CN113919473A - 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置 - Google Patents

将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置 Download PDF

Info

Publication number
CN113919473A
CN113919473A CN202111017353.9A CN202111017353A CN113919473A CN 113919473 A CN113919473 A CN 113919473A CN 202111017353 A CN202111017353 A CN 202111017353A CN 113919473 A CN113919473 A CN 113919473A
Authority
CN
China
Prior art keywords
algorithm
particle
module
particle swarm
result
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.)
Pending
Application number
CN202111017353.9A
Other languages
English (en)
Inventor
李骥
乔镖
冯晓梅
孙宗宇
薛汇宇
刘超
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.)
Jianke Huanneng Technology Co ltd
China Academy of Building Research CABR
Original Assignee
Jianke Huanneng Technology Co ltd
China Academy of Building Research CABR
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 Jianke Huanneng Technology Co ltd, China Academy of Building Research CABR filed Critical Jianke Huanneng Technology Co ltd
Priority to CN202111017353.9A priority Critical patent/CN113919473A/zh
Publication of CN113919473A publication Critical patent/CN113919473A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种优化Hooke‑Jeeves算法的方法及装置，涉及混合优化算法领域。现有传统单一优化数学算法在解决多能源系统优化问题时存在优化不易收敛、优化结果容易局部最优或局部搜索能力不足、对初始值敏感，且计算时间长，占用资源较多，难以做到较强局部搜索能力与高效全局寻优性的兼顾。未解决上诉提到的传统单一优化数学算法中存在的问题，本申请提供了一种优化Hooke‑Jeeves算法的方法，在HookeJeeves算法中加入粒子群算法，具体为：通过在粒子群算法对初始值的迭代结果不满足结束条件的情况下，在重新进行迭代之前将当前得到的粒子的极值利用所述的HookeJeeves算法进行优化，得到优化数据；将得到的优化数据返回所述的粒子群算法的上层步骤进行再次运算。适用于解决多能源系统优化的应用。

