使用帕累托最优解和熵权双基点法实现电力成本双目标优化——附matlab实现代码

已于 2022-12-26 10:20:40 修改
阅读量2.1k 收藏 49
点赞数 2
文章标签： 算法
于 2022-12-25 22:24:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44624573/article/details/128438492
版权

一、问题描述

改进发电调度方式又是电力行业节能减排的主要环节。
改进发电调度方式需要在满足负荷需求和功率限制的条件下，使煤耗成本和购电成本尽可能降低，为解决此问题建立双目标优化模型。

二、双目标优化模型

在这里插入图片描述

三、模型求解

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

四、算例分析

在这里插入图片描述在这里插入图片描述

以上两张表的来源是
李正哲,马燕峰,娄雅融,韩金铜.基于电力节能减排双目标调度优化模型及方法的研究[J].电力科学与工程,2012,28(06):44-50.
在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述显然可以实现最初的双目标优化目的。

五、matlab实现

clc
clear
close all
F = zeros(2);
H=zeros(120);
%以购电成本最低为目标
for i = 1:120
    if i>0 && i<25
        H(i,i) = 0.00212;
    end
    if i>24 && i<49
        H(i,i) = 0.00148;
    end
    if i>48 && i<73
        H(i,i) = 0.00289;
    end
    if i>72 && i<97
        H(i,i) = 0.00127;
    end
    if i>96 && i<121
        H(i,i) = 0.00261;
    end
end
f=zeros(120,1);
for i = 1:120
    if i>0 && i<25
        f(i) = 1.8015;
    end
    if i>24 && i<49
        f(i) = 1.213;
    end
    if i>48 && i<73
        f(i) = 1.2643;
    end
    if i>72 && i<97
        f(i) = 1.1954;
    end
    if i>96 && i<121
        f(i) = 1.5354;
    end
end
Aeq = zeros(24,120);
for i = 1:24
    for j = 0:4
        Aeq(i,i+j*24) = 1;
    end
end
beq = [1873.01;2012.01;1852.12;1880.80;1810.95;1786.95;2231.75;1898.98;2011.98;1849.90;2366.64;2055.99;2298.72;2272.76;2302.72;2195.77;2260.72;2303.72;2190.94;2723.50;2699.50;2693.79;2446.66;2576.55];        
LB = zeros(1,120);
for i = 1:120
    if i>0 && i<25
        LB(i) = 310;
    end
    if i>24 && i<49
        LB(i) = 300;
    end
    if i>48 && i<73
        LB(i) = 350;
    end
    if i>72 && i<97
        LB(i) = 325;
    end
    if i>96 && i<121
        LB(i) = 250;
    end
end
UB = zeros(1,120);
for i = 1:120
    if i>0 && i<25
        UB(i) = 570;
    end
    if i>24 && i<49
        UB(i) = 610;
    end
    if i>48 && i<73
        UB(i) = 700;
    end
    if i>72 && i<97
        UB(i) = 660;
    end
    if i>96 && i<121
        UB(i) = 425;
    end
end    
[x,fval,exitflag]=quadprog(H,f,[],[],Aeq,beq,LB,UB);
plot(x(49:72))
xlabel('时间/h')
ylabel('负荷/MW')
ylim([330 720])
title('购电成本目标的机组3日有功负荷曲线')
%f11为以购电成本为目标时的购电成本
F(1,1) = fval;
v=zeros(1,120);
for i = 1:120
    if i>0 && i<25
        v(i) = 0.15;
    end
    if i>24 && i<49
        v(i) = 0.11;
    end
    if i>48 && i<73
        v(i) = 0.068;
    end
    if i>72 && i<97
        v(i) = 0.20;
    end
    if i>96 && i<121
        v(i) = 0.088;
    end
end
%f12为以购电成本为目标时的煤耗成本
F(1,2) = v*x;


%以煤耗成本为目标
[x,fval,exitflag]=linprog(v,[],[],Aeq,beq,LB,UB);
figure
plot(x(49:72))
xlabel('时间/h')
ylabel('负荷/MW')
ylim([330 720])
title('煤耗成本目标的机组3日有功负荷曲线')
%f22为以煤耗成本为目标时的煤耗成本
F(2,2) = fval;
%f21为以煤耗成本为目标时的购电成本
F(2,1) = x'*H*x+f'*x;




%选取购电成本为基本目标
N = 30;
epsilon = zeros(1,N+1);
for i = 0:N
    epsilon(i+1) = F(1,2)-(F(1,2)-F(2,2))/N*i;
end
%P为帕累托最优解集,PG记录不同解集下的电机出力情况
P = zeros(2,31);
PG = zeros(120,31);
for i = 1:31
    [x,fval,exitflag]=quadprog(H,f,v,epsilon(i),Aeq,beq,LB,UB);
    PG(:,i) = x;
    P(1,i) = fval;
    P(2,i) = epsilon(i);
end
figure
scatter(P(1,:),P(2,:))
title('帕累托最优解集')
ylim([5900 6900])
%R1为评价矩阵
R1 = P;
%R为规格化后的评价矩阵
R = zeros(2,31);
for i = 1:2
    for j = 1:31
        R(i,j) = (max(R1(i,:)-R1(i,j)))/(max(R1(i,:)-min(R1(i,:))));
    end
end
%计算熵权alpha
e = zeros(2,1);
alpha = zeros(2,1);
for i = 1:2
    for j = 1:N
        e(i,1) = -(sum(R(i,j)/sum(R(i,:))*log(R(i,j)/sum(R(i,:)))))/(log(N));
    end
end
for i = 1:2
    alpha(i,1) = (1-e(i,1))/(sum([1;1]-e));
end
%主观权值lambda
lambda = [0.5;0.5];
%修正权系数omega
omega = zeros(2,1);
for  i = 1:2
    omega(i) = (alpha(i)*lambda(i))/(sum(alpha.*lambda));
end
%建立加权的规格化评级矩阵Rj
Rj = zeros(2,31);
for i = 1:2
    for j = 1:N
        Rj(i,j) = omega(i)*R(i,j);
    end
end
%确定双基点
Fz = [max(Rj(1,:)),max(Rj(2,:))];
Ff = [min(Rj(1,:)),min(Rj(2,:))];
%计算帕累托解和理想点之间的距离
Dz = zeros(1,31);
Df = zeros(1,31);
for i = 1:31
    Dz(i) = ((Rj(1,i)-Fz(1))*(Rj(1,i)-Fz(1))+(Rj(2,i)-Fz(2))*(Rj(2,i)-Fz(2)))^(0.5);
    Df(i) = ((Rj(1,i)-Ff(1))*(Rj(1,i)-Ff(1))+(Rj(2,i)-Ff(2))*(Rj(2,i)-Ff(2)))^(0.5);
end
%计算相对贴近度Tj
Tj = zeros(1,31);
for i = 1:31
    Tj(i) = Df(i)/(Dz(i)+Df(i));
end
pos = find(Tj == max(Tj));
val = P(:,pos);%val存放最优解
PGz = PG(:,pos);%PGz存放最优解时不同机组在不同时刻的出力情况
figure
plot(PGz(49:72))
xlabel('时间/h')
ylabel('负荷/MW')
ylim([330 720])
title('双目标优化的机组3日有功负荷曲线')插入代码片

后记
我不熟悉在csdn打数学公式，为了方便就直接都放图片了。
在论文基于电力节能减排双目标调度优化模型及方法的研究中所使用的模糊控制我也用代码实现了，虽然确实达到了优化的目的，但运行结束后lambda的值是0，我不清楚是哪里出了问题还是运行结果确实是这样。而且文中提到的对二次约束进行逐步线性化我也不明白是怎么实现的，所以直接用了matlab的fmincon函数进行求解。代码我也放在这里了，有了解的朋友可以私信或者发在评论区，谢谢。
论文中在以购电成本为单目标进行求解的时候得到的结果是115391，但我用matlab的函数quadprog进行求解后只有93828，差距较大，其他数据的差距都比较小，这里我也不清楚是不是有什么问题。

clc
clear
close all
%c01和c02是我直接用了论文中最后得到的数据
c01 = 115391;
c02 = 5899.5;
%线性不等式约束
A=ones(1,121);
for i = 1:120
    if i>0 && i<25
        A(i) = 0.15;
    end
    if i>24 && i<49
        A(i) = 0.11;
    end
    if i>48 && i<73
        A(i) = 0.068;
    end
    if i>72 && i<97
        A(i) = 0.20;
    end
    if i>96 && i<121
        A(i) = 0.088;
    end
end
A(121) = 0.1*c02;
b = 1.1*c02;
%线性等式约束
Aeq = zeros(24,121);
for i = 1:24
    for j = 0:4
        Aeq(i,i+j*24) = 1;
    end
end
beq = [1873.01;2012.01;1852.12;1880.80;1810.95;1786.95;2231.75;1898.98;2011.98;1849.90;2366.64;2055.99;2298.72;2272.76;2302.72;2195.77;2260.72;2303.72;2190.94;2723.50;2699.50;2693.79;2446.66;2576.55];        
%上下界
LB = zeros(1,121);
for i = 1:120
    if i>0 && i<25
        LB(i) = 310;
    end
    if i>24 && i<49
        LB(i) = 300;
    end
    if i>48 && i<73
        LB(i) = 350;
    end
    if i>72 && i<97
        LB(i) = 325;
    end
    if i>96 && i<121
        LB(i) = 250;
    end
end
LB(121) = 0;
UB = zeros(1,121);
for i = 1:120
    if i>0 && i<25
        UB(i) = 570;
    end
    if i>24 && i<49
        UB(i) = 610;
    end
    if i>48 && i<73
        UB(i) = 700;
    end
    if i>72 && i<97
        UB(i) = 660;
    end
    if i>96 && i<121
        UB(i) = 425;
    end
end   
UB(121) = 1;

[x,fval]=fmincon('fun1',zeros(121,1),A,b,Aeq,beq,LB,UB,'fun2')
 H=zeros(121);
    for i = 1:120
        if i>0 && i<25
            H(i,i) = 0.00212;
        end
        if i>24 && i<49
            H(i,i) = 0.00148;
        end
        if i>48 && i<73
            H(i,i) = 0.00289;
        end
        if i>72 && i<97
            H(i,i) = 0.00127;
        end
        if i>96 && i<121
            H(i,i) = 0.00261;
        end
    end
    f=zeros(121,1);
    for i = 1:120
        if i>0 && i<25
            f(i) = 1.8015;
        end
        if i>24 && i<49
            f(i) = 1.213;
        end
        if i>48 && i<73
            f(i) = 1.2643;
        end
        if i>72 && i<97
            f(i) = 1.1954;
        end
        if i>96 && i<121
            f(i) = 1.5354;
        end
    end
x'*H*x+f'*x
v=zeros(1,121);
for i = 1:120
    if i>0 && i<25
        v(i) = 0.15;
    end
    if i>24 && i<49
        v(i) = 0.11;
    end
    if i>48 && i<73
        v(i) = 0.068;
    end
    if i>72 && i<97
        v(i) = 0.20;
    end
    if i>96 && i<121
        v(i) = 0.088;
    end
end
v*x
plot(x(49:72))

fun1函数

function f=fun1(x)
    f=-x(121);
end

fun2函数

function [c,ceq] =fun2(x)
    c01 = 93828;
    %c01 = 115391;
    H=zeros(121);
    for i = 1:120
        if i>0 && i<25
            H(i,i) = 0.00212;
        end
        if i>24 && i<49
            H(i,i) = 0.00148;
        end
        if i>48 && i<73
            H(i,i) = 0.00289;
        end
        if i>72 && i<97
            H(i,i) = 0.00127;
        end
        if i>96 && i<121
            H(i,i) = 0.00261;
        end
    end
    f=zeros(121,1);
    for i = 1:120
        if i>0 && i<25
            f(i) = 1.8015;
        end
        if i>24 && i<49
            f(i) = 1.213;
        end
        if i>48 && i<73
            f(i) = 1.2643;
        end
        if i>72 && i<97
            f(i) = 1.1954;
        end
        if i>96 && i<121
            f(i) = 1.5354;
        end
    end
    c = x'*H*x+f'*x+11539.1*x(121)-1.1*c01;
    ceq = 0*x;
end
钩吾之山
关注
  • 2
    点赞
  • 踩
  • 49
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
双目标帕累托优化_NSGA-II解决多目标优化问题
weixin_39889214的博客
12-05 2596
NSGA-II 解决多目标优化引言单目标优化问题通常比较简单，目标函数的好坏通过一个评分即可测量。而多目标问题相对较难，多个目标的情况下来衡量是否最优属于向量优化问题，需要比较向量之间的大小，而向量之间仅仅存在偏序关系，这就导致该优化问题较难解决。多目标问题的定义如下：我们日常生活中遇到的问题严格来说都属于多目标优化问题。“支配”的概念当多目标问题中多个目标存在冲突的时候，我们可以用“支配”的概念...
双目标帕累托优化_多目标问题中的帕累托最优解与稳定解的相关证明及其应用...
weixin_39731845的博客
12-21 1821
多目标问题建模 代表第 1 个，第 2 个....，第 N 个目标帕累托最优解定义在没有使任何目标变差的前提下，使得至少一个目标更好，就是帕雷托改善。帕雷托最优的状态就是不可能再有更多的帕雷托改善的状态。帕累托稳定解定义考虑一个可行解 ，存在各个目标上梯度的凸组合为零，那么称为帕累托稳定解帕累托最优解与稳定解的关系及其证明帕累托稳定是帕累托最优解的必要条件如果一个可行解非帕累托稳定，那么存在一个梯...
利用matlab进行双目标优化
03-22
这个是一个关于双目标优化的内容.大家可以看一下！
双目标,双目标优化模型如何建模,matlab
09-10
使用遗传算法对两个目标进行优化求解，求出最优帕累托集
Matlab遗传算法解决多目标优化问题：求线性规划与非线性规划的帕累托最优解及附源码、注释及资料整理
最新发布
LLdrvfRqGb的博客
04-28 605
本文基于Matlab遗传算法，针对多目标优化问题，研究了线性规划和非线性规划的最优解求解方法，并借助帕累托最优解的概念，实现了对多目标问题的全面解决。通过使用帕累托最优解的概念，我们提供了一种全面解决多目标问题的算法，并为读者提供了源码、注释和个人整理的资料，以供进一步学习和应用。采用Matlab遗传算法实现线性规划与非线性规划最优解的求解，解决多目标优化问题，寻求帕累托(Pareto)最优解，可以编程，提供源码与注释，也可以提供个人整理的资料。详细介绍了在遗传算法中如何实现帕累托支配和非支配排序的过程。
代码分享高新颖性多目标智能优化算法matlab实现
04-03
多目标智能优化算法是一类用于解决多目标优化问题的算法，其目标是在考虑多个冲突的目标函数 时找到一组最优解，形成一个称为帕累托前沿（Pareto Front）的解集。以下是多目标智能优化算 法的一般实现原理： 问题建模：将多目标优化问题转化为数学模型。确定问题的目标函数、约束条件以及决策变量 等。 帕累托支配关系： 多目标优化问题的核心在于帕累托支配关系。一个解支配另一个解意味着在 至少一个目标上，前者不劣于后者，且在某个目标上至少优于后者。帕累托前沿上的解是无法被 其他解支配的。 个体表示： 将每个解表示为算法能够处理的数据结构，通常是一个向量。这个向量包含问题的 决策变量。 种群初始化： 随机生成初始解的种群。这些解要符合问题的约束条件。 适应度评估： 计算每个个体在多个目标函数上的适应度。适应度函数通常基于帕累托支配关 系。 选择操作：选择操作是基于适应度值，通常采用帕累托前沿的思想进行选择。常见的选择方法包 括锦标赛选择和轮盘赌选择。 交叉操作： 通过交叉操作（crossover）产生新的解。这可以是单点交叉、多点交叉等。交叉操 作有助于融合不同个体的特征。 变异操作： 通过变异
Pymoo学习 (2)：带约束的双目标优化问题
因吉的博客
07-21 2147
一个带约束双目标优化问题的可视化
双目标帕累托优化_城轨交通牵引供电系统参数与储能系统容量配置综合优化研究...
weixin_39593354的博客
12-21 197
北京交通大学电气工程学院的研究人员诸斐琴、杨中平等，在2019年第3期《电工技术学报》上撰文指出，在城轨交通中安装地面式超级电容储能系统将有效回收列车再生制动能量,降低系统运行能耗。各个变电所、牵引/制动列车与储能系统通过牵引网进行实时能量交互,组成一个复杂的多能源耦合系统,因此,为了提高牵引供电系统的整体能量效率,减少投资成本,该文提出供电系统参数与储能系统容量配置综合优化方法。首先建立不同列车...
目标函数最优解matlab,目标函数最优解
weixin_32820805的博客
03-24 2601
EDA365欢迎您登录！您需要 登录 才可以下载或查看，没有帐号？注册x使用fmincon求目标函数的最优解时，其中x【4】的值为12 14 16 18 20 22 25 28 32中的一个，因此我在约束函数nonlcon里设置了一行逻辑或的等式约束条件但是最后求解出来的时候x【4】是带小数的12.XXX并没有满足这个约束 这时候什么情况 我该怎么解决求大佬指导!谢谢9 T- y"...
优化建模 多目标优化 最优化模型
05-15
主要是有关优化建模方面的资料，其中包括最优化方法，优化模型，多目标优化和优化问题分析
基于多目标优化模型的景区线路优化模型及MATLAB代码实现
01-30
标题中的“基于多目标优化模型的景区线路优化模型及MATLAB代码实现”表明这是一个关于运用多目标优化技术解决旅游景点线路规划问题的研究，并且已经通过MATLAB编程进行了具体实现。多目标优化是一种处理多个相互冲突...
基于双层优化算法求解多目标优化文题附matlab代码Bilevel Optimization Algorithm.zip
04-27
`getOptimalSolutionSMD.m` 可能是获取多目标优化问题最优解的函数，它可能利用某种方法（如排序多目标差分进化SMD）来处理多目标优化中的帕累托前沿。 `getMappings.m` 文件可能是构建上下层决策变量之间映射关系...
帕累托最优解 sci sadeghi2015.pdf.sgdownload
12-30
通过点选法确认最佳帕累托最优解 本文来自于SCI文献，帕累托解集可为无数多个 但如何确认最佳一个进行分析，本文提供了参考
结合白鲸优化算法和NSGAII算法实现了多目标白鲸优化算法
09-02
多目标优化是现代工程设计、经济管理等领域中的关键问题，涉及到多个目标函数的同时最优化，通常没有单一的全局最优解，而是存在一个最优解集合，称为帕累托前沿。白鲸优化算法（Whale Optimization Algorithm, WOA...
多目标优化问题MOP
a999999123的博客
11-22 1万+
概念 多目标优化问题( multi-objective optimization problem，MOP)也称为向量优化问题或多准则优化问题。多目标优化问题可以描述为:在可行域中确定由决策变量组成的向量，它满足所有约束，并且使得由多个目标函数组成的向量最优化。 而这些组成向量的多个目标函数彼此之间通常都是互相矛盾的。 因此，这里的“优化”意味求一个或一组解向量使目标向量中的所有目标函数满足设计者的要求。 这些相互冲突的子目标，一个子目标的改善有可能会引起另一个或者另几个子目标的性能降低 , 也就是要同时使多
多目标优化系列（四）RM-MEDA
冷夏的专栏
08-16 6950
RM-MEDA: A Regularity Model-Based Multiobjective Estimation of Distribution Algorithm 原文：http://ieeexplore.ieee.org/document/4358761/ 摘要该文的中文题目是：基于规则模型的多目标估计分布算法。引言当前的MOEA研究主要集中在以下高度相关的问题上。 合理分配和多样性
最优化方法（n）多目标优化
选好坑 挖好坑 才会结出好的果子
06-18 9876
多目标最优化是这么一种问题，在一定约束下，它希望使得多个目标都能达到最优。在现实生活中，很多问题都要求多个目标最好，或者是妥协最好。比如买车，要便宜，又要省油，还要快。但是一般来说，多个目标同时达到最优的情况是不存在的。比如像上面那位姑娘要求每个目标都达到最优的问题，在现实中一般是不存在的。       多目标最优化的数学描述如下             min (f_1(x),f_2(x),
多目标优化
liucheng917的博客
01-05 1万+
多目标优化@TOC 多目标优化概念 实际问题中大都具有多个目标且需要同时满足，即在同一问题模型中同时存在几个非线性目标，而这些目标函数同时需要进行优化处理，并且这些目标通常是互相冲突的，称此类问题为多目标优化问题。 这些相互冲突的子目标，一个子目标的改善有可能会引起另一个或者另几个子目标的性能降低 , 也就是要同时使多个子目标一起达到最优值是不可能的 , 而只能在它们中间进行协调和折中处理 , 使...
多目标优化算法（一）NSGA-Ⅱ（NSGA2）
热门推荐
晓风
09-28 25万+
多目标优化算法（一）NSGA-Ⅱ 0.前言 这个算法是本人接触科研学习实现的第一个算法，因此想在这里和大家分享一下心得。 1. 算法简介 NSGA-Ⅱ算法，即带有精英保留策略的快速非支配多目标优化算法，是一种基于Pareto最优解的多目标优化算法。 1.1 Pareto支配关系以及Pareto等级 Pareto支配关系：对于最小化多目标优化问题，对于n个目标分量 fi(x),i=1...nf_i(...
双目标优化matlab
05-12
双目标优化是指在优化问题中同时考虑两个或多个目标函数的最优化问题。在MATLAB中，可以使用多种工具箱来解决双目标优化问题，如Global Optimization Toolbox、Multiobjective Optimization Toolbox等。 下面是一个使用Multiobjective Optimization Toolbox解决双目标优化问题的示例代码： ```matlab % 定义目标函数 fun = @(x)[x(1)^2 + x(2)^2, (x(1)-1)^2 + x(2)^2]; % 定义约束条件 A = [-1 -1; 1 -2; 2 1]; b = [-2; 2; 3]; Aeq = []; beq = []; lb = [-3; -3]; ub = [3; 3]; % 设置优化选项 options = optimoptions('gamultiobj','Display','final'); % 进行优化 [x,fval] = gamultiobj(fun,2,A,b,Aeq,beq,lb,ub,options); % 输出结果 disp('最优解：'); disp(x); disp('目标函数值：'); disp(fval); ``` 在上面的示例中，我们定义了两个目标函数和一些约束条件，并使用Multiobjective Optimization Toolbox中的gamultiobj函数进行优化。最终输出了最优解和目标函数值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值