CN112512000A - 一种配电物联网节点部署优化方法 - Google Patents
一种配电物联网节点部署优化方法 Download PDFInfo
- Publication number
- CN112512000A CN112512000A CN202011344484.3A CN202011344484A CN112512000A CN 112512000 A CN112512000 A CN 112512000A CN 202011344484 A CN202011344484 A CN 202011344484A CN 112512000 A CN112512000 A CN 112512000A
- Authority
- CN
- China
- Prior art keywords
- community
- deployment
- power distribution
- distribution internet
- particle
- 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.)
- Withdrawn
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公布了一种配电物联网节点部署优化方法,针对配电物联网的复杂状况,部署无线传感器使得传感器之间能够可靠连通,同时实现数量和部署成本的最优化,在深入分析配电物联网特征及其部署问题后,提出了一种基于多群落协作进化算法的配电物联网优化部署方法。构建了包括运行费用、建设费用、覆盖率在内的配电物联网部署优化评价指标体系,建立了其多维综合评价模型,并采用改进的粒子群进化算法,即群落协作进化算法进行普通群落和模范群落间的协同交互搜索,提升了对于配电物联网优化部署问题的适应能力,并通过重新定义改进算法的操作算子,实现微粒搜索空间到部署优化方案的映射,增强算法对动态随机组合的适应能力。
Description
技术领域
本发明属于物联网技术领域,具体涉及一种配电物联网节点部署优化方法。
背景技术
目前,我国已全面开展智能配电网的建设工作,随着各项技术的快速发展,各个应用平台的数据也得到了逐步完善。智能配电网引入了更多的数据和业务类型,对通信***的有效性和可靠性提出了更高的要求。配电通信***是整个电力通信***的重要组成部分,是电力主干通信网络的有效延伸,但是由于配电网规模大、多、覆盖面广从而导致了配电通信***投资规模大、建设难度高、施工周期长。因此必须研究如何降低通信***的建设成本,研究如何减少通信系的建设周期,研究如何满足智能配电网的业务需求,最终实现高效、可靠的智能配电通信***。
现有技术中,无线传感器网络(WSN)具备无线组网、建设成本低、网络铺设快、自愈能力强和数据安全性高等特点,更适用于通信繁多的智能配电网通信***。
然而,现有技术存在如下问题:WSN部署在复杂的配电网环境下,不能同时实现部署数量和部署成本的最优化。
发明内容
针对现有技术存在的上述技术问题,本发明目的在于提供一种配电物联网节点部署优化方法,根据实际建立配电物联网的需求,对其无线传感器网络的部署提供参考方案。
本发明示出一种配电物联网节点部署优化方法,包括:
根据部署方案T,得到经济指标C(T)和传感器覆盖率σ,T为数据中心的部署方案和无线传感器的部署方案,经济指标C(T)为T的成本费用;
根据C(T),得到经济性适应度E(T);
根据σ,得到状态感知能力适应度G(T);
根据E(T)和G(T),得到模型H(T),H(T)=mE(T)+rG(T),式中,m表示E(T)相对于G(T)的权重系数,r表示G(T)相对于E(T)的权重系数;
根据粒子群进化算法,得到H(T)的最优值;
获取H(T)的最优值对应的T。
进一步,根据粒子群进化算法,得到H(T)的最优值,包括:
S1初始化粒子群的微粒;
S2设定粒子群的数量、粒子群成员内微粒迭代次数、微粒的加速系数c1和c2、惯性权重ω及群落的判断阈值Ft;
S4将所述构建群落分别放在q个所述进程中做异步并行进化运算,计算所述构建群落的适应值Fi(i=1,2,...,q);
S5比较所述Ft和所述Fi,若所述Fi大于等于所述Ft,所述Fi对应的所述构建群落则为模范群落,若所述Fi小于所述Ft,所述Fi对应的所述构建群落则为普通群落;
S6根据所述H(T)计算所述微粒的适应值;
S7根据所述微粒的适应值,得到群落节点强度;
