梯级水库群调度的优化蜂群算法研究
发布时间：2021-07-31 00:29
梯级水库调度问题是一类典型的大规模、多约束的非线性优化问题,传统的动态规划算法会随着解维度增加出现“维数灾难”,而智能优化算法可以克服此问题,且其原理简单,求解快速。本论文采用人工蜂群算法（Artificial Bee Colony Algorithm,ABC）来解决此问题。ABC算法具有较好的鲁棒性,对求解函数的连续性和凹凸性没有要求,能为梯级水库群优化调度求解问题提供满意的解。ABC算法根据引领蜂、跟随蜂和侦查蜂的分工合作,迭代过程中能同时进行局部和全局搜索最优的解。本论文在分析ABC算法的构成要素前提下,针对梯级水库调度问题的特性,产生了一种改进蜂群算法——精英蜂群算法（Elite Artificial Bee Colony,EABC）,EABC算法对侦查蜂的全局搜索策略进行了改进,引入了精英种群,在每次侦查蜂身份转换时用其重心的扰动点作为引导,提高全局搜索效率。为考察EABC算法的性能,论文首先在若干经典的标准函数测试其对高维度函数的优化能力。接着,论文又测试了EABC算法在梯级水库群短期优化调度的经典水火电联合运行的模拟仿真问题上的优化性能,并与遗传算法、鸟群算法和标准蜂群算...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
标准人工蜂群算法流程图
水库和若干个火电厂机组。4.3.1 四库混联模型搭建四库混联的具体拓扑结构如下图 4-1 所示。图 4-1 四库的拓扑结构四库混联的调度总时段是 24 个小时，每个时段 1 小时，表示为 T=24。图 3-1 中I（i 1,2,3,4）i表示每个水库本身的区间来水量，每个上游水库到达下游水库的水留滞时间分别为： 2h1,3 ， 3h2,3 ， 4h3,4 。其中，几个火电厂机组的出力系数分别为 5000、19.2 和 0.002；出力上限maxPt 为 2500MW，出力的下限minPt为 500MW。其他更为详细的数据见附录中的表 4-1~表 4-4
华 中 科 技 大 学 硕 士 学 位 论 文比 PN/3 取整时候的最优解 922991MW 和 PN/2 取整时的最优解 923以得出初步结论，EABC 的精英种群数量在 PN/4 左右时候得到的解优。图 4-3 用统计图表示了 20 次计算过后，不同的精英种群数量对结果生成的初始值不同，所以结果会有所不同，其最后的结果正显示了算幅度显示了算法的稳定性。可以看到，Q 值越大，其计算过后的目标两种情况之外，稳定性也有所下降。9.2439.245成本×105ABC GABC EABC
【参考文献】：
期刊论文
[1]基于全局无偏搜索策略的精英人工蜂群算法[J]. 杜振鑫,刘广钟,韩德志,余学山,贾建鑫. 电子学报. 2018(02)
[2]基于改进差分进化算法的水火电短期优化调度[J]. 黄迪,徐刚,向红艳,李英海. 水力发电. 2017(05)
[3]自适应人工蜂群算法在梯级水库优化调度中的应用[J]. 李冰,孙辉,王坤,赵嘉,王晖. 水电能源科学. 2016(08)
[4]优化高维复杂函数的改进人工蜂群算法[J]. 王志刚,王明刚. 东北师大学报(自然科学版). 2016(02)
[5]梯级水电站群中长期优化调度的正交离散微分动态规划方法[J]. 冯仲恺,廖胜利,牛文静,程春田,唐建兴,苏华英. 中国电机工程学报. 2015(18)
[6]梯级水库群联合优化调度算法研究综述[J]. 马黎,冶运涛. 人民黄河. 2015(09)
[7]全局较优解引导的人工蜂群算法[J]. 王冰. 数学的实践与认识. 2015(13)
[8]遗传-人工蜂群融合算法及其Markov收敛性分析[J]. 高雷阜,佟盼. 数学杂志. 2017(01)
[9]基于改进局部搜索策略的人工蜂群算法[J]. 韩建权,毛力,周长喜. 计算机科学与探索. 2015(06)
[10]具有自适应全局最优引导快速搜索策略的人工蜂群算法[J]. 赵辉,李牧东,翁兴伟. 控制与决策. 2014(11)
博士论文
[1]梯级水电站群跨电网短期联合运行及经济调度控制研究[D]. 卢鹏.华中科技大学 2016
[2]水电站水库群调度优化及其效益评价方法研究[D]. 周婷.华北电力大学 2014
[3]水电站水库群中长期径流预报及短期优化调度研究[D]. 张新明.华北电力大学 2014
[4]人工蜂群算法的改进方法与收敛性理论的研究[D]. 邱剑锋.安徽大学 2014
[5]梯级水库群联合优化调度运行方式研究[D]. 周研来.武汉大学 2014
[6]人工蜂群算法的研究与应用[D]. 王艳娇.哈尔滨工程大学 2013
[7]约束优化问题的一类罚函数方法与误差界理论及其应用[D]. 赵文玲.大连理工大学 2008
[8]非线性规划中的罚函数及填充函数方法[D]. 韩伯顺.上海大学 2006
硕士论文
[1]水库适应性调度方法研究[D]. 刘斌.西安理工大学 2017
[2]基于人工蜂群算法的改进K-均值聚类算法及其应用[D]. 常扣扣.兰州交通大学 2017
[3]改进人工蜂群算法在梯级水库群优化调度中的应用[D]. 王坤.南昌工程学院 2017
[4]人工蜂群算法的改进研究[D]. 尹雅丽.江西理工大学 2016
[5]改进的GABC-SVM及其在MOOC学习模式识别中的应用[D]. 李潇亚.华南理工大学 2016
