CN116108982A - 一种水库群多目标调度合作搜索方法及系统 - Google Patents

一种水库群多目标调度合作搜索方法及系统 Download PDF

Info

Publication number
CN116108982A
CN116108982A CN202310020969.4A CN202310020969A CN116108982A CN 116108982 A CN116108982 A CN 116108982A CN 202310020969 A CN202310020969 A CN 202310020969A CN 116108982 A CN116108982 A CN 116108982A
Authority
CN
China
Prior art keywords
reservoir
individual
population
dominant
individuals
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
CN202310020969.4A
Other languages
English (en)
Inventor
冯仲恺
章力
牛文静
姚欣汝
杨涛
秦友伟
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202310020969.4A priority Critical patent/CN116108982A/zh
Publication of CN116108982A publication Critical patent/CN116108982A/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (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

本发明公开了一种水库群多目标调度合作搜索方法及系统，包括以下步骤：①基于水库的基本信息建立梯级水库多目标调度模型；②对模型添加约束条件；③构建一种水库群多目标调度合作搜索方法及系统求解水库最优调度方案，通过采用团队沟通策略、内部竞争策略在整个解空间中进行广泛搜索，同时通过自我学习策略和自适应跳出局部最优策略跳出局部最优，实现全局探索和局部探索的动态平衡。本发明可有效提升水库群调度计算效率，快速给出水库群调度方案集合，具有计算参数少、收敛速度快、全局寻优能力强且不易陷入局部最优等优势，同时规避了复杂调参过程、编程实现简单、适用场景广泛，为复杂的水库群多目标工程问题求解提供更加有效的技术方法。

