CN109670650B - 基于多目标优化算法的梯级水库群调度模型的求解方法 - Google Patents
基于多目标优化算法的梯级水库群调度模型的求解方法 Download PDFInfo
- Publication number
- CN109670650B CN109670650B CN201811611895.7A CN201811611895A CN109670650B CN 109670650 B CN109670650 B CN 109670650B CN 201811611895 A CN201811611895 A CN 201811611895A CN 109670650 B CN109670650 B CN 109670650B
- Authority
- CN
- China
- Prior art keywords
- population
- moth
- scheduling
- tijk
- solving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 52
- 230000001629 suppression Effects 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000001595 flow curve Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 16
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 206010036590 Premature baby Diseases 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
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
- G06N3/004—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
- G06Q10/0631—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
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于梯级水库群多目标优化调度模型求解技术领域,公开了一种基于多目标优化算法的梯级水库群调度模型的求解方法,首先收集梯级水库群的电站基本资料和水文资料;其次根据具体需求建立调度目标并添加调度约束条件;然后以调度期内各时刻的水位为决策变量,采用基于R支配的改进飞蛾扑火多目标优化算法(R‑NSIMFO)对建立的梯级水库群调度模型进行求解;最后根据求解结果得到相应的调度方案集。本发明的求解方法从进化算法和多目标机制两个方面进行改进,有能力获得收敛性和分布性均较优的非劣调度方案集,对实现整个梯级水库群综合效益最大化具有至关重要的作用。
Description
技术领域
本发明属于梯级水库群多目标优化调度模型求解技术领域,尤其涉及一种基于多目标优化算法的梯级水库群调度模型的求解方法。
背景技术
目前,业内常用的现有技术是这样的:
梯级水库群多目标联合调度的研究对水资源优化配置和水电能源高效利用具有重要意义。而梯级水库群多目标优化调度模型是一个多目标、多约束和多决策变量的优化问题,其求解非常复杂。早期用于求解水库调度模型的方法主要是动态规划、线性规划、非线性规划和随机动态规划等方法。当决策变量数目很多时,这些方法会面临巨大的“维数灾”问题,不适合用于梯级水库群调度模型的求解。早期用于求解多目标优化问题的机制主要是权重法和约束法变多目标问题为单目标问题来求解,这类求解机制一次只能得到一个解,求解效率低下。近二十年来,基于Pareto支配的多目标进化算法(MOEAs)因能同时解决“维数灾”问题和求解效率低下的问题而被广泛用于梯级水库群多目标优化调度模型的求解。
多目标进化算法求解梯级水库群多目标优化调度模型时一次求解能够得到一组解集,评价一个多目标算法是否更适合求解某个特定的多目标优化问题需要从这组解集的收敛性和分布性两个方面进行考量。因此得到一个新的多目标进化算法,使其求解梯级水库群多目标优化调度模型时能够得到收敛性和分布性均较优的调度方案集是本发明的创新点和目的。多目标进化算法指的是一类算法,这类算法可以被划分为进化算法和多目标机制两个方面来考虑。一个多目标进化算法的收敛性主要和其采用的进化算法种类有关,一个多目标进化算法的分布性主要和其采用的多目标机制有关。常用的进化算法有遗传算法(GA)、差分进化算法(DE)和粒子群算法(PSO)等。2015年才被提出来的飞蛾扑火优化算法(MFO)因其收敛速度快而逐渐受到广泛关注,但是有文献表明运用MFO到实际问题中时存在易于陷入局部最优而早熟的问题。