CN113988662A - 一种应急电源优化配置方法、装置、电子设备及存储介质 - Google Patents
一种应急电源优化配置方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113988662A CN113988662A CN202111283937.0A CN202111283937A CN113988662A CN 113988662 A CN113988662 A CN 113988662A CN 202111283937 A CN202111283937 A CN 202111283937A CN 113988662 A CN113988662 A CN 113988662A
- Authority
- CN
- China
- Prior art keywords
- power supply
- emergency power
- wolf
- individual
- configuration
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 241000282461 Canis lupus Species 0.000 claims description 147
- 230000006870 function Effects 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 235000001968 nicotinic acid Nutrition 0.000 description 2
- 241000160777 Hipparchia semele Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应急电源优化配置方法、装置、电子设备及存储介质，用于解决现有的移动应急电源配置方法未综合考虑多种可能的影响因素，应急电源的配置不够合理的技术问题。本发明包括：以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；求解所述移动应急电源配置目标函数，得到最优配置参数；基于所述最优配置参数进行应急电源配置，得到应急电源配置结果。
Description
技术领域
本发明涉及应急电源配置技术领域，尤其涉及一种应急电源优化配置方法、装置、电子设备及存储介质。
背景技术
随着城市社会的不断高速发展，电网的安全运行与否越来越成为一个现代城市所要面对的关键问题。近些年来，大型电网的故障事故发生频率越来越高，已经对城市居民的日常生活带来了极大的不便，对于一些重要的场所，诸如医院、工厂、商圈等造成了巨大的生命、经济损失。因此，移动电源的优化配置作为解决该问题的一个重要手段，愈发的凸显出其关键作用。移动应急电源的应急过程分为预防、准备、响应和恢复四个阶段，相应的灾难故障预测技术，移动应急电源选址技术，应急决策分析技术，电源优化调度技术都成为今年来各种研究的重点。
近年来，诸多专家学者已经对电力应急机制及平台的建设、电力应急决策方案的指定与实施、电力应急指标体系的构建等有了集中的研究，但是关于移动应急电源的优化配置问题的研究仍然较少。其中，现有的研究中，大多集中于最小化用电用户的停电损失或最小化灾害损失为目标函数，或者单纯考虑移动应急电源的选址问题。
此外，对于所建立的移动应急电源模型，其多目标或单目标的求解，可以有多种仿生学智能优化算法。其中，灰狼算法作为一种新兴的仿生学智能算法，对于多种问题的优化求解都展现出简洁、高效的优势，同时其兼顾了全局搜索和局部搜索的平衡问题，收敛速度快，全局性能好，所得到的最优解精度也较高。但是作为仿生学优化算法的一种，其存在着普遍的依赖初始种群多样性的问题，容易陷入局部最优解，以及其收敛因子的线性收敛导致的优化性能不足等问题。
发明内容
本发明提供了一种应急电源优化配置方法、装置、电子设备及存储介质，用于解决现有的移动应急电源配置方法未综合考虑多种可能的影响因素，应急电源的配置不够合理的技术问题。
本发明提供了一种应急电源优化配置方法，包括：
以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；
求解所述移动应急电源配置目标函数，得到最优配置参数；
基于所述最优配置参数进行应急电源配置，得到应急电源配置结果。
可选地，所述求解所述移动应急电源配置目标函数，得到最优配置参数的步骤，包括：
在所述移动应急电源配置目标函数的候选区域中生成初始化种群，所述初始化种群中包括多个灰狼个体；
初始化系数向量和收敛因子；
计算每个灰狼个体的适应度，将适应度最高的灰狼个体确定为目标灰狼；
基于所述目标灰狼的位置，更新每个灰狼个体的位置；
对所述移动应急电源配置目标函数进行约束处理，计算每个灰狼个体的约束因子；
