CN113450029B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113450029B
CN113450029B CN202111008058.7A CN202111008058A CN113450029B CN 113450029 B CN113450029 B CN 113450029B CN 202111008058 A CN202111008058 A CN 202111008058A CN 113450029 B CN113450029 B CN 113450029B
Authority
CN
China
Prior art keywords
super
particles
particle
dimensional triangular
follows
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
Application number
CN202111008058.7A
Other languages
English (en)
Other versions
CN113450029A (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

本发明公开了一种电力资源调度优化系统的超维度三角寻优方法和系统，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

一种电力资源调度优化系统的超维度三角寻优方法和系统
技术领域
本发明涉及电力资源调度技术领域，尤其涉及一种电力资源调度优化系统的超维度三角寻优方法和系统。
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
本发明提供了一种电力资源调度优化系统的超维度三角寻优方法和系统，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电力资源调度优化系统的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；
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 339017DEST_PATH_IMAGE001
其中，
Figure 752812DEST_PATH_IMAGE002
，
Figure 278471DEST_PATH_IMAGE003
，
Figure 934449DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 166848DEST_PATH_IMAGE005
，
Figure 811DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 764499DEST_PATH_IMAGE007
为最劣粒子，
Figure 647005DEST_PATH_IMAGE008
和
Figure 61805DEST_PATH_IMAGE009
为与最劣粒子在同一超维度三角域中的两个粒子；
目标函数为：
Figure 315938DEST_PATH_IMAGE010
Figure 816190DEST_PATH_IMAGE011
，
Figure 315435DEST_PATH_IMAGE012
，
Figure 584742DEST_PATH_IMAGE013
，
Figure 15636DEST_PATH_IMAGE014
，
Figure 3183DEST_PATH_IMAGE015
考虑阀点效应时第i个机组用燃料k的费用系数，
Figure 40541DEST_PATH_IMAGE016
为第i个发电机组的有功出力，
Figure 429934DEST_PATH_IMAGE017
为第i个机组的最小有功出力 ，
Figure 448705DEST_PATH_IMAGE018
为第i个机组的最大有功出力，
Figure 172817DEST_PATH_IMAGE019
为第i个发电机组用燃料1的有功出力，
Figure 263132DEST_PATH_IMAGE020
为第i个发电机组用燃料2的有功出力，
Figure 444715DEST_PATH_IMAGE021
为第i个发电机组用燃料k-1的有功出力。
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 713016DEST_PATH_IMAGE022
Figure 409577DEST_PATH_IMAGE023
其中，
Figure 287272DEST_PATH_IMAGE024
、
Figure 588940DEST_PATH_IMAGE025
是[0,1]之间的随机数，
Figure 277411DEST_PATH_IMAGE026
为第i个超维度三角域的粒子
Figure 212000DEST_PATH_IMAGE027
的第
Figure 581801DEST_PATH_IMAGE028
维，
Figure 800293DEST_PATH_IMAGE029
为第j个超维度三角域的粒子
Figure 908932DEST_PATH_IMAGE030
的
Figure 580085DEST_PATH_IMAGE031
维，
Figure 301047DEST_PATH_IMAGE032
为维交叉操作后产生的新粒子
Figure 311729DEST_PATH_IMAGE033
的第
Figure 342002DEST_PATH_IMAGE028
维，
Figure 743859DEST_PATH_IMAGE034
为维交叉操作后产生的新粒子
Figure 455463DEST_PATH_IMAGE035
的第
Figure 382967DEST_PATH_IMAGE031
维，
Figure 334874DEST_PATH_IMAGE036
为第i个超维度三角域的粒子
Figure 980619DEST_PATH_IMAGE037
的第
Figure 495914DEST_PATH_IMAGE031
维，
Figure 527193DEST_PATH_IMAGE038
为第j个超维度三角域的粒子
Figure 899268DEST_PATH_IMAGE030
的
Figure 783042DEST_PATH_IMAGE028
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的超维度三角寻优系统，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；