因此如何改进MFO使得其既能保留收敛速度快的优点又能克服易于早熟的缺点是本发明的重点之一。常用的多目标机制有拥挤距离维持的非支配排序方法(NSGAⅡ)、分解机制(MOEA/D)、参考点机制(NSGAⅢ)和评价指标机制(MOPSOhv)等机制。当目标数目增多时,非支配排序方法会面临巨大的选择压力因为越来越多的个体会变成互不支配的情形,这使得非支配排序方法在解决很多目标问题(3个目标以上)时获得的解集分布性很差。而参考点是一组在归一化后的目标空间中均匀分布的一组散点,具有很好的分布性。如何结合非支配排序方法和参考点以获得一个分布性很好的多目标机制也是本发明的重点之一。
综上所述,现有技术存在的问题是:
梯级水库群调度问题是一种多目标多约束多水库的优化问题,求解这个问题的难点在于寻找到一组收敛性和分布性均较优的调度方案集。而寻优的关键在于采用的多目标优化算法,目前用于求解梯级水库群多目标优化调度问题的算法存在易于早熟或分布性差的问题。
早期用于求解水库调度模型的动态规划、线性规划、非线性规划和随机动态规划等方法在决策变量数目很多时会面临巨大的“维数灾”问题,因此不适合用于梯级水库群优化调度模型的求解。
早期用于求解多目标优化问题的权重法和约束法机制一次求解只能得到一个解,求解效率低下,因此不适合用于梯级水库群目标很多的调度模型的求解。
现有技术中,进化算法飞蛾扑火优化算法(MFO)虽然收敛速度快但在实际问题中时存在易于早熟的问题。需要对其进行改进使得其既能保留收敛速度快的优点又能克服易于早熟的缺点之后才能运用于梯级水库群多目标优化调度模型的求解中。
现有技术中,当目标数目增多时,非支配排序方法会面临巨大的选择压力从而导致其在解决很多目标问题(3个目标以上)时获得的解集分布性很差。需要将非支配排序方法和参考点结合得到一个分布性很好的多目标机制才能运用于梯级水库群多目标优化调度模型的求解中。
解决上述技术问题的难度和意义:
关于改进进化算法MFO,需要从MFO的启发机制和更新公式两个方面深入分析找到MFO易于早熟的原因。这需要改进人员对多种克服早熟能力强的进化算法具有非常深入的了解。
关于改进进化算法MFO,找到易于早熟的原因之后需要对算法公式和机制进行改进,这需要大量的尝试和实验才能最终确定。
关于改进多目标机制,非支配排序方法和参考点结合的点和框架流程需要多次尝试和大量的实验才能最终确定。
解决上述技术问题后,带来的意义为:
改进进化算法MFO得到IMFO,使得IMFO同时具有收敛速度快和克服早熟能力强的优点,能够减少求解梯级水库群多目标优化调度模型的计算时间,同时还能得到优化结果更优的解集。
结合非支配排序方法和参考点得到R-支配排序方法,使得求解梯级水库群多目标优化调度模型得到的解集具有很好的分布性,能够适应后期不同决策需求的目的,从而得到更丰富的调度方案集。
综合来说,IMFO和R-支配排序方法是需要放在一起形成一种新的多目标进化算法(R-NSIMFO)来使用的,这个算法有能力获得收敛性和分布性均较优的调度方案集,对实现整个梯级水库群综合效益最大化具有至关重要的作用。
发明内容
针对现有技术存在的问题,本发明提供了一种基于多目标优化算法的梯级水库群调度模型的求解方法,有能力获得收敛性和分布性均较优的调度方案集。
本发明是这样实现的,一种基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法,包括:
收集梯级水库群的电站基本资料和水文资料并根据具体需求建立调度目标和调度约束条件;在水库群优化调度模型建立完成之后以调度期内各时刻的水位为决策变量,采用基于R支配的改进飞蛾扑火多目标优化算法(R-NSIMFO)进行求解;根据求解结果得到相应的调度方案集。
具体包括:
(1)收集梯级水库群的电站基本资料和水文资料,具体包括各电站的历史径流、水位库容曲线、尾水位流量曲线、水头预想出力满发流量曲线、流量水头损失曲线、水头综合耗水率曲线、枢纽泄流能力曲线、水位流量出力约束和梯级水库群的拓扑结构等资料;
(2)根据具体需求建立调度目标,具体可能是发电目标(如总发电量最大和时段最小出力最大)、防洪目标(如洪峰削峰率最大和洪水成灾历时最短)、供水目标(如供水保证率最大)、生态目标(如生态溢缺水量最小和生态改变系数最小)和航运目标(如通航保证率最大和通航能力最大)等目标;
(3)添加调度约束条件,具体可能是水位上下限、流量上下限、出力上下限、水量平衡和梯级水库间的水力联系等约束,至此梯级水库群优化调度模型建立完成;
