量的取值同样也在理想取值范围内，计算机设备则可以对当前子代种群进行进一步种群合并、种群个体择优处理，执行后续的操作。
在本实施例中，计算机设备需要判断产生的每一代种群的适应度值是否在预设的适应度值的取值范围内，若当前适应度值不处于该取值范围内，则会修复调整该适应度值对应的决策变量，使得在迭代过程中，一定程度上保证了种群的优化程度。
在计算机设备对初代种群进行交叉变异后，生成子代种群，需要将初代种群和子代种群进行合并，而后在合并后的种群中选择最优个体，成为新的种群，在一个实施例中，如图7所示，上述将初代种群和子代种群进行合并择优处理，得到目标优化种群，包括：
S701、将初代种群与子代种群合并，得到合并后的种群。
在本实施例中，计算机设备可以直接将初代种群与子代种群进行合并，此时，不需要考虑合并后的种群规模是否超过了设定的种群规模。示例地，计算机设备对初代种群Pt进行交叉变异操作产生子代种群Qt，则合并初代种群与子代种群得到合并后的种群Rt可以表示为Rt＝Pt∪Qt，本实施例对此不做限定。
S702、按照预设的排序规则，对合并后的种群进行排序，得到不同的占优层；占优层用于表征不同顺序阶段的种群。
其中，预设的排序规则指的是预先设定的对种群中的个体进行排序的方法；占优层指的是将排序后的个体按照一定规则分成的多个不同的层级；该排序规则可以是选择一定数量的个体置于不同的层级，也可以是选择一定取值范围的个体置于不同的层级。在本实施例中，计算机设备选择快速非支配的排序方式对合并后的种群中的个体进行排序，得到不同占优层的个体。
S703、根据预设的择优规则，选择占优层中的占优个体，生成目标优化种群。
其中，预设的择优规则指的是根据占优层的顺序，从优先级高的占优层中选择优化个体，一般的，计算机设备会选择占优层的全部个体生成目标优化种群。
在本实施例中，计算机设备根据占优层的顺序，从优先级高的占优层开始选择，依次选择每个占优层的全部个体，直到选择第L层占优层的全部个体时，目标优化种群的规模超过了初始算法参数中设定的种群规模，此时，计算机设备需要对该L层的个体进行进一步择优选择，选择的数量为当前目标优化种群中除前L层之外的，仍需要的个体数量。需要说明的是，占优层的优先级越高，占优层中所有个体的值越优化。
可选地，计算机设备还可以对目标优化种群进行仿真实验，表1为本实施例与现有技术的优化解集对比表。其中Min TFC对应的是电力系统燃料成本最小时的优化解集，MinE对应的是电力系统污染物排放量最小时的优化解集，Comp对应的是电力系统燃料成本与电力系统污染物排放量折中的优化解集。MNSGA-III表示的是本实施例的优化解集，NSGA-III表示的是现有技术的优化解集，决策变量PG2表示的是第2台发电机的有功功率，VG1表示的是第1台发电机的电压值，T6-9表示的是节点6与节点9的变压器的变比，Q10表示的是节点10的无功功率；优化目标TFC指的是电力系统燃料成本，Emission指的是电力系统污染物排放量。
表1
Figure BDA0002327857160000141
Figure BDA0002327857160000151
在本实施例中，计算机设备对合并后的种群进行优先级高的占优层个体的择优选择，使得生成的目标优化种群的优化程度更高。
在选择最优个体时，由于种群规模是初始化时设定的，故可能出现当选择第L层占优个体加入种群中时，种群中个体超过了设定的规模数据，为保证最后得到的种群规模与设定的种群规模一致，需要对该L层的占优个体进行选择。在一个实施例中，如图8所示，上述根据预设的择优规则，选择占优层中的占优个体，生成目标优化种群，包括：
S801、根据各占优层的顺序，选择各占优层中的占优层个体，依次加入目标优化种群中。
其中，各占优层的顺序指的是根据占优层优化程度所排列的顺序。
在本实施例中，计算机设备根据优化程序不同，优选地，计算机设备可以选择将优化程度高的占优层中的所有个体加入至目标优化种群中，按照占优层的优化程度，依次执行该操作。
S802、当当前占优层的占优个体加入至目标优化种群，使得目标优化种群的数量大于第一阈值时；则根据参考点，进行定量择优操作，使得目标优化种群的数量等于第一阈值。
其中，第一阈值指的是初始化时算法参数中的种群规模的量化值。示例地，第一阈值可以设定为N，计算机设备依次将不同优化程度的占优层的个体加入目标优化种群时，若将第L层的个体全部选入目标优化种群，就会使得种群规模超过N，即当前目标优化种群个体数量大于第一阈值时，计算机设备需要在第L层中选择适量优化个体加入目标优化种群，使得当前目标优化种群的个体数量等于第一阈值。优选地，计算机设备可以根据参考点，对第L层的优化个体进行择优操作。参考点的生成方式包括多种，可选地，计算机设备根据算法参数、优化目标的数量，在各维度的优化目标对应的平面中，生成预设数量的参考点；参考点在平面中呈均匀分布。
