基于自适应粒子群优化算法的梯级水库优化调度方法
【专利摘要】本发明公开了一种自适应粒子群优化算法的梯级水库优化调度方法。针对粒子群法在梯级水库优化调度中优化问题中的缺陷，先对粒子随机初始化进行固定初始化的改进，使算法一开始就有接近最优值的可能，并不存在大范围的盲区，提高收敛速度和算法的稳定性。然后根据群体分工协作思想和聚类小生境思想，将初始化的种群动态划分为三个子群，每个子群根据粒子的差异性自适应进行寻优和参数的选择，在增加粒子多样性的同时，改变了信息交流的模型，同时避免了算法陷入局部最优。本发明中改进的算法能够很好的解决非线性、多局部极值的函数问题，为解决梯级水库优化调度这一课题提供了一条有效、可行的解决途径。
【专利说明】基于自适应粒子群优化算法的梯级水库优化调度方法
【技术领域】
[0001]本发明涉及一种自适应粒子群优化算法的梯级水库优化调度方法，在已知梯级水库模型的情况下，对模型的求解提供了解决这一问题的新途径。
【背景技术】
[0002]水库调度是人们根据水库所承担水利水电任务的主次以及规定的运用原则，凭借水库的调蓄能力，通过水利枢纽的各种建筑物及设备，按照设计要求，在保障大坝安全和下游防洪安全的前提下，对水库的入库水量过程进行调节，实现多发电、提高综合利用效率的一种水库运行控制技术。
[0003]水库调度一般分为常规调度和优化调度两类。常规调度以历史的实测资料为依据，利用径流调节理论和水能计算方法，来确定满足水库既定任务的蓄泄过程。常规调度规则简单、直观，但是调度模式缺乏数学最优化理论的基础，已经不能满足人们的要求。优化调度是在已知系统结构类型和一些约束条件下，为满足既定的目标和要求，以运筹学为理论基础，利用优化理论的方法和技术，寻求系统和水电站水库的最优运行策略，绘制最优调度图以指导水库运行。优化调度不需要额外投资就可以取得相当大的效益，所以成为近年来发展较快的一种水库调度方法。
[0004]水库优化调度按水库的数目可以分为单一水库优化调度和水库群联合优化调度，目前单一水库优化调度的研究已经非常成熟，为了能够满足现实，说明水库调度的原则和方法，大多从最简单的单一水库引申到水库群联合优化调度。流域上水库群根据他们之间的结构关系，一般可以划分为串联、并联和混联三种形式。串联水库群即梯级水库群，指位于同一河流的上、下游形成串联形式的水库群，各水库之间有直接的径流联系同时还具有电力的联系；并联水库群指位于不同河流上或者位于同一河流的不同支流上的水库群，各水库之间有电力联系没有水力联系，但在同一河流不同支流上的水库群还要共同保证下游某些水利部门的任务，例如防洪；混联水库群是串联与并联的组合形式。
[0005]由于梯级水库群既有电力的联系，又有水力的联系，而且随着水电站规模的增加，流域上下游和流域库间水力和电力耦合作用关系的凸显，而对梯级水库群的优化调度需要考虑上下游间很强的水力和电力耦合关系等因素。所以开展梯级水库优化调度的研究，提高水库的综合利用效益，对于充分利用我国的水资源、解决能源缺乏问题具有重要的现实意义。
[0006]梯级水库优化调度的两个重要问题是如何将实际的问题概化成数学模型和构建求解模型的最优化算法。由于梯级水库群各水库流量、出力和水头之间的联系，使得梯级水库优化调度问题具有随机性、非线性、多维性和多目标性等特点，求解的数学模型实质是一个多维、多局部极值、复杂的非线性多约束优化函数问题，传统的优化方法在解决这个问题方面都或多或少地存在一定的局限性。20世纪80年代以来，逐渐产生了一种新颖的算法，这些算法通过模拟或者揭示某些自然现象和过程而发展起来，通常称作智能优化算法。智能优化算法提供了解决这一问题的新途径，其中粒子群算法(PSO)收敛速度快，概念简单，程序容易实现，需要调整的参数少，对问题的依赖性较小，从一诞生就引起了国内外学者的关注，并逐步应用于函数的优化、神经网络训练等领域。但是PSO算法还是存在一些不足:随机初始化影响算法的稳定性以及影响收敛的速度和效率，同时容易陷入局部最优解，使种群失去多样性等。所以通过对群智能优化算法中的粒子群法进行细致的研究，针对其在梯级水库优化调度中优化问题中的缺陷，进行改进。
