CN110363343B - 一种混合自适应的水电站群智能优化调度方法及*** - Google Patents

一种混合自适应的水电站群智能优化调度方法及*** Download PDF

Info

Publication number
CN110363343B
CN110363343B CN201910624458.7A CN201910624458A CN110363343B CN 110363343 B CN110363343 B CN 110363343B CN 201910624458 A CN201910624458 A CN 201910624458A CN 110363343 B CN110363343 B CN 110363343B
Authority
CN
China
Prior art keywords
particle
hydropower station
particles
optimal solution
current
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
Application number
CN201910624458.7A
Other languages
English (en)
Other versions
CN110363343A (zh
Inventor
张宇
吴时强
吴修锋
崔鹏飞
戴江玉
王芳芳
杨倩倩
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.)
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
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 Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority to CN201910624458.7A priority Critical patent/CN110363343B/zh
Publication of CN110363343A publication Critical patent/CN110363343A/zh
Application granted granted Critical
Publication of CN110363343B publication Critical patent/CN110363343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (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

本发明涉及一种混合自适应的水电站群智能优化调度方法及***，包括以下步骤：根据水电站群的调度任务确定调度目标函数；确定调度约束条件，并按类型进行处理；采用改进的Tent混沌映射进行种群初始化；基于粒子群算法，计算粒子适应度、个体最优解、全局最优解；计算粒子能量与其阈值、粒子相似性与其阈值；引入搜索策略，搜索粒子邻域，更新原解；更新粒子的位置与速度，直到达到终止条件。本发明采用Tent混沌映射生成初始种群，引入粒子能量与其阈值，引入粒子相似性与其阈值提高种群进化质量，能够随着迭代进行不断自适应调整，在后期具有良好的局部精化能力，抑制早熟，弥补了以往早熟收敛、求得的解是局部最优解而不是全局最优解等缺陷。