Description

一种水库群多目标调度合作搜索方法及系统
技术领域
本发明属于水库优化调度技术领域，具体涉及一种水库群多目标调度合作搜索方法及系统。
背景技术
水库群优化调度是典型的大规模多维多目标多阶段随机非线性动态规划问题，它以系统工程学为理论基础，利用现代计算机技术和最优化技术寻求满足调度原则的满意的调度规划方式，调度计划，实时调度方案指导水库运行。
由于水库调度与社会、经济、自然、环境、工程等许多复杂因素密切相关，以及梯级电站之间状态及决策变量存在响应时差等约束，使库群水电系统的联合调度成为一个较为棘手的优化问题，多年来一直是众多水利专家学者的研究热点。
目前，针对水库多目标问题主要包括以下三大类方法：
第一类方法是先验法，其主要思想是基于决策者的偏好结构，用加权、优先级等代表决策偏好，直接将多目标优化问题转化为单目标优化问题，从而进行求解。第二类方法是后验法，又称非劣解生成与优选法，主要是生成非劣解集，再对非劣解集进行评价和优选，从而求出相对最优解。主要包括基于数学规划的后验法，如正交边界交叉算法、连续帕累托优化算法等，以及多目标进化算法，如NSGA-Ⅱ、NSGA-Ⅲ、MOPSO等。第三类方法是交互式求解法，其主要是依据通过决策者与优化模型的不断交互，从而求出相对最优解。
先验法和交互式求解法需要决策者在优化之前或优化过程中给出偏好信息，缺乏灵活性和可行性，此外先验法中确定的最优解最后也未必能反映决策者的真实偏好。与先验法和交互式求解法相比，后验法中的非劣解生成和方案决策是相互独立的过程，它可以先向决策者提供方案集供决策者挑选，在工程中更有应用价值。
发明内容
本发明的目的在于：提出一种水库群多目标调度合作搜索方法及系统，以解决现有技术中水库群优化调度中缺乏灵活性和可行性的问题
为实现上述目的，本发明提供如下技术方案：一种水库群多目标调度合作搜索方法，包括如下步骤：
S1、基于水库基本信息数据，构建以发电量最大、以及最小出力最大为目标的梯级水库群优化调度模型，同时对该梯级水库群优化调度模型添加约束条件；预设最大迭代次数、种群规模、优势种群规模，确定水库调度期时段出库流量为决策变量；
S2、采取水库群多目标调度合作搜索方法求解水库最优调度方案：具体为：
S201、初始化：基于决策变量的预设范围生成初始种群，将初始种群中的个体存储为个体最优位置，同时计算种群中个体适应度，然后基于快速非支配排序法获得优势种群及优势种群中的最优个体；
S202、执行团队沟通策略：基于优势种群、最优个体、个体最优位置、采用随机交流方式生成沟通个体；
S203、执行自我学习策略：基于沟通个体和决策变量的上下限范围程度进行学习，生成学习个体；
S204、执行内部竞争策略：在沟通个体和学习个体中通过支配关系采取动态选择权重确定子代；
S205、更新优势种群及个体最优位置：计算当前种群和优势种群的适应度，基于快速非支配排序算法获得解集的支配关系，更新优势种群，然后采取常规更新法确定个体的最优位置，之后采取自适应跳出局部最优策略动态替换个体最优位置；
S206、进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出优势种群的适应度值，否则返回执行步骤S202。
进一步地，前述的步骤S1中，梯级水库群优化调度模型的发电量最大的目标函数为：
Figure BDA0004042113300000031
其中，E为时段内所有水库的总发电量；K为水库数量；J为时段总数；Pk,j、Qk,j、Hk,j分别为第j个时段第k个水库的出力、发电流量、水头；Ak为第k个水库的出力系数；tj为第j个时段的小时数；
最小出力最大目标函数：
Figure BDA0004042113300000032
其中，F为时段内所有水库的最小出力。
进一步地，前述的一种水库群多目标调度合作搜索方法，对该梯级水库群优化调度模型添加约束条件具体包括：
出力约束
Figure BDA0004042113300000033
其中，
Figure BDA0004042113300000034
分别为第j个时段第k个水库的最小、最大出力；
库容约束
Figure BDA0004042113300000035
其中，
Figure BDA0004042113300000036
分别为第j个时段第k个水库的最小、最大库容；
水量平衡约束
Figure BDA0004042113300000041
其中，Ik,j、Ok,j分别为第j个时段第k个水库的区间入流、出库流量；
Figure BDA0004042113300000042
为上游水库的出库流量去除损失水量；
出库流量约束
Figure BDA0004042113300000043
其中，
Figure BDA0004042113300000044
分别为第j个时段第k个水库的最小、最大出库流量；
发电流量约束
Figure BDA0004042113300000045
其中，
Figure BDA0004042113300000046
分别为第j个时段第k个水库的最小、最大发电流量；
始末库容约束
Figure BDA0004042113300000047
其中，
Figure BDA0004042113300000048
分别为第k个水库的初始和最终库容。
进一步地，前述的步骤S201包括如下子步骤：
S201-1、在决策变量预设范围内随机生成初始种群，将初始种群中的个体存储为个体最优位置pbest，并计算个体适应度；所述决策变量如下式：
Figure BDA0004042113300000049
其中，xi,j为第i个个体第j个决策变量的值；
Figure BDA00040421133000000410
表示在区间
Figure BDA00040421133000000411
生成均匀分布随机数的函数；N为种群数量；D为决策变量个数；