根据所述约束因子计算每个灰狼个体所有约束条件的惩罚因子；
计算每个灰狼个体的适应度值；
对所有灰狼个体的适应度值进行排序，并记录所有灰狼个体的当前位置；
判断所述惩罚因子是否达到预设精度要求，或，当前迭代次数是否达到最大迭代次数；
若是，将当前位置的灰狼个体对应的配置参数作为最优配置参数。
可选地，还包括：
若所述惩罚因子未达到预设精度要求，且所述当前迭代次数未达到最大迭代次数，更新所述系数向量和所述收敛因子；
根据更新后的系数向量和更新好的收敛因子计算每个灰狼个体的更新适应度；
根据所述更新适应度确定新的目标灰狼，并返回基于所述目标灰狼的位置，更新每个灰狼个体的位置的步骤。
可选地，所述基于所述目标灰狼的位置，更新每个灰狼个体的位置的步骤，包括：
计算每个灰狼个体的位置与所述目标灰狼的位置之间的距离；
根据所述距离更新每个灰狼个体的位置。
本发明还提供了一种应急电源优化配置装置，包括：
移动应急电源配置目标函数生成模块，用于以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；
移动应急电源配置目标函数求解模块，用于求解所述移动应急电源配置目标函数，得到最优配置参数；
配置模块，用于基于所述最优配置参数进行应急电源配置，得到应急电源配置结果。
可选地，所述移动应急电源配置目标函数求解模块，包括：
初始化种群生成子模块，用于在所述移动应急电源配置目标函数的候选区域中生成初始化种群，所述初始化种群中包括多个灰狼个体；
系数向量和收敛因子初始化子模块，用于初始化系数向量和收敛因子；
目标灰狼确定子模块，用于计算每个灰狼个体的适应度，将适应度最高的灰狼个体确定为目标灰狼；
个体位置更新子模块，用于基于所述目标灰狼的位置，更新每个灰狼个体的位置；
约束因子计算子模块，用于对所述移动应急电源配置目标函数进行约束处理，计算每个灰狼个体的约束因子；
惩罚因子计算子模块，用于根据所述约束因子计算每个灰狼个体所有约束条件的惩罚因子；
适应度值计算子模块，用于计算每个灰狼个体的适应度值；
排序子模块，用于对所有灰狼个体的适应度值进行排序，并记录所有灰狼个体的当前位置；
判断子模块，用于判断所述惩罚因子是否达到预设精度要求，或，当前迭代次数是否达到最大迭代次数；
最优配置参数确定子模块，用于若是，将当前位置的灰狼个体对应的配置参数作为最优配置参数。
可选地，所述移动应急电源配置目标函数求解模块，还包括：
系数向量和收敛因子更新子模块，用于若所述惩罚因子未达到预设精度要求，且所述当前迭代次数未达到最大迭代次数，更新所述系数向量和所述收敛因子；
更新适应度计算子模块，用于根据更新后的系数向量和更新好的收敛因子计算每个灰狼个体的更新适应度；
返回子模块，用于根据所述更新适应度确定新的目标灰狼，并返回基于所述目标灰狼的位置，更新每个灰狼个体的位置的步骤。
可选地，所述个体位置更新子模块，包括：
距离计算单元，用于计算每个灰狼个体的位置与所述目标灰狼的位置之间的距离；
个体位置更新单元，用于根据所述距离更新每个灰狼个体的位置。
本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的应急电源优化配置方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的应急电源优化配置方法。
从以上技术方案可以看出，本发明具有以下优点：本发明通过以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；求解移动应急电源配置目标函数，得到最优配置参数；基于最优配置参数进行应急电源配置，得到应急电源配置结果。本发明的应急电源配置综合考虑了多种可能的影响因素，从而达到更好的配置效果。
附图说明
为了更清楚地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地介绍，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种应急电源优化配置方法的步骤流程图；
图2为本发明实施例提供的一种应急电源优化配置装置的结构框图。
具体实施方式
本发明实施例提供了一种应急电源优化配置方法、装置、电子设备及存储介质，用于解决现有的移动应急电源配置方法未综合考虑多种可能的影响因素，应急电源的配置不够合理的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种应急电源优化配置方法的步骤流程图。
本发明提供的一种应急电源优化配置方法，具体可以包括以下步骤：
步骤101，以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；
