CN114004065A - 基于智能算法和环境约束下的变电站工程多目标优化方法 - Google Patents

基于智能算法和环境约束下的变电站工程多目标优化方法 Download PDF

Info

Publication number
CN114004065A
CN114004065A CN202111188138.5A CN202111188138A CN114004065A CN 114004065 A CN114004065 A CN 114004065A CN 202111188138 A CN202111188138 A CN 202111188138A CN 114004065 A CN114004065 A CN 114004065A
Authority
CN
China
Prior art keywords
environmental
project
engineering
optimization
individual
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
CN202111188138.5A
Other languages
English (en)
Inventor
周夕楚
吴斌
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202111188138.5A priority Critical patent/CN114004065A/zh
Publication of CN114004065A publication Critical patent/CN114004065A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Abstract

本发明公开了一种基于智能算法和环境约束下的变电站工程多目标优化方法，解决了传统方案未考虑实际因素、未考虑环境要求，亟需新的方法求解优化可行方案的问题，其技术方案要点是结合工程实际构建一种工期、成本、质量与环境四目标为指标的优化模型，建立工期、成本、质量基本的三大目标模型，基于评估打分的结果，采用灰度关联法生成关于环境指标的工程的优先级链，在考虑资源的约束，构建相应的环境指标模型，利用SOA算法求解出可行且符合决策者需求的方案，本发明的基于智能算法和环境约束下的变电站工程多目标优化方法，能更快、更高精度的获取需求方案，更加切合实际需求。