【发明内容】
[0007]发明目的:本发明针对现有的粒子群优化算法应用在梯级水库优化调度中存在非线性、多局部极值的特点，以及算法随机初始化的不足和易陷入局部极值、多样性消失等不足，提出了一种动态分群的自适应粒子群优化算法，能够保持粒子的多样性，避免陷入局部最优，同时增强了算法的稳定性，而且能够很好的解决非线性、多局部极值的函数问题。
[0008]技术方案:本发明提出的动态分群的自适应粒子群优化算法应用在梯级水库优化调度中，其特征在于将位置随机初始化进行固定初始化的改进，然后根据群体分工协作的思想和聚类小生境思想将群体动态划分为三个子群，每个子群按照个体的差异进行自适应寻优和参数惯性权值的选择。将拓扑结构从静态变为动态的同时，改变了信息单一交流的方式，增强了粒子的多样性。用标准的测试函数对这一改进的算法进行有效性测试，仿真结果表明改进的算法能够保持粒子的多样性，避免陷入局部最优，同时增强了算法的稳定性，能够很好地解决线性多 局部极值问题。具体包括如下步骤:
[0009]( I)在搜索区域内对粒子进行固定初始化
[0010]规定种群的大小，设置位置和速度的上下限，设定学习因子Cl、C2, c3, C4,算法最大的迭代次数和收敛精度。
[0011](2)对初始化后的粒子进行评价
[0012]根据适应度函数(根据具体情况设定)计算粒子的适应度值，然后将计算出的适应度值按从小到大的顺序进行排列，每个粒子初次计算的适应度值作为个体极值，最小的适应度值记为fmin，最大的记为fmax，同时计算出favg、 avg和f " avg，对整个种群进行动态子群的划分，大于fmin小于f" avg的为劣质群，大于等于f" avg并且小于等于 avg的为普通群，f, avg为普通群中的全局极值，大于f, avg而小于fmax的为优质群，fmax为优质群的全局极值。
[0013](3)对每个子群进行自适应的寻优
[0014]优质群、普通群、劣质群三个子群并行的进行迭代来寻优。
[0015](4)对更新后的个体进行粒子评价
[0016]对更新后的个体进行粒子评价，来更新个体极值和每个子群的全局极值，对子群的划分按步骤2进行。
[0017](5)检验是否符合结束条件
[0018]如果结果小于最小收敛精度或者迭代的次数达到了预先设定的最大次数，则停止迭代，输出最优解，否则转到步骤3。
[0019]为了更好的理解本发明所涉及的技术和方法，在此对本发明涉及的理论进行介绍。
[0020]1、基本粒子群优化算法[0021]随机初始化一个由m个粒子组成的群体，它们在D维空间中以一定的速度飞行，粒子i在迭代到第k次的状态属性设置如下:当前的位置向量:
【权利要求】
1.一种基于自适应粒子群优化算法的梯级水库优化调度方法，其特征在于，在搜索区域按一定的间隔固定初始化粒子群，能使粒子在空间均匀分布，能更好的在空间进行寻优；固定初始化可以使粒子在搜索区域均匀分布，相同的粒子个数初始化后位置是固定的，不像随机初始化位置每次都是改变的，一定程度上增加了算法的稳定性；当粒子个数相对较少时，粒子也均匀占据整个搜索区域，不存在大片的盲区，使算法能够进行全局搜索，避免陷入局部最优，使粒子在一开始就有可能接近最优值，同时提高了搜索的效率。
