CN113450029A - 一种超维度三角寻优方法和电力资源调度优化系统 - Google Patents
一种超维度三角寻优方法和电力资源调度优化系统 Download PDFInfo
- Publication number
- CN113450029A CN113450029A CN202111008058.7A CN202111008058A CN113450029A CN 113450029 A CN113450029 A CN 113450029A CN 202111008058 A CN202111008058 A CN 202111008058A CN 113450029 A CN113450029 A CN 113450029A
- Authority
- CN
- China
- Prior art keywords
- particles
- particle
- super
- new
- dimension
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 313
- 230000006870 function Effects 0.000 claims abstract description 21
- 229940088594 vitamin Drugs 0.000 claims description 60
- 229930003231 vitamin Natural products 0.000 claims description 60
- 235000013343 vitamin Nutrition 0.000 claims description 60
- 239000011782 vitamin Substances 0.000 claims description 60
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 60
- 239000000126 substance Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 abstract description 4
- 239000000446 fuel Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 241000764238 Isis Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种超维度三角寻优方法和电力资源调度优化系统,利用超维度三角交叉算法对电力资源调度模型的目标函数进行寻优,将粒子群分割成若干个超维度三角域,每个超维度三角域中的最劣粒子向另外两个粒子学习,可以扩大搜索范并提高边沿搜索能力,有效避免搜索盲区,且采用超维度三角域方式分组学习,可以使得整个寻优过程的时间大大缩减,同时,本发明中还对超维度三角域学习产生的优胜新粒子采用了维交叉操作,不仅能够使陷入局部最优的维有机会摆脱出来,进而使整个种群摆脱局部最优,同时还能较好地保证不同超维度三角域之间的联动沟通,维持种群的多样性。
Description
技术领域
本发明涉及电力资源调度技术领域,尤其涉及一种超维度三角寻优方法和电力资源调度优化系统。
背景技术
电力系统的经济调度问题是在满足电力调度需求以及各种约束条件下,将负荷优化分配给不同机组,从而使全系统的燃料消耗量或发电总费用最小的优化问题。优化是科学研究、工程技术和经济管理领域的重要研究对象,在电力系统的资源分配中,资源优化即解决怎样分配有限资源,使分配方案既满足各方面的基本要求,又能获得好的经济效益的问题。
在电力系统的资源优化领域,通常需要使用优化算法进行目标寻优,从而找到最优解,以得到最优的资源分配策略,现有的目标优化算法有遗传算法、神经网络优化算法、粒子群优化算法(PSO)和模拟退火算法等,现有的这些优化算法虽然能够在一定程度上实现目标寻优,找到最优解,但是都存在容易陷入早熟现象(即局部最优)和收敛时间长的问题,难以为电力系统的资源调度提供最优策略。
发明内容
本发明提供了一种超维度三角寻优方法和电力资源调度优化系统,用于解决现有的电力系统资源调度优化算法容易陷入局部最优,且收敛时间长,难以为电力系统的资源调度提供最优策略的技术问题。
有鉴于此,本发明第一方面提供了一种超维度三角寻优方法,包括:
建立电力资源调度模型,电力资源调度模型包括目标函数和约束条件;
采用超维度三角交叉寻优算法对目标函数进行寻优,输出最优解,得到最优解对应的电力资源调度策略,其中,超维度三角交叉寻优算法包括:
S1:设置粒子群规模N、最大迭代次数和当前迭代次数,其中,粒子群规模N为3的倍数,当前迭代次数i=0,并在解空间中初始化粒子群各维度数值;
S2:对粒子群中的全体粒子进行归一化处理;
S3:当前迭代次数i=i+1,在粒子群中随机构建N/3个超维度三角域,确定每个超维度三角域中的最劣粒子;
S4:在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子,若所述新的粒子优于所述最劣粒子,则淘汰所述最劣粒子,否则淘汰所述新的粒子;
S5:若所述新的粒子优于所述最劣粒子,则按预置概率将所述新的粒子与另一个超维度三角域产生并优胜的新粒子进行维交叉操作;
S6:根据维交叉操作后产生的新粒子的适应度对粒子群进行更新,判断当前迭代次数是否达到最大迭代次数,若是,则输出当前粒子群的最优解,否则,返回步骤S3。
其中,、是[0,1]之间的随机数,为第i个超维度三角域的新粒子的第维,为第j个超维度三角域的粒子的维,为维交叉操作后产生的新粒子的第维,为维交叉操作后产生的新粒子的第维,为第i个超维度三角域的粒子的第维,为第j个超维度三角域的粒子的维。
可选地,在迭代次数达到最大迭代次数的一半之前的预置概率的取值小于在迭代次数达到最大迭代次数的一半之后的预置概率的取值。
可选地,在迭代次数达到最大迭代次数的一半之前,预置概率的取值为0.1~0.5,在迭代次数达到最大迭代次数的一半之后,预置概率的取值为0.6~1.0。
本发明第二方面提供了一种电力资源调度优化系统,包括:
模型建立模块,用于建立电力资源调度模型,电力资源调度模型包括目标函数和约束条件;
模型求解模块,用于采用超维度三角交叉寻优算法对目标函数进行寻优,输出最优解,得到最优解对应的电力资源调度策略,其中,超维度三角交叉寻优算法包括:
S1:设置粒子群规模N、最大迭代次数和当前迭代次数,其中,粒子群规模N为3的倍数,当前迭代次数i=0,并在解空间中初始化粒子群各维度数值;
S2:对粒子群中的全体粒子进行归一化处理;
S3:当前迭代次数i=i+1,在粒子群中随机构建N/3个超维度三角域,确定每个超维度三角域中的最劣粒子;
S4:在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子,若所述新的粒子优于所述最劣粒子,则淘汰所述最劣粒子,否则淘汰所述新的粒子;
S5:若所述新的粒子优于所述最劣粒子,则按预置概率将所述新的粒子与另一个超维度三角域产生并优胜的新粒子进行维交叉操作;
S6:根据维交叉操作后产生的新粒子的适应度对粒子群进行更新,判断当前迭代次数是否达到最大迭代次数,若是,则输出当前粒子群的最优解,否则,返回步骤S3。
可选地,在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子的学习公式为:
其中,、是[0,1]之间的随机数,为第i个超维度三角域的新粒子的第维,为第j个超维度三角域的粒子的维,为维交叉操作后产生的新粒子的第维,为维交叉操作后产生的新粒子的第维,为第i个超维度三角域的粒子的第维,为第j个超维度三角域的粒子的维。
可选地,在迭代次数达到最大迭代次数的一半之前的预置概率的取值小于在迭代次数达到最大迭代次数的一半之后的预置概率的取值。
可选地,在迭代次数达到最大迭代次数的一半之前,预置概率的取值为0.1~0.5,在迭代次数达到最大迭代次数的一半之后,预置概率的取值为0.6~1.0。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明提供了一种超维度三角寻优方法,利用超维度三角交叉算法对电力资源调度模型的目标函数进行寻优,在粒子群中随机选择三个粒子形成超维度三角域,将粒子群分割成若干个超维度三角域,每个超维度三角域中的最劣粒子向另外两个粒子学习,产生的新粒子兼学另外两个粒子之长,可以扩大搜索范并提高边沿搜索能力,有效避免搜索盲区,且采用超维度三角域方式分组学习,可以使得整个寻优过程的时间大大缩减,同时,为避免算法陷入局部最优,本发明中还对超维度三角域学习产生的优胜新粒子采用了维交叉操作,不仅能够使陷入局部最优的维有机会摆脱出来,进而使整个种群摆脱局部最优,同时还能较好地保证不同超维度三角域之间的联动沟通,维持种群的多样性,解决了现有的电力系统资源调度优化算法容易陷入局部最优,且收敛时间长,难以为电力系统的资源调度提供最优策略的技术问题。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中提供的一种超维度三角寻优方法的流程示意图;