在本发明实施例中，可以以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数。
其中，以总停电损失费用最小为优化目标的优化函数如下：
其中，zij为0-1变量，若第i个供电所向第j个失电用户提供至少一个移动应急电源，则zij＝1，否则zij＝0。m为分区供电所数量，n为重要失电用户数，l为移动电源类型数量。其中，第k种类型的移动电源容量为Pk，第j个重要用户的缺电功率为dj，第j个重要用户单位时间、单位功率的停电损失为cj，从停电开始到该城市的移动应急电源接到调度指令发车所需的时间为t′，应急电源从第i(i＝1，2，......m)个供电所到第j个重要用户的时间为tij。设第i个供电所向第j个重要用户提供第k种应急电源的个数为xijk，为调度决策变量。同时，由于不同用户在停电时的损失不同，同一用户停电时不同负荷部分所承受的损失也不同，因此失电用户的停电损失主要与用户的停电时间、停电功率及停电负荷类型有关。不同失电用户在单位时间、单位功率的停电损失与其自身的重要性程度成正比，因此，对于重要性程度较高的失电用户，应该率先进行移动电源的调度，更快的加速恢复其供电。因此，应对不同用户停电时的重要性程度进行分析，主要考虑生命损失、经济损失及特殊损失三中损失类型，并分别用α，β，ω来反映该负荷在停电时所受到的生命安全、经济利益和特殊类型的损失的程度。并将其分为五个等级，按照{1，2，3，4，5}顺序排列，重要程度依次升高。举例来说：医院在停电时因为有病人的原因，其生命损失较高，故α值为5；大型工厂在停电时生产线无法作业，因此经济损失较高，即其β值为5；而军工企业在停电时收到的特殊损失则较高，故其ω值为5。因此，对于某个失电用户，其停电时的重要性程度为：
Ij＝δααj+δββj+δωωj
其中，δα，δβ，δω分别为对用户进行重要性程度分析时的权重因子，并且δα+δβ+δω＝1。
因此，可根据用户的重要性程度和单位时间、单位功率的基本停电损失cj′来确定重要用户j的单位时间、单位功率的停电损失值cj，即：cj＝Ijcj′。
以各用户对移动应急电源的富余容量之和最小为优化目标的优化函数如下：
以最大化被满足的用户数为优化目标的优化函数如下：
以最小化所有被选择的供应点的交通便利度为优化目标的优化函数如下：
Km越小则交通便利度越大。
同时，上述优化问题的约束条件为：
1)分区供电所的移动应急电源个数限制：
对于第i个分区应急供电所而言，提供的第k种类型的移动应急电源总数量应不大于该分区供电所第k种类型的移动应急电源的可用数量，即：
其中，i＝1,2,......m；k＝1,2......l；yik为第i个分区供电所拥有的第k种类型移动应急电源的数目。
2)失电用户的电力需求限制：
对于第j个失电用户，所调度的应急电源可供电力总容量之和需要满足该用户对电力的需求，即：
电力应急资源的调度要尽量避免可用移动应急电源数量的冗余，尽量使得所调度的应急电源数量恰好能满足失电用户对电力的需求。因此，对于第j个失电用户，如果所调度来的应急电源少任意一个，该用户的电力需求将不能得到满足。这样，该约束可以描述为：
式中，j＝1,2,……n；k＝1,2……l；f_sgn(x)为符号函数。
步骤102，求解移动应急电源配置目标函数，得到最优配置参数；
在多目标问题的求解过程中，可以采用灰狼算法进行求解，但是灰狼算法作为仿生学优化算法的一种，其存在着普遍依赖初始种群多样性，容易陷入局部最优解、以及其收敛因子的线性收敛导致的优化性能不足的问题。因此，本发明提出了一种改进的灰狼算法来求解上述移动应急电源配置优化问题。具体可以包括以下步骤：
S201，在移动应急电源配置目标函数的候选区域中生成初始化种群，初始化种群中包括多个灰狼个体；
在具体应用中，可以利用基于空间变换的种群初始化方法对灰狼算法进行参数初始化。
首先，在移动应急电源配置目标函数的候选区域中随机生成规模为N的初始种群。其中候选区域是指移动应急电源配置目标函数中各个参数的范围值。初始化种群即为各个参数对应的某个参数值的集合。
在具体实现中，可以利用佳点集法使得生成的种群更加均匀，N的大小一般为变量维数的10倍。同时，还需要设置改进灰狼算法的最大迭代次数。
在一个示例中，可以选着STS-R模型作为空间变换的种群初始化模型，其中，基础模型为：
令x为当前搜索空间S的一个解，x∈[a,b]。在变换搜索空间S*中的解x*定义为：
x*＝Δ-x
其中，Δ是可计算值，x*∈[Δ-b,Δ-a]。
在STS-R模型中，令Δ＝k(a+b)，并令k＝r，而r＝rand(0,1)，则：
x*＝r(a+b)-x，
其中，rand(0,1)是[0,1]间的一个随机数，而x∈[a,b]，且x*∈[r(a+b)-b,r(a+b)-a]。该变换空间的中心位置位于
与
间的某个点。
当所处空间为n维时，上述式子变为：
