CN114676539B - 一种基于NB-IoT的智能电表多目标部署方法 - Google Patents
一种基于NB-IoT的智能电表多目标部署方法 Download PDFInfo
- Publication number
- CN114676539B CN114676539B CN202210382049.2A CN202210382049A CN114676539B CN 114676539 B CN114676539 B CN 114676539B CN 202210382049 A CN202210382049 A CN 202210382049A CN 114676539 B CN114676539 B CN 114676539B
- Authority
- CN
- China
- Prior art keywords
- deployment
- intelligent electric
- electric meter
- scheme
- meter
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于NB‑IoT的智能电表多目标部署方法,包括智能电表部署优化算法、多目标优化模型以及智能电表多目标部署优化算法,能够根据不同区域的情况,计算最少需要多少电表,并如何布设才能满足使用性能,从而实现节省成本,避免性能冗余的作用,提出智能电表多目标部署优化算法,该算法可以根据不同环境生成多种智能电表部署方案的集合,并且该集合中的方案为Pareto非支配关系,使部署方案具有多样性。
Description
技术领域
本发明涉及一种多目标部署方法,尤其涉及一种基于NB-IoT的智能电表多目标部署方法。
背景技术
随着5G、物联网等先进技术的逐渐推广和应用,电能表已经进入了智能时代,智能化的电能表增加了用电信息沟通和供电服务交互等功能。特别是基于窄带物联网(NB-IoT)的智能电表具有低功耗、广覆盖和大连接等多个优点,并且对已有的网络设施无需改造就可以满足用户密集区多种用户终端的应用。虽然基于NB-IoT的智能电表具有上述优点,但是其不但成本较高,并且其部署方案对智能电表的幅值误差和信息传输速率也有较大影响。启发式和元启发式方法已被应用于处理问题的组合性质,并决定要分配的智能电表的位置和数量。由于智能电表部署方案的主要目标之间相互矛盾,增加供电回路中电表数量可以有效的提高信息传输速率,但是会极大的增加成本,所以如何根据互相冲突的多个目标进行优化,给出合理的部署方法是亟待解决的问题。
其次,对于配电系统(EDS)来说,不同类型设备的优化配置并非易事。这是由于:i)电表放置问题具有组合性质,因为网络中有多个候选位置以及回路中的不同终端设备;ii)电表部署方案性能和成本价值函数之间的冲突。特别是智能电表的应用环境较为复杂,过去主要是根据人工经验在供电回路入口进行部署,并且根据需要再在回路的某些区域进行部署,主要考虑成本或信息传输的单一优化目标,没有对各个目标进行综合考量。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于NB-IoT的智能电表多目标部署方法。
为了解决以上技术问题,本发明采用的技术方案是:包括智能电表部署优化算法,步骤为:
步骤1,对所需部署智能电表的环境进行分析;
步骤2,根据步骤1的分析结果对智能电表的部署方案进行编码,随机生成多个部署方案构成初始的算法种群;
步骤3,建立多目标优化模型,计算每个部署方案的适应度值,根据非支配关系和拥挤距离进行排序;
步骤4,对排序选择优秀的方案根据智能电表多目标部署优化算法进行交叉和变异操作生成新的个体;
步骤5,计算新生成的个体的适应度值,并与原算法种群的适应度值进行合并后重新进行非支配排序和拥挤距离操作;
步骤6,满足智能电表多目标部署优化算法的结束条件,输出结果,否则返回步骤4。
进一步地,步骤1中分析确定配电室回路数量和终端设备数量,并获得回路电压的理想值、通道功率和各种终端设备的最大发射功率。
进一步地,步骤2中根据回路数量和终端设备数量确定供安装智能电表的位置和最大数量,然后对智能电表的部署方案进行编码,随机生成用于算法操作的智能电表部署方案的集合,算法种群中每一个个体都代表一个智能电表部署方案。
进一步地,步骤2中的编码规则使用一个0-1数组代表一个智能电表部署方案,0表示该位置没有部署智能电表,1表示该位置部署智能电表,每个回路至少部署一个智能电表。
进一步地,步骤3的多目标优化模型用于评价基于NB-IoT的智能电表部署方案性能,包括三项目标函数f1、f2、f3,分别代表智能电表的总部署成本、幅值误差和在NB-IoT下的信息传输速率,公式如下;
