CN115358541A - 一种基于改进群智能融合的水电共享资源优化配置方法 - Google Patents

一种基于改进群智能融合的水电共享资源优化配置方法 Download PDF

Info

Publication number
CN115358541A
CN115358541A CN202210908206.9A CN202210908206A CN115358541A CN 115358541 A CN115358541 A CN 115358541A CN 202210908206 A CN202210908206 A CN 202210908206A CN 115358541 A CN115358541 A CN 115358541A
Authority
CN
China
Prior art keywords
hydropower
reservoir
water
representing
indicating
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
CN202210908206.9A
Other languages
English (en)
Inventor
杨晓华
代盛国
赵永辉
任建宇
茶建华
杨茗
杨子阳
李家浩
杨昊
刘兴龙
张益鸣
艾渊
孙立元
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202210908206.9A priority Critical patent/CN115358541A/zh
Publication of CN115358541A publication Critical patent/CN115358541A/zh
Pending legal-status Critical Current

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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于改进群智能融合的水电共享资源优化配置方法包括：采集水库的物理信息、水电站的相关信息以及环境条件信息，构建水库水电站电力资源模型；基于获取的相关信息以及电力资源模型，构建水电共享资源优化配置模型；通过融合Levy飞行策略、禁忌策略和特赦法则对乌鸦搜索算法进行改进，利用改进的乌鸦搜索算法完成水电共享资源优化配置模型的求解。本发明提供的基于改进群智能融合的水电共享资源优化配置方法在保留算法求解高维问题能力的同时提升算法的局部和全局搜索能力，解决了现有方法在求解复杂优化问题时优化速度、精度较差的问题。同时利用改进算法的求解结果为水库水电站运营者决策提供有效借鉴，推动水库水电站智能化发展。

Description

一种基于改进群智能融合的水电共享资源优化配置方法
技术领域
本发明涉及水电资源调度优化技术领域，具体为一种基于改进群智能融合的水电共享资源优化配置方法。
背景技术
随着极端气候以及全球变暖现象的不断加剧，水资源也在不断减少，从而导致水库水量的衰减继而影响人们用水用电需求的满足，因此水电资源的合理化调度利用已经逐步成为今年来的研究热点。水电资源的合理调度可以满足不同地区间不用类型的用水、用电需求，是确保地区发展的基础保障，而如何平衡水资源和电资源之间的调度，实现资源利用最大化，则是水库运营方的建设难点和发展重点。
水电共享资源优化配置主要包含对水库水资源的用水和发电调度优化两方面，在保障各地区基本用水需求外，应尽可能的使水资源的利用效益最大化，确保各地区的用水用电权益。并且水电共享资源的调度极大程度上受限于环境影响，因此该优化模型需要充分考虑各所服务地区间的需求类型差异和需求量的差异，以及天气类型影响，上述内容对于水电共享资源优化配置的确定无疑是重点和难点。
不同于一般的资源优化配置，水电共享资源优化配置涉及了多个地区的多种用水用电需求，且往往涉及多个调度目标，以及复杂的异构需求约束、该模型的求解在数学层面上属于NP问题，一般的精确式算法求解难度较大且求解效果较差。而近年来兴起的群体元启发式算法，由于其源自于生物群体的随机过程，能够较快的跳出局部最优，在更广的优化空间上寻找最优解，并且其较好的稳健性使得其在复杂工程问题和运筹学问题上有着广泛的应用。但随着问题复杂度的提升，单一的群智能算法存在收敛精度速度较差和优化结果较差等缺陷。
