CN111523698B - 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 - Google Patents
一种用于清洁能源基地宏观选址的蚁群选址方法及装置 Download PDFInfo
- Publication number
- CN111523698B CN111523698B CN202010199989.9A CN202010199989A CN111523698B CN 111523698 B CN111523698 B CN 111523698B CN 202010199989 A CN202010199989 A CN 202010199989A CN 111523698 B CN111523698 B CN 111523698B
- Authority
- CN
- China
- Prior art keywords
- ant
- pixel
- pheromone
- elite
- ant colony
- 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
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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种用于清洁能源基地宏观选址的蚁群选址方法及装置。所述方法包括选择清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量作为像元构造栅格图层矩阵;初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元;根据总装机需求和优化目标,从蚁群中每个蚂蚁的起始像元出发,利用蚁群算法查找蚂蚁路径的出力能力之和满足所述总装机需求和优化目标的精英蚂蚁;更新栅格图层矩阵每个像元的信息素浓度,并循环查找精英蚂蚁,将循环次数达到预定最大次数时精英蚂蚁路径作为最优选址结果。解决了传统宏观选址定位精确度不高的问题,将选址结果精确至像元级,有效地辅助专业人员在大范围内开展清洁能源基地规划工作。
Description
技术领域
本申请涉及资源环境管理技术领域,尤其涉及一种用于清洁能源基地宏观选址的蚁群选址方法及装置。
背景技术
选址问题,是在资源环境的管理、规划和利用过程中,通过分析、优化、决策,在空间上实现对各项资源的最优化配置,以产生最大的效益值。如物流中心选址、酒店选址、电动汽车充电桩选址等。清洁能源基地选址,是在考虑气候环境、地形地貌、土地利用类型、基础设施条件等众多影响因素下,选取综合发电能力最优的区域作为清洁能源场站基地。
目前,清洁能源基地宏观选址主要基于多准则决策模型和层次分析模型等,将气象、遥感数据、社会经济数据转化为同尺度数据图层,将各图层重要性折算为权重值,加权求和获得选址适宜性评价图层,选取评分较高的区域作为优先开发地区。
因此,现有技术在清洁能源基地选址是在一定的空间范围内,选取最合适资源开发利用的地块,建设满足规划装机容量(电源机组的额定功率总和)的清洁能源场站。现有宏观选址模型是对层次分析法等合成的建场适宜性评估图层进行区域划分,如“优先开发区域”、“适宜开发区域”、“可开发区域”、“不适宜开发区域”和“禁止开发区域”等。选址结果空间定位精度较低,筛选出的优先开发区域的面积远远超过建场所需占地面积,后续仍需大量人工调研进一步确定最优建场地块。因此,如何基于现有选址结果,自动选取可满足规划装机需求的连续空间域,将宏观选址结果精确定位至像元级,以便节省人力成本,是当前新能源基地宏观选址面临的新问题。
发明内容
本申请提供了一种用于清洁能源基地宏观选址的蚁群选址方法,包括:
选择清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量作为像元构造栅格图层矩阵;
初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元;
根据总装机需求和优化目标,从蚁群中每个蚂蚁的起始像元出发,利用蚁群算法查找蚂蚁路径的出力能力之和满足所述总装机需求和优化目标的精英蚂蚁;
更新栅格图层矩阵每个像元的信息素浓度,并循环查找精英蚂蚁,将循环次数达到预定最大次数时精英蚂蚁路径作为最优选址结果。
如上所述的用于清洁能源基地宏观选址的蚁群选址方法,其中,初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元,具体为:初始将栅格图层矩阵中每个像元的信息素浓度设为一初始值,并且为蚁群中的每只蚂蚁安排一个像元作为起始像元。
如上所述的用于清洁能源基地宏观选址的蚁群选址方法,其中,查找精英蚂蚁,具体包括如下子步骤:
在路径选择过程中,蚁群中的每只蚂蚁根据设定的信息素浓度从起始像元出发,每只蚂蚁根据周围环境的信息素浓度,通过路径选择概率函数(与信息素浓度相关的函数),按概率选取相邻像元作为前进方向;