S8根据所述群落节点强度以及群落间协同规划规则,得到所述普通群落的最优适应值gbest和所述模范群落的最优适应值Gbest;
S9根据群落内进化规则,更新所述普通群落内的微粒和所述模范群落内的微粒;
S10根据二进制编码方式定义算法的操作算子,更新所述微粒的位置和速度;
S11判断所有种群均满足迭代终止条件;
若是,根据所述gbest和所述Gbest得到所述H(T)的最优值;
若否,则重复S6。
进一步,
群落内进化规则包括:
单个群落内的微粒均按照基本微粒群公式进行计算,得到群落内的全局最优值,群落包括普通群落和模范群落,其中,普通群落的全局最优值记作gbest,模范群落的全局最优值记作Gbest;
群落间协同规划规则包括:
且gbesti≥Gbestj,则普通群落内微粒CCi进入模范群落,成为模范群落微粒,处于末尾的模范群落微粒MCj则进入普通群落,成为普通群落微粒;
将模范学习因子Pn引入普通群落的群落内进化规则;
进一步,在一些实施例中,使用二进制编码方式定义算法的操作算子;
式中,t或t+1表示迭代次数;ω表示惯性权重;c1和c2表示加速常数,通常取c1=c2=2;为随机函数,并满足算法收敛性约束条件:c1r1+c2r2+c3∈[0,4];r1和r2表示两个在[0,1]范围内变化的随机函数;定义微粒的位置矢量矩阵X:n×n,Xi=<xi1,xi2,...,xin>表示第i个微粒的位置,对应部署方案Ti;xij(j=1,2,...,n)表示部署方案Tj的部署位置;定义速度矢量矩阵V:n×n,表示第i个微粒的速度,vij(j=1,2,...,n)表示部署方案Tij的部署效用;Θ表示两个微粒间的差;表示对于第i个微粒的位置更新,
进一步,在一些实施例中,经济指标C(T)包括运行费用Co,
根据部署方案T得到Co,Co为无线传感器的运行费用,包括部署在能量中心的无线传感器运行费用Co1、部署在未建设数据中心的变电站的无线传感器运行费用Co2及部署在建设数据中心的变电站的无线传感器运行费用Co3,Co=Co1+Co2+Co3。
进一步,在一些实施例中,经济指标C(T)还包括建设费用Cc,
根据部署方案T得到Cc,Cc为数据中心建设费用,包括能量中心与数据中心之间的网络连接费用Cc1、未建设数据中心的变电站与数据中心之间的网络连接费用Cc2及数据中心之间的网络连接费用Cc3,Cc=Cc1+Cc2+Cc3;
C(T)=Co+Cc。
进一步,在一些实施例中,根据部署方案T得到无线传感器的感知范围的并集Sc,根据部署方案T得到部署区域的面积SA;
进一步,在一些实施例中,无线传感器的感知范围为以无线传感器所处位置为圆心,半径为r的圆形区域。
进一步,在一些实施例中,还包括:
在部署区域建立坐标系m×n,得到部署区域内一点P的坐标为(x,y)及部署区域上部署的无线传感器si的坐标为(xi,yi);
根据si和P的坐标,计算si到P的距离d(si,P);
比较d(si,P)与感知范围的半径r,得到目标点P被si感知的概率P(ei),当d(si,P)小于等于r时,P(ei)等于1;当d(si,P)大于r时,P(ei)等于0;
根据P(ei)计算目标点P的联合覆盖率;
根据联合覆盖率计算目标点P的覆盖面积Scover。
由以上技术方案可见,本发明公布了一种配电物联网节点部署优化方法,针对在配电物联网复杂状况下,部署无线传感器节点使得传感器之间能够可靠连通,同时实现节点数量和部署成本的最优化的问题,在深入分析配电物联网特征及其节点部署问题的基础上,提出了一种基于多群落协作进化算法的配电物联网节点优化部署方法。构建了包括运行费用、建设费用、节点覆盖率的配电物联网节点部署优化评价指标,建立了其多维综合评价模型,并采用群落协作进化算法进行普通群落和模范群落间的协同交互搜索,提升了对于配电物联网节点优化部署问题的适应能力,并通过重新定义改进算法的操作算子,实现微粒搜索空间到节点部署优化方案的映射,增强算法对动态随机节点组合的适应能力。本发明较好的实现了对于配电物联网无线传感器节点部署的优化,为实现科技资源按需服务实体产业提供了新的思路和方法。
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为本申请一种配电物联网节点部署优化方法的示意图;
图2为本申请一种配电物联网节点部署优化方法中模型H(T)构建的示意图;
图3为本申请一种配电物联网节点部署优化方法中粒子群优化算法的一个实施例中的优化流程示意图;