因此，为提升算法的局部和全局求解速度精度，基于改进群智能融合的水电共享资源优化配置模型通过在传统乌鸦搜索算法的基础上引用Levy飞行策略以及禁忌策略，在保留原有算法求解高维问题能力的基础上，扩展了算法的搜索空间和搜索机制，极大程度上提高算法的求解速度和精度，使得该算法能够有效的求解水电共享资源优化配置模型，从而保障不同地区的需求，并且在水库调度决策层面上实现效益最大化，为水库智能化建设提供蓝图。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有资源优化配置方法中，由于复杂优化问题求解难度大、求解精度低、收敛精度速度较差等问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于改进群智能融合的水电共享资源优化配置方法，包括：采集水库的物理信息、水电站的相关信息以及环境条件信息，构建水库水电站电力资源模型；基于所述水电站的相关信息以及所述水库水电站电力资源模型，构建水电共享资源优化配置模型；通过融合Levy飞行策略、禁忌策略和特赦法则对乌鸦搜索算法进行改进，利用改进的乌鸦搜索算法完成水电共享资源优化配置模型的求解。
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：所述水库的物理信息包括水库表面积、水库平均深度、水库大坝的上下游流速、水库大坝的上下游水位、水库尾水位、水库横截面积；
所述水电站的相关信息包括涡轮机的进水口横截面积、涡轮机进水口距水库上游水位的距离；
所述环境条件信息包括渗透损失系数、降水时间、降水强度、环境温度；
各地区的用水相关信息包括各地区的用水类型以及对应的用水费用和需求量；
各地区的用电相关信息包括各地区的用电类型以及对应的用电费用和需求量。
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：所述水库水电站电力资源模型的获取包括，
水库水电站的发电量的计算包括，
Ea＝n×Pa×t
其中，
Figure BDA0003773106790000031
Ha＝Wla-DSa-WDa
Figure BDA0003773106790000032
Vr＝(1-β)×Vr0+ΔVr
Figure BDA0003773106790000033
Figure BDA0003773106790000034
Figure BDA0003773106790000035
其中，n表示水库水电站的涡轮机组的数量，Pa表示单个涡轮机的工作效率，t表示单个涡轮机的工作时间，γ表示水的容重(γ＝9.81kN/m3)，δ表示涡轮机对水流做功能量的有效利用程度，Ha表示涡轮机的进出口高度差，
Figure BDA0003773106790000036
表示大坝a的上游流速，
Figure BDA0003773106790000037
表示涡轮机进水口横截面积，r表示水库，e表示涡轮机，Wla表示大坝a的上游的水位，DSa表示涡轮机出水口距参考平面的距离，WDa表示引水误差，即涡轮机进水口距上游水位的距离，Vr/Sr表示水库深度，USa表示水库底面距参考平面的距离，一般取水库底面为参考平面，β表示渗透损失系数，Vr0表示水库r的初始容量，ΔVr表示水库r的容量变化量，Ar表示水库r的横截面积，qr表示流出水库速度，RI表示降水强度，Rtr表示水库r的降水时间，VEλ表示温度为λ时的蒸发速度，VDr表示从水库r中抽取的水量，
Figure BDA0003773106790000038
表示大坝a的下游流速，g表示重力加速度。
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：所述水电共享资源优化配置模型的优化目标包括水电资源供给费用和水电资源供给所需时间；
所述水电资源供给费用包括用水费用和用电费用；
所述用水费用和用电费用的计算包括，
SC＝CW+CE
Figure BDA0003773106790000041
Figure BDA0003773106790000042
其中，SC表示水电资源供给费用，CW表示用水费用，CE表示用电费用，wq表示用水需求的优先度，Pi q表示第i个地区的第q种用水类型的费用，
Figure BDA0003773106790000043
表示第r个水库实际给第i个地区供应的第q种用水类型的用水量，Pi WE表示第i个地区的使用水力发电的电费用，
Figure BDA0003773106790000044
表示第i个地区的使用除水力发电外其他发电方式的用电费用，(1-ψi)HEi表示其他发电方式的用电需求量，Nai表示第a个水坝向第i个地区的实际供给的电量；
所述水电资源供给所需时间包括供水所需时间和供电所需时间；
所述供水所需时间和供电所需时间的计算包括，
ST＝TE+TW
Figure BDA0003773106790000045
Figure BDA0003773106790000046
其中，ST表示水电资源供给所需时间，TE表示供电所需时间，TW表示供水所需时间，
Figure BDA0003773106790000047
表示水库r的上游流速，公式(1-1)表示存在降水的情况下供水时间的计算公式，公式(1-2)表示不存在降水的情况下的供水时间的计算公式。
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：所述水电共享资源优化配置模型的目标函数O的计算包括，
O＝[minSC,minST]T。
