CN112507609A - 一种基于狼群等级分子动理论的多目标协同优化调度方法 - Google Patents
一种基于狼群等级分子动理论的多目标协同优化调度方法 Download PDFInfo
- Publication number
- CN112507609A CN112507609A CN202011280672.4A CN202011280672A CN112507609A CN 112507609 A CN112507609 A CN 112507609A CN 202011280672 A CN202011280672 A CN 202011280672A CN 112507609 A CN112507609 A CN 112507609A
- Authority
- CN
- China
- Prior art keywords
- numerical
- individual
- wolf
- fitness
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于狼群等级分子动理论(以下简称WR‑KMTOA)的多目标协同优化调度方法。在WR‑KMTOA中,借鉴狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路,将狼群成员的体能视作变量、体能指标视作适应度,将算法寻优过程中的数值个体分为最优、优秀、较差三个等级,并采用体能分级、引导协作、学习训练三个阶段设计算法,分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度,最终实现寻优结果优化。该算法能改善分子动理论优化算法(KMTOA)易陷入局部最优、寻优精度不高等问题,且将其应用于微能网多目标协同调度工程问题时,比KMTOA的优化效果更明显。
Description
技术领域
本发明涉及用于微能网多目标协同优化调度的一种基于狼群等级制度的改进分子动理论优化算法。
背景技术
微能网包含可再生能源、储能、可控负荷等设备***,因而是多能源消纳的重要方式之一。因微能网中能源种类丰富、设备主体繁多,能量流交互复杂,微能网***的多目标协同调度成为亟需解决的重要工程问题,以实现同时协调冷热电多种能量的供应与消耗、独立自治运行或并网运行,提升可再生能源消纳率和综合利用率。
近年来,国内学者先后将各类优化算法成功应用于不同场景的优化调度问题,从传统的传统数学优化方法如线性规划法、非线性规划法和动态规划法到各种智能优化算法如粒子群算法、分子动理论算法等。传统数学优化算法存在要求目标函数连续可微和不能处理离散变量等问题,与实际要解决的目标问题情况不符合。而智能算法如分子动理论优化算法(KMTOA)可以规避传统数学优化方法的上述弊端,但仍旧存在易于陷入局部最优值的问题。因此本发明进一步改进KMTOA,使其能继续发挥结构简单、收敛较快、可调参数少、鲁棒性强等优点,并能防止算法陷入局部最优值,且其平均迭代次数更少、求解精度更优,因此研究此算法对微能网多目标协同优化调度问题有重要意义。
发明内容
有鉴于此,本发明提供一种基于狼群等级分子动理论(简称WR-KMTOA)的多目标协同优化调度方法,借鉴狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路,将算法寻优过程中的数值个体分为最优、优秀、较差三个等级,并采用体能分级、引导协作、学习训练三个阶段设计算法,将数值个体进行等级分类、提高数值个体适应度,最终实现寻优结果优化。将其用于微能网的多目标协同优化调度问题,可有效避免陷入局部最优和提高寻优精度。
本发明针对的技术问题为:因微能网中能源种类丰富、设备主体繁多,能量流交互复杂,微能网***的多目标协同调度成为亟需解决的重要工程问题,以实现同时协调冷热电多种能量的供应与消耗、独立自治运行或并网运行,提升可再生能源消纳率和综合利用率。针对该工程问题,已有的传统数学优化算法存在要求目标函数连续可微和不能处理离散变量等问题,与实际要解决的目标问题情况不符合;而智能算法如KMTOA可以规避传统数学优化方法的上述弊端,但仍旧存在易于陷入局部最优值的问题。因此本发明进一步改进KMTOA,使其能继续发挥结构简单、收敛较快、可调参数少、鲁棒性强等优点,并能防止算法陷入局部最优值,且其平均迭代次数更少、求解精度更优。
本发明的技术方案为:针对微能网***的多目标协同优化调度工程需求,提出一种基于狼群等级的分子动理论优化算法的协同调度方法。首先,从经济效益、环境效益等方面根据微能网的设备***确定多个优化目标。然后,根据微能网内设备***确定运行等式和不等式约束条件。最后,借鉴狼群等级制度中根据体能情况将狼群成员分级的思路,改进KMTOA优化算法,将算法寻优过程中的数值个体分为最优、优秀、较差三个等级,并采用体能分级、引导协作、学习训练三个阶段设计算法,分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度,得出微能网***的多目标协同优化调度方案。
本发明的技术效果在于:1)WR-KMTOA借鉴狼群等级制度思路改进KMTOA优化算法,能继续发挥KMTOA收敛较快、可调参数少、鲁棒性强等优点,并能有效防止算法陷入局部最优值,最终实现寻优结果优化;2)将WR-KMTOA用于微能网的多目标协同优化调度问题,能更快、更准确得得出微能网***的多目标协同优化调度方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明WR-KMTOA算法借鉴狼群等级的改进思路;