图4a为当n=0时,配电物联网节点部署优化方法的仿真示意图;
图4b为当n=1时,配电物联网节点部署优化方法的仿真示意图;
图4c为当n=2时,配电物联网节点部署优化方法的仿真示意图;
图4d为当n=3时,配电物联网节点部署优化方法的仿真示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例中的技术方案作进一步详细的说明。
实施例1:
图1为本申请一种配电物联网节点部署优化方法的示意图。如图1所示,根据配电物联网节点部署的需求,利用粒子群优化算法和模型H(T)协同作用,得到最优部署方案。上述的部署,指的是数据中心的部署以及无线传感器的部署。
通过构建包括节点部署费用和节点覆盖率的配电物联网节点部署优化评价指标E(T)及G(T),建立其多维综合评价模型,即H(T)。具体来说:根据部署方案T,得到经济指标C(T)和传感器覆盖率σ,T为数据中心的部署方案和无线传感器的部署方案,经济指标C(T)为T的成本费用;根据C(T),得到经济性适应度E(T);根据σ,得到状态感知能力适应度G(T);根据E(T)和G(T),得到模型H(T),H(T)=mE(T)+rG(T),式中,Cmin表示min C(T),m表示E(T)相对于G(T)的权重系数,r表示G(T)相对于E(T)的权重系数。
经过专家讨论,获得所要建设的配电物联网中其节点部署方案经济适应度相对于感知能力适应度的相对重要性语言描述,并通过应用AHP判断矩阵进行权重求解,以得到这两个因素的相对权重m、r。
图3为本申请一种配电物联网节点部署优化方法中粒子群优化算法的一个实施例中的优化流程示意图。如图3所示,根据粒子群进化算法,得到H(T)的最优值,步骤包括:
S1初始化粒子群的微粒;
S2设定粒子群的数量、粒子群成员内微粒迭代次数、微粒的加速系数c1和c2、惯性权重ω及群落的判断阈值Ft;
S4将所述构建群落分别放在q个所述进程中做异步并行进化运算,计算所述构建群落的适应值Fi(i=1,2,...,q);
S5比较所述Ft和所述Fi,若所述Fi大于等于所述Ft,所述Fi对应的所述构建群落则为模范群落,若所述Fi小于所述Ft,所述Fi对应的所述构建群落则为普通群落;
S6根据所述H(T)计算所述微粒的适应值;
S7根据所述微粒的适应值,得到群落节点强度;
S8根据所述群落节点强度以及群落间协同规划规则,得到所述普通群落的最优适应值gbest和所述模范群落的最优适应值Gbest;
S9根据群落内进化规则,更新所述普通群落内的微粒和所述模范群落内的微粒;
S10根据二进制编码方式定义算法的操作算子,更新所述微粒的位置和速度;
S11判断所有种群均满足迭代终止条件;
若是,根据所述gbest和所述Gbest得到所述H(T)的最优值;
若否,则重复S6;
实施例2:
采用群落协作进化算法进行普通群落和模范群落间的协同交互搜索,提升对于配电物联网节点优化部署问题的适应能力,进一步,比较Ft和Fi,若Fi大于等于Ft,Fi对应的构建群落则为模范群落,若Fi小于Ft,Fi对应的构建群落则为普通群落,包括:群落内进化规则和群落间协同规划规则;
群落内进化规则包括,
单个群落内的微粒均按照基本微粒群公式进行计算,得到群落内的全局最优值,群落包括普通群落和模范群落,其中,普通群落的全局最优值记作gbest,模范群落的全局最优值记作Gbest;
群落间协同规划规则包括,
且gbesti≥Gbestj,则普通群落内微粒CCi进入模范群落,成为模范群落微粒,处于末尾的模范群落微粒MCj则进入普通群落,成为普通群落微粒;
将模范学习因子Pn引入普通群落的群落内进化规则;
实施例3:
通过重新定义改进算法的操作算子,实现微粒搜索空间到节点部署优化方案的映射,增强算法对动态随机节点组合的适应能力。其中,改进算法包括更新微粒的位置和速度,包括:使用二进制编码方式定义算法的操作算子;
式中,t或t+1表示迭代次数;ω表示惯性权重;c1和c2表示加速常数,通常取c1=c2=2;为随机函数,并满足算法收敛性约束条件:c1r1+c2r2+c3∈[0,4];r1和r2表示两个在[0,1]范围内变化的随机函数;定义微粒的位置矢量矩阵X:n×n,Xi=<xi1,xi2,...,xin>表示第i个微粒的位置,对应部署方案Ti;xij(j=1,2,...,n)表示部署方案Tj的部署位置;定义速度矢量矩阵V:n×n,表示第i个微粒的速度,vij(j=1,2,...,n)表示部署方案Tij的部署效用;Θ表示两个微粒间的差;表示对于第i个微粒的位置更新,
