CN105373846A - 基于分级策略的油气集输管网拓扑结构智能优化方法 - Google Patents
基于分级策略的油气集输管网拓扑结构智能优化方法 Download PDFInfo
- Publication number
- CN105373846A CN105373846A CN201510666803.5A CN201510666803A CN105373846A CN 105373846 A CN105373846 A CN 105373846A CN 201510666803 A CN201510666803 A CN 201510666803A CN 105373846 A CN105373846 A CN 105373846A
- Authority
- CN
- China
- Prior art keywords
- point
- particle
- topological structure
- oil well
- gas gathering
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 71
- 239000003129 oil well Substances 0.000 claims abstract description 40
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 230000005465 channeling Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000012887 quadratic function Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分级策略的油气集输管网拓扑结构智能优化方法。根据多级星-树形拓扑结构特点,将问题分解为油井最优划分和干支管网规划二个子问题;采用K-Means聚类算法对油井进行分组,以每组的中心点作为集气站的位置;在集气站的基础上引入额外站点(S点)将问题转化为Steiner最小树模型(SMT),用改进粒子群算法对SMT模型求解。本发明可以获得更短的管网拓扑结构,且S点数量可以设定为某固定值或某区间内,具有很好的通用性。
Description
技术领域
本发明涉及一种油气集输管网拓扑结构的优化方法,具体涉及一种基于分级策略的油气集输管网拓扑结构智能优化方法。
背景技术
油气集输管网***是油田地面的主体工程,其投资一般占整个油田地面工程的60%-70%,占整个油田工程的40%左右。油气集输是通过“管-站”组成的十分复杂的网络***,这个***的投资主要包括管网造价、各中间站造价以及运行费用,其中一个中转站的投资费用高达近千万元,管材费用也高达每公里数万元,因而对油气集输管网***优化具有重要的理论意义与工程价值。
油气集输管网***问题涉及离散拓扑优化、非线性参数优化、多目标优化、动态优化等,从优化角度来看,它是一类大型的复杂的组合优化问题,从计算复杂性的角度来看,它的一些子问题属于NP-hard问题。对油气集输管网优化设计问题常采用分级优化策略,将其分为井组最优划分、管网布局优化和管网参数优化,本质上是将该问题分为布局优化和参数优化两个子问题。其中布局优化是集输管网***优化的首要任务和关键阶段,布局优化合理与否,不仅关系到整个油田地面工程的投资费用,而且也关系到管网***后续参数优化的进一步开展。
油气集输管网的布局优化是一个十分复杂的组合优化问题,目前这类问题的研究大多是对一个确定的网络拓扑结构提出各种优化方法,但由于问题的复杂性和难度,采用传统优化理论方法很容易造成设计在局部是合理的,但在整体上没达到最优,致使油田正式投入开发后被迫进行不断地调整和改进。这样,不仅影响油田的正常开发生产,同时也造成人力、物力、财力的巨大浪费。因此针对油气集输管网拓扑结构进行优化设计,对降低管网建设及运行成本具有重要意义。
发明内容
为解决上述问题,本发明提供了一种基于分级策略的油气集输管网拓扑结构智能优化方法,基于K-Means聚类算法对油井分组,以每组的中心点位置作为集气站的位置,根据确定的井站隶属关系,使油井-集气站以星形连接;然后,在确定的井站隶属关系下,对油气集输干支管网拓扑结构优化;在原有集气站的基础上引入额外的点Steiner点(集气总站),进而将问题模型转化为Steiner最小树模型,采用改进的粒子群算法对油气集输管网干支管网模型-SMT模型进行求解。
为实现上述目的,本发明采取的技术方案为:
基于分级策略的油气集输管网拓扑结构智能优化方法,包括如下步骤:
S1、根据MST的油气集输管网拓扑结构模型特点,将油气集输管网布局优化设计问题分为油井的最优划分和干支管网布局优化二个子问题;
S2、采用K-Means聚类算法对油井进行分组,以每组的中心点作为集气站的位置,为进一步干支管网布局优化做准备;
