CN112381385B - 一种移动应急电源的选址方法和装置 - Google Patents
一种移动应急电源的选址方法和装置 Download PDFInfo
- Publication number
- CN112381385B CN112381385B CN202011260889.9A CN202011260889A CN112381385B CN 112381385 B CN112381385 B CN 112381385B CN 202011260889 A CN202011260889 A CN 202011260889A CN 112381385 B CN112381385 B CN 112381385B
- Authority
- CN
- China
- Prior art keywords
- leaves
- branches
- power supply
- root node
- emergency power
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Telephone Function (AREA)
- Power Sources (AREA)
- Direct Current Feeding And Distribution (AREA)
Abstract
本申请公开了一种移动应急电源的选址方法和装置,其中方法包括:S1、按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化初始根节点的参数,其中参数包括:枝叶伸展范围和枝叶数量;S2、根据参数,计算围绕初始根节点生长时新的参数;S3、根据新的参数,以初始根节点为中心产生新生枝叶,并计算新生枝叶的适应度;S4、判断初始根节点对应的集合树的最优适应度是否有增加,若是,则返回步骤S2,若否,则执行步骤S5;S5、判断最优适应度是否满足预置结束条件,若是,则输出最优适应度对应的枝叶位置,否则返回步骤S1,调整初始根节点的个数后重新进行寻优。
Description
技术领域
本申请涉及电力资源配置技术领域,尤其涉及一种移动应急电源的选址方法和装置。
背景技术
当前,电网是现代社会最重要的生命线工程之一。近年来,随着气候、环境变化和电网大规模建设,各种极端条件引发的电网故障频发,局部设施故障有可能导致大停电事故,严重影响社会经济生活,威胁社会公共安全。移动应急电源可以保障用电可靠性,使得在电网故障发生之后能够尽快恢复供电、降低停电损失。近年来,相关研究人员对移动应急电源的供应点选择问题利用禁忌搜索算法进行计算,禁忌搜索算法可以成功解决移动应急电源选址问题,并提供多种解决方案,但搜索时是单操作搜索,在每一次迭代中是把一个解移动到另一个解,全局搜索能力弱,寻优速度较慢。
因此,提供一种搜索能力强、寻优速度快的移动应急电源选址方法是本领域技术人员亟待解决的技术问题。
发明内容
本申请提供了一种移动应急电源的选址方法和装置,解决了现有技术中对移动应急电源的选址时采用的禁忌搜索算法,全局搜索能力弱,寻优速度较慢的技术问题。
有鉴于此,本申请第一方面提供了一种移动应急电源的选址方法,包括步骤:
S1、按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化所述初始根节点的参数,其中所述参数包括:枝叶伸展范围和枝叶数量;
S2、根据所述参数,计算围绕所述初始根节点生长时新的所述参数;
S3、根据新的所述参数,以所述初始根节点为中心产生新生枝叶,并计算所述新生枝叶的适应度;
S4、判断所述初始根节点对应的集合树的最优适应度是否有增加,若是,则返回步骤S2,若否,则执行步骤S5;
S5、判断所述最优适应度是否满足预置结束条件,若是,则输出所述最优适应度对应的枝叶位置,否则返回步骤S1,调整所述初始根节点的个数后重新进行寻优。
可选地,步骤S2具体包括:
S21、根据采样价值计算公式,计算各所述初始根节点的采样价值;
可选地,所述采样价值计算公式为:
可选地,步骤S3具体包括:
S33、根据更新后的信息熵,基于根节点迭代公式,计算出下一次迭代要保留的根节点数量。
可选地,步骤S4具体包括:
判断所述初始根节点对应的集合树的第j+1次迭代的最优适应度是否大于第j次迭代的最优适应度,若是,则返回步骤S2,若否,则执行步骤S5。
本申请第二方面提供了一种移动应急电源的选址装置,包括:
采样单元,用于按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化所述初始根节点的参数,其中所述参数包括:枝叶伸展范围和枝叶数量;
第一计算单元,用于根据所述参数,计算围绕所述初始根节点生长时新的所述参数;
第二计算单元,用于根据新的所述参数,以所述初始根节点为中心产生新生枝叶,并计算所述新生枝叶的适应度;
第一判断单元,用于判断所述初始根节点对应的集合树的最优适应度是否有增加,若是,则触发所述第一计算单元,若否,则触发所述第二判断单元;
第二判断单元,用于判断所述最优适应度是否满足预置结束条件,若是,则输出所述最优适应度对应的枝叶位置,否则触发所述采样单元,调整所述初始根节点的个数后重新进行寻优。