实施例4:
图2为本申请一种配电物联网节点部署优化方法中模型H(T)构建的示意图。如图2所示,经济指标C(T)包括运行费用Co,
根据部署方案T得到Co,Co为无线传感器的运行费用,包括部署在能量中心的无线传感器运行费用Co1、部署在未建设数据中心的变电站的无线传感器运行费用Co2及部署在建设数据中心的变电站的无线传感器运行费用Co3,
Co=Co1+Co2+Co3
式中,ω表示数据中心能源使用效率;η表示中心处理器处理单位数量计算负荷的运行功率;ρ表示数据在数据中心的存储时间,单位:秒;ε表示存储设备存储单位数量数据的运行功率,t表示数据中心的运行寿命,单位:秒;αnj表示能量中心nj的业务计算负荷,单位:千瓦时;βnj表示能量中心nj的业务数据流量,单位:比特每秒;αpi表示变电站pi的业务计算负荷,单位:千瓦时;βpi表示变电站pi的业务数据流量,单位:比特每秒;eppi表示变电站pi的电价,单位:元每千瓦时;spi表示变电站pi若建有数据中心则为1,反之为0;api,nj表示能量中心与数据中心之间的连接关系,若变电站建有数据中心并pi与nj相连为1,反之则为0;bpi,nj表示变电站与数据中心之间的连接关系,若变电站pi建有数据中心,pj未建有数据中心,且pi与pj相连为1,反之为0;αpj表示变电站pj的业务计算负荷,单位:千瓦时;βpj表示变电站pj的业务数据流量,单位:比特每秒。
经济指标C(T)还包括建设费用Cc,
根据部署方案T得到Cc,Cc为数据中心建设费用,包括能量中心与数据中心之间的网络连接费用Cc1、未建设数据中心的变电站与数据中心之间的网络连接费用Cc2及数据中心之间的网络连接费用Cc3,Cc=Cc1+Cc2+Cc3;
式中,λ表示单位通信网络的建设费用,D表示所连接的两个站点之间的距离,api,nj表示能量中心与数据中心之间的连接关系,若变电站pi建有数据中心并与nj相连为api,nj1,反之则为0;bpi,nj表示变电站与数据中心之间的连接关系,若变电站pi建有数据中心,pj未建有数据中心,且pi与pj相连bpi,nj为1,反之为0;cpi,pj表示数据中心之间的通信关系,若变电站pi与pj都建有数据中心,则其互联,cpi,pj为1,反之为0。
最终,基于配电物联网对于可靠性、经济性和标准化等方面的需求,建立了包含运行费用、建设费用以及传感器节点覆盖率的配电物联网节点部署优化评价指标。其具体数学模型如下,
C(T)=Co+Cc,
实施例5:
根据部署方案T得到无线传感器的感知范围的并集Sc,根据部署方案T得到部署区域的面积SA;
无线传感器的感知范围为以无线传感器所处位置为圆心,半径为r的圆形区域。
在部署区域建立坐标系m×n,得到部署区域内一点P的坐标为(x,y)及部署区域上部署的无线传感器si的坐标为(xi,yi);
根据si和P的坐标,计算si到P的距离d(si,P);
比较d(si,P)与感知范围的半径r,得到目标点P被si感知的概率P(ei),当d(si,P)小于等于r时,P(ei)等于1;当d(si,P)大于r时,P(ei)等于0;
根据P(ei)计算目标点P的联合覆盖率;
根据联合覆盖率计算目标点P的覆盖面积Scover。
根据布尔感知模型,若目标点P在si的覆盖范围内,则此事件定义为ei被感知的概率,为1,反之为0.si感知到点P的概率公式如下。
根据P(ei)计算目标点P的联合覆盖率;
根据联合覆盖率计算目标点P的覆盖面积Scover。
当事件区域内满足一个目标点oxy(x,y)没有被部署的传感器感知,则认为该点没有被覆盖,由此可得到所有传感器对该点的联合覆盖率p(oxy,S)为
以像素点为单位描述覆盖面积,若p(oxy,S)不为零,则表示该点被网络覆盖,则覆盖面积Scover如下
至此,该配电物联网节点的部署主要为两个部分,一是数据中心的部署,具体体现为经济性指标中,在变电站上是否有数据中心的0-1变量,二是传感器节点的部署,具体为节点覆盖率中,si的坐标表示(xi,yi)。
实施例6:
数据中心数量约束:
式中,nump为变电站节点总数,spi为数据中心选址位置,若变电站节点pi建设有数据中心则为1,反之则为0。
通信网络连接约束:
每一个综合能量中心节点都与一个数据中心相连接时,约束如下所示,
0≤api,nj≤spi,pi∈P,nj∈N
未建设数据中心的变电站与一个数据中心相连接是,约束如下所示,
数据中心之间建立通信互相连接时,约束如下所示,