S3、为获得更优的管网拓扑结构,在原有集气站的基础上引入额外的站点(Steiner点,S点)将问题转化为SMT(SteinerMinimalTree,SMT)模型,用改进的粒子群算法(ModifiedParticleSwarmOptimization,MPSO)对SMT模型求解。
其中,油井的最优划分通过以下步骤完成:
(1)读入油井的坐标和集气站的个数K,在一定的油井区域内随机生成K个点,以这K个点的坐标作为每组的初始中心;
(2)计算各个油井到初始中心点的距离,把距离初始中心点最近的油井加入到相应的组别中;
(3)对新加入油井的组重新计算每组的中心点,产生一个新的中心点;
(4)重复以上步骤,直到所有每组的油井数目都不大于设定数目上限,则每组的中心点即为集气站的位置。
其中,干支管网布局优化通过以下步骤完成:
(1)在原有集气站中引入额外的站点(集气总站),从而将管网的树形拓扑结构优化问题转化为SMT问题;
(2)采用改进的粒子群算法(MPSO)对油气集输干支管网拓扑结构模型优化,MPSO求解SMT模型时,对粒子采用在基于S点个数和位置坐标的固定长度的编码方式,并引入离散算子处理粒子的个数;
(3)建立完全图和最小支撑树相结合的适应度函数对粒子评价;
(4)在粒子速度和位置更新中,引入二次凹函数增强粒子的全局搜索能力,加快种群的收敛速度。
其中,固定长度的粒子编码方式采用基于S点个数和位置的固定长度编码方式对粒子进行编码,分为四种类型:
(1)限定S点的个数在[0,n-2]内,n为给定点的数目。
(2)限定S点的个数在[a,b]内,a,b为S点个数取值的上下限。
(3)设置S点的个数为某一个固定值。
(4)设置S点的个数为最大值n-2,即满树。
其中,对粒子采用固定长度的编码方式编码时,具体表达S点个数及其坐标,以其在满树情况下的对应长度为2(n-2)+1作为编码长度,编码的第一位表示了具体S点个数。
其中,改进的粒子群算法如下式所示:
ω(t)=(ωs-ωe)·(t/T)2+(ωe-ωs)·(2·t/T)+ωs
c1(t)=(c1s-c1e)·(t/T)2+(c1e-c1s)·(2·t/T)+c1s
c2(t)=(c2s-c2e)·(t/T)2+(c2e-c2s)·(2·t/T)+c2s
式中,ωs、c1s、c2s与ωe、c1e、c2e分别为ω、c1、c2的初始值和终止值,ωs>ωe,c1s>c1e,c2s>c2e;c1s=c2e,c1e=c2s;t为当前进化代数,T为种群最大进化次数;初始阶段,为了加强粒子群的全局搜索能力,ω与c1保持较大值,c2则保持较小值;随着种群的迭代,ω与c1以凹函数(二次函数)逐步递减,而c2则以凹函数(二次函数)逐步增加,以增加种群的局部搜索能力与加快收敛。
其中,MPSO求解SMT模型通过以下步骤实现:
a、在聚类分组的基础上,根据确定的集气站的坐标矩阵,求矩形凸包对角点,作为S点的边界,所有额外引入的S点必须在这个边界内;
b、确定最大S点数n-2,对基本粒子信息初始化:粒子个数N,最大进化代数T,惯性权重ω和学习因子c1,c2;
c、采用基于S点个数和位置的固定长度的编码方式对粒子编码,并引入离散算子处理粒子编码的第一位,即S点个数;
d、利用适应度函数对粒子评价,更新pid和pgd;
e、根据速度和位置公式更新粒子的速度和位置形成新的粒子群。并且为了增强粒子的全局并行搜索能力,引入二次凹函数对初始参数处理;
f、判断是否达到收敛条件,若达到,则输出最优结果,否则转入d。
本发明具有以下有益效果:
可以获得更短的管网拓扑结构,且粒子收敛速度快。该方法可以处理S点为零即最小支撑树情况、S点数量为固定值的情况,也可以将S点数量限定在一定区间内进行优化求解,具有较好的通用性。
附图说明
图1为本发明实施例的流程图。
图2为本发明中油井的最优划分流程图。
图3为本发明实施例中固定长度的粒子编码方式的示意图。
图4为本发明实施例中(a)为给定点集R和S点集对应的网络图G。
图5为本发明实施例中MPSO求解SMT模型的流程图。
图6为本发明实施例中油井编号及其分布图。
图7为本发明实施例中S点数在[0,n-2]内的SMT油气集输管网拓扑结构。
图8为本发明实施例中S点数在[0,n-2]内的粒子的收敛曲线。
图9为本发明实施例中S点个数为0即最小支撑树时的管网拓扑结构。
图10为本发明实施例中S点个数为2的SMT油气集输管网拓扑结构。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于分级策略的油气集输管网拓扑结构智能优化方法,包括如下步骤:
S1、根据MST的油气集输管网拓扑结构模型特点,将油气集输管网布局优化设计问题分为油井的最优划分和干支管网布局优化二个子问题;
S2、采用K-Means聚类算法对油井进行分组,以每组的中心点作为集气站的位置,为进一步干支管网布局优化做准备;
