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 PDF

Info

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
Application number
CN202111008058.7A
Other languages
English (en)
Other versions
CN113450029B (zh
Inventor
陈云龙
陈婷
傅浩传
黄景亮
林伟耀
李专
陈国迪
劳基声
黄德珠
陈君儿
吕梦丽
刘明杰
郑都
廖颖欢
冯兆奇
万健恒
谢国健
向宁
刘魁
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.)
Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111008058.7A priority Critical patent/CN113450029B/zh
Publication of CN113450029A publication Critical patent/CN113450029A/zh
Application granted granted Critical
Publication of CN113450029B publication Critical patent/CN113450029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • 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

一种超维度三角寻优方法和电力资源调度优化系统
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。
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：
Figure 531505DEST_PATH_IMAGE001
其中，
Figure 495919DEST_PATH_IMAGE002
，
Figure 976579DEST_PATH_IMAGE003
，
Figure 895119DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 876850DEST_PATH_IMAGE005
，
Figure 571137DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 848796DEST_PATH_IMAGE007
为最劣粒子，
Figure 18747DEST_PATH_IMAGE008
和
Figure 413956DEST_PATH_IMAGE009
为与最劣粒子在同一超维度三角域中的两个粒子。
可选地，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的维交叉操作公式为：
Figure 588848DEST_PATH_IMAGE010
Figure 801523DEST_PATH_IMAGE011
其中，
Figure 68556DEST_PATH_IMAGE012
、
Figure 893555DEST_PATH_IMAGE013
是[0,1]之间的随机数，
Figure 421488DEST_PATH_IMAGE014
为第i个超维度三角域的新粒子
Figure 680431DEST_PATH_IMAGE015
的第
Figure 60860DEST_PATH_IMAGE016
维，
Figure 922505DEST_PATH_IMAGE017
为第j个超维度三角域的粒子
Figure 445890DEST_PATH_IMAGE018
的
Figure 501833DEST_PATH_IMAGE019
维，
Figure 602513DEST_PATH_IMAGE020
为维交叉操作后产生的新粒子
Figure 143216DEST_PATH_IMAGE021
的第
Figure 412786DEST_PATH_IMAGE016
维，
Figure 872586DEST_PATH_IMAGE022
为维交叉操作后产生的新粒子
Figure 601507DEST_PATH_IMAGE023
的第
Figure 306421DEST_PATH_IMAGE019
维，
Figure 929032DEST_PATH_IMAGE024
为第i个超维度三角域的粒子
Figure 435099DEST_PATH_IMAGE015
的第
Figure 300853DEST_PATH_IMAGE019
维，
Figure 307992DEST_PATH_IMAGE025
为第j个超维度三角域的粒子
Figure 660476DEST_PATH_IMAGE018
的
Figure 229123DEST_PATH_IMAGE016
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：
Figure 667058DEST_PATH_IMAGE026
其中，
Figure 212309DEST_PATH_IMAGE002
，
Figure 310977DEST_PATH_IMAGE003
，
Figure 158847DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 208712DEST_PATH_IMAGE005
，
Figure 59118DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 386194DEST_PATH_IMAGE007
为最劣粒子，
Figure 795179DEST_PATH_IMAGE027
和
Figure 833804DEST_PATH_IMAGE028
为与最劣粒子在同一超维度三角域中的两个粒子。
可选地，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的维交叉操作公式为：
Figure 720858DEST_PATH_IMAGE029
Figure 902440DEST_PATH_IMAGE030
其中，
Figure 983791DEST_PATH_IMAGE012
、
Figure 8248DEST_PATH_IMAGE013
是[0,1]之间的随机数，
Figure 574358DEST_PATH_IMAGE031
为第i个超维度三角域的新粒子
Figure 236546DEST_PATH_IMAGE015
的第
Figure 987333DEST_PATH_IMAGE016
维，
Figure 374452DEST_PATH_IMAGE032
为第j个超维度三角域的粒子
