CN115511386A - 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 - Google Patents

基于多目标混合非洲秃鹫优化算法的多能系统调度方法 Download PDF

Info

Publication number
CN115511386A
CN115511386A CN202211396502.1A CN202211396502A CN115511386A CN 115511386 A CN115511386 A CN 115511386A CN 202211396502 A CN202211396502 A CN 202211396502A CN 115511386 A CN115511386 A CN 115511386A
Authority
CN
China
Prior art keywords
constraint
bald
objective
african
output
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.)
Granted
Application number
CN202211396502.1A
Other languages
English (en)
Other versions
CN115511386B (zh
Inventor
李旭东
杨威嘉
赵志高
王冉
殷秀兴
刘攀
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202211396502.1A priority Critical patent/CN115511386B/zh
Publication of CN115511386A publication Critical patent/CN115511386A/zh
Application granted granted Critical
Publication of CN115511386B publication Critical patent/CN115511386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (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)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力技术领域，公开了基于多目标混合非洲秃鹫优化算法的多能系统调度方法，包括建立风‑光‑水‑火联合的多能互补系统调度模型，多能互补系统调度模型的决策矩阵包括连续型决策变量和离散型决策变量，多能互补系统调度模型包括目标函数和约束条件；结合目标函数和约束条件，采用多目标混合非洲秃鹫优化算法对多能互补系统调度模型进行求解，得到调度方案。本发明能够有效解决多能互补系统的复杂协同优化调度问题，能够为电力系统多目标调度运行提供技术支撑。

Description

基于多目标混合非洲秃鹫优化算法的多能系统调度方法
技术领域
本发明属于电力技术领域，更具体地，涉及一种基于多目标混合非洲秃鹫优化算法的多能系统调度方法。
背景技术
实现碳中和是应对气候变化的全球共识，作为清洁能源之一的可再生能源（风能、太阳能）的快速发展将有助于实现这一目标。然而，可再生能源的间歇性和波动会给电力系统带来不利影响。应对这种影响的一种方法是利用多能互补特性建立一个联合能源系统。尽管可再生能源在过去几十年中发展迅速，但火电和水电在世界上仍分别占60%和16%左右。因此，基于全球能源发展现状和趋势，构建可再生能源（风电和光伏）-水电-火电联合系统（VRE -Hydro-Thermal hybrid energy system, VHTHES）是利用可再生能源和减少碳排放的必要措施之一。对于VHTHES，运行管理的关键手段之一是协同优化调度。
元启发式算法已被证明是协同优化调度问题的有效求解工具。然而，由于电力系统越发庞大的规模和复杂性而使得优化调度更具挑战，导致求解过程中容易出现由于维数灾难、陷入局部最优并迅速下降等情况。同时，随着风、光大规模并网，电力系统优化时存在连续的风、光出力变量和离散的机组组合变量共存的情况，而现有多目标算法大多仅能处理单一的连续型/离散型问题，且所取得的最优解集不充分逼近帕累托最优前沿，这难以满足电力系统中连续型变量和离散型变量同时存在时的调度问题，进而无法解决多能互补系统的复杂协同优化调度的问题。
发明内容
针对现有技术无法解决多能互补系统的复杂协同优化调度的问题，本发明通过提供一种基于多目标混合非洲秃鹫优化算法的多能系统调度方法，以满足多能互补系统中多目标调度的需求，为电力系统多目标调度运行提供技术支撑。
本发明提供一种基于多目标混合非洲秃鹫优化算法的多能系统调度方法，包括：
建立风-光-水-火联合的多能互补系统调度模型，所述多能互补系统调度模型的决策矩阵包括连续型决策变量和离散型决策变量，所述多能互补系统调度模型包括目标函数和约束条件；
结合所述目标函数和所述约束条件，采用多目标混合非洲秃鹫优化算法对所述多能互补系统调度模型进行求解，得到调度方案。
优选的，所述目标函数包括第一目标函数和第二目标函数，所述第一目标函数为所述多能互补系统的运行成本最小，所述第二目标函数为所述多能互补系统的碳排放量最低。
优选的，所述约束条件包括：多能互补系统的约束条件、风电约束条件、光伏约束条件、水电约束条件和火电约束条件；
所述多能互补系统的约束条件包括系统功率平衡约束和系统旋转备用约束；所述风电约束条件包括风电出力约束；所述光伏约束条件包括光伏出力约束；所述水电约束条件包括水电站出力约束和水量平衡约束；所述火电约束条件包括火电厂出力约束、爬坡速率约束和最小启停时间约束。
优选的，采用多目标混合非洲秃鹫优化算法对所述多能互补系统调度模型进行求解包括以下步骤：
步骤1：设置算法参数；
步骤2：种群初始化；
所述种群初始化包括随机生成决策矩阵的初始个体，表示如下：
Figure 581717DEST_PATH_IMAGE001
Figure 131647DEST_PATH_IMAGE002
Figure 872070DEST_PATH_IMAGE003
Figure 165648DEST_PATH_IMAGE004
其中，
Figure 675126DEST_PATH_IMAGE005
为i时段风电场的实际调度出力，
Figure 395958DEST_PATH_IMAGE006
、
Figure 62825DEST_PATH_IMAGE007
分别为风电场的最大、最 小预测出力；
Figure 956831DEST_PATH_IMAGE008
为i时段光伏电站的实际调度出力，
Figure 524079DEST_PATH_IMAGE009
、
Figure 212549DEST_PATH_IMAGE010
分别为光伏电站的最 大、最小预测出力；
Figure 865248DEST_PATH_IMAGE011
为i时段第l个水电站的下泄流量，
Figure 58551DEST_PATH_IMAGE012
、
Figure 214725DEST_PATH_IMAGE013
分别为第l个水电站的 最大、最小下泄流量；
Figure 339676DEST_PATH_IMAGE014
为i时段第j台火电机组的启停状态，
Figure 214091DEST_PATH_IMAGE015
表示机组开启，
Figure 715480DEST_PATH_IMAGE016
表 示机组关闭；rand为0到1的随机数，
Figure 257320DEST_PATH_IMAGE017
为0或1的随机数；
步骤3：结合所述约束条件进行约束处理；
步骤4：计算超约束值并构建惩罚函数；
步骤5：种群更新；
所述种群更新包括：针对所述多能互补系统调度模型的决策矩阵中的各决策变量，根据决策变量的类型选择连续型决策变量位置更新方式或离散型决策变量位置的更新方式，并进行秃鹫位置的更新；秃鹫位置更新后，计算各个种群的适应度值，基于适应度值选择非支配解，更新帕累托前沿解集；
