CN112381333B - 一种基于分布式改进蝙蝠算法的微电网优化方法 - Google Patents
一种基于分布式改进蝙蝠算法的微电网优化方法 Download PDFInfo
- Publication number
- CN112381333B CN112381333B CN202011410209.7A CN202011410209A CN112381333B CN 112381333 B CN112381333 B CN 112381333B CN 202011410209 A CN202011410209 A CN 202011410209A CN 112381333 B CN112381333 B CN 112381333B
- Authority
- CN
- China
- Prior art keywords
- population
- bat
- optimal
- calculation
- fitness
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 230000006872 improvement Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000243 solution Substances 0.000 description 24
- 208000022417 sinus histiocytosis with massive lymphadenopathy Diseases 0.000 description 19
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000288673 Chiroptera Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007340 echolocation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002068 genetic effect Effects 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
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000012089 stop solution Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—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
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于分布式改进蝙蝠算法的微电网优化方法,分为种群计算层面和包含多个种群计算的总体层面。为了有效提高传统蝙蝠算法的搜索效率,本发明采用分布式的蝙蝠算法(Distributed Improved Bat Algorithm,DIBA),对传统蝙蝠算法进行改进,使其适应Spark分布式计算框架的特点,从而充分利用分布式集群的计算资源,提高算法的搜索效果。本发明所提出的基于分布式改进蝙蝠算法的微电网优化方法,能大幅提升最优化算法的性能,从而在求解微电网优化调度时表现出更高的效率。
Description
技术领域
本发明涉及微电网优化领域,尤其涉及一种基于分布式改进蝙蝠算法的微电网优化调度方法。
背景技术
近年来我国经济高速发展,社会日益进步,但资源过度消耗、生态环境恶化等问题也伴随而来。分布式发电系统充分利用风能、太阳能等新能源,能够缓解集中供电系统的能源需求压力,对环境的污染程度也相对更小。微电网能够将分布式电源接入主网中,起到充分发挥分布式发电系统能效的作用,因此日益受到重视。但是,微电网的电源类型和控制方式相对复杂,如何进行调度优化,使微电网能够更加经济、环保的运行,是很多学者关注的问题。
纵观多位学者的研究成果,应用于微电网优化的算法主要包括遗传算法、模拟退火算法、蝙蝠算法、粒子群优化算法等启发式算法。这类优化方法大都模拟自然界中的某些现象或动物行为,并且基于概率随机优化;其优点主要包括不容易陷入局部最优、不依赖问题自身性质、能够处理多目标优化问题等;但是也存在计算速度慢的严重缺陷,对微电网优化调度的效率造成了限制。
蝙蝠算法(Bat Algorithm,BA)是由Yang教授通过对蝙蝠的回声定位行为进行模拟,于2010年提出的一种智能优化算法。与一些其他启发式算法相比,蝙蝠算法的参数可以动态的进行控制,也能在全局搜索和局部搜索之间进行切换,因此具有搜索效率更高、鲁棒性更好等优点,但也存在比较容易陷入局部极值的问题。
随着大数据时代的到来,人们对计算力的要求日益增加,基于GPU的并行计算和分布式计算等技术架构也日趋成熟。由于启发式算法具有群体智能搜索的特点和良好的并行特性,因此能够通过分布式计算大大提高算法的性能和效率,解决搜索速度慢的固有缺陷。