Description

基于智能算法和环境约束下的变电站工程多目标优化方法
技术领域
本发明涉及工程项目管理技术，特别涉及一种基于智能算法和环境约束下的变电站工程多目标优化方法。
背景技术
针对变电站工程项目管理问题，国内外学者主要研究基于工期、成本、质量和安全等其中三个指标的优化问题，而且大都采用粒子群算法等种群算法来求解从而得要优化的管理方案。传统的变电站工程的管理，为了实现项目的目标全过程、全方位的发展，在工期、成本、质量三个目标之间寻求平衡，构建数学模型并给以相应算法求解。但随着变电站管理的要求逐渐提升，满足环境保护要求成为工程项目施工必须考虑的因素和目标，亟需更优化的方法获取可行的管理方案。
发明内容
本发明的目的是提供一种基于智能算法和环境约束下的变电站工程多目标优化方法，能更快、更高精度的获取需求方案，更加切合实际需求。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于智能算法和环境约束下的变电站工程多目标优化方法，包括有以下步骤：
S1、建立以变电站工程项目的工期T、成本C、质量Q为目标的优化目标模型；
S2、引入环境指标构建环境E和工期T的优化目标模型，采用灰度关联法生成关于环境指标的工程优先级链；
S3、基于资源约束，构建环境指标的数学模型；
S4、采用SOA算法求解，获取所需结果。
综上所述，本发明具有以下有益效果：
结合工程实际构建一种工期、成本、质量与环境四目标为指标的优化模型，并给出一种改进的优化算法来求解模型，在传统三大基本指标优化的模型的基础上，量化环境影响因素，用Lagrange乘子法求得在资源约束的条件下，求得环境与工期的数学模型，并引入三大基本模型中去成为四目标的优化模型，更加符合现代变电站工程项目决策者的需求与管理的要求；
相比传统的优化模型，本方法下更加贴近实际工程且更加复杂，所求得的解集也具有多样性，可以满足决策者的指标偏好。同时，由于模型变得更加复杂，采用弹性更大，包容性更强的算法来求解模型，得到的解更具多样性，也更加符合实际。
附图说明
图1为本方法的流程示意图；
图2为本实施例实例的示意图；
图3为本实例的仿真结果图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例，公开了一种基于智能算法和环境约束下的变电站工程多目标优化方法，包括有以下步骤：
S1、建立以变电站工程项目的工期T、成本C、质量Q为目标的优化目标模型；
S2、引入环境指标构建环境E和工期T的优化目标模型，采用灰度关联法生成关于环境指标的工程优先级链；
S3、基于资源约束，构建环境指标的数学模型；
S4、采用SOA算法求解，获取所需结果。
具体的，如图1所示：
建立以变电站工程项目的工期T、成本C、质量Q为主要优化目标的模型。
Figure BDA0003300124910000031
Figure BDA0003300124910000032
引入环境指标，构建环境E和工期T的模型。
首先，要求专家对各工程关于环境指标的要求的高低进行评估与打分，然后根据灰度关联分析法求出各工程优先级，得各个工程的优先级链。
资源约束下模型的建立：
在根据指标权重排序后，本文在阅读相关资料和文献后，建立有关环境影响的数学模型：
Figure BDA0003300124910000033
其中，E表示总工程项目对环境的影响比例系数；d表示施工范围与居民聚集区的距离水平；F表示工程施工的噪声污染标准；ej表示子工程j对周围环境产生的污染指数；R表示最优资源分配。
Figure BDA0003300124910000034
Figure BDA0003300124910000041
其中，uj表示关键路径上的子工程j资源消耗水平；kj表示根据优先级排序后子工程j在链π上的位置；Hj表示子工程j的所分配的人力资源；η为恶化因子。
一般工程中，为了提高工程的效率，项目在制定草拟计划阶段会预先选定工程的人力资源最大系数。因此：
Figure BDA0003300124910000042
其中，G表示最大人力资源比例系数，B表示关键路径上子工程的集合。而由于E中只有R与Hj有关，
Figure BDA0003300124910000043
与Hj无关，所以在约束条件
Figure BDA0003300124910000044
下，可以把Pj看做一个不变的量，所以，此时求E最小，也就是求R最小。
基于这个约束条件下，目标函数为：
Figure BDA0003300124910000045
显然，在
Figure BDA0003300124910000046
下，目标函数R取得最小。因此，该问题变成R在满足约束条件
Figure BDA0003300124910000047
时的条件极值问题。对于这个问题，采用Lagrange乘子法去解决，其Lagrange函数为：
Figure BDA0003300124910000048
其中λ(λ≥0)为Lagrange乘子。
因为目标函数是凸函数，在上式中分别对H[j]，λ求偏导数，并令导函数为0，可得：
Figure BDA0003300124910000051
Figure BDA0003300124910000052
可得：
Figure BDA0003300124910000053
进而可得
Figure BDA0003300124910000054
Figure BDA0003300124910000055
基于上述条件，更新资源消耗水平：
Figure BDA0003300124910000056
所以此时，最终的资源总量为：
Figure BDA0003300124910000057
由上述可得环境指标的数学模型：
Figure BDA0003300124910000058
Figure BDA0003300124910000061
通过模型的假设可知成本、工期、质量是该项目的主要影响因素，结合上述的理论推导，把环境目标函数加入进来，可建立如下的工期——成本——质量——环境四目标优化模型：