Description

一种混合自适应的水电站群智能优化调度方法及***
技术领域
本发明涉及水利工程领域，具体涉及一种混合自适应的水电站群智能优化调度方法及***。
背景技术
在诸多等清洁可再生能源、新能源中，水电开发相对较早、技术较为成熟，并且具有开发程度高的优势。水电***的优化调度主要内容是以***效益最大为目标，采用现代计算机技术，求解获得最优的调度方法，以保障复杂水利水电***的安全、经济运行。
随着社会经济的发展，水电站群优化调度迎来了新的挑战。一方面，随着开发进程的推进与开发需求的增长，水电***呈现出规模越来越庞大、结构越来越复杂的发展趋势；另一方面，目前以发电为单一目的水能资源开发利用方式已不复存在，水电站群通常包含防洪、供水、发电、航运、生态、泥沙及环境等多项任务。这对水电站群优化调度的计算提出了更高的要求，传统的数学规划计算方法(如线性规划、动态规划等)已经难以实现这种高维度的复杂计算。
随着计算机技术的发展，采用智能算法对水电站群进行多目标联合优化调度计算，成为了一种可行的途径，并且在已有的诸多研究中被证明具有收敛快、鲁棒性强等优点。
然而同时也有研究证明，现有的常规智能算法(如粒子群算法、遗传算法、模拟退火算法等)存在早熟收敛、求得的解是局部最优解不是全局最优解等缺陷，同时不具备良好的遍历均匀性和收敛速度，导致优化精度与速度不佳。
发明内容
发明目的：提供一种混合自适应的水电站群智能优化调度方法及***，解决了现有技术存在的上述问题。进一步的目的是提供一种实现上述方法的***。
技术方案：一种混合自适应的水电站群智能优化调度方法，包括以下步骤：
步骤1、根据水电站群的调度任务，确定调度的目标函数；
步骤2、确定调度的约束条件，并对不同类型的约束条件进行处理；
步骤3、采用改进的Tent混沌映射进行种群初始化；
步骤4、基于粒子群算法，计算粒子适应度、个体最优解、全局最优解；
步骤5、计算粒子能量与其阈值、粒子相似性与其阈值；
步骤6、引入搜索策略，搜索粒子邻域，更新原解；
步骤7、更新粒子的位置与速度，判断是否达到终止条件，未达到转步骤4，达到则终止。
在进一步的实施例中，所述步骤1具体为：根据水电站群的调度任务，确定调度的目标函数。目前发电单一目的水能资源开发利用方式已不复存在，水电***通常包含防洪、供水、发电、航运、生态、泥沙及环境等多项任务。采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算。确定水电***发电总量最大为目标函数，表达式为：
Figure GDA0002169032370000021
式中：E为水电***的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；Ni,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数。
在进一步的实施例中：所述步骤2具体为：确定调度的约束条件，并对不同类型的约束条件进行处理。确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件，具体的：
(1)水量平衡约束
Vi,t＝Vi,t-1+(Qi,t-qfi,t-Ji,t-Si,t)·Δt
式中：Vi,t为第i个水库、第t时段末的水库蓄水量；Vi,t-1为时段初蓄量；Qi,t为入库流量；qfi,t为发电流量；Ji,t为弃水流量；Si,t为损失流量。
(2)上限、下限水位约束
Figure GDA0002169032370000022
式中：Zi,t为第i个水库第t时刻的计算水位；Zi,t 为允许的下限水位；
Figure GDA0002169032370000023
为允许的上限水位。
(3)最大、最小流量约束
qi,min≤qfi,t≤qfi,max
式中：qfi,t为第i个水库第t时段的发电流量；qi,min为第i个水库满足各项任务的最小下泄流量；qfi,max为水轮机组最大的过水能力。
(4)最小负荷约束
N i,t≤Ni,t
式中：Ni,t为第i个水库第t时段的计算出力；N i,t为最小负荷要求。
(5)水轮机预想出力约束
Ni,t≤min{NHi,t,NYi}
式中：NHi,t为第i个水库第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NYi为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NYi。
(6)调度期初、期末水位控制
Figure GDA0002169032370000031
式中：Zis为第i个水库调度期初的计算水位；
Figure GDA0002169032370000032
为调度期初的控制水位；Zie为调度期末的计算水位；
Figure GDA0002169032370000033
为调度期末的控制水位。
(7)水位变幅约束
|Zi,t+1-Zi,t|≤ΔZi
式中：Zi,t+1为第i个水库第t+1时刻的计算水位；ΔZi为第i个水库允许的最大水位变幅。
(8)流量变幅约束
|qi,t+1-qi,t|≤Δqi
式中：qi,t为第i个水库第t时段的下泄流量，包括qfi,t和Ji,t；qi,t+1为第i个水库第t+1 时刻的出库流量；Δqi为第i个水库允许的最大下泄流量变幅。
上述约束条件中，首先，水电***运行的模拟均基于水量平衡方程，因此在水库调节计算时已经实现了水量平衡约束；其次，各库的上限、下限水位约束、调度期初末水位控制约束，当选择水位为决策变量时，这一类的约束条件可以在设定计算条件时限制搜索空间得以实现，称为刚性约束；而剩下各库的流量约束、最小负荷约束、水轮机预想出力约束、水位变幅约束、流量变幅约束等则往往需要在调节计算结束后才能判断是否得到满足，本发明引入罚函数的概念实现这类约束条件，原理是当这类约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件。采用罚函数改造后的目标函数如下式所示：
Figure GDA0002169032370000041
式中：Y为采用罚函数处理的约束条件数量；
Figure GDA0002169032370000042
为惩罚系数，当前约束条件满足时
Figure GDA0002169032370000043
当前约束条件不满足时
Figure GDA0002169032370000044
βy为惩罚指数；Si,t,y为第i个水库第t时段第y个约束变量的值；
Figure GDA0002169032370000045
为第i个水库第t时段第y个约束条件不被破坏的临界值。
在进一步的实施例中：所述步骤3中，采用改进的Tent混沌映射进行种群初始化。为了初始种群具有更好的遍历均匀性，学者多采用Logistic混沌映射改进智能算法，然而已有研究证明Logistic混沌映射在0至0.05、0.95至1区间内分布概率更高，这种不均匀性对优化计算的速度和精度均有较大的影响。另有研究证明较Logistic混沌映射， Tent混沌映射具有更好的遍历均匀性和更快的收敛速度。Tent混沌映射迭代公式为：
Figure GDA0002169032370000046
为了避免迭代序列落入不稳定周期点或小周期点，采用一个随机变量
Figure GDA0002169032370000047
对Tent混沌映射进行改进，迭代表达式如下：
Figure GDA0002169032370000048
式中：N为粒子个数。
基于上述说明，所述步骤3可以进一步分为：
步骤31、在区间(0,1)内随机生成初值x0；
步骤32、基于改进的Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群。