循环查找某只蚂蚁走过路径的出力之和满足规定的总装机需求且满足占地面积最小的优化目标,将该只蚂蚁作为精英蚂蚁;
将本次循环的最优结果与全局最优结果进行比较,更新全局最优结果。
如上所述的用于清洁能源基地宏观选址的蚁群选址方法,其中,更新栅格图层矩阵每个像元的信息素浓度,具体为将所有的像元按照衰减系数进行信息素浓度衰减,并增加全局最优结果路径上像元的信息素浓度。
如上所述的用于清洁能源基地宏观选址的蚁群选址方法,其中,信息素更新公式为:
其中,Δτij *表示精英蚂蚁所走路径(i,j)上信息素的额外增量;
将迭代次数引入信息素增量公式中,得到:
其中,Q表示蚂蚁在经过的路径上所释放的信息素常量,ttotal表示算法总迭代次数,t表示当前迭代次数,σ表示精英蚂蚁的数量。
本申请还提供一种用于清洁能源基地宏观选址的蚁群选址装置,包括:
栅格图层矩阵模块,用于选择清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量作为像元构造栅格图层矩阵;
蚁群算法初始化模块,用于初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元;
精英蚂蚁查找模块,用于根据总装机需求和优化目标,从蚁群中每个蚂蚁的起始像元出发,利用蚁群算法查找蚂蚁路径的出力能力之和满足所述总装机需求和优化目标的精英蚂蚁;
最优选址结果选择模块,用于更新栅格图层矩阵每个像元的信息素浓度,并循环查找精英蚂蚁,将循环次数达到预定最大次数时精英蚂蚁路径作为最优选址结果。
如上所述的用于清洁能源基地宏观选址的蚁群选址装置,其中,所述蚁群算法初始化模块,具体用于初始将栅格图层矩阵中每个像元的信息素浓度设为一初始值,并且为蚁群中的每只蚂蚁安排一个像元作为起始像元。
如上所述的用于清洁能源基地宏观选址的蚁群选址装置,其中,所述精英蚂蚁查找模块,具体用于在路径选择过程中,蚁群中的每只蚂蚁根据设定的信息素浓度从起始像元出发,每只蚂蚁根据周围环境的信息素浓度,通过路径选择概率函数(与信息素浓度相关的函数),按概率选取相邻像元作为前进方向;循环查找某只蚂蚁走过路径的出力之和满足规定的总装机需求且满足占地面积最小的优化目标,将该只蚂蚁作为精英蚂蚁;将本次循环的最优结果与全局最优结果进行比较,更新全局最优结果。
如上所述的用于清洁能源基地宏观选址的蚁群选址装置,其中,所述最优选址结果选择模块中,更新栅格图层矩阵每个像元的信息素浓度,具体用于将所有的像元按照衰减系数进行信息素浓度衰减,并增加全局最优结果路径上像元的信息素浓度。
如上所述的用于清洁能源基地宏观选址的蚁群选址装置,其中,所述最优选址结果选择模块中信息素更新公式为:
其中,Δτij *表示精英蚂蚁所走路径(i,j)上信息素的额外增量;
将迭代次数引入信息素增量公式中,得到:
其中,Q表示蚂蚁在经过的路径上所释放的信息素常量,ttotal表示算法总迭代次数,t表示当前迭代次数,σ表示精英蚂蚁的数量。
本申请实现的有益效果如下:采用本申请提供的基于自适应蚁群算法的大型清洁能源基地量化遴选模型,解决了传统宏观选址定位精确度不高的问题,将选址结果精确至像元级。针对信息素更新策略改进基本蚁群优化算法,通过引入精英策略和考虑迭代次数影响因子,有效的提高了原有算法的搜索广度和收敛效率;并且可以有效地辅助专业人员在大范围内开展清洁能源基地规划工作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种用于清洁能源基地宏观选址的蚁群选址方法流程图;
图2是本申请构造的栅格图层示意图;
图3展示了迭代过程中像元数与总出力值变化图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本申请实施例一提供一种用于清洁能源基地宏观选址的蚁群选址方法,如图1所示,包括:
步骤110、选择清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量作为像元构造栅格图层矩阵;
对于风电和光伏等清洁能源基地,由于其资源的发电能量密度相对较低,大型基地往往需要占用数百乃至数千平方公里土地,同时,基于场站建设的电网布线需求,选址结果是需要保持空间连通性的成片区域,即栅格数据中的连通像元(单个像元的上下左右四个像元视作空间连通像元);
本申请选取现有选址结果中优先开发区域空间范围作为清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量(如清洁能源可发电能力)作为像元,构造栅格图层矩阵;
设定栅格图层矩阵A为n×m矩阵,矩阵中每个点的值为aij,aij表示该像元的技术可开发量,如图2所示的7*7栅格图层矩阵,矩阵中的每个点的值表示该清洁能源待选址基地的技术可开发量。
本申请构造上述自适应蚁群模型的输入值为n*m的技术可开发量矩阵A,总出力需求Atotal,迭代总数ttotal,蚂蚁数量m,信息素常量Q,信息素影响因子α,期望启发因子β,信息素挥发度ρ,在矩阵A中求p个点,要求此p个点的出力和大于等于Atotal,并且p最小。
求解上述目标函数即可获取最优选址结果,即输出为结果集合[a1,a2…,ap]。
