CN111915160B - 一种大规模水库群发电调度柔性优化方法与系统 - Google Patents
一种大规模水库群发电调度柔性优化方法与系统 Download PDFInfo
- Publication number
- CN111915160B CN111915160B CN202010681875.8A CN202010681875A CN111915160B CN 111915160 B CN111915160 B CN 111915160B CN 202010681875 A CN202010681875 A CN 202010681875A CN 111915160 B CN111915160 B CN 111915160B
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- optimal
- generation
- nth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010248 power generation Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 241000282461 Canis lupus Species 0.000 claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 14
- 230000014759 maintenance of location Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 6
- 238000012067 mathematical method Methods 0.000 description 4
- 241000132446 Inula Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种大规模水库群发电调度柔性优化方法与系统,通过将水库群中所有水电站不同时刻的水位值作为个体,并在水库水位值约束下随机初始化种群;计算当前种群中所有个体适应度值并更新种群中最优、次优和第三优个体位置,然后采用标准灰狼优化算法更新种群中个体位置;使用双曲线加速搜索策略并结合精英保留策略提高种群收敛速度;使用突变策略并结合精英保留策略增加种群多样性以防止陷入局部最优;将最后一次迭代中全局最优位置输出作为梯级水电系统的最优调度过程。本发明具有参数少、执行效率高,收敛速度快并能够有效避免陷入局部最优等优点,能够协调好梯级电站之间的协同关系,从而达到整个梯级系统效益最大化。
Description
技术领域
本发明属于水资源高效利用与梯级水库群发电调度领域,更具体地,涉及一种大规模水库群发电调度柔性优化方法与系统。
背景技术
在电站实际运营中,以梯级水电站总发电量最大作为优化目标,综合考虑各电站需满足的水位、出力、带宽以及水量平衡等约束条件,得到最终的梯级水电群的最优调度过程,其数学表达式表示为:
式中:E梯级电站总发电效益;N为梯级电站数目;T为调度总时段数目;Pn,t为第n个电站第t个时段出力,Δt第t个时段小时数。
需要满足的约束条件如下:
(1)水量平衡约束:其中,Vn,t为第n个水电站在第t个时段的库容;qn,t为第n个水电站在第t个时段的区间流量;In,t为第n个水电站在第t个时段的入库流量;On,t为第n个水电站在第t个时段的出库流量;Qn,t为第n个水电站在第t个时段的发电流量;Sn,t为第n个水电站在第t个时段的弃水流量;Un为直接连接在第n个水电站的上游电站数目。
(2)始末水库水位约束:其中,/>为第n个水电站在初始水位;为第n个水电站的期末水位。
(3)发电流量约束:其中,/>为第n个水电站在第t个时段的发电流量下限;/>为第n个水电站在第t个时段的发电流量上限;
(4)水头平衡约束:Hi,t=(Zn,t+Zn,t-1)×0.5-dn,t。其中,Hn,t为第n个水电站在第t个时段的水头;Zn,t为第n个水电站在第t个时段的坝前水位;dn,t第n个水电站在第t个时段下游水位。
(5)水电站出力约束:其中,/>为第n个水电站在第t个时段的出力上限;/>为第n个水电站在第t个时段的出力下限。
(6)水电站带宽约束:其中,/>为水电系统在第t个时段的带宽上限;/>为水电系统在第t个时段的带宽下限。
(7)水电站非线性约束:其中,/>和/>分别为第n个水电站水位-库容、出库流量-坝下水位、水头和发电流量-出力的特性曲线。