S3、为获得更优的管网拓扑结构,在原有集气站的基础上引入额外的站点(Steiner点,S点)将问题转化为SMT(SteinerMinimalTree,SMT)模型,用改进的粒子群算法(ModifiedParticleSwarmOptimization,MPSO)对SMT模型求解。
如图2所示,油井的最优划分通过以下步骤完成:
(1)读入油井的坐标和集气站的个数K,在一定的油井区域内随机生成K个点,以这K个点的坐标作为每组的初始中心;
(2)计算各个油井到初始中心点的距离,把距离初始中心点最近的油井加入到相应的组别中;
(3)对新加入油井的组重新计算每组的中心点,产生一个新的中心点;
(4)重复以上步骤,直到所有每组的油井数目都不大于设定数目上限,则每组的中心点即为集气站的位置。
干支管网布局优化通过以下步骤完成:
(1)在原有集气站中引入额外的站点(集气总站),从而将管网的树形拓扑结构优化问题转化为SMT问题;
(2)采用改进的粒子群算法(MPSO)对油气集输干支管网拓扑结构模型优化,MPSO求解SMT模型时,对粒子采用在基于S点个数和位置的固定长度的编码方式,并引入离散算子处理粒子的个数;
(3)建立完全图和最小支撑树相结合的适应度函数对粒子评价;
(4)在粒子速度和位置更新中,引入二次凹函数增强粒子的全局搜索能力,加快种群的收敛速度。
其中,固定长度的粒子编码方式采用基于S点个数和位置的固定长度编码方式对粒子进行编码,分为四种类型:
(1)限定S点的个数在[0,n-2]内,n为给定点的数目。
(2)限定S点的个数在[m,n]内,m,n为S点个数取值的上下限。
(3)设置S点的个数为某一个固定值。
(4)设置S点的个数为最大值n-2,即满树。
对粒子采用固定长度的编码方式编码时,设置的固定长度是在满树情况下的长度为2(n-2)+1,如图3所示,粒子的编码包括w个S点的数目,w个S点的坐标和(n-2-w)个潜在的S点的坐标。值得注意的是潜在的S点是在MPSO迭代寻优过程中可能成为S点的点。这种编码方式的最大特点在于用固定长度的编码来表示一个可变长度的编码问题,并在编码中考虑潜在的S点。
粒子群算法是针对连续问题提出的,然而采用上述编码方式对粒子编码时,要求S点的个数必须为整数,因此在对粒子进行初始化时,增加一个离散算子:
dx(i,1)=d(x(i,1))=[x(i,1)]
其中,x(i,j)——第i个粒子编码第j位数值,具体而言,x(i,1)表示第i个粒子编码的第1位,即S点的数量。
dx(i,j)——第i个粒子编码第j位数值经过离散化处理后的数值。
d(·)——离散算子符号。
[x]——向左取整函数,对于任何实数x有,[x]≤x<[x]+1。
适应度函数在粒子群优化算法中用于判断种群进化过程中粒子所在位置的好坏,粒子适应度函数的建立可以采用Lawler提出基于完全图和最小树相结合的思想。
若给定的原点集为R,Steiner点集为S,SMT问题是寻求点集S,使得R∪S连成的网络树总长度最短。如图4(a)所示为给定点集R和S点集的网络图G,采用欧式距离公式计算图G中点对之间的长度,以点对之间的长度构造如图4(b)所示的完全图CG;在此基础上采用Prim算法求CG的最小支撑树,如图4(c)所示,该最小支撑树的长度将被视为粒子的适应度评价。
改进的粒子群算法如下式所示:
ω(t)=(ωs-ωe)·(t/T)2+(ωe-ωs)·(2·t/T)+ωs
c1(t)=(c1s-c1e)·(t/T)2+(c1e-c1s)·(2·t/T)+c1s
c2(t)=(c2s-c2e)·(t/T)2+(c2e-c2s)·(2·t/T)+c2s
式中,ωs、c1s、c2s与ωe、c1e、c2e分别为ω、c1、c2的初始值和终止值,ωs>ωe,c1s>c1e,c2s>c2e;c1s=c2e,c1e=c2s;t为当前进化代数,T为种群最大进化次数;初始阶段,为了加强粒子群的全局搜索能力,ω与c1保持较大值,c2则保持较小值;随着种群的迭代,ω与c1以凹函数(二次函数)逐步递减,而c2则以凹函数(二次函数)逐步增加,以增加种群的局部搜索能力与加快收敛。
如图5所示,MPSO求解SMT模型通过以下步骤实现:
a、在聚类分组的基础上,根据确定的集气站的坐标矩阵,求矩形凸包对角点,作为S点的边界,所有额外引入的S点必须在这个边界内;
b、确定最大S点数n-2,对基本粒子信息初始化:粒子个数N,最大进化代数T,惯性权重ω和学习因子c1,c2;
c、采用基于S点个数和位置的固定长度的编码方式对粒子编码,并引入离散算子处理S点个数问题;
d、利用适应度函数对粒子评价,更新pid和pgd;
e、根据速度和位置公式更新粒子的速度和位置形成新的粒子群。并且为了增强粒子的全局并行搜索能力,引入二次凹函数对初始参数处理;
f、判断是否达到收敛条件,若达到,则输出最优结果,否则转入d。
实施例