Description

将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克 捷夫算法的方法及装置
技术领域
涉及混合优化算法领域，具体涉及将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置。
背景技术
由于多能源系统优化配置问题涉及系统能源类型、设备种类多，控制比较复杂，属于非线性多变量多约束的最优化问题，其目标函数中的各个决策变量之间相互耦合且相互制约，因此选择合理的优化算法成为解决优化配置问题的关键因素之一。
虽然在最优化理论中有诸多常用优化方法，如采用单纯形算法、Hooke-Jeeves算法 (Hooke-Jeeves Algorithm，简称HJ)，在本申请中称作虎克捷夫算法、遗传算法、遗传退火算法、蚂蚁算法以及粒子群算法等进行优化，但是采用传统单一优化数学方法在解决多能源系统优化问题时存在优化不易收敛、优化结果容易局部最优或局部搜索能力不足、对初始值敏感等问题，难以做到较强局部搜索能力与高效全局寻优性的兼顾。
其中采用单纯形算法与虎克捷夫算法等均是与初始值有关的传统优化方法，具有处理形式简单，局部搜索能力强等优点，但易陷入局部最优。采用蚁群方法、粒子群方法等是基于群智能的随机全局优化处理方式，具有迭代过程相对简单、性能高效及收敛速度较快等优点，但存在对初始值敏感，局部搜索能力不足，容易陷入局部寻优，易于早熟收敛的缺点。
所以用现有的方法优化多能源系统都因为现有方法存在的缺陷导致计算时间长、占用资源多的问题。
发明内容
为解决现有传统单一优化数学算法在解决多能源系统优化问题时存在优化不易收敛、优化结果容易局部最优或局部搜索能力不足、对初始值敏感，且消耗时间长，占用资源较多的问题，本申请采用的方案为：
一种将粒子群算法和虎克捷夫算法融合的方法，所述方法为：
在所述的粒子群算法对初始值的迭代结果不满足结束条件的情况下，在重新进行迭代之前将当前得到的粒子的极值利用所述的虎克捷夫算法进行优化，得到优化数据；
将得到的优化数据返回所述的粒子群算法的上层步骤进行再次运算。
进一步，所述方法具体为：
包括：
初始化粒子群的步骤；
计算每个粒子的适应度值的适应度值采集步骤；
对每个粒子，用所述粒子的适应度值和个体极值比较，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的个体极值的步骤；
对每个粒子，用所述粒子的适应度值和全局极值比较，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的全局极值的步骤；
调整粒子的速度和位置，得到阶段结果的步骤；
判断所述的阶段结果是否满足结束条件的判断步骤；
如上述判断步骤得到的判断结果为满足，输出所述的阶段结果的步骤；
如上述判断步骤得到的判断结果为不满足，将所述的阶段结果返回计算每个粒子的适应度值的步骤；
在所述的返回计算每个粒子的适应度值的步骤中加入虎克捷夫算法的步骤。
进一步，所述的加入虎克捷夫算法的步骤具体为：
包括：
将所述的阶段结果作为迭代中心的步骤；
沿坐标各方向以一定步长寻找目标函数下降的点，得到新的阶段结果的迭代步骤；
将所述的新的阶段结果为中心，重复所述的迭代步骤；
当所述的迭代步骤获得不了所述的目标函数下降的点时，减小步长后重复迭代步骤的步骤；
在所述的新的阶段结果达到收敛精度后将所述的新的阶段结果发送给所述的适应度值采集步骤进行重新迭代的步骤。
一种将粒子群算法和虎克捷夫算法融合的装置，所述装置包括：
包含有粒子群算法的粒子群模块；
包含有虎克捷夫算法的虎克捷夫模块；
融合模块，用于在所述的粒子群模块对初始值进行运算得到粒子的极值后，在判断得到所述的粒子的极值不满足收敛要求的结果的情况下介入，将所述的得到的粒子的极值在返回上层步骤之前传输至虎克捷夫模块进行运算，然后将得到的运算结果传输回所述的粒子群模块进行再次运算。
进一步，所述装置具体为：
包括：
用于初始化粒子群的模块；
用于计算每个粒子的适应度值的适应度值采集模块；
用于对每个粒子用所述粒子的适应度值和个体极值比较的模块；
用于获得比较结果，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的个体极值的模块；
用于对每个粒子用所述资历的适应度值和全局极值比较的模块；
用于获得比较结果，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的全局极值的模块；
用于调整粒子的速度和位置，得到阶段结果的模块；
用于判断所述的阶段结果是否满足结束条件的判断模块；
用于在所述的判断模块的判断结果为满足时，输出所述的阶段结果的模块；
用于在所述的判断模块的判断结果为不满足时，将所述的阶段结果返回计算每个粒子的适应度值的模块的返回模块；
所述的返回模块还包括：用于在返回计算每个粒子的使用度的过程中加入虎克捷夫算法的加入算法子模块。
进一步，所述的加入算法子模块具体为：
包括：
用于将所述的阶段结果作为迭代中心的二级子模块；
用于沿坐标各方向以一定步长寻找目标函数下降的点，得到新的阶段结果的迭代二级子模块；
用于将所述的新的阶段结果为中心，重复所述的迭代二级子模块的功能的二级子模块；
用于在所述的迭代二级子模块获得不了所述的目标函数下降的点时，减小步长后重复所述的迭代二级子模块功能的二级子模块；
用于在所述的新的阶段结果达到收敛精度后将所述的新的阶段结果发送给所述的适应度值采集模块进行重新迭代的模块。
一种优化虎克捷夫算法的方法，其特征在于，所述方法为：
在所述的虎克捷夫算法中加入粒子群算法。
进一步，所述的加入粒子群算法的方法为：所述的一种将粒子群算法和虎克捷夫算法融合的方法。
一种优化虎克捷夫算法的装置，其特征在于，所述装置包括：