步骤120、初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元;
本申请利用蚁群算法查找最优选址结果,蚁群算法包括路径选择和信息素;初始先将栅格图层矩阵中每个像元的信息素浓度设为一初始值,并且为蚁群中的每只蚂蚁安排一个像元作为起始像元。
步骤130、根据给定的总装机需求和优化目标,从蚁群中每个蚂蚁的起始像元出发,利用蚁群算法查找蚂蚁路径的出力能力之和满足所述总装机需求和优化目标的精英蚂蚁;
本申请实施例中,查找精英蚂蚁,具体包括如下子步骤:
步骤131、在路径选择过程中,蚁群中的每只蚂蚁根据设定的信息素浓度从起始像元出发,每只蚂蚁根据周围环境的信息素浓度,通过路径选择概率函数(与信息素浓度相关的函数),按概率选取相邻像元作为前进方向;
本申请以像元出力能力作为蚁群算法中的启发函数信息;在信息素更新过程中,每只蚂蚁会在经过的路径上留下新的信息素;
为了避免信息素浓度过高,影响后续蚂蚁的路径选择,空间内所有路径上的信息素会经历一个挥发的过程。
步骤132、循环查找某只蚂蚁走过路径的出力之和满足规定的总装机需求且满足占地面积最小的优化目标,将该只蚂蚁作为精英蚂蚁;
例如,如图2所示,栅格图层中每个像元的值表示该像元所在区域的清洁能源资源可发电能力,要建设规划总装机值为22的清洁能源基地,经蚁群算法查找到如图中阴影像元表示区域内的最优建场位置,此时总出力值为23,且占地面积最小。
步骤133、将本次循环的最优结果与全局最优结果进行比较,更新全局最优结果;
全局最优结果记录本次循环前的最优建场位置,在蚁群的每只蚂蚁在本次信息素浓度下循环进行路径选择,得到本次最优结果,若本次最优结果比全局最优结果更优化,则将全局最优结果更新为本次最优结果。
返回参见图1,步骤140、更新栅格图层矩阵每个像元的信息素浓度,并循环查找精英蚂蚁,将循环次数达到预定最大次数时精英蚂蚁路径作为最优选址结果;
在本次信息素浓度执行完毕找到本次最优结果并更新全局最优结果之后,更新整个矩阵中每个像元的信息素浓度,具体为将所有的像元按照衰减系数进行信息素浓度衰减,并增加全局最优结果路径上像元的信息素浓度,然后循环执行步骤130直至达到设定的最大迭代次数,此时所得的全局最优路径即为所求像元集合,即最优选址结果;
具体地,借鉴精英策略蚁群系统的思想,在每次迭代之后,给予发现全局最优解的精英蚂蚁走过的路径以额外的信息素量,使得当前最优解在下一迭代中对蚂蚁更有吸引力,此时,信息素更新公式为:
其中,Δτij *表示精英蚂蚁所走路径(i,j)上信息素的额外增量;
将迭代次数引入信息素增量公式中,得到:
其中,Q表示蚂蚁在经过的路径上所释放的信息素常量,ttotal表示算法总迭代次数,t表示当前迭代次数,σ表示精英蚂蚁的数量。随着迭代次数t的增加,Δτij *的值逐渐增大,算法的正反馈效应逐渐增强,搜索范围逐渐集中到当前最优解邻域。这样既保证了算法在迭代初期尽可能全面的搜索解空间,又保证了在迭代后期的收敛效率。
图3展示了迭代过程中像元数与总出力值变化图。设迭代总数ttotal=200,蚂蚁数量m=10000,信息素常量Q=0.1,信息素影响因子α=5,期望启发因子β=5,信息素挥发度ρ=0.01,使用6核心3.8Ghz主频处理器、16GB内存的计算机执行选址算法,耗时约200秒。蚁群算法在选址过程中,优先选取占地最少(即像元数)最少的地块作为基地遴选结果,当多个结果覆盖的像元数相同时,优先选取出力能力更优的结果。从图3可看出,像元数量在第29次迭代时达到48块,在后续迭代过程中不再发生变化;最优出力结果在第104次迭代时达到2031.31MW,在后续迭代过程中不再变化。因此,在第104次迭代后,算法实现收敛,最终最优选址结果是,占用48个像元单位,总出力能力2031.31MW,该地区即为占地面积最小、且总出力需求在满足规划总装机量基础上尽量大的选址结果。
实施例二
本申请实施例二提供一种用于清洁能源基地宏观选址的蚁群选址装置,包括:栅格图层矩阵模块,用于选择清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量作为像元构造栅格图层矩阵;
蚁群算法初始化模块,用于初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元;
精英蚂蚁查找模块,用于根据总装机需求和优化目标,从蚁群中每个蚂蚁的起始像元出发,利用蚁群算法查找蚂蚁路径的出力能力之和满足所述总装机需求和优化目标的精英蚂蚁;
最优选址结果选择模块,用于更新栅格图层矩阵每个像元的信息素浓度,并循环查找精英蚂蚁,将循环次数达到预定最大次数时精英蚂蚁路径作为最优选址结果。
其中,所述蚁群算法初始化模块,具体用于初始将栅格图层矩阵中每个像元的信息素浓度设为一初始值,并且为蚁群中的每只蚂蚁安排一个像元作为起始像元。