[6]人工蜂群算法理论及其在信息处理中的应用研究[D]. 刘蓓蕾.山东大学 2016
[7]面向电力市场的梯级水电站短期优化调度研究[D]. 孙志璇.兰州理工大学 2016
[8]改进人工蜂群算法及在梯级水库群优化调度中的应用[D]. 李冰.南昌工程学院 2015
[9]人工蜂群算法研究及其应用[D]. 曹金保.陕西师范大学 2013
[10]人工蜂群算法的研究及其应用[D]. 银建霞.西安电子科技大学 2012
本文编号：3312405
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
标准人工蜂群算法流程图
水库和若干个火电厂机组。4.3.1 四库混联模型搭建四库混联的具体拓扑结构如下图 4-1 所示。图 4-1 四库的拓扑结构四库混联的调度总时段是 24 个小时，每个时段 1 小时，表示为 T=24。图 3-1 中I（i 1,2,3,4）i表示每个水库本身的区间来水量，每个上游水库到达下游水库的水留滞时间分别为： 2h1,3 ， 3h2,3 ， 4h3,4 。其中，几个火电厂机组的出力系数分别为 5000、19.2 和 0.002；出力上限maxPt 为 2500MW，出力的下限minPt为 500MW。其他更为详细的数据见附录中的表 4-1~表 4-4
华 中 科 技 大 学 硕 士 学 位 论 文比 PN/3 取整时候的最优解 922991MW 和 PN/2 取整时的最优解 923以得出初步结论，EABC 的精英种群数量在 PN/4 左右时候得到的解优。图 4-3 用统计图表示了 20 次计算过后，不同的精英种群数量对结果生成的初始值不同，所以结果会有所不同，其最后的结果正显示了算幅度显示了算法的稳定性。可以看到，Q 值越大，其计算过后的目标两种情况之外，稳定性也有所下降。9.2439.245成本×105ABC GABC EABC
【参考文献】：
期刊论文
[1]基于全局无偏搜索策略的精英人工蜂群算法[J]. 杜振鑫,刘广钟,韩德志,余学山,贾建鑫. 电子学报. 2018(02)
[2]基于改进差分进化算法的水火电短期优化调度[J]. 黄迪,徐刚,向红艳,李英海. 水力发电. 2017(05)
[3]自适应人工蜂群算法在梯级水库优化调度中的应用[J]. 李冰,孙辉,王坤,赵嘉,王晖. 水电能源科学. 2016(08)
[4]优化高维复杂函数的改进人工蜂群算法[J]. 王志刚,王明刚. 东北师大学报(自然科学版). 2016(02)
[5]梯级水电站群中长期优化调度的正交离散微分动态规划方法[J]. 冯仲恺,廖胜利,牛文静,程春田,唐建兴,苏华英. 中国电机工程学报. 2015(18)
[6]梯级水库群联合优化调度算法研究综述[J]. 马黎,冶运涛. 人民黄河. 2015(09)
[7]全局较优解引导的人工蜂群算法[J]. 王冰. 数学的实践与认识. 2015(13)
[8]遗传-人工蜂群融合算法及其Markov收敛性分析[J]. 高雷阜,佟盼. 数学杂志. 2017(01)
[9]基于改进局部搜索策略的人工蜂群算法[J]. 韩建权,毛力,周长喜. 计算机科学与探索. 2015(06)
[10]具有自适应全局最优引导快速搜索策略的人工蜂群算法[J]. 赵辉,李牧东,翁兴伟. 控制与决策. 2014(11)
博士论文
[1]梯级水电站群跨电网短期联合运行及经济调度控制研究[D]. 卢鹏.华中科技大学 2016
[2]水电站水库群调度优化及其效益评价方法研究[D]. 周婷.华北电力大学 2014
[3]水电站水库群中长期径流预报及短期优化调度研究[D]. 张新明.华北电力大学 2014
[4]人工蜂群算法的改进方法与收敛性理论的研究[D]. 邱剑锋.安徽大学 2014
[5]梯级水库群联合优化调度运行方式研究[D]. 周研来.武汉大学 2014
[6]人工蜂群算法的研究与应用[D]. 王艳娇.哈尔滨工程大学 2013
[7]约束优化问题的一类罚函数方法与误差界理论及其应用[D]. 赵文玲.大连理工大学 2008
[8]非线性规划中的罚函数及填充函数方法[D]. 韩伯顺.上海大学 2006
硕士论文
[1]水库适应性调度方法研究[D]. 刘斌.西安理工大学 2017
[2]基于人工蜂群算法的改进K-均值聚类算法及其应用[D]. 常扣扣.兰州交通大学 2017
[3]改进人工蜂群算法在梯级水库群优化调度中的应用[D]. 王坤.南昌工程学院 2017
[4]人工蜂群算法的改进研究[D]. 尹雅丽.江西理工大学 2016
[5]改进的GABC-SVM及其在MOOC学习模式识别中的应用[D]. 李潇亚.华南理工大学 2016
[6]人工蜂群算法理论及其在信息处理中的应用研究[D]. 刘蓓蕾.山东大学 2016
[7]面向电力市场的梯级水电站短期优化调度研究[D]. 孙志璇.兰州理工大学 2016
[8]改进人工蜂群算法及在梯级水库群优化调度中的应用[D]. 李冰.南昌工程学院 2015
[9]人工蜂群算法研究及其应用[D]. 曹金保.陕西师范大学 2013
[10]人工蜂群算法的研究及其应用[D]. 银建霞.西安电子科技大学 2012
本文编号：3312405
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3312405.html
