CN111586607B - 基于改进灰狼算法的智能电表无线传感器网络布局方法 - Google Patents
基于改进灰狼算法的智能电表无线传感器网络布局方法 Download PDFInfo
- Publication number
- CN111586607B CN111586607B CN202010293558.9A CN202010293558A CN111586607B CN 111586607 B CN111586607 B CN 111586607B CN 202010293558 A CN202010293558 A CN 202010293558A CN 111586607 B CN111586607 B CN 111586607B
- Authority
- CN
- China
- Prior art keywords
- wolf
- population
- decision
- wolfs
- alpha
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于改进灰狼算法的智能电表无线传感器网络布局方法,包括:S1、设狼种群包括原种群和协助种群,初始化参数,包括原种群规模M、协助种群规模M、最大迭代次数Itermax、搜索空间维度N及搜索空间上界ub和下界lb;S2、初始化原种群和协助种群的灰狼位置;S3、计算原种群和协助种群中每只灰狼的适应度值,并分别选择两个种群中前三个适应度值最好的狼作为决策狼;S4、对原种群和协助种群中决策狼的位置进行扰动;S5、将原种群和协助种群中的所有决策狼进行排序,选择前三只适应度值最高的狼;S6、原种群和协助种群分别进行位置更新;S7、判断是否满足迭代终止条件:若满足,输出α狼的位置作为无线传感器的布局坐标;若不满足,重复S3‑S6。
Description
技术领域
本发明涉及一种智能电表传感器布局方法,具体涉及一种基于改进灰狼算法的智能电表无线传感器网络布局方法。
背景技术
长期以来,供电企业电能数据的抄表都是人工抄表方式,这样大量需要人力物力,同时在综合布线上也存在困难和不美观性。随着电力负荷的急剧增长,用电企业纷纷将小区居民的用电管理业务交还给供电企业,因此电力企业对电表要求也增多,自动抄表技术的研究和产品的开发势在必行。
目前,基于无线传感器网络的数据采集系统可以通过各种仪器采集仪表数据等仪表信息。该信息通过无线传感器网络以无线方式发送到用户终端。这项技术的诞生极大地降低了电力工作者的工作量。基于无线传感器的电网监测系统可以监测,控制和读取用电单元或现场的电表,并将现场情况显示在中央计算机监控系统中,并对其进行实时数据采集和控制网站。
通常通过无线传感器网络节点监测智能电表的数据,节点监测到的信息传送到基站,所以无线传感器网络节点的布局优化是一个关键性的问题,传感器节点的网络生命周期和覆盖能力的高低直接关系到无线传感器网络传送信息的质量。为了降低无线传感器网络的覆盖盲区并提高节点获取信息能力,必须合理布局无线传感器网络节点。群智能算法是最近新兴的一种优化方法,该算法不需要集中控制,算法的结构简单容易理解和实现,群智能算法的提出解决了无线传感器网络覆盖的问题,但最为流行的群算法包括粒子群算法(PSO)、差分进化算法(DE)和遗传算法(GA)等算法对于无线传感器网络覆盖的优化效果有限。
2014年,Mirjalili等人提出了一种新型的群智能优化算法——灰狼优化算法(GreyWolfOptimizer,GWO),相比于PSO、DE和GA等算法,GWO已被证明具有更为合理的全局最优解搜索机制,算法运行稳定性更强,求解精度更高。但是,它存在着容易早熟收敛、面对复杂问题优化精度不高等缺点,国内外大量学者对其进行了改进研究。Zhu等人为了增强标准灰狼算法的全局搜索能力,避免陷入局部最优,将DE算法与GWO算法进行融合,成功提高了GWO的性能;Pradhan M等人将反向学习的概念引入到GWO中,提出了反向灰狼优化算法(OGWO),提高了算法的收敛速度;T.Jayabarathi等人将交叉算子,突变算子融入GWO算法中,提高了GWO算法的性能;龙文等人引入佳点集理论生成初始种群,并对当前最优灰狼个体进行Powell局部搜索,提出一种改进的灰狼优化(IGWO)算法用于求解约束优化问题。虽然大量学者对灰狼算法进行了改进,但算法优化传感器布局的能力还有待提升。
发明内容
为了解决上述问题,本发明提出一种基于改进灰狼算法的智能电表无线传感器布局方法。
本发明克服其技术问题所采用的技术方案是:
一种基于改进灰狼算法的智能电表无线传感器网络布局方法,包括如下步骤:
S1、设狼种群包括原种群和协助种群,初始化参数,所述参数包括原种群规模M、协助种群规模M、最大迭代次数Itermax、搜索空间维度N以及搜索空间上界ub和下界lb;