分布式计算指的是将一个需要庞大计算能力才能解决的问题,分割成很多子任务,进而分配给多台计算机进行并行处理,最后将计算结果汇总得到最终结果。与集中式计算相比,分布式计算不但能大幅提升运行速度,还具有价格相对低廉、维护方便等优点。
Google在2004年提出了最原始的分布式计算框架MapReduce,将海量数据分拆成多个Map任务指派给多台计算机上独立运行,再通过Reduce任务混洗合并得到输出文件。作为第一代分布式架构,MapReduce存在着一些不足之处,包括表达能力有限、磁盘IO开销大、延迟高等。
Spark是由加州大学伯克利分校的AMLab实验室于2009年研发的一款基于内存的分布式计算框架,之后又推出了Spark SQL、Spark Streaming、MLLib和GraphX等组件,形成了批处理、流式计算、机器学习和图计算的大数据处理一站式解决平台。Spark在MapReduce的基础上进行了大量改进和优化,性能得到大幅提升。
弹性分布式数据集RDD是Spark中的核心概念,它是一种分布于各个计算节点、存储于内存中的只读型数据集。用户将外部数据加载到内存中生成RDD;再经过一系列转换操作(transformation),每次转换都会生成一个新的RDD;最后执行动作操作(action),对RDD进行计算并返回结果,从而实现应用程序的功能。
与MapReduce将中间结果保存到硬盘不同,RDD能够保存在内存中,数据在多个RDD中进行传递操作,避免了磁盘的IO开销和序列化、反序列化开销,提升了效率。RDD可以长期保存在内存中不被回收,重复使用时不需要重新创建。RDD也是可序列化的,在运算过程中如果出现内存不足,RDD可以自动存储于磁盘上,确保内存足够继续运算。
RDD还具有良好的容错性,RDD的一系列转换操作会被Spark进行记录,形成相互间的血缘(lineage)关系;在RDD的某个分区或者部分数据丢失的情况下,可以通过寻亲来找回数据。
发明内容
为了有效提高传统蝙蝠算法的搜索效率,本发明提供一种基于分布式改进蝙蝠算法的微电网优化调度方法,对传统蝙蝠算法进行改进,使其适应Spark分布式计算框架的特点,从而充分利用分布式集群的计算资源,提高算法的搜索效果。
一种基于分布式改进蝙蝠算法的微电网优化方法,分为种群计算层面和包含多个种群计算的总体层面;其中种群计算层面包括以下步骤:
S1:进行参数设置及种群初始化;
S2:根据蝙蝠种群初始位置,计算每只蝙蝠的适应度fitnessi,并得到初始化最优蝙蝠的适应度fitness*和最优位置X*,其中每个蝙蝠个体对应的适应度值根据微电网优化调度模型的目标函数进行计算;
S3:对蝙蝠种群的速度和位置进行更新;
S4:更新个体历史最优值;
S5:更新种群历史最优值;
S6:判断是否达到预设的最大迭代次数;如果达到最大迭代次数则结束本次种群迭代计算,否则返回S3;
包含多个种群计算的总体层面具体包括全局搜索和局部搜索,在全局搜索中不限种群层面计算的次数,当消耗的时间超过0.2*T进入局部搜索,T为消耗的总时间;通过局部搜索找出其中最小的适应度作为全部种群的最优解作为微电网的运行经济成本的最小值。
在本发明一实施例中,S1中进行参数设置及种群初始化,包括以下步骤:对Spark分布式计算的并行度p进行设置,按照数据数量的上下界将其分割为p组数据,每组数据生成Spark的一个RDD,代表一个蝙蝠种群,之后在各RDD中分别对各个种群进行计算;预设的最大迭代次数为I,每个蝙蝠种群的规模为Q∈N+,N为种群中的个体数量;每次计算的迭代次数设置为“总迭代次数*0.8/p/5”,脉冲频率fi的上下区间fmax、fmin及种群初始化脉冲频度r,脉冲响度a;随机产生第i只蝙蝠的位置为Xi,速度为Vi,其中i=1,2,...Q;种群中的每一只蝙蝠都对应微电网调度周期内的一个调度方案;并使得速度Vi和Xi的维度一致。
在本发明一实施例中,S2中微电网运行的经济成本包括:分布式电源的燃料耗费成本、电能单元的运行维护成本、电力单元的折旧损耗、与主网的双向交互成本、清洁能源的补贴。
在本发明一实施例中,S3中新的位置Xi t+1和速度Vi t+1按照如下公式进行计算:
w=(1-t/I)*0.5+0.001 (7);
Vi t+1=w*Vi t+(Xi t-X*)*fi (8);
Xi t+1=Xi t+Vi t+1 (9);
fi=fmin+(fmax-fmin)*rand (10);
其中t为种群计算的当前迭代次数,I为预设的最大迭代次数;w为速度控制因子,起到控制速度Vi t的作用;fmax、fmin分别为脉冲频率fi的上下区间;其中rand为[0,1]之间的随机值。
进一步的,如果生成的随机值rand1值小于脉冲频度r,则按照公式(7)至公式(10)更新当前种群;否则将该个体按公式(11)重新随机:
Xi=gaussian_rand*θ+X*where i←(1:D) (11);