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 898765DEST_PATH_IMAGE039
其中，
Figure 738545DEST_PATH_IMAGE002
，
Figure 530790DEST_PATH_IMAGE003
，
Figure 151127DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 742645DEST_PATH_IMAGE005
，
Figure 249981DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 229438DEST_PATH_IMAGE007
为最劣粒子，
Figure 320760DEST_PATH_IMAGE040
和
Figure 715969DEST_PATH_IMAGE041
为与最劣粒子在同一超维度三角域中的两个粒子；
目标函数为：
Figure 592658DEST_PATH_IMAGE010
Figure 228170DEST_PATH_IMAGE011
，
Figure 557520DEST_PATH_IMAGE012
，
Figure 756421DEST_PATH_IMAGE013
，
Figure 742743DEST_PATH_IMAGE014
，
Figure 798424DEST_PATH_IMAGE015
考虑阀点效应时第i个机组用燃料k的费用系数，
Figure 552753DEST_PATH_IMAGE016
为第i个发电机组的有功出力，
Figure 102814DEST_PATH_IMAGE017
为第i个机组的最小有功出力 ，
Figure 688517DEST_PATH_IMAGE018
为第i个机组的最大有功出力，
Figure 429945DEST_PATH_IMAGE019
为第i个发电机组用燃料1的有功出力，
Figure 733888DEST_PATH_IMAGE020
为第i个发电机组用燃料2的有功出力，
Figure 9011DEST_PATH_IMAGE021
为第i个发电机组用燃料k-1的有功出力。
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 465532DEST_PATH_IMAGE022
Figure 863015DEST_PATH_IMAGE023
其中，
Figure 903521DEST_PATH_IMAGE024
、
Figure 44652DEST_PATH_IMAGE025
是[0,1]之间的随机数，
Figure 542630DEST_PATH_IMAGE026
为第i个超维度三角域的粒子
Figure 127326DEST_PATH_IMAGE027
的第
Figure 140281DEST_PATH_IMAGE028
维，
Figure 334371DEST_PATH_IMAGE029
为第j个超维度三角域的粒子
Figure 686855DEST_PATH_IMAGE030
的
Figure 691720DEST_PATH_IMAGE031
维，
Figure 942704DEST_PATH_IMAGE032
为维交叉操作后产生的新粒子
Figure 425638DEST_PATH_IMAGE033
的第
Figure 227370DEST_PATH_IMAGE028
维，
Figure 340820DEST_PATH_IMAGE034
为维交叉操作后产生的新粒子
Figure 328367DEST_PATH_IMAGE035
的第
Figure 365725DEST_PATH_IMAGE031
维，
Figure 489538DEST_PATH_IMAGE036
为第i个超维度三角域的粒子
Figure 773889DEST_PATH_IMAGE037
的第
Figure 498000DEST_PATH_IMAGE031
维，
Figure 588316DEST_PATH_IMAGE038
为第j个超维度三角域的粒子
Figure 582948DEST_PATH_IMAGE030
的
Figure 772621DEST_PATH_IMAGE028
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：
本发明提供了一种电力资源调度优化系统的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电力资源调度优化系统的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电力资源调度优化系统的超维度三角寻优系统的结构示意图。
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，本发明提供的一种电力资源调度优化系统的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 734761DEST_PATH_IMAGE010
其中
Figure 612456DEST_PATH_IMAGE011
，
Figure 914124DEST_PATH_IMAGE012
，
Figure 337015DEST_PATH_IMAGE013
，
Figure 537184DEST_PATH_IMAGE014
，
Figure 969302DEST_PATH_IMAGE015
考虑阀点效应时第i个机组用燃料k的费用系数，
Figure 859898DEST_PATH_IMAGE016
为第i个发电机组的有功出力，
Figure 968537DEST_PATH_IMAGE017
为第i个机组的最小有功出力 ，
Figure 639690DEST_PATH_IMAGE018
为第i个机组的最大有功出力，
Figure 813182DEST_PATH_IMAGE019
为第i个发电机组用燃料1的有功出力，
Figure 636913DEST_PATH_IMAGE020
为第i个发电机组用燃料2的有功出力，
Figure 667185DEST_PATH_IMAGE021
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 80761DEST_PATH_IMAGE042
其中,
Figure 792365DEST_PATH_IMAGE043
是系统总负荷需求，
Figure 719870DEST_PATH_IMAGE044