以某油田某块油井区域的70口油井坐标作为本文的初始输入数据。油井标号及坐标如表1所示,其分布图如图6所示。
表1.油井编号及坐标
采用聚类算法将油井分为6组,油井-集气站以星形结构连接,即每一组以集气站为中心,与该组内对应油井以星形连接,即完成了油井的最优划分。所求得的集气站坐标及分组结果如表2所示。
表2.分组结果及井站隶属关系
值得注意的是,在用聚类算法对油井分组时,初始中心点是随机生成的,这就使得这样的分组具有不确定性,本文的分组是在多次运行计算之后,选择一组较好的结果。
在聚类分组的基础上,采用MPSO算法对SMT模型求解,并针对固定长度编码方式的不同类型进行仿真。
算例1:S点个数在[0,n-2]的情况
根据SMT最小树的性质,若给定的原点数为n,则额外引入的点(Stiner点)数目不大于n-2,一般情况下S点的数目和位置是不确定的,我们在对其仿真时可以限定S点的数目在[0,n-2]内。
图7为S点数目在[0,n-2]内的SMT油气集输管网拓扑结构图,图8是粒子收敛曲线。其中,搜索得到的最优粒子为:
1.0000299.7016551.2769327.4413842.5514270.4441865.8142316.6964314.4024
其管网的总长度为:1.0744×103m。
图9为S点个数为0即最小支撑树时的管网拓扑结构,其为算例1的一个特例情况。从计算结果得到,SMT管网的总长度与最小支撑树管网总长度之比(Steiner比)为:0.9653,显示出SMT管网在缩短管网长度方面的优势。
算例2:S点个数为固定值的情况
对于油气集输管网***,受集气总站处理能力的限制,需要根据实际工程规模我们可以把集气站的数量设置为一固定值。根据本文研究对象的实际情况,我们取S点的数目为2。
图10是S点个数为2的SMT油气集输管网拓扑结构,最后得到的SMT管网拓扑结构的总长度为:1.0744×103,其结果仍优于图9所示的S点个数为0即最小支撑树情况。
通过算例1和算例2,其结果表明本发明方法可以获得更短的管网拓扑结构,验证了该方法的有效性,且该方法可以处理S点为零即最小支撑树情况、S点数量为固定值的情况,也可以将S点数量限定在一定区间内进行优化求解,具有较好的通用性。因此本方法对于油气集输管网拓扑结构优化设计的研究具有较高的借鉴意义。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.基于分级策略的油气集输管网拓扑结构智能优化方法,其特征在于,包括如下步骤:
S1、根据多级星-树形(MultilevelStar-TreeStyle,MST)的油气集输管网拓扑结构模型特点,将油气集输管网布局优化设计问题分为油井的最优划分和干支管网布局优化二个子问题;
S2、采用K-Means聚类算法对油井进行分组,以每组的中心点作为集气站的位置,为进一步干支管网布局优化做准备;
S3、在集气站的基础上引入额外的站点将问题转化为Steiner最小树模型(SteinerMinimalTree,SMT),用改进的粒子群算法(ModifiedParticleSwarmOptimization,MPSO)对SMT模型求解。
2.根据权利要求1所述的基于分级策略的油气集输管网拓扑结构智能优化方法,其特征在于,油井的最优划分采用的K-Means聚类算法通过以下步骤完成:
(1)读入油井的坐标和集气站的个数K,在一定的油井区域内随机生成K个点,以这K个点的坐标作为每组的初始中心;
(2)计算各个油井到初始中心点的距离,把距离初始中心点最近的油井加入到相应的组别中;
(3)对新加入油井的组重新计算每组的中心点,产生一个新的中心点;
(4)重复以上步骤,直到所有每组的油井数目都不大于设定数目上限,则每组的中心点即为集气站的位置。
3.根据权利要求1所述的基于分级策略的油气集输管网拓扑结构智能优化方法,其特征在于,干支管网布局优化通过以下步骤完成:
(1)在原有集气站中引入额外的站点,从而将管网的树形拓扑结构优化问题转化为SMT问题;
(2)采用改进的粒子群算法(MPSO)对油气集输干支管网拓扑结构模型优化,MPSO求解SMT模型时,对粒子采用在基于S点个数和位置的固定长度的编码方式,并建立离散算子处理粒子的个数;
(3)建立完全图和最小支撑树相结合的适应度函数对粒子评价;
(4)在粒子速度和位置更新中,引入二次凹函数增强粒子的全局搜索能力,加快种群的收敛速度。
4.根据权利要求3所述的基于分级策略的油气集输管网拓扑结构智能优化方法,其特征在于,固定长度的粒子编码方式采用基于S点个数和位置的固定长度编码方式对粒子进行编码,分为四种类型,可以分别处理4种情况:
(1)限定S点的个数在[0,n-2]内,其中,n为分组中心的个数,也即集气站的个数。
(2)限定S点的个数在[a,b]内,其中a,b为S点个数取值的上下限。
(3)设置S点的个数为某一个固定值。
(4)设置S点的个数为最大值n-2,即满树。