Figure BDA0003300124910000062
Figure BDA0003300124910000063
Figure BDA0003300124910000064
Figure BDA0003300124910000065
采用SOA算法来求解：
SOA使用一组随机解作为初始种群，假设在n维空间搜索空间中有m个个体，第i个个体的位置表示为
Xi＝(xi 1,xi 2,…,xi k,…,xi n)；i＝1,2,…,m
则第t+1次迭代时个体第k维位置分量的更新为
Figure BDA0003300124910000071
Figure BDA0003300124910000072
其中：xrand k(t)为第t次迭代时随机个体的第k维位置分量；xbest k(t)为第t次迭代时种群中最优个体的第k维位置分量；Iteration为最大迭代次数；a为常数；r2为[0,2π]之间的随机数，r3为[0,1]之间随机数。
算法通过r1、r2、r3来平衡优化过程中的全局搜索和局部开发。迭代开始时r1较大，r1×sinr2有较大的波动幅度，可以更好地进行全局搜索；随着r1的减小，个体的位置变化量小，算法进行局部开发。r3的大小决定了个体在下一次迭代位置移动的起点，当r3的取值在[0,0.5)时，对随机个体的位置进行修改获得下一个位置，因此可以覆盖更广的搜索区域；当r3取值在[0.5,1]时，对最优个体的位置进行修改获得下一个位置，可以完成在最优个体附近的局部开发。
为说明清楚，现举一实例：
选取S市的政府规划建设A项目110kV变电站，位于新建的产业园区，该区域规划面积较小，电力负荷较为集中，如图2所示。
工程数据如下表：
Figure BDA0003300124910000073
Figure BDA0003300124910000081
Pn：在正常条件下，完成这个子工程所需要的的时间，这个正常持续时间取决于施工工人熟练度，技术水平、管理人员的管理督查情况、物料的及时供应等；
Pe：完成这个子工程所需要的最短时间；
Pl：完成这个子工程所需要的最长时间；
ej：子工程j对周围环境产生的污染指数；
bi：工序在正常持续时间下完工的成本；
γi：边际成本递增因子；
ωi：各子工程所占整个工程项目的比重，也叫工程质量权重；
Qbasic：完成该工序所达到的最低质量水平值。
利用网络计划技术求解网络图的关键路径为：
A—B—C—D—G—J—M—N—P—S—T—V—W。
根据灰度关联分析法，对子工程的各个指标赋权重。经专家组的评估与考察，选定以下指标来为子工程赋权
Figure BDA0003300124910000082
Figure BDA0003300124910000091
根据Matlab编程算法实现，可得权重参数
Figure BDA0003300124910000092
然后根据已赋权重，采用TOPSIS法，已知各个子工程指标的系数：
Figure BDA0003300124910000093
由软件SPSS进行灰度关联分析法分析，得子工程的优先级链：
G—R—Q—F—I—L—B—T—J—P—C—N—S—A—M—E—D—H—W—V。
采用Matlab2020a软件计算机上实现算法编程，此问题以变电站施工项目中的各工序的持续时间Pi为决策向量X，本例中共有20道工序，因此P为20维向量。故设定多目标粒子群算法的可行解的维数D为20，初始种群数量设定为100，最大循环迭代次数为500，外部集存储个数为30。
参数设置：Maxlt＝500；％最大迭代次数；nPop＝100；％种群数目；nRep＝50；％存储数目；ω＝0.6；％惯性权重；c1＝1；％个体学习因子；c2＝2；％全局学习参数；η＝1；％恶化因子；G＝100；％最大人力资源比例系数。
在Matlab2020a中运行多目标粒子群算法的程序，经过一次运行获得50个Pareto最优解，计算过程迭代500次左右就可以获得30个Pareto最优的解集，仿真结果如图3所示。
由于工程真正实施的时候，实际往往会与设计时的预计有出入，工程实际中，工期、成本、质量和环境对于最后的施工水平的侧重也有所不同。作为管理者可能会倾向于成本的最优，但是施工者则偏向于工期最短。基于每个优化量的不同侧重，在这30个解集中选取了四组相对各个指标最优的结果点(如下表)
Pareto最优解 工期(天) 成本(元) 质量(％) 环境(指数)
1 196 9023719.41 0.9314 95.7599
2 195 9029731.273 0.931 96.5243
3 199 9079212.308 0.9477 97.9482
4 197 9055321.41 0.934 95.7599
从表中可以看出，该方法所求得的Pareto最优解的组合可以让决策者的方案不至于单一化，可以用来解决变电站工程项目在各个目标中的要求。方案1适合追求成本最低的要求，方案2适合工期短，施工快的要求，方案3更适合高质量的工程要求，而方案4对环境破坏程度最小，适合对环保要求更高的工程。决策者可根据工程实际与项目的要求选择合适的工程方案
本发明以工期为自变量，量化成本、质量模型，结合工程实际中的各种不确定因素，量化环境影响：首先结合工程实际对各项指标和要求进行量化与评估，通过灰度关联分析法进行赋权，构建在工程环境指标要求下的优先级链；其次考虑工程具有资源约束的条件，在有限的资源的基础上实现网络图关键路径上工程的最优资源分配；最后构建环境与工期的数学模型，结合三大优化目标一起为变电站多目标优化问题提供一种可行的思路与参考。
同时在给出模型的基础上引入正弦优化SOA(Sinusoidal OptimizationAlgorithm)算法来求解所提出的多目标优化的问题，该方法在SCA(Sine CosineAlgorithm)算法的基础上用一种全新的位置更新策略，相比SCA算法具有更快的收敛速度以及更高的寻优精度。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (6)