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：所述水电共享资源优化配置模型的约束条件包括各地区的最低需求保障约束和水库水电站的供给能力约束；
所述各地区的最低需求保障约束的计算包括，
Figure BDA0003773106790000051
Figure BDA0003773106790000052
Figure BDA0003773106790000053
Figure BDA0003773106790000054
Figure BDA0003773106790000055
其中，
Figure BDA0003773106790000056
表示第i个地区的第q种用水类型的用水需求量；
所述水库水电站的供给能力约束的计算包括，
Figure BDA0003773106790000057
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：包括，
对乌鸦种群数量N、乌鸦搜索空间维度Dim，感知概率APi,iter、初始位置xi,iter、初始记忆位置mi,iter进行初始化；
从所述水电共享资源优化配置模型的目标函数中随机选取乌鸦个体并计算初始适应度值；
利用所述Levy飞行策略执行改进的跟踪阶段的位置更新，并获取新位置的适应度值，所述改进的跟踪阶段的位置的更新包括，
Figure BDA0003773106790000058
Figure BDA0003773106790000059
Figure BDA00037731067900000510
Figure BDA0003773106790000061
其中，randi表示0到1的随机数，每次levy飞行到第i个时随机一次，fli,iter表示每次飞行的步长；
所述乌鸦个体的记忆位置的更新包括，
Figure BDA0003773106790000062
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：所述禁忌策略包括禁忌长度调整和候选集集合；
所述禁忌长度调整包括：禁忌长度越短，搜索空间上限越大，但实际进行的空间较小，容易造成循环搜索，禁忌长度过长又会导致计算时间过长，因此采用自适应参数调整的计算包括，
Figure BDA0003773106790000063
其中，TabuL表示自适应禁忌长度，N表示乌鸦种群数量，BestL表示当前最优距离解，BestCa表示领域解中的最优解；
所述候选集集合的获取包括：候选集的大小，过大增加计算内存和计算时间，过小过早陷入局部最优，候选集的选择一般由邻域中的领域解组成，可以选择所有领域解，也可以选择表现较好的领域解，还可以随机选择几个领域解；
所述候选集集合的计算为，
CaNum＝zeros(Ca,N)
其中，CaNum表示候选集，Ca表示初始领域解的个数。
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中：所述特赦准则的判定包括，
基于所述适应度函数的规则，若出现所述领域解的目标值优于前面任何一个最佳候选解，可特赦；
基于在乌鸦搜索Levy飞行更新位置时，若所有对象都被禁忌，特赦一个评价值最小的解；
基于影响力的规则，可以特赦对目标值影响较大的对象。
作为本发明所述的基于改进群智能融合的水电共享资源优化配置方法的一种优选方案，其中，还包括：
若达到所述最大迭代次数则输出最优解，若未达到则继续重复选取更新，直到迭代至最大。
本发明的有益效果：本发明以水库水电站的运营要求和各地区的需求特性出发，设计了融合Levy飞行策略、禁忌策略和特释准则的改进的乌鸦搜索算法，在保留算法求解高维问题能力的同时提升算法的局部和全局搜索能力，解决了传统的群智能算法在求解复杂优化问题时优化速度、精度较差的问题，并且利用改进的乌鸦搜索算法对水电共享资源优化配置模型进行求解，为水库水电站运营者决策提供有效借鉴，推动水库水电站智能化发展。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。其中：
图1为本发明设计改进的乌鸦搜索算法的算法流程图；
图2为本发明第二个实施例提供的的一种基于改进群智能融合的水电共享资源优化配置方法的三种算法的对比迭代曲线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于改进群智能融合的水电共享资源优化配置方法，包括：
S1：采集水库的物理信息、水电站的相关信息以及环境条件信息，构建水库水电站电力资源模型。需要说明的是：
水库的物理信息包含水库表面积、水库平均深度、水库大坝的上下游流速、水库大坝的上下游水位、水库尾水位、水库横截面积；水电站的相关信息包含涡轮机的进水口横截面积、涡轮机进水口距水库上游水位的距离；环境条件信息包含渗透损失系数、降水时间、降水强度、环境温度。
进一步的，水库水电站电力资源模型的获取包括，
水库水电站的发电量的计算包括，
Ea＝n×Pa×t
其中，