初始化时，令向量X＝(x1,x2,x3......xn)为n维空间的一个解，并且函数f(x)为计算解的适应度的函数，则根据空间变换法STS，
为相应的变换空间中关于X的解。如果适应度f(x*)大于f(x)，则将解X更新为X*，反之，则保留解X。因此，通过同时计算变换空间与原空间中种群个体的适应度并不断从中选取最优值，便得到了当前解的更精确的逼近值。
S202，初始化系数向量和收敛因子；
接着，需要初始化改进灰狼算法的系数向量A、C和收敛因子a。C主要决定了新位置相对于目标灰狼的方位，而A则决定新位置向目标靠近还是远离目标灰狼。当|A|>＝1时，为远离目标，表现出更强的全局搜索能力，|A|<1时靠近目标，表现出更强的局部搜索能力。具体地，对于收敛因子a，可以使用非线性因子收敛车辆进行优化，同时令迭代次数t＝1：
其中，个体与猎物间的距离为：
其中：
表示第t代猎物的位置，
表示第每一个灰狼个体的位置，
和
为系数向量，其被定义为：
其中：
和
为[0,1]间的随机向量，
在原始灰狼算法中为随着迭代次数的增加线性从2递减到0的参数，即：
但是考虑到算法解决的多目标优化问题在实际收敛过程中并不是线性过程，因此线性收敛的参数a在收敛过程中的表现并不良好，因此使用下述的非线性收敛方式对其进行优化：
其中：e是自然对数的底数，t是当前迭代次数，m为最大迭代次数。
S203，计算每个灰狼个体的适应度，将适应度最高的灰狼个体确定为目标灰狼；
S204，基于目标灰狼的位置，更新每个灰狼个体的位置；
接着可以计算每个灰狼个体的适应度，将适应度最高的灰狼个体确定为目标灰狼α，β，δ，并且保存当前的最优解，其余灰狼个体可以根据上述目标灰狼的位置来更新自己的位置。
在一个示例中，基于目标灰狼的位置，更新每个灰狼个体的位置的步骤可以包括：
计算每个灰狼个体的位置与目标灰狼的位置之间的距离；根据距离更新每个灰狼个体的位置。
相应的方程如下：
其中，
为算法的系数向量，主要决定了灰狼个体新位置相对于目标灰狼的方位，定义为
其中
为[0,1]间的随机向量；
分别为适应度最高的三条目标灰狼个体α，β，δ的个体位置。
S205，对移动应急电源配置目标函数进行约束处理，计算每个灰狼个体的约束因子；
S206，根据约束因子计算每个灰狼个体所有约束条件的惩罚因子；
在本发明实施例中，可以利用罚函数法对多目标优化问题进行约束处理，并计算每个灰狼个体的约束条件的约束因子，即：
若约束化目标问题为：
minf(x)
s.t.gj(x)≤0；j＝1，2......p
hj(x)＝0；j＝p+1，p+2，...m
li≤xi≤ui；j＝1,2......d
将等式条件hj(x)＝0；j＝p+1,p+2,......,m进行不等式化处理为：
其中ε为一个数值很小的正数容忍值，之后构造广义目标函数：
F(x)＝f(x)+δ(t)H(x)
其中f(x)为原目标函数，δ(t)H(x)为惩罚项，δ(t)表示惩罚力度，H(x)为惩罚因子。
并且采用非固定多段映射罚函数法，即δ(t)不固定，并结合粒子群算法求解，设：
qj(x)＝max{0，pj(x)}
其中：qj(x),pj(x)表示对约束的违反程度，r(qj(x))表示惩罚函数的强度，0(qj(x))为分段映射函数，δ(t)为随迭代次数变化的惩罚力度。因此，可以根据不同约束问题所要求的解的精度的不同，自动适应选择不同的合适的惩罚力度，并避免了在精确罚函数中惩罚因子难以选取的问题。
S207，计算每个灰狼个体的适应度值；
S208，对所有灰狼个体的适应度值进行排序，并记录所有灰狼个体的当前位置；
S209，判断惩罚因子是否达到预设精度要求，或，当前迭代次数是否达到最大迭代次数；
S210，若是，将当前位置的灰狼个体对应的配置参数作为最优配置参数。
进一步地，本发明实施例还包括：
S211，若惩罚因子未达到预设精度要求，且当前迭代次数未达到最大迭代次数，更新系数向量和收敛因子；
S212，根据更新后的系数向量和更新好的收敛因子计算每个灰狼个体的更新适应度；
S213，根据更新适应度确定新的目标灰狼，并返回基于目标灰狼的位置，更新每个灰狼个体的位置的步骤。
若惩罚因子未达到预设精度要求，且当前迭代次数未达到最大迭代次数，则可以根据空间变换方法进行搜索，更新系数向量和收敛因子，并重新计算每个灰狼个体的适应度值。接着根据更新适应度重新确定目标灰狼，并返回基于目标灰狼的位置，更新每个灰狼个体的位置的步骤。
步骤103，基于最优配置参数进行应急电源配置，得到应急电源配置结果。
在得到最优配置参数后，可以按照该最优配置参数进行应急电源配置。
本发明通过以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；求解移动应急电源配置目标函数，得到最优配置参数；基于最优配置参数进行应急电源配置，得到应急电源配置结果。本发明的应急电源配置综合考虑了多种可能的影响因素，从而达到更好的配置效果。