是系统总传输网损，n为发电机组总数。
机组出力约束为：
Figure 671777DEST_PATH_IMAGE045
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 317522DEST_PATH_IMAGE046
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 567237DEST_PATH_IMAGE007
、
Figure 864095DEST_PATH_IMAGE008
、
Figure 236171DEST_PATH_IMAGE009
，且
Figure 119944DEST_PATH_IMAGE007
为最劣粒子，则
Figure 173351DEST_PATH_IMAGE007
将以另外两个粒子
Figure 75448DEST_PATH_IMAGE008
和
Figure 867692DEST_PATH_IMAGE009
为学习对象，在超维度三角域内产生一个新粒子
Figure 222450DEST_PATH_IMAGE047
，将该粒子与最劣粒子
Figure 79548DEST_PATH_IMAGE007
进行比较，若
Figure 586884DEST_PATH_IMAGE006
优胜于最劣粒子
Figure 300762DEST_PATH_IMAGE048
，即
Figure 657663DEST_PATH_IMAGE006
的适应度值大于最劣粒子
Figure 115189DEST_PATH_IMAGE048
的适应度值，则最劣粒子
Figure 477031DEST_PATH_IMAGE049
被新粒子
Figure 565073DEST_PATH_IMAGE006
淘汰掉，否则，最劣粒子
Figure 894423DEST_PATH_IMAGE049
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 399048DEST_PATH_IMAGE050
其中，
Figure 864665DEST_PATH_IMAGE002
，
Figure 936657DEST_PATH_IMAGE003
，
Figure 690986DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 490315DEST_PATH_IMAGE051
，
Figure 325285DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 755129DEST_PATH_IMAGE007
为最劣粒子，
Figure 793492DEST_PATH_IMAGE008
和
Figure 147244DEST_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 853032DEST_PATH_IMAGE052
表示粒子
Figure 499783DEST_PATH_IMAGE007
的经验记忆项，
Figure 291022DEST_PATH_IMAGE053
、
Figure 369836DEST_PATH_IMAGE054
分别表示粒子
Figure 680863DEST_PATH_IMAGE008
和
Figure 249247DEST_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 777050DEST_PATH_IMAGE055
Figure 659555DEST_PATH_IMAGE056
其中，
Figure 74356DEST_PATH_IMAGE024
、
Figure 829953DEST_PATH_IMAGE025
是[0,1]之间的随机数，
Figure 267888DEST_PATH_IMAGE026
为第i个超维度三角域的粒子
Figure 750822DEST_PATH_IMAGE027
的第
Figure 540835DEST_PATH_IMAGE028
维，
Figure 388706DEST_PATH_IMAGE029
为第j个超维度三角域的粒子
Figure 376253DEST_PATH_IMAGE030
的
Figure 413610DEST_PATH_IMAGE031
维，
Figure 803003DEST_PATH_IMAGE032
为维交叉操作后产生的新粒子
Figure 87354DEST_PATH_IMAGE033
的第
Figure 811466DEST_PATH_IMAGE028
维，
Figure 636202DEST_PATH_IMAGE034
为维交叉操作后产生的新粒子
Figure 630834DEST_PATH_IMAGE035
的第
Figure 86086DEST_PATH_IMAGE031
维，
Figure 48226DEST_PATH_IMAGE036
为第i个超维度三角域的粒子
Figure 925921DEST_PATH_IMAGE037
的第
Figure 24327DEST_PATH_IMAGE031
维，
Figure 463530DEST_PATH_IMAGE038
为第j个超维度三角域的粒子
Figure 850649DEST_PATH_IMAGE030
的
Figure 17188DEST_PATH_IMAGE028
维。若
Figure 484947DEST_PATH_IMAGE033
优于
Figure 282002DEST_PATH_IMAGE027
，则
Figure 953155DEST_PATH_IMAGE027
将被
Figure 939696DEST_PATH_IMAGE033
淘汰，否则，
Figure 12695DEST_PATH_IMAGE027
继续保留在粒子群体中；同样地，若
Figure 980651DEST_PATH_IMAGE057
优于
Figure 405945DEST_PATH_IMAGE030
，则
Figure 914287DEST_PATH_IMAGE030
将被
Figure 858103DEST_PATH_IMAGE058
取代，否则，
Figure 59277DEST_PATH_IMAGE030
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 954290DEST_PATH_IMAGE059
。