Figure BDA0003773106790000091
Ha＝Wla-DSa-WDa
Figure BDA0003773106790000092
Vr＝(1-β)×Vr0+ΔVr
Figure BDA0003773106790000093
Figure BDA0003773106790000094
Figure BDA0003773106790000095
其中，n表示水库水电站的涡轮机组的数量，Pa表示单个涡轮机的工作效率，t表示单个涡轮机的工作时间，γ表示水的容重(γ＝9.81kN/m3)，δ表示涡轮机对水流做功能量的有效利用程度，Ha表示涡轮机的进出口高度差，
Figure BDA0003773106790000096
表示大坝a的上游流速，
Figure BDA0003773106790000098
表示涡轮机进水口横截面积，r表示水库，e表示涡轮机，Wla表示大坝a的上游的水位，DSa表示涡轮机出水口距参考平面的距离，WDa表示引水误差，即涡轮机进水口距上游水位的距离，Vr/Sr表示水库深度，USa表示水库底面距参考平面的距离，一般取水库底面为参考平面，β表示渗透损失系数，Vr0表示水库r的初始容量，ΔVr表示水库r的容量变化量，Ar表示水库r的横截面积，qr表示流出水库速度，RI表示降水强度，Rtr表示水库r的降水时间，VEλ表示温度为λ时的蒸发速度，VDr表示从水库r中抽取的水量，
Figure BDA0003773106790000097
表示大坝a的下游流速，g表示重力加速度。
应说明的是，水库水电站能够借助水资源进行发电，主要是利用下落或快速流动的水流通过搭载的涡轮机，从而将势能转化为机械能最准转化为电能来实现发电。基于此发电机理结合获取水库的物理信息、水电站的相关信息以及环境条件信息，构建了水库水电站电力资源模型。
S2：基于水电站的相关信息以及水库水电站电力资源模型，构建水电共享资源优化配置模型。需要说明的是：
各地区的用水相关信息包括各地区的用水类型以及对应的用水费用和需求量；各地区的用电相关信息包括各地区的用电类型以及对应的用电费用和需求量。
进一步的，水电共享资源优化配置模型包括水电共享资源优化配置模型的优化目标、目标函数以及约束条件；
水电共享资源优化配置模型的优化目标包括水电资源供给费用和水电资源供给所需时间；
水电资源供给费用包括用水费用和用电费用；
用水费用和用电费用的计算包括，
SC＝CW+CE
Figure BDA0003773106790000101
Figure BDA0003773106790000102
其中，SC表示水电资源供给费用，CW表示用水费用，CE表示用电费用，wq表示用水需求的优先度，Pi q表示第i个地区的第q种用水类型的费用，
Figure BDA0003773106790000103
表示第r个水库实际给第i个地区供应的第q种用水类型的用水量，Pi WE表示第i个地区的使用水力发电的电费用，
Figure BDA0003773106790000104
表示第i个地区的使用除水力发电外其他发电方式的用电费用，(1-ψi)HEi表示其他发电方式的用电需求量，Nai表示第a个水坝向第i个地区的实际供给的电量；
水电资源供给所需时间包括供水所需时间和供电所需时间；
供水所需时间和供电所需时间的计算包括，
ST＝TE+TW
Figure BDA0003773106790000105
Figure BDA0003773106790000106
其中，ST表示水电资源供给所需时间，TE表示供电所需时间，TW表示供水所需时间，
Figure BDA0003773106790000111
表示水库r的上游流速，公式(1-1)表示存在降水的情况下供水时间的计算公式，公式(1-2)表示不存在降水的情况下的供水时间的计算公式；
水电共享资源优化配置模型的目标函数O的计算包括，
O＝[minSC,minST]T
水电共享资源优化配置模型的约束条件包括各地区的最低需求保障约束和水库水电站的供给能力约束；
各地区的最低需求保障约束的计算包括，
Figure BDA0003773106790000112
Figure BDA0003773106790000113
Figure BDA0003773106790000114
Figure BDA0003773106790000115
Figure BDA0003773106790000116
其中，
Figure BDA0003773106790000117
表示第i个地区的第q种用水类型的用水需求量；
水库水电站的供给能力约束的计算包括，
Figure BDA0003773106790000118
S3：通过融合Levy飞行策略、禁忌策略和特赦法则对乌鸦搜索算法进行改进，利用改进的乌鸦搜索算法完成水电共享资源优化配置模型的求解。需要说明的是：
(1)对乌鸦种群数量N、乌鸦搜索空间维度Dim，感知概率APi,iter、初始位置xi,iter、初始记忆位置mi,iter进行初始化；