图2为本发明实施例中提供的超维度三角交叉寻优算法的逻辑示意图;
图3为本发明实施例中提供的一种基于超维度三角交叉寻优的电力资源调度优化装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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。
为了便于理解,请参阅图图1和2,本发明提供的一种超维度三角寻优方法的一个实施例,包括:
步骤101、建立电力资源调度模型,电力资源调度模型包括目标函数和约束条件。
需要说明的是,在电力系统的资源调度场景中,常常需要建立起电力资源调度模型,例如建立电力系统的经济调度模型,包括考虑阀点效应的多燃料机组费用目标函数和对应的约束条件,如下所示:
目标函数:
其中,,,,考虑阀点效应时第i个机组用燃料k的费用系数,为第i个发电机组的有功出力,为第i个机组的最小有功出力 ,为第i个机组的最大有功出力,为第i个发电机组用燃料1的有功出力,为第i个发电机组用燃料2的有功出力,为第i个发电机组用燃料k-1的有功出力。
约束条件包括功率平衡约束和机组出力约束;
机组出力约束为:
步骤102、采用超维度三角交叉寻优算法对目标函数进行寻优,输出最优解,得到最优解对应的电力资源调度策略。
需要说明的是,超维度三角交叉寻优算法包括:
S1:设置粒子群规模N、最大迭代次数和当前迭代次数,其中,粒子群规模N为3的倍数,当前迭代次数i=0,并在解空间中初始化粒子群各维度数值。解空间的上限和下限根据具体应用的目标函数来决定,假设解空间的维度有d维。由于本发明需要采用三角域,因此粒子群的规模N取3的倍数,因此在整个解空间中有N/3个超维度三角域。以前述的考虑阀点效应的多燃料机组费用目标函数为例,解空间以及机组参数如表1所示。
表1 电力系统10机组系统参数表
其中,表1中的F1~F3为燃料类型。
S2:对粒子群中的全体粒子进行归一化处理。由于不同维度之间的量纲可能是不一致的,容易导致维度之间的数值大小差异较大,不利于后续优化过程,因此,需将粒子群中的全体粒子各维数值归一化在[-1,1]之间。
S3:当前迭代次数i=i+1,在粒子群中随机构建N/3个超维度三角域,确定每个超维度三角域中的最劣粒子。在粒子群中,每3个粒子随机组合为一组,构成超维度三角域(三个粒子为该超维度三角域的三个顶点),通过比较这三个粒子的适应度值,确定出适应度值最小的粒子即为最劣粒子。
S4:在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子,若所述新的粒子优于所述最劣粒子,则淘汰所述最劣粒子,否则淘汰所述新的粒子。假设超维度三角域中的三个粒子为、、,且为最劣粒子,则将以另外两个粒子和为学习对象,在超维度三角域内产生一个新粒子,将该粒子与最劣粒子进行比较,若优胜于最劣粒子,即的适应度值大于最劣粒子的适应度值,则最劣粒子被新粒子淘汰掉,否则,最劣粒子将继续在粒子群中生存,参与下次随机组合学习。其中,在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子的学习公式可以是:
其中,,,是[0,1]之间的随机数,且满足,为产生的新粒子, d为粒子的维度,为最劣粒子,和为与最劣粒子在同一超维度三角域中的两个粒子。从社会学而言,上式的表示粒子的经验记忆项,、分别表示粒子和的经验学习项。每个超维度三角域的学习过程是同时进行,且互不干扰的。
S5:若所述新的粒子优于所述最劣粒子,则按预置概率将所述新的粒子与另一个超维度三角域产生并优胜的新粒子进行维交叉操作。若一个超维度三角域在学习后产生的新粒子不能优胜于最劣粒子,在该超维度三角域将不参与维交叉操作。在优化迭代过程中,对于多维寻优问题,还存在维局部最优的问题需要解决,当整个粒子群还未走索到全局最优时,可能有些维已经达到最优,进而影响适应度评价,改变了整个种群的迭代方向,使得种群陷入局部最优。因此,本发明中采用维交叉操作方式来结局局部最优问题。由于群优化过程中,不是每次迭代都会出现维局部最优现象,尤其是在迭代初期陷入局部最优的情况是比价少的,而后期出现局部最优的现象几率会逐渐增大,因此,为了提高整体优化速率,可以按预置概率P将所述新的粒子与另一个超维度三角域产生并优胜的新粒子进行维交叉操作,在迭代次数达到最大迭代次数的一半之前的预置概率的取值小于在迭代次数达到最大迭代次数的一半之后的预置概率的取值。根据先验经验,在迭代次数达到最大迭代次数的一半之前,预置概率的取值为0.1~0.5,在迭代次数达到最大迭代次数的一半之后,预置概率的取值为0.6~1.0。维交叉操作公式为:
其中,、是[0,1]之间的随机数,为第i个超维度三角域的新粒子的第维,为第j个超维度三角域的粒子的维,为维交叉操作后产生的新粒子的第维,为维交叉操作后产生的新粒子的第维,为第i个超维度三角域的粒子的第维,为第j个超维度三角域的粒子的维。若优于,则将被淘汰,否则,继续保留在粒子群体中;同样地,若优于,则将被取代,否则,继续保留在粒子群体中。
S6:根据维交叉操作后产生的新粒子的适应度对粒子群进行更新,判断当前迭代次数是否达到最大迭代次数,若是,则输出当前粒子群的最优解,否则,返回步骤S3。若维交叉操作后产生的新粒子占优,则替代掉原维交叉操作的粒子,否则,原维交叉操作的粒子将继续在群体中生存,以此来对粒子群的粒子进行更新。每次更新之后都进行迭代次数的判断,若达到了最大迭代次数M,则输出当前粒子群的最优解(即当前粒子群中适应度值最好的粒子),即可得到最优解对应的电力资源调度策略,若还未达到最大迭代次数,则返回步骤S3继续进行迭代寻优。前述的考虑阀点效应的多燃料机组费用目标函数最终输出的最优解为:。
本发明实施例中提供的一种超维度三角寻优方法,利用超维度三角交叉算法对电力资源调度模型的目标函数进行寻优,在粒子群中随机选择三个粒子形成超维度三角域,将粒子群分割成若干个超维度三角域,每个超维度三角域中的最劣粒子向另外两个粒子学习,产生的新粒子兼学另外两个粒子之长,可以扩大搜索范并提高边沿搜索能力,有效避免搜索盲区,且采用超维度三角域方式分组学习,可以使得整个寻优过程的时间大大缩减,同时,为避免算法陷入局部最优,本发明中还对超维度三角域学习产生的优胜新粒子采用了维交叉操作,不仅能够使陷入局部最优的维有机会摆脱出来,进而使整个种群摆脱局部最优,同时还能较好地保证不同超维度三角域之间的联动沟通,维持种群的多样性,解决了现有的电力系统资源调度优化算法容易陷入局部最优,且收敛时间长,难以为电力系统的资源调度提供最优策略的技术问题。
为了便于理解,请参阅图2和图3,本发明中还提供了一种电力资源调度优化系统的实施例,包括:
模型建立模块,用于建立电力资源调度模型,电力资源调度模型包括目标函数和约束条件;
模型求解模块,用于采用超维度三角交叉寻优算法对目标函数进行寻优,输出最优解,得到最优解对应的电力资源调度策略,其中,超维度三角交叉寻优算法包括:
S1:设置粒子群规模N、最大迭代次数和当前迭代次数,其中,粒子群规模N为3的倍数,当前迭代次数i=0,并在解空间中初始化粒子群各维度数值;
S2:对粒子群中的全体粒子进行归一化处理;
S3:当前迭代次数i=i+1,在粒子群中随机构建N/3个超维度三角域,确定每个超维度三角域中的最劣粒子;
S4:在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子,若所述新的粒子优于所述最劣粒子,则淘汰所述最劣粒子,否则淘汰所述新的粒子;
S5:若所述新的粒子优于所述最劣粒子,则按预置概率将所述新的粒子与另一个超维度三角域产生并优胜的新粒子进行维交叉操作;
S6:根据维交叉操作后产生的新粒子的适应度对粒子群进行更新,判断当前迭代次数是否达到最大迭代次数,若是,则输出当前粒子群的最优解,否则,返回步骤S3。
其中,、是[0,1]之间的随机数,为第i个超维度三角域的新粒子的第维,为第j个超维度三角域的粒子的维,为维交叉操作后产生的新粒子的第维,为维交叉操作后产生的新粒子的第维,为第i个超维度三角域的粒子的第维,为第j个超维度三角域的粒子的维。若优于,则将被淘汰,否则,继续保留在粒子群体中;同样地,若优于,则将被取代,否则,继续保留在粒子群体中。
在迭代次数达到最大迭代次数的一半之前的预置概率的取值小于在迭代次数达到最大迭代次数的一半之后的预置概率的取值。在迭代次数达到最大迭代次数的一半之前,预置概率的取值为0.1~0.5,在迭代次数达到最大迭代次数的一半之后,预置概率的取值为0.6~1.0。
本发明实施例中提供的一种电力资源调度优化系统,利用超维度三角交叉算法对电力资源调度模型的目标函数进行寻优,在粒子群中随机选择三个粒子形成超维度三角域,将粒子群分割成若干个超维度三角域,每个超维度三角域中的最劣粒子向另外两个粒子学习,产生的新粒子兼学另外两个粒子之长,可以扩大搜索范并提高边沿搜索能力,有效避免搜索盲区,且采用超维度三角域方式分组学习,可以使得整个寻优过程的时间大大缩减,同时,为避免算法陷入局部最优,本发明中还对超维度三角域学习产生的优胜新粒子采用了维交叉操作,不仅能够使陷入局部最优的维有机会摆脱出来,进而使整个种群摆脱局部最优,同时还能较好地保证不同超维度三角域之间的联动沟通,维持种群的多样性,解决了现有的电力系统资源调度优化算法容易陷入局部最优,且收敛时间长,难以为电力系统的资源调度提供最优策略的技术问题。