其中,gaussian_rand为[-1,1]之间按标准正态分布的随机值,θ参数起到控制搜索步长的作用,X*是历史最优个体;D为蝙蝠种群位置Xi的维度。
在本发明一实施例中,步骤S4包括以下步骤:根据蝙蝠种群更新后的位置Xi t+1,重新计算每只蝙蝠的适应度fitnessi t+1;如果在更新后的种群中,某个体的适应度fitnessi t+1小于该个体历史最优适应度fitnessi,如果生成的随机值rand2值小于脉冲响度a,则将该个体作为新的历史最优个体,并进入S5;否则不更新个体历史最优值,仍进入S5。
在本发明一实施例中,步骤S5包括以下步骤:如果更新后的种群中,某个体适应度fitnessi t+1小于种群历史最优适应度fitness*,则更新该个体作为种群历史最优个体X*,更新该个体的适应度为种群历史最优个体适应fitness*,并进入S6;否则不进行更新,仍进入S6。
在本发明一实施例中,全局搜索中种群随机初始化中使用公式如下:
Xi=rand*(ub-lb)+lb where i←(1:D) (12);
其中,rand为[0,1]之间的随机值,D为蝙蝠种群位置Xi的维度;进行种群计算层面的S1-S6,种群层面的计算达到最大迭代次数时结束,在总体层面算一次种群层面的计算;在全局搜索中不限种群层面计算的次数,当消耗的时间超过0.2*T,则进入局部搜索。
在本发明一实施例中,局部搜索的种群随机初始化中使用公式如下:
Xi=gaussian_rand*β+best where i←(1:D) (13);
其中,gaussian_rand为[-1,1]之间按标准正态分布的随机值,β参数起到控制搜索步长的作用,best在全局搜索中得到的全部种群的最优解;通过公式(13)在全部种群的最优解周边一定搜索范围内以高斯分布随机初始化蝙蝠的位置;
进行种群计算层面的S1-S6,种群层面的计算达到最大迭代次数时结束,在总体层面算一次种群层面的计算,在局部搜索中种群层面计算的最大次数为u,每完成一次种群层面计算,进行一次寻找全部种群的最优解。
在本发明一实施例中,寻找全部种群的最优解包括以下步骤:各RDD完成一次种群层面的计算之后,会分别得到每个种群更新之后的历史最优个体X*和历史最优个体适应度fitness*,通过对各种群进行的信息交互,找出其中最小的适应度作为全部种群的最优解;如果该解比当前的全部种群的最优解更小,则更新当前最优解,并返回局部搜索的种群随机初始化;否则检查是否达到循环结束条件。
进一步的,检查是否达到循环结束条件包括以下步骤:判断消耗的时间是否超过0.8*T,如果超过则结束计算并将当前得到的全部种群的最优解作为微电网调度方案,否则返回局部搜索,种群随机初始化。
在本发明一实施例中,如果当前全部种群的最优解连续n次都没有得到更新,则令种群最大更新次数u在原有基础上加2,且搜索步长参数值β在原有基础上除以10,以此增加更新次数,缩小搜索范围,并检查是否达到循环结束条件,否则返回局部搜索的种群随机初始化。
本发明采用分布式的蝙蝠算法(Distributed Improved Bat Algorithm,DIBA),使其适应Spark分布式计算框架的特点,从而充分利用分布式集群的计算资源,提高算法的搜索效果,采用本发明所提出的基于分布式改进蝙蝠算法的微电网优化方法,能大幅提升最优化算法的性能,从而在求解微电网优化调度时表现出更高的效率。
附图说明
图1为本发明一实施例的种群计算流程图。
图2为本发明一实施例的总体层面流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实例的附图,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,本领域普通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。
一种基于分布式改进蝙蝠算法的微电网优化方法,分为种群计算层面和包含多个种群计算的总体层面。
种群计算层面如图1所示,步骤如下:
第一步:参数设置及种群初始化
1)种群数量设置:种群计算是算法对解空间进行具体的搜索的过程,在Spark中是不可分割的最小计算步骤在参数初始化阶段,需要对分布式计算的并行度p进行设置,并行度的作用是要按照数据数量的上下界将其分割为p组数据,每组数据生成Spark的一个RDD,代表一个蝙蝠种群,之后在各RDD中分别对各个种群进行计算。
在本发明一本实施例中的种群数量设为10。
2)参数设置:预设的最大迭代次数为I,每个蝙蝠种群的规模为Q∈N+,每次计算的迭代次数设置为“总迭代次数*0.8/p/5”,脉冲频率fi的上下区间fmax=2、fmin=0及种群初始化脉冲频度r=0.5,脉冲响度a=0.25;初始化种群:随机产生第i只蝙蝠的位置为Xi,速度为Vi,其中i=1,2,...Q。种群中的每一只蝙蝠都对应调度周期内的一个调度方案;速度Vi和Xi的维度一致。
第二步:计算最优个体及适应度