图2为本发明基于WR-KMTOA算法的微能网多目标协同优化调度流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1为WR-KMTOA算法的改进思路,即借鉴狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路,将狼群成员的体能视作变量、体能指标视作适应度,将算法寻优过程中的数值个体分为最优、优秀、较差三个等级,并采用体能分级、引导协作、学习训练三个阶段设计算法,分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度,最终实现寻优结果优化。
利用WR-KMTOA求解微能网多目标协同优化调度问题的流程图,如图2所示,本发明基于狼群等级分子动理论的多目标协同优化调度方法详细步骤如下:
步骤1:从经济效益、环境效益等方面根据微能网设备***确定多个优化目标。此处以微能网可再生能源丢弃率最低、电能峰谷差最小、微能网运行成本最小为优化目标,并将三个目标函数进行加权统一化处理。
步骤2:根据微能网设备***确定运行等式和不等式约束条件。
步骤3:输入***原始数据和算法参数。输入微能网***参数,包括光伏板电压、储能***容量、充电桩数量和额定功率等;输入WR-KMTOA的数据,包括空间维度D,数值个体数目N,吸引率X,排斥率P等。
步骤4:对数值个体进行初始化,生成随机数据库,包括数值个体的初始位置及初始速度信息。
步骤5:进入体能分级阶段。调用微能网多目标协同优化调度计算程序,计算每个数值个体Sj的适应度Yfit(Sj),并保存各数值个体的适应度和位置。根据适应度取值的优劣,参考狼群等级制度,根据式(1)从数据库中选出类比狼群中头狼的最优数值个体、类比乙狼的优秀数值子群和类比亥狼的较差数值子群。
阶段1:体能分级阶段。类比狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路,将寻优过程中的数值个体根据适应度分为最优、优秀、较差三个等级。其中适应度指标是借鉴生物对环境的适应程度以表征数值个体优劣的一种测度。具有最佳的适应度的数值个体视作最优数值个体(即具有最佳的体能值),类似于狼群中的头狼;如果数值个体的适应度大于当下适应度平均值(即成员体能值高于设定体能值)视作优秀数值子群,类似狼群中的乙狼;如果数值个体的适应度小于参数适应度平均值(即成员体能值低于设定体能值)归类于较差数值子群,类似狼群中的亥狼,分类思如表达式为式(1)。
式(1)中适应度指标Yfit(Sj)表示数值个体Sj的适应度,N表示数值总量大小。max表示取最大值,mean表示取平均值。Sleader表示类似头狼的最优数值个体,Sfollower表示类似乙狼的优秀数值子群,Slast表示类似亥狼的较差数值子群。
步骤6:根据基本KMTOA理论中分子间相互作用的原理,对每个数值个体进行判定:
1)如果符合吸引力产生条件,即分子间距离大于平衡位置且random<X时(random表示取0至1的随机数),分子受吸引力作用,则按式(2)根据牛顿第二定律计算对Sj的吸引力加速度,其中k为引力常量,mj表示Sj的质量;
Aj=kmj(Sleader-Sj) (2)
2)如果不符合吸引力产生条件,则判断是否符合排斥力产生条件,即判断最优数值个体Sleader对数值个体Sj产生斥力是否符合random<P,如果符合条件则按式(3)根据牛顿第二定律计算对Sj的排斥力加速度,mleader表示Sleader的质量;
Aj=-kmleader(Sleader-Sj) (3)
3)如果吸引力和排斥力均不满足,则数值个体Sj不受力,将进行无规则随机分子热运动操作,按式(4)计算其热运动加速度,其中Aij表示数值个体Si在j维的加速度,Smax,j和Smin,j表示解空间该维度的上限和下限,Z表示震动幅度,Nzt(0,1)表示按照正态分布的随机数。
Aij=Z(Smax,j-Smin,j)Nzt(0,1) (4)
步骤7:根据所求出的数值个体Sj的加速度情况和原位置、速度参数,结合式(5)更新第r次迭代时的速度vj,再结合式(6)更新第r次迭代时的数值个体的位置wj,其中R表示总迭代次数。
vj(r)=(0.9-0.4r/R)vj(r-1)+Aj (5)
wj(r)=wj(r-1)+vj(r) (6)
步骤8:进行数值个体引导协作、学习训练阶段。根据数值个体的适应度的高低,将优秀数值子群Sfollower的个体按照表达式(7)和(8)进行移动和更新,将较差数值子群Slast的个体按式(9)进行学习训练,模仿接近最优数值个体Sleader。
阶段2:引导协作阶段。本阶段的主要任务在于继续提高优秀数值子群的适应度。参考狼群在猎捕食物时头狼引导群体、群体内协作配合的思路,通过两种途径提高优秀数值子群的适应度:1)更优数值个体的引导;2)子群内个体交换信息。根据数值个体适应度的高低,分别设置数值个体从原位置以不同幅度移动以提升适应度。具体思路如下:
若数值个体Sj的适应度较低,则Sj与子群Sfollower中的任一个体数值个体Si进行信息交换,数值个体Sj以较大幅度向数值个体Si附近靠拢;若数值个体Sj的适应度较高,则Sj仅以较小幅度移动到新位置。
式(7)为第n次迭代的数值个体Sj,n的位置移动表达式,其中Sj,n-1表示其第n-1次迭代时的数值。random表示取0至1的随机数,gauss(μ,σ2)表示高斯分布,α表示设定的适应阈值。式(8)表示更新后第n次迭代后数值个体的取值表达式。