本发明实施例中提供的电力资源调度优化系统,用于执行前述超维度三角寻优方法,其原理与超维度三角寻优方法相同,在此不再进行赘述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种超维度三角寻优方法,其特征在于,包括:
建立电力资源调度模型,电力资源调度模型包括目标函数和约束条件;
采用超维度三角交叉寻优算法对目标函数进行寻优,输出最优解,得到最优解对应的电力资源调度策略,其中,超维度三角交叉寻优算法包括:
S1:设置粒子群规模N、最大迭代次数和当前迭代次数,其中,粒子群规模N为3的倍数,当前迭代次数i=0,并在解空间中初始化粒子群各维度数值;
S2:对粒子群中的全体粒子进行归一化处理;
S3:当前迭代次数i=i+1,在粒子群中随机构建N/3个超维度三角域,确定每个超维度三角域中的最劣粒子;
S4:在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子,若所述新的粒子优于所述最劣粒子,则淘汰所述最劣粒子,否则淘汰所述新的粒子;
S5:若所述新的粒子优于所述最劣粒子,则按预置概率将所述新的粒子与另一个超维度三角域产生并优胜的新粒子进行维交叉操作;
S6:根据维交叉操作后产生的新粒子的适应度对粒子群进行更新,判断当前迭代次数是否达到最大迭代次数,若是,则输出当前粒子群的最优解,否则,返回步骤S3。
4.根据权利要求1所述的超维度三角寻优方法,其特征在于,在迭代次数达到最大迭代次数的一半之前的预置概率的取值小于在迭代次数达到最大迭代次数的一半之后的预置概率的取值。
5.根据权利要求4所述的超维度三角寻优方法,其特征在于,在迭代次数达到最大迭代次数的一半之前,预置概率的取值为0.1~0.5,在迭代次数达到最大迭代次数的一半之后,预置概率的取值为0.6~1.0。
6.一种电力资源调度优化系统,其特征在于,包括:
模型建立模块,用于建立电力资源调度模型,电力资源调度模型包括目标函数和约束条件;
模型求解模块,用于采用超维度三角交叉寻优算法对目标函数进行寻优,输出最优解,得到最优解对应的电力资源调度策略,其中,超维度三角交叉寻优算法包括:
S1:设置粒子群规模N、最大迭代次数和当前迭代次数,其中,粒子群规模N为3的倍数,当前迭代次数i=0,并在解空间中初始化粒子群各维度数值;
S2:对粒子群中的全体粒子进行归一化处理;
S3:当前迭代次数i=i+1,在粒子群中随机构建N/3个超维度三角域,确定每个超维度三角域中的最劣粒子;
S4:在每个超维度三角域中,最劣粒子向另外两个粒子学习,产生新的粒子,若所述新的粒子优于所述最劣粒子,则淘汰所述最劣粒子,否则淘汰所述新的粒子;
S5:若所述新的粒子优于所述最劣粒子,则按预置概率将所述新的粒子与另一个超维度三角域产生并优胜的新粒子进行维交叉操作;
S6:根据维交叉操作后产生的新粒子的适应度对粒子群进行更新,判断当前迭代次数是否达到最大迭代次数,若是,则输出当前粒子群的最优解,否则,返回步骤S3。
9.根据权利要求6所述的电力资源调度优化系统,其特征在于,在迭代次数达到最大迭代次数的一半之前的预置概率的取值小于在迭代次数达到最大迭代次数的一半之后的预置概率的取值。
10.根据权利要求9所述的电力资源调度优化系统,其特征在于,在迭代次数达到最大迭代次数的一半之前,预置概率的取值为0.1~0.5,在迭代次数达到最大迭代次数的一半之后,预置概率的取值为0.6~1.0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008058.7A CN113450029B (zh) | 2021-08-30 | 2021-08-30 | 一种电力资源调度优化系统的超维度三角寻优方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008058.7A CN113450029B (zh) | 2021-08-30 | 2021-08-30 | 一种电力资源调度优化系统的超维度三角寻优方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450029A true CN113450029A (zh) | 2021-09-28 |