在本实施例中，计算机设备在对不同优化程度的占优层进行个体择优时，通过判断当前目标优化种群规模与预设种群规模的关系，确保了优化个体的数量和质量。
具体地，进行定量择优操作的一种实现方式可以通过比较第L层个体取值的优化程度进行选择，其优化程度可以根据与参考点的距离值进行程度定义，在一个实施例中，如图9所示，上述根据参考点，进行定量择优操作，使得目标优化种群等于第一阈值，包括：
S901、计算已经加入目标优化种群的各占优层的占优个体与参考点的距离。
在本实施例中，计算机设备可以通过计算前L层中每一个个体与参考点之间的距离，示例地，计算机设备可以计算第L-1层中每个个体与其对应参考点之间的距离，该距离指的是第L-1层中每个个体的取值与参考点的取值的差值。计算机设备计算得到若干个差值，生成差值集合，即参考点距离的集合。优选地，在计算各占优层的占优个体与参考点的距离之前，可以将占优层的占优个体的目标函数按照公式进行归一化处理，使的不同规模的占优个体的适应度值都转换成在0到1之间的数，减少数量级不同带来的计算干扰。
S902、根据距离，设定目标优化种群的小生境数；小生境数表示距离的预设边界值。
其中，小生境数指的是生存边界值，其来自于生物学的一个概念，是指特定环境下的一种生存环境，生物在其进化过程中，一般总是与自己相同的物种生活在一起，共同繁衍后代。例如，热带鱼不能在较冷的地带生存，而北极熊也不能在热带生存。根据这种思想，其在优化算法中的关键操作是：当两个个体的距离小于小生境数时，则惩罚其中适应值较小的个体。
在本实施例中，计算机设备需要设定合适的小生境数用于之后的比较处理，例如，根据各占优层的个体与其对应的参考点之间的距离，分析该距离的分布方式，根据该分布方式，设定各占优层对应的小生境数。
S903、根据小生境数，从当前占优层中选择占优个体加入目标优化种群，使得目标优化种群的数量等于第一阈值。
其中，第一阈值指的是初始化算法参数中设定的种群规模的量化值。
在本实施例中，计算机设备设定各占优层小生境数后，将各占优层的个体与其对应的参考点的距离，与小生境数进行比较，若该距离大于或等于小生境数，则选择该个体进入到目标优化种群中，若该距离小于小生境数，则舍弃该个体，计算机设备对第L层的个体进行依次比较，直到目标优化种群的规模达到初始算法参数中设定的种群规模。
在本实施例中，计算机设备根据参考点技术各占优层个体的距离，从而基于小生境数，选择占优层中优化个体，使得目标优化种群中个体保存最优状态。
通过优化算法选择电力系统的决策变量的最优解集，需要通过不断的迭代选择最优的个体，从而获得最优解集，在其中一个实施例中，如图10所示，在上述将初代种群和子代种群进行合并择优处理，得到目标优化种群之后，还包括：
S101、增加一次迭代次数。
其中，迭代过程指的是根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群，根据目标优化种群，获取电力系统的优化目标对应的决策变量的目标解集的整个过程。
在本实施例中，计算机设备执行上述过程1次，相应的迭代次数就会增加一次，计算机设备通过多次迭代，使得目标优化种群中的个体的取值为最优值。
S102、判断当前的迭代次数是否达到迭代阈值；若当前的迭代次数小于迭代阈值，则执行步骤S103；若迭代次数等于迭代阈值，则执行步骤S104。
其中，迭代阈值指的是初始化算法参数时设定的迭代次数。
在本实施例中，计算机设备执行完上述过程一次后，对应增加一次迭代次数，此时，需要验证计算机设备执行上述过程的次数是否满足初始化设定的迭代次数，即计算机设备将增加一次后的迭代次数与初始化的迭代次数相比，若当前迭代次数小于初始化的迭代次数，则执行步骤S103，若当前迭代次数等于初始化的迭代次数，则执行步骤S104。示例地，若当前迭代次数为19，初始化迭代次数为30，计算机设备则执行S103的步骤。
S103、返回执行根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群的步骤。
在本实施例中，计算机设备判断当前迭代次数小于迭代阈值，说明迭代次数还未达到算法的要求，计算机设备将返回执行对初代种群进行交叉变异的步骤，需要注意的是，返回执行该步骤时，当前目标优化种群将会作为新的初代种群进行交叉变异处理，本实施例对此不做限定。
S104、确定目标优化种群为最终优化种群。
其中，最终优化种群指的是电力优化调度的优化目标对应的，已经确定的各决策变量的最优解集。
在本实施例中，计算机设备判断当前迭代次数等于第一阈值，即计算机设备执行上述过程的次数已经达到初始化的算法迭代次数，说明优化的程度已经相当成熟，此时，计算机设备将确定当前目标优化种群为最终优化种群，以指示后续的电力优化调度操作。