请参阅图2，图2为本发明实施例提供的一种应急电源优化配置装置的结构框图。
本发明实施例提供了一种应急电源优化配置装置，包括：
移动应急电源配置目标函数生成模块201，用于以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；
移动应急电源配置目标函数求解模块202，用于求解移动应急电源配置目标函数，得到最优配置参数；
配置模块203，用于基于最优配置参数进行应急电源配置，得到应急电源配置结果。
在本发明实施例中，移动应急电源配置目标函数求解模块202，包括：
初始化种群生成子模块，用于在移动应急电源配置目标函数的候选区域中生成初始化种群，初始化种群中包括多个灰狼个体；
系数向量和收敛因子初始化子模块，用于初始化系数向量和收敛因子；
目标灰狼确定子模块，用于计算每个灰狼个体的适应度，将适应度最高的灰狼个体确定为目标灰狼；
个体位置更新子模块，用于基于目标灰狼的位置，更新每个灰狼个体的位置；
约束因子计算子模块，用于对移动应急电源配置目标函数进行约束处理，计算每个灰狼个体的约束因子；
惩罚因子计算子模块，用于根据约束因子计算每个灰狼个体所有约束条件的惩罚因子；
适应度值计算子模块，用于计算每个灰狼个体的适应度值；
排序子模块，用于对所有灰狼个体的适应度值进行排序，并记录所有灰狼个体的当前位置；
判断子模块，用于判断惩罚因子是否达到预设精度要求，或，当前迭代次数是否达到最大迭代次数；
最优配置参数确定子模块，用于若是，将当前位置的灰狼个体对应的配置参数作为最优配置参数。
在本发明实施例中，移动应急电源配置目标函数求解模块202，还包括：
系数向量和收敛因子更新子模块，用于若惩罚因子未达到预设精度要求，且当前迭代次数未达到最大迭代次数，更新系数向量和收敛因子；
更新适应度计算子模块，用于根据更新后的系数向量和更新好的收敛因子计算每个灰狼个体的更新适应度；
返回子模块，用于根据更新适应度确定新的目标灰狼，并返回基于目标灰狼的位置，更新每个灰狼个体的位置的步骤。
在本发明实施例中，个体位置更新子模块，包括：
距离计算单元，用于计算每个灰狼个体的位置与目标灰狼的位置之间的距离；
个体位置更新单元，用于根据距离更新每个灰狼个体的位置。
本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行本发明实施例的应急电源优化配置方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的应急电源优化配置方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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)
1.一种应急电源优化配置方法，其特征在于，包括：
以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；
求解所述移动应急电源配置目标函数，得到最优配置参数；
基于所述最优配置参数进行应急电源配置，得到应急电源配置结果。
2.根据权利要求1所述的方法，其特征在于，所述求解所述移动应急电源配置目标函数，得到最优配置参数的步骤，包括：
在所述移动应急电源配置目标函数的候选区域中生成初始化种群，所述初始化种群中包括多个灰狼个体；
初始化系数向量和收敛因子；
计算每个灰狼个体的适应度，将适应度最高的灰狼个体确定为目标灰狼；
基于所述目标灰狼的位置，更新每个灰狼个体的位置；
对所述移动应急电源配置目标函数进行约束处理，计算每个灰狼个体的约束因子；
根据所述约束因子计算每个灰狼个体所有约束条件的惩罚因子；
计算每个灰狼个体的适应度值；
对所有灰狼个体的适应度值进行排序，并记录所有灰狼个体的当前位置；
判断所述惩罚因子是否达到预设精度要求，或，当前迭代次数是否达到最大迭代次数；
若是，将当前位置的灰狼个体对应的配置参数作为最优配置参数。
3.根据权利要求1所述的方法，其特征在于，还包括：
若所述惩罚因子未达到预设精度要求，且所述当前迭代次数未达到最大迭代次数，更新所述系数向量和所述收敛因子；
根据更新后的系数向量和更新好的收敛因子计算每个灰狼个体的更新适应度；
根据所述更新适应度确定新的目标灰狼，并返回基于所述目标灰狼的位置，更新每个灰狼个体的位置的步骤。
4.根据权利要求2所述的方法，其特征在于，所述基于所述目标灰狼的位置，更新每个灰狼个体的位置的步骤，包括：
计算每个灰狼个体的位置与所述目标灰狼的位置之间的距离；
根据所述距离更新每个灰狼个体的位置。
5.一种应急电源优化配置装置，其特征在于，包括：