其中,c为单个智能电表的成本,M为部署区域中回路的数量,N为每个回路中终端设备的数量或可部署智能电表的位置数量;xij为二进制值,值为1时该位置部署智能电表,值为0时该位置不部署智能电表;Ii为系统节点电压的幅值误差最大值;和|Vi|分别是回路电压的估计值和精确值;hij为智能电表与终端设备之间的通道功率增益,为终端设备的最大发射功率,σ为智能电表和终端之间通道的高斯噪声方差。
进一步地,步骤3中的计算每个部署方案的适应度值是个体在种群生存的优势程度度量,用于区分个体的好坏,三个目标函数的值越小,说明该部署方案越好。
进一步地,步骤3中的非支配关系是分别比较两个部署方案的三项函数,如果一个方案的三个目标函数的值均优于另一个方案,则称该方案非支配另一个方案;步骤3中的拥挤距离是指种群按照非支配关系进行非支配排序后,相同的非支配等级层中个体的密集程度。
进一步地,步骤4中优秀的方案作为父代个体,对父代个体使用智能电表多目标部署优化算法进行交叉和变异操作生成新的个体,新的个体作为子代个体。
进一步地,智能电表多目标部署优化算法为一种模拟单点二进制交叉的交叉算子,用于实数编码的多目标进化算法中,交叉算子需要随机选择两个父代个体x1和x2,并生成两个新的子代个体c1和c2,具体公式如下:
其中,β通过随机数的概率选择不同的计算公式,β的值越大所产生的子代个体逼近父代个体的概率越大,η为自定义的参数。
进一步地,智能电表多目标部署优化算法求解后获得智能电表部署问题的一个帕累托最优解集,帕累托最优解集中包含多个互为非支配关系的帕累托最优部署方案以供设计者进行选择。
本发明提出一种基于NB-IoT的智能电表多目标部署方法,通过本发明所提出的智能电表部署优化模型,可以从成本、幅值误差和信息传输速率三个方面的性能对基于基于NB-IoT的智能电表部署方案进行评价;通过多目标优化算法给出智能电表部署的帕累托(Pareto)最优解集;该解集中包含了多种智能电表部署方案,每种部署方案的侧重目标不同,全面覆盖了智能电表部署的各种环境和情况以供安装人员进行选择。
附图说明
图1为本发明的智能电表部署示意图。
图2为本发明的SMDOA算法流程图。
图3为本发明的SMDOA算法结果3D图。
图4为本发明的SMDOA算法结果2D图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图2所示的种基于NB-IoT的智能电表多目标部署方法,包括智能电表部署优化算法(Smart Meters Deployment Optimization Algorithms,SMDOA),该算法以最小化智能电表数量,优化智能电表部署位置以获得更好的性能;智能电表多目标部署算法SMDOA是在多目标遗传算法(NSGA-II)的基础上进行了针对性的改进,将多目标帕累托方法应用于智能电表的布设规划,旨在以最小的相关投资成本提高智能电表性能,并获得并行的优质解决方案,为电表部署规划的决策提供灵活性。步骤为:
步骤1,对所需部署智能电表的环境进行分析,确定配电室回路数量和终端设备数量,并获得回路电压的理想值、通道功率和各种终端设备的最大发射功率等各种参数。以大型配电室为例,需要确定共有多少条回路,每条回路上共安装了多少个需要与电表进行通信的终端设备。为了简化计算,假设同一回路中,每两个终端设备之间最多安装一个智能电表。
步骤2,首先根据回路数量和终端设备数量确定可供安装智能电表的位置和最大数量,然后对智能电表的部署方案进行编码,使用一个0-1数组代表一个部署方案,0表示该位置没有部署智能电表,1表示该位置部署智能电表。随机生成多个部署方案构成初始的算法种群,并确保每个回路都至少安装一个智能电表;通常来说,环境范围越大,可安装的电表越多,则所需要的随机初始方案也就越多。初始方案为一连串数字,其中数字的个数为最大可安装电表的,每个数字只能取0和1两个值,取0则该位置不安装电表,取1表示该位置安装电表。示例如下:
0,1,1,0,1,0,1,1,0,0,0,1,0,
上面的数字串就代表了一个部署方案,在多个终端之间选择安装或不安装智能电表。部署方案的初始化就是随机生成多个上面的数字串,并且所有数字串都各不相同。
步骤3,建立多目标优化模型,计算每个部署方案的适应度值,根据非支配关系和拥挤距离进行排序,对非支配等级相同的方案再比较其拥挤距离;
步骤4,根据算法种群的排序选择优秀的方案作为父代个体,对其使用SBX算子进行交叉和变异操作生成新的个体,并检查每个新生成方案的约束条件,即每个回路都至少安装一个智能电表,如果不满足则在该回路中随机选择一点进行变异操作(即将该位的0变为1);
步骤5,计算新生成的个体(即子代个体)的适应度值,并与原算法种群的适应度值进行合并后重新进行非支配排序和拥挤距离操作,并删除排名靠后的个体以保持算法的种群规模;