(4)初始化飞蛾种群的决策变量,一般为调度期内各水库在各时刻的水位。第t代飞蛾种群为Mt=[Mt1,Mt2,…,MtN],第t代飞蛾种群中第i个个体为Mti=[Zti11,Zti12,…,Zti1T,…,Ztijk,…,ZtiST],其中Ztijk为第t代飞蛾种群中第i个个体的第j个水库在第k个时刻的水位,为和火焰种群中的Ztijk区分,飞蛾种群和火焰种群中的Ztijk分别用Mtijk和Ftijk表示,N为种群个数,S为梯级水库群总数,T为调度期时刻总数;将打乱顺序的飞蛾种群作为火焰种群,第t代火焰种群中第i个个体为Fti=Mtr,r为不重复的随机索引,令迭代次数t=1,最大迭代次数用maxGen表示;
(5)根据建立梯级水库群优化调度模型计算当前飞蛾种群和火焰种群的目标函数值和约束值;
(6)如果t≤maxGen,重复(7)(8)(5)(6)的步骤;否则输出当前飞蛾种群为求解解集;
(7)通过改进飞蛾扑火优化算法(IMFO)利用当前飞蛾种群Mt和当前火焰种群Ft产生子代种群Qt;
(8)将飞蛾种群Mt和子代种群Qt放在一起Rt=Ft∪Qt通过R支配排序方法得到下一代飞蛾种群Mt+1,将下一代飞蛾种群Mt+1和当前火焰种群Ft中的个体根据支配关系一一对应逐对比较更新得到下一代火焰种群Ft+1;令t=t+1;
(9)迭代结束后根据输出的飞蛾种群制定调度方案集。
进一步,步骤(7)中,改进飞蛾扑火优化算法的计算方法和公式为:
a.IMFO的输入为飞蛾种群Mt和当前火焰种群Ft,输出为子代种群Qt,设置IMFO中的变量b的参数,通常设置为1;
b.第t代飞蛾种群中第i个个体的第j个水库在第k个时刻的水位更新公式为:
dtijk=Ftijk-Mtijk (1)
其中dtijk,ctijk和ttijk均为中间变量,无实际含义,ttijk是0到2之间的随机数。
进一步,步骤(8)中,R支配排序方法的步骤和计算公式为:
a.R支配排序方法的目的是从具有2N个个体的Rt中选择N个个体作为下一代飞蛾种群Mt+1,R支配排序方法=非支配排序方法+R值;
b.通过非支配排序方法(现有方法)为Rt中的个体设定等级rank,rank越低表明个体越优,同一个rank中可能有1个或多个个体,因此可以将Rt根据rank划分为一系列的子集(P1,P2,…);将rank为1逐一增加,将各个rank中的所有个体Pi放入Si(一开始是空集)中,即Si=Si-1∪Pi,直至len(SL-1)≤N≤len(SL-1∪PL),称rank等于L的一层是关键层,其中len()是计算集合中个体数目的函数;
c.从PL层中筛选N-len(SL-1)个个体放入SL-1中。按照NSGAⅢ算法中的归一化和关联参考点方法,将Rt中所有个体先进行归一化然后关联到参考点。然后计算每个参考点中所关联的个体的R值,其计算公式为:
R(p)=order(p)+dp (4)
其中dp是个体p到其关联的参考点与原点构成的参考线的垂直距离,order(p)是个体p在其关联的参考点所关联的所有个体中按照dp大小升序排列的序号,R(p)是个体p的R值,R值越小表明个体越优。将PL层中所有的个体按照R值升序排列,取前N-len(SL-1)个个体放入SL-1,记为SL,此时SL中的个体数目为N个,SL即为下一代飞蛾种群Mt+1。
进一步,步骤(8)中,火焰种群的更新策略为:
将下一代飞蛾种群Mt+1和当前火焰种群Ft中的个体一一对应逐对比较,如果个体Mt+1,i支配Ft,i,则用Mt+1,i替换Ft,i;如果Ft,i支配Mt+1,i,则Ft,i不变;如果Ft,i和Mt+1,i互不支配,则随机从Ft中选择一个个体替换Ft,i。
本发明的另一目的在于提供一种基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解计算机程序,,所述基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解计算机程序实现所述的基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法。
本发明的另一目的在于提供一种终端,所述终端至少搭载实现所述基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法。
本发明的另一目的在于提供一种实现所述基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型求解的控制***。
本发明的另一目的在于提供一种搭载所述基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型求解控制***的梯级水库群调度设备。
综上所述,本发明的优点及积极效果为:
本发明提供了一种基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法,从原理上改进了MFO得到了IMFO算法,其具有收敛速度快和克服早熟能力强的优点。R支配排序方法结合了非支配排序方法和参考点机制,其获得的解集具有很好的分布性。综合来说,本发明提出的新的多目标进化算法(R-NSIMFO)有能力获得收敛性和分布性均较优的调度方案集,这点可以通过附表1中HV指标的对比中可以分析得出,也可以从附图2中直观看出。从表1中可以看出R-NSIMFO的HV值最大,说明R-NSIMFO得到的调度方案集的收敛性和分布性是4个算法中最好的。图2雷达图中的每个线条代表一种方案。通过雷达图中各个目标坐标轴上的范围可以评价方案的收敛性,范围宽度越宽和值越优的方案集收敛性越好;通过各个方案的目标点在坐标轴上分布的均匀性可以评价方案的分布性,点在坐标轴上分布的越均匀,表示方案的分布性越好。
本发明提出的算法(R-NSIMFO)易于推广使用,还可以用于其他多目标优化领域使用。
附图说明
图1是本发明实施例提供的基于R-NSIMFO算法的梯级水库群调度模型的求解方法流程图;
图2是本发明实施例提供的澜沧江案例调度结果对比图。
具体实施方式
为了使本发明的目的、技术方案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。
本发明先收集梯级水库群的电站基本资料和水文资料,其次根据具体需求建立调度目标和调度约束条件;然后以调度期内各时刻的水位为决策变量,采用基于R支配的改进飞蛾扑火多目标优化算法(R-NSIMFO)进行求解;最后根据求解结果得到相应的调度方案集。
下面结合具体分析对本发明的应用作进一步描述。
图1所示,本发明实施例基于R-NSIMFO算法的梯级水库群调度模型的求解方法流程图,具体包括以下步骤:
(1)收集梯级水库群的电站基本资料和水文资料,具体包括各电站的历史径流、水位库容曲线、尾水位流量曲线、水头预想出力满发流量曲线、流量水头损失曲线、水头综合耗水率曲线、枢纽泄流能力曲线、水位流量出力约束和梯级水库群的拓扑结构等资料;
(2)根据具体需求建立调度目标,具体可能是发电目标(如总发电量最大和时段最小出力最大)、防洪目标(如洪峰削峰率最大和洪水成灾历时最短)、供水目标(如供水保证率最大)、生态目标(如生态溢缺水量最小和生态改变系数最小)和航运目标(如通航保证率最大和通航能力最大)等目标;
(3)添加调度约束条件,具体可能是水位上下限、流量上下限、出力上下限、水量平衡和梯级水库间的水力联系等约束,至此梯级水库群优化调度模型建立完成;
(4)初始化飞蛾种群的决策变量,一般为调度期内各水库在各时刻的水位。第t代飞蛾种群为Mt=[Mt1,Mt2,…,MtN],第t代飞蛾种群中第i个个体为Mti=[Zti11,Zti12,…,Zti1T,…,Ztijk,…,ZtiST],其中Ztijk为第t代飞蛾种群中第i个个体的第j个水库在第k个时刻的水位,为和火焰种群中的Ztijk区分,飞蛾种群和火焰种群中的Ztijk分别用Mtijk和Ftijk表示,N为种群个数,S为梯级水库群总数,T为调度期时刻总数;将打乱顺序的飞蛾种群作为火焰种群,第t代火焰种群中第i个个体为Fti=Mtr,r为不重复的随机索引,令迭代次数t=1,最大迭代次数用maxGen表示;
(5)根据建立梯级水库群优化调度模型计算当前飞蛾种群和火焰种群的目标函数值和约束值;
(6)如果t≤maxGen,重复(7)(8)(5)(6)的步骤;否则输出当前飞蛾种群为求解解集;
(7)通过改进飞蛾扑火优化算法(IMFO)利用当前飞蛾种群Mt和当前火焰种群Ft产生子代种群Qt;
改进飞蛾扑火优化算法的计算方法和公式为:
a.IMFO的输入为飞蛾种群Mt和当前火焰种群Ft,输出为子代种群Qt,设置IMFO中的变量b的参数,通常设置为1;
b.第t代飞蛾种群中第i个个体的第j个水库在第k个时刻的水位更新公式为:
dtijk=Ftijk-Mtijk (5)
其中dtijk,ctijk和ttijk均为中间变量,无实际含义,ttijk是0到2之间的随机数。
(8)将飞蛾种群Mt和子代种群Qt放在一起Rt=Ft∪Qt通过R支配排序方法得到下一代飞蛾种群Mt+1,将下一代飞蛾种群Mt+1和当前火焰种群Ft中的个体根据支配关系一一对应逐对比较更新得到下一代火焰种群Ft+1;令t=t+1;
R支配排序方法的步骤和计算公式为:
a.R支配排序方法的目的是从具有2N个个体的Rt中选择N个个体作为下一代飞蛾种群Mt+1,R支配排序方法=非支配排序方法+R值;
b.通过非支配排序方法(现有方法)为Rt中的个体设定等级rank,rank越低表明个体越优,同一个rank中可能有1个或多个个体,因此可以将Rt根据rank划分为一系列的子集(P1,P2,…);将rank为1逐一增加,将各个rank中的所有个体Pi放入Si(一开始是空集)中,即Si=Si-1∪Pi,直至len(SL-1)≤N≤len(SL-1∪PL),称rank等于L的一层是关键层,其中len()是计算集合中个体数目的函数;