式中,api,nj为综合能量中心节点与数据中心之间的连接关系,若变电站节点建有数据中心并pi与nj相连为1,反之则为0;bpi,nj为变电站节点与数据中心之间的连接关系,若变电站节点pi建有数据中心,pj未建有数据中心,且pi与pj相连为1,反之为0;cpi,pj表示数据中心之间的通信关系,若变电站节点pi和pj都建有数据中心,则其互联,cpi,pj为1,反之为0。
变电站资源约束:
变电站计算资源如下所示:
变电站存储资源如下所示:
式中,LCpi为变电站节点pi∈P中计算设备的部署上限,LSpi为变电站节点pi∈P中存储设备的部署上限。
实施例7:
为了检验本发明提供的优化方法,进行了如下仿真试验,实验结果参见图4a、图4b、图4c及图4d所示的配电物联网节点部署优化方法的仿真示意图。在仿真环境为MTLAB(2016b),4.00GHz,16GB内存,windows10***中,采用空间自适应粒子群算法(LAPSO)、改进混合遗传算法(MHGA)、离散粒子群优化算法(DPSO)和本申请示出的多群落协作算法(MCCEA)四种算法对该配电网节点部署优化问题进行求解。
首先,参数设置算法初始参数,种群个数为100,最大进化次数为200,惯性权重w=1.1,加速度常数c1=c2=2,其他仿真参数设置如表2所示。
表2
在节点覆盖率σ中引入随机函数rand()来测试不同对比算法的性能。σd=σ+n·rand(),其中rand()在[0,1]范围内随机变化,n=0,1,2,3。
可以看出,本发明所提出的多群落协作进化算法可以根据配电网复杂的环境变化,选择或重组相应的协同进化规则,增强不同群落的优势搜索特性,提高了算法的自适应能力和执行效率,增强不同种群的优势搜索特性,提高了算法的自适应能力和执行效率,随着环境变化的不确定性增加,本申请示出的一种配电物联网节点部署优化方法能迅速局部最优点,且以较快的收敛速度,持续、有效的搜索全局最优点。最后仿真结果可知本发明所使用的性能显著优于其他算法。
本发明提供的实施例并不构成本发明保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本发明方案所扩展出的任何其他实施方式都属于本发明的保护范围。
Claims (9)
1.一种配电物联网节点部署优化方法,其特征在于,包括:
根据部署方案T,得到经济指标C(T)和传感器覆盖率σ,所述T为数据中心的部署方案和无线传感器的部署方案,所述经济指标C(T)为所述T的成本费用;
根据所述C(T),得到经济性适应度E(T);
根据所述σ,得到状态感知能力适应度G(T);
根据所述E(T)和所述G(T),得到模型H(T),H(T)=mE(T)+rG(T),式中,m表示E(T)相对于G(T)的权重系数,r表示G(T)相对于E(T)的权重系数;
根据粒子群进化算法,得到所述H(T)的最优值;
获取所述H(T)的最优值对应的所述T。
2.根据权利要求1所述的一种配电物联网节点部署优化方法,其特征在于,根据粒子群进化算法,得到所述H(T)的最优值,包括:
S1初始化粒子群的微粒;
S2设定粒子群的数量、粒子群成员内微粒迭代次数、微粒的加速系数c1和c2、惯性权重ω及群落的判断阈值Ft;
S4将所述构建群落分别放在q个所述进程中做异步并行进化运算,计算所述构建群落的适应值Fi(i=1,2,...,q);
S5比较所述Ft和所述Fi,若所述Fi大于等于所述Ft,所述Fi对应的所述构建群落则为模范群落,若所述Fi小于所述Ft,所述Fi对应的所述构建群落则为普通群落;
S6根据所述H(T)计算所述微粒的适应值;
S7根据所述微粒的适应值,得到群落节点强度;
S8根据所述群落节点强度以及群落间协同规划规则,得到所述普通群落的最优适应值gbest和所述模范群落的最优适应值Gbest;
S9根据群落内进化规则,更新所述普通群落内的微粒和所述模范群落内的微粒;
S10根据二进制编码方式定义算法的操作算子,更新所述微粒的位置和速度;
S11判断所有种群均满足迭代终止条件;
若是,根据所述gbest和所述Gbest得到所述H(T)的最优值;
若否,则重复S6。
3.根据权利要求2所述的一种配电物联网节点部署优化方法,其特征在于,
所述群落内进化规则包括:
单个群落内的微粒均按照基本微粒群公式进行计算,得到所述群落内的全局最优值,所述群落包括普通群落和模范群落,其中,所述普通群落的所述全局最优值记作gbest,所述模范群落的所述全局最优值记作Gbest;
所述群落间协同规划规则包括:
Gbestj=min{Gbest1,Gbest2,...,Gbestn},且gbesti≥Gbestj,则普通群落内微粒CCi进入模范群落,成为模范群落微粒,处于末尾的模范群落微粒MCj则进入普通群落,成为普通群落微粒;
将模范学习因子Pn引入所述普通群落的所述群落内进化规则;
4.根据权利要求2所述的一种配电物联网节点部署优化方法,其特征在于,所述二进制编码方式定义算法的操作算子包括:
5.根据权利要求1所述的一种配电物联网节点部署优化方法,其特征在于,所述经济指标C(T)包括运行费用Co,
根据部署方案T得到所述Co,所述Co为所述无线传感器的运行费用,包括部署在能量中心的所述无线传感器运行费用Co1、部署在未建设所述数据中心的变电站的所述无线传感器运行费用Co2及部署在建设所述数据中心的变电站的所述无线传感器运行费用Co3,Co=Co1+Co2+Co3。
6.根据权利要求5所述的一种配电物联网节点部署优化方法,其特征在于,所述经济指标C(T)还包括建设费用Cc,
根据部署方案T得到所述Cc,所述Cc为所述数据中心建设费用,包括能量中心与所述数据中心之间的网络连接费用Cc1、未建设数据中心的变电站与所述数据中心之间的网络连接费用Cc2及所述数据中心之间的网络连接费用Cc3,Cc=Cc1+Cc2+Cc3;
C(T)=Co+Cc。
8.根据权利要求7所述的一种配电物联网节点部署优化方法,其特征在于,所述无线传感器的感知范围为以所述无线传感器所处位置为圆心,半径为r的圆形区域。
9.根据权利要求8所述的一种配电物联网节点部署优化方法,其特征在于,还包括:
在所述部署区域建立坐标系m×n,得到所述部署区域内一点P的坐标为(x,y)及所述部署区域上部署的所述无线传感器si的坐标为(xi,yi);
根据所述si和所述P的坐标,计算所述si到所述P的距离d(si,P);
比较所述d(si,P)与所述感知范围的半径r,得到目标点P被si感知的概率P(ei),当所述d(si,P)小于等于所述r时,所述P(ei)等于1;当所述d(si,P)大于所述r时,所述P(ei)等于0;
根据所述P(ei)计算目标点P的联合覆盖率;
根据所述联合覆盖率计算目标点P的覆盖面积Sc。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344484.3A CN112512000A (zh) | 2020-11-25 | 2020-11-25 | 一种配电物联网节点部署优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344484.3A CN112512000A (zh) | 2020-11-25 | 2020-11-25 | 一种配电物联网节点部署优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112512000A true CN112512000A (zh) | 2021-03-16 |
Family
ID=74966099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011344484.3A Withdrawn CN112512000A (zh) | 2020-11-25 | 2020-11-25 | 一种配电物联网节点部署优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112512000A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114584991A (zh) * | 2022-03-10 | 2022-06-03 | 南京邮电大学 | 一种求解配电网传感器节点覆盖的群体智能优化方法 |
CN116669054A (zh) * | 2023-07-31 | 2023-08-29 | 国网湖北省电力有限公司 | 一种5g基站优化规划方法及存储介质 |
-
2020
- 2020-11-25 CN CN202011344484.3A patent/CN112512000A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114584991A (zh) * | 2022-03-10 | 2022-06-03 | 南京邮电大学 | 一种求解配电网传感器节点覆盖的群体智能优化方法 |