本发明实施例中提供的一种电力资源调度优化系统的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超维度三角寻优系统的实施例，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 266323DEST_PATH_IMAGE060
其中，
Figure 251596DEST_PATH_IMAGE002
，
Figure 374404DEST_PATH_IMAGE003
，
Figure 507445DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 872436DEST_PATH_IMAGE061
，
Figure 712216DEST_PATH_IMAGE062
为产生的新粒子， d为粒子的维度，
Figure 255193DEST_PATH_IMAGE063
为最劣粒子，
Figure 360684DEST_PATH_IMAGE064
和
Figure 280098DEST_PATH_IMAGE065
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 974384DEST_PATH_IMAGE066
Figure 937530DEST_PATH_IMAGE067
其中，
Figure 45163DEST_PATH_IMAGE024
、
Figure 440373DEST_PATH_IMAGE025
是[0,1]之间的随机数，
Figure 802215DEST_PATH_IMAGE026
为第i个超维度三角域的粒子
Figure 952574DEST_PATH_IMAGE027
的第
Figure 537051DEST_PATH_IMAGE028
维，
Figure 532689DEST_PATH_IMAGE029
为第j个超维度三角域的粒子
Figure 201567DEST_PATH_IMAGE030
的
Figure 273560DEST_PATH_IMAGE031
维，
Figure 824627DEST_PATH_IMAGE032
为维交叉操作后产生的新粒子
Figure 138802DEST_PATH_IMAGE033
的第
Figure 662188DEST_PATH_IMAGE028
维，
Figure 888770DEST_PATH_IMAGE034
为维交叉操作后产生的新粒子
Figure 943444DEST_PATH_IMAGE035
的第
Figure 484147DEST_PATH_IMAGE031
维，
Figure 924356DEST_PATH_IMAGE036
为第i个超维度三角域的粒子
Figure 836686DEST_PATH_IMAGE037
的第
Figure 362345DEST_PATH_IMAGE031
维，
Figure 706739DEST_PATH_IMAGE038
为第j个超维度三角域的粒子
Figure 17765DEST_PATH_IMAGE030
的
Figure 586150DEST_PATH_IMAGE028
维。若
Figure 113952DEST_PATH_IMAGE033
优于
Figure 996458DEST_PATH_IMAGE027
，则
Figure 411258DEST_PATH_IMAGE027
将被
Figure 901277DEST_PATH_IMAGE033
淘汰，否则，
Figure 339211DEST_PATH_IMAGE027
继续保留在粒子群体中；同样地，若
Figure 87724DEST_PATH_IMAGE057
优于
Figure 600440DEST_PATH_IMAGE030
，则
Figure 776206DEST_PATH_IMAGE030
将被
Figure 701437DEST_PATH_IMAGE058
取代，否则，
Figure 738794DEST_PATH_IMAGE030
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的超维度三角寻优系统，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的超维度三角寻优系统，用于执行前述电力资源调度优化系统的超维度三角寻优方法，其原理与电力资源调度优化系统的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 (8)

1.一种电力资源调度优化系统的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；
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为：
Figure 693510DEST_PATH_IMAGE001
其中，
Figure 40178DEST_PATH_IMAGE002
，
Figure 492851DEST_PATH_IMAGE003
，
Figure 520849DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 764749DEST_PATH_IMAGE005
，
Figure 33050DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 932873DEST_PATH_IMAGE007
为最劣粒子，
Figure 561301DEST_PATH_IMAGE008
和
Figure 908974DEST_PATH_IMAGE009
为与最劣粒子在同一超维度三角域中的两个粒子；
目标函数为：
Figure 597445DEST_PATH_IMAGE010
Figure 718984DEST_PATH_IMAGE011
，
Figure 901835DEST_PATH_IMAGE012
，
Figure 120327DEST_PATH_IMAGE013
，
Figure 228966DEST_PATH_IMAGE014
，
Figure 837802DEST_PATH_IMAGE015
考虑阀点效应时第i个机组用燃料k的费用系数，
Figure 808032DEST_PATH_IMAGE016
为第i个发电机组的有功出力，
Figure 631763DEST_PATH_IMAGE017
为第i个机组的最小有功出力 ，
Figure 662036DEST_PATH_IMAGE018
为第i个机组的最大有功出力，
Figure 69752DEST_PATH_IMAGE019
为第i个发电机组用燃料1的有功出力，
Figure 843673DEST_PATH_IMAGE020