(2)从水电共享资源优化配置模型的目标函数中随机选取乌鸦个体并计算初始适应度值；
(3)利用Levy飞行策略执行改进的跟踪阶段的位置更新，并获取新位置的适应度值，改进的跟踪阶段的位置的更新包括，
Figure BDA0003773106790000121
Figure BDA0003773106790000122
Figure BDA0003773106790000123
Figure BDA0003773106790000124
其中，randi表示0到1的随机数，每次levy飞行到第i个时随机一次，fli,iter表示每次飞行的步长；
(4)乌鸦个体的记忆位置的更新包括，
Figure BDA0003773106790000125
(5)利用禁忌策略对当前迭代的乌鸦个体进行更新，记录目标适应度函数值，禁忌策略包括禁忌长度调整和候选集集合；
禁忌长度调整包括：禁忌长度越短，搜索空间上限越大，但实际进行的空间较小，容易造成循环搜索，禁忌长度过长又会导致计算时间过长，因此采用自适应参数调整的计算包括，
Figure BDA0003773106790000126
其中，TabuL表示自适应禁忌长度，N表示乌鸦种群数量，BestL表示当前最优距离解，BestCa表示领域解中的最优解；
候选集集合的获取包括：候选集的大小，过大增加计算内存和计算时间，过小过早陷入局部最优。候选集的选择一般由邻域中的领域解组成，可以选择所有领域解，也可以选择表现较好的领域解，还可以随机选择几个领域解；
候选集集合的计算为，
CaNum＝zeros(Ca,N)
其中，CaNum表示候选集，Ca表示初始领域解的个数；
(6)利用特释准则释放一定数量的禁忌解，并返回其中的最优值，特赦准则的判定包括，
基于适应度函数的规则，若出现领域解的目标值优于前面任何一个最佳候选解，可特赦；
基于在乌鸦搜索Levy飞行更新位置时，若所有对象都被禁忌，特赦一个评价值最小的解；
基于影响力的规则，可以特赦对目标值影响较大的对象。
(7)若达到最大迭代次数则输出最优解，若未达到则继续执行步骤(2)～(5)，直到迭代至最大。
本发明以水库水电站的运营要求和各地区的需求特性出发，设计了融合Levy飞行策略、禁忌策略和特释准则的改进的乌鸦搜索算法，在保留算法求解高维问题能力的同时提升算法的局部和全局搜索能力，解决了传统的群智能算法在求解复杂优化问题时优化速度、精度较差的问题，并且利用改进的乌鸦搜索算法对水电共享资源优化配置模型进行求解，为水库水电站运营者决策提供有效借鉴，推动水库水电站智能化发展。
实施例2
参照图2，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于改进群智能融合的水电共享资源优化配置方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例选择不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
以美国格伦峡谷大坝和胡佛大坝的相关数据，以及亚利桑那州、加利福尼亚州、怀俄明州、新墨西哥州以及科罗拉多州的用水用电需求开展仿真实验，将本发明所设计改进的乌鸦搜索算法TSCSA、模拟退火算法SA以及粒子群优化算法PSO进行横向比较，以验证所设计算法的优越性。
美国格伦峡谷大坝和胡佛大坝的相关数据的相关信息如表1所示。
亚利桑那州、加利福尼亚州、怀俄明州、新墨西哥州以及科罗拉多州的用水用电需求及相关信息如表2所示。
表1：伦峡谷大坝和胡佛大坝的相关参数。
Figure BDA0003773106790000141
表2：五个州的相关用水用电需求。
Figure BDA0003773106790000142
仿真结果如下：
设计改进的乌鸦搜索算法TSCSA、模拟退火算法SA以及粒子群优化算法PSO的迭代曲线图如图2所示，三种算法运行50次得到的最优解、最差解以及平均解如表3所示。
表3：三种算法的优化结果。
Figure BDA0003773106790000143
Figure BDA0003773106790000151
从表3可以看出本发明所设计的TSCSA算法相较于其他优化算法最优解、最差解以及平均解均为最优，较PSO算法提升了7.11％，较SA算法提升了36.75％，结合图2的迭代曲线图可以得到所设计算法的优化性能对比如表4所示。
表4：所设计算法的优化性能对比。
Figure BDA0003773106790000152
所建立的模型从水库水电站工作机理出发，拥有较强的可行性和说服力，此外设计了多种复杂约束，以保证模型满足实际需求；所设计的改进的乌鸦搜索算法在所研究的水电资源配置优化问题的求解中，对于这类涉及多个优化目标、多种复杂约束的问题，拥有较强的寻优能力、寻优速度、稳健性以及均匀性。综上，本发明能够为水库及水电站运营者提供良好的决策参考，实现资源的合理有效利用。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于改进群智能融合的水电共享资源优化配置方法，其特征在于，包括：