融合模块，用于在所述的虎克捷夫算法中加入粒子群算法。
进一步，所述的融合模块为所述的一种将粒子群算法和虎克捷夫算法融合的装置。
本申请的有益之处在于：
本申请通过组合发明的方式，解决了传统方法在解决多能源系统优化问题时存在优化不易收敛、优化结果容易局部最优或局部搜索能力不足、对初始值敏感的问题，基于单一优化方法的逻辑原理，通过控制方法调用顺序与优化方法参数的手段，提出一种由Hooke-Jeeves 算法(Hooke-Jeeves Algorithm，简称HJ)，在本申请中称作虎克捷夫算法，和粒子群算法 (Particle Swarm Optimization，简称PSO)相融合的HJ-PSO混合优化方法来解决多能源系统优化的问题，有效的解决现有技术中存在的采用单种智能方法的缺陷，取得优化过程中全局搜索能力与局部搜索能力之间的平衡。同时该混合方法可以进行复合式能源系统的优化处理、进行系统容量配置的最优化匹配。
在多能源系统优化过程中的最优化问题求解的应用中相比于单一优化算法求解，虎克捷夫-粒子群混合优化算法通过优先利用粒子群算法实现快速收敛，达到一定优化区间范围后，虎克捷夫算法来进一步优化的方式，达到了减少优化次数、提高优化精度的效果，不仅处理步骤减少，加快了处理速度，而且极大的降低了成本。
适于多能源系统优化的应用。
附图说明
图1为实施方式一中提供的一种将粒子群算法和虎克捷夫算法融合的方法的流程图。
图2为实施方式十一中提到的多能源系统模拟计算平台的示意图。
图3为实施方式十一中提到的系统初始容量配比示意图。
图4为实施方式十一中提到的传统虎克捷夫优化算法计算结果示意图。
图5为实施方式十一中提到的虎克捷夫-粒子群混合优化算法计算结果示意图。
图6为实施方式十一中提到的以传统虎克捷夫优化算法计算的系统容量配比的示意图。
图7为实施方式十一中提到的以虎克捷夫-粒子群混合优化算法计算的系统容量配比示意图。
图8为实施方式十一中提到的不同算法结果各部分额定制热容量对比示意图；
其中，每一部分的左边的柱形表示初始容量，中间的柱形表示传统虎克捷夫算法，右边的柱形表示虎克捷夫-粒子群融合算法。
图9为实施方式十一中提到的不同算法结果各部分额定制冷容量对比示意图；
其中，每一部分的左边的柱形表示初始容量，中间的柱形表示传统虎克捷夫算法，右边的柱形表示虎克捷夫-粒子群融合算法。
具体实施方式
下面结合附图对本申请做进一步说明。
实施方式一、结合图1说明本实施方式，本实施方式提供了一种将粒子群算法和虎克捷夫算法融合的方法，所述方法为：
在所述的粒子群算法对初始值的迭代结果不满足结束条件的情况下，在重新进行迭代之前将当前得到的粒子的极值利用所述的虎克捷夫算法进行优化，得到优化数据；
将得到的优化数据返回所述的粒子群算法的上层步骤进行再次运算。
本实施方式提供的融合的方法融合了虎克捷夫算法的局部邻域和粒子群算法的全局邻域，在本申请中将通过所述的粒子群算法(PSO算法)和虎克捷夫算法(HJ算法)融合的方法融合后进行优化多能源系统的方法称作HJ-PSO混合方法，混合结构为镶嵌结构。混合方法主要由两个阶段进行求解：在第一个阶段，采用PSO算法对所有离散变量和连续变量进行优化，其中连续变量仅在划分好的网格网点内取值；在第二阶段，将第一阶段由PSO算法获得的最优点作为初始值，运用HJ算法对其中的连续变量再次优化，而离散变量则固定为第一阶段中的最优值，之后进入下一轮的PSO算法迭代计算。在HJ-PSO混合算法中，加入HJ算法进行处理的步骤相当于在采用PSO处理中的一个优化操作，在采用PSO算法处理的过程中，每次迭代步骤结束后，下次迭代步骤发生之前，采用HJ算法的处理方式。
HJ-PSO混合算法综合了PSO算法的处理方式与HJ算法的处理方式各自的优点，取得优化过程中全局搜索能力与局部搜索能力之间的平衡。
实施方式二、本实施方式是对实施方式一提供的一种将粒子群算法和虎克捷夫算法融合的方法的进一步限定，所述方法具体为：
包括：
初始化粒子群的步骤；
计算每个粒子的适应度值的适应度值采集步骤；
对每个粒子，用所述粒子的适应度值和个体极值比较，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的个体极值的步骤；
对每个粒子，用所述粒子的适应度值和全局极值比较，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的全局极值的步骤；
调整粒子的速度和位置，得到阶段结果的步骤；
判断所述的阶段结果是否满足结束条件的判断步骤；
如上述判断步骤得到的判断结果为满足，输出所述的阶段结果的步骤；
如上述判断步骤得到的判断结果为不满足，将所述的阶段结果返回计算每个粒子的适应度值的步骤；
在所述的返回计算每个粒子的适应度值的步骤中加入虎克捷夫算法的步骤。
传统粒子群算法介绍：粒子群优化的本质为粒子从个体极值以及种群中获得更新信息(即群体中个体之间的协作和信息共享)，并在此基础上进行局部或随机搜索来寻找最优解。粒子群算法在求解优化函数时，表现出来较好的寻优能力，其收敛速度快，鲁棒性高，全局搜索能力强，特别是针对复杂的工程问题，能够快速找到近似解。粒子群算法的具体步骤如下：
第1步：设置种群的代数，粒子数、收敛加速值、社会加速、最大速度及速度分量等。
第2步：在多维空间初始化粒子的位置及速度。
第3步：评估每一个粒子的目标方程。
第4步：对比每一个粒子的目标方程值和粒子个体极值。若当前值好于个体极值，则设置个体极值等于当前值，个体极值的位置等于当前极值的位置。
第5步：对比目标方程值和之前种群的全局极值。如果当前值优于全局极值，则将全局极值重置为当前值，多维解空间的全局极值的位置等于当前位置。
第6步：更新每一个粒子的速度和位置。
第7步：返回第三步直到达到迭代步数。