S2、分别初始化原种群的灰狼位置和协助种群的灰狼位置;
S3、分别计算原种群和协助种群中每只灰狼的适应度值fit,并分别选择两个种群中前三个适应度值最好的狼作为决策狼,然后保存它们的位置;
S4、分别对原种群和协助种群中的决策狼的位置进行扰动;
S5、将原种群和协助种群中的所有决策狼进行排序,选择前三只适应度值最高的狼并保存其位置;
进一步地,步骤S2中,
进一步地,步骤S3具体包括:以智能电表无线传感器的覆盖率的函数值作为每只灰狼的适应度值fit。
进一步地,智能电表无线传感器的覆盖率的函数计算步骤如下:
设监测区域A为二维平面,将X个参数相同的传感器节点随机布置在区域A中,每个节点的坐标已知,形成的传感器坐标集合为C={c1,c2,c3,...,cX},其中,ci={xi,yi},i=1,2,...,X,监测半径为r;将监测区域A离散化为m×n个像素,设其中任意一个像素点的坐标为p(x,y),则目标像素点与传感器ci的距离为:
将像素点(x,y)被传感器节点i所覆盖的事件定义为ri,记该事件发生的概率为P(ri),其公式为:
公式(2)表示,如果像素点(x,y)与传感器节点i的距离大于r时,则传感器节点i没有覆盖像素点,否则该像素点被覆盖;
将像素点(x,y)被传感器节点j所覆盖的事件定义为rj,假设ri与rj不相关,则像素点(x,y)被传感器节点集C覆盖的概率公式为:
公式(4)表示,如果所有的传感器节点都没有覆盖到像素点(x,y),则该像素点(x,y)为未覆盖点,否则,该像素点(x,y)被传感器节点集覆盖;
已知将监测区域划分为m×n个网格,每个网格占用一个单位面积,每个网格被传感器节点集覆盖的概率为Pcov(x,y,C),则用传感器节点集所覆盖的面积Area(C)除以整个假定监测区域的面积As,即为该智能电表无线传感器的覆盖率:
进一步地,步骤S4中,对原种群中的决策狼进行位置扰动与对协助种群中的决策狼的位置进行扰动的方法相同,对其中任意一个种群中的决策狼进行位置扰动具体包括如下:
设任意一个种群的三只决策狼分别为α、β和δ,然后将α、β和δ三只决策狼的位置分别乘以N个不同的随机扰动向量,如下:
α狼乘以N个不同的扰动向量后得到α1、α2、…、αN,β狼乘以N个不同的扰动向量后得到β1、β2、…、βN,δ狼乘以N个不同的扰动向量后得到δ1、δ2、…、δN,共3×N+3只决策狼,公式如下:
进一步地,步骤S6中,原种群的位置更新方法与协助种群的位置更新的方法相同,其中任意一个种群的位置更新方法具体如下:
将任意一个种群的狼群分为α、β、δ、ω四个等级,前三个等级α、β、δ依次是适应度从高到低排列的三只决策狼,并且这三只决策狼指导ω组狼群向着目标搜索,第i只灰狼个体分别与α、β和δ狼之间的距离如下:
本发明的有益效果是:
本发明针对标准灰狼算法自身的缺点,提出在标准灰狼算法中加入协助种群策略和决策狼扰动策略,以此来平衡算法的局部搜索精度与全局搜索能力,并在此基础上设计一种改进的灰狼算法。将改进的灰狼算法应用到智能电表无线传感器网络中的覆盖优化问题当中,通过对无线传感器网络的布局优化,使得传感器节点最大限度的发挥了自身作用,不仅很大程度上消除了监测区域内存在盲点的问题,也更大限度的实现了资源的有效配置,降低了无线传感器网络的维护成本。
附图说明
图1为灰狼狩猎行为示意图。
图2为本发明实施例所述的基于改进灰狼算法的智能电表无线传感器网络布局方法的流程图。
具体实施方式
为了便于本领域人员更好的理解本发明,下面结合附图和具体实施例对本发明做进一步详细说明,下述仅是示例性的不限定本发明的保护范围。
标准的灰狼算法(GWO算法)模拟自然界中灰狼的等级制度与狩猎行为,整个狼群被分为α、β、δ、ω四个等级,前三个等级α、β、δ依次是适应度从高到低排列的三只决策狼,并且这三只决策狼指导ω组狼群向着目标搜索,灰狼狩猎行为如图1所示。在优化过程中,狼群更新α、β、δ、ω的位置。
第i只灰狼个体分别与α、β和δ狼之间的距离如下:
本实施例改进最大的地方之一是:增加协助种群。
由标准GWO算法原理可知,狼群的攻击猎物行为主要通过收敛因子由2下降到0实现,且的模取[0,1]之间的随机数。当时,狼群对猎物进行集中攻击,相当于局部搜索;当时,狼群散开进行全局搜索。为了克服标准灰狼算法易陷入局部最优的缺点,增强其全局搜索的能力,本发明在标准灰狼算法的基础上(即原种群的基础上)增加了一类协助种群,此种群的收敛因子保持固定值2,不随着迭代次数的增加而收敛,故协助种群保持全局搜索,并且每一次迭代原种群与协助种群进行一次信息交流:对每一种群的α、β和δ狼按照适应度值大小进行排序,取适应度值最小的前三只狼作为新的α、β和δ狼,然后这两个种群的剩余狼以新的α、β和δ狼位置进行位置更新。