2.根据权利要求1所述的基于自适应粒子群优化算法的梯级水库优化调度方法，其特征在于，动态分群的自适应粒子群优化算法在梯级水库优化调度的应用，基于群体分工协作的思想，将算法中的种群根据一定的规则划分成几个小子群，它们之间分工协作来完成一个实际的优化问题； 假设将群体分为k个级别，种群总粒子数为m，群体为S= (X1, X2,…，Xm)，其中Xi(I ^ i ^ m)代表其中的一个粒子，具体操作如下: a)初始化后计算每个粒子的适应度值，然后按从大到小的顺序排列，最大的适应度值为fmax，最小的适应度值为fmin，定义两者之差为α，即
a = f max-f min，
7 a b)设办二Y; c)如果fmin+(j-l)Xb (觸(fmin+jXb, I ^ j ^ k，则将个体Xi归入第j级；这里分为k个级别，k可以是固定的，也可以是动态变化的，根据具体情况进行具体分析和运用； 这种方式有效地解决了标准粒子群算法中由于单一信息交流而引起的陷入局部最优的风险，平衡了算法探测和开发的能力，在保证算法多样性的前提下提高了算法的收敛速度和求解精度。
3.根据权利要求1所述的基于自适应粒子群优化算法的梯级水库优化调度方法，其特征在于，动态分群的自适应粒子群优化算法在梯级水库优化调度的应用，基于聚类动态产生小聚类簇和小生境降低个体相似度的思想，产生了动态分群的思想，使变量之间有充分的信息交流，同时降低每个子群之间的相似度，即按其粒子的优劣程度进行子群的划分，符合了群体分工协作中的按能力来分配工作，并对各个子群进行差别性寻优，最终克服标准粒。
4.如权利要求1所述的基于自适应粒子群优化算法的梯级水库优化调度方法根据固定初始化后计算出的粒子适应度值对整个种群进行动态分群，整个群体动态的划分为三个子群，分别为优质群、普通群和劣质群，具体划分的方式如下: 群体(个数为m)固定初始化后，对每个粒子(定义为Xi)根据适应度函数来计算各自的适应度值，然后所有适应度值(定义为A)按从小到大的顺序排列，最小的适应度值为fmin，最大的适应度值为，所有粒子适应值的算术平均为favg，适应度值大于favg而小于等于ffflax的那一部分粒子适应值的算术平均定义为avg，适应度值大于等于fmin而小于等于favg的那一部分粒子适应值的算术平均定义为f " avg ; 将适应度值大于f' avg小于等于fmax的粒子分为一个子群，称为优质群；适应度值大于等于f" avg或者小于等于avg的粒子分为一个群，称为普通群；将适应度值大于等于fmin小于f" avg的粒子分为一个群，称为劣质群；从单个粒子的角度来讲，每次迭代后每个粒子的位置会有所变化，同时适应度值和所有算术平均值也会随着改变，那么根据适应度值大小划分的子群的粒子会变化，同时每次迭代后子群的粒子个数也会动态的变化，所有这一系列的变化都会在每次迭代更新后变化，这一变化都是动态的，即体现了动态分群的思想。
5.根据权利要求1所述的基于自适应粒子群优化算法的梯级水库优化调度方法，其特征在于，动态分群的自适应粒子群优化算法在梯级水库优化调度的应用，每个子群根据收敛程度和群中的适应值清况来进行自适应操作，包括根据不同群进行不同的信息交流模型同时根据不同的群中粒子的情况进行自适应的选择惯性权重； a)优质群 优质群中的粒子在每次迭代后都是表现较好的一部分粒子，而且其中每个粒子都有成为最优粒子的潜力，所以优质群中的每个粒子本身的位置相对来说就比较好，必须加入粒子本身的思考；所以这个子群信息交流的方式就按全局模型的方式，粒子在寻优的过程中，既要追随个体最优极值，同时还要跟随优质群中的全局最优极值，这样能使粒子快速的以一定程度朝着最优位置方向寻优；第k+Ι次迭代的速度和位置更新方程如下:
【文档编号】G06Q50/06GK103942612SQ201410139248
【公开日】2014年7月23日 申请日期:2014年4月8日 优先权日:2014年4月8日
【发明者】高红民, 徐立中, 李臣明, 吴学文, 马贞立, 王逢州 申请人:河海大学