CN112132471A - 基于模拟退火粒子群算法的梯级水电站调度方法及系统 - Google Patents

基于模拟退火粒子群算法的梯级水电站调度方法及系统 Download PDF

Info

Publication number
CN112132471A
CN112132471A CN202011026935.9A CN202011026935A CN112132471A CN 112132471 A CN112132471 A CN 112132471A CN 202011026935 A CN202011026935 A CN 202011026935A CN 112132471 A CN112132471 A CN 112132471A
Authority
CN
China
Prior art keywords
hydropower station
individual
optimal
value
cascade hydropower
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.)
Pending
Application number
CN202011026935.9A
Other languages
English (en)
Inventor
莫莉
易敏
王永强
汪涛
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.)
Huazhong University of Science and Technology
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Huazhong University of Science and Technology
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
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 Huazhong University of Science and Technology, Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Huazhong University of Science and Technology
Priority to CN202011026935.9A priority Critical patent/CN112132471A/zh
Publication of CN112132471A publication Critical patent/CN112132471A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/004—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
    • G06Q10/04—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (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

本发明公开了一种基于模拟退火粒子群算法的梯级水电站调度方法及系统，属于水利水电技术领域。本发明针对基本PSO算法进行改进，结合模拟退火算法，利用其对劣质解的接受规则，质量越好的个体最优位置会被给予越高的替换概率，使得质量越好的个体最优位置能够替代速度更新公式中全局最优位置的概率更高，增强了算法跳出局部最优值的能力，有效地避免了算法陷入局部最优值，在解的质量以及结果的合理性等方面可达到满意的效果，提高了梯级水电站的发电效益；本发明引入收缩因子来控制粒子的速度，能更有效地控制粒子速度的振动，提高了算法的收敛速度。

Description

基于模拟退火粒子群算法的梯级水电站调度方法及系统
技术领域
本发明属于水利水电技术领域，更具体地，涉及一种基于模拟退火粒子群算法的梯级水电站优化调度方法。
背景技术
流域梯级水电站优化调度是在满足市场、电网负荷需求及水电系统约束、上下游防洪安全、生态安全、航运安全等前提下，协调各级水电站之间的水头、流量和出力关系，是提高流域梯级水电站群运行管理效益的主要手段，因此梯级水电站优化调度实质是一个多维、多局部极值的非线性多约束优化问题。
目前，用于求解梯级水电站群优化调度模型的方法大致分为两类，第一类是传统线性和非线性方法、动态规划法等方法，此类方法在一定程度上存在维数灾难、算法复杂，收敛不稳定等问题。第二类是群体智能优化算法(SIA)，如粒子群优化(PSO)算法、人工鱼群算法(AFSA)算法、蚁群算法(ACO)算法、布谷鸟搜索(CS)算法、群居蜘蛛优化(SSO)算法等。由于该类方法具有自学习、自组织、自适应的特征和简单、易懂、鲁棒性强以及并行处理等优点，目前已广泛用于梯级水电站群优化调度，并取得了一定的实际应用效果。
然而随着搜索空间越来越复杂、搜索规模越来越大，传统的智能优化算法往往表现得很乏力。其中传统的粒子群算法(PSO，Particle Swarm Optimization)在求解梯级水电站优化调度模型时容易陷入局部最优解，使种群失去多样性，同时影响收敛的速度和效率，造成梯级水电站的发电效益降低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于模拟退火粒子群算法的梯级水电站优化调度方法，其目的在于克服传统粒子群算法在求解梯级水电站优化调度模型时容易陷入局部最优解和后期收敛速度缓慢的缺陷，解决梯级水电站发电效益较低的问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于模拟退火粒子群算法的梯级水电站调度方法，包括：
S1.以发电流量为决策变量，构建以水电站出力与负荷需求偏差最小为目标函数的梯级水电站优化调度模型，并确定其约束条件；
S2.在各电站流量的允许区间内，取各电站每时段发电流量为一个粒子，随机生成设定个数的粒子；
S3.计算所有粒子当前时刻的适应值；将每个粒子截至当前时刻历史最优的适应值作为当前时刻的个体极值；将所有粒子最优的个体极值作为全局最优值；
S4.赋予每个粒子个体极值对应的最优位置一个突跳概率，根据突跳概率随机选出一个个体最优位置对速度进行更新，并根据更新后的速度对位置进行更新；所述突跳概率根据个体最优位置和全局最优位置确定，适应度值越优的个体最优位置会被赋予更高的突跳概率；
S5.迭代执行步骤S3-S4，并判断是否达到最大迭代次数；若否，则退火转到步骤S3；若是，则输出结果，此时全局最优值的位置即为水库的最优调度的发电流量过程。
进一步地，突跳概率的计算公式为：
Figure BDA0002702389750000021
其中，fpi代表个体最优适应值；fpg代表全局最优适应值，M表示种群中粒子个数。
进一步地，步骤S4中速度更新公式为：
vi(k+1)＝χ(vi(k)+c1r1(pi-xi(k))+c2r2(p′g-xi(k)))
Figure BDA0002702389750000031
式中，c1，c2是常数；r1，r2是[0，1]区间均匀分布的随机数，vi(k)，vi(k+1)分别是第i个粒子第k步，k+1步迭代时的速度，xi(k)是第i个粒子第k步迭代时的位置，pi为个体最优位置，pg′是依突跳概率选出的个体最优位置；χ为收缩因子，l＝c1+c2，l>4。
进一步地，梯级水电站优化调度模型为：
Figure BDA0002702389750000032
其中，F为梯级水电站出力与负荷需求的偏差值，N为梯级水电站数目，T为调度周期内总时段数，PD(t)为t时段的负荷需求，P(i,t)为t时段第i个水电站的出力。
按照本发明的另一方面，提供了一种基于模拟退火粒子群算法的梯级水电站调度系统，包括：
模型构建单元，用于以发电流量为决策变量，构建以水电站出力与负荷需求偏差最小为目标函数的梯级水电站优化调度模型，并确定其约束条件；
粒子初始化单元，用于在各电站流量的允许区间内，取各电站每时段发电流量为一个粒子，随机生成设定个数的粒子；
第一迭代更新单元，用于计算所有粒子当前时刻的适应值；将每个粒子截至当前时刻历史最优的适应值作为当前时刻的个体极值；将所有粒子最优的个体极值作为全局最优值；
第二迭代更新单元，用于赋予每个粒子个体极值对应的最优位置一个突跳概率，根据突跳概率随机选出一个个体最优位置对速度进行更新，并根据更新后的速度对位置进行更新；所述突跳概率根据个体最优位置和全局最优位置确定，适应度值越优的个体最优位置会被赋予更高的突跳概率；
结果输出单元，用于迭代执行步骤S3-S4，并判断是否达到最大迭代次数；若否，则退火转到步骤S3；若是，则输出结果，此时全局最优值的位置即为水库的最优调度的发电流量过程。
进一步地，突跳概率的计算公式为：
Figure BDA0002702389750000041
其中，fpi代表个体最优适应值；fpg代表全局最优适应值，M表示种群中粒子个数。
进一步地，速度更新公式为：
vi(k+1)＝χ(vi(k)+c1r1(pi-xi(k))+c2r2(p′g-xi(k)))
Figure BDA0002702389750000042
式中，c1，c2是常数；r1，r2是[0，1]区间均匀分布的随机数，vi(k)，vi(k+1)分别是第i个粒子第k步，k+1步迭代时的速度，xi(k)是第i个粒子第k步迭代时的位置，pi为个体最优位置，pg′是依突跳概率选出的个体最优位置；χ为收缩因子，l＝c1+c2，l>4。
进一步地，梯级水电站优化调度模型为：
Figure BDA0002702389750000043
其中，F为梯级水电站出力与负荷需求的偏差值，N为梯级水电站数目，T为调度周期内总时段数，PD(t)为t时段的负荷需求，P(i,t)为t时段第i个水电站的出力。
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。
(1)本发明针对基本PSO算法进行改进，结合模拟退火算法，利用其对劣质解的接受规则，质量越好的个体最优位置会被给予越高的替换概率，使得质量越好的个体最优位置能够替代速度更新公式中全局最优位置的概率更高，增强了算法跳出局部最优值的能力，有效地避免了算法陷入局部最优值，在解的质量以及结果的合理性等方面可达到满意的效果，提高了梯级水电站的发电效益。
(2)本发明引入收缩因子用来控制粒子的速度，其作用类似于最大速度限制vmax，通过合理选择学习因子c1、c2的值，可以省去原有粒子群算法中将粒子的速度限制在[-vmax,vmax]之间的要求，能更有效地控制粒子速度的振动，提高了算法的收敛速度。
附图说明
图1为本发明提供的模拟退火粒子群算法流程图；
图2为本发明提供的标准粒子群算法流程图；
图3为本发明提供的梯级水电站优化调度收敛曲线；
图4为本发明提供的四个水电站的库容曲线。
具体实施方式
为了使本发明的目的、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，并不用于限定本发明。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。
参考图1，本发明提供了一种基于模拟退火粒子群算法的梯级水库优化调度方法，包括：
(1)获取梯级水电站系统的基本数据；
具体地，本发明实例的梯级水电站是包含四个水电站的梯级水电系，调度周期为1天(24小时)，间隔为1小时。系统的负荷需求、入库流量、出力约束、流量约束、库容约束、调度期开始和结束时的库容值等具体数据如表1-3：
表1
Figure BDA0002702389750000061
表2
Figure BDA0002702389750000062
表3
Figure BDA0002702389750000063
Figure BDA0002702389750000071
(2)以发电流量为决策变量，建立水电站出力与负荷需求偏差最小作为目标函数的梯级水电站优化调度模型，并根据梯级水库系统基本数据确定所述优化调度模型的约束条件。
具体地，梯级水电站优化调度模型以水电站的水利水电系统为整体目标，建立水电站出力与负荷需求偏差最小的目标函数，公式如下：
Figure BDA0002702389750000072
其中，F为梯级水电站出力与负荷需求的偏差值，N为梯级水电站数目，T为调度周期内总时段数，PD(t)为t时段的负荷需求，P(i,t)为t时段第i个水电站的出力。
约束条件包括：
1)系统负荷平衡约束
Figure BDA0002702389750000073
其中，PE(t)为t时段级水电站出力与负荷需求的偏差值。
2)水电站出力约束
P(i)min≤P(i,t)≤P(i)max
其中，P(i)min、P(i)max分别为第i个水电站的最大和最小出力。
3)水库流量约束
Q(i)min≤Q(i,t)≤Q(i)max
其中，Q(i)min、Q(i)max分别为第i个水电站的最大和最小下泄流量。
4)水库库容约束
V(i)min≤V(i,t)≤V(i)max
其中，V(i,t)为t时段第i个水电站的库(3-5)容，V(i)min、V(i)max分别为第i个水库的最大和最小库容值。
5)水量平衡约束
Figure BDA0002702389750000081
其中，I(i,t)为t时段第i个水电站的入库流量，S(i,t)为t时段第i个水电站的弃水量，Nu为与水电站i有直接水力联系的上游水电站的数目，τki表示从水电站k到水电站i的水流时滞。
6)调度期始末库容约束
V(i,0)＝V(i)Begin
V(i,T)＝V(i)End
其中，V(i)Begin、V(i)End分别为调度期开始和结束时第i个水电站的库容。
在各电站的流量的允许值内，取各电站每时段发电流量为一个粒子，随机生成一定个数的粒子，本发明实施例中粒子群规模N＝100。
(3)计算所有粒子的适应值即上述目标函数值，把每个粒子截至当前时刻历史最优适应值作为当前时刻的个体极值pi，将所有粒子个体极值中最优的那个当作全局最优值pg。
(4)赋予每个个体最优位置一个突跳概率(个体最优位置即为个体极值对应位置)，然后依概率随机选出一个个体最优位置更换速度更新公式；
突跳概率指能够替代速度更新公式中全局最优位置的概率，其计算公式如下：
Figure BDA0002702389750000082
其中，fpi代表个体最优适应值；fpg代表全局最优适应值，M表示种群中粒子个数。
显然，质量越好的个体最优位置pi会被给予越高的替换概率，显然，质量越好的个体最优位置pi会被给予越高的替换概率。
本发明结合模拟退火算法，利用其对劣质解(本发明中劣质解实质是指，除了全局最优位置之外的其它粒子个体最优位置))的接受规则，以一定概率接受个体最优位置替代全局最优位置，质量越好的个体最优位置会被给予越高的替换概率，增强算法跳出局部最优值的能力，有效地避免算法陷入局部最优值，在解的质量以及结果的合理性等方面可达到满意的效果。
(5)依据改进后的运动方程式更新每个粒子的位置和速度。具体的，速度更新公式如下：
vi(k+1)＝χ(vi(k)+c1r1(pi-xi(k))+c2r2(p′g-xi(k)))
Figure BDA0002702389750000091
式中c1，c2是常数。r1，r2是[0，1]区间均匀分布的随机数，vi(k)，vi(k+1)分别是第i个粒子第k步，k+1步迭代时的速度，xi(k)是第i个粒子第k步迭代时的位置，pi为个体最优位置，p′g是上述依突跳概率选出的个体最优位置。l＝c1+c2，l>4，其中，χ为收缩因子，各参数的取值选为：c1＝2.05，c2＝2.05。
本发明通过在基本粒子群算法中引入收缩因子，用来控制粒子的速度，其作用类似于最大速度限制vmax，通过合理选择c1、c2的值，可以省去原有粒子群算法中将粒子的速度限制在[-vmax,vmax]之间的要求，能更有效地控制粒子速度的振动，提高了算法的收敛速度。
(6)判断是否达到最大迭代次数，若到达则迭代停止，输出结果。否则转到(3)，继续进行，直至迭代终止，此时全局最优值的位置，即为水电站的最优调度的发电流量过程。
为了验证本发明方法的有效性，分别采用如图2所示的标准粒子群算法和本发明提出的模拟退火粒子群算法(SAPSO，Simulated Annealing Particle SwarmOptimization)进行优化调度，并对结果进行对比分析；参数设置为：粒子数目M＝50，种群最大迭代进化次数K＝1000，最终库容偏差允许值error＝0.01，发电流量调整最大迭代次数为20次，学习因子c1＝c2＝2。考虑到算法随机因素的影响，PSO与SAPSO都各自运行20次，然后将平均值作为最后的计算结果。
实施结果见图3、4和表4、5、6。
表4
Figure BDA0002702389750000101
表4列出了不同算法下优化调度的目标函数值。与标准粒子群算法相比，模拟退火粒子群算法降低了水电站出力与负荷需求的差值，说明相比标准粒子群算法，模拟退火粒子群算法能寻到更优值。
图3给出了PSO和SAPSO的收敛曲线，SAPSO与PSO的收敛速度基本相似，但SAPSO所得的目标函数值更小，收敛结果优于PSO。这说明SAPSO能得到较好的优化结果，故对PSO的改进取得了不错效果。
图4是四个水电站的库容曲线。图中各水电站均能满足库容约束条件，其库容值均在允许最大最小库容值间，且满足始末库容约束，能够说明所采用的约束处理是可靠的、有效的。
表5
Figure BDA0002702389750000102
Figure BDA0002702389750000111
表6
Figure BDA0002702389750000112
表5和表6是每个水电站各时段的流量和出力过程。由表中详细数据可知，应用SAPSO得到的梯级水电系统短期发电调度结果能符合流量、出力约束及水量平衡约束，所有水电站出力之和与系统负荷差值较小，很好地实现了梯级水电站调节用电高峰期的功能。能尽量减少火电站承担的负荷，节省成本，符合火电站实际运行准则，保证电网可靠、经济地运行。
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 (8)

1.一种基于模拟退火粒子群算法的梯级水电站调度方法，其特征在于，包括：
S1.以发电流量为决策变量，构建以水电站出力与负荷需求偏差最小为目标函数的梯级水电站优化调度模型，并确定其约束条件；
S2.在各电站流量的允许区间内，取各电站每时段发电流量为一个粒子，随机生成设定个数的粒子；
S3.计算所有粒子当前时刻的适应值；将每个粒子截至当前时刻历史最优的适应值作为当前时刻的个体极值；将所有粒子最优的个体极值作为全局最优值；
S4.赋予每个粒子个体极值对应的最优位置一个突跳概率，根据突跳概率随机选出一个个体最优位置对速度进行更新，并根据更新后的速度对位置进行更新；所述突跳概率根据个体最优位置和全局最优位置确定，适应度值越优的个体最优位置会被赋予更高的突跳概率；
S5.迭代执行步骤S3-S4，并判断是否达到最大迭代次数；若否，则退火转到步骤S3；若是，则输出结果，此时全局最优值的位置即为水库的最优调度的发电流量过程。
2.根据权利要求1所述的一种基于模拟退火粒子群算法的梯级水电站调度方法，其特征在于，突跳概率的计算公式为：
Figure FDA0002702389740000011
其中，fpi代表个体最优适应值；fpg代表全局最优适应值，M表示种群中粒子个数。
3.根据权利要求1或2所述的一种基于模拟退火粒子群算法的梯级水电站调度方法，其特征在于，步骤S4中速度更新公式为：
vi(k+1)＝χ(vi(k)+c1r1(pi-xi(k))+c2r2(p′g-xi(k)))
Figure FDA0002702389740000021
式中，c1，c2是常数；r1，r2是[0，1]区间均匀分布的随机数，vi(k)，vi(k+1)分别是第i个粒子第k步，k+1步迭代时的速度，xi(k)是第i个粒子第k步迭代时的位置，pi为个体最优位置，p′g是依突跳概率选出的个体最优位置；χ为收缩因子，l＝c1+c2，l>4。
4.根据权利要求1-3任一项所述的一种基于模拟退火粒子群算法的梯级水电站调度方法，其特征在于，梯级水电站优化调度模型为：
Figure FDA0002702389740000022
其中，F为梯级水电站出力与负荷需求的偏差值，N为梯级水电站数目，T为调度周期内总时段数，PD(t)为t时段的负荷需求，P(i,t)为t时段第i个水电站的出力。
5.一种基于模拟退火粒子群算法的梯级水电站调度系统，其特征在于，包括：
模型构建单元，用于以发电流量为决策变量，构建以水电站出力与负荷需求偏差最小为目标函数的梯级水电站优化调度模型，并确定其约束条件；
粒子初始化单元，用于在各电站流量的允许区间内，取各电站每时段发电流量为一个粒子，随机生成设定个数的粒子；
第一迭代更新单元，用于计算所有粒子当前时刻的适应值；将每个粒子截至当前时刻历史最优的适应值作为当前时刻的个体极值；将所有粒子最优的个体极值作为全局最优值；
第二迭代更新单元，用于赋予每个粒子个体极值对应的最优位置一个突跳概率，根据突跳概率随机选出一个个体最优位置对速度进行更新，并根据更新后的速度对位置进行更新；所述突跳概率根据个体最优位置和全局最优位置确定，适应度值越优的个体最优位置会被赋予更高的突跳概率；
结果输出单元，用于迭代执行步骤S3-S4，并判断是否达到最大迭代次数；若否，则退火转到步骤S3；若是，则输出结果，此时全局最优值的位置即为水库的最优调度的发电流量过程。
6.根据权利要求5所述的一种基于模拟退火粒子群算法的梯级水电站调度系统，其特征在于，突跳概率的计算公式为：
Figure FDA0002702389740000031
其中，fpi代表个体最优适应值；fpg代表全局最优适应值，M表示种群中粒子个数。
7.根据权利要求5或6所述的一种基于模拟退火粒子群算法的梯级水电站调度系统，其特征在于，速度更新公式为：
vi(k+1)＝χ(vi(k)+c1r1(pi-xi(k))+c2r2(p′g-xi(k)))
Figure FDA0002702389740000032
式中，c1，c2是常数；r1，r2是[0，1]区间均匀分布的随机数，vi(k)，vi(k+1)分别是第i个粒子第k步，k+1步迭代时的速度，xi(k)是第i个粒子第k步迭代时的位置，pi为个体最优位置，p′g是依突跳概率选出的个体最优位置；χ为收缩因子，l＝c1+c2，l>4。
8.根据权利要求5-7任一项所述的一种基于模拟退火粒子群算法的梯级水电站调度系统，其特征在于，梯级水电站优化调度模型为：
Figure FDA0002702389740000033
其中，F为梯级水电站出力与负荷需求的偏差值，N为梯级水电站数目，T为调度周期内总时段数，PD(t)为t时段的负荷需求，P(i,t)为t时段第i个水电站的出力。
CN202011026935.9A 2020-09-25 2020-09-25 基于模拟退火粒子群算法的梯级水电站调度方法及系统 Pending CN112132471A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011026935.9A CN112132471A (zh) 2020-09-25 2020-09-25 基于模拟退火粒子群算法的梯级水电站调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011026935.9A CN112132471A (zh) 2020-09-25 2020-09-25 基于模拟退火粒子群算法的梯级水电站调度方法及系统

Publications (1)

Publication Number Publication Date
CN112132471A true CN112132471A (zh) 2020-12-25

Family

ID=73840773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011026935.9A Pending CN112132471A (zh) 2020-09-25 2020-09-25 基于模拟退火粒子群算法的梯级水电站调度方法及系统

Country Status (1)

Country Link
CN (1) CN112132471A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627871A (zh) * 2021-06-22 2021-11-09 南京邮电大学 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509700A (zh) * 2018-03-20 2018-09-07 南京信息工程大学 一种基于模拟退火粒子群算法的moa老化在线监测方法
US20180357584A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization
CN109711631A (zh) * 2018-12-29 2019-05-03 杭州电子科技大学 一种改进粒子群算法的智能微电网优化调度方法
CN110365058A (zh) * 2019-08-15 2019-10-22 中国人民解放军陆军勤务学院 基于模拟退火粒子群算法的孤立微电网运行优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180357584A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization
CN108509700A (zh) * 2018-03-20 2018-09-07 南京信息工程大学 一种基于模拟退火粒子群算法的moa老化在线监测方法
CN109711631A (zh) * 2018-12-29 2019-05-03 杭州电子科技大学 一种改进粒子群算法的智能微电网优化调度方法
CN110365058A (zh) * 2019-08-15 2019-10-22 中国人民解放军陆军勤务学院 基于模拟退火粒子群算法的孤立微电网运行优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁航: "基于模拟退火粒子群算法的水光互补短期优化调度研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 2018, pages 1 - 54 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627871A (zh) * 2021-06-22 2021-11-09 南京邮电大学 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质
CN113627871B (zh) * 2021-06-22 2023-08-18 南京邮电大学 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN107039977B (zh) 电力系统鲁棒调度不确定集构建方法
CN110598983A (zh) 一种自适应改进粒子群算法的梯级水库优化调度方法
CN105207253B (zh) 考虑风电及频率不确定性的agc随机动态优化调度方法
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN105425591B (zh) 基于风电场区域实时风速分析调控风电场有功的方法和装置
CN109447393A (zh) 一种电力系统经济负荷分配的改进的粒子群算法
CN109636043A (zh) 一种梯级水电系统发电调度自适应优化方法与系统
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN110163420B (zh) 一种基于分解文化进化算法的多目标生态调度方法和系统
CN112132469B (zh) 一种基于多种群协作粒子群算法的水库群调度方法和系统
CN113378100B (zh) 考虑碳排放的配电网源网荷储协同优化调度模型和方法
CN110766210B (zh) 一种梯级水库群短期优化调度方法与系统
CN106961125B (zh) 风水火电力系统动态经济调度的等式约束处理方法
CN114722693A (zh) 一种水轮机调节系统二型模糊控制参数的优化方法
CN111541279A (zh) 考虑机组出力状态的风电场功率自动控制系统及方法
CN111325306A (zh) 一种基于abc-pso混合算法的供水泵组调度方法
CN112132471A (zh) 基于模拟退火粒子群算法的梯级水电站调度方法及系统
CN107871157B (zh) 基于bp和pso的数据预测方法、系统及相关装置
CN115275983A (zh) 一种基于分布式资源聚类的光伏功率波动平抑控制方法
CN114665519A (zh) 一种基于分层模型的风电场集群有功功率协调控制方法
CN107609690B (zh) 一种负荷主动管理决策优化的方法
CN116599860B (zh) 一种基于强化学习的网络流量灰色预测方法
CN116865358A (zh) 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备

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