为第i个发电机组用燃料2的有功出力，
Figure 974440DEST_PATH_IMAGE021
为第i个发电机组用燃料k-1的有功出力。
2.根据权利要求1所述的电力资源调度优化系统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 926347DEST_PATH_IMAGE022
Figure 306512DEST_PATH_IMAGE023
其中，
Figure 139251DEST_PATH_IMAGE024
、
Figure 124525DEST_PATH_IMAGE025
是[0,1]之间的随机数，
Figure 496600DEST_PATH_IMAGE026
为第i个超维度三角域的粒子
Figure 114795DEST_PATH_IMAGE027
的第
Figure 230518DEST_PATH_IMAGE028
维，
Figure 70298DEST_PATH_IMAGE029
为第j个超维度三角域的粒子
Figure 862543DEST_PATH_IMAGE030
的
Figure 482880DEST_PATH_IMAGE031
维，
Figure 74398DEST_PATH_IMAGE032
为维交叉操作后产生的新粒子
Figure 847313DEST_PATH_IMAGE033
的第
Figure 561191DEST_PATH_IMAGE028
维，
Figure 340928DEST_PATH_IMAGE034
为维交叉操作后产生的新粒子
Figure 47722DEST_PATH_IMAGE035
的第
Figure 924411DEST_PATH_IMAGE031
维，
Figure 559923DEST_PATH_IMAGE036
为第i个超维度三角域的粒子
Figure 826956DEST_PATH_IMAGE027
的第
Figure 88173DEST_PATH_IMAGE031
维，
Figure 68637DEST_PATH_IMAGE037
为第j个超维度三角域的粒子
Figure 62000DEST_PATH_IMAGE030
的
Figure 878647DEST_PATH_IMAGE028
维。
3.根据权利要求1所述的电力资源调度优化系统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。
4.根据权利要求3所述的电力资源调度优化系统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。
5.一种电力资源调度优化系统的超维度三角寻优系统，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；
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为：
Figure 694287DEST_PATH_IMAGE001
其中，
Figure 279989DEST_PATH_IMAGE002
，
Figure 444254DEST_PATH_IMAGE003
，
Figure 827542DEST_PATH_IMAGE004
是[0,1]之间的随机数，且满足
Figure 430562DEST_PATH_IMAGE005
，
Figure 808454DEST_PATH_IMAGE006
为产生的新粒子， d为粒子的维度，
Figure 222249DEST_PATH_IMAGE007
为最劣粒子，
Figure 747908DEST_PATH_IMAGE008
和
Figure 403886DEST_PATH_IMAGE009
为与最劣粒子在同一超维度三角域中的两个粒子；
目标函数为：
Figure 636284DEST_PATH_IMAGE010
Figure 470248DEST_PATH_IMAGE011
，
Figure 233936DEST_PATH_IMAGE012
，
Figure 178758DEST_PATH_IMAGE013
，
Figure 531242DEST_PATH_IMAGE014
，
Figure 847692DEST_PATH_IMAGE015
考虑阀点效应时第i个机组用燃料k的费用系数，
Figure 98676DEST_PATH_IMAGE016
为第i个发电机组的有功出力，
Figure 784872DEST_PATH_IMAGE017
为第i个机组的最小有功出力 ，
Figure 54179DEST_PATH_IMAGE018
为第i个机组的最大有功出力，
Figure 479213DEST_PATH_IMAGE019
为第i个发电机组用燃料1的有功出力，
Figure 404444DEST_PATH_IMAGE020
为第i个发电机组用燃料2的有功出力，
Figure 691069DEST_PATH_IMAGE021
为第i个发电机组用燃料k-1的有功出力。
6.根据权利要求5所述的电力资源调度优化系统的超维度三角寻优系统，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 831194DEST_PATH_IMAGE022
Figure 912283DEST_PATH_IMAGE023
其中，
Figure 324809DEST_PATH_IMAGE024
、
Figure 670252DEST_PATH_IMAGE025
是[0,1]之间的随机数，
Figure 914152DEST_PATH_IMAGE026
为第i个超维度三角域的粒子
Figure 182453DEST_PATH_IMAGE027
的第
Figure 816697DEST_PATH_IMAGE028
维，
Figure 445124DEST_PATH_IMAGE029
为第j个超维度三角域的粒子
Figure 58377DEST_PATH_IMAGE030
的
Figure 746847DEST_PATH_IMAGE031
维，
Figure 681436DEST_PATH_IMAGE032
为维交叉操作后产生的新粒子
Figure 51238DEST_PATH_IMAGE033
的第
Figure 269730DEST_PATH_IMAGE028
维，
Figure 378369DEST_PATH_IMAGE034
为维交叉操作后产生的新粒子
Figure 987205DEST_PATH_IMAGE035
的第
Figure 957435DEST_PATH_IMAGE031
维，