在进一步的实施例中：所述步骤4中，基于粒子群算法，计算粒子适应度、个体最优解、全局最优解。采用罚函数改造后的目标函数计算粒子的适应度。将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解。
在进一步的实施例中：所述步骤5中，引入粒子能量与其阈值、粒子相似性与其阈值。所述步骤5可以进一步分为：
步骤51、为了避免落入局部最优解，引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力。对于粒子Pi其粒子能量的表达式如下：
Figure GDA0002169032370000051
式中：e(Pi)为粒子Pi的能量，e(Pi)∈[0,1]；n为维数；Xi为当前的粒子位置；Vi为当前的粒子速度；Pibest为当前个体最优解；Pgbest为当前群体最优解；s(x,y)为判断函数，表达式为
Figure GDA0002169032370000052
可以看出，e(Pi)与当前群体最优和Pi的自身状态有关，可以反映Pi的搜索能力。
步骤52、计算粒子能量阈值，表达式如下：
Figure GDA0002169032370000053
式中：eT(Pi)为粒子Pi的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(Pi(curG))＝Pibest(curG)/Pibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界。可以看出，eT(Pi)与粒子群进化的程度与速度有关。当e(Pi)小于eT(Pi)时，对Vi和Xi进行变异操作，扩大其搜索范围。
步骤53、上述模型随着迭代的进行，种群中的粒子会趋于相似，从而全局搜索能力变低，导致早熟收敛。因此引入粒子相似度与其阈值提高种群进化质量，抑制早熟。对于粒子Pi、Pj，粒子相似度的表达式如下：
Figure GDA0002169032370000061
式中：sl(Pi,Pj)为粒子Pi、Pj的相似度；其他符号含义同上。
步骤54、计算相粒子似度阈值，表达式如下：
Figure GDA0002169032370000062
式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界。
slT(CurG)是当前sl(Pi,Pj)的下界，迭代初始阶段slT(CurG)取值较大，使得粒子近乎均匀地分布在空间，随着迭代进行slT(CurG)逐渐变小，使粒子不断聚拢到全局最优解的邻域。当sl(Pi,Pj)的小于slT(CurG)时，说明粒子Pi、Pj过于相似，不利于种群多样性。因此，为了保持种群的多样性，采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间。
在进一步的实施例中：所述步骤6中，引入搜索策略，搜索粒子邻域，更新原解。
所述步骤6可以进一步分为：
步骤61、采用轮盘赌的方式选出较优的个体，即一个较优的可行解 Xi＝(xi1,xi2,...,xit,...,xin)；
步骤62、随机选择其中xit***任一位置获得一个新的解，重复上述操作获得Xi的邻域；
步骤63、邻域中若有适应度优于原可行解的，则更新原解。
在进一步的实施例中：所述步骤7中，更新粒子的位置与飞行速度，计算表达式如下：
Figure GDA0002169032370000071
Figure GDA0002169032370000072
式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c1、c2为粒子飞行加速度加速度，是常数，一般取值2；r1j、r2j为随机数，服从U(0,1)。
Figure GDA0002169032370000073
项反映粒子当前速度，
Figure GDA0002169032370000074
反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，
Figure GDA0002169032370000075
反映粒子当前位置与种群目前最优解的距离，是信息交互的体现。
一种混合自适应的水电站群优化调度智能***，包括如下模块：
用于根据水电站群的调度任务，确定调度的目标函数的第一模块；
用于确定调度约束条件、并对不同类型的约束条件进行处理的第二模块；
用于对Tent混沌映射进行种群初始化的第三模块；
用于计算粒子适应度、个体最优解、全局最优解的基于粒子群算法的第四模块；
用于计算粒子能量与其阈值、粒子相似性与其阈值的第五模块；
用于搜索策略、搜索粒子邻域、更新原解的第六模块；
用于更新粒子位置与速度、判断是否达到终止条件的第七模块。
在进一步的实施例中，所述第一模块进一步采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算，确定水电***发电总量最大为目标函数，
Figure GDA0002169032370000076
式中，E为水电***的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；Ni,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数；
所述第二模块进一步确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件：
对于水量平衡约束：Vi,t＝Vi,t-1+(Qi,t-qfi,t-Ji,t-Si,t)·Δt；
式中：Vi,t为第i个水库、第t时段末的水库蓄水量；Vi,t-1为时段初蓄量；Qi,t为入库流量；qfi,t为发电流量；Ji,t为弃水流量；Si,t为损失流量；
对于上限、下限水位约束：
Figure GDA0002169032370000081
式中：Zi,t为第i个水库、第t时刻的计算水位；Zi,t 为允许的下限水位；
Figure GDA0002169032370000082
为允许的上限水位；
对于最大、最小流量约束：qi,min≤qfi,t≤qfi,max；
式中：qfi,t为第i个水库、第t时段的发电流量；qi,min为第i个水库满足各项任务的最小下泄流量；qfi,max为水轮机组最大的过水能力；
对于最小负荷约束：N i,t≤Ni,t；
式中：Ni,t为第i个水库、第t时段的计算出力；N i,t为最小负荷要求；
对于水轮机预想出力约束：Ni,t≤min{NHi,t,NYi}；
式中：NHi,t为第i个水库、第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NYi为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NYi；
对于调度期初水位控制约束：
Figure GDA0002169032370000083
对于调度期末水位控制约束：
Figure GDA0002169032370000084
式中：Zis为第i个水库调度期初的计算水位；
Figure GDA0002169032370000085
为调度期初的控制水位；Zie为调度期末的计算水位；
Figure GDA0002169032370000086
为调度期末的控制水位；
对于水位变幅约束：|Zi,t+1-Zi,t|≤ΔZi；
式中：Zi,t+1为第i个水库、第t+1时刻的计算水位；ΔZi为第i个水库允许的最大水位变幅；
对于流量变幅约束：|qi,t+1-qi,t|≤Δqi；
式中：qi,t为第i个水库、第t时段的下泄流量，包括qfi,t和Ji,t；qi,t+1为第i个水库、第t+1时刻的出库流量；Δqi为第i个水库允许的最大下泄流量变幅；
当上述约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件；采用罚函数改造后的目标函数如下式所示：
Figure GDA0002169032370000091
式中：Y为采用罚函数处理的约束条件数量；
Figure GDA0002169032370000092
为惩罚系数，当前约束条件满足时
Figure GDA0002169032370000093
当前约束条件不满足时
Figure GDA0002169032370000094
βy为惩罚指数；Si,t,y为第i个水库、第t时段、第y个约束变量的值；
Figure GDA0002169032370000095
为第i个水库、第t时段、第y个约束条件不被破坏的临界值；
所述第三模块进一步采用改进的Tent混沌映射进行种群初始化，其中，Tent混沌映射迭代公式为：
Figure GDA0002169032370000096
采用随机变量
Figure GDA0002169032370000097
对Tent混沌映射进行改进，迭代表达式如下：
Figure GDA0002169032370000098
式中：N为粒子个数；
第三模块在区间(0,1)内随机生成初值x0，并基于Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群；
所述第四模块进一步采用罚函数改造后的目标函数计算粒子的适应度；将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解；
所述第五模块进一步引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力；对于粒子Pi其粒子能量的表达式如下：
Figure GDA0002169032370000101
式中：e(Pi)为粒子Pi的能量；e(Pi)∈[0,1]；n为维数；Xi为当前的粒子位置；Vi为当前的粒子速度；Pibest为当前个体最优解；Pgbest为当前群体最优解；s(x,y)为判断函数，表达式为
Figure GDA0002169032370000102
计算粒子能量阈值，表达式如下：
Figure GDA0002169032370000103
式中：eT(Pi)为粒子Pi的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(Pi(curG))＝Pibest(curG)/Pibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界；
引入粒子相似度与其阈值提高种群进化质量，抑制早熟；对于粒子Pi、Pj，粒子相似度的表达式如下：
Figure GDA0002169032370000104
式中：sl(Pi,Pj)为粒子Pi、Pj的相似度；其他符号含义同上；
计算相粒子似度阈值，表达式如下：
Figure GDA0002169032370000111
式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界；
采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间；
所述第六模块进一步采用轮盘赌的方式选出较优的个体，即一个较优的可行解Xi＝(xi1,xi2,...,xit,...,xin)；随机选择其中xit***任一位置获得一个新的解，重复步骤61 的操作获得Xi的邻域；邻域中若有适应度优于原可行解的，则更新原解；
所述第七模块进一步更新粒子的位置与飞行速度，计算表达式如下：
Figure GDA0002169032370000112
Figure GDA0002169032370000113
式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c1、c2为粒子飞行加速度加速度，是常数，一般取值2；r1j、r2j为随机数，服从U(0,1)；
Figure GDA0002169032370000114
项反映粒子当前速度，
Figure GDA0002169032370000115
反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，
Figure GDA0002169032370000116
反映粒子当前位置与种群目前最优解的距离，是信息交互的体现；
判断是否达到终止条件，未达到则反馈给第四模块，达到则终止。
有益效果：本发明涉及一种混合自适应的水电站群智能优化调度方法及***，首先，根据水电***的调度任务，确定目标函数、约束条件；其次，采用Tent混沌映射生成初始种群，由于其具有更好的遍历均匀性和更快的收敛速度，使得优化计算的精度和速度得到改善；再次，引入粒子能量与其阈值使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力，引入粒子相似性与其阈值提高种群进化质量，抑制早熟；最后引入搜索策略，搜索粒子邻域，更新原解。
附图说明
图1为本发明方法的流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
下面通过实施例，并结合附图，对本发明的技术方案做进一步具体说明。
如图1所示，本发明公开了一种混合自适应的水电站群智能优化调度方法及***，包括如下步骤：
步骤1，根据水电站群的调度任务，确定调度的目标函数。目前发电单一目的水能资源开发利用方式已不复存在，水电***通常包含防洪、供水、发电、航运、生态、泥沙及环境等多项任务。采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算。确定水电***发电总量最大为目标函数，表达式为：
Figure GDA0002169032370000121
式中：E为水电***的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；Ni,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数。
步骤2，确定调度的约束条件，并对不同类型的约束条件进行处理。确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件。
(1)水量平衡约束
Vi,t＝Vi,t-1+(Qi,t-qfi,t-Ji,t-Si,t)·Δt
式中：Vi,t为第i个水库、第t时段末的水库蓄水量；Vi,t-1为时段初蓄量；Qi,t为入库流量；qfi,t为发电流量；Ji,t为弃水流量；Si,t为损失流量。
(2)上限、下限水位约束
Figure GDA0002169032370000131
式中：Zi,t为第i个水库第t时刻的计算水位；Zi,t 为允许的下限水位；
Figure GDA0002169032370000132
为允许的上限水位。
(3)最大、最小流量约束
qi,min≤qfi,t≤qfi,max
式中：qfi,t为第i个水库第t时段的发电流量；qi,min为第i个水库满足各项任务的最小下泄流量；qfi,max为水轮机组最大的过水能力。
(4)最小负荷约束
N i,t≤Ni,t
式中：Ni,t为第i个水库第t时段的计算出力；N i,t为最小负荷要求。
(5)水轮机预想出力约束
Ni,t≤min{NHi,t,NYi}
式中：NHi,t为第i个水库第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NYi为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NYi。
(6)调度期初、期末水位控制
Figure GDA0002169032370000133
式中：Zis为第i个水库调度期初的计算水位；
Figure GDA0002169032370000134
为调度期初的控制水位；Zie为调度期末的计算水位；
Figure GDA0002169032370000135
为调度期末的控制水位。
(7)水位变幅约束
|Zi,t+1-Zi,t|≤ΔZi
式中：Zi,t+1为第i个水库第t+1时刻的计算水位；ΔZi为第i个水库允许的最大水位变幅。
(8)流量变幅约束
|qi,t+1-qi,t|≤Δqi
式中：qi,t为第i个水库第t时段的下泄流量，包括qfi,t和Ji,t；qi,t+1为第i个水库第t+1 时刻的出库流量；Δqi为第i个水库允许的最大下泄流量变幅。
上述约束条件中，首先，水电***运行的模拟均基于水量平衡方程，因此在水库调节计算时已经实现了水量平衡约束；其次，各库的上限、下限水位约束、调度期初末水位控制约束，当选择水位为决策变量时，这一类的约束条件可以在设定计算条件时限制搜索空间得以实现，称为刚性约束；而剩下各库的流量约束、最小负荷约束、水轮机预想出力约束、水位变幅约束、流量变幅约束等则往往需要在调节计算结束后才能判断是否得到满足，本发明引入罚函数的概念实现这类约束条件，原理是当这类约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件。采用罚函数改造后的目标函数如下式所示：
Figure GDA0002169032370000141
式中：Y为采用罚函数处理的约束条件数量；
Figure GDA0002169032370000142
为惩罚系数，当前约束条件满足时
Figure GDA0002169032370000143
当前约束条件不满足时
Figure GDA0002169032370000144
βy为惩罚指数；Si,t,y为第i个水库第t时段第y个约束变量的值；
Figure GDA0002169032370000145
为第i个水库第t时段第y个约束条件不被破坏的临界值。
步骤3，采用改进的Tent混沌映射进行种群初始化。为了初始种群具有更好的遍历均匀性，学者多采用Logistic混沌映射改进智能算法，然而已有研究证明Logistic混沌映射在0至0.05、0.95至1区间内分布概率更高，这种不均匀性对优化计算的速度和精度均有较大的影响。另有研究证明较Logistic混沌映射，Tent混沌映射具有更好的遍历均匀性和更快的收敛速度。Tent混沌映射迭代公式为：
Figure GDA0002169032370000151
为了避免迭代序列落入不稳定周期点或小周期点，采用一个随机变量
Figure GDA0002169032370000152
对Tent混沌映射进行改进，迭代表达式如下：
Figure GDA0002169032370000153
式中：N为粒子个数。
步骤3具体可以进一步分为以下几个子步骤：
步骤31、在区间(0,1)内随机生成初值x0；
步骤32、基于改进的Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群。
步骤4，基于粒子群算法，计算粒子适应度、个体最优解、全局最优解。采用罚函数改造后的目标函数计算粒子的适应度。将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解。
步骤5中，引入粒子能量与其阈值、粒子相似性与其阈值，具体可以分为以下几个子步骤：
步骤51、为了避免落入局部最优解，引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力。对于粒子Pi其粒子能量的表达式如下：
Figure GDA0002169032370000154
式中：e(Pi)为粒子Pi的能量，e(Pi)∈[0,1]；n为维数；Xi为当前的粒子位置；Vi为当前的粒子速度；Pibest为当前个体最优解；Pgbest为当前群体最优解；s(x,y)为判断函数，表达式为
Figure GDA0002169032370000161
可以看出，e(Pi)与当前群体最优和Pi的自身状态有关，可以反映Pi的搜索能力。
步骤52、计算粒子能量阈值，表达式如下：
Figure GDA0002169032370000162
式中：eT(Pi)为粒子Pi的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(Pi(curG))＝Pibest(curG)/Pibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界。可以看出，eT(Pi)与粒子群进化的程度与速度有关。当e(Pi)小于eT(Pi)时，对Vi和Xi进行变异操作，扩大其搜索范围。
步骤53、上述模型随着迭代的进行，种群中的粒子会趋于相似，从而全局搜索能力变低，导致早熟收敛。因此引入粒子相似度与其阈值提高种群进化质量，抑制早熟。对于粒子Pi、Pj，粒子相似度的表达式如下：
Figure GDA0002169032370000163
式中：sl(Pi,Pj)为粒子Pi、Pj的相似度；其他符号含义同上。
步骤54、计算相粒子似度阈值，表达式如下：
Figure GDA0002169032370000164
式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界。
slT(CurG)是当前sl(Pi,Pj)的下界，迭代初始阶段slT(CurG)取值较大，使得粒子近乎均匀地分布在空间，随着迭代进行slT(CurG)逐渐变小，使粒子不断聚拢到全局最优解的邻域。当sl(Pi,Pj)的小于slT(CurG)时，说明粒子Pi、Pj过于相似，不利于种群多样性。因此，为了保持种群的多样性，采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间。
步骤6，引入搜索策略，搜索粒子邻域，更新原解，具体可以分为以下几个子步骤：
步骤61、采用轮盘赌的方式选出较优的个体，即一个较优的可行解 Xi＝(xi1,xi2,...,xit,...,xin)；
步骤62、随机选择其中xit***任一位置获得一个新的解，重复上述操作获得Xi的邻域；
步骤63、领域中若有适应度优于原可行解的，则更新原解。
步骤7，更新粒子的位置与飞行速度，计算表达式如下：
Figure GDA0002169032370000171
Figure GDA0002169032370000172
式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c1、c2为粒子飞行加速度加速度，是常数，一般取值2；r1j、r2j为随机数，服从U(0,1)。
Figure GDA0002169032370000173
项反映粒子当前速度，
Figure GDA0002169032370000174
反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，
Figure GDA0002169032370000175
反映粒子当前位置与种群目前最优解的距离，是信息交互的体现。
判断是否达到终止条件，未达到转步骤4，达到则终止。
总之，针对现有技术的不足，本发明提出了一种混合自适应的水电站群智能优化调度方法及***，首先，根据水电***的调度任务，确定目标函数、约束条件；其次，采用Tent混沌映射生成初始种群，由于其具有更好的遍历均匀性和更快的收敛速度，使得优化计算的精度和速度得到改善；再次，引入粒子能量与其阈值使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力，引入粒子相似性与其阈值提高种群进化质量，抑制早熟；最后引入搜索策略，搜索粒子邻域，更新原解。上述方法解决了现有技术存在早熟收敛、求得的解是局部最优解不是全局最优解、不具备良好的遍历均匀性和收敛速度、导致优化精度与速度不佳等缺陷。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (1)

1.一种混合自适应的水电站群智能优化调度方法，其特征是包括以下步骤：
步骤1、根据水电站群的调度任务，确定调度的目标函数：
采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算，确定水电***发电总量最大为目标函数，
Figure 36724DEST_PATH_IMAGE001
式中，E为水电***的发电总量；i为水电站序号；t为计算时段；n为水电站个数；T为调度期时段数；
Figure 642280DEST_PATH_IMAGE002
为第i个水电站在第t时段的发电出力；
Figure 422017DEST_PATH_IMAGE003
为计算时段t的小时数；
步骤2、确定调度的约束条件，并对不同类型的约束条件进行处理：
确定各站的水量平衡、各站的水位、各站的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅约束条件：
对于水量平衡约束：
Figure 754910DEST_PATH_IMAGE004
；
式中：
Figure 569282DEST_PATH_IMAGE005
为第i个水电站、第t时段末的水电站蓄水量；
Figure 391744DEST_PATH_IMAGE006
为第i个水电站、第t-1时段初蓄水量；
Figure 845728DEST_PATH_IMAGE007
为第i个水电站、第t时段入站流量；
Figure 44629DEST_PATH_IMAGE008
为第i个水电站、第t时段发电流量；
Figure 713507DEST_PATH_IMAGE009
为第i个水电站、第t时段弃水流量；
Figure 644554DEST_PATH_IMAGE010
为第i个水电站、第t时段损失流量；
对于上限、下限水位约束：
Figure 398884DEST_PATH_IMAGE011
；
式中：
Figure 824311DEST_PATH_IMAGE012
为第i个水电站、第t时刻的计算水位；
Figure 347696DEST_PATH_IMAGE013
为第i个水电站、第t时刻允许的下限水位；
Figure 715224DEST_PATH_IMAGE014
为第i个水电站、第t时刻允许的上限水位；
对于最大、最小流量约束：
Figure 956849DEST_PATH_IMAGE015
；
式中：
Figure 418923DEST_PATH_IMAGE016
为第i个水电站、第t时段的发电流量；
Figure 62394DEST_PATH_IMAGE017
为第i个水电站满足各项任务的最小下泄流量；
Figure 397561DEST_PATH_IMAGE018
为第i个水电站水轮机组最大的发电流量；
对于最小负荷约束：
Figure 64165DEST_PATH_IMAGE019
；
式中：
Figure 142980DEST_PATH_IMAGE020
为第i个水电站、第t时段的发电出力；
Figure 640957DEST_PATH_IMAGE021
为第i个水电站、第t时段最小负荷要求；
对于水轮机预想出力约束：
Figure 101020DEST_PATH_IMAGE022
；
式中：
Figure 51658DEST_PATH_IMAGE023
为第i个水电站、第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；
Figure 871847DEST_PATH_IMAGE024
为第i个水电站的装机容量；
对于调度期初水位控制约束：
Figure 224331DEST_PATH_IMAGE025
；
对于调度期末水位控制约束：
Figure 166879DEST_PATH_IMAGE026
；
式中：
Figure 791764DEST_PATH_IMAGE027
为第i个水电站调度期初的计算水位；
Figure 212381DEST_PATH_IMAGE028
为第i个水电站调度期初的控制水位；
Figure 622634DEST_PATH_IMAGE029
为第i个水电站调度期末的计算水位；
Figure 736083DEST_PATH_IMAGE030
为第i个水电站调度期末的控制水位；
对于水位变幅约束：
Figure 661314DEST_PATH_IMAGE031
；
式中：
Figure 574038DEST_PATH_IMAGE032
为第i个水电站、第t+1时刻的计算水位；
Figure 635534DEST_PATH_IMAGE033
为第i个水电站允许的最大水位变幅；
对于流量变幅约束：
Figure 919885DEST_PATH_IMAGE034
；
式中：
Figure 270095DEST_PATH_IMAGE035
为第i个水电站、第t时段的下泄流量，包括
Figure 298094DEST_PATH_IMAGE036
和
Figure 666627DEST_PATH_IMAGE037
；
Figure 856300DEST_PATH_IMAGE038
为第i个水电站、第t+1时刻的下泄流量；
Figure 756123DEST_PATH_IMAGE039
为第i个水电站允许的最大下泄流量变幅；
当上述约束条件被破坏时，对目标函数值产生一个惩罚量，以减少适应度值，进而保证最优策略能够满足第三类约束条件；采用罚函数改造后的目标函数如下式所示：
Figure 259917DEST_PATH_IMAGE040
式中：Y为采用罚函数处理的约束条件数量；
Figure 561585DEST_PATH_IMAGE041
为惩罚系数，当前约束条件满足时
Figure 610575DEST_PATH_IMAGE042
，当前约束条件不满足时
Figure 997694DEST_PATH_IMAGE043
；
Figure 367495DEST_PATH_IMAGE044
为惩罚指数；
Figure 195774DEST_PATH_IMAGE045
为第i个水电站、第t时段、第y个约束变量的值；
Figure 992829DEST_PATH_IMAGE046
为第i个水电站、第t时段、第y个约束条件不被破坏的临界值；
步骤3、采用改进的Tent混沌映射进行种群初始化：
在区间(0，1)内随机生成初值
Figure 788615DEST_PATH_IMAGE047
；基于改进的Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群；
其中，Tent混沌映射迭代公式为：
Figure 962108DEST_PATH_IMAGE048
采用随机变量
Figure 972789DEST_PATH_IMAGE049
，对Tent混沌映射进行改进，迭代表达式如下：
Figure 878428DEST_PATH_IMAGE050
式中：N为粒子个数；
步骤4、基于粒子群算法，计算粒子适应度、个体最优解、全局最优解：
采用罚函数改造后的目标函数计算粒子的适应度；将计算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解；
步骤5、计算粒子能量与其阈值、粒子相似性与其阈值；
步骤6、引入搜索策略，搜索粒子邻域，更新原解；
步骤7、更新粒子的位置与速度，判断是否达到终止条件，未达到转步骤4，达到则终止：
更新粒子的位置与飞行速度，计算表达式如下：
Figure 974560DEST_PATH_IMAGE051
Figure 374580DEST_PATH_IMAGE052
式中：
Figure 239767DEST_PATH_IMAGE053
表示个体认知体现出的粒子当前位置，
Figure 378625DEST_PATH_IMAGE054
表示信息交互体现出的粒子目前自身最优解，
Figure 899736DEST_PATH_IMAGE055
；
Figure 149452DEST_PATH_IMAGE056
；
Figure 321676DEST_PATH_IMAGE057
为惯性权重；
Figure 631435DEST_PATH_IMAGE058
、
Figure 702159DEST_PATH_IMAGE059
为粒子飞行加速度，是常数，取值2；
Figure 693249DEST_PATH_IMAGE060
、
Figure 533029DEST_PATH_IMAGE061
为随机数，服从
Figure 13688DEST_PATH_IMAGE062
；
Figure 982826DEST_PATH_IMAGE063
项反映粒子当前速度，
Figure 839924DEST_PATH_IMAGE064
反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，
Figure 471893DEST_PATH_IMAGE065
反映粒子当前位置与种群目前最优解的距离，是信息交互的体现；
Figure 123455DEST_PATH_IMAGE066
表示第i个粒子在第j个维度、t+1时的速度；
Figure 168771DEST_PATH_IMAGE067
表示第i个粒子在第j个维度截至当前的最优解；m为粒子个数；
判断是否达到终止条件，未达到转步骤4，达到则终止；
所述步骤5进一步为：
步骤51、引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力；对于粒子
Figure 750931DEST_PATH_IMAGE068
其粒子能量的表达式如下：
Figure 299724DEST_PATH_IMAGE070
式中：
Figure 325449DEST_PATH_IMAGE071
为粒子
Figure 592482DEST_PATH_IMAGE072
的能量；
Figure 791382DEST_PATH_IMAGE073
；n为水电站个数；
Figure 883097DEST_PATH_IMAGE074
为当前的粒子位置；
Figure 142040DEST_PATH_IMAGE075
为当前的粒子速度；
Figure 834053DEST_PATH_IMAGE076
为当前粒子
Figure 571065DEST_PATH_IMAGE077
个体最优解；
Figure 94450DEST_PATH_IMAGE078
为当前群体最优解；
Figure 711245DEST_PATH_IMAGE079
为判断函数，表达式为
Figure 687291DEST_PATH_IMAGE080
；
步骤52、计算粒子能量阈值，表达式如下：
Figure 165677DEST_PATH_IMAGE082
式中：
Figure 809148DEST_PATH_IMAGE083
为粒子
Figure 832730DEST_PATH_IMAGE084
的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；
Figure 561652DEST_PATH_IMAGE085
；
Figure 578149DEST_PATH_IMAGE086
为控制常数，用于控制eT的变化趋势；
Figure 76127DEST_PATH_IMAGE087
为
Figure 769145DEST_PATH_IMAGE088
上界；
Figure 985363DEST_PATH_IMAGE089
为
Figure 867868DEST_PATH_IMAGE090
下界；
步骤53、引入粒子相似度与其阈值提高种群进化质量，抑制早熟；对于粒子
Figure 158035DEST_PATH_IMAGE091
、
Figure 100583DEST_PATH_IMAGE092
，粒子相似度的表达式如下：
Figure 226933DEST_PATH_IMAGE093
式中：
Figure 647550DEST_PATH_IMAGE094
为粒子
Figure 120120DEST_PATH_IMAGE095
、
Figure 905673DEST_PATH_IMAGE096
的相似度；
Figure 830904DEST_PATH_IMAGE097
表示当前粒子
Figure 242163DEST_PATH_IMAGE098
个体最优解；其他符号含义同上；
步骤54、计算粒子相似度阈值，表达式如下：
Figure 569239DEST_PATH_IMAGE100
式中：
Figure 791273DEST_PATH_IMAGE101
为相似度阈值；b为控制常数，用于控制
Figure 203800DEST_PATH_IMAGE101
每次变化幅度；
Figure 654635DEST_PATH_IMAGE102
为
Figure 836217DEST_PATH_IMAGE103
上界；
Figure 291469DEST_PATH_IMAGE104
为
Figure 128975DEST_PATH_IMAGE105
下界；
步骤55、采用排序策略依次计算相邻粒子的相似度，当
Figure 695086DEST_PATH_IMAGE106
小于
Figure 731175DEST_PATH_IMAGE101
时，则对该粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间；
所述步骤6进一步为：
步骤61、采用轮盘赌的方式选出较优的个体，即一个较优的可行解
Figure 544279DEST_PATH_IMAGE107
；
步骤62、随机选择其中
Figure 931398DEST_PATH_IMAGE108
***任一位置获得一个新的解，重复步骤61的操作获得
Figure 973304DEST_PATH_IMAGE109
的邻域；
步骤63、邻域中若有适应度优于原可行解的，则更新原解。
CN201910624458.7A 2019-07-11 2019-07-11 一种混合自适应的水电站群智能优化调度方法及*** Active CN110363343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910624458.7A CN110363343B (zh) 2019-07-11 2019-07-11 一种混合自适应的水电站群智能优化调度方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910624458.7A CN110363343B (zh) 2019-07-11 2019-07-11 一种混合自适应的水电站群智能优化调度方法及***