步骤6,满足智能电表多目标部署优化算法的结束条件,输出结果,否则返回步骤4,如此循环,直至满足算法结束条件。对多个初始的电表智能方案进行优化,主要操作包括交叉和变异操作,生成新的电表部署方案,并与旧的电表部署方案进行比较。通过非支配排序,选择目标函数值较好的方案进行保留,舍弃性能不好的方案。如此循环,通过多次优化后,保留目标函数的非支配等级较高的多个智能电表部署方案。
本发明提出一种智能电表部署多目标优化模型,为步骤3中的多目标优化模型,用于评价基于NB-IoT的智能电表部署方案性能,包括三项目标函数f1、f2、f3,分别代表智能电表的总部署成本、幅值误差和在NB-IoT下的信息传输速率,公式如下;
其中,c为单个智能电表的成本,M为部署区域中回路的数量,N为每个回路中终端设备的数量或可部署智能电表的位置数量(如照明、安防和消防等),因为智能电表部署的位置通常为回路入口和终端设备之间,所以N也为可部署智能电表的位置数量。以低压配电室为例,智能电表部署位置如图1所示,图中圆圈为可部署智能电表的位置,共有M*N个可部署位置;xij为二进制值,值为1时该位置部署智能电表,值为0时该位置不部署智能电表;Ii为系统节点电压的幅值误差最大值,幅值误差是指在一个给定时刻回路理想电压与实际电压的向量差,也称为比差,就交流电压的误差而言,通常分为幅值误差和相角误差,前者称为比差,后者称为角差;和|Vi|分别是回路电压的估计值和精确值;hij为智能电表与终端设备之间的通道功率增益,为终端设备的最大发射功率,σ为智能电表和终端之间通道的高斯噪声方差。
步骤3中的计算每个部署方案的适应度值是个体在种群生存的优势程度度量,用于区分个体的好坏,三个目标函数的值越小,说明该部署方案越好。
步骤3中的非支配关系是分别比较两个部署方案的三项函数,如果一个方案的三个目标函数的值均优于另一个方案,则称该方案非支配另一个方案;步骤3中的拥挤距离是指种群按照非支配关系进行非支配排序后,相同的非支配等级层中个体的密集程度。
步骤4中优秀的方案作为父代个体,对父代个体使用智能电表多目标部署优化算法进行交叉和变异操作生成新的个体,新的个体作为子代个体。
智能电表多目标部署优化算法为一种模拟单点二进制交叉的交叉算子,用于实数编码的多目标进化算法中,交叉算子需要随机选择两个父代个体x1和x2,并生成两个新的子代个体c1和c2,具体公式如下:
其中,β通过随机数的概率选择不同的计算公式,β的值越大所产生的子代个体逼近父代个体的概率越大,η为自定义的参数。
智能电表多目标部署优化算法求解后获得智能电表部署问题的一个帕累托最优解集,Pareto最优解集的3D图如图3所示,Pareto最优解集的3D图如图3所示2D图分别如图4所示。每次SMDOA算法求解后,可获得智能电表部署问题的一个Pareto最优解集(Pareto最优解,是指问题有多个目标时,由于存在目标之间的冲突和无法比较的现象,一个解在某个目标上是最好的,在其他的目标上可能是最差的。这些在改进任何目标函数的同时,必然会削弱至少一个其他目标函数的解称为非支配解或Pareto解。一组目标函数最优解的集合称为Pareto最优集。)该解集中包含多个互为非支配关系的Pareto最优部署方案以供设计者进行选择。因为本发明使用了三个优化目标,所以最优解集为3D图。为了更加清楚,也可以将第三个目标信息传输速度用颜色条的深浅表示,说明算法计算结果符合多目标优化问题的特性。图中每一个点都表示了一个智能电表的部署方案,坐标分别显示了该方案在成本、幅值误差和信息传输速率方面的性能。使用者在进行选择时,可以根据侧重点,选择符合其他目标的设计方案。
本发明提出一种基于NB-IoT的智能电表多目标部署方法,物联网(IoT),是一个开放的网络,可以通过互联网传输数据来实现智能电表和终端设备之间的通信。所述终端设备,主要是指电路中具有照明、安防、消防等功能的智能设备,大多数具有通信功能。通过多目标优化算法给出智能电表部署的帕累托(Pareto)最优解集。由于优化后的智能电表部署方案存在非支配关系,即方案A的前两项目标比方案B好,但是最后一项目标次于方案B。此时我们把方案A和方案B同时保留,这个集合叫做Pareto最优解集,里面所有的方案都是非支配关系,各有优劣,哪个也不能比其他的所有目标都好。例如有的成本更低,有的通信性能更好等。此时给出Pareto最优解的图,该解集中包含了多种智能电表部署方案,每种部署方案的侧重目标不同,全面覆盖了智能电表部署的各种环境和情况以供安装人员进行选择。
上述的智能电表,是采用微处理器的电子式多功能电能表,除了具备传统电能表基本用电量的计量功能以外,还可具有多种数据采集和信息通信等功能。
综上所述,本发明的主要优势总结如下:
(1)过去智能电表部署方案主要是靠施工人员通过经验给出,缺乏理论依据,特别是随着区域范围的增大和终端设备的数量增加,越来越难通过经验给出性能较好的部署方案。本发明首先给出了部署环境的理论分析,并可以批量的随机生成可行的部署方案。
(2)本发明提出一种智能电表部署的多目标优化模型,包括三项目标函数,从而可以对部署方案进行对比和评价,为智能电表的部署提供了理论依据。
(3)针对智能电表部署问题的特点,提出一种改进的多目标智能电表部署算法,对智能电表的部署方案进行优化,并获得多个非支配的Pareto最优部署方案。
(4)通过二维和三维图将智能电表的Pareto最优部署方案进行可视化,以供设计人员根据偏好进行选择。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (9)
1.一种基于NB-IoT的智能电表多目标部署方法,其特征在于:包括智能电表部署优化算法,步骤为:
步骤1,对所需部署智能电表的环境进行分析;
步骤2,根据步骤1的分析结果对智能电表的部署方案进行编码,随机生成多个部署方案构成初始的算法种群;
步骤3,建立多目标优化模型,计算每个部署方案的适应度值,根据非支配关系和拥挤距离进行排序;多目标优化模型用于评价基于NB-IoT的智能电表部署方案性能,包括三项目标函数f1、f2、f3,分别代表智能电表的总部署成本、幅值误差和在NB-IoT下的信息传输速率,公式如下;
其中,c为单个智能电表的成本,M为部署区域中回路的数量,N为每个回路中终端设备的数量或可部署智能电表的位置数量;xij为二进制值,值为1时该位置部署智能电表,值为0时该位置不部署智能电表;Ii为系统节点电压的幅值误差最大值;和|Vi|分别是回路电压的估计值和精确值;hij为智能电表与终端设备之间的通道功率增益,为终端设备的最大发射功率,σ为智能电表和终端之间通道的高斯噪声方差;
步骤4,对排序选择优秀的方案根据智能电表多目标部署优化算法进行交叉和变异操作生成新的个体;
步骤5,计算新生成的个体的适应度值,并与原算法种群的适应度值进行合并后重新进行非支配排序和拥挤距离操作;
步骤6,满足智能电表多目标部署优化算法的结束条件,输出结果,否则返回步骤4。
2.根据权利要求1所述的基于NB-IoT的智能电表多目标部署方法,其特征在于:所述步骤1中分析确定配电室回路数量和终端设备数量,并获得回路电压的理想值、通道功率和各种终端设备的最大发射功率。
3.根据权利要求2所述的基于NB-IoT的智能电表多目标部署方法,其特征在于:所述步骤2中根据回路数量和终端设备数量确定供安装智能电表的位置和最大数量,然后对智能电表的部署方案进行编码,随机生成用于算法操作的智能电表部署方案的集合,算法种群中每一个个体都代表一个智能电表部署方案。
4.根据权利要求3所述的基于NB-IoT的智能电表多目标部署方法,其特征在于:所述步骤2中的编码规则使用一个0-1数组代表一个智能电表部署方案,0表示该位置没有部署智能电表,1表示该位置部署智能电表,每个回路至少部署一个智能电表。
5.根据权利要求1所述的基于NB-IoT的智能电表多目标部署方法,其特征在于:所述步骤3中的计算每个部署方案的适应度值是个体在种群生存的优势程度度量,用于区分个体的好坏,三个目标函数的值越小,说明该部署方案越好。
6.根据权利要求5所述的基于NB-IoT的智能电表多目标部署方法,其特征在于:所述步骤3中的非支配关系是分别比较两个部署方案的三项函数,如果一个方案的三个目标函数的值均优于另一个方案,则称该方案非支配另一个方案;所述步骤3中的拥挤距离是指种群按照非支配关系进行非支配排序后,相同的非支配等级层中个体的密集程度。
7.根据权利要求6所述的基于NB-IoT的智能电表多目标部署方法,其特征在于:所述步骤4中优秀的方案作为父代个体,对父代个体使用智能电表多目标部署优化算法进行交叉和变异操作生成新的个体,新的个体作为子代个体。
9.根据权利要求8所述的基于NB-IoT的智能电表多目标部署方法,其特征在于:所述智能电表多目标部署优化算法求解后获得智能电表部署问题的一个帕累托最优解集,帕累托最优解集中包含多个互为非支配关系的帕累托最优部署方案以供设计者进行选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382049.2A CN114676539B (zh) | 2022-04-12 | 2022-04-12 | 一种基于NB-IoT的智能电表多目标部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382049.2A CN114676539B (zh) | 2022-04-12 | 2022-04-12 | 一种基于NB-IoT的智能电表多目标部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114676539A CN114676539A (zh) | 2022-06-28 |