S201-2、基于快速非支配排序算法获得解集的支配关系，将可行解集的非支配前沿个体存储在优势种群gbest中，若无可行解，将不可行解中约束违反值最小的非支配前沿个体存储在优势种群规模gbest中；
S2201-3、在优势种群gbest中按照拥挤距离排序的距离值对个体进行降序排序，在前K个中随机选择一个个体存储在最优个体gbestind中，若gbest中无存储K个个体，则在优势种群gbest中随机选择一个个体存储在最优个体gbestind中。
进一步地，前述的步骤S202执行团队沟通策略具体为：通过最优种群gbest、最优个体gbestind、以及个体最优位置pbest三个方面的信息及两种随机交流方式来产生沟通个体u，如下式：
Figure BDA0004042113300000051
Ai,j＝log(1/φ(0,1))·(gbestind,j-xi,j) (33)
Bi,j＝α·φ(0,1)·(gbestm,j-xi,j)                  (34)
Figure BDA0004042113300000052
其中，ui,j是通过沟通策略产生的第i个个体的第j个决策变量的值；Ai,j表示从gbestind,j处更新的信息；Bi,j表示从gbest处更新的信息；m为随机选择的个体序号；Ci,j表示从pbest处更新的信息；α和β分别为调整Bi,j和Ci,j影响程度的调整系数。
进一步地，前述的步骤S203执行自我学习策略具体为：通过当前个体与决策变量上下限的范围程度进行学习产生学习个体v，如下式：
Figure BDA0004042113300000053
Figure BDA0004042113300000054
Figure BDA0004042113300000061
si,j＝xi,j+di,j·φ(-1,1) (39)
Figure BDA0004042113300000062
Figure BDA0004042113300000063
其中，vi,j是通过自我学习策略产生的第i个个体的第j个决策变量的值；ri,j、pi,j和si,j是根据自我学习策略产生的自我学习个体；di,j是根据决策变量上下限生成的动态变化范围；t,T分别为当前的迭代次数与算法的最大迭代次数；cj为决策变量上下限的均值。
进一步地，前述的步骤S204执行内部竞争策略具体为：在沟通个体u和自我学习个体v中通过支配关系确定子代，当u和v互相未发生支配时采取动态选择权重确定子代，如下式：
Figure BDA0004042113300000064
其中，xi为最终确定的子代；ui和vi为交流策略和自我学习策略产生的个体；γ为交流策略与选择策略的平衡系数；t,T分别为当前的迭代次数与算法的最大迭代次数。
进一步地，前述的步骤S205包括如下子步骤：
S205-1、计算当前种群与优势种群的适应度，并基于快速非支配排序算法获得解集的支配关系，如果可行解集的非支配前沿数量未超出优势种群数量，则将可行解集的非支配前沿存储在优势种群gbest中，否则计算所有个体的拥挤距离值，并按照拥挤距离值对个体进行降序排序，根据排序的序号剔除超出优势种群数量个体；
S205-2、采取常规更新法确定个体的最优位置如下式：
Figure BDA0004042113300000071
其中，pbesti为个体最优位置；xi为当前个体；
S205-3、采取自适应跳出局部最优策略动态替换个体最优位置如下式：
Figure BDA0004042113300000072
其中，mq是在种群N中随机选择q个个体替换当前的个体最优位置；floor是向下取整函数。
本发明另一方面提出一种水库群多目标调度合作搜索系统，包括：
模型构建模块，被配置执行如下动作：基于水库基本信息数据，构建以发电量最大、以及最小出力最大为目标的梯级水库群优化调度模型，同时对该梯级水库群优化调度模型添加约束条件；预设最大迭代次数、种群规模、优势种群规模，确定水库调度期时段出库流量为决策变量；
水库群多目标调度合作搜索方法求解模块，包括初始化单元、团队沟通策略单元、自我学习策略单元、内部竞争策略单元、优势种群及个体最优位置更新单元、水库最优调度方案获取单元：
初始化单元，被配置执行如下动作：基于决策变量的预设范围，初始化种群、种群中个体最优位置、以及个体适应度，然后基于快速非支配排序法获得优势种群及优势种群中的最优个体；
团队沟通策略单元，被配置执行如下动作：基于优势种群、最优个体、个体最优位置，采用随机交流方式生成沟通个体；
自我学习策略单元，被配置执行如下动作：基于沟通个体和决策变量的上下限范围程度进行学习，生成学习个体；
内部竞争策略单元，被配置执行如下动作：在沟通个体和学习个体中通过支配关系采取动态选择权重确定子代；
优势种群及个体最优位置更新单元，被配置执行如下动作：计算当前种群和优势种群的适应度，基于快速非支配排序算法获得解集的支配关系，更新优势种群，然后采取常规更新法确定个体的最优位置，之后采取自适应跳出局部最优策略动态替换个体最优位置；
水库最优调度方案获取单元，被配置执行如下动作：进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出优势种群的适应度值，否则返回团队沟通策略单元。
相较于现有技术，本发明的有益效果如下：
1.此方法具有实现简单、收敛速度快、全局寻优能力强且不易陷入局部最优、适用场景广泛等优势，可以在水库优化调度中综合考虑发电、出力的综合效益，为解决水库多目标优化调度问题提供一条新途径。
2.此方法可以通过团队沟通策略和内部竞争策略在整个解空间中进行广泛搜索，收敛速度快，同时可以通过自我学习策略和跳出局部最优策略可使算法有着不易陷入局部最优并能跳出局部最优的优势，在全局探索和局部探索之间取得了很好的平衡。
3.此方法仅需要输入两个学习系数及一个自我学习调整系数，需要输入的参数少，规避了复杂调参过程、编程实现简单。
4.此方法可实现水库群调度问题的全局寻优，能进一步提高计算效率准确度，快速给出水库群调度方案集，从而为复杂的水库群多目标工程问题求解提供更加有效的方法及为决策者提供最优方案遴选。
附图说明
图1为本发明的方法流程示意图。
图2是本发明的合作搜索算法的流程示意图。
图3是本发明在水库发电量最大模型的对比结果示意图。
图4是本发明在最小出力最大模型的对比结果示意图。
图5是本发明在多目标调度模型的Pareto前言图。
图6是Pareto前言解集中发电量最大的解绘制的水位变化曲线。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
如图1所示，一种水库群多目标调度合作搜索方法，包括如下步骤：
S1、基于水库基本信息数据，构建以发电量最大、以及最小出力最大为目标的梯级水库群优化调度模型，同时对该梯级水库群优化调度模型添加约束条件；预设最大迭代次数、种群规模、优势种群规模，确定水库调度期时段出库流量为决策变量。
梯级水库群优化调度模型的发电量最大的目标函数为：
Figure BDA0004042113300000101
其中，E为时段内所有水库的总发电量；K为水库数量；J为时段总数；Pk,j、Qk,j、Hk,j分别为第j个时段第k个水库的出力、发电流量、水头；Ak为第k个水库的出力系数；tj为第j个时段的小时数。
最小出力最大目标函数：
Figure BDA0004042113300000102
其中，F为时段内所有水库的最小出力。
对该梯级水库群优化调度模型添加约束条件具体包括：
出力约束
Figure BDA0004042113300000103
其中，
Figure BDA0004042113300000104
分别为第j个时段第k个水库的最小、最大出力。
库容约束
Figure BDA0004042113300000105
其中，
Figure BDA0004042113300000106
分别为第j个时段第k个水库的最小、最大库容。
水量平衡约束
Figure BDA0004042113300000107
其中，Ik,j、Ok,j分别为第j个时段第k个水库的区间入流、出库流量；
Figure BDA0004042113300000108
为上游水库的出库流量去除损失水量。
出库流量约束
Figure BDA0004042113300000109
其中，
Figure BDA00040421133000001010
分别为第j个时段第k个水库的最小、最大出库流量。
发电流量约束
Figure BDA0004042113300000111
其中，
Figure BDA0004042113300000112
分别为第j个时段第k个水库的最小、最大发电流量。
始末库容约束
Figure BDA0004042113300000113
其中，
Figure BDA0004042113300000114
分别为第k个水库的初始和最终库容。
S2、采取水库群多目标调度合作搜索方法求解水库最优调度方案。
步骤S2的具体求解过程如图2所示，包括如下步骤：S201至步骤S206；
S201、初始化：基于决策变量的预设范围生成初始种群，将初始种群中的个体存储为个体最优位置，同时计算种群中个体适应度，然后基于快速非支配排序法获得优势种群及优势种群中的最优个体。步骤S201包括如下子步骤：
S201-1、在决策变量预设范围内随机生成初始种群，将初始种群中的个体存储为个体最优位置pbest，并计算个体适应度；所述决策变量如下式：
Figure BDA0004042113300000115
其中，xi,j为第i个个体第j个决策变量的值；
Figure BDA0004042113300000116
表示在区间
Figure BDA0004042113300000117
生成均匀分布随机数的函数；N为种群数量；D为决策变量个数。
S201-2、基于快速非支配排序算法获得解集的支配关系，将可行解集的非支配前沿个体存储在优势种群gbest中，若无可行解，将不可行解中约束违反值最小的非支配前沿个体存储在优势种群规模gbest中。
S2201-3、在优势种群gbest中按照拥挤距离排序的距离值对个体进行降序排序，在前K个中随机选择一个个体存储在最优个体gbestind中，若gbest中无存储K个个体，则在优势种群gbest中随机选择一个个体存储在最优个体gbestind中，K在实施例中取N/10。
S202、执行团队沟通策略：基于优势种群、最优个体、个体最优位置、采用随机交流方式生成沟通个体，具体为：
通过最优种群gbest、最优个体gbestind、以及个体最优位置pbest三个方面的信息及两种随机交流方式来产生沟通个体u，如下式：
Figure BDA0004042113300000121
Ai,j＝log(1/φ(0,1))·(gbestind,j-xi,j) (55)
Bi,j＝α·φ(0,1)·(gbestm,j-xi,j)                  (56)
Figure BDA0004042113300000122
其中，ui,j是通过沟通策略产生的第i个个体的第j个决策变量的值；Ai,j表示从gbestind,j处更新的信息；Bi,j表示从gbest处更新的信息；m为随机选择的个体序号；Ci,j表示从pbest处更新的信息；α和β分别为调整Bi,j和Ci,j影响程度的调整系数。S203、执行自我学习策略：基于沟通个体和决策变量的上下限范围程度进行学习，生成学习个体，具体过程如下：
通过当前个体与决策变量上下限的范围程度进行学习产生学习个体v，如下式：
Figure BDA0004042113300000123
Figure BDA0004042113300000124
Figure BDA0004042113300000125
si,j＝xi,j+di,j·φ(-1,1) (61)
Figure BDA0004042113300000131
Figure BDA0004042113300000132
其中，vi,j是通过自我学习策略产生的第i个个体的第j个决策变量的值；ri,j、pi,j和si,j是根据自我学习策略产生的自我学习个体；di,j是根据决策变量上下限生成的动态变化范围；t,T分别为当前的迭代次数与算法的最大迭代次数；cj为决策变量上下限的均值。
S204、执行内部竞争策略：在沟通个体和学习个体中通过支配关系采取动态选择权重确定子代，具体过程如下：
在沟通个体u和自我学习个体v中通过支配关系确定子代，当u和v互相未发生支配时采取动态选择权重确定子代，如下式：
Figure BDA0004042113300000133
其中，xi为最终确定的子代；ui和vi为交流策略和自我学习策略产生的个体；γ为交流策略与选择策略的平衡系数；t,T分别为当前的迭代次数与算法的最大迭代次数。
S205、更新优势种群及个体最优位置：计算当前种群和优势种群的适应度，基于快速非支配排序算法获得解集的支配关系，更新优势种群，然后采取常规更新法确定个体的最优位置，之后采取自适应跳出局部最优策略动态替换个体最优位置，具体包括子步骤S205-1至步骤S205-3：
S205-1、计算当前种群与优势种群的适应度，并基于快速非支配排序算法获得解集的支配关系，如果可行解集的非支配前沿数量未超出优势种群数量，则将可行解集的非支配前沿存储在优势种群gbest中，否则计算所有个体的拥挤距离值，并按照拥挤距离值对个体进行降序排序，根据排序的序号剔除超出优势种群数量个体；
S205-2、采取常规更新法确定个体的最优位置如下式：
Figure BDA0004042113300000141
其中，pbesti为个体最优位置；xi为当前个体。
S205-3、采取自适应跳出局部最优策略动态替换个体最优位置如下式：
Figure BDA0004042113300000142
其中，mq是在种群N中随机选择q个个体替换当前的个体最优位置；floor是向下取整函数。
S206、进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出优势种群的适应度值，否则返回执行步骤S202。
本发明另一方面还提出一种水库群多目标调度合作搜索系统，包括：
模型构建模块，被配置执行如下动作：基于水库基本信息数据，构建以发电量最大、以及最小出力最大为目标的梯级水库群优化调度模型，同时对该梯级水库群优化调度模型添加约束条件；预设最大迭代次数、种群规模、优势种群规模，确定水库调度期时段出库流量为决策变量；
水库群多目标调度合作搜索方法求解模块，包括初始化单元、团队沟通策略单元、自我学习策略单元、内部竞争策略单元、优势种群及个体最优位置更新单元、水库最优调度方案获取单元：
初始化单元，被配置执行如下动作：基于决策变量的预设范围，初始化种群、种群中个体最优位置、以及个体适应度，然后基于快速非支配排序法获得优势种群及优势种群中的最优个体；
团队沟通策略单元，被配置执行如下动作：基于优势种群、最优个体、个体最优位置采、用随机交流方式生成沟通个体；
自我学习策略单元，被配置执行如下动作：基于沟通个体和决策变量的上下限范围程度进行学习，生成学习个体；
内部竞争策略单元，被配置执行如下动作：在沟通个体和学习个体中通过支配关系采取动态选择权重确定子代；
优势种群及个体最优位置更新单元，被配置执行如下动作：计算当前种群和优势种群的适应度，基于快速非支配排序算法获得解集的支配关系，更新优势种群，然后采取常规更新法确定个体的最优位置，之后采取自适应跳出局部最优策略动态替换个体最优位置；
水库最优调度方案获取单元，被配置执行如下动作：进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出优势种群的适应度值，否则返回团队沟通策略单元。
对建立的发电、出力多目标优化调度模型，分别采用本发明和NSGA-III法进行求解，其中参数设置预先设定见表1：
表1参数设置详情表
Figure BDA0004042113300000161
结果分析：为了比较分析本发明和NSGA-III在水库单目标及多目标调度问题上的稳定性和优化广度，分别对单目标及多目标调度问题进行15次独立计算，并对计算结果进行分析，同时取多目标调度结果相对最优的结果绘制Pareto前言图，具体见表2和图3至图6。
表2结果对比
Figure BDA0004042113300000162
由表2可以看出本发明在发电量最大模型的最大值、最小值、均值及均方差都优于NSGA-III方案，在最小出力最大方案的最大值、最小值、均值优于NSGA-III方案，独立计算的结果具体见图3和图4，故在单目标调度问题上本发明的稳定性和优化广度和NSGA-III相比有着显著优势。
由图5可以看出，由NSGA-III算法求解出的Pareto前言结果都被本发明支配，同时取Pareto前言的均衡方案，可看出本发明的均衡方案在发电量和最小出力上都优于NSGA-III均衡方案，具体见表2，故从算法优化和支配关系的角度来看本发明表现效果最好。
在两种算法求解出的Pareto前言中选取发电量最大的解绘制水位变化曲线，具体见图6，可看出为满足发电量最大，各个水库都尽可能的蓄水从而提高水头增加发电量，故本发明的调度过程符合实际调度的需求，满足在实际调度问题上的可行性，能够使梯级水库群发电与电网需求更加协调，推动梯级水库群充分利用水能资源。
虽然本发明已以较佳实施例阐述如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定为准。

Claims (9)

1.一种水库群多目标调度合作搜索方法，其特征在于，包括如下步骤：
S1、基于水库基本信息数据，构建以发电量最大、以及最小出力最大为目标的梯级水库群优化调度模型，同时对该梯级水库群优化调度模型添加约束条件；预设最大迭代次数、种群规模、优势种群规模，确定水库调度期时段出库流量为决策变量；
S2、采取水库群多目标调度合作搜索方法求解水库最优调度方案：具体为：
S201、初始化：基于决策变量的预设范围生成初始种群，将初始种群中的个体存储为个体最优位置，同时计算种群中个体适应度，然后基于快速非支配排序法获得优势种群及优势种群中的最优个体；
S202、执行团队沟通策略：基于优势种群、最优个体、个体最优位置、采用随机交流方式生成沟通个体；
S203、执行自我学习策略：基于沟通个体和决策变量的上下限范围程度进行学习，生成学习个体；
S204、执行内部竞争策略：在沟通个体和学习个体中通过支配关系采取动态选择权重确定子代；
S205、更新优势种群及个体最优位置：计算当前种群和优势种群的适应度，基于快速非支配排序算法获得解集的支配关系，更新优势种群，然后采取常规更新法确定个体的最优位置，之后采取自适应跳出局部最优策略动态替换个体最优位置；
S206、进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出优势种群的适应度值，否则返回执行步骤S202。
2.根据权利要求1所述的一种水库群多目标调度合作搜索方法，其特征在于，步骤S1中，梯级水库群优化调度模型的发电量最大的目标函数为：
Figure FDA0004042113290000021
其中，E为时段内所有水库的总发电量；K为水库数量；J为时段总数；Pk,j、Qk,j、Hk,j分别为第j个时段第k个水库的出力、发电流量、水头；Ak为第k个水库的出力系数；tj为第j个时段的小时数；
最小出力最大目标函数：
Figure FDA0004042113290000022
其中，F为时段内所有水库的最小出力。
3.根据权利要求1所述的一种水库群多目标调度合作搜索方法，其特征在于，对该梯级水库群优化调度模型添加约束条件具体包括：
出力约束
Figure FDA0004042113290000023
其中，
Figure FDA0004042113290000024
分别为第j个时段第k个水库的最小、最大出力；
库容约束
Figure FDA0004042113290000025
其中，
Figure FDA0004042113290000026
分别为第j个时段第k个水库的最小、最大库容；
水量平衡约束
Figure FDA0004042113290000027
其中，Ik,j、Ok,j分别为第j个时段第k个水库的区间入流、出库流量；
Figure FDA0004042113290000028
为上游水库的出库流量去除损失水量；
出库流量约束
Figure FDA0004042113290000029
其中，
Figure FDA0004042113290000031
分别为第j个时段第k个水库的最小、最大出库流量；
发电流量约束
Figure FDA0004042113290000032
其中，
Figure FDA0004042113290000033
分别为第j个时段第k个水库的最小、最大发电流量；
始末库容约束
Figure FDA0004042113290000034
其中，
Figure FDA0004042113290000035
分别为第k个水库的初始和最终库容。
4.根据权利要求1所述的一种水库群多目标调度合作搜索方法，其特征在于，步骤S201包括如下子步骤：
S201-1、在决策变量预设范围内随机生成初始种群，将初始种群中的个体存储为个体最优位置pbest，并计算个体适应度；所述决策变量如下式：
Figure FDA0004042113290000036
其中，xi,j为第i个个体第j个决策变量的值；
Figure FDA0004042113290000037
表示在区间
Figure FDA0004042113290000038
生成均匀分布随机数的函数；N为种群数量；D为决策变量个数；
S201-2、基于快速非支配排序算法获得解集的支配关系，将可行解集的非支配前沿个体存储在优势种群gbest中，若无可行解，将不可行解中约束违反值最小的非支配前沿个体存储在优势种群规模gbest中；
S2201-3、在优势种群gbest中按照拥挤距离排序的距离值对个体进行降序排序，在前K个中随机选择一个个体存储在最优个体gbestind中，若gbest中无存储K个个体，则在优势种群gbest中随机选择一个个体存储在最优个体gbestind中。
5.根据权利要求1所述的一种水库群多目标调度合作搜索方法，其特征在于，步骤S202执行团队沟通策略具体为：通过最优种群gbest、最优个体gbestind、以及个体最优位置pbest三个方面的信息及两种随机交流方式来产生沟通个体u，如下式：
Figure FDA0004042113290000041
Ai,j＝log(1/φ(0,1))·(gbestind,j-xi,j) (11)