1.一种基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，包括有以下步骤：
S1、建立以变电站工程项目的工期T、成本C、质量Q为目标的优化目标模型；
S2、引入环境指标构建环境E和工期T的优化目标模型，采用灰度关联法生成关于环境指标的工程优先级链；
S3、基于资源约束，构建环境指标的数学模型；
S4、采用SOA算法求解，获取所需结果。
2.根据权利要求1所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S1中具体的优化目标模型为：
Figure FDA0003300124900000011
Figure FDA0003300124900000012
3.根据权利要求2所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S2具体为：
对各工程关于环境指标的要求高低进行评估；
根据灰度关联分析法求出各工程优先级，得出各个工程的优先级链；
根据指标权重排序后，建立有关环境影响的优化目标模型
Figure FDA0003300124900000013
其中，E表示总工程项目对环境的影响比例系数；d表示施工范围与居民聚集区的距离水平；F表示工程施工的噪声污染标准；ej表示子工程j对周围环境产生的污染指数；R表示最优资源分配；
Figure FDA0003300124900000021
Figure FDA0003300124900000022
其中，uj表示关键路径上的子工程j资源消耗水平；kj表示根据优先级排序后子工程j在链π上的位置；Hj表示子工程j的所分配的人力资源；η为恶化因子。
4.根据权利要求3所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S3具体包括有：
预先选定工程的人力资源最大系数
Figure FDA0003300124900000023
其中，G表示最大人力资源比例系数，B表示关键路径上子工程的集合；
由于E中只有R与Hj有关，
Figure FDA0003300124900000024
与Hj无关，所以在约束条件
Figure FDA0003300124900000025
下，把Pj看做一个不变的量，此时求E最小，即求R最小；
基于约束条件下，目标函数为：
Figure FDA0003300124900000026
在
Figure FDA0003300124900000027
时，目标函数R取得最小；
根据目标函数求取环境指标的数学模型。
5.根据权利要求4所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，根据目标函数求取环境指标的数学模型具体为：
转换目标函数的求取，转变为R在满足约束条件
Figure FDA0003300124900000031
时的条件极值；
采用Lagrange乘子法去解决，其Lagrange函数为：
Figure FDA0003300124900000032
其中λ(λ≥0)为Lagrange乘子；
对H[j]，λ求偏导数，并令导函数为0，可得：
Figure FDA0003300124900000033
Figure FDA0003300124900000034
进而依次可得：
Figure FDA0003300124900000035
Figure FDA0003300124900000036
Figure FDA0003300124900000037
更新资源消耗水平：
Figure FDA0003300124900000038
获得最终资源总量为：
Figure FDA0003300124900000041
可得环境指标的数学模型为：
Figure FDA0003300124900000042
Figure FDA0003300124900000043
将环境目标函数加入，建立工期-成本-质量-环境四目标的优化模型：
Figure FDA0003300124900000044
Figure FDA0003300124900000045
Figure FDA0003300124900000046
Figure FDA0003300124900000047
6.根据权利要求5所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S4具体包括有：
SOA使用一组随机解作为初始种群，假设在n维空间搜索空间中有m个个体，第i个个体的位置表示为
Figure FDA0003300124900000051
第t+1次迭代时个体第k维位置分量的更新为
Figure FDA0003300124900000052
Figure FDA0003300124900000053
其中，xrand k(t)为第t次迭代时随机个体的第k维位置分量；xbest k(t)为第t次迭代时种群中最优个体的第k维位置分量；Iteration为最大迭代次数；a为常数；r2为[0,2π]之间的随机数，r3为[0,1]之间随机数
通过r1、r2、r3来平衡优化过程中的全局搜索和局部开发；迭代开始时可更好地进行全局搜索；随着r1的减小，个体的位置变化量小，算法进行局部开发；r3的大小决定了个体在下一次迭代位置移动的起点，当r3的取值在[0,0.5)时，对随机个体的位置进行修改获得下一个位置，可覆盖更广的搜索区域；当r3取值在[0.5,1]时，对最优个体的位置进行修改获得下一个位置，可完成在最优个体附近的局部开发。
CN202111188138.5A 2021-10-12 2021-10-12 基于智能算法和环境约束下的变电站工程多目标优化方法 Pending CN114004065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111188138.5A CN114004065A (zh) 2021-10-12 2021-10-12 基于智能算法和环境约束下的变电站工程多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111188138.5A CN114004065A (zh) 2021-10-12 2021-10-12 基于智能算法和环境约束下的变电站工程多目标优化方法