可选地,所述第一计算单元包括:
第一计算子单元,用于根据采样价值计算公式,计算各所述初始根节点的采样价值;
可选地所述采样价值计算公式为:
可选地,所述第二计算单元包括:
第五计算子单元,用于根据更新后的信息熵,基于根节点迭代公式,计算出下一次迭代要保留的根节点数量。
可选地,所述第一判断单元具体用于,判断所述初始根节点对应的集合树的第j+1次迭代的最优适应度是否大于第j次迭代的最优适应度,若是,则触发所述第一计算单元,若否,则触发所述第二判断单元。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种移动应急电源的选址方法,包括:S1、按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化初始根节点的参数,其中参数包括:枝叶伸展范围和枝叶数量;S2、根据参数,计算围绕初始根节点生长时新的参数;S3、根据新的参数,以初始根节点为中心产生新生枝叶,并计算新生枝叶的适应度;S4、判断初始根节点对应的集合树的最优适应度是否有增加,若是,则返回步骤S2,若否,则执行步骤S5;S5、判断最优适应度是否满足预置结束条件,若是,则输出最优适应度对应的枝叶位置,否则返回步骤S1,调整初始根节点的个数后重新进行寻优。
本申请针对移动应急电源优化配置这样一个多目标优化问题,通过仿照林木的生长特点,逐级分布样本点,收敛速度快且精度较高,由此完成了移动应急电源的优化配置,全局搜索能力强,收敛速度相对较快,解决了现有技术中对移动应急电源的选址时采用的禁忌搜索算法,全局搜索能力弱,寻优速度较慢的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种移动应急电源的选址方法的实施例一的流程示意图;
图2为本申请实施例中一种移动应急电源的选址方法的实施例二的流程示意图;
图3为本申请实施例中一种移动应急电源的选址方法的应用例的流程示意图;
图4为本申请实施例中一种移动应急电源的选址装置的实施例的结构示意图。
具体实施方式
本申请实施例提供了一种移动应急电源的选址方法和装置,解决了现有技术中对移动应急电源的选址时采用的禁忌搜索算法,全局搜索能力弱,寻优速度较慢的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参阅图1,本申请实施例中一种移动应急电源的选址方法的实施例一的流程示意图。
本实施例中的一种移动应急电源的选址方法,包括:
步骤101、按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化初始根节点的参数,其中参数包括:枝叶伸展范围和枝叶数量。
步骤102、根据参数,计算围绕初始根节点生长时新的参数。
步骤103、根据新的参数,以初始根节点为中心产生新生枝叶,并计算新生枝叶的适应度。
步骤104、判断初始根节点对应的集合树的最优适应度是否有增加,若是,则返回步骤102,若否,则执行步骤105。
步骤105、判断最优适应度是否满足预置结束条件,若是,则输出最优适应度对应的枝叶位置,否则返回步骤101,调整初始根节点的个数后重新进行寻优。
需要说明的是,预置结束条件为:最优适应度对应的迭代次数为最大迭代次数以上的值。
可以理解的是,输出的枝叶位置即为移动应急电源的选址安装位置。
本实施例中针对移动应急电源优化配置这样一个多目标优化问题,通过仿照林木的生长特点,逐级分布样本点,收敛速度快且精度较高,由此完成了移动应急电源的优化配置,全局搜索能力强,收敛速度相对较快,解决了现有技术中对移动应急电源的选址时采用的禁忌搜索算法,全局搜索能力弱,寻优速度较慢的技术问题。
以上为本申请实施例提供的一种移动应急电源的选址方法的实施例一,以下为本申请实施例提供的一种移动应急电源的选址方法的实施例二。
请参阅图2,本申请实施例中一种移动应急电源的选址方法的实施例二的流程示意图。
本实施例中的一种移动应急电源的选址方法,包括:
步骤201、按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化初始根节点的参数。
其中,参数包括:枝叶伸展范围和枝叶数量。
步骤202、根据采样价值计算公式,计算各初始根节点的采样价值。
采样价值计算公式为:
步骤203、根据各采样价值,计算第j次迭代中集合树i的第一信息价值以及集合树i上枝叶s的第二信息价值。
步骤204、根据各采样价值和第二信息价值,计算第j+1次迭代中根节点周围生长出的枝叶数量和枝叶伸展范围。
步骤205、根据步骤204计算的枝叶数量和枝叶伸展范围,以各初始根节点为中心产生新生枝叶。
步骤206、计算新生枝叶的适应度,并更新用于计算第一信息价值和第二信息价值的信息熵。
步骤207、根据更新后的信息熵,基于根节点迭代公式,计算出下一次迭代要保留的根节点数量。
步骤208、判断初始根节点对应的集合树的第j+1次迭代的最优适应度是否大于第j次迭代的最优适应度,若是,则返回步骤202,若否,则执行步骤209。
步骤209、判断最优适应度是否满足预置结束条件,若是,则输出最优适应度对应的枝叶位置,否则返回步骤201,调整初始根节点的个数后重新进行寻优。