5.根据权利要求3所述的基于分级策略的油气集输管网拓扑结构智能优化方法,其特征在于,对粒子采用固定长度的编码方式编码时,设置的固定长度是在满树情况下的长度为:2(n-2)+1。
6.根据权利要求3所述的基于分级策略的油气集输管网拓扑结构智能优化方法,其特征在于,改进的粒子群算法如下式所示:
ω(t)=(ωs-ωe)·(t/T)2+(ωe-ωs)·(2·t/T)+ωs
c1(t)=(c1s-c1e)·(t/T)2+(c1e-c1s)·(2·t/T)+c1s
c2(t)=(c2s-c2e)·(t/T)2+(c2e-c2s)·(2·t/T)+c2s
式中,ωs、c1s、c2s与ωe、c1e、c2e分别为ω、c1、c2的初始值和终止值,ωs>ωe,c1s>c1e,c2s>c2e;c1s=c2e,c1e=c2s;t为当前进化代数,T为种群最大进化次数;初始阶段,为了加强粒子群的全局搜索能力,ω与c1保持较大值,c2则保持较小值;随着种群的迭代,ω与c1以凹函数逐步递减,而c2则以凹函数逐步增加,以增加种群的局部搜索能力与加快收敛。
7.根据权利要求3所述的基于分级策略的油气集输管网拓扑结构智能优化方法,其特征在于,MPSO求解SMT模型通过以下步骤实现:
a、在聚类分组的基础上,根据确定的集气站的坐标矩阵,求矩形凸包对角点,作为S点的边界,所有额外引入的S点必须在这个边界内;
b、确定最大S点数n-2,对基本粒子信息初始化:粒子个数N,最大进化代数T,惯性权重ω和学习因子c1,c2;
c、采用表达S点个数和位置的定长度编码方式对粒子编码,并引入离散算子处理S点个数问题;
d、利用适应度函数对粒子评价,更新当前第i个粒子的历史最优值pid和当前种群的最优值pgd;
e、根据速度和位置公式更新粒子的速度和位置形成新的粒子群。并且为了增强粒子的全局并行搜索能力,引入二次凹函数对初始参数处理;
f、判断是否达到收敛条件,若达到,则输出最优结果,否则转入d。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666803.5A CN105373846A (zh) | 2015-10-09 | 2015-10-09 | 基于分级策略的油气集输管网拓扑结构智能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666803.5A CN105373846A (zh) | 2015-10-09 | 2015-10-09 | 基于分级策略的油气集输管网拓扑结构智能优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105373846A true CN105373846A (zh) | 2016-03-02 |
Family
ID=55376025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510666803.5A Pending CN105373846A (zh) | 2015-10-09 | 2015-10-09 | 基于分级策略的油气集输管网拓扑结构智能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373846A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886182A (zh) * | 2016-09-30 | 2018-04-06 | 中国石油化工股份有限公司 | 油田集输***优化设计方法及装置 |
CN109462814A (zh) * | 2018-11-28 | 2019-03-12 | 南京理工大学 | 基于最小生成树聚类算法的定位基站选择方法 |
CN111219909A (zh) * | 2020-01-15 | 2020-06-02 | 华电电力科学研究院有限公司 | 一种结合工业余热的含储能装置的分布式能源站区域供能方法 |
CN110188924B (zh) * | 2019-05-09 | 2022-04-29 | 新奥数能科技有限公司 | 确定能源***的最优拓扑结构的方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020394A (zh) * | 2012-12-31 | 2013-04-03 | 中国石油天然气股份有限公司 | 一种适用于油田地面大型管网***优化设计的方法及装置 |
-
2015
- 2015-10-09 CN CN201510666803.5A patent/CN105373846A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020394A (zh) * | 2012-12-31 | 2013-04-03 | 中国石油天然气股份有限公司 | 一种适用于油田地面大型管网***优化设计的方法及装置 |