根据蝙蝠种群初始位置,计算每只蝙蝠的适应度fitnessi,并得到初始化最优蝙蝠的适应度fitness*,和最优位置X*,每个个体对应的适应度值根据微电网优化调度模型的目标函数进行计算,即求微电网的运行经济成本的最小值,因此适应度越小的个体越优。
在本发明一实施例中,微电网运行的经济成本包括:分布式电源的燃料耗费成本、电能单元的运行维护成本、电力单元的折旧损耗、与主网的双向交互成本、清洁能源的补贴。
第三步:对蝙蝠种群的速度和位置进行更新
新的位置Xi t+1和速度Vi t+1按照如下公式进行计算:
w=(1-t/I)*0.5+0.001 (7);
Vi t+1=w*Vi t+(Xi t-X*)*fi (8);
Xi t+1=Xi t+Vi t+1 (9);
fi=fmin+(fmaxfmin)*rand (10);
其中t为种群计算的当前迭代次数,
w为速度控制因子,起到控制速度Vi t的作用,
rand为[0,1]之间的随机值。
公式(7)的含义为“算法初期速度快,提高搜索速度,后期速度慢,避免震荡问题”;公式(10)的含义为“对脉冲频率fi在上下区间内随机取值”。
进一步的,如果rand值小于脉冲频度r,则按照公式(7)至公式(10)更新当前种群;否则将该个体按公式(11)重新随机:
Xi=gaussian_rand*θ+X* where i←(1:D) (11);
其中,gaussian_rand为[-1,1]之间按标准正态分布的随机值,
θ参数起到控制搜索步长的作用,在本发明一实施例中θ=0.001。
X*是历史最优个体。
D为蝙蝠种群位置Xi的维度。
公式(11)的含义是以当前最优个体的位置为基准来更新各个蝙蝠的位置。
第四步:更新个体历史最优值
根据蝙蝠种群更新后的位置Xi t+1,重新计算每只蝙蝠的适应度fitnessi t+1。如果在更新后的种群中,某个体的适应度fitnessi t+1小于该个体历史最优适应度fitnessi,且rand值小于脉冲响度a,则将该个体作为新的历史最优个体,并进入第五步;否则不更新个体历史最优值,仍进入第五步。
第五步:更新种群历史最优值
如果更新后的种群中,某个体适应度fitnessi t+1小于种群历史最优适应度fitness*,则更新该个体作为种群历史最优个体X*,更新该个体的适应度为种群历史最优个体适应度fitness*,并进入第六步;否则不进行更新,仍进入第六步。
第六步:检查是否达到循环结束条件
即判断是否达到预设的最大迭代次数。如果达到最大迭代次数则结束本次种群迭代计算,否则返回第三步。
包含多个种群计算的总体层面如图2所示,步骤如下:
第一步:参数设置
消耗的总时间为T,蝙蝠位置Xi的上下区间为ub和lb。
在本发明一实施例中,局部搜索步骤的种群最大更新次数u=15。
第二步:全局搜索
(1)种群随机初始化:全局搜索的种群随机初始化步骤中使用公式如下;
Xi=rand*(ub-lb)+lb where i←(1:D) (12);
其中,rand为[0,1]之间的随机值,
D为蝙蝠种群位置Xi的维度。
公式(12)的含义为在蝙蝠位置的上下区间内随机初始化蝙蝠的位置。
(2)进行种群层面的计算:
进行种群计算层面的六个步骤,种群层面的计算达到最大迭代次数时结束,在总体层面算一次种群层面的计算。在全局搜索中不限种群层面计算的次数,当消耗的时间超过0.2*T,则进入第三步(1)。
第三步:局部搜索
(1)种群随机初始化:局部搜索的种群随机初始化步骤中使用公式如下:
Xi=gaussian_rand*β+best where i←(1:D) (13)
其中,gaussian_rand为[-1,1]之间按标准正态分布的随机值,
β参数起到控制搜索步长的作用,
best在全局搜索中得到的全部种群的最优解。
公式(13)的含义为在全部种群的最优解周边一定搜索范围内以高斯分布随机初始化蝙蝠的位置。
(2)进行种群层面的计算:
进行种群计算层面的六个步骤,种群层面的计算达到最大迭代次数时结束,在总体层面算一次种群层面的计算。在局部搜索中种群层面计算的最大次数为u,每完成一次种群层面计算,则进入第三步(3)
(3)更新全部种群的最优解:
各RDD完成一次种群层面的计算之后,会分别得到每个种群更新之后的历史最优个体X*和历史最优个体适应度fitness*,通过对各种群进行的信息交互,找出其中最小的适应度作为全部种群的最优解。如果该解比当前的全部种群的最优解更小,则更新当前最优解,并返回第三步(1);否则进入第三步(4)
(4)调整种群最大更新次数u和搜索步长参数β:
在本发明一实施例中,如果当前全部种群的最优解连续n次都没有得到更新,则令最大更新次数在原有基础上加2,并将β值在原有基础上除以10,以此增加更新次数,并缩小搜索范围,并进入第四步,否则返回第三步(1)。
第四步:检查是否达到循环结束条件
即判断消耗的时间是否超过0.8*T,如果超过则结束计算并将当前得到的全部种群的最优解作为结果,否则返回第三步(1)。