上述所述的协助种群保持全局搜索,通过与原种群的信息交流将搜索到的最优位置赋予α、β和δ狼,帮助原种群跳出局部最优。
本实施例改进最大的地方之二是:决策狼扰动策略。
由标准GWO算法原理可知,α、β和δ狼处于绝对的领导地位,ω组狼位置的更新完全依赖于这三只决策狼的位置,倘若这三只狼由于初期分布等因素造成其位置不佳时,ω组狼也会跟随着这三只狼进入不佳的位置,最终算法陷入局部最优。
为了克服这项缺点,本实施例明给这三只决策狼的位置增加随机扰动,它们的位置不再由于陷入局部最优而保持不变,动态的位置变化使三只决策狼更加容易跳出局部最优点,进而使算法找到全局最优点。
α狼乘以N个不同的扰动向量后得到α1、α2、…、αN,β狼乘以N个不同的扰动向量后得到β1、β2、…、βN,δ狼乘以N个不同的扰动向量后得到δ1、δ2、…、δN,共3×N+3只决策狼,公式如下:
然后,为了得到位置最优的三只决策狼,本实施例计算以上3×N+3只灰狼位置的适应度值,选择适应度值前三优的三匹灰狼作为新的α、β和δ狼。
在经过上述对GWO算法的两大改进之后,本实施例所述的一种基于改进灰狼算法的智能电表无线传感器网络布局方法,如图2所示,包括如下步骤:
S1、设狼种群包括原种群和协助种群,初始化参数,所述参数包括原种群规模M、协助种群规模M、最大迭代次数Itermax、搜索空间维度N以及搜索空间上界ub和下界lb。
S2、分别初始化原种群的灰狼位置和协助种群的灰狼位置:
S3、分别计算原种群和协助种群中每只灰狼的适应度值fit,并分别选择两个种群中前三个适应度值最好的狼作为决策狼,原种群的决策狼为α1、β1和δ1狼,协助种群的决策狼为α2、β2和δ2狼,然后保存它们的位置。
以智能电表无线传感器的覆盖率的函数值作为每只灰狼的适应度值fit,具体地,智能电表无线传感器的覆盖率的函数计算步骤如下:
设监测区域A为二维平面,将X个参数相同的传感器节点随机布置在区域A中,每个节点的坐标已知,形成的传感器坐标集合为C={c1,c2,c3,...,cX},其中,ci={xi,yi},i=1,2,...,X,监测半径为r;将监测区域A离散化为m×n个像素,设其中任意一个像素点的坐标为p(x,y),则目标像素点与传感器ci的距离为:
将像素点(x,y)被传感器节点i所覆盖的事件定义为ri,记该事件发生的概率为P(ri),其公式为:
公式(2)表示,如果像素点(x,y)与传感器节点i的距离大于r时,则传感器节点i没有覆盖像素点,否则该像素点被覆盖;
将像素点(x,y)被传感器节点j所覆盖的事件定义为rj,假设ri与rj不相关,则像素点(x,y)被传感器节点集C覆盖的概率公式为:
公式(4)表示,如果所有的传感器节点都没有覆盖到像素点(x,y),则该像素点(x,y)为未覆盖点,否则,该像素点(x,y)被传感器节点集覆盖;
已知将监测区域划分为m×n个网格,每个网格占用一个单位面积,每个网格被传感器节点集覆盖的概率为Pcov(x,y,C),则用传感器节点集所覆盖的面积Area(C)除以整个假定监测区域的面积As,即为该智能电表无线传感器的覆盖率:
S4、分别对原种群和协助种群中的决策狼的位置进行扰动,对原种群中的决策狼α1、β1和δ1进行位置扰动与对协助种群中的决策狼α2、β2和δ2的位置进行扰动的方法相同。
其中,对原种群中的决策狼α1、β1和δ1进行位置扰动的具体步骤包括如下:
α1狼乘以N个不同的扰动向量后得到α11、α12、...、α1N,β1狼乘以N个不同的扰动向量后得到β11、β12、...、β1N,δ1狼乘以N个不同的扰动向量后得到δ11、δ12、...、δ1N,共3×N+3只决策狼,公式如下:
其中,对原种群中的决策狼α2、β2和δ2进行位置扰动的具体步骤包括如下:
α2狼乘以N个不同的扰动向量后得到α21、α22、...、α2N,β2狼乘以N个不同的扰动向量后得到β21、β22、...、β2N,δ2狼乘以N个不同的扰动向量后得到δ21、δ22、...、δ2N,共3×N+3只决策狼,公式如下:
以上仅描述了本发明的基本原理和优选实施方式,本领域人员可以根据上述描述做出许多变化和改进,这些变化和改进应该属于本发明的保护范围。
Claims (5)
1.一种基于改进灰狼算法的智能电表无线传感器网络布局方法,其特征在于,包括如下步骤:
S1、设狼种群包括原种群和协助种群,初始化参数,所述参数包括原种群规模M、协助种群规模M、最大迭代次数Itermax、搜索空间维度N以及搜索空间上界ub和下界lb;
S2、分别初始化原种群的灰狼位置和协助种群的灰狼位置;
S3、分别计算原种群和协助种群中每只灰狼的适应度值fit,并分别选择两个种群中前三个适应度值最好的狼作为决策狼,然后保存它们的位置;