Figure 781165DEST_PATH_IMAGE036
为第i个超维度三角域的粒子
Figure 811438DEST_PATH_IMAGE027
的第
Figure 907570DEST_PATH_IMAGE031
维，
Figure 930759DEST_PATH_IMAGE037
为第j个超维度三角域的粒子
Figure 858263DEST_PATH_IMAGE030
的
Figure 997121DEST_PATH_IMAGE028
维。
7.根据权利要求5所述的电力资源调度优化系统的超维度三角寻优系统，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。
8.根据权利要求6所述的电力资源调度优化系统的超维度三角寻优系统，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 CN113450029A (zh) 2021-09-28
CN113450029B true 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 (6)

* 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
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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Patent Citations (6)

* 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
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
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 (2)

* Cited by examiner, † Cited by third party
Title
基于纵横交叉算法的水火电联合调度机组组合问题;马留洋;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20190115;第2018年卷(第12期);第2-3章 *
面向海洋观监测传感网的计算卸载方法研究;苏新 等;《通信学报》;20210531;第42卷(第5期);第5节 *

Also Published As

Publication number Publication date
CN113450029A (zh) 2021-09-28

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
Das et al. Impact of the penetration of distributed generation on optimal reactive power dispatch
CN106909728B (zh) 一种基于增强学习的fpga互联资源配置生成方法
CN113259469B (zh) 智能制造中边缘服务器部署方法、系统及存储介质
Zhao et al. An improved SPEA2 algorithm with adaptive selection of evolutionary operators scheme for multiobjective optimization problems.
CN107145982B (zh) 一种基于纵横交叉算法的机组组合优化方法及装置
CN109582985A (zh) 一种改进的遗传退火的片上网络映射方法
Du et al. A genetic simulated annealing algorithm to optimize the small-world network generating process
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
CN107919985B (zh) 一种复杂网络级联失效容量负载架构的应用
Mirsaeidi et al. A power loss minimization strategy based on optimal placement and sizing of distributed energy resources
PADMA et al. Application of fuzzy and ABC algorithm for DG placement for minimum loss in radial distribution system
Xu et al. Online topology‐based voltage regulation: A computational performance enhanced algorithm based on deep reinforcement learning
CN108734349A (zh) 基于改进遗传算法的分布式电源选址定容优化方法及系统
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
CN108695854B (zh) 一种用于电网多目标最优潮流控制方法、装置及设备
Du et al. Improved quantum artificial fish algorithm application to distributed network considering distributed generation
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
CN111542069B (zh) 一种基于快速非支配遗传算法实现无线ap部署优化方法
Ezhilarasi et al. Network decomposition using evolutionary algorithms in power systems
Chen et al. Research on adaptive genetic algorithm based on multi-population elite selection strategy
CN110929943A (zh) 一种用于求解电力系统最优潮流的交替搜索方法
CN117578627B (zh) 发电调度方法、装置、电子设备和存储介质

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