在本发明一实施例中,n为5。
本发明一具体实施例选择偏远地区的高海拔区域为例,使用本发明的基于分布式改进蝙蝠算法(DIBA)对实际的微电网系统进行分析。
表1为微电网系统个处理单元的相关参数,表2为当地不同时段的电价表。
表1
表2
将上述条件进行仿真,仿真条件为运算环境为16核CPU,64G内存,500G磁盘,6个节点,spark版本号为2.3.0,提交任务时并行度为5,container数量为5,vcore数量为1。
通过仿真结果可以看出,本发明的DIBA算法是从第12秒左右开始进行运算,这是由于Spark在程序的初期要做一些初始化工作,因此DIBA算法在12秒前还没开始计算,其适应度值为初始最大值,DIBA算法运算3秒后适应度值值持续下降。即采用本发明的DIBA算法运算速度还是收敛结果较佳。
上述实施例仅供说明本发明之用,本技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变化,因此,所有等同的技术方案也应该属于本发明的范畴。
Claims (8)
1.一种基于分布式改进蝙蝠算法的微电网优化方法,分为种群计算层面和包含多个种群计算的总体层面;其特征在于:其中种群计算层面包括以下步骤:
S1:进行参数设置及种群初始化;
S2:计算每只蝙蝠的适应度fitnessi;
S3:对蝙蝠种群的速度和位置进行更新;
S4:更新个体历史最优值;
S5:更新种群历史最优值;
S6:判断是否达到预设的最大迭代次数;如果达到最大迭代次数则结束本次种群迭代计算,否则返回S3;
包含多个种群计算的总体层面具体包括全局搜索和局部搜索;通过局部搜索找出其中最小的适应度作为全部种群的最优解作为微电网的运行经济成本的最小值;
S1中进行参数设置及种群初始化,包括以下步骤:对Spark分布式计算的并行度p进行设置,按照数据数量的上下界将其分割为p组数据,每组数据生成Spark的一个RDD,代表一个蝙蝠种群,之后在各RDD中分别对各个种群进行计算;预设的最大迭代次数为I,每个蝙蝠种群的规模为Q∈N+,N为种群中的个体数量;每次计算的迭代次数设置为“总迭代次数*0.8/p/5”,脉冲频率fi的上下区间fmax、fmin及种群初始化脉冲频度r,脉冲响度a;随机产生第i只蝙蝠的位置为Xi,速度为Vi,其中i=1,2,...Q;种群中的每一只蝙蝠都对应微电网调度周期内的一个调度方案;并使得速度Vi和Xi的维度一致;
S2中是根据蝙蝠种群初始位置,计算每只蝙蝠的适应度fitnessi,并得到初始化最优蝙蝠的适应度fitness*和最优位置X*,其中每个蝙蝠个体对应的适应度值根据微电网优化调度模型的目标函数进行计算;S2中微电网运行的经济成本包括:分布式电源的燃料耗费成本、电能单元的运行维护成本、电力单元的折旧损耗、与主网的双向交互成本、清洁能源的补贴。
2.根据权利要求1所述的基于分布式改进蝙蝠算法的微电网优化方法,其特征在于:S3中新的位置Xi t+1和速度Vi t+1按照如下公式进行计算:
w=(1-t/I)*0.5+0.001 (7);
Vi t+1=w*Vi t+(Xi t-X*)*fi (8);
Xi t+1=Xi t+Vi t+1 (9);
fi=fmin+(fmax-fmin)*rand (10);
其中t为种群计算的当前迭代次数,I为预设的最大迭代次数;w为速度控制因子,起到控制速度Vi t的作用;fmax、fmin分别为脉冲频率fi的上下区间;其中rand为[0,1]之间的随机值。
3.根据权利要求2所述的基于分布式改进蝙蝠算法的微电网优化方法,其特征在于:如果生成的随机值rand1值小于脉冲频度r,则按照公式(7)至公式(10)更新当前种群;否则将该个体按公式(11)重新随机:
Xi=gaussian_rand*θ+X*where i←(1:D) (11);
其中,gaussian_rand为[-1,1]之间按标准正态分布的随机值,θ参数起到控制搜索步长的作用,X*是历史最优个体;D为蝙蝠种群位置Xi的维度。
4.根据权利要求1所述的基于分布式改进蝙蝠算法的微电网优化方法,其特征在于:步骤S4包括以下步骤:根据蝙蝠种群更新后的位置Xi t+1,重新计算每只蝙蝠的适应度fitnessi t+1;如果在更新后的种群中,某个体的适应度fitnessi t+1小于该个体历史最优适应度fitnessi,如果生成的随机值rand2值小于脉冲响度a,则将该个体作为新的历史最优个体,并进入S5;否则不更新个体历史最优值,仍进入S5。
5.根据权利要求1所述的基于分布式改进蝙蝠算法的微电网优化方法,其特征在于:步骤S5包括以下步骤:如果更新后的种群中,某个体适应度fitnessi t+1小于种群历史最优适应度fitness*,则更新该个体作为种群历史最优个体X*,更新该个体的适应度为种群历史最优个体适应fitness*,并进入S6;否则不进行更新,仍进入S6。
6.根据权利要求1所述的基于分布式改进蝙蝠算法的微电网优化方法,其特征在于:全局搜索中种群随机初始化中使用公式如下:
Xi=rand*(ub-lb)+lb where i←(1:D) (12);
其中,rand为[0,1]之间的随机值,D为蝙蝠种群位置Xi的维度;进行种群计算层面的S1-S6,种群层面的计算达到最大迭代次数时结束,在总体层面算一次种群层面的计算;在全局搜索中不限种群层面计算的次数,当消耗的时间超过0.2*T,则进入局部搜索的种群随机初始化。
7.根据权利要求1所述的基于分布式改进蝙蝠算法的微电网优化方法,其特征在于:局部搜索的种群随机初始化中使用公式如下:
Xi=gaussian_rand*β+best where i←(1:D) (13);
其中,gaussian_rand为[-1,1]之间按标准正态分布的随机值,β参数起到控制搜索步长的作用,best在全局搜索中得到的全部种群的最优解;通过公式(13)在全部种群的最优解周边一定搜索范围内以高斯分布随机初始化蝙蝠的位置;进行种群计算层面的S1-S6,种群层面的计算达到最大迭代次数时结束,在总体层面算一次种群层面的计算,在局部搜索中种群层面计算的最大次数为u,每完成一次种群层面计算,进行一次寻找全部种群的最优解。
8.根据权利要求7所述的基于分布式改进蝙蝠算法的微电网优化方法,其特征在于:寻找全部种群的最优解包括以下步骤:各RDD完成一次种群层面的计算之后,会分别得到每个种群更新之后的历史最优个体X*和历史最优个体适应度fitness*,通过对各种群进行的信息交互,找出其中最小的适应度作为全部种群的最优解;如果该解比当前的全部种群的最优解更小,则更新当前最优解,并返回局部搜索的种群随机初始化;否则检查是否达到循环结束条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410209.7A CN112381333B (zh) | 2020-12-03 | 2020-12-03 | 一种基于分布式改进蝙蝠算法的微电网优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410209.7A CN112381333B (zh) | 2020-12-03 | 2020-12-03 | 一种基于分布式改进蝙蝠算法的微电网优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381333A CN112381333A (zh) | 2021-02-19 |
CN112381333B true CN112381333B (zh) | 2023-12-08 |
Family
ID=74590484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410209.7A Active CN112381333B (zh) | 2020-12-03 | 2020-12-03 | 一种基于分布式改进蝙蝠算法的微电网优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488990B (zh) * | 2021-06-15 | 2023-09-08 | 国网山东省电力公司济宁市任城区供电公司 | 基于改进的蝙蝠算法的微电网优化调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914463A (zh) * | 2003-12-16 | 2007-02-14 | 先进燃烧能量系统公司 | 生产能量的设备和方法 |
CN110020435A (zh) * | 2019-04-03 | 2019-07-16 | 湖北工业大学 | 一种采用并行二进制蝙蝠算法优化文本特征选择的方法 |
CN110492526A (zh) * | 2019-08-29 | 2019-11-22 | 国网上海市电力公司 | 一种基于可调负荷的孤岛划分方法 |
AU2019101372A4 (en) * | 2019-11-08 | 2019-12-19 | Michael Booth | Continuous Air Compression System for Generating Electricity |
-
2020
- 2020-12-03 CN CN202011410209.7A patent/CN112381333B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914463A (zh) * | 2003-12-16 | 2007-02-14 | 先进燃烧能量系统公司 | 生产能量的设备和方法 |
CN110020435A (zh) * | 2019-04-03 | 2019-07-16 | 湖北工业大学 | 一种采用并行二进制蝙蝠算法优化文本特征选择的方法 |
CN110492526A (zh) * | 2019-08-29 | 2019-11-22 | 国网上海市电力公司 | 一种基于可调负荷的孤岛划分方法 |
AU2019101372A4 (en) * | 2019-11-08 | 2019-12-19 | Michael Booth | Continuous Air Compression System for Generating Electricity |
Also Published As
Publication number | Publication date |
---|---|
CN112381333A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | Research of cloud computing task scheduling algorithm based on improved genetic algorithm | |
Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
CN104536826B (zh) | 一种面向风光多能源数据中心的实时任务绿色调度方法 | |
CN104636821A (zh) | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
Wu et al. | A deadline-aware estimation of distribution algorithm for resource scheduling in fog computing systems | |
CN112381333B (zh) | 一种基于分布式改进蝙蝠算法的微电网优化方法 | |
CN111144641A (zh) | 一种基于改进粒子群算法的微电网优化调度方法 | |
CN106547854A (zh) | 基于贪心萤火虫算法的分布式文件系统存储优化节能方法 | |
Reddy et al. | Implementation of clustering based unit commitment employing imperialistic competition algorithm | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
Tu et al. | 16.1 MuITCIM: A 28nm $2.24\mu\mathrm {J} $/Token Attention-Token-Bit Hybrid Sparse Digital CIM-Based Accelerator for Multimodal Transformers | |
CN109101316B (zh) | 一种能效相关的云计算平台资源调度方法 | |
CN113256118A (zh) | 一种家庭智能用电设备运行优化方法、系统及设备 | |
CN109033000A (zh) | 一种弹性高效的光伏云计算集群控制系统及方法 | |
CN109980695B (zh) | 一种配用电系统的分布式能源和用户行为预测方法 | |
CN111799793A (zh) | 一种源网荷协同的输电网规划方法与系统 | |
CN115686788A (zh) | 基于深度q网络的云数据中心启发式任务调度和能耗优化方法 | |
CN116431281A (zh) | 一种基于鲸鱼优化算法的虚拟机迁移方法 | |
CN105306547A (zh) | 提高云计算系统能量有效性的数据摆放及节点调度方法 | |
Zhang et al. | A new meta-heuristic task scheduling algorithm for optimizing energy efficiency in data centers | |
Wang et al. | Energy-efficient task scheduling algorithms with human intelligence based task shuffling and task relocation | |
Reddy et al. | Implementation of genetic algorithm based additive and divisive clustering techniques for unit commitment | |
Wang et al. | Spark load balancing strategy optimization based on internet of things | |
Kun-lun et al. | Improved GEP Algorithm for Task Scheduling in Cloud Computing |
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 |