阶段3:在学习训练阶段。本阶段的主要任务在于提高较差数值子群中个体的适应度。因较差数值子群中数值个体的适应度普遍偏低且相互之间适应度差异较大,数值个体需要通过向最优数值个体学习来提高适应度。
步骤9:调用微能网多目标协同优化调度计算程序,计算位置更新后的数值个体适应度,并更新数据库中的最优数值个体Sleader的位置。
步骤10:对数据库中的最优数值个体Sleader进行精英保留处理。
步骤11:判断算法是否满足终止条件。如满足,输出结果;否则,输出计算结果;否则,返回步骤5,继续循环计算。
本发明针对微能网多能***的多目标协同优化调度问题,参考狼群等级制度中依据体能情况将狼群成员分为头狼、乙狼、亥狼的思路,将狼群成员的体能视作变量、体能指标视作适应度,将算法寻优过程中的数值个体分为最优、优秀、较差三个等级,并采用体能分级、引导协作、学习训练三个阶段设计算法,分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度,最终实现寻优结果优化。将其用于微能网的多目标协同调度问题,可有效避免陷入局部最优和提高寻优精度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于狼群等级分子动理论的多目标协同优化调度方法,其特征在于,包括如下步骤:
步骤1:从经济效益和环境效益方面根据微能网设备***确定多个优化目标,进行加权转化统一化处理;
步骤2:根据微能网设备***确定运行等式和不等式约束条件;
步骤3:输入***原始数据和算法参数;输入微能网设备***参数,包括光伏板电压、储能***容量、充电桩数量和额定功率;输入WR-KMTOA的数据,包括空间维度D、数值个体数目N、吸引率X和排斥率P;
步骤4:对数值个体进行初始化,生成随机数据库,包括数值个体的初始位置及初始速度信息;
步骤5:进入体能分级阶段;调用微能网多目标协同优化调度计算程序,计算每个数值个体Sj的适应度Yfit(Sj),并保存各数值个体的适应度和位置;根据适应度取值的优劣,参考狼群等级制度,根据式(1)从数据库中选出类比狼群中头狼的最优数值个体、类比乙狼的优秀数值子群和类比亥狼的较差数值子群;
式(1)中适应度指标Yfit(Sj)表示数值个体Sj的适应度,N表示数值总量大小;max表示取最大值,mean表示取平均值;Sleader表示类似头狼的最优数值个体,Sfollower表示类似乙狼的优秀数值子群,Slast表示类似亥狼的较差数值子群;
步骤6:根据基本KMTOA理论中分子间相互作用的原理,对每个数值个体进行判定:
1)如果符合吸引力产生条件,即分子间距离大于平衡位置且random<X时,random表示取0至1的随机数,分子受吸引力作用,则按式(2)根据牛顿第二定律计算对Sj的吸引力加速度,其中k为引力常量,mj表示Sj的质量;
Aj=kmj(Sleader-Sj) (2)
2)如果不符合吸引力产生条件,则判断是否符合排斥力产生条件,即判断最优数值个体Sleader对数值个体Sj产生斥力是否符合random<P,如果符合则按式(3)根据牛顿第二定律计算对Sj的排斥力加速度,mleader表示Sleader的质量;
Aj=-kmleader(Sleader-Sj) (3)
3)如果吸引力和排斥力均不满足,则数值个体Sj不受力,将进行无规则随机分子热运动操作,按式(4)计算其热运动加速度,其中Aij表示数值个体Si在j维的加速度,Smax,j和Smin,j表示解空间该维度的上限和下限,Z表示震动幅度,Nzt(0,1)表示按照正态分布的随机数;
Aij=Z(Smax,j-Smin,j)Nzt(0,1) (4)
步骤7:根据所求出的数值个体Sj的加速度情况和原位置、速度参数,结合式(5)更新第r次迭代时的速度vj,再结合式(6)更新第r次迭代时的数值个体的位置wj,其中R表示总迭代次数;
vj(r)=(0.9-0.4r/R)vj(r-1)+Aj (5)
wj(r)=wj(r-1)+vj(r) (6)
步骤8:进行数值个体引导协作阶段和学习训练阶段;根据数值个体的适应度的高低,将优秀数值子群Sfollower的个体按照表达式(7)和(8)进行移动和更新,将较差数值子群Slast的个体按式(9)进行学习训练,模仿接近最优数值个体Sleader;
式(7)为第n次迭代的数值个体Sj,n的位置移动表达式,其中Sj,n-1表示其第n-1次迭代时的数值;random表示取0至1的随机数,gauss(μ,σ2)表示高斯分布,α表示设定的适应阈值;式(8)表示更新后第n次迭代后数值个体的取值表达式;
步骤9:调用微能网多目标协同优化调度计算程序,计算位置更新后的数值个体适应度,并更新数据库中的最优数值个体Sleader的位置;
步骤10:对数据库中的最优数值个体Sleader进行精英保留处理;
步骤11:判断算法是否满足终止条件;如满足,输出结果;否则,输出计算结果;否则,返回步骤5,继续循环计算。
2.根据权利要求1所述的基于狼群等级分子动理论的多目标协同优化调度方法,其特征在于,步骤1中,以微能网可再生能源丢弃率最低、电能峰谷差最小和微能网运行成本最小为优化目标,并将三个目标函数进行加权统一化处理。
3.根据权利要求1所述的基于狼群等级分子动理论的多目标协同优化调度方法,其特征在于,步骤5中,体能分级阶段具体思路如下:
类比狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路,将寻优过程中的数值个体根据适应度分为最优、优秀、较差三个等级;其中适应度指标是借鉴生物对环境的适应程度以表征数值个体优劣的一种测度;具有最佳的适应度的数值个体视作最优数值个体,类似于狼群中的头狼;如果数值个体的适应度大于当下适应度平均值视作优秀数值子群,类似狼群中的乙狼;如果数值个体的适应度小于参数适应度平均值归类于较差数值子群,类似狼群中的亥狼。