Figure 104773DEST_PATH_IMAGE018
的
Figure 385582DEST_PATH_IMAGE019
维，
Figure 182637DEST_PATH_IMAGE033
为维交叉操作后产生的新粒子
Figure 417571DEST_PATH_IMAGE021
的第
Figure 715697DEST_PATH_IMAGE016
维，
Figure 726379DEST_PATH_IMAGE034
为维交叉操作后产生的新粒子
Figure 320433DEST_PATH_IMAGE035
的第
Figure 541199DEST_PATH_IMAGE019
维，
Figure 987224DEST_PATH_IMAGE036
为第i个超维度三角域的粒子
Figure 744090DEST_PATH_IMAGE037
的第
Figure 7581DEST_PATH_IMAGE019
维，
Figure 591009DEST_PATH_IMAGE038
为第j个超维度三角域的粒子
Figure 466823DEST_PATH_IMAGE018
的
Figure 576730DEST_PATH_IMAGE016
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：
Figure 886489DEST_PATH_IMAGE039
其中
Figure 583312DEST_PATH_IMAGE040
，
Figure 761352DEST_PATH_IMAGE041
，
Figure 601132DEST_PATH_IMAGE042
，
Figure 707891DEST_PATH_IMAGE043
，
Figure 124966DEST_PATH_IMAGE044
考虑阀点效应时第i个机组用燃料k的费用系数，
Figure 982063DEST_PATH_IMAGE045
为第i个发电机组的有功出力，
Figure 302448DEST_PATH_IMAGE046
为第i个机组的最小有功出力 ，
Figure 78643DEST_PATH_IMAGE047
为第i个机组的最大有功出力，
Figure 123960DEST_PATH_IMAGE048
为第i个发电机组用燃料1的有功出力，
Figure 145268DEST_PATH_IMAGE049
为第i个发电机组用燃料2的有功出力，
Figure 818695DEST_PATH_IMAGE050
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；
功率平衡约束为：
Figure 906736DEST_PATH_IMAGE051
其中,
Figure 776431DEST_PATH_IMAGE052
是系统总负荷需求，
Figure 834385DEST_PATH_IMAGE053
是系统总传输网损。
机组出力约束为：
Figure 503264DEST_PATH_IMAGE054
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
Figure 388306DEST_PATH_IMAGE055
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
Figure 1690DEST_PATH_IMAGE007
、
Figure 4281DEST_PATH_IMAGE008
、
Figure 153765DEST_PATH_IMAGE009
，且
Figure 442664DEST_PATH_IMAGE007
为最劣粒子，则
Figure 684289DEST_PATH_IMAGE007
将以另外两个粒子
Figure 851090DEST_PATH_IMAGE008
和
Figure 353616DEST_PATH_IMAGE009
为学习对象，在超维度三角域内产生一个新粒子
Figure 954362DEST_PATH_IMAGE056
，将该粒子与最劣粒子
Figure 43803DEST_PATH_IMAGE007
进行比较，若
Figure 512830DEST_PATH_IMAGE006
优胜于最劣粒子
Figure 10807DEST_PATH_IMAGE057
，即
Figure 142974DEST_PATH_IMAGE006
的适应度值大于最劣粒子
Figure 483825DEST_PATH_IMAGE057
的适应度值，则最劣粒子
Figure 366331DEST_PATH_IMAGE058
被新粒子
Figure 344913DEST_PATH_IMAGE006
淘汰掉，否则，最劣粒子
Figure 146516DEST_PATH_IMAGE058
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：
Figure 584451DEST_PATH_IMAGE059
其中，
Figure 896745DEST_PATH_IMAGE002
，
Figure 228370DEST_PATH_IMAGE003
，
Figure 341819DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 893148DEST_PATH_IMAGE060
，
Figure 242090DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 569166DEST_PATH_IMAGE007
为最劣粒子，
Figure 479616DEST_PATH_IMAGE008
和
Figure 751197DEST_PATH_IMAGE009
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
Figure DEST_PATH_IMAGE061
表示粒子
Figure 405295DEST_PATH_IMAGE007
的经验记忆项，
Figure 711511DEST_PATH_IMAGE062
、
Figure DEST_PATH_IMAGE063
分别表示粒子
Figure 792862DEST_PATH_IMAGE008
和
Figure 817318DEST_PATH_IMAGE009
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：
Figure 383429DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE065
其中，
Figure 170251DEST_PATH_IMAGE012
、
Figure 796404DEST_PATH_IMAGE013
是[0,1]之间的随机数，
Figure 544042DEST_PATH_IMAGE066
为第i个超维度三角域的新粒子
Figure 38478DEST_PATH_IMAGE015
的第
Figure 820751DEST_PATH_IMAGE016
维，
Figure DEST_PATH_IMAGE067
为第j个超维度三角域的粒子
Figure 742440DEST_PATH_IMAGE018
的
Figure 977374DEST_PATH_IMAGE019
维，
Figure 885287DEST_PATH_IMAGE068
为维交叉操作后产生的新粒子
Figure 20602DEST_PATH_IMAGE021
的第
Figure 988558DEST_PATH_IMAGE016
维，
Figure DEST_PATH_IMAGE069
为维交叉操作后产生的新粒子
Figure 671360DEST_PATH_IMAGE070
的第
Figure 382964DEST_PATH_IMAGE019
维，
Figure DEST_PATH_IMAGE071
为第i个超维度三角域的粒子
Figure 264464DEST_PATH_IMAGE015
的第
Figure 403321DEST_PATH_IMAGE019
维，
Figure 347269DEST_PATH_IMAGE072
为第j个超维度三角域的粒子
Figure 987197DEST_PATH_IMAGE018
的
Figure 972471DEST_PATH_IMAGE016
维。若
Figure 908328DEST_PATH_IMAGE021
优于
Figure 838107DEST_PATH_IMAGE015
，则
Figure 891514DEST_PATH_IMAGE015
将被
Figure 357392DEST_PATH_IMAGE021
淘汰，否则，
Figure 962686DEST_PATH_IMAGE015
继续保留在粒子群体中；同样地，若
Figure DEST_PATH_IMAGE073
优于
Figure 146805DEST_PATH_IMAGE018
，则
Figure 738323DEST_PATH_IMAGE018
将被
Figure 822823DEST_PATH_IMAGE074
取代，否则，
Figure 100483DEST_PATH_IMAGE018
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：
Figure DEST_PATH_IMAGE075
。
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。
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：
Figure 4854DEST_PATH_IMAGE076
其中，
Figure 26161DEST_PATH_IMAGE002
，
Figure 840534DEST_PATH_IMAGE003
，
Figure 787630DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure DEST_PATH_IMAGE077
，
Figure 680762DEST_PATH_IMAGE078
为产生的新粒子， d为粒子的维度，
Figure DEST_PATH_IMAGE079
为最劣粒子，
Figure 630394DEST_PATH_IMAGE080
和
Figure 299273DEST_PATH_IMAGE081
为与最劣粒子在同一超维度三角域中的两个粒子。
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的维交叉操作公式为：
Figure 417271DEST_PATH_IMAGE082
Figure 797699DEST_PATH_IMAGE083
其中，
Figure 924924DEST_PATH_IMAGE012
、
Figure 448309DEST_PATH_IMAGE013
是[0,1]之间的随机数，
Figure 238673DEST_PATH_IMAGE084
为第i个超维度三角域的新粒子
Figure 604932DEST_PATH_IMAGE015
的第
Figure 771733DEST_PATH_IMAGE016
维，
Figure DEST_PATH_IMAGE085
为第j个超维度三角域的粒子
Figure 274259DEST_PATH_IMAGE018
的
Figure 501103DEST_PATH_IMAGE019
维，
Figure 964445DEST_PATH_IMAGE086
为维交叉操作后产生的新粒子
Figure 433473DEST_PATH_IMAGE021
的第
Figure 665871DEST_PATH_IMAGE016
维，
Figure 63617DEST_PATH_IMAGE087
为维交叉操作后产生的新粒子
Figure 138889DEST_PATH_IMAGE035
的第
Figure 21394DEST_PATH_IMAGE019
维，
Figure 999977DEST_PATH_IMAGE071
为第i个超维度三角域的粒子
Figure 67159DEST_PATH_IMAGE015
的第
Figure 107755DEST_PATH_IMAGE019
维，
Figure DEST_PATH_IMAGE088
为第j个超维度三角域的粒子
Figure 918585DEST_PATH_IMAGE089
的
Figure 751674DEST_PATH_IMAGE016
维。若
Figure 865123DEST_PATH_IMAGE021
优于
Figure DEST_PATH_IMAGE090
，则
Figure 541086DEST_PATH_IMAGE091
将被
Figure DEST_PATH_IMAGE092
淘汰，否则，
Figure 890028DEST_PATH_IMAGE091
继续保留在粒子群体中；同样地，若
Figure 843203DEST_PATH_IMAGE093
优于
Figure DEST_PATH_IMAGE094
，则
Figure 986608DEST_PATH_IMAGE094
将被
Figure 25234DEST_PATH_IMAGE095
取代，否则，
Figure 53232DEST_PATH_IMAGE089
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。
2.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：
Figure DEST_PATH_IMAGE001
其中，
Figure 480263DEST_PATH_IMAGE002
，
Figure 380086DEST_PATH_IMAGE003
，
Figure 398726DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 372498DEST_PATH_IMAGE005
，
Figure 920023DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 307142DEST_PATH_IMAGE007
为最劣粒子，
Figure 614627DEST_PATH_IMAGE008
和
Figure 692173DEST_PATH_IMAGE009
为与最劣粒子在同一超维度三角域中的两个粒子。
3.根据权利要求1所述的超维度三角寻优方法，其特征在于，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的维交叉操作公式为：
Figure 489228DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
其中，
Figure 222697DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
是[0,1]之间的随机数，
Figure 786403DEST_PATH_IMAGE014
为第i个超维度三角域的新粒子
Figure 797084DEST_PATH_IMAGE015
的第
Figure 437144DEST_PATH_IMAGE016
维，
Figure 720227DEST_PATH_IMAGE017
为第j个超维度三角域的粒子
Figure 431831DEST_PATH_IMAGE018
的
Figure 234702DEST_PATH_IMAGE019
维，
Figure 560510DEST_PATH_IMAGE020
为维交叉操作后产生的新粒子
Figure 143938DEST_PATH_IMAGE021
的第
Figure 596916DEST_PATH_IMAGE016
维，
Figure 503561DEST_PATH_IMAGE022
为维交叉操作后产生的新粒子
Figure 813319DEST_PATH_IMAGE023
的第
Figure 821727DEST_PATH_IMAGE019
维，
Figure 327663DEST_PATH_IMAGE024
为第i个超维度三角域的粒子
Figure 167443DEST_PATH_IMAGE015
的第
Figure 320207DEST_PATH_IMAGE019
维，
Figure 799599DEST_PATH_IMAGE025
为第j个超维度三角域的粒子
Figure 656696DEST_PATH_IMAGE018
的
Figure 288666DEST_PATH_IMAGE016
维。
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。
7.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：
Figure 127178DEST_PATH_IMAGE001
其中，
Figure 375757DEST_PATH_IMAGE002
，
Figure 770966DEST_PATH_IMAGE003
，
Figure 241130DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 266855DEST_PATH_IMAGE005
，
Figure 533888DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 521256DEST_PATH_IMAGE007
为最劣粒子，
Figure 596659DEST_PATH_IMAGE008
和
Figure 855602DEST_PATH_IMAGE009
为与最劣粒子在同一超维度三角域中的两个粒子。
8.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，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的维交叉操作公式为：
Figure 796882DEST_PATH_IMAGE010
Figure 471577DEST_PATH_IMAGE011
其中，
Figure 994963DEST_PATH_IMAGE012
、
Figure 611758DEST_PATH_IMAGE013
是[0,1]之间的随机数，
Figure 791066DEST_PATH_IMAGE014
为第i个超维度三角域的新粒子
Figure 331769DEST_PATH_IMAGE015
的第
Figure 896611DEST_PATH_IMAGE016
维，
Figure 169461DEST_PATH_IMAGE017
为第j个超维度三角域的粒子
Figure 898382DEST_PATH_IMAGE018
的
Figure 429727DEST_PATH_IMAGE019
维，
Figure 599808DEST_PATH_IMAGE020
为维交叉操作后产生的新粒子
Figure 292827DEST_PATH_IMAGE021
的第
Figure 509044DEST_PATH_IMAGE016
维，
Figure 329233DEST_PATH_IMAGE022
为维交叉操作后产生的新粒子
Figure 868667DEST_PATH_IMAGE023
的第
Figure 811216DEST_PATH_IMAGE019
维，
Figure 452412DEST_PATH_IMAGE024
为第i个超维度三角域的粒子
Figure 794401DEST_PATH_IMAGE015
的第
Figure 204654DEST_PATH_IMAGE019
维，
Figure 505054DEST_PATH_IMAGE025
为第j个超维度三角域的粒子
Figure 430285DEST_PATH_IMAGE018
的
Figure 326696DEST_PATH_IMAGE016
维。
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。
CN202111008058.7A 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 Active CN113450029B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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