采集水库的物理信息、水电站的相关信息以及环境条件信息，构建水库水电站电力资源模型；
基于所述水电站的相关信息以及所述水库水电站电力资源模型，构建水电共享资源优化配置模型；
通过融合Levy飞行策略、禁忌策略和特赦法则对乌鸦搜索算法进行改进，利用改进的乌鸦搜索算法完成水电共享资源优化配置模型的求解。
2.如权利要求1所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：所述水库的物理信息包括水库表面积、水库平均深度、水库大坝的上下游流速、水库大坝的上下游水位、水库尾水位、水库横截面积；
所述水电站的相关信息包括涡轮机的进水口横截面积、涡轮机进水口距水库上游水位的距离；
所述环境条件信息包括渗透损失系数、降水时间、降水强度、环境温度；
各地区的用水相关信息包括各地区的用水类型以及对应的用水费用和需求量；
各地区的用电相关信息包括各地区的用电类型以及对应的用电费用和需求量。
3.如权利要求2所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：所述水库水电站电力资源模型的获取包括，
水库水电站的发电量的计算包括，
Ea＝n×Pa×t
其中，
Figure FDA0003773106780000011
Ha＝Wla-DSa-WDa
Figure FDA0003773106780000012
Vr＝(1-β)×Vr0+ΔVr
Figure FDA0003773106780000021
Figure FDA0003773106780000022
Figure FDA0003773106780000023
其中，n表示水库水电站的涡轮机组的数量，Pa表示单个涡轮机的工作效率，t表示单个涡轮机的工作时间，γ表示水的容重，δ表示涡轮机对水流做功能量的有效利用程度，Ha表示涡轮机的进出口高度差，
Figure FDA0003773106780000024
表示大坝a的上游流速，
Figure FDA0003773106780000025
表示涡轮机进水口横截面积，r表示水库，e表示涡轮机，Wla表示大坝a的上游的水位，DSa表示涡轮机出水口距参考平面的距离，WDa表示引水误差，即涡轮机进水口距上游水位的距离，Vr/Sr表示水库深度，USa表示水库底面距参考平面的距离，β表示渗透损失系数，Vr0表示水库r的初始容量，ΔVr表示水库r的容量变化量，Ar表示水库r的横截面积，qr表示流出水库速度，RI表示降水强度，Rtr表示水库r的降水时间，VEλ表示温度为λ时的蒸发速度，VDr表示从水库r中抽取的水量，
Figure FDA0003773106780000026
表示大坝a的下游流速，g表示重力加速度。
4.如权利要求3所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：所述水电共享资源优化配置模型的优化目标包括水电资源供给费用和水电资源供给所需时间；
所述水电资源供给费用包括用水费用和用电费用；
所述用水费用和用电费用的计算包括，
SC＝CW+CE
Figure FDA0003773106780000027
Figure FDA0003773106780000028
其中，SC表示水电资源供给费用，CW表示用水费用，CE表示用电费用，wq表示用水需求的优先度，Pi q表示第i个地区的第q种用水类型的费用，
Figure FDA0003773106780000029
表示第r个水库实际给第i个地区供应的第q种用水类型的用水量，Pi WE表示第i个地区的使用水力发电的电费用，
Figure FDA00037731067800000210
表示第i个地区的使用除水力发电外其他发电方式的用电费用，(1-ψi)HEi表示其他发电方式的用电需求量，Nai表示第a个水坝向第i个地区的实际供给的电量；
所述水电资源供给所需时间包括供水所需时间和供电所需时间；
所述供水所需时间和供电所需时间的计算包括，
ST＝TE+TW
Figure FDA0003773106780000031
Figure FDA0003773106780000032
其中，ST表示水电资源供给所需时间，TE表示供电所需时间，TW表示供水所需时间，
Figure FDA0003773106780000033
表示水库r的上游流速。
5.如权利要求4所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：所述水电共享资源优化配置模型的目标函数O的计算包括，O＝[min SC,min ST]T。
6.如权利要求5所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：所述水电共享资源优化配置模型的约束条件包括各地区的最低需求保障约束和水库水电站的供给能力约束；
所述各地区的最低需求保障约束的计算包括，
Figure FDA0003773106780000034