Bi,j＝α·φ(0,1)·(gbestm,j-xi,j)                  (12)
Figure FDA0004042113290000042
其中，ui,j是通过沟通策略产生的第i个个体的第j个决策变量的值；Ai,j表示从gbestind,j处更新的信息；Bi,j表示从gbest处更新的信息；m为随机选择的个体序号；Ci,j表示从pbest处更新的信息；α和β分别为调整Bi,j和Ci,j影响程度的调整系数。
6.根据权利要求1所述的一种水库群多目标调度合作搜索方法，其特征在于，步骤S203执行自我学习策略具体为：通过当前个体与决策变量上下限的范围程度进行学习产生学习个体v，如下式：
Figure FDA0004042113290000043
Figure FDA0004042113290000044
Figure FDA0004042113290000045
si,j＝xi,j+di,j·φ(-1,1) (17)
Figure FDA0004042113290000046
Figure FDA0004042113290000047
其中，vi,j是通过自我学习策略产生的第i个个体的第j个决策变量的值；ri,j、pi,j和si,j是根据自我学习策略产生的自我学习个体；di,j是根据决策变量上下限生成的动态变化范围；t,T分别为当前的迭代次数与算法的最大迭代次数；cj为决策变量上下限的均值。
7.根据权利要求1所述的一种水库群多目标调度合作搜索方法，其特征在于，步骤S204执行内部竞争策略具体为：在沟通个体u和自我学习个体v中通过支配关系确定子代，当u和v互相未发生支配时采取动态选择权重确定子代，如下式：
Figure FDA0004042113290000051
其中，xi为最终确定的子代；ui和vi为交流策略和自我学习策略产生的个体；γ为交流策略与选择策略的平衡系数；t,T分别为当前的迭代次数与算法的最大迭代次数。
8.根据权利要求1所述的一种水库群多目标调度合作搜索方法，其特征在于，步骤S205包括如下子步骤：
S205-1、计算当前种群与优势种群的适应度，并基于快速非支配排序算法获得解集的支配关系，如果可行解集的非支配前沿数量未超出优势种群数量，则将可行解集的非支配前沿存储在优势种群gbest中，否则计算所有个体的拥挤距离值，并按照拥挤距离值对个体进行降序排序，根据排序的序号剔除超出优势种群数量个体；
S205-2、采取常规更新法确定个体的最优位置如下式：
Figure FDA0004042113290000061
其中，pbesti为个体最优位置；xi为当前个体；
S205-3、采取自适应跳出局部最优策略动态替换个体最优位置如下式：
Figure FDA0004042113290000062
其中，mq是在种群N中随机选择q个个体替换当前的个体最优位置；floor是向下取整函数。
9.一种水库群多目标调度合作搜索系统，其特征在于，包括：
模型构建模块，被配置执行如下动作：基于水库基本信息数据，构建以发电量最大、以及最小出力最大为目标的梯级水库群优化调度模型，同时对该梯级水库群优化调度模型添加约束条件；预设最大迭代次数、种群规模、优势种群规模，确定水库调度期时段出库流量为决策变量；
水库群多目标调度合作搜索方法求解模块，包括初始化单元、团队沟通策略单元、自我学习策略单元、内部竞争策略单元、优势种群及个体最优位置更新单元、水库最优调度方案获取单元：
初始化单元，被配置执行如下动作：基于决策变量的预设范围，初始化种群、种群中个体最优位置、以及个体适应度，然后基于快速非支配排序法获得优势种群及优势种群中的最优个体；
团队沟通策略单元，被配置执行如下动作：基于优势种群、最优个体、个体最优位置，采用随机交流方式生成沟通个体；
自我学习策略单元，被配置执行如下动作：基于沟通个体和决策变量的上下限范围程度进行学习，生成学习个体；
内部竞争策略单元，被配置执行如下动作：在沟通个体和学习个体中通过支配关系采取动态选择权重确定子代；
优势种群及个体最优位置更新单元，被配置执行如下动作：计算当前种群和优势种群的适应度，基于快速非支配排序算法获得解集的支配关系，更新优势种群，然后采取常规更新法确定个体的最优位置，之后采取自适应跳出局部最优策略动态替换个体最优位置；
水库最优调度方案获取单元，被配置执行如下动作：进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出优势种群的适应度值，否则返回团队沟通策略单元。
CN202310020969.4A 2023-01-06 2023-01-06 一种水库群多目标调度合作搜索方法及系统 Pending CN116108982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310020969.4A CN116108982A (zh) 2023-01-06 2023-01-06 一种水库群多目标调度合作搜索方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310020969.4A CN116108982A (zh) 2023-01-06 2023-01-06 一种水库群多目标调度合作搜索方法及系统