S4、分别对原种群和协助种群中的决策狼的位置进行扰动;对原种群中的决策狼进行位置扰动与对协助种群中的决策狼的位置进行扰动的方法相同,对其中任意一个种群中的决策狼进行位置扰动具体包括如下:
设任意一个种群的三只决策狼分别为α、β和δ,然后将α、β和δ三只决策狼的位置分别乘以N个不同的随机扰动向量,如下:
α狼乘以N个不同的扰动向量后得到α1、α2、…、αN,β狼乘以N个不同的扰动向量后得到β1、β2、…、βN,δ狼乘以N个不同的扰动向量后得到δ1、δ2、…、δN,共3×N+3只决策狼,公式如下:
S5、将原种群和协助种群中的所有决策狼进行排序,选择前三只适应度值最高的狼并保存其位置;
3.根据权利要求1所述的基于改进灰狼算法的智能电表无线传感器网络布局方法,其特征在于,步骤S3具体包括:以智能电表无线传感器的覆盖率的函数值作为每只灰狼的适应度值fit。
4.根据权利要求3所述的基于改进灰狼算法的智能电表无线传感器网络布局方法,其特征在于,智能电表无线传感器的覆盖率的函数计算步骤如下:
设监测区域A为二维平面,将X个参数相同的传感器节点随机布置在区域A中,每个节点的坐标已知,形成的传感器坐标集合为C={c1,c2,c3,...,cX},其中,ci={xi,yi},i=1,2,...,X,监测半径为r;将监测区域A离散化为m×n个像素,设其中任意一个像素点的坐标为p(x,y),则目标像素点与传感器ci的距离为:
将像素点(x,y)被传感器节点i所覆盖的事件定义为ri,记该事件发生的概率为P(ri),其公式为:
公式(2)表示,如果像素点(x,y)与传感器节点i的距离大于r时,则传感器节点i没有覆盖像素点,否则该像素点被覆盖;
将像素点(x,y)被传感器节点j所覆盖的事件定义为rj,假设ri与rj不相关,则像素点(x,y)被传感器节点集C覆盖的概率公式为:
公式(4)表示,如果所有的传感器节点都没有覆盖到像素点(x,y),则该像素点(x,y)为未覆盖点,否则,该像素点(x,y)被传感器节点集覆盖;
已知将监测区域划分为m×n个网格,每个网格占用一个单位面积,每个网格被传感器节点集覆盖的概率为Pcov(x,y,C),则用传感器节点集所覆盖的面积Area(C)除以整个假定监测区域的面积As,即为该智能电表无线传感器的覆盖率:
5.根据权利要求1所述的基于改进灰狼算法的智能电表无线传感器网络布局方法,其特征在于,步骤S6中,原种群的位置更新方法与协助种群的位置更新的方法相同,其中任意一个种群的位置更新方法具体如下:
将任意一个种群的狼群分为α、β、δ、ω四个等级,前三个等级α、β、δ依次是适应度从高到低排列的三只决策狼,并且这三只决策狼指导ω组狼群向着目标搜索,第i只灰狼个体分别与α、β和δ狼之间的距离如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010293558.9A CN111586607B (zh) | 2020-04-15 | 2020-04-15 | 基于改进灰狼算法的智能电表无线传感器网络布局方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010293558.9A CN111586607B (zh) | 2020-04-15 | 2020-04-15 | 基于改进灰狼算法的智能电表无线传感器网络布局方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111586607A CN111586607A (zh) | 2020-08-25 |
CN111586607B true CN111586607B (zh) | 2022-02-22 |
Family
ID=72111620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010293558.9A Active CN111586607B (zh) | 2020-04-15 | 2020-04-15 | 基于改进灰狼算法的智能电表无线传感器网络布局方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111586607B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004025B (zh) * | 2021-10-29 | 2024-07-05 | 郑州轻工业大学 | 一种基于狼群算法的卫星舱圆形设备布局构造方法 |
CN114158105B (zh) * | 2021-11-08 | 2023-07-25 | 石河子大学 | 应用于综合能源系统的无线传感器网络的路由方法及装置 |
CN114727373B (zh) * | 2022-03-08 | 2024-04-23 | 中国科学院上海微系统与信息技术研究所 | 一种基于容错的wsn目标跟踪休眠调度方法 |