所述精英蚂蚁查找模块,具体用于在路径选择过程中,蚁群中的每只蚂蚁根据设定的信息素浓度从起始像元出发,每只蚂蚁根据周围环境的信息素浓度,通过路径选择概率函数(与信息素浓度相关的函数),按概率选取相邻像元作为前进方向;循环查找某只蚂蚁走过路径的出力之和满足规定的总装机需求且满足占地面积最小的优化目标,将该只蚂蚁作为精英蚂蚁;将本次循环的最优结果与全局最优结果进行比较,更新全局最优结果。
所述最优选址结果选择模块中,更新栅格图层矩阵每个像元的信息素浓度,具体用于将所有的像元按照衰减系数进行信息素浓度衰减,并增加全局最优结果路径上像元的信息素浓度。
所述最优选址结果选择模块中信息素更新公式为:
其中,Δτij*表示精英蚂蚁所走路径(i,j)上信息素的额外增量;
将迭代次数引入信息素增量公式中,得到:
其中,Q表示蚂蚁在经过的路径上所释放的信息素常量,ttotal表示算法总迭代次数,t表示当前迭代次数,σ表示精英蚂蚁的数量。
以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.一种用于清洁能源基地宏观选址的蚁群选址方法,其特征在于,包括:
选择清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量作为像元构造栅格图层矩阵;
初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元;
根据总装机需求和优化目标,从蚁群中每个蚂蚁的起始像元出发,利用蚁群算法查找蚂蚁路径的出力能力之和满足所述总装机需求和优化目标的精英蚂蚁;
更新栅格图层矩阵每个像元的信息素浓度,并循环查找精英蚂蚁,将循环次数达到预定最大次数时精英蚂蚁路径作为最优选址结果;其中,
将所有的像元按照衰减系数进行信息素浓度衰减,并增加全局最优结果路径上像元的信息素浓度;
在路径选择过程中,蚁群中的每只蚂蚁根据设定的信息素浓度从起始像元出发,每只蚂蚁根据周围环境的信息素浓度,通过路径选择概率函数,按概率选取相邻像元作为前进方向;
循环查找某只蚂蚁走过路径的出力之和满足规定的总装机需求且满足占地面积最小的优化目标,将该只蚂蚁作为精英蚂蚁;
将本次循环的最优结果与全局最优结果进行比较,更新全局最优结果;其中,
信息素更新公式为:
其中,Δτij *表示精英蚂蚁所走路径(i,j)上信息素的额外增量;
将迭代次数引入信息素增量公式中,得到:
其中,Q表示蚂蚁在经过的路径上所释放的信息素常量,ttotal表示算法总迭代次数,t表示当前迭代次数,σ表示精英蚂蚁的数量。
2.如权利要求1所述的用于清洁能源基地宏观选址的蚁群选址方法,其特征在于,初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元,具体为:初始将栅格图层矩阵中每个像元的信息素浓度设为一初始值,并且为蚁群中的每只蚂蚁安排一个像元作为起始像元。
3.一种用于清洁能源基地宏观选址的蚁群选址装置,其特征在于,包括:
栅格图层矩阵模块,用于选择清洁能源待选址基地,将每个清洁能源待选址基地的技术开发量作为像元构造栅格图层矩阵;
蚁群算法初始化模块,用于初始化栅格图层矩阵中每个像元的信息素浓度和蚁群中每个蚂蚁的起始像元;
精英蚂蚁查找模块,用于根据总装机需求和优化目标,从蚁群中每个蚂蚁的起始像元出发,利用蚁群算法查找蚂蚁路径的出力能力之和满足所述总装机需求和优化目标的精英蚂蚁;
最优选址结果选择模块,用于更新栅格图层矩阵每个像元的信息素浓度,并循环查找精英蚂蚁,将循环次数达到预定最大次数时精英蚂蚁路径作为最优选址结果;其中,
所述精英蚂蚁查找模块,具体用于在路径选择过程中,蚁群中的每只蚂蚁根据设定的信息素浓度从起始像元出发,每只蚂蚁根据周围环境的信息素浓度,通过路径选择概率函数,按概率选取相邻像元作为前进方向;循环查找某只蚂蚁走过路径的出力之和满足规定的总装机需求且满足占地面积最小的优化目标,将该只蚂蚁作为精英蚂蚁;将本次循环的最优结果与全局最优结果进行比较,更新全局最优结果;
所述最优选址结果选择模块中,更新栅格图层矩阵每个像元的信息素浓度,具体用于将所有的像元按照衰减系数进行信息素浓度衰减,并增加全局最优结果路径上像元的信息素浓度;
所述最优选址结果选择模块中信息素更新公式为:
其中,Δτij *表示精英蚂蚁所走路径(i,j)上信息素的额外增量;
将迭代次数引入信息素增量公式中,得到:
其中,Q表示蚂蚁在经过的路径上所释放的信息素常量,ttotal表示算法总迭代次数,t表示当前迭代次数,σ表示精英蚂蚁的数量。
4.如权利要求3所述的用于清洁能源基地宏观选址的蚁群选址装置,其特征在于,所述蚁群算法初始化模块,具体用于初始将栅格图层矩阵中每个像元的信息素浓度设为一初始值,并且为蚁群中的每只蚂蚁安排一个像元作为起始像元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199989.9A CN111523698B (zh) | 2020-03-20 | 2020-03-20 | 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199989.9A CN111523698B (zh) | 2020-03-20 | 2020-03-20 | 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523698A CN111523698A (zh) | 2020-08-11 |