CN114584991B (zh) * | 2022-03-10 | 2023-07-25 | 南京邮电大学 | 一种求解配电网传感器节点覆盖的群体智能优化方法 |
CN116669054A (zh) * | 2023-07-31 | 2023-08-29 | 国网湖北省电力有限公司 | 一种5g基站优化规划方法及存储介质 |
CN116669054B (zh) * | 2023-07-31 | 2023-12-12 | 国网湖北省电力有限公司 | 一种5g基站优化规划方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Path planning of mobile robot based on improved genetic algorithm | |
CN107579518B (zh) | 基于mhba的电力***环境经济调度方法和装置 | |
Zhou et al. | Task allocation for multi-agent systems based on distributed many-objective evolutionary algorithm and greedy algorithm | |
CN112512000A (zh) | 一种配电物联网节点部署优化方法 | |
CN108664022A (zh) | 一种基于拓扑地图的机器人路径规划方法及*** | |
CN102316464B (zh) | 基于非支配解排序量子雁群算法的多目标频谱分配方法 | |
CN108337685B (zh) | 基于分簇dgm的无线传感器网络数据融合方法 | |
Wang et al. | Wireless sensor network deployment of 3D surface based on enhanced grey wolf optimizer | |
CN113176732A (zh) | 一种非线性随机多智能体***固定时间一致控制方法 | |
CN113163365B (zh) | 基于交替方向乘子算法的无人机支持物联网资源优化方法 | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN113312177B (zh) | 一种基于联邦学习的无线边缘计算***、优化方法 | |
CN113573333B (zh) | 一种基于虚拟力的粒子群异构WSNs覆盖优化算法 | |
CN112417770B (zh) | 一种基于多模态多目标粒子群优化算法的选址优化方法 | |
Huang et al. | A novel hybrid discrete grey wolf optimizer algorithm for multi-UAV path planning | |
CN107067136A (zh) | 电动汽车充电分配方法及装置 | |
CN105302858A (zh) | 一种分布式数据库***的跨节点查询优化方法及*** | |
CN108242812A (zh) | 基于模块度优化的双阶段无功电压分区方法及*** | |
CN109685251A (zh) | 一种电动设施充电站选址优化方法、装置及存储介质 | |
CN106230528A (zh) | 一种认知无线网络频谱分配方法及*** | |
CN109978241A (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
CN105049499A (zh) | 一种基于多立方体映射的网络功能虚拟化资源分配方法 | |
CN106162668A (zh) | 确定网络参数的方法和装置 | |
Jiao et al. | Service deployment of C4ISR based on genetic simulated annealing algorithm | |
Ding et al. | A task scheduling algorithm for heterogeneous systems using aco |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210316 |
|
WW01 | Invention patent application withdrawn after publication |