CN114676539B true CN114676539B (zh) | 2022-10-14 |
Family
ID=82078485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382049.2A Active CN114676539B (zh) | 2022-04-12 | 2022-04-12 | 一种基于NB-IoT的智能电表多目标部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676539B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098687A (zh) * | 2011-03-02 | 2011-06-15 | 上海大学 | 一种工业无线传感器网络多目标最优部署的方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9146547B2 (en) * | 2011-07-20 | 2015-09-29 | Nec Laboratories America, Inc. | Optimal energy management of a rural microgrid system using multi-objective optimization |
EP3035254A1 (en) * | 2014-12-18 | 2016-06-22 | Stichting IMEC Nederland | Method of managing the operation of an electronic system with a guaranteed lifetime |
WO2016139156A1 (en) * | 2015-03-02 | 2016-09-09 | British Telecommunications Public Limited Company | Method and apparatus for transmitting data in differential and phantom mode in vectoring dsl |
CN107786989B (zh) * | 2017-09-30 | 2021-04-02 | 三川智慧科技股份有限公司 | 一种Lora智能水表网络网关部署方法及装置 |
CN108258724A (zh) * | 2018-01-22 | 2018-07-06 | 佛山科学技术学院 | 一种风电场机组布局多目标优化方法 |
CN113225370B (zh) * | 2021-03-08 | 2022-09-20 | 河北工业大学 | 一种基于物联网的区块链多目标优化方法 |
CN114205830B (zh) * | 2021-11-29 | 2024-01-05 | 国网经济技术研究院有限公司 | 一种智能电网通信网规划方法、系统、设备及存储介质 |
-
2022
- 2022-04-12 CN CN202210382049.2A patent/CN114676539B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098687A (zh) * | 2011-03-02 | 2011-06-15 | 上海大学 | 一种工业无线传感器网络多目标最优部署的方法 |
Non-Patent Citations (1)
Title |
---|
基于多种群遗传算法的虚拟机优化部署研究;董浩等;《控制工程》;20200220(第02期);131-137 * |
Also Published As
Publication number | Publication date |
---|---|
CN114676539A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carrano et al. | Electric distribution network multiobjective design using a problem-specific genetic algorithm | |
Gomez et al. | Ant colony system algorithm for the planning of primary distribution circuits | |