CN111523698B true CN111523698B (zh) | 2023-08-08 |
Family
ID=71910434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010199989.9A Active CN111523698B (zh) | 2020-03-20 | 2020-03-20 | 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523698B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085382A (zh) * | 2020-09-08 | 2020-12-15 | 杭州海兴泽科信息技术有限公司 | 一种工单分配方法、装置、设备及计算机可读存储介质 |
CN115150315B (zh) * | 2022-07-01 | 2024-04-16 | 中国银行股份有限公司 | 基于蚁群算法的atm机选址方法和装置 |
CN115965171A (zh) * | 2023-03-10 | 2023-04-14 | 吉奥时空信息技术股份有限公司 | 一种基于优化蚁群算法的微公园选址方法 |
CN116128014B (zh) * | 2023-04-17 | 2023-08-04 | 深圳市明源云科技有限公司 | 消防栓布局方法、装置、电子设备及计算机可读存储介质 |
CN117649063B (zh) * | 2024-01-30 | 2024-05-07 | 东莞市城建规划设计院 | 基于人口大数据的公共服务设施选址规划方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763601A (zh) * | 2010-01-12 | 2010-06-30 | 武汉大学 | 基于禁忌搜索算法的土地利用分区方法 |
CN101853332A (zh) * | 2010-05-12 | 2010-10-06 | 中国农业大学 | 多设施公平选址方法及其系统 |
CN103140853A (zh) * | 2010-09-30 | 2013-06-05 | 新思公司 | 在根据高级综合的蚁群优化电路设计中使用熵的方法和装置 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN105389623A (zh) * | 2015-10-22 | 2016-03-09 | 东南大学 | 一种采用改进蚁群算法的热工过程模型参数辨识方法 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN105718716A (zh) * | 2015-12-28 | 2016-06-29 | 西南大学 | 基于多头绒泡菌的蚁群信息素更新方法 |
CN105915310A (zh) * | 2016-04-18 | 2016-08-31 | 全球能源互联网研究院 | 一种基于蚁群算法的wdm光网络rwa综合优化方法 |
CN106651017A (zh) * | 2016-12-13 | 2017-05-10 | 郑州轻工业学院 | 一种基于蚁群算法的土地整理项目选址方法 |
CN107168380A (zh) * | 2017-06-28 | 2017-09-15 | 西安电子科技大学 | 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN108428004A (zh) * | 2018-01-16 | 2018-08-21 | 河北科技大学 | 基于蚁群算法的飞行物冲突解脱路径规划方法 |
CN109388900A (zh) * | 2018-10-26 | 2019-02-26 | 国网能源研究院有限公司 | 一种清洁能源分布式和集中式开发方式的规划分析方法 |
KR20190051235A (ko) * | 2017-11-06 | 2019-05-15 | 제주대학교 산학협력단 | 유전 알고리즘에 기초한 전기 자동차 충전기 위치 선정 기법 |
CN109945881A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种蚁群算法的移动机器人路径规划方法 |
CN110705742A (zh) * | 2019-08-21 | 2020-01-17 | 浙江工业大学 | 一种基于改进蚁群算法的物流配送方法 |