CN113450029B CN113450029B (zh) | 2022-01-25 |
Family
ID=77819073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008058.7A Active CN113450029B (zh) | 2021-08-30 | 2021-08-30 | 一种电力资源调度优化系统的超维度三角寻优方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450029B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100061087A (ko) * | 2008-11-28 | 2010-06-07 | 영남대학교 산학협력단 | Pso를 이용한 스텝주파수 레이더 영상의 요동 보상 방법 |
CN102722749A (zh) * | 2012-06-01 | 2012-10-10 | 哈尔滨工程大学 | 一种基于粒子群算法的自适应三维空间路径规划方法 |
CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
CN108399450A (zh) * | 2018-02-02 | 2018-08-14 | 武汉理工大学 | 基于生物进化原则的改进粒子群算法 |
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 |
CN109784466A (zh) * | 2019-01-25 | 2019-05-21 | 潍坊医学院 | 一种自适应动态学习粒子群优化算法 |
CN110598833A (zh) * | 2019-09-16 | 2019-12-20 | 中国矿业大学 | 一种分组进化的高维粒子群寻优方法 |
CN111614282A (zh) * | 2020-05-25 | 2020-09-01 | 中国矿业大学 | 矢量扇区定位方法、局部寻优模型预测控制方法及装置 |
-
2021
- 2021-08-30 CN CN202111008058.7A patent/CN113450029B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100061087A (ko) * | 2008-11-28 | 2010-06-07 | 영남대학교 산학협력단 | Pso를 이용한 스텝주파수 레이더 영상의 요동 보상 방법 |
CN102722749A (zh) * | 2012-06-01 | 2012-10-10 | 哈尔滨工程大学 | 一种基于粒子群算法的自适应三维空间路径规划方法 |
CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
CN108399450A (zh) * | 2018-02-02 | 2018-08-14 | 武汉理工大学 | 基于生物进化原则的改进粒子群算法 |
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 |
CN109784466A (zh) * | 2019-01-25 | 2019-05-21 | 潍坊医学院 | 一种自适应动态学习粒子群优化算法 |
CN110598833A (zh) * | 2019-09-16 | 2019-12-20 | 中国矿业大学 | 一种分组进化的高维粒子群寻优方法 |
CN111614282A (zh) * | 2020-05-25 | 2020-09-01 | 中国矿业大学 | 矢量扇区定位方法、局部寻优模型预测控制方法及装置 |
Non-Patent Citations (3)
Title |
---|
CHUN-YUN HU等: "Mobile agent routing using variable-dimension PSO algorithm based on chord-length parameterization", 《NATIONAL DOCTORAL ACADEMIC FORUM ON INFORMATION AND COMMUNICATIONS TECHNOLOGY 2013》 * |
苏新 等: "面向海洋观监测传感网的计算卸载方法研究", 《通信学报》 * |