Publications (1)

Publication Number Publication Date
CN114004065A true CN114004065A (zh) 2022-02-01

Family

ID=79922661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111188138.5A Pending CN114004065A (zh) 2021-10-12 2021-10-12 基于智能算法和环境约束下的变电站工程多目标优化方法

Country Status (1)

Country Link
CN (1) CN114004065A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859832A (zh) * 2022-04-24 2022-08-05 合肥工业大学 一种t梁生产控制方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859832A (zh) * 2022-04-24 2022-08-05 合肥工业大学 一种t梁生产控制方法和系统

Similar Documents

Publication Publication Date Title
CN113792924A (zh) 一种基于Deep Q-network深度强化学习的单件作业车间调度方法
CN105631528B (zh) 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法
CN109214449A (zh) 一种电网投资需求预测方法
CN103279793A (zh) 一种确定环境下的无人飞行器编队任务分配方法
CN109039428B (zh) 基于冲突消解的中继卫星单址天线调度随机搜索方法
CN104077634B (zh) 基于多目标优化的主动‑反应式动态项目调度方法
Zhao et al. Improved multiple-objective dynamic programming model for reservoir operation optimization
CN111047272A (zh) 一种用于多语言协同开发的项目调度方法及装置
CN105809349A (zh) 一种考虑来水相关性梯级水电站群的调度方法
CN110674965A (zh) 基于动态特征选取的多时间步长风功率预测方法
CN104616062A (zh) 一种基于多目标遗传规划的非线性系统辨识方法
CN108038538A (zh) 基于强化学习的多目标进化算法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN105550393A (zh) 一种支持方案快速生成的枪械变型设计方法
CN115454005A (zh) 一种面向有限运输资源场景的制造车间动态智能调度方法及装置
CN111461404A (zh) 一种基于神经网络预测区间的短期负荷和水电预测方法
Chen et al. Combining fuzzy iteration model with dynamic programming to solve multiobjective multistage decision making problems
CN114004065A (zh) 基于智能算法和环境约束下的变电站工程多目标优化方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN110989343A (zh) 一种基于强化学习的多阶段装备组合规划方法
CN112686693A (zh) 电力现货市场边际电价预测方法、系统、设备及存储介质
CN112749517A (zh) 一种公差优化分配方法
Liu et al. Surrogate-assisted many-objective optimization of building energy management
CN104392317A (zh) 一种基于遗传文化基因算法的项目调度方法
González-Rodríguez et al. A genetic solution based on lexicographical goal programming for a multiobjective job shop with uncertainty

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