CN110726408A (zh) * | 2019-03-29 | 2020-01-24 | 武汉科技大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN110808911A (zh) * | 2019-11-13 | 2020-02-18 | 天津津航计算技术研究所 | 基于蚁群信息素的组网通信路由方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8117138B2 (en) * | 2008-03-11 | 2012-02-14 | International Business Machines Corporation | Method and apparatus for location evaluation and site selection |
US20110231320A1 (en) * | 2009-12-22 | 2011-09-22 | Irving Gary W | Energy management systems and methods |
US9536192B2 (en) * | 2014-06-23 | 2017-01-03 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
US10753751B2 (en) * | 2014-09-19 | 2020-08-25 | Arris Enterprises Llc | Systems and methods for street level routing |
-
2020
- 2020-03-20 CN CN202010199989.9A patent/CN111523698B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763601A (zh) * | 2010-01-12 | 2010-06-30 | 武汉大学 | 基于禁忌搜索算法的土地利用分区方法 |
CN101853332A (zh) * | 2010-05-12 | 2010-10-06 | 中国农业大学 | 多设施公平选址方法及其系统 |
CN103140853A (zh) * | 2010-09-30 | 2013-06-05 | 新思公司 | 在根据高级综合的蚁群优化电路设计中使用熵的方法和装置 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN105389623A (zh) * | 2015-10-22 | 2016-03-09 | 东南大学 | 一种采用改进蚁群算法的热工过程模型参数辨识方法 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN105718716A (zh) * | 2015-12-28 | 2016-06-29 | 西南大学 | 基于多头绒泡菌的蚁群信息素更新方法 |
CN105915310A (zh) * | 2016-04-18 | 2016-08-31 | 全球能源互联网研究院 | 一种基于蚁群算法的wdm光网络rwa综合优化方法 |
CN106651017A (zh) * | 2016-12-13 | 2017-05-10 | 郑州轻工业学院 | 一种基于蚁群算法的土地整理项目选址方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107168380A (zh) * | 2017-06-28 | 2017-09-15 | 西安电子科技大学 | 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法 |
KR20190051235A (ko) * | 2017-11-06 | 2019-05-15 | 제주대학교 산학협력단 | 유전 알고리즘에 기초한 전기 자동차 충전기 위치 선정 기법 |
CN108428004A (zh) * | 2018-01-16 | 2018-08-21 | 河北科技大学 | 基于蚁群算法的飞行物冲突解脱路径规划方法 |
CN109388900A (zh) * | 2018-10-26 | 2019-02-26 | 国网能源研究院有限公司 | 一种清洁能源分布式和集中式开发方式的规划分析方法 |
CN109945881A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种蚁群算法的移动机器人路径规划方法 |
CN110726408A (zh) * | 2019-03-29 | 2020-01-24 | 武汉科技大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN110705742A (zh) * | 2019-08-21 | 2020-01-17 | 浙江工业大学 | 一种基于改进蚁群算法的物流配送方法 |
CN110808911A (zh) * | 2019-11-13 | 2020-02-18 | 天津津航计算技术研究所 | 基于蚁群信息素的组网通信路由方法 |
Non-Patent Citations (1)
Title |
---|