其中，所述决策矩阵中的所述连续型决策变量包括风电场的调度出力、光伏电站的调度出力和水电站的下泻流量，所述决策变量矩阵中的所述离散型决策变量包括火电机组的启停状态；
步骤6：判断当前迭代次数是否达到预设的最大迭代次数；若达到，则输出帕累托最优解集并选择最佳折衷解；否则，跳转至步骤3。
优选的，所述步骤1中，所述算法参数包括种群的个数、最大迭代次数、第一参数
Figure 992320DEST_PATH_IMAGE018
、第二参数
Figure 150769DEST_PATH_IMAGE019
、第三参数
Figure 190269DEST_PATH_IMAGE020
。
优选的，所述步骤3中，所述约束处理包括：
基于风电出力约束、光伏出力约束分别对每个时间段的风电功率输出、光伏功率输出进行约束限制；
基于水电站出力约束和水量平衡约束对水电站的流量和库容进行约束限制；
基于爬坡速率约束和最小启停时间约束确定火电机组的启停状态，基于火电厂出力约束和爬坡速率约束进行负荷分配。
优选的，所述步骤5中，所述连续型决策变量位置更新方式包括：
在探索阶段，当|F|≥1时，秃鹫位置更新的模型为：
Figure 321036DEST_PATH_IMAGE021
Figure 787789DEST_PATH_IMAGE022
Figure 934999DEST_PATH_IMAGE023
在开发阶段，当0.5≤|F|<1时，秃鹫位置更新的模型为：
Figure 715873DEST_PATH_IMAGE024
Figure 763464DEST_PATH_IMAGE025
Figure 338802DEST_PATH_IMAGE026
Figure 737422DEST_PATH_IMAGE027
在开发阶段，当|F|<0.5时，秃鹫位置更新的模型为：
Figure 557873DEST_PATH_IMAGE028
Figure 256707DEST_PATH_IMAGE029
Figure 2946DEST_PATH_IMAGE030
Figure 623283DEST_PATH_IMAGE031
式中，
Figure 745960DEST_PATH_IMAGE032
为第i只秃鹫的饱腹率，
Figure 263748DEST_PATH_IMAGE033
为代表连续变量的秃鹫的下一阶段位置，
Figure 977626DEST_PATH_IMAGE034
为代表连续变量的秃鹫的当前位置，
Figure 554101DEST_PATH_IMAGE035
为种群中确定的最佳秃鹫之一，
Figure 11627DEST_PATH_IMAGE036
为秃鹫搜 寻的区域，
Figure 91579DEST_PATH_IMAGE018
为第一参数，
Figure 743402DEST_PATH_IMAGE037
和
Figure 276015DEST_PATH_IMAGE038
分别表示决策变量的上限和下限，X为增加随机运动的系 数，
Figure 537232DEST_PATH_IMAGE039
为秃鹫种群的维度，
Figure 268428DEST_PATH_IMAGE019
为第二参数，
Figure 792950DEST_PATH_IMAGE020
为第三参数，
Figure 376640DEST_PATH_IMAGE040
为当前第一最佳秃鹫所在 的位置，
Figure 379231DEST_PATH_IMAGE041
为当前第二最佳秃鹫所在的位置，rand、
Figure 230513DEST_PATH_IMAGE042
、
Figure 722674DEST_PATH_IMAGE043
、
Figure 964299DEST_PATH_IMAGE044
、
Figure 537625DEST_PATH_IMAGE045
、
Figure 508992DEST_PATH_IMAGE046
、
Figure 109738DEST_PATH_IMAGE047
、
Figure 166556DEST_PATH_IMAGE048
和
Figure 510949DEST_PATH_IMAGE049
均为0到1的随机数，u和v为d维的随机数。
优选的，通过轮盘赌的方式选择种群内的所述第一最佳秃鹫所在的位置和所述第二最佳秃鹫所在的位置。
优选的，所述步骤5中，所述离散型决策变量位置的更新方式采用的秃鹫位置更新的模型为：
Figure 832428DEST_PATH_IMAGE050
Figure 869655DEST_PATH_IMAGE051
式中，
Figure 351451DEST_PATH_IMAGE052
为代表离散变量的秃鹫的下一阶段位置，
Figure 561853DEST_PATH_IMAGE053
为代表离散变量的秃鹫的 当前位置，s为结合了log-log阈值判断函数的0/1离散变量判断函数，rand为0到1的随机 数。
优选的，所述步骤5中，更新帕累托前沿解集时，结合存档更新策略进行存档；所述存档更新策略包括以下情况：
拒绝：当新求解方案由至少一个存档库数据主导时，不允许该解决方案进入存档；
接受：当新求解方案支配至少一个存档库数据，或者新求解方案和存档人员都不相互支配时，允许该求解方案进入存档；
删除：运行网格机制以重新安排目标空间的分割，找到最拥挤的部分，并在存档已满时删除其中一个数据，然后将新求解方案插入到最不拥挤的段中。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
现有算法如MOPSO、NSGA-Ⅲ、MOGWO等普遍存在仅能处理单一连续型/离散型变量以及所取得的最优解集不充分逼近帕累托最优前沿的问题，导致这些算法不能满足多能互补系统中多目标调度的需求。现有的非洲秃鹫优化算法只能处理连续变量，无法处理、更新离散变量，仅能求解单目标最优，使得现有的非洲秃鹫优化算法不能满足多能互补系统中多目标调度的需求。相对于上述算法无法有效解决多能互补系统的复杂协同优化调度的情况，本发明中的多能互补系统调度模型的决策矩阵包括连续型决策变量和离散型决策变量，对应的本发明采用的基于多目标混合非洲秃鹫优化算法能够同时提供连续型决策变量位置更新方式和离散型决策变量位置更新方式，在执行算法的过程中根据决策变量类型选择连续型/离散型位置更新方式进行变量位置更新，可以同时优化连续和离散变量，进而能够有效解决多能互补系统的复杂协同优化调度问题，能够为电力系统多目标调度运行提供技术支撑。此外，本发明结合帕累托理论和存档机制进行多目标优化耦合，所取得的最优解集充分逼近帕累托最优前沿，能够得到进一步优化的调度结果。
附图说明
图1为本发明实施例提供的一种基于多目标混合非洲秃鹫优化算法的多能系统调度方法的流程图；
图2为本发明实施例提供的一种基于多目标混合非洲秃鹫优化算法的多能系统调度方法得到的各能源优化调度功率输出图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1，本实施例提供一种基于多目标混合非洲秃鹫优化算法的多能系统调度方法，主要包括：建立风-光-水-火联合的多能互补系统调度模型，所述多能互补系统调度模型的决策矩阵包括连续型决策变量和离散型决策变量，所述多能互补系统调度模型包括目标函数和约束条件；结合所述目标函数和所述约束条件，采用多目标混合非洲秃鹫优化算法对所述多能互补系统调度模型进行求解，得到调度方案。
其中，所述目标函数包括第一目标函数和第二目标函数，所述第一目标函数为所述多能互补系统的运行成本最小，所述第二目标函数为所述多能互补系统的碳排放量最低。
所述约束条件包括：多能互补系统的约束条件、风电约束条件、光伏约束条件、水电约束条件和火电约束条件；所述多能互补系统的约束条件包括系统功率平衡约束和系统旋转备用约束；所述风电约束条件包括风电出力约束；所述光伏约束条件包括光伏出力约束；所述水电约束条件包括水电站出力约束和水量平衡约束；所述火电约束条件包括火电厂出力约束、爬坡速率约束和最小启停时间约束。