4.根据权利要求1所述的基于狼群等级分子动理论的多目标协同优化调度方法,其特征在于,步骤8中,引导协作阶段具体思路如下:
本阶段的主要任务在于继续提高优秀数值子群的适应度;参考狼群在猎捕食物时头狼引导群体、群体内协作配合的思路,通过两种途径提高优秀数值子群的适应度:1)更优数值个体的引导;2)子群内个体交换信息;根据数值个体适应度的高低,分别设置数值个体从原位置以不同幅度移动以提升适应度;
若数值个体Sj的适应度较低,则Sj与子群Sfollower中的任一个体数值个体Si进行信息交换,数值个体Sj以较大幅度向数值个体Si附近靠拢;若数值个体Sj的适应度较高,则Sj仅以较小幅度移动到新位置。
5.根据权利要求1所述的基于狼群等级分子动理论的多目标协同优化调度方法,其特征在于,步骤8中,学习训练阶段具体思路如下:
本阶段的主要任务在于提高较差数值子群中个体的适应度;因较差数值子群中数值个体的适应度普遍偏低且相互之间适应度差异较大,数值个体需要通过向最优数值个体学习来提高适应度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011280672.4A CN112507609B (zh) | 2020-11-16 | 2020-11-16 | 一种基于狼群等级分子动理论的多目标协同优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011280672.4A CN112507609B (zh) | 2020-11-16 | 2020-11-16 | 一种基于狼群等级分子动理论的多目标协同优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507609A true CN112507609A (zh) | 2021-03-16 |
CN112507609B CN112507609B (zh) | 2022-06-14 |
Family
ID=74956346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011280672.4A Active CN112507609B (zh) | 2020-11-16 | 2020-11-16 | 一种基于狼群等级分子动理论的多目标协同优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507609B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230986A (zh) * | 2017-07-04 | 2017-10-03 | 湘潭大学 | 一种基于改进分子动理论优化算法的电力***无功优化方法 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
-
2020
- 2020-11-16 CN CN202011280672.4A patent/CN112507609B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230986A (zh) * | 2017-07-04 | 2017-10-03 | 湘潭大学 | 一种基于改进分子动理论优化算法的电力***无功优化方法 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
Non-Patent Citations (6)
Title |
---|
LI JIE ET AL.: "Multi-objective optimization algorithm based on kinetic-molecular theory with memory", 《13TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
SULAIMAN M H ET AL.: "Using the gray wolf optimizer for solving optimal reactive power dispatch problem", 《APPLIED SOFT COMPUTING》 * |
吴亚雄等: "基于灰狼优化聚类算法的日负荷曲线聚类分析", 《电力***保护与控制》 * |
李杰: "基于记忆分子动理论优化算法的电力***经济调度研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
毛森茂等: "基于灰狼多目标算法的电网碳-能复合流优化调度", 《新型工业化》 * |
贾艳芳等: "基于多目标分子动理论的楼宇负荷用电调度优化", 《电网技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112507609B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fathi et al. | Intelligent MPPT for photovoltaic panels using a novel fuzzy logic and artificial neural networks based on evolutionary algorithms | |