CN114936075B (zh) * | 2022-04-01 | 2023-02-14 | 南京审计大学 | 一种边缘计算环境下移动审计设备计算任务的卸载方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN110062390A (zh) * | 2019-04-19 | 2019-07-26 | 江西理工大学 | 基于改进狼群算法的无线传感器网络节点优化部署方法 |
CN110087247A (zh) * | 2019-05-30 | 2019-08-02 | 吉林大学 | 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用 |
CN110913404A (zh) * | 2019-11-11 | 2020-03-24 | 沈阳理工大学 | 基于节点移动预测的UWSNs节点定位方法 |
CN110933681A (zh) * | 2019-11-13 | 2020-03-27 | 江西理工大学 | 一种鬣狗群捕食算法及其在节点部署优化中应用的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10866584B2 (en) * | 2016-05-09 | 2020-12-15 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
KR20200008811A (ko) * | 2018-07-17 | 2020-01-29 | 한국전자통신연구원 | 환경 센서 오차의 자동 보정 시스템 및 그 방법 |
CN110944342B (zh) * | 2019-10-24 | 2023-03-10 | 江西理工大学 | 无线传感器网络部署优化方法、装置、系统及存储介质 |
-
2020
- 2020-04-15 CN CN202010293558.9A patent/CN111586607B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN110062390A (zh) * | 2019-04-19 | 2019-07-26 | 江西理工大学 | 基于改进狼群算法的无线传感器网络节点优化部署方法 |
CN110087247A (zh) * | 2019-05-30 | 2019-08-02 | 吉林大学 | 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用 |
CN110913404A (zh) * | 2019-11-11 | 2020-03-24 | 沈阳理工大学 | 基于节点移动预测的UWSNs节点定位方法 |
CN110933681A (zh) * | 2019-11-13 | 2020-03-27 | 江西理工大学 | 一种鬣狗群捕食算法及其在节点部署优化中应用的方法 |
Non-Patent Citations (3)
Title |
---|
Wireless Sensor Network Deployment of 3D Surface Based on Enhanced Grey Wolf Optimizer;Zhendong Wang等;《IEEE Access》;20200323;全文 * |
基于灰狼优化算法的无线传感器网络覆盖策略;吕金玲;《中国优秀硕士论文全文数据库》;20190731;全文 * |
虚拟导向的改进灰狼算法综合无线传感器网络布局;秦宇祺等;《物联网技术》;20190920;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111586607A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111586607B (zh) | 基于改进灰狼算法的智能电表无线传感器网络布局方法 | |
Nowdeh et al. | Fuzzy multi-objective placement of renewable energy sources in distribution system with objective of loss reduction and reliability improvement using a novel hybrid method | |
Yuan et al. | Study on optimization of economic dispatching of electric power system based on Hybrid Intelligent Algorithms (PSO and AFSA) | |