马留洋: "基于纵横交叉算法的水火电联合调度机组组合问题", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113450029B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN104866904A (zh) | 一种基于spark的遗传算法优化的BP神经网络并行化方法 | |
Ban et al. | Query optimization of distributed database based on parallel genetic algorithm and max-min ant system | |
CN106909728B (zh) | 一种基于增强学习的fpga互联资源配置生成方法 | |
CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
CN102802163B (zh) | 一种基于混合整数规划的无线传感网拓扑构建方法 | |
CN114565239A (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
Du et al. | A genetic simulated annealing algorithm to optimize the small-world network generating process | |
CN112163808A (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
CN107919985B (zh) | 一种复杂网络级联失效容量负载架构的应用 | |
PADMA et al. | Application of fuzzy and ABC algorithm for DG placement for minimum loss in radial distribution system | |
CN113450029B (zh) | 一种电力资源调度优化系统的超维度三角寻优方法和系统 | |
Mirsaeidi et al. | A power loss minimization strategy based on optimal placement and sizing of distributed energy resources | |
Nguyen et al. | Network Reconfiguration and Distributed Generation Placement for Multi-Goal Function Based on Improved Moth Swarm Algorithm | |
CN116520084A (zh) | 一种含源配电网故障定位方法、装置及存储介质 | |
CN111966447A (zh) | 一种基于双排列遗传算法的容器放置方法 | |
CN110189230B (zh) | 一种动态分区的解析化模型的构建方法 | |
CN116937584A (zh) | 基于改进灰狼算法的微电网群多目标优化求解方法和装置 | |
CN114580864B (zh) | 针对综合能源系统的多元储能分配方法、系统及设备 | |
CN111146815A (zh) | 一种智能配电网分布式发电规划配置方法 | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
Acharjee | Identification of voltage collapse points and weak buses under security constraints using hybrid particle swarm optimization technique | |
Ezhilarasi et al. | Network decomposition using evolutionary algorithms in power systems | |
Yarmohamadi et al. | Capacitor Placement Optimization in Transmission System Using Hybrid PSO and HBMO Algorithms | |
CN109933858B (zh) | 配电网分核并行仿真方法 |
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 |