c.从PL层中筛选N-len(SL-1)个个体放入SL-1中。按照NSGAⅢ算法中的归一化和关联参考点方法,将Rt中所有个体先进行归一化然后关联到参考点。然后计算每个参考点中所关联的个体的R值,其计算公式为:
R(p)=order(p)+dp (8)
其中dp是个体p到其关联的参考点与原点构成的参考线的垂直距离,order(p)是个体p在其关联的参考点所关联的所有个体中按照dp大小升序排列的序号,R(p)是个体p的R值,R值越小表明个体越优。将PL层中所有的个体按照R值升序排列,取前N-len(SL-1)个个体放入SL-1,记为SL,此时SL中的个体数目为N个,SL即为下一代飞蛾种群Mt+1。
火焰种群的更新策略为:
将下一代飞蛾种群Mt+1和当前火焰种群Ft中的个体一一对应逐对比较,如果个体Mt+1,i支配Ft,i,则用Mt+1,i替换Ft,i;如果Ft,i支配Mt+1,i,则Ft,i不变;如果Ft,i和Mt+1,i互不支配,则随机从Ft中选择一个个体替换Ft,i。
(9)迭代结束后根据输出的飞蛾种群制定调度方案集。
下面结合具体实验对本发明的应用作进一步描述。
本发明以澜沧江流域中小湾、漫湾、大朝山、糯扎渡和景洪五座水电站为对象;建立年总发电量最大、时段最小出力最大、生态溢缺水量最大和平均通航能力最大共四个调度目标;考虑水位上下限、流量上下限、出力上下限、水量平衡和梯级水库间的水力联系共五个约束;数据采用2000年的资料进行计算。为了验证R-NSIMFO求解梯级水库多目标优化调度模型的性能,选取目前比较前沿的多目标求解方法NSGAⅢ、MOEA/D和θ-DEA进行对比。评价指标采用HV指标,该指标可以同时评价一个解集的收敛性和分布性。HV值越大,性能越好。为了随机性,每个算法都运行20次,以平均值作为最终结果。
表1列出了4种算法在实施例中求解方案集的平均HV指标,从表中可以看出R-NSIMFO的HV值最大,说明R-NSIMFO得到的调度方案集的收敛性和分布性是4个算法中最好的。同时通过图2也可以直观看出上述结论。图2中E、Nf、Veco和nc分别代表总发电量、时段最小出力、生态溢缺水量和平均通航能力。图2雷达图中的每个线条代表一种方案。通过雷达图中各个目标坐标轴上的范围可以评价方案的收敛性,范围宽度越宽和值越优的方案集收敛性越好;通过各个方案的目标点在坐标轴上分布的均匀性可以评价方案的分布性,点在坐标轴上分布的越均匀,表示方案的分布性越好。
表1四种算法在实施例中求解方案集的平均HV指标
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法,其特征在于,所述基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法包括:
第一步,收集梯级水库群的电站基本资料和水文资料,具体包括各电站的历史径流、水位库容曲线、尾水位流量曲线、水头预想出力满发流量曲线、流量水头损失曲线、水头综合耗水率曲线、枢纽泄流能力曲线、水位流量出力约束和梯级水库群的拓扑结构资料;
第二步,根据具体需求建立调度目标,具体包括发电目标、防洪目标、供水目标、生态目标和航运目标;
第三步,添加调度约束条件,具体包括水位上下限、流量上下限、出力上下限、水量平衡和梯级水库间的水力联系的约束,并建立梯级水库群优化调度模型;
第四步,以调度期内各时刻的水位为决策变量,采用基于R支配的改进飞蛾扑火多目标优化算法对建立的梯级水库群调度模型进行求解:初始化飞蛾种群的决策变量,为调度期内各水库在各时刻的水位;第t代飞蛾种群为Mt=[Mt1,Mt2,…,MtN],第t代飞蛾种群中第i个个体为Mti=[Zti11,Zti12,…,Zti1T,…,Ztijk,…,ZtiST],其中Ztijk为第t代飞蛾种群中第i个个体的第j个水库在第k个时刻的水位,为与火焰种群中的Ztijk区分,飞蛾种群和火焰种群中的Ztijk分别用Mtijk和Ftijk表示,N为种群个数,S为梯级水库群总数,T为调度期时刻总数;将打乱顺序的飞蛾种群作为火焰种群,第t代火焰种群中第i个个体为Fti=Mtr,r为不重复的随机索引,令迭代次数t=1,最大迭代次数用maxGen表示;
第五步,根据建立梯级水库群优化调度模型计算当前飞蛾种群和火焰种群的目标函数值和约束值;
第六步,如果t≤maxGen,重复第七步、第八步、第五步、第六步;否则输出当前飞蛾种群为求解解集;
第七步,通过改进飞蛾扑火优化算法利用当前飞蛾种群Mt和当前火焰种群Ft产生子代种群Qt;
第八步,将飞蛾种群Mt和子代种群Qt放在一起Rt=Ft∪Qt通过R支配排序方法得到下一代飞蛾种群Mt+1,将下一代飞蛾种群Mt+1和当前火焰种群Ft中的个体根据支配关系一一对应逐对比较更新得到下一代火焰种群Ft+1;令t=t+1;
所述R支配排序方法包括:
I)R支配排序方法的目的是从具有2N个个体的Rt中选择N个个体作为下一代飞蛾种群Mt+1,R支配排序方法=非支配排序方法+R值;
II)通过非支配排序方法为Rt中的个体设定等级rank,rank越低表明个体越优,同一个rank中有1个或多个个体,将Rt根据rank划分为一系列的子集(P1,P2,…);将rank为1逐一增加,将各个rank中的所有个体Pi放入Si中,即Si=Si-1∪Pi,直至len(SL-1)≤N≤len(SL-1∪PL),rank等于L的一层是关键层,其中len()是计算集合中个体数目的函数;
III)从PL层中筛选N-len(SL-1)个个体放入SL-1中;按照NSGAⅢ算法中的归一化和关联参考点方法,将Rt中所有个体先进行归一化然后关联到参考点;然后计算每个参考点中所关联的个体的R值,公式为:
R(p)=order(p)+dp
其中dp是个体p到其关联的参考点与原点构成的参考线的垂直距离,order(p)是个体p在其关联的参考点所关联的所有个体中按照dp大小升序排列的序号,R(p)是个体p的R值,R值越小表明个体越优;将PL层中所有的个体按照R值升序排列,取前N-len(SL-1)个个体放入SL-1,记为SL,此时SL中的个体数目为N个,SL即为下一代飞蛾种群Mt+1;
所述火焰种群的更新策略为:
将下一代飞蛾种群Mt+1和当前火焰种群Ft中的个体一一对应逐对比较,如果个体Mt+1,i支配Ft,i,则用Mt+1,i替换Ft,i;如果Ft,i支配Mt+1,i,则Ft,i不变;如果Ft,i和Mt+1,i互不支配,则随机从Ft中选择一个个体替换Ft,i;
第九步,迭代结束后根据求解结果输出飞蛾种群制定调度方案集。
3.一种计算机***,包括存储器和处理器,存储器用于存储计算机程序,处理器用于执行该计算机程序以便实现如权利要求1~2任意一项所述的基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法。
4.一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1~2任意一项所述的基于R支配改进飞蛾扑火多目标优化算法的梯级水库群调度模型的求解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811611895.7A CN109670650B (zh) | 2018-12-27 | 2018-12-27 | 基于多目标优化算法的梯级水库群调度模型的求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811611895.7A CN109670650B (zh) | 2018-12-27 | 2018-12-27 | 基于多目标优化算法的梯级水库群调度模型的求解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670650A CN109670650A (zh) | 2019-04-23 |
CN109670650B true CN109670650B (zh) | 2020-08-04 |
Family
ID=66146395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811611895.7A Active CN109670650B (zh) | 2018-12-27 | 2018-12-27 | 基于多目标优化算法的梯级水库群调度模型的求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670650B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163420B (zh) * | 2019-04-28 | 2021-07-27 | 华中科技大学 | 一种基于分解文化进化算法的多目标生态调度方法和*** |
CN110147627A (zh) * | 2019-05-24 | 2019-08-20 | 福州大学 | 基于改进飞蛾赴火算法的弹簧自重优化设计方法 |
CN110348707B (zh) * | 2019-06-26 | 2021-09-07 | 长江水利委员会长江科学院 | 一种通用化的梯级水库群联合调度*** |
CN110474338A (zh) * | 2019-08-06 | 2019-11-19 | 广东工业大学 | 一种交直流混合微电网优化配置方法 |
CN111005346B (zh) * | 2019-12-06 | 2021-03-19 | 河海大学 | 一种水库群多目标作用机制和优化调度方案分析方法 |