在本实施例中，计算机设备通过迭代的方式，多次对目标优化种群进行交叉变异、合并择优等处理，使得最终优化种群中的个体达到最优解的程度。
为了更好的说明本申请的提供的电力优化调度方法，提供一种从电力优化调度方法的整体流程方面进行解释说明的实施例，如图10a所示，电力优化调度方法的整体流程步骤包括：
S1、设置算法参数、电力参数以及决策变量的界限值；算大参数包括迭代次数、种群规模、交叉变异系数；电力参数包括决策变量、优化目标等；
S2、在平面中生成参考点；在优化目标对应的各平面生成均匀分布的参考点，该参考点用于进行种群个体择优处理；
S3、初始化初代种群，设置迭代次数iteration＝0；随机初始化初代种群的取值，并将迭代次数的初始值设置为0；
S4、计算初代种群的适应度值；
S5、判断初代种群的适应度值是否越限；判断初代种群的适应度值是否处于合理的取值范围内；若该适应度值没有越限，则执行S7，若该适应度值越限，则执行S6；
S6、对初代种群中的决策变量进行多约束变量的混合处理；
S7、对初代种群进行快速非支配排序；
S8、根据差分算子和levy飞行动态适应性搜索策略产生子代种群；
S9、计算子代种群的适应度值；
S10、判断子代种群的适应度值是否越限；若该适应度值没有越限，则执行S11，若该适应度值越限，则执行S12；
S11、将初代种群和子代种群进行快速非支配排序并合并，将合并后的种群中个体对应的目标函数进行归一化处理；
S12、对子代种群中的决策变量进行多约束变量的混合处理；
S13、基于参考点的个体选择策略选择指定数目个体进入下一代种群；参考点即S2中产生的参考点；
S14、判断是否达到迭代阈值；若达到迭代阈值，则执行步骤S15；若没有达到迭代阈值，则执行步骤S16；
S15、得到优化目标对应的最优解集；即得到目标优化种群；
S16、iteration＝iteration+1；增加一次迭代次数；
S17、根据最优解集完成电力调度操作。
本实施例中提供的一种电力优化调度方法，其实现原理和技术效果与上述任一实施例提供的电力优化调度方法的过程类似，在此不再赘述。
应该理解的是，虽然图2-10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-10中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图11所示，提供了一种电力优化调度装置，包括：确定模块01、初始化模块02、处理模块03、获取模块04和调度模块05，其中：
确定模块01，用于确定电力系统的决策变量和优化目标；决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；优化目标表示电力系统中的至少两个维度的性能指标；
初始化模块02，用于根据决策变量和优化目标，初始化电力系统的初代种群和算法参数；算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值；
处理模块03，用于根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群；
获取模块04，用于根据目标优化种群，获取电力系统的优化目标对应的决策变量的目标解集；
调度模块05，用于根据决策变量的目标解集，完成电力调度操作。
在其中一个实施例中，如图12所示，上述初始化模块02包括计算单元021、判断单元022、调整单元023和跳转单元024，其中：
计算单元021，用于计算初代种群的适应度值；适应度值用于表征初代种群的目标函数的值；
判断单元022，用于判断适应度值是否属于预设的取值范围；
调整单元023，用于若适应度值不在预设的取值范围内，则采用多约束变量混合处理的方法，调整初代种群对应的决策变量；
跳转单元024，用于若适应度值在预设的取值范围内，则执行根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理的步骤。
在其中一个实施例中，上述调整单元023包括设置子单元和调整子单元，其中：
设置子单元，用于设置决策变量对应的约束条件；约束条件包括对决策变量的上限值、下限值的不等式约束，和，对与决策变量有关的状态变量的等式约束；
调整子单元，用于根据各决策变量对应的约束条件，调整初代种群对应的决策变量的值。
在其中一个实施例中，如图13所示，上述初始化模块02包括参考点生成单元025；
参考点生成单元025，用于根据算法参数、优化目标的数量，在各维度的优化目标对应的平面中，生成预设数量的参考点；参考点在平面中呈均匀分布。
在其中一个实施例中，如图14所示，上述处理模块03包括交叉单元031、变异单元032和合并择优单元033，其中：
交叉单元031，用于采用差分算子对初代种群进行交叉处理，得到交叉处理后的初代种群；