梯级水库发电调度的最终目标是在规定调度期内满足复杂约束的同时确定梯级水库群效益最大的调度方案。国内外专家学者尝试了很多种方法来解决梯级水库发电调度具有非结构化特点问题。基于求解方法原理可以大致分为两类:一类是包括线性规划、非线性规划和动态规划等传统数学方法;另一类是包括差分进化算法、遗传算法和模拟退火算法等新颖启发式算法。随着电站规模增加,传统数学方法因为自身特点限制,计算复杂度常呈指数级增加。启发算法计算复杂度增长较传统数学方法缓慢,但是在求解过程中会出现求解精度低和“早熟收敛”等缺陷。因此,为梯级水库群优化调度寻找一种高效优化方法具有重要意义。灰狼优化算法(GWO)作为一种新颖算法,具有参数少、执行效率高等优点,较经典智能算法有较高搜索性能,已经在PEM燃料电池参数评估、背包问题、飞行器路径规划以及机器学习等领域得到成功应用。但是研究发现GWO在进行梯级水库优化运行时极易陷入局部最优、求解精度低。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种大规模水库群发电调度柔性优化方法与系统,其目的在于解决现有灰狼优化算法在进行梯级水库优化运行时极易陷入局部最优、求解精度低的技术问题。
为实现上述目的,作为本发明的一个方面,提供了一种大规模水库群发电调度柔性优化方法,包括以下步骤:
(1)将水库群中所有水电站不同时刻的水位值作为个体,设置最大迭代次数为当迭代次数k=1时,在水库水位值约束下随机初始化种群,得到包含多个个体的初始种群,将初始种群作为当前种群;
(2)计算当前种群中每个个体的适应度,将当前种群中每个个体的位置作为历史最优位置,将适应度最小值对应的个体位置作为当前种群的全局最优位置,并更新当前种群中全局最优、次优和第三优个体位置;
(3)采用标准灰狼算法更新当前种群中每个个体的位置;
(4)对当前种群中的所有个体,使用双曲线加速搜索策略提高种群收敛速度,并结合精英保留策略得到当前种群中每个个体加速后的位置;
(5)采用突变策略筛选种群,并结合精英保留策略得到当前种群中每个个体变异后的位置,形成下一代种群;
(6)令k=k+1,若则将下一代种群作为当前种群,返回步骤(2);否则停止计算,并将当前种群的全局最优个体作为最佳调度过程输出。
进一步地,第k代第i个个体位置表示为:
其中,N表示电站数目,T表示时段数目,且满足1≤i≤m,m表示种群规模; 为[0,1]区间均匀分布的随机数,/>为第n个水电站在第t个时段的水位上限,/>为第n个水电站在第t个时段的水位下限。
进一步地,步骤(2)中采用惩罚函数法计算当前种群中每个个体的适应度,第k代第i个个体的适应度/>为:/>
其中,Pn,t为第n个电站第t个时段出力,Δt第t个时段小时数,和/>分别表示第n个水电站在第t个时段第x个不等式约束和不等式约束数目,/>和/>分别表示水电系统第t个时段第y个等式约束和等式约束数目,C是惩罚系数。
进一步地,步骤(2)中更新当前种群中全局最优、次优和第三优个体位置包括:
由更新种群中最优个体α的位置,由更新种群中次优个体β的位置,由更新种群中第三优个体δ的位置;
其中,表示第k代最优个体的位置,/>表示第k代次优个体的位置,/>表示第k代第三优个体的位置,/>表示第k代第i个个体的适应度。
进一步地,步骤(3)中,
由更新当前种群中每个个体的位置;
其中,Xk+1为第k+1代第i个个体位置向量;Xk表示第k代第i个个体的位置向量;Xα、Xβ和Xδ分别表示最优个体适应度、次优个体适应度和第三优个体适应度的位置;A1、A2和A3分别为区间[-2,2]d上随机分布的随机向量;C1、C2和C3分别为区间[0,2]d上均匀分布的随机向量;·表示两个向量的点乘积。
进一步地,步骤(4)中使用双曲线加速搜索策略提高种群收敛速度,第k+1代第i个加速个体表示为:
其中,
式中:表示在/>区间均匀分布的随机数,N(0,1)为符合正态分布的随机数,/>表示通过标准灰狼算法进化算法得到的第i个个体第j维度位置,J表示问题空间的维度。
进一步地,步骤(5)中采用突变策略筛选种群后突变个体第k代第i个第j维位置表示为:
式中:Cr为交叉系数,p为从种群中随机选择的个体。
作为本发明的另一个方面,提供了一种大规模水库群发电调度柔性优化系统,包括:
初始化模块,用于将水库群中所有水电站不同时刻的水位值作为个体,设置最大迭代次数为当迭代次数k=1时,在水库水位值约束下随机初始化种群,得到包含多个个体的初始种群,将初始种群作为当前种群;
适应度计算模块,用于计算当前种群中每个个体的适应度,将当前种群中每个个体的位置作为历史最优位置,将适应度最小值对应的个体位置作为当前种群的全局最优位置,并更新当前种群中全局最优、次优和第三优个体位置;