Lee et al. | Optimization method for reactive power planning by using a modified simple genetic algorithm | |
Carpinelli et al. | Distributed generation siting and sizing under uncertainty | |
Torkestani et al. | A cellular learning automata-based algorithm for solving the vertex coloring problem | |
Zhang et al. | A large-scale multiobjective satellite data transmission scheduling algorithm based on SVM+ NSGA-II | |
Gen et al. | A spanning tree-based genetic algorithm for bicriteria topological network design | |
Trpovski et al. | Synthetic distribution grid generation using power system planning: Case study of singapore | |
CN112052544B (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN105719024A (zh) | 一种基于irp的配电网规划方法 | |
CN109034475A (zh) | 一种改进的变电站工程造价预测方法 | |
Zaman et al. | Multi-method based algorithm for multi-objective problems under uncertainty | |
CN105930927A (zh) | 一种基于行业负荷预测技术的配电网规划方法 | |
CN117994986A (zh) | 一种基于智能优化算法的交通车流量预测优化方法 | |
Madadi et al. | Probabilistic available transfer capability evaluation considering dynamic line rating based on a sequential game-theoretic approach | |
da Rocha et al. | Multiyear transmission expansion planning using discrete evolutionary particle swarm optimization | |
CN107786989A (zh) | 一种Lora智能水表网络网关部署方法及装置 | |
CN114676539B (zh) | 一种基于NB-IoT的智能电表多目标部署方法 | |
CN105977968B (zh) | 一种环状多源配电网的电能质量监测器优化配置方法 | |
Alarcon-Rodriguez et al. | Multi-objective planning of distributed energy resources with probabilistic constraints | |
Guillaumet et al. | BUILDING ARCHETYPES IN URBAN ENERGY MODELS. A COMPARATIVE CASE STUDY OF DETERMINISTIC AND STATISTICAL METHODS IN ANDORRA. | |
Velascoa et al. | Energy Losses Estimation in Low Voltage Smart Grids by using Loss Maps | |
CN114741822A (zh) | 一种自然灾害下配电网停电概率预测方法、系统及装置 | |
Orfanos et al. | Static transmission expansion planning under an improved harmony search algorithm | |
Pemarathne et al. | Multi objective ant colony algorithm for electrical wire routing |
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 |