Zhao et al. | Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm | |
Panigrahi et al. | Multiobjective fuzzy dominance based bacterial foraging algorithm to solve economic emission dispatch problem | |
Soares et al. | Distributed energy resource short-term scheduling using Signaled Particle Swarm Optimization | |
Deb et al. | A hybrid multi-objective chicken swarm optimization and teaching learning based algorithm for charging station placement problem | |
CN105389633B (zh) | 一种计及分布式电源的变电站优化规划方法 | |
WO2012002001A1 (ja) | 電力制御方法、プログラムおよび電力制御装置 | |
CN105574586B (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
Chen et al. | Many-objective optimal power dispatch strategy incorporating temporal and spatial distribution control of multiple air pollutants | |
CN107370169A (zh) | 基于anfis短期负荷预测的大规模储能电站调峰控制器及方法 | |
Li et al. | Multi-objective distributed generation hierarchical optimal planning in distribution network: Improved beluga whale optimization algorithm | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
Huang et al. | Building energy management and forecasting using artificial intelligence: Advance technique | |
CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN116796911A (zh) | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统 | |
Li et al. | Modification method to deal with the accumulation effects for summer daily electric load forecasting | |
CN115513945A (zh) | 一种基于物联网的分布式电源管理方法 | |
CN111342456A (zh) | 一种台区能源系统建模方法及系统 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
Afzalan et al. | Placement and sizing of DG using PSO&HBMO algorithms in radial distribution networks | |
Iwata et al. | Multi-population differential evolutionary particle swarm optimization for distribution state estimation using correntropy in electric power systems | |
Li et al. | Charging station management strategy for returns maximization via improved TD3 deep reinforcement learning |
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 |