移动应急电源配置目标函数生成模块，用于以总停电损失费用最小、各用户对移动应急电源的富余容量之和最小、被满足的用户数最大和所有被选择的供应点的交通便利度最小为优化目标，以分区供电所的移动应急电源个数和失电用户的电力需求为约束条件，生成移动应急电源配置目标函数；
移动应急电源配置目标函数求解模块，用于求解所述移动应急电源配置目标函数，得到最优配置参数；
配置模块，用于基于所述最优配置参数进行应急电源配置，得到应急电源配置结果。
6.根据权利要求5所述的装置，其特征在于，所述移动应急电源配置目标函数求解模块，包括：
初始化种群生成子模块，用于在所述移动应急电源配置目标函数的候选区域中生成初始化种群，所述初始化种群中包括多个灰狼个体；
系数向量和收敛因子初始化子模块，用于初始化系数向量和收敛因子；
目标灰狼确定子模块，用于计算每个灰狼个体的适应度，将适应度最高的灰狼个体确定为目标灰狼；
个体位置更新子模块，用于基于所述目标灰狼的位置，更新每个灰狼个体的位置；
约束因子计算子模块，用于对所述移动应急电源配置目标函数进行约束处理，计算每个灰狼个体的约束因子；
惩罚因子计算子模块，用于根据所述约束因子计算每个灰狼个体所有约束条件的惩罚因子；
适应度值计算子模块，用于计算每个灰狼个体的适应度值；
排序子模块，用于对所有灰狼个体的适应度值进行排序，并记录所有灰狼个体的当前位置；
判断子模块，用于判断所述惩罚因子是否达到预设精度要求，或，当前迭代次数是否达到最大迭代次数；
最优配置参数确定子模块，用于若是，将当前位置的灰狼个体对应的配置参数作为最优配置参数。
7.根据权利要求5所述的装置，其特征在于，所述移动应急电源配置目标函数求解模块，还包括：
系数向量和收敛因子更新子模块，用于若所述惩罚因子未达到预设精度要求，且所述当前迭代次数未达到最大迭代次数，更新所述系数向量和所述收敛因子；
更新适应度计算子模块，用于根据更新后的系数向量和更新好的收敛因子计算每个灰狼个体的更新适应度；
返回子模块，用于根据所述更新适应度确定新的目标灰狼，并返回基于所述目标灰狼的位置，更新每个灰狼个体的位置的步骤。
8.根据权利要求6所述的装置，其特征在于，所述个体位置更新子模块，包括：
距离计算单元，用于计算每个灰狼个体的位置与所述目标灰狼的位置之间的距离；
个体位置更新单元，用于根据所述距离更新每个灰狼个体的位置。
9.一种电子设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的应急电源优化配置方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的应急电源优化配置方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111283937.0A CN113988662A (zh) | 2021-11-01 | 2021-11-01 | 一种应急电源优化配置方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111283937.0A CN113988662A (zh) | 2021-11-01 | 2021-11-01 | 一种应急电源优化配置方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988662A true CN113988662A (zh) | 2022-01-28 |
Family
ID=79745422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111283937.0A Pending CN113988662A (zh) | 2021-11-01 | 2021-11-01 | 一种应急电源优化配置方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988662A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115411806A (zh) * | 2022-08-02 | 2022-11-29 | 深圳市旭联信息技术有限公司 | 基于储能设备的保护方法、装置及电子设备 |
-
2021
- 2021-11-01 CN CN202111283937.0A patent/CN113988662A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115411806A (zh) * | 2022-08-02 | 2022-11-29 | 深圳市旭联信息技术有限公司 | 基于储能设备的保护方法、装置及电子设备 |
| CN115411806B (zh) * | 2022-08-02 | 2023-05-05 | 深圳市旭联信息技术有限公司 | 基于储能设备的保护方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kang et al. | A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence | |
| 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 | |
| CN110321217A (zh) | 一种多目标的云资源调度方法、装置、设备及存储介质 | |
| Li et al. | Efficient resource scaling based on load fluctuation in edge-cloud computing environment | |
| CN113988662A (zh) | 一种应急电源优化配置方法、装置、电子设备及存储介质 | |
| Wang et al. | A power load forecasting model based on FA‐CSSA‐ELM | |
| CN117060408B (zh) | 新能源发电预测方法及系统 | |
| CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
| CN113139639A (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
| CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
| CN117151482A (zh) | 一种基于多目标优化的应急物资调度和路径规划方法 | |
| CN116961052A (zh) | 一种分布式储能系统的选址定容方法及系统 | |
| Wen et al. | A multi-objective optimization method for emergency medical resources allocation | |
| Li et al. | An improved PSO algorithm for optimized material scheduling in emergency relief | |
| Fedorchenko et al. | Modified genetic algorithm to determine the location of the distribution power supply networks in the city | |
| CN112200366A (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
| Alvarado et al. | Ant colony systems application for electric distribution network planning | |
| CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 | |
| Zekić-Sušac | Machine learning in energy consumption management | |
| CN110135624A (zh) | 一种基于二维数据流的组合lstm模型的数据预测方法 | |
| Wang et al. | Short-term Load Forecasting Based On Variational Mode Decomposition And Chaotic Grey Wolf Optimization Improved Random Forest Algorithm | |
| CN115277416B (zh) | 工业互联网中边缘计算的容器部署方法及系统 | |
| Han et al. | An Improved Ant Colony Optimization for Large Scale Colored Traveling Salesman Problem | |
| De Moraes et al. | An evolutive hybrid approach to cloud computing provider selection | |
| Kousounadis-Knousen et al. | A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework |
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 |