实施方式三、本实施方式是对实施方式二提供的一种将粒子群算法和虎克捷夫算法融合的方法的进一步限定，所述的加入虎克捷夫算法的步骤具体为：
包括：
将所述的阶段结果作为迭代中心的步骤；
沿坐标各方向以一定步长寻找目标函数下降的点，得到新的阶段结果的迭代步骤；
将所述的新的阶段结果为中心，重复所述的迭代步骤；
当所述的迭代步骤获得不了所述的目标函数下降的点时，减小步长后重复迭代步骤的步骤；
在所述的新的阶段结果达到收敛精度后将所述的新的阶段结果发送给所述的适应度值采集步骤进行重新迭代的步骤。
传统虎克捷夫算法介绍：虎克-捷夫算法由二类移动组成：一是探测性搜索，是从某个参考点出发，依次沿每个变量的坐标轴方向，探索函数的有利局部下降方向，找出一个函数值较好的点，称其为基点；另一个是模式性搜索，它利用探索性移动中得到的信息，从基点出发，沿着一个有利的方向快速的向极小点移动一步。因为各基点的函数值逐次下降，连接前后二基点的方向很可能是理想的方向，所以可使用这个方向作为模式移动的有利方向。虎克捷夫算法适用于变量个数少，适应性强，常与其它方法相结合，该方法的收敛速度比较慢。
其算法如下所示：
1.给定初始点x(0)，初始步长收缩率ω(取0.5或者0.1等)，终止精度ε。
2.令r＝x(G)，b＝x(0)，c＝1
3.S＝cS(0)
4.在点r处以S为步长向量作探测移动。
5.若fb<fv(探测性移动成功)，转向6；否则转向10。
6.作模式移动，的新参考点r＝2b-b(0)，原基点变为老基点：b(0)＝b，f0＝fb。
7.在新参考点r处一S为步长向量再作探测移动，得新基点b。
8.若fb<f0(模式移动成功)，转向6再次进行模式移动。因为在连续进行的几次模式移动中，后面移动的距离一般比前面的大，所以是一种加速步骤。
9.若fb≥f0(模式移动失败)，则把前一次的基点b(0)作为参考点(即模式移动作废)，转向4。
10.若c>ε，则c＝ωε(缩小步长)，转向3；否则r就是所求极小点，停止计算。
注意：第4步与第7步虽然都是探测移动，但作用不同：前者出发点既是参考点又是基点，目的是在基点构造一个模式，后者的出发点单纯是参考点，目的是判断模式移动是否成功。
实施方式四、本实施方式提供了一种将粒子群算法和虎克捷夫算法融合的装置，所述装置包括：
包含有粒子群算法的粒子群模块；
包含有虎克捷夫算法的虎克捷夫模块；
融合模块，用于在所述的粒子群模块对初始值进行运算得到粒子的极值后，在判断得到所述的粒子的极值不满足收敛要求的结果的情况下介入，将所述的得到的粒子的极值在返回上层步骤之前传输至虎克捷夫模块进行运算，然后将得到的运算结果传输回所述的粒子群模块进行再次运算。
实施方式五、本实施方式是对实施方式四提供的一种将粒子群算法和虎克捷夫算法融合的装置的进一步限定，所述装置具体为：
包括：
用于初始化粒子群的模块；
用于计算每个粒子的适应度值的适应度值采集模块；
用于对每个粒子用所述粒子的适应度值和个体极值比较的模块；
用于获得比较结果，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的个体极值的模块；
用于对每个粒子用所述资历的适应度值和全局极值比较的模块；
用于获得比较结果，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的全局极值的模块；
用于调整粒子的速度和位置，得到阶段结果的模块；
用于判断所述的阶段结果是否满足结束条件的判断模块；
用于在所述的判断模块的判断结果为满足时，输出所述的阶段结果的模块；
用于在所述的判断模块的判断结果为不满足时，将所述的阶段结果返回计算每个粒子的适应度值的模块的返回模块；
所述的返回模块还包括：用于在返回计算每个粒子的使用度的过程中加入虎克捷夫算法的加入算法子模块。
实施方式六、本实施方式是对实施方式五提供的一种将粒子群算法和虎克捷夫算法融合的装置的进一步限定，所述的加入算法子模块具体为：
包括：
用于将所述的阶段结果作为迭代中心的二级子模块；
用于沿坐标各方向以一定步长寻找目标函数下降的点，得到新的阶段结果的迭代二级子模块；
用于将所述的新的阶段结果为中心，重复所述的迭代二级子模块的功能的二级子模块；
用于在所述的迭代二级子模块获得不了所述的目标函数下降的点时，减小步长后重复所述的迭代二级子模块功能的二级子模块；
用于在所述的新的阶段结果达到收敛精度后将所述的新的阶段结果发送给所述的适应度值采集模块进行重新迭代的模块。
实施方式七、本实施方式提供了一种优化虎克捷夫算法的方法，所述方法为：
在所述的虎克捷夫算法中加入粒子群算法。
实施方式八、本实施方式是对实施方式七提供的一种优化虎克捷夫算法的方法的进一步限定，所述的加入粒子群算法的方法为：实施方式一中提供的一种将粒子群算法和虎克捷夫算法融合的方法。
实施方式九、本实施方式提供了一种优化虎克捷夫算法的装置，所述装置包括：
融合模块，用于在所述的虎克捷夫算法中加入粒子群算法。
实施方式十、本实施方式是对实施方式九提供的一种优化虎克捷夫算法的装置的进一步限定，所述的融合模块为实施方式四提供的一种将粒子群算法和虎克捷夫算法融合的装置。
实施方式十一、本实施方式是根据实施方式七提供的一种优化虎克捷夫算法的方法在多能源系统优化中的应用，具体为：
将实施方式七中提供的一种优化虎克捷夫算法的方法用于多能源系统优化过程中最优化问题求解，以三联供+地源热泵+蓄能+燃气锅炉系统为对象，以全寿命期成本LCC最低为优化目标，分别以传统虎克捷夫优化算法与虎克捷夫-粒子群(HJ-PSO)混合算法进行求解优化。混合算法在多能源系统优化过程中展现出其优化提升效果，不仅减少了计算步骤，收敛更快且优化结果更加精确。
1.进一步为平台搭建与初始配置的介绍：
以三联供+地源热泵+蓄能+燃气锅炉系统为对象，通过TRNSYS软件建立能源系统计算平台，分别利用传统虎克捷夫算法与虎克捷夫-粒子群混合算法求解。