Non-Patent Citations (4)
Title |
---|
吴伶 等: ""欧氏STEINER最小树的粒子群优化算法研究"", 《全国第19届计算机技术与应用(CACIS)学术会议论文集(下册)》 * |
罗叶新 等: ""油气地面集输***布局优化模型"", 《油气储运》 * |
谷炜 等: ""基于改进 K- means 聚类的物流配送区域划分方法研究"", 《中国管理信息化》 * |
陈贵敏 等: ""粒子群优化算法的惯性权值递减策略研究"", 《西安交通大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886182A (zh) * | 2016-09-30 | 2018-04-06 | 中国石油化工股份有限公司 | 油田集输***优化设计方法及装置 |
CN107886182B (zh) * | 2016-09-30 | 2022-03-01 | 中国石油化工股份有限公司 | 油田集输***优化设计方法及装置 |
CN109462814A (zh) * | 2018-11-28 | 2019-03-12 | 南京理工大学 | 基于最小生成树聚类算法的定位基站选择方法 |
CN110188924B (zh) * | 2019-05-09 | 2022-04-29 | 新奥数能科技有限公司 | 确定能源***的最优拓扑结构的方法及装置 |
CN111219909A (zh) * | 2020-01-15 | 2020-06-02 | 华电电力科学研究院有限公司 | 一种结合工业余热的含储能装置的分布式能源站区域供能方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN105096614B (zh) | 基于生成型深信度网络的新建路***通流量预测方法 | |
CN105373846A (zh) | 基于分级策略的油气集输管网拓扑结构智能优化方法 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN107315856A (zh) | 一种基于图数据库的电网gis的建模方法及装置 | |
CN105303450A (zh) | 基于谱聚类改进交叉的复杂网络社区发现方法 | |
CN109635946A (zh) | 一种联合深度神经网络和成对约束的聚类方法 | |
CN104537178B (zh) | 一种基于Matlab和Netlogo的电力***联合仿真建模方法 | |
CN104217073A (zh) | 一种网络社团引力导引的可视化布局方法 | |
CN105207197B (zh) | 包含风电场的电力***可靠性评估方法 | |
CN106127304A (zh) | 一种适用于配电网网络拓扑设计方法 | |
CN103473465B (zh) | 基于多目标人工免疫***的土地资源空间布局优化方法 | |
CN110473251A (zh) | 基于网格空间索引的自定义范围空间数据面积统计方法 | |
CN103279661B (zh) | 基于混合量子进化算法的变电站容量优化配置方法 | |
CN108495252B (zh) | 基于遗传算法和模拟退火的室内定位网元优化布局方法 | |
CN103455612A (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
CN107423818A (zh) | 一种用电信息采集***统一接口的测试数据集生成的方法及*** | |
CN103136410A (zh) | 干支管网布局优化模型的求解方法 | |
CN103020394A (zh) | 一种适用于油田地面大型管网***优化设计的方法及装置 | |
CN104331738A (zh) | 基于博弈和遗传算法的网络重构算法 | |
CN108509764A (zh) | 一种基于遗传属性约简的古生物谱系演化分析方法 | |
CN104899283A (zh) | 一种针对单个不确定图的频繁子图挖掘与优化方法 | |
CN103970610A (zh) | 一种供水管网中节点流量的监控方法 | |
CN102708241B (zh) | 一种用于油藏历史拟合的快速粒子群方法 | |
CN103761308B (zh) | 一种基于自适应遗传算法的物化视图选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160302 |
|
RJ01 | Rejection of invention patent application after publication |