Figure FDA0003773106780000035
Figure FDA0003773106780000036
Figure FDA0003773106780000037
Figure FDA0003773106780000041
其中，
Figure FDA0003773106780000042
表示第i个地区的第q种用水类型的用水需求量；
所述水库水电站的供给能力约束的计算包括，
Figure FDA0003773106780000043
7.如权利要求1～6任一所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：包括，
对乌鸦种群数量N、乌鸦搜索空间维度Dim，感知概率APi,iter、初始位置xi,iter、初始记忆位置mi,iter进行初始化；
从所述水电共享资源优化配置模型的目标函数中随机选取乌鸦个体并计算初始适应度值；
利用所述Levy飞行策略执行改进的跟踪阶段的位置更新，并获取新位置的适应度值，所述改进的跟踪阶段的位置的更新包括，
Figure FDA0003773106780000044
Figure FDA0003773106780000045
Figure FDA0003773106780000046
Figure FDA0003773106780000047
σv＝1
其中，randi表示0到1的随机数，每次levy飞行到第i个时随机一次，fli,iter表示每次飞行的步长；
所述乌鸦个体的记忆位置的更新包括，
Figure FDA0003773106780000048
8.如权利要求7所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：所述禁忌策略包括禁忌长度调整和候选集集合；
所述禁忌长度调整包括，
Figure FDA0003773106780000051
其中，TabuL表示自适应禁忌长度，N表示乌鸦种群数量，BestL表示当前最优距离解，BestCa表示领域解中的最优解；
所述候选集集合的获取包括，
CaNum＝zeros(Ca,N)
其中，CaNum表示候选集，Ca表示初始领域解的个数。
9.如权利要求8所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于：所述特赦准则的判定包括，
基于所述适应度函数的规则，若出现所述领域解的目标值优于前面任何一个最佳候选解，可特赦；
基于在乌鸦搜索Levy飞行更新位置时，若所有对象都被禁忌，特赦一个评价值最小的解；
基于影响力的规则，可以特赦对目标值影响较大的对象。
10.如权利要求9所述的基于改进群智能融合的水电共享资源优化配置方法，其特征在于，还包括：
若达到所述最大迭代次数则输出最优解，若未达到则继续重复选取更新，直到迭代至最大。
CN202210908206.9A 2022-07-29 2022-07-29 一种基于改进群智能融合的水电共享资源优化配置方法 Pending CN115358541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210908206.9A CN115358541A (zh) 2022-07-29 2022-07-29 一种基于改进群智能融合的水电共享资源优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210908206.9A CN115358541A (zh) 2022-07-29 2022-07-29 一种基于改进群智能融合的水电共享资源优化配置方法

Publications (1)

Publication Number Publication Date
CN115358541A true CN115358541A (zh) 2022-11-18

Family

ID=84031114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210908206.9A Pending CN115358541A (zh) 2022-07-29 2022-07-29 一种基于改进群智能融合的水电共享资源优化配置方法

Country Status (1)

Country Link
CN (1) CN115358541A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629562A (zh) * 2023-05-30 2023-08-22 南京新高智联信息技术有限公司 一种闸泵站群水源联合调度方法及系统
CN116663859A (zh) * 2023-07-25 2023-08-29 傲拓科技股份有限公司 一种梯级水电站优化调度方法、系统、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629562A (zh) * 2023-05-30 2023-08-22 南京新高智联信息技术有限公司 一种闸泵站群水源联合调度方法及系统