参见图2，所建立计算平台由八个部分组成：1、区域整体信息输入系统；2、主控制系统；3、管网输配系统；4、地源热泵系统；5、冷热电燃气三联供系统；6、辅助冷热源系统；7、蓄能系统；8、计算结果输出系统。
整体而言，能源系统模型的外部输入参数类型包括气象参数、用户冷热电负荷、设备动态性能曲线、系统设备设计选型参数等，这些外部输入参数成为了系统模拟计算的边界条件。系统模型在得到用户冷热电需求后，根据控制逻辑将相关负荷数据分配到三联供、热泵等不同子系统，各子系统收到控制信号后结合设备性能参数实现动态模拟计算，最后实现系统动态仿真，并输出相关计算结果。
2.再进一步为负荷分配和系统控制逻辑的介绍：
主控制系统是多能源系统进行负荷分配、子系统运行状态控制的核心模块，末端负荷处理模块将逐时热负荷、供暖日策略等信息传输给总设备控制器，控制系统接收到电力价格、各系统设备额定容量等相关信息，根据后台制定的设备开启负荷率临界值、电力价格时间分布等相关条件，制定三联供、地源热泵、蓄能、常规冷热源系统的运行策略，并将相关冷热电负荷和控制信号传输给对应的子系统设备，保证各子系统协调调度运行。整体策略方面，平台以三联供系统承担基础负荷、发电由能源系统自用，供能能力不足时优先在高峰电价时段采用蓄能系统进行释冷释热，地源热泵进行有益的供能能力补充，最后燃气锅炉进行调峰。
3.再进一步为三联供热系统的介绍：
主控制系统在后台根据逐时负荷数据、分时电价等信息制定三联供系统的运行策略，系统默认在平段、峰段和高峰电价且负荷率高于50％的条件下开启，模块将三联供系统的运行控制信号和发电负荷数据传输给三联供系统，三联供系统根据相关指令进行子系统内部设备的调度，同时结合外部设备性能曲线文件来实现不同工况下的动态性能模拟。
4.再进一步为地源热泵系统的介绍：
主控制系统在后台根据逐时负荷数据、三联供负荷承担情况等信息制定地源热泵系统的运行策略，系统默认在热泵机组负荷率高于20％的条件下开启、同时夜间用于蓄能，模块将地源热泵系统的运行控制信号和热负荷数据传输给热泵系统，系统根据相关指令进行子系统内部设备的调度，同时结合外部设备性能曲线文件来实现不同工况下的动态性能模拟。
5.再进一步为蓄能系统的介绍：
控制系统在后台根据逐时负荷数据、三联供负荷、地源热泵承担情况等信息制定蓄能系统的运行策略，系统默认在白天峰段优先采用蓄能设备进行供热，模块将蓄能系统的运行控制信号和热负荷数据传输给系统，系统根据相关指令进行子系统内部设备的调度，夜间时接收热泵和锅炉系统的相关蓄热。
6.在进一步为燃气锅炉系统的介绍：
控制系统在后台根据逐时负荷数据、三联供负荷、地源热泵、蓄能系统承担情况等信息制定锅炉系统的运行策略，系统作为补充和调峰功能使用，模块将锅炉系统的运行控制信号和冷热负荷数据传输给系统，系统根据相关指令进行子系统内部设备的调度。
该三联供+地源热泵+蓄能+燃气锅炉系统初始容量配比如图3所示。
7.再进一步为优化结果对比分析：
以全寿命期成本LCC最低为优化目标，分别以传统虎克捷夫优化算法与虎克捷夫-粒子群混合算法进行优化的容量配置结果为：
参见图4与图5为两种优化算法的模拟计算结果。
参见图6和图7，分别为两种优化算法优化后的系统容量配比结果。
参见图8，为不同算法结果各部分额定制热容量对比。
其中，每一部分的左边的柱形表示初始容量，中间的柱形表示传统虎克捷夫算法，右边的柱形表示虎克捷夫-粒子群融合算法。
参见图9，为不同算法结果各部分额定制冷容量对比。
其中，每一部分的左边的柱形表示初始容量，中间的柱形表示传统虎克捷夫算法，右边的柱形表示虎克捷夫-粒子群融合算法。
冬季供热时，以系统全寿命期成本LCC最低为优化目标，利用传统虎克捷夫算法得到的容量配置中，三联供系统热容量占比11.38％，地源热泵热容量占比31.72％，蓄能系统热容量占比21.73％，燃气锅炉热容量占比35.17％；利用虎克捷夫-粒子群混合优化算法得到的容量配置中，三联供系统热容量占比11.06％，相比虎克捷夫算法降低0.32％，地源热泵热容量占比30.22％，相比虎克捷夫算法降低1.5％，蓄能系统热容量占比23.56％，相比虎克捷夫算法增加1.83％，燃气锅炉热容量占比35.16％，与虎克捷夫算法相比几乎相同。
夏季供冷时，以系统全寿命期成本LCC最低为优化目标，利用传统虎克捷夫算法得到的容量配置中，三联供系统制冷量占比8.29％，地源热泵制冷量占比25.64％，蓄能系统制冷量占比22.35％，冷水机组制冷量占比43.71％；利用虎克捷夫-粒子群混合优化算法得到的容量配置中，三联供系统制冷量占比7.89％，相比虎克捷夫算法降低0.40％，地源热泵制冷量占比24.45％，相比虎克捷夫算法降低1.19％，蓄能系统制冷量占比24.04％，相比虎克捷夫算法增加1.69％，冷水机组制冷量占比43.62％，比虎克捷夫算法降低0.09％，几乎相同。
整体上虎克捷夫-粒子群混合算法相比于传统虎克捷夫算法降低了三联供与地源热泵容量，增加了蓄能系统容量，燃气锅炉或冷水机组容量几乎相同。
在计算过程中传统虎克捷夫算法需计算73次后收敛，全寿命期成本最低优化结果为 362686955元，而虎克捷夫-粒子群混合优化算法需计算50次后收敛，全寿命寿命期成本最低优化结果为361345837元。
虎克捷夫-粒子群混合优化算法相比于传统虎克捷夫算法在计算速度上提升了31.5％。由于虎克捷夫-粒子群混合算法降低了三联供与地源热泵的容量占比，使得在全寿命期成本上相比于传统虎克捷夫算法所得成本降低了134万元。
在多能源系统优化计算过程中，虎克捷夫-粒子群混合优化算法优先利用粒子群算法实现快速收敛，达到一定优化区间范围后，虎克捷夫算法来进一步优化，达到了最终减少优化次数、提高优化精度的效果，对多能源系统优化问题具有很强的应用价值。