变异单元032，用于采用levy飞行动态适应搜索法对交叉处理后的初代种群进行变异处理，得到初代种群对应的子代种群；
合并择优单元033，用于将初代种群和子代种群进行合并择优处理，得到目标优化种群。
在其中一个实施例中，如图15所示，上述处理模块03还包括计算单元034、判断单元035、混合处理单元036和跳转单元037，其中：
计算单元034，用于计算子代种群的适应度值；
判断单元035，用于判断适应度值的是否处于预设的取值范围内；
混合处理单元036，用于若适应度值不在预设的取值范围内，则对采用多约束变量混合处理的方法，调整子代种群对应的决策变量；
跳转单元037，用于若适应度值在预设的取值范围内，则执行将初代种群和子代种群进行合并择优处理，得到目标优化种群步骤。
在其中一个实施例中，上述合并择优单元033包括合并子单元、排序子单元和选择子单元，其中：
合并子单元，用于将初代种群与子代种群合并，得到合并后的种群；
排序子单元，用于按照预设的排序规则，对合并后的种群进行排序，得到不同的占优层；占优层用于表征不同顺序阶段的种群；
选择子单元，用于根据预设的择优规则，选择占优层中的占优个体，生成目标优化种群。
在其中一个实施例中，上述选择子单元具体用于：
根据各占优层的顺序，选择各占优层中的占优层个体，依次加入目标优化种群中；
当当前占优层的占优个体加入至目标优化种群，使得目标优化种群的数量大于第一阈值时；则根据参考点，进行定量择优操作，使得目标优化种群的数量等于第一阈值。
在其中一个实施例中，上述选择子单元具体用于：
计算已经加入目标优化种群的各占优层的占优个体与参考点的距离；
根据距离，设定目标优化种群的小生境数；小生境数表示距离的预设边界值；
根据小生境数，从当前占优层中选择占优个体加入目标优化种群，使得目标优化种群的数量等于第一阈值。
在其中一个实施例中，如图15所示，上述处理模块03还包括增加单元038、判断单元039、跳转单元0310和确定单元0311，其中：
增加单元038，用于增加一次迭代次数；
判断单元039，用于判断当前的迭代次数是否达到迭代阈值；
跳转单元0310，用于若当前的迭代次数小于迭代阈值，则返回执行根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群的步骤；
确定单元0311，用于若迭代次数等于迭代阈值，则确定目标优化种群为最终优化种群。
上述所有的电力优化调度装置实施例，其实现原理和技术效果与上述电力优化调度方法对应的实施例类似，在此不再赘述。
关于电力优化调度装置的具体限定可以参见上文中对于电力优化调度方法的限定，在此不再赘述。上述电力优化调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
确定电力系统的决策变量和优化目标；决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；优化目标表示电力系统中的至少两个维度的性能指标；
根据决策变量和优化目标，初始化电力系统的初代种群和算法参数；算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值；
根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群；
根据目标优化种群，获取电力系统的优化目标对应的决策变量的目标解集；
根据决策变量的目标解集，完成电力调度操作。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
确定电力系统的决策变量和优化目标；决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；优化目标表示电力系统中的至少两个维度的性能指标；
根据决策变量和优化目标，初始化电力系统的初代种群和算法参数；算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值；
根据初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对初代种群进行交叉变异处理，得到目标优化种群；
根据目标优化种群，获取电力系统的优化目标对应的决策变量的目标解集；
根据决策变量的目标解集，完成电力调度操作。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种电力优化调度方法，其特征在于，所述方法包括：
确定电力系统的决策变量和优化目标；所述决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；所述优化目标表示所述电力系统中的至少两个维度的性能指标；
根据所述决策变量和所述优化目标，初始化所述电力系统的初代种群和算法参数；所述算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值；
根据所述初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对所述初代种群进行交叉变异处理，得到目标优化种群；
根据所述目标优化种群，获取所述电力系统的所述优化目标对应的决策变量的目标解集；
根据所述决策变量的目标解集，完成电力调度操作。
2.根据权利要求1所述的方法，其特征在于，所述初始化所述电力优化调度算法的初代种群和算法参数，包括：
计算所述初代种群的适应度值；所述适应度值用于表征所述初代种群的目标函数的值；
判断所述适应度值是否属于预设的取值范围；
若所述适应度值不在所述预设的取值范围内，则采用多约束变量混合处理的方法，调整所述初代种群对应的决策变量；
若所述适应度值在所述预设的取值范围内，则执行所述根据所述初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对所述初代种群进行交叉变异处理的步骤。
3.根据权利要求2所述的方法，其特征在于，所述采用多约束变混合处理的方法，调整所述初代种群对应的决策变量，包括：
设置所述决策变量对应的约束条件；所述约束条件包括对所述决策变量的上限值、下限值的不等式约束，和，对与所述决策变量有关的状态变量的等式约束；
根据各所述决策变量对应的约束条件，调整所述初代种群对应的决策变量的值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述决策变量和所述优化目标，初始化所述电力优化调度算法的初代种群和算法参数，包括：
根据所述算法参数、所述优化目标的数量，在各维度的所述优化目标对应的平面中，生成预设数量的参考点；所述参考点在所述平面中呈均匀分布。
5.根据权利要求4所述的方法，其特征在于，所述根据所述初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对所述初代种群进行交叉变异处理，得到目标优化种群，包括：
采用差分算子对所述初代种群进行交叉处理，得到交叉处理后的初代种群；
采用levy飞行动态适应搜索法对所述交叉处理后的初代种群进行变异处理，得到所述初代种群对应的子代种群；
将所述初代种群和所述子代种群进行合并择优处理，得到目标优化种群。
6.根据权利要求4所述的方法，其特征在于，所述采用动态适应搜索法对所述交叉处理后的初代种群进行变异处理，得到所述初代种群对应的子代种群之后，还包括：
计算所述子代种群的适应度值；
判断所述适应度值的是否处于预设的取值范围内；
若所述适应度值不在所述预设的取值范围内，则对采用多约束变量混合处理的方法，调整所述子代种群对应的决策变量；
若所述适应度值在所述预设的取值范围内，则执行所述将所述父代子群和所述子代种群进行合并择优处理，得到目标优化种群步骤。
7.根据权利要求6所述的方法，其特征在于，所述将所述父代子群和所述子代种群进行合并择优处理，得到目标优化种群，包括：
将所述初代种群与所述子代种群合并，得到合并后的种群；
按照预设的排序规则，对所述合并后的种群进行排序，得到不同的占优层；所述占优层用于表征不同顺序阶段的种群；
根据预设的择优规则，选择所述占优层中的占优个体，生成所述目标优化种群。
8.根据权利要求7所述的方法，其特征在于，所述根据预设的择优规则，选择所述占优层中的占优个体，生成所述目标优化种群，包括：
根据各所述占优层的顺序，选择各所述占优层中的占优层个体，依次加入所述目标优化种群中；
当当前占优层的占优个体加入至所述所述目标优化种群，使得目标优化种群的数量大于第一阈值时；则根据所述参考点，进行定量择优操作，使得所述目标优化种群的数量等于第一阈值。
9.根据权利要求8所述的方法，其特征在于，所述根据所述参考点，进行定量择优操作，使得所述目标优化种群等于第一阈值，包括：
计算已经加入所述目标优化种群的各所述占优层的占优个体与所述参考点的距离；
根据所述距离，设定所述目标优化种群的小生境数；所述小生境数表示所述距离的预设边界值；
根据所述小生境数，从当前占优层中选择占优个体加入所述目标优化种群，使得所述目标优化种群的数量等于所述第一阈值。
10.根据权利要求9所述的方法，其特征在于，在所述将所述初代种群和所述子代种群进行合并择优处理，得到目标优化种群之后，还包括：
增加一次迭代次数；
判断当前的迭代次数是否达到迭代阈值；
若所述当前的迭代次数小于所述迭代阈值，则返回执行所述根据所述初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对所述初代种群进行交叉变异处理，得到目标优化种群的步骤；
若所述迭代次数等于所述迭代阈值，则确定目标优化种群为最终优化种群。
11.一种电力优化调度装置，其特征在于，所述装置包括：
确定模块，用于确定电力系统的决策变量和优化目标；所述决策变量包括电力系统中至少两个与电力系统性能相关的电力参数；所述优化目标表示所述电力系统中的至少两个维度的性能指标；
初始化模块，用于根据所述决策变量和所述优化目标，初始化所述电力系统的初代种群和算法参数；所述算法参数至少包括种群数目、迭代次数、交叉变异系数以及决策变量的界限值；
处理模块，用于根据所述初代种群和算法参数，采用差分算子和levy飞行动态适应搜索策略对所述初代种群进行交叉变异处理，得到目标优化种群；
获取模块，用于根据所述目标优化种群，获取所述电力系统的所述优化目标对应的决策变量的目标解集；
调度模块，用于根据所述决策变量的目标解集，完成电力调度操作。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN201911323880.5A 2019-12-20 2019-12-20 电力优化调度方法、装置、计算机设备和存储介质 Active CN111178487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911323880.5A CN111178487B (zh) 2019-12-20 2019-12-20 电力优化调度方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911323880.5A CN111178487B (zh) 2019-12-20 2019-12-20 电力优化调度方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111178487A true CN111178487A (zh) 2020-05-19
CN111178487B CN111178487B (zh) 2023-10-20

Family

ID=70657614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911323880.5A Active CN111178487B (zh) 2019-12-20 2019-12-20 电力优化调度方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111178487B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613594A (zh) * 2020-12-23 2021-04-06 杭州海康威视系统技术有限公司 算法编排方法、装置、计算机设备及存储介质
CN112701721A (zh) * 2020-12-18 2021-04-23 国网辽宁省电力有限公司经济技术研究院 一种综合能源系统的协调规划方法
CN112906966A (zh) * 2021-02-22 2021-06-04 西安建筑科技大学 一种中央空调冷水机组负荷优化方法、系统、介质及设备
WO2022213768A1 (zh) * 2021-04-09 2022-10-13 南方科技大学 发动机模型的优化方法、装置、计算机设备及存储介质
CN116739311A (zh) * 2023-08-11 2023-09-12 山东赛马力发电设备有限公司 一种含多能量枢纽综合能源系统规划方法及系统
CN117422003A (zh) * 2023-12-19 2024-01-19 深圳市德兰明海新能源股份有限公司 散热片优化设计方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026200A (zh) * 2016-05-09 2016-10-12 任甜甜 风电场的电力系统无功优化方法
CN106408135A (zh) * 2016-10-26 2017-02-15 重庆邮电大学 一种基于反馈学习布谷鸟算法的电力系统优化潮流方法
CN108448659A (zh) * 2018-03-02 2018-08-24 重庆邮电大学 一种基于hacs算法求解电力系统无功优化的方法
CN108681771A (zh) * 2018-04-26 2018-10-19 红河学院 一种混合布谷鸟搜索算法
CN110261735A (zh) * 2019-06-18 2019-09-20 西华大学 基于改进量子布谷鸟算法的配电网故障定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026200A (zh) * 2016-05-09 2016-10-12 任甜甜 风电场的电力系统无功优化方法