位置更新模块,用于采用标准灰狼算法更新当前种群中每个个体的位置;
加速模块,用于对当前种群中的所有个体,使用双曲线加速搜索策略提高种群收敛速度,并结合精英保留策略得到当前种群中每个个体加速后的位置;
突变模块,用于采用突变策略筛选种群,并结合精英保留策略得到当前种群中每个个体变异后的位置,形成下一代种群;
输出模块,用于则将下一代种群作为当前种群,反复执行适应度计算模块至突变模块的操作,直至满足预设迭代停止条件,得到当前种群中的最优个体位置,并将当前种群的全局最优个体作为最佳调度过程输出。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明通过将水库群中所有水电站不同时刻的水位值作为个体,并在水库水位值约束下随机初始化种群;计算当前种群中所有个体适应度值并更新种群中最优、次优和第三优个体位置,然后采用标准灰狼优化算法更新种群中个体位置;使用双曲线加速搜索策略并结合精英保留策略提高种群收敛速度;使用突变策略并结合精英保留策略增加种群多样性以防止陷入局部最优。如此,利用本发明方法求解梯级水库发电调度问题,较其他方法有着更好的鲁棒性,能够协调好梯级电站之间的协同关系,从而达到整个梯级系统效益最大化。同时,本发明具有参数少、执行效率高等优点,较经典智能算法有较高搜索性能。
附图说明
图1是本发明实施例提供的一种大规模水库群发电调度柔性优化方法的流程示意图;
图2(a)是本发明实施例提供的一种15%来水频率下采用本发明以及现有方法得到的发电量箱型图对比示意图;
图2(b)是本发明实施例提供的一种25%来水频率下采用本发明以及现有方法得到的发电量箱型图对比示意图;
图2(c)是本发明实施例提供的一种40%来水频率下采用本发明以及现有方法得到的发电量箱型图对比示意图;
图2(d)是本发明实施例提供的一种50%来水频率下采用本发明以及现有方法得到的发电量箱型图对比示意图;
图2(e)是本发明实施例提供的一种75%来水频率下采用本发明以及现有方法得到的发电量箱型图对比示意图;
图2(f)是本发明实施例提供的一种85%来水频率下采用本发明以及现有方法得到的发电量箱型图对比示意图。
具体实施方式
为了使本发明的目的和方法更加清晰直观,在以下结合附图和实例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,而不是限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了克服灰狼优化算法进行梯级水库优化运行时极易陷入局部最优、求解精度低的缺陷,本发明提出一种大规模水库群发电调度柔性优化方法与系统。该方法在灰狼优化算法基础上,创新性引入双曲线加速搜索策略、突变策略并结合精英保留策略,以提高种群收敛速度、增加种群多样性以防止陷入局部最优,为开展梯级水库群发电调度提供科学依据。
图1为本发明实施例提供的一种大规模水库群发电调度柔性优化方法的流程示意图,具体步骤包括:
(1)设定相关参数,将各电站不同时刻水位值作为决策变量并按照电站上下游关系进行编码,即种群中任意一个个体代表整个梯级电站在整个调度时段的水位值。
(2)令迭代次数k=1并在搜索范围内随机生成初始种群,则第k代第i个个体位置表示为:其中,N表示电站数目;T表示时段数目;且满足1≤i≤m,m表示种群规模。在初始种群中,第k代第n个电站第t个时段水位值生成方式为/> 为[0,1]区间均匀分布的随机数。第n个水电站在第t个时段的水位上限;/>第n个水电站在第t个时段的水位下限;
(3)在满足所有约束条件下,采用惩罚函数法计算种群中个体适应度以提高搜索效率和解的质量。则第k代第i个个体的适应度/>计算公式为:式中,/>和/>分别表示第n个水电站在第t个时段第x个不等式约束和不等式约束数目,/>和/>分别表示水电系统第t个时段第y个等式约束和等式约束数目,C是惩罚系数。
(4)更新种群中全局最优、次优和第三优个体位置。
由更新种群中最优个体α的位置,由更新种群中次优个体β的位置,由更新种群中第三优个体δ的位置;
其中,表示第k代最优个体的位置,/>表示第k代次优个体的位置,/>表示第k代第三优个体的位置,/>表示第k代第i个个体的适应度。
(5)采用标准灰狼算法更新种群个体位置:
式中,Xk+1为第k+1代第i个个体位置向量;Xk表示第k代第i个个体的位置向量;Xα、Xβ和Xδ分别表示最优个体适应度、次优个体适应度和第三优个体适应度的位置;A1、A2和A3分别为区间[-2,2]d上随机分布的随机向量;C1、C2和C3分别为区间[0,2]d上均匀分布的随机向量;·表示两个向量的点乘积。
(6)采用引入使用双曲线加速搜索策略并结合精英保留策略提高种群收敛速度,则第k+1代第i个加速个体进化公式:
式中:表示在/>区间均匀分布的随机数,N(0,1)为符合正态分布的随机数。/>表示通过标准灰狼算法进化算法得到的第i个个体第j维度位置。J表示问题空间的维度。
(7)采用突变策略并结合精英保留策略增加种群多样性以防止陷入局部最优,突变个体第k代第i个第j维位置加速个体:
式中:Cr为交叉系数,p为从种群中随机选择的个体。
(8)令k=k+1。若则返回步骤(3);否则停止计算,并将当前种群的全局最优个体/>作为最佳调度过程输出。
下面结合附图和实施例对本发明作进一步的描述。
以乌江干流上的洪家渡、东风、索凤营、乌江渡及构皮滩五座电站为本发明实施对象,相应参数设置为Cr=0.8,m=500,各约束破坏惩罚系数均设定为10000。
为验证本发明高效性,将遗传算法(Geneticalgorithm GA)、粒子群算法(ParticleSwarm Optimization,PSO)、正余弦算法(sinecosinealgorithm,SCA)、引力搜索算法(Gravitational Search Algorithm,GSA)作为对比方法,所有方法独立运行10次。六来水频率(15%、25%、40%、50%、75%、85%)作为实施工况,表1列出了五种求解方法在六种来水频率下的统计结果,包含最优值、均值、最差值、标准差和平极差。由表1可知,本发明方法在所有指标方面都优于其他方法。例如,在85%径流量的情况下,与GA,PSO,SCA,GSA和GWO相比,通过,方法获得的最佳目标值分别降低了约7.92、0.93、3.84、2.54和6.79×108千瓦时。由此可知,本发明方法相对其他方法在求解梯级水库发电调度具有可行性和有效性。
表1 (单位:亿千万时)
图2(a)-图2(f)给出了不同来水频率下六种方法箱型图。由图2(a)-图2(f)可知,传统的遗传算法GA在相对较大的范围内变化,而由本发明方法产生的目标值呈现出高度集中的分布,这证明了选择的不同策略进行耦合具有良好的搜索效果。由此可知,本发明方法能够产生稳定的调度方案,从而达到最大化水电系统的总发电效益的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种大规模水库群发电调度柔性优化方法,其特征在于,包括以下步骤:
(1)将水库群中所有水电站不同时刻的水位值作为个体,设置最大迭代次数为当迭代次数k=1时,在水库水位值约束下随机初始化种群,得到包含多个个体的初始种群,将初始种群作为当前种群;
(2)计算当前种群中每个个体的适应度,将当前种群中每个个体的位置作为历史最优位置,将适应度最小值对应的个体位置作为当前种群的全局最优位置,并更新当前种群中全局最优、次优和第三优个体位置;
(3)采用标准灰狼算法更新当前种群中每个个体的位置;
(4)对当前种群中的所有个体,使用双曲线加速搜索策略提高种群收敛速度,并结合精英保留策略得到当前种群中每个个体加速后的位置;
(5)采用突变策略筛选种群,并结合精英保留策略得到当前种群中每个个体变异后的位置,形成下一代种群;
(6)令k=k+1,若则将下一代种群作为当前种群,返回步骤(2);否则停止计算,并将当前种群的全局最优个体作为最佳调度过程输出;
第k代第i个个体位置表示为:
其中,N表示电站数目,T表示时段数目,且满足1≤i≤m,m表示种群规模;为[0,1]区间均匀分布的随机数,/>为第n个水电站在第t个时段的水位上限,/>为第n个水电站在第t个时段的水位下限;
步骤(2)中采用惩罚函数法计算当前种群中每个个体的适应度,第k代第i个个体的适应度/>为:
其中,Pn,t为第n个电站第t个时段出力,Δt第t个时段小时数,和/>分别表示第n个水电站在第t个时段第x个不等式约束和不等式约束数目,/>和/>分别表示水电系统第t个时段第y个等式约束和等式约束数目,C是惩罚系数;
步骤(2)中更新当前种群中全局最优、次优和第三优个体位置包括:
由更新种群中最优个体α的位置,由更新种群中次优个体β的位置,由更新种群中第三优个体δ的位置;
其中,表示第k代最优个体的位置,/>表示第k代次优个体的位置,/>表示第k代第三优个体的位置,/>表示第k代第i个个体的适应度。
2.根据权利要求1所述的方法,其特征在于,步骤(3)中,
由更新当前种群中每个个体的位置;
其中,Xk+1为第k+1代第i个个体位置向量;Xk表示第k代第i个个体的位置向量;Xα、Xβ和Xδ分别表示最优个体适应度、次优个体适应度和第三优个体适应度的位置;A1、A2和A3分别为区间[-2,2]d上随机分布的随机向量;C1、C2和C3分别为区间[0,2]d上均匀分布的随机向量;·表示两个向量的点乘积。
3.根据权利要求2所述的方法,其特征在于,步骤(4)中使用双曲线加速搜索策略提高种群收敛速度,第k+1代第i个加速个体表示为:
其中,
式中:表示在/>区间均匀分布的随机数,N(0,1)为符合正态分布的随机数,/>表示通过标准灰狼算法进化算法得到的第i个个体第j维度位置,J表示问题空间的维度。
4.根据权利要求3所述的方法,其特征在于,步骤(5)中采用突变策略筛选种群后突变个体第k代第i个第j维位置表示为:
式中:Cr为交叉系数,p为从种群中随机选择的个体。
5.一种大规模水库群发电调度柔性优化系统,其特征在于,包括:
初始化模块,用于将水库群中所有水电站不同时刻的水位值作为个体,设置最大迭代次数为当迭代次数k=1时,在水库水位值约束下随机初始化种群,得到包含多个个体的初始种群,将初始种群作为当前种群;
适应度计算模块,用于计算当前种群中每个个体的适应度,将当前种群中每个个体的位置作为历史最优位置,将适应度最小值对应的个体位置作为当前种群的全局最优位置,并更新当前种群中全局最优、次优和第三优个体位置;
位置更新模块,用于采用标准灰狼算法更新当前种群中每个个体的位置;
加速模块,用于对当前种群中的所有个体,使用双曲线加速搜索策略提高种群收敛速度,并结合精英保留策略得到当前种群中每个个体加速后的位置;
突变模块,用于采用突变策略筛选种群,并结合精英保留策略得到当前种群中每个个体变异后的位置,形成下一代种群;
输出模块,用于则将下一代种群作为当前种群,反复执行适应度计算模块至突变模块的操作,直至满足预设迭代停止条件,得到当前种群中的最优个体位置,并将当前种群的全局最优个体作为最佳调度过程输出;
第k代第i个个体位置表示为:
其中,N表示电站数目,T表示时段数目,且满足1≤i≤m,m表示种群规模;为[0,1]区间均匀分布的随机数,/>为第n个水电站在第t个时段的水位上限,/>为第n个水电站在第t个时段的水位下限;
所述适应度计算模块,还用于采用惩罚函数法计算当前种群中每个个体的适应度,第k代第i个个体的适应度/>为:/>
其中,Pn,t为第n个电站第t个时段出力,Δt第t个时段小时数,和/>分别表示第n个水电站在第t个时段第x个不等式约束和不等式约束数目,/>和/>分别表示水电系统第t个时段第y个等式约束和等式约束数目,C是惩罚系数;
所述适应度计算模块,还用于由更新种群中最优个体α的位置,由/>更新种群中次优个体β的位置,由/>更新种群中第三优个体δ的位置;
其中,表示第k代最优个体的位置,/>表示第k代次优个体的位置,/>表示第k代第三优个体的位置,/>表示第k代第i个个体的适应度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681875.8A CN111915160B (zh) | 2020-07-15 | 2020-07-15 | 一种大规模水库群发电调度柔性优化方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681875.8A CN111915160B (zh) | 2020-07-15 | 2020-07-15 | 一种大规模水库群发电调度柔性优化方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915160A CN111915160A (zh) | 2020-11-10 |
CN111915160B true CN111915160B (zh) | 2023-09-29 |
Family
ID=73281223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010681875.8A Active CN111915160B (zh) | 2020-07-15 | 2020-07-15 | 一种大规模水库群发电调度柔性优化方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915160B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112886036B (zh) * | 2021-01-08 | 2022-07-12 | 南京航空航天大学 | 一种基于改进灰狼优化的pemfc供气系统控制策略 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956714A (zh) * | 2016-05-21 | 2016-09-21 | 华能澜沧江水电股份有限公司 | 一种梯级水库群优化调度新型群体搜索方法 |
CN109636043A (zh) * | 2018-12-16 | 2019-04-16 | 华中科技大学 | 一种梯级水电系统发电调度自适应优化方法与系统 |
CN110598919A (zh) * | 2019-08-28 | 2019-12-20 | 华中科技大学 | 一种梯级水电站群生态调控方法与系统 |
-
2020
- 2020-07-15 CN CN202010681875.8A patent/CN111915160B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956714A (zh) * | 2016-05-21 | 2016-09-21 | 华能澜沧江水电股份有限公司 | 一种梯级水库群优化调度新型群体搜索方法 |
CN109636043A (zh) * | 2018-12-16 | 2019-04-16 | 华中科技大学 | 一种梯级水电系统发电调度自适应优化方法与系统 |
CN110598919A (zh) * | 2019-08-28 | 2019-12-20 | 华中科技大学 | 一种梯级水电站群生态调控方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111915160A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636043B (zh) | 一种梯级水电系统发电调度自适应优化方法与系统 | |
CN109345019B (zh) | 一种基于改进粒子群算法的微电网经济调度优化策略 | |
CN110401209B (zh) | 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法 | |
CN110598919B (zh) | 一种梯级水电站群生态调控方法与系统 | |
CN104091207A (zh) | 考虑有害气体排放量的含风电场多目标机组组合优化方法 | |
CN110766210B (zh) | 一种梯级水库群短期优化调度方法与系统 | |
CN115173453A (zh) | 一种储能辅助电网调峰的优化配置方法 | |
CN113098008A (zh) | 一种基于改进政治优化算法的光储容量优化配置方法 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN111915160B (zh) | 一种大规模水库群发电调度柔性优化方法与系统 | |
CN116418001A (zh) | 应对新能源不确定性的水库群多能互补调度方法与系统 | |
CN108564231B (zh) | 一种大规模水电站水库群联合调度的代理优化降维方法 | |
CN113363976B (zh) | 一种基于场景图的风光水互补发电系统中期优化调度方法 | |
CN112686432B (zh) | 一种多目标水电-风电优化调度模型方法 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
CN111461478B (zh) | 一种大规模水光能源互补调度方法与系统 | |
CN116191575B (zh) | 光储系统参与电网调压辅助服务的运行控制方法和系统 | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN116227863B (zh) | 一种基于哈里斯鹰优化算法的梯级水电站优化调度方法 | |
CN109950933B (zh) | 一种基于改进粒子群算法的风光储联合调峰优化方法 | |
CN117200293A (zh) | 电池储能参与多重频率响应市场的两阶段功率调控方法 | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
CN113410872A (zh) | 一种风电场内机组间的功率优化分配算法 | |
CN112766733B (zh) | 利用改进的K-means算法加速优化调度算法收敛的方法及系统 | |
CN115986744B (zh) | 一种含共享储能的配电网潮流优化方法 |
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 |