Claims (10)

1.将粒子群算法和虎克捷夫算法融合的方法，其特征在于，所述方法为：
在所述的粒子群算法对初始值的迭代结果不满足结束条件的情况下，在重新进行迭代之前将当前得到的粒子的极值利用所述的虎克捷夫算法进行优化，得到优化数据；
将得到的优化数据返回所述的粒子群算法的上层步骤进行再次运算。
2.根据权利要求1所述的将粒子群算法和虎克捷夫算法融合的方法，其特征在于，所述方法具体为：
包括：
初始化粒子群的步骤；
计算每个粒子的适应度值的适应度值采集步骤；
对每个粒子，用所述粒子的适应度值和个体极值比较，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的个体极值的步骤；
对每个粒子，用所述粒子的适应度值和全局极值比较，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的全局极值的步骤；
调整粒子的速度和位置，得到阶段结果的步骤；
判断所述的阶段结果是否满足结束条件的判断步骤；
如上述判断步骤得到的判断结果为满足，输出所述的阶段结果的步骤；
如上述判断步骤得到的判断结果为不满足，将所述的阶段结果返回计算每个粒子的适应度值的步骤；
在所述的返回计算每个粒子的适应度值的步骤中加入虎克捷夫算法的步骤。
3.根据权利要求2所述的将粒子群算法和虎克捷夫算法融合的方法，其特征在于，所述的加入虎克捷夫算法的步骤具体为：
包括：
将所述的阶段结果作为迭代中心的步骤；
沿坐标各方向以一定步长寻找目标函数下降的点，得到新的阶段结果的迭代步骤；
将所述的新的阶段结果为中心，重复所述的迭代步骤；
当所述的迭代步骤获得不了所述的目标函数下降的点时，减小步长后重复迭代步骤的步骤；
在所述的新的阶段结果达到收敛精度后将所述的新的阶段结果发送给所述的适应度值采集步骤进行重新迭代的步骤。
4.将粒子群算法和虎克捷夫算法融合的装置，其特征在于，所述装置包括：
包含有粒子群算法的粒子群模块；
包含有虎克捷夫算法的虎克捷夫模块；
融合模块，用于在所述的粒子群模块对初始值进行运算得到粒子的极值后，在判断得到所述的粒子的极值不满足收敛要求的结果的情况下介入，将所述的得到的粒子的极值在返回上层步骤之前传输至虎克捷夫模块进行运算，然后将得到的运算结果传输回所述的粒子群模块进行再次运算。
5.根据权利要求4所述的将粒子群算法和虎克捷夫算法融合的装置，其特征在于，所述装置具体为：
包括：
用于初始化粒子群的模块；
用于计算每个粒子的适应度值的适应度值采集模块；
用于对每个粒子用所述粒子的适应度值和个体极值比较的模块；
用于获得比较结果，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的个体极值的模块；
用于对每个粒子用所述资历的适应度值和全局极值比较的模块；
用于获得比较结果，如果所述的适应度值较好，则将所述的粒子的适应度值作为当前的全局极值的模块；
用于调整粒子的速度和位置，得到阶段结果的模块；
用于判断所述的阶段结果是否满足结束条件的判断模块；
用于在所述的判断模块的判断结果为满足时，输出所述的阶段结果的模块；
用于在所述的判断模块的判断结果为不满足时，将所述的阶段结果返回计算每个粒子的适应度值的模块的返回模块；
所述的返回模块还包括：用于在返回计算每个粒子的使用度的过程中加入虎克捷夫算法的加入算法子模块。
6.根据权利要求5所述的将粒子群算法和虎克捷夫算法融合的装置，其特征在于，所述的加入算法子模块具体为：
包括：
用于将所述的阶段结果作为迭代中心的二级子模块；
用于沿坐标各方向以一定步长寻找目标函数下降的点，得到新的阶段结果的迭代二级子模块；
用于将所述的新的阶段结果为中心，重复所述的迭代二级子模块的功能的二级子模块；
用于在所述的迭代二级子模块获得不了所述的目标函数下降的点时，减小步长后重复所述的迭代二级子模块功能的二级子模块；
用于在所述的新的阶段结果达到收敛精度后将所述的新的阶段结果发送给所述的适应度值采集模块进行重新迭代的模块。
7.优化虎克捷夫算法的方法，其特征在于，所述方法为：
在所述的虎克捷夫算法中加入粒子群算法。
8.根据权利要求7所述的优化虎克捷夫算法的方法，其特征在于，所述的加入粒子群算法的方法为：权利要求1中所述的将粒子群算法和虎克捷夫算法融合的方法。
9.优化虎克捷夫算法的装置，其特征在于，所述装置包括：
融合模块，用于在所述的虎克捷夫算法中加入粒子群算法。
10.根据权利要求9所述的优化粒子群算法的装置，其特征在于，所述的融合模块为权利要求4中所述的将粒子群算法和虎克捷夫算法融合的装置。
CN202111017353.9A 2021-08-31 2021-08-31 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置 Pending CN113919473A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111017353.9A CN113919473A (zh) 2021-08-31 2021-08-31 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111017353.9A CN113919473A (zh) 2021-08-31 2021-08-31 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置