具体的，采用多目标混合非洲秃鹫优化算法对所述多能互补系统调度模型进行求解包括以下步骤：
步骤1：设置算法参数。
步骤2：种群初始化。
所述种群初始化包括随机生成决策矩阵的初始个体，表示如下：
Figure 445495DEST_PATH_IMAGE001
Figure 653623DEST_PATH_IMAGE002
Figure 622716DEST_PATH_IMAGE003
Figure 872694DEST_PATH_IMAGE004
其中，
Figure 876422DEST_PATH_IMAGE005
为i时段风电场的实际调度出力，
Figure 989871DEST_PATH_IMAGE006
、
Figure 446261DEST_PATH_IMAGE007
分别为风电场的最大、最 小预测出力；
Figure 201727DEST_PATH_IMAGE008
为i时段光伏电站的实际调度出力，
Figure 856699DEST_PATH_IMAGE009
、
Figure 173673DEST_PATH_IMAGE010
分别为光伏电站的最 大、最小预测出力；
Figure 851779DEST_PATH_IMAGE011
为i时段第l个水电站的下泄流量，
Figure 145357DEST_PATH_IMAGE054
、
Figure 654836DEST_PATH_IMAGE055
分别为第l个水电站的 最大、最小下泄流量；
Figure 641247DEST_PATH_IMAGE014
为i时段第j台火电机组的启停状态，
Figure 72228DEST_PATH_IMAGE015
表示机组开启，
Figure 903918DEST_PATH_IMAGE016
表 示机组关闭；rand为0到1的随机数，
Figure 972630DEST_PATH_IMAGE017
为0或1的随机数。
步骤3：结合所述约束条件进行约束处理。
步骤4：计算超约束值并构建惩罚函数。
步骤5：种群更新。
所述种群更新包括：针对所述多能互补系统调度模型的决策矩阵中的各决策变量，根据决策变量的类型选择连续型决策变量位置更新方式或离散型决策变量位置的更新方式，并进行秃鹫位置的更新；秃鹫位置更新后，计算各个种群的适应度值，基于适应度值选择非支配解，更新帕累托前沿解集。
其中，所述决策矩阵中的所述连续型决策变量包括风电场的调度出力、光伏电站的调度出力和水电站的下泻流量，所述决策变量矩阵中的所述离散型决策变量包括火电机组的启停状态。
步骤6：判断当前迭代次数是否达到预设的最大迭代次数；若达到，则输出帕累托最优解集并选择最佳折衷解；否则，跳转至步骤3。
下面从算法出发，对本发明做进一步的说明。
首先对多目标混合非洲秃鹫优化算法的主要步骤进行说明，所述多目标混合非洲秃鹫优化算法包括以下步骤：
步骤1：输入算法参数（种群的个数Nv、最大迭代次数NI、第一参数
Figure 926680DEST_PATH_IMAGE056
、第二参数
Figure 844957DEST_PATH_IMAGE057
、第三参数
Figure 480338DEST_PATH_IMAGE058
等）；
步骤2：初始化非洲秃鹫种群；
步骤3：计算并输出各个初始种群的适应度值；
步骤4：得到非支配解并初始化帕累托解；
步骤5：更新秃鹫种群饥饿率等参数；
步骤6：选择种群第一最佳秃鹫和第二最佳秃鹫；
步骤7：根据变量类型选择连续型/离散型位置更新方式；
步骤8：计算各个种群的适应度值；
步骤9：得到非支配解集，并更新帕累托前沿解；
步骤10：若算法迭代次数n达到预定的NI，输出帕累托最优解集；否则跳转至步骤4。
下面对上述算法做进一步的说明。
为了有效解决VHTHES的复杂协同优化调度问题，本发明设计了一种多目标混合非洲秃鹫优化算法，其可以同时优化连续和离散变量。此外，还将帕累托理论、归档和选择方法集成到优化机制中。
具体的，所述多目标混合非洲秃鹫优化算法主要包括以下几大方面：
一、根据变量类型进行种群初始化（即设置秃鹫位置）及目标问题。
假设秃鹰种群中有N只秃鹰。由于涉及连续变量和离散变量，第i个秃鹫在t处的位 置
Figure 902092DEST_PATH_IMAGE059
定义为：
Figure 230305DEST_PATH_IMAGE060
其中，
Figure 686080DEST_PATH_IMAGE061
为第i个秃鹫在维度D中的位置（连续变量）；
Figure 125152DEST_PATH_IMAGE062
为第i个秃鹫在 维度D中的位置（离散变量）；D为维数。即上标B和上标C的参数共同组成1个D维的空间，D为 Dimension（维度）、B表示binary（二进制）对应离散变量，C表示continuous（连续的）对应连 续变量。
多目标优化问题采用最小化问题表示，其目标函数描述为：
Figure 666991DEST_PATH_IMAGE063
二、选择第一个最佳秃鹫和第二个最佳秃鹫。
秃鹫种群中的第一最佳秃鹫（FV）和第二最佳秃鹫（SV）对秃鹫种群影响很大。当秃鹫吃饱了，它们可以跨越更长的距离去寻找食物。然而，如果它们饿了，它们会跟随这些强壮的秃鹰通过调整位置来狩猎，同时它们会变得竞争力很强。在迭代中可表示为：
Figure 962844DEST_PATH_IMAGE064
Figure 590134DEST_PATH_IMAGE065
Figure 301738DEST_PATH_IMAGE066
式中，
Figure 963664DEST_PATH_IMAGE067
和
Figure 135144DEST_PATH_IMAGE068
表示0和1之间的参数，其和为1；
Figure 46468DEST_PATH_IMAGE069
表示使用轮盘赌选择FV和SV的 概率；F为秃鹰的饥饿率；z和h分别是-1~1和-2~2之间的随机数。w决定了攻击猎物时探索和 开发阶段的中断。
Figure 827343DEST_PATH_IMAGE070
为迭代次数。max iterations为最大迭代次数。
三、连续变量位置更新。
为了确定攻击猎物阶段（探索和开发）的概率，本算法引入了三个参数（
Figure 343774DEST_PATH_IMAGE056
、
Figure 919112DEST_PATH_IMAGE071
和
Figure 520995DEST_PATH_IMAGE020
），在迭代之前必须对其进行赋值。
Step 1：探索阶段。
当|F|≥1时，秃鹫非常饥饿，它们会在不同地区寻找食物，并进入探索阶段。在这个阶段，秃鹫可以长途飞行，仔细检查不同的随机区域寻找食物。对于本算法，探索阶段是全局优化的手段，为了对其进行模拟，秃鹫位置更新的模型为：
Figure 403763DEST_PATH_IMAGE072
Figure 774701DEST_PATH_IMAGE073
Figure 520940DEST_PATH_IMAGE074
其中，
Figure 344540DEST_PATH_IMAGE075
为第i只秃鹫的饱腹率，
Figure 732796DEST_PATH_IMAGE076
为代表连续变量的秃鹫的下一阶段位置，
Figure 754978DEST_PATH_IMAGE077
为代表连续变量的秃鹫的当前位置，
Figure 937698DEST_PATH_IMAGE078
为种群中确定的最佳秃鹫之一，
Figure 15638DEST_PATH_IMAGE079
为秃鹫搜 寻的区域，
Figure 676426DEST_PATH_IMAGE056
为第一参数，
Figure 756378DEST_PATH_IMAGE080
和
Figure 172315DEST_PATH_IMAGE081
分别表示决策变量的上限和下限，X为增加随机运动的系 数，
Figure 970507DEST_PATH_IMAGE082
为秃鹫种群的维度，
Figure 434987DEST_PATH_IMAGE071
为第二参数，
Figure 369445DEST_PATH_IMAGE020
为第三参数，rand、
Figure 655151DEST_PATH_IMAGE083
、
Figure 471798DEST_PATH_IMAGE084
、
Figure 5547DEST_PATH_IMAGE085
均为 0到1的随机数。
Step 2：开发阶段。
当|F|<1时，与|F|≥1相比，秃鹫相对饱足，它们将在栖息地附近寻找食物。对于本 算法，开发阶段是局部优化，这意味着秃鹰在解的邻域中搜索食物。根据
Figure 794512DEST_PATH_IMAGE086
和
Figure 489935DEST_PATH_IMAGE087
的参数， 开发阶段分为两个阶段。
（1）阶段1(0.5≤|F|<1)。
此时，秃鹫位置更新的模型为：
Figure 262719DEST_PATH_IMAGE024
Figure 334580DEST_PATH_IMAGE088
Figure 541833DEST_PATH_IMAGE089
Figure 408158DEST_PATH_IMAGE090
（2）阶段2(0.5>|F|)。
此时，秃鹫位置更新的模型为：
Figure 402659DEST_PATH_IMAGE091
Figure 278211DEST_PATH_IMAGE092
Figure 104084DEST_PATH_IMAGE093
Figure 141311DEST_PATH_IMAGE094
式中，
Figure 124572DEST_PATH_IMAGE095
为秃鹫种群的维度，
Figure 538236DEST_PATH_IMAGE086
为第二参数，
Figure 421879DEST_PATH_IMAGE087
为第三参数，
Figure 630006DEST_PATH_IMAGE096
为当前第一 最佳秃鹫所在的位置，
Figure 395837DEST_PATH_IMAGE097
为当前第二最佳秃鹫所在的位置，u和v为d维的随机数，
Figure 613191DEST_PATH_IMAGE044
、
Figure 85761DEST_PATH_IMAGE045
、
Figure 231834DEST_PATH_IMAGE098
、
Figure 688223DEST_PATH_IMAGE099
和
Figure 974848DEST_PATH_IMAGE049
均为0到1的随机数。
四、离散变量位置更新。
本算法运用互补log-log模型函数来判断阈值（0/1），方程定义为：
Figure 833082DEST_PATH_IMAGE100
对于离散变量，尤其是二进制变量，位置由0和1组成。基于
Figure 445329DEST_PATH_IMAGE101
的阈值，
Figure 123435DEST_PATH_IMAGE102
的更新 位置（即离散型决策变量位置的更新方式采用的秃鹫位置更新的模型）为：
Figure 178198DEST_PATH_IMAGE103
Figure 890939DEST_PATH_IMAGE104
其中，
Figure 611771DEST_PATH_IMAGE105
为log-log阈值判断原函数；
Figure 42752DEST_PATH_IMAGE101
为代表离散变量的秃鹫的当前位置；
Figure 936759DEST_PATH_IMAGE106
为代表离散变量的秃鹫的下一阶段位置；rand为0~1的随机数；s为结合了log-log阈值 判断函数的0/1离散变量判断函数。
五、与多目标优化耦合。
Step 1：与帕累托理论耦合。
与单目标优化不同，多目标优化的解不能达到各自目标函数的最优值。仅可以针对不同的对象获得可能的解集，也称为帕累托前沿解集。帕累托前沿的概念为：
（1）帕累托优势：如果A的两个目标函数值小于B的值，则A决定支配B。相反，B决定支配A。
（2）帕累托解集：在搜索空间中，根据（1）确定的支配关系，群中所有非支配个体形成一个外部存档集。
（3）帕累托最优前沿：搜索空间根据不同目标的最大值和最小值进行网格划分，同时一个包含目标函数值的集合为帕累托解集。
Step 2：与存档机制耦合。
为了获得帕累托前沿并执行多目标优化，将存档机制耦合到优化过程中。存档是存储非支配帕累托最优解的容器。当存档已满或最优解决方案希望进入存档时，将根据以下更新策略更新存档：
（1）拒绝：当新求解方案由至少一个存档库数据主导时，不允许该解决方案进入存档。
（2）接受：当新求解方案支配至少一个存档库数据，或者新求解方案和存档人员都不相互支配时，允许该求解方案进入存档。
（3）删除：将运行网格机制来重新安排目标空间的分割，以找到最拥挤的部分，并在存档已满时删除其中一个数据。然后，将新解插入到最不拥挤的段中，以增强最终近似帕累托前沿的多样性。
六、秃鹫领导者选择策略。
应选择FV和SV来引导其他秃鹫走向搜索空间中有希望的区域，以搜索接近全局最优的解。多目标优化的选择机制不同于单目标非洲秃鹫优化算法，因为多目标优化中的FV和SV应由帕累托前沿估计。领导者选择策略选择搜索空间中最不拥挤的部分，并提供其非支配解之一，如FV或SV。选择由轮盘赌执行，每个超立方体的概率如下：
Figure 504006DEST_PATH_IMAGE107
其中，C和
Figure 661318DEST_PATH_IMAGE108
分别为大于1的常数和i段中帕累托解的数量。
下面将上述算法应用于多能互补系统。
一、建立多能互补系统对应的风-光-水-火联合系统调度模型。
（1）构建目标函数。
第一目标函数：联合系统运行成本最小。
由于多能互补系统中可再生能源和水电不消耗燃料，且水电站的成本主要为建设成本，简化起见，在短期调度时其运行成本常被忽略，故联合系统运行成本主要为火电机组的燃煤成本和启停成本：
Figure 549902DEST_PATH_IMAGE109
Figure 450862DEST_PATH_IMAGE110
Figure 934933DEST_PATH_IMAGE111
式中，
Figure 263146DEST_PATH_IMAGE112
为第一目标函数，对应多能互补系统的运行成本；N为火电厂的火电机组 的数量；T为时段数目；
Figure 403140DEST_PATH_IMAGE113
为第j台火电机组在i时段的启停状态，
Figure 842212DEST_PATH_IMAGE114
表示机组开启，
Figure 384052DEST_PATH_IMAGE115
表示机组关闭；
Figure 119052DEST_PATH_IMAGE116
为火电机组的启动成本；
Figure 543080DEST_PATH_IMAGE117
为第j台火电机组在i时段的出力；
Figure 785842DEST_PATH_IMAGE118
、
Figure 447768DEST_PATH_IMAGE119
、
Figure 852204DEST_PATH_IMAGE120
分别为第j台火电机组的运行成本系数；
Figure 701212DEST_PATH_IMAGE121
表示第j台火电机组的火电热启动成 本；
Figure 747665DEST_PATH_IMAGE122
表示第j台火电机组的火电冷启动成本；
Figure 562299DEST_PATH_IMAGE123
为火电最小停机时长，
Figure 403216DEST_PATH_IMAGE124
为火电累 计停机时长，
Figure 473941DEST_PATH_IMAGE125
为冷启动时长。
第二目标函数：联合系统碳排放量最低。可再生能源和水电均为清洁能源，联合系统的碳排放主要源于火电厂燃烧燃料。为减缓温室效应和实现碳中和目标，本发明考虑联合系统的碳排放量最低，即火电厂碳排放量最低：
Figure 58506DEST_PATH_IMAGE126
式中，
Figure 429444DEST_PATH_IMAGE127
为第二目标函数，对应多能互补系统的碳排放量；
Figure 238000DEST_PATH_IMAGE128
、
Figure 822784DEST_PATH_IMAGE129
、
Figure 679882DEST_PATH_IMAGE130
分别为第j台 火电机组的碳排放系数。
（2）设置约束条件。
（2.1）设置系统功率平衡约束。由于电能不具有大量储存的特性，故多能互补联合运行系统应实现供电与负荷需求之间的平衡。不考虑系统网损，系统功率平衡方程为：
Figure 967644DEST_PATH_IMAGE131
其中，i为时间尺度（h）；
Figure 150364DEST_PATH_IMAGE132
为i时段风电场实际调度出力（MW）；
Figure 461259DEST_PATH_IMAGE133
为i时段光伏 电站实际调度出力（MW）；
Figure 122048DEST_PATH_IMAGE134
为i时段水电站出力（MW）；
Figure 467578DEST_PATH_IMAGE135
为i时段负荷值（MW）。
（2.2）设置系统旋转备用约束。旋转备用可分为上旋转和下旋转，分别表示发电输出和最大/最小可调功率输出之间的差异。
Figure 322664DEST_PATH_IMAGE136
Figure 917594DEST_PATH_IMAGE137
其中，
Figure 647652DEST_PATH_IMAGE138
为旋转备用容量（MW）。
（2.3）设置新能源（风电和光伏）出力限制约束：
Figure 582110DEST_PATH_IMAGE139
Figure 106632DEST_PATH_IMAGE140
其中，
Figure 392120DEST_PATH_IMAGE141
、
Figure 224072DEST_PATH_IMAGE142
分别为风电场、光伏电站最大预测出力（MW）。
（2.4）设置水电站出力限制和水量平衡约束。水电站出力与水轮机流量和水库库容呈非线性关系，可将其表示为二元二次多项式：
Figure 278616DEST_PATH_IMAGE143
Figure 974039DEST_PATH_IMAGE144
式中，
Figure 481244DEST_PATH_IMAGE145
为i时段水电站l的出力（MW）；
Figure 553105DEST_PATH_IMAGE146
为i时段水电站l的库容（104m3）；
Figure 462156DEST_PATH_IMAGE147
为 i时段水电站l的下泄流量（104m3）；
Figure 390797DEST_PATH_IMAGE148
为水力发电系数，n取1~6。
其中：(a)水电站出力限制约束。
Figure 886763DEST_PATH_IMAGE149
(b)水电站水量平衡约束。
(b1)水库库容约束，如下：
Figure 496736DEST_PATH_IMAGE150
Figure 260292DEST_PATH_IMAGE151
Figure 359836DEST_PATH_IMAGE152
Figure 841632DEST_PATH_IMAGE153
式中，l为水电站的数量，
Figure 989717DEST_PATH_IMAGE154
、
Figure 873359DEST_PATH_IMAGE155
分别为i时段水电站l的最大、最小库容 （104m3），
Figure DEST_PATH_IMAGE156
为i+1时段水电站l的入流量（104m3）；
Figure 6505DEST_PATH_IMAGE157
为i+1时段水电站l的溢流量 （104m3），
Figure DEST_PATH_IMAGE158
为i时段水电站l的溢流量（104m3），
Figure 241177DEST_PATH_IMAGE159
为上游水库r在i时刻的流量，
Figure DEST_PATH_IMAGE160
为上游水库r在i时刻的溢流量，
Figure 989691DEST_PATH_IMAGE161
为水电站l的末库容（104m3），
Figure DEST_PATH_IMAGE162
为水电站l的初始库 容（104m3），
Figure 557200DEST_PATH_IMAGE163
为水电站l的始末库容比例系数。
(b2)水库流量约束，如下：
Figure DEST_PATH_IMAGE164
（2.5）设置火电厂出力限制、爬坡速率限制和最小启停时间约束。
(a)火电机组出力限制约束。
Figure 467388DEST_PATH_IMAGE165
(b)爬坡速率约束。
Figure DEST_PATH_IMAGE166
(c)最小启停时间约束。
Figure 251673DEST_PATH_IMAGE167
其中，
Figure DEST_PATH_IMAGE168
、
Figure 39762DEST_PATH_IMAGE169
分别为第j台火电机组出力最小、最大值（MW）；
Figure DEST_PATH_IMAGE170
为时间间隔；
Figure 163576DEST_PATH_IMAGE171
、
Figure 713506DEST_PATH_IMAGE172
分别为第j台火电机组最大增、减出力速率（MW/h）。
二、将上述算法应用于多能互补系统。
如图1所示，多目标混合非洲秃鹫优化算法的实现流程图包括以下步骤：
（1）设置算法参数。
设置算法的参数，例如总体大小（即群体个数NV）、最大迭代次数（NI）、
Figure 453929DEST_PATH_IMAGE056
、
Figure 13087DEST_PATH_IMAGE173
、
Figure 725828DEST_PATH_IMAGE174
、
Figure 948124DEST_PATH_IMAGE175
、
Figure 113526DEST_PATH_IMAGE176
等。将迭代计数器的数量设置为n=1。
（2）种群初始化，即随机生成初始个体。
基于
Figure 7533DEST_PATH_IMAGE177
、
Figure 574780DEST_PATH_IMAGE178
、
Figure 732092DEST_PATH_IMAGE179
和
Figure 384790DEST_PATH_IMAGE180
的极限，随机生成决策变量矩阵的初始个体。方程为：
Figure 285750DEST_PATH_IMAGE181
Figure 265427DEST_PATH_IMAGE182
Figure 593640DEST_PATH_IMAGE183
Figure 733634DEST_PATH_IMAGE184
其中，rand为随机数0~1；
Figure 907126DEST_PATH_IMAGE185
为0/1的随机数。
（3）结合约束条件进行约束处理。
处理风、光、水电和火电机组约束，加速迭代寻优。
（3.1）处理风光。
风光功率输出在每个时间段受到功率输出约束的限制，若
Figure 448966DEST_PATH_IMAGE186
，则
Figure 744818DEST_PATH_IMAGE187
；若
Figure 873574DEST_PATH_IMAGE188
，则
Figure 850757DEST_PATH_IMAGE189
；若
Figure 247103DEST_PATH_IMAGE190
，则
Figure 713857DEST_PATH_IMAGE191
；若
Figure 828443DEST_PATH_IMAGE192
，则
Figure 874897DEST_PATH_IMAGE193
。
（3.2）处理水电。
水发的核心约束是水量平衡，流量（Q）和水库容量（V）是水平衡的关键参数。如果V 超过极限，则将偏差量平均分为T部分（
Figure 125749DEST_PATH_IMAGE194
）。然后，根据将Q与
Figure 202552DEST_PATH_IMAGE195
相加或相减。同时，Q 也受到功率输出的限制。往复循环，直到偏差限制在Δ范围内。
（3.3）处理火电。
(a)根据爬坡速率约束和最小启停时间约束确定火电机组状态
Figure 601172DEST_PATH_IMAGE014
。
(b)根据出力限制约束和爬坡速率约束，与水电约束处理方式相同，通过回溯处理迭代求解出负荷分配情况。
（4）计算超约束值并构建惩罚函数。
超约束值是现有求解值与约束限制之差的绝对值。然后通过赋予惩罚因子，运用惩罚函数法建立线性惩罚函数。
（5）种群更新。
针对所述多能互补系统调度模型的决策矩阵中的各决策变量，根据决策变量的类型选择连续型决策变量位置更新方式或离散型决策变量位置的更新方式，并进行秃鹫位置的更新；秃鹫位置更新后，计算各个种群的适应度值，基于适应度值选择非支配解，更新帕累托前沿解集。
参见图1，种群更新时，根据适应度值选择非支配解，根据秃鹫位置更新策略更新非洲秃鹫的位置和种群。
（6）判断当前迭代次数是否达到预设的最大迭代次数；若达到（即n≥NI），则输出帕累托最优解集并选择最佳折衷解；否则，n=n+1，跳转至步骤（3）。
下面对最优解选择进行说明。
（1）隶属度函数的取值范围为0~1，目标函数值越小则对应的隶属度越大，越符合选择要求，也符合本发明算法的选择规律。本发明中采用线性隶属度函数：
Figure 185737DEST_PATH_IMAGE196
其中，
Figure 556676DEST_PATH_IMAGE197
为第j个目标函数值，
Figure 568494DEST_PATH_IMAGE198
，这里由于目标函数最值无法提前确 定，故取计算出的最终的帕累托最优解集中各目标函数的最值作为对应范围。
（2）计算出每个非支配解的隶属度
Figure 392094DEST_PATH_IMAGE199
以及归一化隶属度值
Figure 514771DEST_PATH_IMAGE200
，计算式如下：
Figure 38418DEST_PATH_IMAGE201
Figure 221138DEST_PATH_IMAGE202
其中，m为非支配解的个数，z为目标函数的个数。
（3）计算后选取归一化隶属度值最大的解即为最优解（Best compromisesolution，BCS）。
为了验证本发明的效果，下面结合应用案例进行说明。
参见图2，针对1风-1光-4水-7火的案例，下面采用控制变量法将本发明所提的多目标混合非洲秃鹫优化算法与MOPSO、NSGA-Ⅲ、MOGWO算法进行对比。由于启发式算法的随机性，所有情况分别进行了10次重复计算，四种算法均其结果如表1所示。
表1 四种算法计算结果
Figure 328771DEST_PATH_IMAGE203
计算结果表明：（1）由最小值可知，本发明所提的多目标混合非洲秃鹫优化算法求解的Pareto解集可行域更广阔，表明该算法的搜索能力优于另外3种算法；（2）由平均值可知，本发明所提的多目标混合非洲秃鹫优化算法求解的最优解优于另外3种算法；（3）由标准差可知，本发明所提的多目标混合非洲秃鹫优化算法求解的计算结果较另外3种算法更为稳定。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实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.基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，包括：
建立风-光-水-火联合的多能互补系统调度模型，所述多能互补系统调度模型的决策矩阵包括连续型决策变量和离散型决策变量，所述多能互补系统调度模型包括目标函数和约束条件；
结合所述目标函数和所述约束条件，采用多目标混合非洲秃鹫优化算法对所述多能互补系统调度模型进行求解，得到调度方案。
2.根据权利要求1所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，所述目标函数包括第一目标函数和第二目标函数，所述第一目标函数为所述多能互补系统的运行成本最小，所述第二目标函数为所述多能互补系统的碳排放量最低。
3.根据权利要求1所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，所述约束条件包括：多能互补系统的约束条件、风电约束条件、光伏约束条件、水电约束条件和火电约束条件；
所述多能互补系统的约束条件包括系统功率平衡约束和系统旋转备用约束；所述风电约束条件包括风电出力约束；所述光伏约束条件包括光伏出力约束；所述水电约束条件包括水电站出力约束和水量平衡约束；所述火电约束条件包括火电厂出力约束、爬坡速率约束和最小启停时间约束。
4.根据权利要求1所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，采用多目标混合非洲秃鹫优化算法对所述多能互补系统调度模型进行求解包括以下步骤：
步骤1：设置算法参数；
步骤2：种群初始化；
所述种群初始化包括随机生成决策矩阵的初始个体，表示如下：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为i时段风电场的实际调度出力，
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
分别为风电场的最大、最小预 测出力；
Figure DEST_PATH_IMAGE008
为i时段光伏电站的实际调度出力，
Figure DEST_PATH_IMAGE009
、
Figure DEST_PATH_IMAGE010
分别为光伏电站的最大、最 小预测出力；
Figure DEST_PATH_IMAGE011
为i时段第l个水电站的下泄流量，
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
分别为第l个水电站的最大、 最小下泄流量；
Figure DEST_PATH_IMAGE014
为i时段第j台火电机组的启停状态，
Figure DEST_PATH_IMAGE015
表示机组开启，
Figure DEST_PATH_IMAGE016
表示机 组关闭；rand为0到1的随机数，
Figure DEST_PATH_IMAGE017
为0或1的随机数；
步骤3：结合所述约束条件进行约束处理；
步骤4：计算超约束值并构建惩罚函数；
步骤5：种群更新；
所述种群更新包括：针对所述多能互补系统调度模型的决策矩阵中的各决策变量，根据决策变量的类型选择连续型决策变量位置更新方式或离散型决策变量位置的更新方式，并进行秃鹫位置的更新；秃鹫位置更新后，计算各个种群的适应度值，基于适应度值选择非支配解，更新帕累托前沿解集；
其中，所述决策矩阵中的所述连续型决策变量包括风电场的调度出力、光伏电站的调度出力和水电站的下泻流量，所述决策变量矩阵中的所述离散型决策变量包括火电机组的启停状态；
步骤6：判断当前迭代次数是否达到预设的最大迭代次数；若达到，则输出帕累托最优解集并选择最佳折衷解；否则，跳转至步骤3。
5.根据权利要求4所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其 特征在于，所述步骤1中，所述算法参数包括种群的个数、最大迭代次数、第一参数
Figure DEST_PATH_IMAGE018
、第二 参数
Figure DEST_PATH_IMAGE019
、第三参数
Figure DEST_PATH_IMAGE020
。
6.根据权利要求4所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，所述步骤3中，所述约束处理包括：
基于风电出力约束、光伏出力约束分别对每个时间段的风电功率输出、光伏功率输出进行约束限制；
基于水电站出力约束和水量平衡约束对水电站的流量和库容进行约束限制；
基于爬坡速率约束和最小启停时间约束确定火电机组的启停状态，基于火电厂出力约束和爬坡速率约束进行负荷分配。
7.根据权利要求4所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，所述步骤5中，所述连续型决策变量位置更新方式包括：
在探索阶段，当|F|≥1时，秃鹫位置更新的模型为：
Figure DEST_PATH_IMAGE021
Figure DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE023
在开发阶段，当0.5≤|F|<1时，秃鹫位置更新的模型为：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
在开发阶段，当|F|<0.5时，秃鹫位置更新的模型为：
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029
Figure DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
式中，
Figure DEST_PATH_IMAGE032
为第i只秃鹫的饱腹率，
Figure DEST_PATH_IMAGE033
为代表连续变量的秃鹫的下一阶段位置，
Figure DEST_PATH_IMAGE034
为 代表连续变量的秃鹫的当前位置，
Figure DEST_PATH_IMAGE035
为种群中确定的最佳秃鹫之一，
Figure DEST_PATH_IMAGE036
为秃鹫搜寻的区 域，
Figure DEST_PATH_IMAGE037
为第一参数，
Figure DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
分别表示决策变量的上限和下限，X为增加随机运动的系数，
Figure DEST_PATH_IMAGE040
为秃鹫种群的维度，
Figure DEST_PATH_IMAGE041
为第二参数，
Figure DEST_PATH_IMAGE042
为第三参数，
Figure DEST_PATH_IMAGE043
为当前第一最佳秃鹫所在的位置，
Figure DEST_PATH_IMAGE044
为当前第二最佳秃鹫所在的位置，rand、
Figure DEST_PATH_IMAGE045
、
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
、
Figure DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
、
Figure DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
和
Figure DEST_PATH_IMAGE052
均为0到1的随机数，u和v为d维的随机数。
8.根据权利要求7所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，通过轮盘赌的方式选择种群内的所述第一最佳秃鹫所在的位置和所述第二最佳秃鹫所在的位置。
9.根据权利要求4所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，所述步骤5中，所述离散型决策变量位置的更新方式采用的秃鹫位置更新的模型为：
Figure DEST_PATH_IMAGE053
Figure DEST_PATH_IMAGE054
式中，
Figure DEST_PATH_IMAGE055
为代表离散变量的秃鹫的下一阶段位置，
Figure DEST_PATH_IMAGE056
为代表离散变量的秃鹫的当前 位置，s为结合了log-log阈值判断函数的0/1离散变量判断函数，rand为0到1的随机数。
10.根据权利要求4所述的基于多目标混合非洲秃鹫优化算法的多能系统调度方法，其特征在于，所述步骤5中，更新帕累托前沿解集时，结合存档更新策略进行存档；所述存档更新策略包括以下情况：
拒绝：当新求解方案由至少一个存档库数据主导时，不允许该解决方案进入存档；
接受：当新求解方案支配至少一个存档库数据，或者新求解方案和存档人员都不相互支配时，允许该求解方案进入存档；
删除：运行网格机制以重新安排目标空间的分割，找到最拥挤的部分，并在存档已满时删除其中一个数据，然后将新求解方案插入到最不拥挤的段中。
CN202211396502.1A 2022-11-09 2022-11-09 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 Active CN115511386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211396502.1A CN115511386B (zh) 2022-11-09 2022-11-09 基于多目标混合非洲秃鹫优化算法的多能系统调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211396502.1A CN115511386B (zh) 2022-11-09 2022-11-09 基于多目标混合非洲秃鹫优化算法的多能系统调度方法

Publications (2)

Publication Number Publication Date
CN115511386A true CN115511386A (zh) 2022-12-23
CN115511386B CN115511386B (zh) 2023-04-07

Family

ID=84513779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211396502.1A Active CN115511386B (zh) 2022-11-09 2022-11-09 基于多目标混合非洲秃鹫优化算法的多能系统调度方法

Country Status (1)

Country Link
CN (1) CN115511386B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415728A (zh) * 2023-04-07 2023-07-11 北京金风零碳能源有限公司 一种碳排放量的预测方法、系统、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1963763A (zh) * 2005-11-09 2007-05-16 同济大学 网格环境下动态在线式任务调度系统及其调度方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN111682531A (zh) * 2020-06-11 2020-09-18 国网重庆市电力公司 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置
CN114091097A (zh) * 2021-11-17 2022-02-25 浙江树人学院（浙江树人大学） 一种患者医疗隐私数据保护方法、装置及计算机存储介质
WO2022048127A1 (zh) * 2020-09-04 2022-03-10 华北电力大学 一种电热泵-热电联合系统的优化调控方法及系统
CN114221338A (zh) * 2021-12-19 2022-03-22 东北电力大学 考虑电源灵活性和互补性的多能源电力系统优化调度方法
CN114912828A (zh) * 2022-06-01 2022-08-16 沈阳工业大学 一种基于数控机床工艺参数的优化方法
CN115018161A (zh) * 2022-06-10 2022-09-06 交通运输部科学研究院 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1963763A (zh) * 2005-11-09 2007-05-16 同济大学 网格环境下动态在线式任务调度系统及其调度方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN111682531A (zh) * 2020-06-11 2020-09-18 国网重庆市电力公司 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置
WO2022048127A1 (zh) * 2020-09-04 2022-03-10 华北电力大学 一种电热泵-热电联合系统的优化调控方法及系统
CN114091097A (zh) * 2021-11-17 2022-02-25 浙江树人学院（浙江树人大学） 一种患者医疗隐私数据保护方法、装置及计算机存储介质
CN114221338A (zh) * 2021-12-19 2022-03-22 东北电力大学 考虑电源灵活性和互补性的多能源电力系统优化调度方法
CN114912828A (zh) * 2022-06-01 2022-08-16 沈阳工业大学 一种基于数控机床工艺参数的优化方法
CN115018161A (zh) * 2022-06-10 2022-09-06 交通运输部科学研究院 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜枫 等: "考虑抽蓄-风-光-火联合系...经济效益的日前优化调度研究", 《水力发电》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415728A (zh) * 2023-04-07 2023-07-11 北京金风零碳能源有限公司 一种碳排放量的预测方法、系统、电子设备及存储介质
CN116415728B (zh) * 2023-04-07 2023-11-17 北京金风零碳能源有限公司 一种碳排放量的预测方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN115511386B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
García-Triviño et al. Optimized operation combining costs, efficiency and lifetime of a hybrid renewable energy system with energy storage by battery and hydrogen in grid-connected applications
Moghaddam et al. Multi-operation management of a typical micro-grids using Particle Swarm Optimization: A comparative study
Hemmati et al. System modeling and optimization for islanded micro-grid using multi-cross learning-based chaotic differential evolution algorithm
Zhuang et al. Stochastic multi-timescale energy management of greenhouses with renewable energy sources
JP5672371B2 (ja) 運転計画作成方法、運転計画作成装置及び運転計画作成プログラム
CN110070292B (zh) 基于交叉变异鲸鱼优化算法的微网经济调度方法
CN105071433B (zh) 一种分布式电源的优化配置方案
CN110829506B (zh) 线性松弛和比例权重的多目标有功优化调度方法和系统
Bhuvanesh et al. Multistage multiobjective electricity generation expansion planning for Tamil Nadu considering least cost and minimal GHG emission
Victoire et al. A tabu search based hybrid optimization approach for a fuzzy modelled unit commitment problem
CN115498623A (zh) 多微电网的储能配置优化方法、装置、设备及存储介质
CN115511386B (zh) 基于多目标混合非洲秃鹫优化算法的多能系统调度方法
Hatata et al. Ant lion optimizer versus particle swarm and artificial immune system for economical and eco‐friendly power system operation
Kyomugisha et al. Performance of various voltage stability indices in a stochastic multiobjective optimal power flow using mayfly algorithm
CN116488183A (zh) 一种含分布式电源的配电网优化调度方法
Xu et al. Optimal scheduling of microgrid with consideration of demand response in smart grid
Wu et al. A quantum-inspired binary PSO algorithm for unit commitment with wind farms considering emission reduction
Hong et al. Short-term real-power scheduling considering fuzzy factors in an autonomous system using genetic algorithms
Banerjee et al. Chaotic simplex moth swarm algorithm for optimization of alternative energy integrated power grid including static synchronous series compensator
Trivedi et al. Modified NSGA-II for day-ahead multi-objective thermal generation scheduling
Doagou-Mojarrad et al. Probabilistic interactive fuzzy satisfying generation and transmission expansion planning using fuzzy adaptive chaotic binary PSO algorithm
CN111859780A (zh) 一种微电网运行优化方法和系统
Liu et al. An optimum dispatching for photovoltaic-thermal mutual-complementing power plant based on the improved particle swarm knowledge algorithm
Mundotiya et al. Hydro-thermal scheduling under RE uncertainties using an improved cheetah optimization
Salama et al. Short term pumped storage scheduling using two proposed techniques

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