CN111325400B (zh) * | 2020-02-20 | 2023-06-02 | 内蒙古自治区水利水电勘测设计院 | 一种高海拔长距离的输水定位方法及其定位*** |
CN111709134B (zh) * | 2020-06-12 | 2021-05-04 | 河海大学 | 一种基于闸泵站群控制的多水源跨流域调度方法及装置 |
CN111861137A (zh) * | 2020-06-28 | 2020-10-30 | 中国电建集团昆明勘测设计研究院有限公司 | 梯级水库群并行多目标调度方法 |
CN112836949A (zh) * | 2021-01-26 | 2021-05-25 | 西安理工大学 | 一种基于狮群算法的水库群双目标优化调度方法 |
CN113111409A (zh) * | 2021-03-17 | 2021-07-13 | 长沙理工大学 | 建筑设计优化方法、优化***、建筑设计优化终端、介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127336A (zh) * | 2016-06-20 | 2016-11-16 | 浙江工业大学 | 一种基于多目标飞蛾算法的小型水电站优化调度方法 |
CN106357456A (zh) * | 2016-10-11 | 2017-01-25 | 广东工业大学 | 一种网络流量的预测方法及装置 |
CN106355292A (zh) * | 2016-09-21 | 2017-01-25 | 广东工业大学 | 基于量子粒子群算法的梯级水库优化调度方法及*** |
CN106802822A (zh) * | 2016-12-30 | 2017-06-06 | 南京邮电大学 | 一种基于飞蛾算法的云数据中心认知资源调度方法 |
CN106951985A (zh) * | 2017-03-06 | 2017-07-14 | 河海大学 | 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法 |
CN107609683A (zh) * | 2017-08-24 | 2018-01-19 | 西安理工大学 | 一种基于萤火虫算法的梯级水库群调度优化方法 |
CN108808693A (zh) * | 2018-05-25 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 配电网无功功率优化控制方法 |
CN108805434A (zh) * | 2018-05-25 | 2018-11-13 | 河海大学 | 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法 |
-
2018
- 2018-12-27 CN CN201811611895.7A patent/CN109670650B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127336A (zh) * | 2016-06-20 | 2016-11-16 | 浙江工业大学 | 一种基于多目标飞蛾算法的小型水电站优化调度方法 |
CN106355292A (zh) * | 2016-09-21 | 2017-01-25 | 广东工业大学 | 基于量子粒子群算法的梯级水库优化调度方法及*** |
CN106357456A (zh) * | 2016-10-11 | 2017-01-25 | 广东工业大学 | 一种网络流量的预测方法及装置 |
CN106802822A (zh) * | 2016-12-30 | 2017-06-06 | 南京邮电大学 | 一种基于飞蛾算法的云数据中心认知资源调度方法 |
CN106951985A (zh) * | 2017-03-06 | 2017-07-14 | 河海大学 | 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法 |
CN107609683A (zh) * | 2017-08-24 | 2018-01-19 | 西安理工大学 | 一种基于萤火虫算法的梯级水库群调度优化方法 |
CN108808693A (zh) * | 2018-05-25 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 配电网无功功率优化控制方法 |
CN108805434A (zh) * | 2018-05-25 | 2018-11-13 | 河海大学 | 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法 |
Non-Patent Citations (6)
Title |
---|