Publications (1)

Publication Number Publication Date
CN113919473A true CN113919473A (zh) 2022-01-11

Family

ID=79233758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017353.9A Pending CN113919473A (zh) 2021-08-31 2021-08-31 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置

Country Status (1)

Country Link
CN (1) CN113919473A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289495A (zh) * 2011-08-19 2011-12-21 中国人民解放军63921部队 一种应用于模型匹配姿态测量的图像搜索匹配优化方法
JP2014209273A (ja) * 2013-04-16 2014-11-06 株式会社神戸製鋼所 最適解探索方法、及び最適解探索装置
CN106981888A (zh) * 2017-05-10 2017-07-25 西安理工大学 基于多源互补的风蓄水火电力系统的多目标动态调度方法
CN108932216A (zh) * 2018-06-22 2018-12-04 上海工程技术大学 一种基于粒子群优化算法的机器人逆运动学求解方法
CN110555506A (zh) * 2019-08-20 2019-12-10 武汉大学 一种基于群体团聚效应的梯度自适应粒子群优化方法
CN110570024A (zh) * 2019-08-16 2019-12-13 天津大学 基于部分运行数据和模型校准的制冷站运行评价方法
CN110912848A (zh) * 2019-11-14 2020-03-24 北京星河亮点技术股份有限公司 一种基于二进制粒子群优化的导频模式搜索方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289495A (zh) * 2011-08-19 2011-12-21 中国人民解放军63921部队 一种应用于模型匹配姿态测量的图像搜索匹配优化方法
JP2014209273A (ja) * 2013-04-16 2014-11-06 株式会社神戸製鋼所 最適解探索方法、及び最適解探索装置
CN106981888A (zh) * 2017-05-10 2017-07-25 西安理工大学 基于多源互补的风蓄水火电力系统的多目标动态调度方法
CN108932216A (zh) * 2018-06-22 2018-12-04 上海工程技术大学 一种基于粒子群优化算法的机器人逆运动学求解方法
CN110570024A (zh) * 2019-08-16 2019-12-13 天津大学 基于部分运行数据和模型校准的制冷站运行评价方法
CN110555506A (zh) * 2019-08-20 2019-12-10 武汉大学 一种基于群体团聚效应的梯度自适应粒子群优化方法
CN110912848A (zh) * 2019-11-14 2020-03-24 北京星河亮点技术股份有限公司 一种基于二进制粒子群优化的导频模式搜索方法及系统