CN106408135A (zh) * 2016-10-26 2017-02-15 重庆邮电大学 一种基于反馈学习布谷鸟算法的电力系统优化潮流方法
CN108448659A (zh) * 2018-03-02 2018-08-24 重庆邮电大学 一种基于hacs算法求解电力系统无功优化的方法
CN108681771A (zh) * 2018-04-26 2018-10-19 红河学院 一种混合布谷鸟搜索算法
CN110261735A (zh) * 2019-06-18 2019-09-20 西华大学 基于改进量子布谷鸟算法的配电网故障定位方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
刘登峰等: "基于布谷鸟差分算法优化的DV-Hop改进算法", 《系统仿真学报》 *
吴沛锋: "智能优化算法及其应用", 《中国博士学位论文全文数据库信息科技辑》 *
徐杨丽等: "改进的布谷鸟算法求解置换流水车间调度问题", 《物流科技》 *
杨媛媛等: "基于改进差分进化算法的风电并网系统多目标动态经济调度", 《电力系统保护与控制》 *
赵树本等: "基于改进差分进化算法的电力系统最优潮流计算", 《电网技术》 *
陈飞跃等: "基于离散布谷鸟搜索算法的带阻塞有差速混合流水车间调度", 《华东理工大学学报（自然科学版）》 *
马立新等: "电力系统无功优化的反向优化差分进化算法", 《控制工程》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112701721A (zh) * 2020-12-18 2021-04-23 国网辽宁省电力有限公司经济技术研究院 一种综合能源系统的协调规划方法
CN112613594A (zh) * 2020-12-23 2021-04-06 杭州海康威视系统技术有限公司 算法编排方法、装置、计算机设备及存储介质
CN112613594B (zh) * 2020-12-23 2024-02-09 杭州海康威视系统技术有限公司 算法编排方法、装置、计算机设备及存储介质
CN112906966A (zh) * 2021-02-22 2021-06-04 西安建筑科技大学 一种中央空调冷水机组负荷优化方法、系统、介质及设备
CN112906966B (zh) * 2021-02-22 2023-07-18 西安建筑科技大学 一种中央空调冷水机组负荷优化方法、系统、介质及设备
WO2022213768A1 (zh) * 2021-04-09 2022-10-13 南方科技大学 发动机模型的优化方法、装置、计算机设备及存储介质
US11704604B2 (en) 2021-04-09 2023-07-18 Southern University Of Science And Technology Optimization method, apparatus, computer device and storage medium for engine model
CN116739311A (zh) * 2023-08-11 2023-09-12 山东赛马力发电设备有限公司 一种含多能量枢纽综合能源系统规划方法及系统
CN116739311B (zh) * 2023-08-11 2023-11-07 山东赛马力发电设备有限公司 一种含多能量枢纽综合能源系统规划方法及系统
CN117422003A (zh) * 2023-12-19 2024-01-19 深圳市德兰明海新能源股份有限公司 散热片优化设计方法、装置及存储介质
CN117422003B (zh) * 2023-12-19 2024-05-17 深圳市德兰明海新能源股份有限公司 散热片优化设计方法、装置及存储介质

Also Published As

Publication number Publication date
CN111178487B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN111178487A (zh) 电力优化调度方法、装置、计算机设备和存储介质
Zhang et al. An improved NSGA-III integrating adaptive elimination strategy to solution of many-objective optimal power flow problems
Stanovov et al. LSHADE algorithm with rank-based selective pressure strategy for solving CEC 2017 benchmark problems
Naderi et al. A novel fuzzy adaptive configuration of particle swarm optimization to solve large-scale optimal reactive power dispatch
Bagheri et al. Self-adjusting parameter control for surrogate-assisted constrained optimization under limited budgets
Krishnanand et al. Application of multi-objective teaching-learning-based algorithm to an economic load dispatch problem with incommensurable objectives
Chen et al. Multiobjective tracking control design of T–S fuzzy systems: Fuzzy Pareto optimal approach
CN115755954B (zh) 巡检路径规划方法、系统、计算机设备及存储介质
CN109193807A (zh) 一种电力系统经济调度方法及系统
CN106611219A (zh) 针对多目标优化问题的导引式局部搜索遗传算法
Zhang et al. NSGA-III integrating eliminating strategy and dynamic constraint relaxation mechanism to solve many-objective optimal power flow problem
Abbasi Yadkori et al. Near minimax optimal players for the finite-time 3-expert prediction problem
Bekiroğlu et al. Implementation of different encoding types on structural optimization based on adaptive genetic algorithm
Hu et al. A multi-objective scheduling model for solving the resource-constrained project scheduling and resource leveling problems
CN114389265A (zh) 基于增殖和缩减进化的电网紧急切负荷优化方法及系统
Pourdarvish et al. Cold standby redundancy allocation in a multi-level series system by memetic algorithm
Bova et al. Hybrid method for prediction of users’ information behavior in the Internet based on bioinspired search
CN112200314A (zh) 一种基于微柱自荐的htm空间池快速训练方法及系统
James et al. An inter-molecular adaptive collision scheme for chemical reaction optimization
Sooktip et al. System reliability optimization with k-out-of-n subsystems and changing k
Dou et al. MCDM based on reciprocal judgment matrix: a comparative study of E-VIKOR and E-TOPSIS algorithmic methods with interval numbers
Bilodeau et al. Relaxing the iid assumption: Adaptively minimax optimal regret via root-entropic regularization
CN114004065A (zh) 基于智能算法和环境约束下的变电站工程多目标优化方法
CN115310832A (zh) 一种多种群优化算法的双资源约束柔性作业车间调度方法及装置
Cheng et al. Application of a modified VES production function model.

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