Tan et al. | Ultra-short-term wind power prediction by salp swarm algorithm-based optimizing extreme learning machine | |
Li et al. | Wind power prediction using a novel model on wavelet decomposition-support vector machines-improved atomic search algorithm | |
Pousinho et al. | A hybrid PSO–ANFIS approach for short-term wind power prediction in Portugal | |
Basu | Fuel constrained economic emission dispatch using nondominated sorting genetic algorithm-II | |
Wang et al. | Short-term photovoltaic power generation forecasting based on environmental factors and GA-SVM | |
CN105071433B (zh) | 一种分布式电源的优化配置方案 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN110097474A (zh) | 一种实现配电网削峰填谷的负荷控制方法 | |
Sani Salisu et al. | Solar radiation forecasting in Nigeria based on hybrid PSO-ANFIS and WT-ANFIS approach | |
Fan et al. | A modified salp swarm algorithm based on the perturbation weight for global optimization problems | |
Yalcinoz et al. | Economic Load Dispatch Using an Improved Particle Swarm Optimization based on functional constriction factor and functional inertia weight | |
Adhiswara et al. | Long-term electrical consumption forecasting using Artificial Neural Network (ANN) | |
CN112507609B (zh) | 一种基于狼群等级分子动理论的多目标协同优化调度方法 | |
CN112381271B (zh) | 一种快速对抗深度置信网络的分布式多目标优化加速方法 | |
Wei et al. | A modified fireworks algorithm with dynamic search interval based on closed-loop control | |
Kwiatkowski et al. | The quality of data and the accuracy of energy generation forecast by artificial neural networks | |
Wang et al. | Toward teaching-learning-based optimization algorithm for dealing with real-parameter optimization problems | |
Fu et al. | A new PSO algorithm based on adaptive grouping for photovoltaic MPP prediction | |
Wei et al. | Application of improved artificial neural networks in short-term power load forecasting | |
Li et al. | An improved adaptive particle swarm optimization algorithm | |
CN114580298A (zh) | 一种基于rbf-isbo的微电网优化调度方法及*** | |
Okafor et al. | Photovoltaic System MPPT Evaluation Using Classical, Meta-Heuristics, and Reinforcement Learning-Based Controllers: A Comparative Study | |
CN115995840A (zh) | 基于风、光、储能协调的新能源***调峰优化方法和装置 | |
Aurangzeb et al. | An effective solution to the optimal power flow problem using meta-heuristic algorithms |
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 |