Publications (1)

Publication Number Publication Date
CN116108982A true CN116108982A (zh) 2023-05-12

Family

ID=86257560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310020969.4A Pending CN116108982A (zh) 2023-01-06 2023-01-06 一种水库群多目标调度合作搜索方法及系统

Country Status (1)

Country Link
CN (1) CN116108982A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236478A (zh) * 2023-06-01 2023-12-15 南京航空航天大学 基于Transformer改进深度强化学习的多目标多水库调度优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236478A (zh) * 2023-06-01 2023-12-15 南京航空航天大学 基于Transformer改进深度强化学习的多目标多水库调度优化方法
CN117236478B (zh) * 2023-06-01 2024-04-26 南京航空航天大学 基于Transformer改进深度强化学习的多目标多水库调度优化方法

Similar Documents

Publication Publication Date Title
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
CN110956266A (zh) 基于层次分析法的多电源电力系统多目标优化调度方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN107370188A (zh) 一种计及风电出力的电力系统多目标调度方法
CN109670655B (zh) 一种电力系统多目标粒子群优化调度方法
CN109066710A (zh) 一种多目标无功优化方法、装置、计算机设备及存储介质
CN101118611A (zh) 基于遗传算法的业务过程模型资源配置优化方法
CN115577864B (zh) 基于多模型组合运算的配电网运行优化调度方法
CN112784484A (zh) 一种区域综合能源系统多目标优化方法及优化系统
CN109948847A (zh) 一种应用于水库群调度的多目标进化算法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN110570091A (zh) 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
CN111553398B (zh) 基于多维正态分布的风电场景不确定连续区间获取方法
CN111756819A (zh) 基于改进免疫遗传的物联网资源调度优化运行方法
CN113947321A (zh) 一种分布式信息能源网络拓扑结构构建方法和系统
CN111859780A (zh) 一种微电网运行优化方法和系统
CN114204613A (zh) 一种海上风电场接入电力系统的无功补偿方法和系统
CN111783988B (zh) 求解环境经济调度问题的多目标灰色预测演化方法及系统
CN111460550A (zh) 一种基于变化小生境的自由曲面结构多工况Pareto解集优化法
CN116910481B (zh) 一种基于遗传算法的船舶任务系统装载弹量优化方法
CN114169098B (zh) 基于捕食者策略和粒子群算法的先进安注箱参数优化方法

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