Publications (2)

Publication Number Publication Date
CN110363343A CN110363343A (zh) 2019-10-22
CN110363343B true CN110363343B (zh) 2020-09-11

Family

ID=68218818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910624458.7A Active CN110363343B (zh) 2019-07-11 2019-07-11 一种混合自适应的水电站群智能优化调度方法及***

Country Status (1)

Country Link
CN (1) CN110363343B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915164B (zh) * 2020-07-15 2022-05-31 华中科技大学 一种梯级水库群全生态要素精细调度控制方法与***
CN112529339A (zh) * 2021-01-12 2021-03-19 黄河勘测规划设计研究院有限公司 利用改进粒子群算法优化水库发电调度图的方法
CN113222096B (zh) * 2021-04-30 2022-11-11 桂林理工大学 一种面向云计算任务调度的改进粒子群算法
CN115409387B (zh) * 2022-08-30 2023-04-18 华中科技大学 一种基于改进差分进化的水库优化调度方法和***
CN116307533B (zh) * 2023-02-21 2023-10-20 珠江水利委员会珠江水利科学研究院 水库群防洪调度智能化方法、***及介质
CN116432986B (zh) * 2023-06-09 2023-08-11 华中科技大学 一种基于粒子蛙跳闪电搜索算法的水库优化调度的方法
CN116757446B (zh) * 2023-08-14 2023-10-31 华中科技大学 基于改进粒子群算法的梯级水电站调度方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106169109A (zh) * 2016-08-17 2016-11-30 国网江西省电力公司柘林水电厂 一种基于混沌差分粒子群算法的水电站优化调度方法
CN103971174B (zh) * 2014-05-06 2017-04-12 大连理工大学 基于改进量子粒子群算法的水电站群优化调度方法
CN109636043A (zh) * 2018-12-16 2019-04-16 华中科技大学 一种梯级水电***发电调度自适应优化方法与***
CN109886446A (zh) * 2018-12-14 2019-06-14 贵州电网有限责任公司 基于改进混沌粒子群算法的电力***动态经济调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971174B (zh) * 2014-05-06 2017-04-12 大连理工大学 基于改进量子粒子群算法的水电站群优化调度方法
CN106169109A (zh) * 2016-08-17 2016-11-30 国网江西省电力公司柘林水电厂 一种基于混沌差分粒子群算法的水电站优化调度方法
CN109886446A (zh) * 2018-12-14 2019-06-14 贵州电网有限责任公司 基于改进混沌粒子群算法的电力***动态经济调度方法
CN109636043A (zh) * 2018-12-16 2019-04-16 华中科技大学 一种梯级水电***发电调度自适应优化方法与***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于模拟退火的粒子群算法在水电站水库优化调度中的应用》;申建建等;《水力发电学报》;20090630;第11-13页 *
《梯级水电站群长期优化调度多核并行混沌模拟退火差分演化算法》;李保健等;《水力发电学报》;20151031;第71-73页 *
《群智能混合优化算法及其应用研究》;匡芳君;《中国优秀博士学位全文数据库》;20140630;第13-31页 *

Also Published As

Publication number Publication date
CN110363343A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110363343B (zh) 一种混合自适应的水电站群智能优化调度方法及***
CN108805434B (zh) 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法
CN107491635B (zh) 一种基于嵌套降维算法的梯级水库水沙联合优化调度方法
CN107203687B (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
Li et al. Short-term economic environmental hydrothermal scheduling using improved multi-objective gravitational search algorithm
CN108460548B (zh) 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法
CN110598983A (zh) 一种自适应改进粒子群算法的梯级水库优化调度方法
CN105809279A (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
CN112508221A (zh) 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN107609681A (zh) 一种基于自适应粒子群算法的多金属多目标配矿方法
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***
CN109885061B (zh) 一种基于改进nsga-ⅱ的动力定位多目标优化方法
CN113255138B (zh) 一种电力***负荷分配优化方法
CN106570579A (zh) 一种基于改进量子粒子群算法的水火电经济调度方法
CN112132469B (zh) 一种基于多种群协作粒子群算法的水库群调度方法和***
CN111404204A (zh) 一种利用改进狼群算法的含风电场电力***优化调度方法
CN109636226A (zh) 一种水库多目标分级防洪调度方法
CN113486593B (zh) 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法
CN114706445A (zh) 基于de-gwo算法的光伏最大功率点跟踪方法
CN110766210B (zh) 一种梯级水库群短期优化调度方法与***
CN111476477A (zh) 基于发电效益目标的梯级水电站中长期优化调度方法
CN116402209A (zh) 基于改进神经网络模型的三峡水库坝前来漂量预测方法
CN113238486B (zh) 一种自适应的多机水电站调速器参数调控方法
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
CN111859780A (zh) 一种微电网运行优化方法和***

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