Moth Flame Optimization based optimal bidding strategy under transmission congestion in deregulated power market;Sadhan Gope等;《2016 IEEE Region 10 Conference (TENCON)》;20170209;617-621 * |
Moth-Flame optimization Algorithm for solving real challenging constrained engineering optimization problems;Narottam Jangir等;《2016 IEEE Students" Conference on Electrical, Electronics and Computer Science (SCEECS)》;IEEE;20160714;全文 * |
基于多目标飞蛾优化算法的自抗扰参数整定研究;张濛等;《微电子学与计算机》;20181130;第35卷(第11期);84-88 * |
基于多目标飞蛾算法的电力***无功优化研究;李伟琨等;《计算机科学》;20171130;第44卷(第11A期);503-509 * |
改进的r支配高维多目标粒子群优化算法;章恩泽;《控制理论与应用》;20150531;第32卷(第5期);623-630 * |
改进的飞蛾扑火优化算法在网络入侵检测***中的应用;徐慧等;《计算机应用》;20181130;第38卷(第11期);3231-3240 * |
Also Published As
Publication number | Publication date |
---|---|
CN109670650A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670650B (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN105243458B (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
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 | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
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 | |
CN109948847B (zh) | 一种基于多目标进化算法的水库群调度方法 | |
CN106203689A (zh) | 一种梯级水电站群联合运行多目标优化调度方法 | |
CN112036633B (zh) | 一种基于水库生态发电多目标中长期随机调度模型的优化调度方法 | |
CN108493951A (zh) | 一种基于混沌粒子群算法的多目标无功优化方法 | |
CN108573326A (zh) | 基于遗传蚁群混合算法的视频服务器选址方法 | |
CN109800914A (zh) | 一种适用于滨海地区水资源的多目标优化调度方法 | |
CN110163420B (zh) | 一种基于分解文化进化算法的多目标生态调度方法和*** | |
CN102043905A (zh) | 基于自适应算法的小水电群智能优化错峰调度方法 | |
CN110363343A (zh) | 一种混合自适应的水电站群智能优化调度方法及*** | |
CN106484512A (zh) | 计算单元的调度方法 | |
CN105187051A (zh) | 一种基于NSGA-II用于不完全确定Reed-Muller电路功耗与面积优化方法 | |
CN112966445B (zh) | 一种基于强化学习模型fqi的水库防洪优化调度方法 | |
CN108665068A (zh) | 供水管网水力模型自动校核问题的改进遗传算法 | |
CN116307591A (zh) | 一种基于amocs-pt的跨流域调水工程优化调度方法 | |
CN108537370A (zh) | 基于混合智能降维算法的特大流域水电站群优化调度方法 | |
CN105260787A (zh) | 一种基于遗传算法的分拣作业均衡调度方法 | |
CN106845696B (zh) | 一种智能优化水资源配置方法 | |
CN104216383A (zh) | 一种小水电站机组运行效率优化方法 | |
CN107370191B (zh) | 一种基于改进蚁群算法的火电机组发电计划制作方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |