基于粒子群算法的水电站中长期发电优化调度

最新推荐文章于 2024-08-22 10:56:53 发布
最新推荐文章于 2024-08-22 10:56:53 发布
阅读量583 收藏 6
点赞数
文章标签： 算法 c++ matlab
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/zZ15285/article/details/121851506
版权
该博客介绍了基于粒子群优化（PSO）算法对三峡电站进行中长期发电调度的研究。通过对原始PSO算法的改进，调整了惯性权重和学习因子，以适应一年12个时间段的发电优化问题。实验对比了改进前后的算法效果，显示改进后的算法能获得更高的发电量和效益。最终，展示了发电量与迭代次数、权重、学习因子及停滞次数的关系图，以及水位与库容量的关系。
摘要由CSDN通过智能技术生成

       在该算例中，主要是以三峡的水电站为研究的对象。以中长期的时间轴为研究时间段，这里选取的是一年的时间。在这一年的时间跨度内，分为了12个时间段，每个时间段大致有30天的时间。通过各个时间段的数据，再加上对于粒子群的惯性权重和学习因子的进一步改进来进行对于三峡电站的中长期的一个发电的优化调度。通过将基于普通的一个PSO算法的实验结果和改进后的一个PSO调度结果相比较，得到最后的最优解，即最大的发电量仿真结果和最大的发电效益仿真结果。部分主体代码如下：

未改进的PSO：

clear

%% load data

DATA1=xlsread('库容.xlsx');

DATA2=xlsread('三峡来水概率月径流.xml');

DATA3=xlsread('三峡电站发电约束表.xml');

DATA4=xlsread('三峡入库流量水头损失.xml');

global vtlist;

vtlist=DATA4(:,1:2);

global q;

%q=sum((DATA2(:,1)./sum(DATA2(:,1))).*DATA2(:,2:end));

q=[6390 6390 6390 6390 6390 22400 22400 22400 22400 15300 7740 7740];

global vhlist;

vhlist=DATA1;

global minS;

global maxS;

global minP;

global maxP;

global minV;

global maxV;

minS=4000;

maxS=98800;

minP=499;

maxP=2240;

minV=0;

maxV=393;

%% PSO

N = 20;                         

d = 24;                          

ger = 300;                      

Ub = [];

Lb = [];

for i=1:12

    Lb=[Lb 0];

    Ub=[Ub 50000];

end

for i=1:12

    Lb=[Lb -4000];

    Ub=[Ub 4000];

end

for i=1:d

    limit(i,1)=Lb(i);

    limit(i,2)=Ub(i);

end

vlimit = [Lb-Ub;Ub-Lb;];

vlimit1=ones(1,N)'*vlimit(1,:);

vlimit2=ones(1,N)'*vlimit(2,:);

%w = 0.8;                      

wmax=0.9;

wmin=0.4;

c1min = 0.5;                       

c2min = 0.5;                      

c1max = 2.5;

c2max = 2.5;

x=[];

for i = 1:d

    x(:,i) = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, 1);

end

v = rand(N, d);                  

xm = x;                          

ym = zeros(1, d);               

fxm = ones(N, 1)*(-inf);         

fym = -inf;                      

iter = 1;

record = zeros(ger, 1);          

fx=zeros(1,N);

wlist=zeros(1,ger);

c1list=zeros(1,ger);

stopcount=0;

stopcountlist=zeros(1,ger);

T0=4;

while iter <= ger

     iter

     w=0.5;

     c1=2.0;

     c2=1.0;

     wlist(iter)=w;

     c1list(iter)=c1;

     stopcountlist(iter)=stopcount;

     for i=1:N

     fx(i) = callfit(x(i,:));

     end

     for i = 1:N      

        if fxm(i) < fx(i)

            fxm(i) = fx(i);     

            xm(i,:) = x(i,:);   

        end

     end

stopcount=stopcount+1;

if fym < max(fxm)

        stopcount=0;

        [fym, nmax] = max(fxm);  

        ym = xm(nmax, :);      

 end

    v = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, N, 1) - x);

    

    v(v < vlimit(1,:)) = vlimit1(v < vlimit(1,:));

    v(v > vlimit(2,:)) = vlimit2(v > vlimit(2,:));

    

    x = x + v;

   

    for ii=1:d

        x(x(:,ii) > limit(ii,2),ii) = limit(ii,2);

        x(x(:,ii) < limit(ii,1),ii) = limit(ii,1);

    end

    record(iter) = fym;

%     x0 = 0 : 0.01 : 20;

%     plot(x0, f(x0), 'b-', x, f(x), 'ro');title('状态位置变化')

%     pause(0.1)

    iter = iter+1;

end

figure(1);plot(record,'black-');xlabel('迭代次数');ylabel('发电量/亿千瓦时');title('发电量与迭代次数关系');

figure(2);plot(wlist,'black-');xlabel('迭代次数');ylabel('权重');title('惯性权重与迭代次数关系');

figure(3);plot(c1list,'black-');xlabel('迭代次数');ylabel('c1权重');title('学习因子C1与迭代次数关系');

hold on

figure(5);plot(stopcountlist,'black-');xlabel('迭代次数');ylabel('停滞次数');title('PSO最优解停滞次数与迭代次数关系');

figure(6);plot(vhlist(:,1),vhlist(:,2));xlabel('水位/米');ylabel('库容量/亿立方米');title('水位与库容量关系');

disp(['最大值：',num2str(fym)]);

disp(['变量取值：',num2str(ym)]);

printx(ym);

x=ym;

改进后的PSO：

clear

%% load data

DATA1=xlsread('库容.xlsx');

DATA2=xlsread('三峡来水概率月径流.xml');

DATA3=xlsread('三峡电站发电约束表.xml');

DATA4=xlsread('三峡入库流量水头损失.xml');

global vtlist;

vtlist=DATA4(:,1:2);

global q;

%q=sum((DATA2(:,1)./sum(DATA2(:,1))).*DATA2(:,2:end));

q=[6390 6390 6390 6390 6390 6390 22400 22400 15300 15300 7740 7740];

global vhlist;

vhlist=DATA1;

global minS;

global maxS;

global minP;

global maxP;

global minV;

global maxV;

minS=4000;

maxS=98800;

minP=499;

maxP=2240;

minV=0;

maxV=393;

%% PSO

N = 20;                         % 初始种群个数

d = 24;                          % 空间维数

ger = 100;                      % 最大迭代次数

Ub = [];%优化参数上界

Lb = [];%优化参数下界

for i=1:12

    Lb=[Lb 0];

    Ub=[Ub 50000];

end

for i=1:12

    Lb=[Lb -4000];

    Ub=[Ub 4000];

end

for i=1:d

    limit(i,1)=Lb(i);

    limit(i,2)=Ub(i);

end

vlimit = [Lb-Ub;Ub-Lb;];% 设置速度限制

vlimit1=ones(1,N)'*vlimit(1,:);

vlimit2=ones(1,N)'*vlimit(2,:);

%w = 0.8;                        % 惯性权重

wmax=0.9;

wmin=0.4;

c1min = 0.5;                       % 自我学习因子

c2min = 0.5;                       % 群体学习因子

c1max = 2.5;

c2max = 2.5;

x=[];

for i = 1:d

    x(:,i) = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, 1);%初始种群的位置

end

v = rand(N, d);                  % 初始种群的速度

xm = x;                          % 每个个体的历史最佳位置

ym = zeros(1, d);                % 种群的历史最佳位置

fxm = ones(N, 1)*(-inf);         % 每个个体的历史最佳适应度

fym = -inf;                      % 种群历史最佳适应度

iter = 1;

record = zeros(ger, 1);          % 记录器

fx=zeros(1,N);

wlist=zeros(1,ger);

c1list=zeros(1,ger);

c3list=zeros(1,ger);

c4list=zeros(1,ger);

stopcount=0;

stopcountlist=zeros(1,ger);

T0=4;%停滞步数

while iter <= ger

     iter

     w=wmax-(iter/ger)^2*(wmax-wmin);%改进惯性权重

     c1=c1min+(c1max-c1min)*(iter/ger);

     c2=c2min+(c2max-c2min)*(iter/ger);

     wlist(iter)=w;

     c1list(iter)=c1;

     stopcountlist(iter)=stopcount;

     if stopcount>=T0

         c3=rand();

         c4=rand();

     else

         c3=1;

         c4=1;

     end

     c3list(iter)=c3;

     c4list(iter)=c4;

     for i=1:N

     fx(i) = callfit(x(i,:));

     end% 个体当前适应度   

     for i = 1:N      

        if fxm(i) < fx(i)

            fxm(i) = fx(i);     % 更新个体历史最佳适应度

            xm(i,:) = x(i,:);   % 更新个体历史最佳位置

        end

     end

stopcount=stopcount+1;

if fym < max(fxm)

        stopcount=0;

        [fym, nmax] = max(fxm);   % 更新群体历史最佳适应度

        ym = xm(nmax, :);      % 更新群体历史最佳位置

 end

    v = v * w + c1 * rand * (c3.*xm - x) + c2 * rand * (c4.*repmat(ym, N, 1) - x);% 速度更新

    % 边界速度处理

    v(v < vlimit(1,:)) = vlimit1(v < vlimit(1,:));

    v(v > vlimit(2,:)) = vlimit2(v > vlimit(2,:));

    

    x = x + v;% 位置更新

    % 边界位置处理

    for ii=1:d

        x(x(:,ii) > limit(ii,2),ii) = limit(ii,2);

        x(x(:,ii) < limit(ii,1),ii) = limit(ii,1);

    end

    record(iter) = fym;%最大值记录

%     x0 = 0 : 0.01 : 20;

%     plot(x0, f(x0), 'b-', x, f(x), 'ro');title('状态位置变化')

%     pause(0.1)

    iter = iter+1;

end

figure(1);plot(record,'black-');xlabel('迭代次数');ylabel('发电量/亿千瓦时');title('发电量与迭代次数关系');

figure(2);plot(wlist,'black-');xlabel('迭代次数');ylabel('权重');title('惯性权重与迭代次数关系');

figure(3);plot(c1list,'black-');xlabel('迭代次数');ylabel('c1权重');title('学习因子C1与迭代次数关系');

figure(4);plot(c3list,'black-');xlabel('迭代次数');ylabel('权重');title('扰动因子与迭代次数关系');

hold on

plot(c4list,'r--')

legend('c3扰动因子','c4扰动因子');

figure(5);plot(stopcountlist,'black-');xlabel('迭代次数');ylabel('停滞次数');title('PSO最优解停滞次数与迭代次数关系');

figure(6);plot(vhlist(:,1),vhlist(:,2));xlabel('水位/米');ylabel('库容量/亿立方米');title('水位与库容量关系');

disp(['最大值：',num2str(fym)]);

disp(['变量取值：',num2str(ym)]);

printx(ym);

x=ym;

不知名小渣
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【老生谈算法】matlab实现水电站中长期调度优化的粒子群算法源码——粒子群算法
m0_53407570的博客
06-08 400
水电站中长期优化调度主要是在满足电力系统出力要求以及下游综合用水要求等的前提下，合理地安排水库各个月份的发电流量，使得调度期内的总发电量最大。即在给定预报入库流量过程线、下游综合用水流量过程线、调度期起始水位和终止水位等条件下，通过总水量的合理运用使调度期内水电站的总发电量最大。水电站调度优算法源码： 源代码运行结果展示......
粒子群算法的matlab实现（一）
热门推荐
huangpiao
07-04 16万+
粒子群算法（Particle Swarm Optimization，PSO）是20世纪90年代兴起的一门学科，因其概念简明、实现方便、收敛速度快而为人所知。粒子群算法的基本思想是模拟鸟群随机搜寻食物的捕食行为，鸟群通过自身经验和种群之间的交流调整自己的搜寻路径，从而找到食物最多的地点。其中每只鸟的位置/路径则为自变量组合，每次到达的地点的食物密度即函数值。每次搜寻都会根据自身经验（自身历史搜寻的最
数学建模入门
Hk_Mayfly的博客
12-25 5898
一. 前言 在大学中参加了两次网挑，两次国赛，一次美赛，一次mathorcup，还有一些校赛。两年的时间一晃而过，现在自己也是大三上学期了，建模比赛陪伴了我，也见证了自己的成长。今年美赛是自己最后一次参加数学建模比赛，我本来准备赛后再写这篇博客，但是想到接下来的美赛，希望这篇文章能够帮助后来的朋友们。 二. 关于 这里引用美赛官方给的一段介绍： Turn theory into practice...
进化算法之粒子群算法和Matlab实现（多维）
qq_39444290的博客
02-10 341
转自：https://blog.csdn.net/DBLLLLLLLL/article/details/82965722 (粒子群算法进阶讲解传送门：(https://blog.csdn.net/DBLLLLLLLL/article/details/103036067 https://blog.csdn.net/qq_34452281/article/details/90550228?utm_t...
基于动态规划法的水力发电优化调度（Python代码实现）
weixin_46039719的博客
07-29 1850
对于本文，我们选择使用动态规划，因为它看起来很适合解决这类问题，因为我们可以将问题分成阶段。动态规划是一种用于优化的方法，通过将问题划分为多个子问题以构建最优解来计算最优解。动态规划基于贝尔曼最优。也就是说，任何最优策略都由最优子策略组成，其中最优解的任何部分本身都是最优的。例如，在将城市 x 连接到城市 z 的最短路径问题中，如果路径通过城市 y，则 x 和 y 之间的路径是最优的。动态规划适用于几个已知问题，例如背包问题、调度、最短路径等。动态规划算法将始终一个一个地解决子问题，并且要解决子问题，它将依
基于粒子群算法的微电网优化调度应用研究（一、摘要及绪论）
记录自己的成长
03-01 3050
摘 要 在能源与环境的双重压力下，微电网技术受到了越来越多的关注，由于可再生能源的不确定性，微电网的优化调度是现阶段需要解决的首要问题，微电网的优化调度关系到微电网体系内的能源利用率、承担负荷的可靠性以及同大电网供电的质量，传统的发电机，能够在燃料量充足的前提下，按照专家预期的工况运行，但微电网体系中的风力、光伏发电系统发电依赖于自然资源的程度很强，因此负荷预测是微电网中的重要环节，准确评估可再生能源发电输出功率是一个很大的挑战。 对于传统的预测模型来说，解决负荷以及可再生分布式电源预测模型的同时，存在
基于粒子群算法的微电网优化调度应用研究（六、总结与展望）
记录自己的成长
03-01 860
总结与展望 6.1 结论 本文在传统的微电网调度方法的基础之上，综合考虑了在微电网优化过程中的负荷预测和多目标优化调度，让调度模型相对于传统模型更加完善。以本国内的一个资源丰富地区为案例进行分析，对微电网进行优化调度。通过优化后的运行计划与原始运行计划相比，建立的负荷预测模型准确度较高，经过优化后的运行计划使得系统在能满足符合要求的同时降低运行成本并提高风光渗透率。本文主要工作如下： (1)通过阅读国内外微电网优化调度相关论文建立了微电网中各个分布式发电单元模型。随着目前微电网技术的发展，本文考虑了风
基于粒子群算法的水电站中长期发电优化调度代码.zip
12-10
综上所述，这个项目通过MATLAB和C语言实现了一种基于PSO的水电站中长期发电优化调度算法，并对其进行了改进。通过对两种模式的仿真结果进行对比，展示了改进策略在解决实际问题时的优势。这对于理解PSO算法在电力...
基于粒子群算法的水电站中长期优化调度研究.pdf
09-29
【基于粒子群算法的水电站中长期优化调度研究】 粒子群优化算法（PSO, Particle Swarm Optimization）是一种受到自然界中鸟群飞行行为启发的全局优化算法。在水电站的中长期优化调度问题中，PSO可以用来寻找最优的...
基于粒子群算法的水电站中长期优化调度研究 (1).pdf
09-29
《基于粒子群算法的水电站中长期优化调度研究》这篇论文探讨了如何利用粒子群算法来解决水电站中长期优化调度的问题。粒子群算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化方法，它通过模拟鸟群...
单目标发电调度
04-16
程序能够进行单目标优化调度，对于微电网中的分布式电源的调度寻优具有很好的学习作用
混合粒子群算法在水库中长期发电优化调度中的应用.pdf
09-28
通过改进算法结构和参数设置，混合粒子群算法能够有效地优化水库发电调度，提高效率，减少计算时间，并取得与传统方法相近或更优的结果。这对于提升水电站的运行效率和降低运行成本具有重要意义。
基于模拟退火粒子群算法的水电站优化调度.pdf
09-29
在水电站中长期优化调度的数学模型中，目标函数是调度期内总发电量的最大化。这通常通过求解一系列的约束条件来实现，包括水量平衡约束，确保进库流量与出库流量的平衡；水库蓄水量约束，限制了水库的最低和最高水位...
粒子群算法matlab多元,进化算法之粒子群算法和Matlab实现（多维）
weixin_33344952的博客
03-21 937
前面一篇文章介绍了遗传算法，这里再介绍一种进化算法，称为粒子群算法。同遗传算法类似，粒子群算法也是仿照了自然界的生物现象得到的。这种现象就是鸟群在某个未知空间内寻找食物这一思想。鸟群通过自身经验和种群之间的交流调整自己的搜寻路径，从而不断寻找，直到找到食物最多的地点。其中某个个体就是鸟群中某一只鸟，该个体具有的属性就是其所在位置和搜索方向。该个体所在地点对应的食物数量可以理解为该处函数取值的理想程...
微粒群算法（PSO）
欢迎来到道的世界
03-16 4409
一.算法介绍     粒子群算法（Particle Swarm Optimization，PSO）的基本思想是模拟鸟群随机搜寻食物的捕食行为，鸟群通过自身经验和种群之间的交流调整自己的搜寻路径，从而找到食物最多的地点。其中每只鸟的位置则为自变量组合，每次到达的地点的食物密度即函数值。每次搜寻都会根据自身经验（自身历史搜寻的最优地点）和种群交流（种群历史搜寻的最优地点）调整自身搜寻方向和速度，这个称...
粒子群（PSO）求方程最优解
EIDoradol的博客
10-24 3168
PSO PSO类似于雷达扫描，每一个粒子就像觅食的狗一样，闻到了100米范围内有食物，但是却并不知道食物具体在那里。这个时候就需要找一群狗来共同寻找食物，这个群体的数量就是粒子群的粒子个数。 扩大这个范围，当食物在天上时，狗的二维探测能力就无法满足，这时粒子就变成鸟，仍然在给定的范围内寻找食物。一般来说，粒子数量越大越容易找到食物（相对最优解），但是过大的粒子个数会消耗巨大的资源，我们需要根据具体问题，分析得到最优种群个数。 解方程 本文用解方程最优解的形式来展示粒子群收缩求最优解的过程 解一个大家都认识
优化算法（粒子群算法）
a1_2_3_4__5的博客
11-19 6446
基本概念 粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，...
【优化布局】基于matlab粒子群算法求解充电站布局优化问题【含Matlab源码 012期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
01-01 5934
粒子群算法求解充电站布局优化问题 完整的代码，方可运行；可提供运行操作视频！适合小白！
代码随想录算法训练营19-回溯1
最新发布
weixin_53416771的博客
08-22 336
画出来的树是这样记录所有组合，一个变量current装当前的处理结果，一个res装所有的处理的结果下面的代码还可以剪枝优化。
水电站长期调度优化的粒子群算法MATLAB实现
在水电站长期调度优化中，粒子群算法可以用于解决复杂的优化问题，例如最大化总发电量。 在水电站长期调度优化问题中，需要满足电力系统出力要求和下游综合用水要求等约束条件，合理地安排水库各个月份的发电流量，...
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