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
MICHAEL WETTER: "GenOpt(R) Generic Optimization Program User Manual Version 3.1.1", HTTP://SIMULATIONRESEARCH.LBL.GOV, 29 March 2016 (2016-03-29), pages 1 - 109 *
O. TOLGA ALTINOZ ET.AL: "Multiobjective Hooke–Jeeves algorithm with a stochastic Newton–Raphson-like step-size method", EXPERT SYSTEMS WITH APPLICATIONS, vol. 117, 1 March 2019 (2019-03-01), pages 166 - 175, XP085513807, DOI: 10.1016/j.eswa.2018.09.033 *
冯晓梅, 公共机构多能源系统优化配置及高效运行模拟平台开发和验证, 2 June 2021 (2021-06-02), pages 26 - 32 *
周王斌, 中国优秀博硕士学位论文全文数据库 (博士)-工程科技Ⅱ辑, 15 December 2018 (2018-12-15), pages 038 - 77 *
周王斌: "多能协同冷热电三联供系统优化配置及不确定性运行研究", 中国优秀博硕士学位论文全文数据库-工程科技Ⅱ辑, 2018年第12期, 15 December 2018 (2018-12-15), pages 038 - 77 *
朱江等: "认知无线网络中基于HJ-DQPSO优化的频谱分配机制", 重庆邮电大学学报(自然科学版), 15 February 2016 (2016-02-15), pages 40 - 47 *
李煜等: "群智能优化算法及应用", 31 May 2020, 中国经济出版社, pages: 10 *
王永乐: "机械优化设计基础", 31 December 1987, 黑龙江科学技术出版社, pages: 112 - 115 *
谢朝政等: "引入模式搜索算子的粒子群优化算法", 微电子学与计算机, 5 February 2015 (2015-02-05), pages 97 - 99 *
赵学军: "高光谱图像压缩与融合技术", 31 July 2015, 北京邮电大学出版社, pages: 123 *
邵腾等: "基于优化算法的严寒地区乡村住宅节能优化设计研究", 建筑科学, no. 12, 15 December 2019 (2019-12-15), pages 102 - 110 *

Similar Documents

Publication Publication Date Title
CN107482638B (zh) 冷热电联供型微电网多目标动态优化调度方法
CN110378548B (zh) 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法
CN111144641B (zh) 一种基于改进粒子群算法的微电网优化调度方法
Chen et al. Dynamic programming for optimal operation of a biofuel micro CHP-HES system
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN109325621B (zh) 一种园区能源互联网两阶段优化调度控制方法
CN108471144A (zh) 一种适用于跨国能源互联网的电力调度方法
CN114996906B (zh) 一种航空混合电推进系统的能量管理策略
CN113255198B (zh) 一种含虚拟储能的冷热电联供微电网多目标优化方法
CN104795830A (zh) 一种利用多类型储能系统跟踪发电计划出力的控制方法
CN115275978B (zh) 一种基于改进粒子群算法的微能源网优化运行方法
CN113595133A (zh) 基于能源路由器的配电网-多微网系统及其调度方法
CN116345564A (zh) 综合能源系统多时间尺度分布式协同优化调度方法及系统
CN108594658A (zh) 一种电-气耦合系统概率最大负荷裕度多目标优化模型及其求解方法
CN113555907B (zh) 一种考虑非理想通信情况的分布式多能系统滚动优化控制方法
CN113869775B (zh) 一种多类型用户综合需求响应的园区运行策略生成方法
CN112994024B (zh) 一种改进型温控负荷参与的负荷频率控制方法及系统
CN110992206B (zh) 一种多源电场的优化调度方法及系统
CN108564216A (zh) 基于动态规划的储能型cchp系统及其运行优化方法
CN113919473A (zh) 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置
CN112018822A (zh) 一种需求侧综合柔性负荷调控优化方法及系统
CN114498651B (zh) 一种混杂负荷集群管控方法及系统
CN116415793A (zh) 计及热电储能园区综合能源系统及其低碳优化调度方法
CN115049250A (zh) 面向供需不确定性综合能源系统多目标规划方法及系统
CN115358509A (zh) 一种用户综合能耗优化控制方法及系统

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