尤海龙 ; 鲁照权 ; .参数α、β和ρ自适应调整的快速蚁群算法.制造业自动化.2018,(06),第105-108页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111523698A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523698B (zh) | 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 | |
US20170131435A1 (en) | Localized weather prediction | |
Yoder et al. | Short‐term forecasting of categorical changes in wind power with Markov chain models | |
JP7079662B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
JP5020106B2 (ja) | 風力発電量予測システム、方法及びプログラム | |
CN102622482B (zh) | 一种基于二进制粒子群算法的风机优化布置方法 | |
JP6334177B2 (ja) | 運転計画作成装置、制御装置、運転計画作成方法、およびプログラム | |
Paliwal et al. | Multi-agent-based approach for generation expansion planning in isolated micro-grid with renewable energy sources and battery storage | |
US10204183B2 (en) | Method and system for generating multiple configurations for a solar power system | |
CN107862160B (zh) | 压缩空气储能系统的未来电网演化模型的生成方法及装置 | |
Padhi et al. | Solving dynamic economic emission dispatch problem with uncertainty of wind and load using whale optimization algorithm | |
US9536021B1 (en) | System and method for providing a renewable energy network optimization tool | |
KR102002548B1 (ko) | 영농형 태양광 발전 예측시스템 및 이를 이용한 발전량 및 수익 예측 방법 | |
CN115759499A (zh) | 一种基于优化算法的路径规划方法、装置、设备及介质 | |
KR20210110536A (ko) | 태양광 발전의 경제성 평가 방법 | |
KR20200057822A (ko) | 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법 | |
JP2020028195A (ja) | 太陽光発電システム分布推定装置、太陽光発電システム分布推定方法、太陽光発電システム分布推定プログラム及び太陽光発電出力予測装置 | |
JP2022121028A (ja) | 発電量管理システム及び発電量管理方法 | |
Vasconcelos et al. | Optimal sizing of a globally distributed low carbon cloud federation | |
CN116307018A (zh) | 一种基于wrf模式敏感性调参的风速预测方法及系统 | |
US20160154903A1 (en) | Information processor, information processing method and computer-readable storage medium | |
CN117217376B (zh) | 一种用于光伏电站建设的选址方法及系统 | |
Bâra et al. | Natural factors that can affect wind parks and possible implementation solutions in a Geographic Information System | |
JP2021143962A (ja) | 日陰領域を考慮した太陽光発電量精密予測法、太陽光発電量精密予測システム、及び、太陽光発電量精密予測プログラム | |
CN116342077B (zh) | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
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 |