本实施例中针对移动应急电源优化配置这样一个多目标优化问题,通过仿照林木的生长特点,逐级分布样本点,收敛速度快且精度较高,由此完成了移动应急电源的优化配置,全局搜索能力强,收敛速度相对较快,解决了现有技术中对移动应急电源的选址时采用的禁忌搜索算法,全局搜索能力弱,寻优速度较慢的技术问题。
以上为本申请实施例提供的一种移动应急电源的选址方法的实施例二,以下为本申请实施例提供的一种移动应急电源的选址方法的应用例,具体请参阅图3。
本实施例中移动应急电源的选址方法包括:
步骤1:对种群进行初始化,对d维数据,在可行域r1×r2×r3×r4…×rd内依照均匀采样的原则选取n1×n2×n3…×nd个采样点作为根节点,同时初始化枝叶的伸展范围和枝叶数量/>并初始化根节点保留数量/>设置学习因子α=0.5,初始化每年大停电发生次数λ(即预置结束条件对应的最大迭代次数);
步骤2:计算围绕根节点生长出来的枝叶数量和伸展范围,具体计算步骤如下:
其中,Hj为第j次迭代的信息熵,用于量化样本点对于从周围环境中获取信息的可靠度,由于可靠度会随着采样点的增多而增大。因此,随着迭代次数的增加,信息可靠度也会增大,因此第j次迭代的信息熵可以通过下式进行计算:
Hj=1-e-j。
步骤3:按照步骤2中计算出的围绕根节点生长出的枝叶数量和枝叶伸展范围,以各个根节点为中心产生新的枝叶,即开始进行新一轮采样,计算新生枝叶的适应度,同时更新信息熵Hj+1,具体更新方式为:
Hj+1=1-e-(j+1)。
而且,在步骤4中使用轮盘赌方法增加根节点选择的随机性。为了增强算法的全局搜索能力,保留个适应度较高的枝叶作为下一轮迭代的根节点,并利用轮盘赌方法在其余枝叶中选择要保留的/>个根节点,从而增加算法的随机性。
将剩余的枝叶按适应度从高到低进行排序,并对其进行归一化,则枝叶适应度正比于此枝叶作为下一轮迭代的根节点被保留的概率,其中,β为人为设定的系数,此处设定为0.7,则枝叶o被保留的概率为
其中,po代表枝叶o被选为下一轮迭代的根节点的概率。
构造一个比较数列:
Y1=P1;
yo=yo-1+po。
产生一个随机数rand∈(0,1),按以下规则选择下一轮迭代的根节点:
步骤6:判断程序是否满足结束条件,若满足,则输出全局最优适应度和对应的枝叶位置,结束寻优,否则,转入步骤1,增加初始化中根节点的个数,重新进行寻优。
根据枝叶位置所代表的解编码,生成对应的决策函数,再计算此解对应的目标函数值,从而计算出枝叶的适应度,而移动应急电源配置问题的本质是一个多目标优化问题,其中,优化目标分为以下几个方面:
1)最小化损失费用
minG1=λ∑i∑jzijfij(t)(aj+bj+cj)Pij+λ∑i∑j(1-zij)fij(t)(aj+bj+cj)Pij+∑i∑jαizijPij+∑i∑jβizijPij;
其中,aJ,bJ,cJ分别为单位时间、单位负荷容量的生命损失、经济损失和特殊损失。Pij为供应点i向用户j供应的核心负荷功率, 其中tij为供应点i到用户j的交通时间,td为开始停电到应急电源车发车的响应时间与应急电源车到达目的地到成功接入的操作时间之和,tj为用户j的备用电源持续时间,αi为供应点i考虑到移动应急电源寿命年限,折算到每年的单位容量投资费用,βi为供应点i每年每台应急电源车的运行费用与损失费用之和,λ为该地区每年发生大停电的平均次数,zij为决策函数,表达式为如下:
2)最大化被满足的用户数
maxG2=∑i∑jzij;
则目标函数为
minG=λ1G1-λ2G2;
其中,λ1+λ2=1,λ1=0.7,λ2=0.3;
而且,此优化问题的约束条件为:
本实施例提供了一种基于雨林算法的移动应急电源配置方法,该方法针对现有方法的不足,将雨林算法应用于配电网移动应急电源供应点的选取问题中,用于解决这一多目标优化问题,同时,该方法对优化过程中根节点的选取方法进行了改进,使用轮盘赌增加算法的随机性,从而增加算法的全局搜索能力。该方法全局搜索能力强,收敛速度相对较快,在寻优速度和准确度方面都具有明显优势。
以上为本申请实施例提供的一种移动应急电源的选址方法的应用例,以下为本申请实施例提供的一种移动应急电源的选址装置的实施例,具体请参阅图4。
本实施例中移动应急电源的选址装置包括:
采样单元401,用于按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化初始根节点的参数,其中参数包括:枝叶伸展范围和枝叶数量;
第一计算单元402,用于根据参数,计算围绕初始根节点生长时新的参数;
第二计算单元403,用于根据新的参数,以初始根节点为中心产生新生枝叶,并计算新生枝叶的适应度;
第一判断单元404,用于判断初始根节点对应的集合树的最优适应度是否有增加,若是,则触发第一计算单元,若否,则触发第二判断单元;
第二判断单元405,用于判断最优适应度是否满足预置结束条件,若是,则输出最优适应度对应的枝叶位置,否则触发采样单元,调整初始根节点的个数后重新进行寻优。
可选地,第一计算单元402包括:
第一计算子单元,用于根据采样价值计算公式,计算各初始根节点的采样价值;
可选地,采样价值计算公式为:
可选地,第二计算单元403包括:
第五计算子单元,用于根据更新后的信息熵,基于根节点迭代公式,计算出下一次迭代要保留的根节点数量。
可选地,第一判断单元具体用于,判断初始根节点对应的集合树的第j+1次迭代的最优适应度是否大于第j次迭代的最优适应度,若是,则触发第一计算单元,若否,则触发第二判断单元。
本申请提供了一种基于雨林算法的移动应急电源配置装置,该装置针对现有方法的不足,将雨林算法应用于配电网移动应急电源供应点的选取问题中,用于解决这一多目标优化问题,同时,该装置对优化过程中根节点的选取方法进行了改进,使用轮盘赌增加算法的随机性,从而增加算法的全局搜索能力。该装置全局搜索能力强,收敛速度相对较快,在寻优速度和准确度方面都具有明显优势。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请个实施例中的功能单元可以集成在一个处理单元中,也可以是个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,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。
Claims (10)
1.一种移动应急电源的选址方法,其特征在于,包括步骤:
S1、按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化所述初始根节点的参数,其中所述参数包括:枝叶伸展范围和枝叶数量;
S2、根据所述参数,计算围绕所述初始根节点生长时新的所述参数;
S3、根据新的所述参数,以所述初始根节点为中心产生新生枝叶,并计算所述新生枝叶的适应度;
S4、判断所述初始根节点对应的集合树的最优适应度是否有增加,若是,则返回步骤S2,若否,则执行步骤S5;
S5、判断所述最优适应度是否满足预置结束条件,若是,则输出所述最优适应度对应的枝叶位置,否则返回步骤S1,调整所述初始根节点的个数后重新进行寻优;
1)最小化损失费用
minG1=λ∑i∑jzijfij(t)(aj+bj+cj)Pij+λ∑i∑j(1-zij)fij(t)(aj+bj+cj)Pij+∑i∑jαizijPij+∑i∑jβizijPij;
其中,aj,bj,cj分别为单位时间、单位负荷容量的生命损失、经济损失和特殊损失,Pij为供应点i向用户j供应的核心负荷功率, 其中tij为供应点i到用户j的交通时间,td为开始停电到应急电源车发车的响应时间与应急电源车到达目的地到成功接入的操作时间之和,tj为用户j的备用电源持续时间,αi为供应点i考虑到移动应急电源寿命年限,折算到每年的单位容量投资费用,βi为供应点i每年每台应急电源车的运行费用与损失费用之和,λ为该地区每年发生大停电的平均次数,zij为决策函数,表达式为如下:
2)最大化被满足的用户数
maxG2=∑i∑jzij;
则目标函数为
minG=λ1G1-λ2G2;
其中,λ1+λ2=1,λ1=0.7,λ2=0.3;
约束条件包括:
5.根据权利要求4所述的移动应急电源的选址方法,其特征在于,步骤S4具体包括:
判断所述初始根节点对应的集合树的第j+1次迭代的最优适应度是否大于第j次迭代的最优适应度,若是,则返回步骤S2,若否,则执行步骤S5。
6.一种移动应急电源的选址装置,其特征在于,包括:
采样单元,用于按照预置采样原则对移动应急电源的所有选址可行解进行采样,将采样结果作为初始根节点,并初始化所述初始根节点的参数,其中所述参数包括:枝叶伸展范围和枝叶数量;
第一计算单元,用于根据所述参数,计算围绕所述初始根节点生长时新的所述参数;
第二计算单元,用于根据新的所述参数,以所述初始根节点为中心产生新生枝叶,并计算所述新生枝叶的适应度;
第一判断单元,用于判断所述初始根节点对应的集合树的最优适应度是否有增加,若是,则触发所述第一计算单元,若否,则触发第二判断单元;
所述第二判断单元,用于判断所述最优适应度是否满足预置结束条件,若是,则输出所述最优适应度对应的枝叶位置,否则触发所述采样单元,调整所述初始根节点的个数后重新进行寻优;
1)最小化损失费用
minG1=λ∑i∑jzijfij(t)(aj+bj+cj)Pij+λ∑i∑j(1-zij)fij(t)(aj+bj+cj)Pij+ΣiΣjαizijPij+
ΣiΣjβizijPij;
其中,aj,bj,cj分别为单位时间、单位负荷容量的生命损失、经济损失和特殊损失,Pij为供应点i向用户j供应的核心负荷功率, 其中tij为供应点i到用户j的交通时间,td为开始停电到应急电源车发车的响应时间与应急电源车到达目的地到成功接入的操作时间之和,tj为用户j的备用电源持续时间,αi为供应点i考虑到移动应急电源寿命年限,折算到每年的单位容量投资费用,βi为供应点i每年每台应急电源车的运行费用与损失费用之和,λ为该地区每年发生大停电的平均次数,zij为决策函数,表达式为如下:
2)最大化被满足的用户数
maxG2=Σi∑jzij;
则目标函数为
minG=λ1G1-λ2G2;
其中,λ1+λ2=1,λ1=0.7,λ2=0.3;
约束条件包括:
10.根据权利要求9所述的移动应急电源的选址装置,其特征在于,所述第一判断单元具体用于,判断所述初始根节点对应的集合树的第j+1次迭代的最优适应度是否大于第j次迭代的最优适应度,若是,则触发所述第一计算单元,若否,则触发所述第二判断单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260889.9A CN112381385B (zh) | 2020-11-12 | 2020-11-12 | 一种移动应急电源的选址方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260889.9A CN112381385B (zh) | 2020-11-12 | 2020-11-12 | 一种移动应急电源的选址方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381385A CN112381385A (zh) | 2021-02-19 |
CN112381385B true CN112381385B (zh) | 2023-05-30 |
Family
ID=74583301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011260889.9A Active CN112381385B (zh) | 2020-11-12 | 2020-11-12 | 一种移动应急电源的选址方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381385B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2577532A4 (en) * | 2010-05-28 | 2016-04-06 | Geostellar Inc | SYSTEM AND METHOD FOR BASIC GEOMATIC MODELING OF VARIOUS RESOURCES ON LARGE LANDSCAPES |
CN109919369B (zh) * | 2019-02-26 | 2021-04-20 | 浙江财经大学 | 一种电池交换站选址和电动汽车路径规划方法 |
CN111222649A (zh) * | 2019-11-26 | 2020-06-02 | 广州供电局有限公司 | 一种配电网自愈能力提升规划方法 |
-
2020
- 2020-11-12 CN CN202011260889.9A patent/CN112381385B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112381385A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
CN116961052A (zh) | 一种分布式储能系统的选址定容方法及系统 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN113205228B (zh) | 一种短期风力发电输出功率的预测方法 | |
CN112381385B (zh) | 一种移动应急电源的选址方法和装置 | |
CN108110756A (zh) | 考虑不确定性因素的工业园区配电网规划方法 | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
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 | |
CN116885705A (zh) | 区域负荷预测方法及装置 | |
CN115860190A (zh) | 负荷检测模型的训练、用电负荷的检测方法及相关装置 | |
CN112785022B (zh) | 一种挖掘电能替代潜力的方法及系统 | |
CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 | |
CN112686555A (zh) | 一种区域配电网综合分析方法、装置及系统 | |
Mahmood et al. | Electricity Demand Prediction by a Transformer-Based Model | |
JPH08163778A (ja) | 電力需要予測システム | |
CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
Shi et al. | Short-term generation scheduling with reliability constraint using ant colony optimization algorithm | |
CN116683471B (zh) | 无功功率补偿资源的配置方法、装置以及设备 | |
CN115511185A (zh) | 冷量预测模型训练以及冷量预测方法、装置及存储介质 | |
CN117851031A (zh) | 一种基于cnn和gru的云资源预测方法、装置及介质 |
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 |