CN116629562B (zh) * 2023-05-30 2024-02-09 南京新高智联信息技术有限公司 一种闸泵站群水源联合调度方法及系统
CN116663859A (zh) * 2023-07-25 2023-08-29 傲拓科技股份有限公司 一种梯级水电站优化调度方法、系统、电子设备及存储介质
CN116663859B (zh) * 2023-07-25 2023-10-27 傲拓科技股份有限公司 一种梯级水电站优化调度方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN115358541A (zh) 一种基于改进群智能融合的水电共享资源优化配置方法
CN107994595B (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
Şişbot et al. Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm
CN109347151B (zh) 一种新能源参与调峰的送端电网电源结构优化方法
Chang et al. Optimization of water resources utilization by PSO-GA
CN108649605A (zh) 一种基于双层场景区间潮流的der并网准入容量规划方法
Martinez et al. Comparison between closed-loop and partial open-loop feedback control policies in long term hydrothermal scheduling
CN108805434A (zh) 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法
CN109361237A (zh) 基于改进混合粒子群算法的微电网容量优化配置方法
CN107769254A (zh) 一种风电集群轨迹预测与分层控制方法
CN109711631A (zh) 一种改进粒子群算法的智能微电网优化调度方法
Ouyang et al. Optimal design for flood limit water level of cascade reservoirs
Fang et al. Multi-objective optimized scheduling model for hydropower reservoir based on improved particle swarm optimization algorithm
Jiang et al. Comprehensive assessment of wind resources and the low-carbon economy: An empirical study in the Alxa and Xilin Gol Leagues of inner Mongolia, China
Li et al. Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system
CN108448620A (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
CN108428017A (zh) 基于核极限学习机分位数回归的风电功率区间预测方法
CN104091207A (zh) 考虑有害气体排放量的含风电场多目标机组组合优化方法
Lu et al. Study on the optimal hydropower generation of Zhelin reservoir
CN109412158A (zh) 一种考虑弃能成本约束的送端电网机组组合运行控制方法
Pandya et al. Single-and multiobjective optimal power flow with stochastic wind and solar power plants using moth flame optimization algorithm
CN116757446B (zh) 基于改进粒子群算法的梯级水电站调度方法及系统
CN108155674A (zh) 考虑不确定分布特性的水火电联合调度方法及系统
Yin et al. Fuzzy vector reinforcement learning algorithm for generation control of power systems considering flywheel energy storage
CN102184328A (zh) 一种土地利用演化ca模型转换规则优化方法

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