[發(fā)明專利]一種基于多目標(biāo)遺傳算法的調(diào)度函數(shù)優(yōu)化方法

無效

• 申請?zhí)枺?/td>: 201210142727.4
• 申請日: 2012-05-10
• 公開（公告）號: CN102708248A
• 公開（公告）日: 2012-10-03
• 發(fā)明（設(shè)計(jì)）人: 胡宇豐;李獻(xiàn)新;雷曉輝;張?jiān)戚x;王旭;于茜;高力書;林旭;郭易;蘇景輝
• 申請（專利權(quán)）人: 湖北省電力公司;中國水利水電科學(xué)研究院
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/12
• 代理公司: 北京國林貿(mào)知識產(chǎn)權(quán)代理有限公司 11001
• 代理人: 袁建水

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于多目標(biāo)遺傳算法的調(diào)度函數(shù)優(yōu)化方法，是一種梯級水庫群優(yōu)化調(diào)度方法，是一種考慮多目標(biāo)優(yōu)化的梯級水庫群調(diào)度函數(shù)優(yōu)化模型構(gòu)建及求解方法。

背景技術(shù)

目前，國內(nèi)外研究的梯級水庫群優(yōu)化調(diào)度多是以單目標(biāo)建立優(yōu)化模型，這樣可降低梯級優(yōu)化調(diào)度的難度，但同時(shí)也忽視了水電站可開發(fā)的綜合效益，導(dǎo)致研究結(jié)果極端、單一。水庫優(yōu)化調(diào)度中，僅考慮提高水電站的發(fā)電效益，就包含發(fā)電量最大、耗水量最小、蓄能最大等研究目標(biāo)，而這些目標(biāo)往往又是相悖的，追求其中一個(gè)目標(biāo)最大，會造成另一目標(biāo)的減小，整體利益無法得到最優(yōu)級體現(xiàn)。

水電站水庫優(yōu)化調(diào)度的目的是制定優(yōu)化調(diào)度規(guī)則,?指導(dǎo)水電站運(yùn)行,?從而獲得較好的效益。在來水確定的情況下,?可以利用確定性優(yōu)化方法得出水庫運(yùn)行結(jié)果,?然后利用回歸分析制定水庫調(diào)度函數(shù)。由于這種方法將統(tǒng)一的優(yōu)化問題分解為兩個(gè)獨(dú)立的過程分別尋優(yōu),?往往導(dǎo)致計(jì)算結(jié)果背離原問題的真實(shí)最優(yōu)解;?同時(shí),?由于在回歸過程中難以考慮保證出力等約束,?所以該方法制定的調(diào)度函數(shù)在指導(dǎo)水電站水庫運(yùn)行時(shí),?會出現(xiàn)水庫正常運(yùn)行破壞較多的不利狀況。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的問題，本發(fā)明提出了一種基于多目標(biāo)遺傳算法的調(diào)度函數(shù)優(yōu)化方法。所述方法使用多目標(biāo)粒子群算法?MOPSO，代替線性回歸，有效的保證了水庫的正常運(yùn)行。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：一種基于多目標(biāo)遺傳算法的調(diào)度函數(shù)優(yōu)化方法，所述方法的步驟如下：

設(shè)定調(diào)度函數(shù)形式：用于假設(shè)調(diào)度函數(shù)是線性的，假設(shè)影響水電站水庫時(shí)段決策的主要因素為該水庫在時(shí)段初的水庫存水狀態(tài)????????????????????????????????????????????????(水位或庫容)和該時(shí)段的入庫徑流，決策變量(通?？扇闀r(shí)段末水位、庫容、時(shí)段下泄流量或時(shí)段發(fā)電出力)是時(shí)段初水庫存水和入庫徑流的函數(shù)，即

；

決策變量設(shè)定：用于將每個(gè)調(diào)度時(shí)段調(diào)度函數(shù)的參數(shù)作為優(yōu)化的決策變量；

多目標(biāo)粒子群算法?MOPSO計(jì)算調(diào)度規(guī)則：多目標(biāo)粒子群算法?MOPSO計(jì)算過程包括以下子步驟：

初始化：

①隨機(jī)生成粒子群popVar,種群規(guī)模為M；

②粒子初速度V（M）;

③計(jì)算每個(gè)粒子對應(yīng)多目標(biāo)的適應(yīng)值；

④初始化粒子歷史最優(yōu)位置pBest=popVar;

⑤初始化粒子全局誰有位置gBest;

創(chuàng)建外部Archive，以popVar中非支配粒子位置信息在Archive中創(chuàng)建副本；

迭代：初始化Iter=0;

①計(jì)算擁擠距離，當(dāng)Archive中非支配解個(gè)數(shù)超過1時(shí)，計(jì)算擁擠距離并降序排列；

②更新速度，V（M）=0.4*?V（M）+R1*(pBest（M）-popVar（M）+R2*(gBest（A）-P（M）);

③更新粒子位置，P（M）=?P（M）+?V（M）；

④限制粒子位置范圍，將更新后超出位置范圍的粒子保持在邊界上并改變速度方向；

⑤突變變異，變異概率為Mu，當(dāng)進(jìn)化代數(shù)Iter＜IterM*Mu時(shí)進(jìn)行變異操作；

⑥評價(jià)，計(jì)算變異后生成每個(gè)粒子對應(yīng)多目標(biāo)的適應(yīng)值；

⑦更新Archive解集；

⑧檢測迭代次數(shù)，如果Iter＜IterM則回到“計(jì)算擁擠距離”，如果Iter≥IterM則結(jié)束計(jì)算。

本發(fā)明產(chǎn)生的有益效果是：本發(fā)明采用的粒子群算法，代替線性回歸。所述的粒子群算法(?Particle?Swarm?Optimization,?PSO)?是一種基于集群智能理論的隨機(jī)全局優(yōu)化進(jìn)化算法。該算法具有流程簡單易實(shí)現(xiàn)、算法參數(shù)少、收斂速度快等優(yōu)點(diǎn)而被廣泛采用;但PSO?也有自身的缺陷,?第一就是局部收斂即早熟問題,?第二是后期收斂速度慢的問題。將其應(yīng)用于水庫調(diào)度函數(shù)的生成上,利用所建立的調(diào)度函數(shù),優(yōu)化出最優(yōu)參數(shù),?得到水庫最優(yōu)調(diào)度函數(shù)。

附圖說明

下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步說明。

圖1是本發(fā)明的實(shí)施例一所述MOPSO算法計(jì)算流程圖。

具體實(shí)施方式

實(shí)施例一：

本實(shí)施例是一種基于多目標(biāo)遺傳算法的調(diào)度函數(shù)優(yōu)化方法。其基本原理如下：

1）調(diào)度函數(shù)形式