基于改进NSGA-II梯级水库群多目标协同调度方法
本发明涉及水库群多目标调度,尤其涉及基于改进nsga-ii梯级水库群多目标协同调度方法。
背景技术:
1、水库群多目标调度技术是保障区域供水、防洪、发电、航运和生态等目标的重要手段。随着计算机技术的发展,水库调度的目标体系日益复杂,传统调度多以单一效益为优化导向,提升发电等核心效益,极易损害航运、生态等其他目标,难以平衡多目标之间的竞争。这种效益间的"此消彼长"关系,使得水库群调度存在多个非劣解,如何在均衡考虑各兴利目标间相互关系的前提下,充分发挥水库群的联合调蓄补偿作用,在满足基本防洪安全与生态约束的基础上,寻找供水、发电、航运等多目标之间的协同调度方案,已成为水库调度领域必须面对的核心科学问题。
2、nsga-ii算法是多目标优化求解的主流工具之一,广泛适用于水库群协同调度优化场景。算法默认以随机方式初始化种群,当优化问题处于高维决策空间时,该初始化模式易造成种群分布紊乱,出现局部个体堆积、大量可行空间未被覆盖的问题。初始种群分布质量,会影响算法迭代初期的搜索基准以及其全局勘探能力,进而影响整体寻优效果。模拟二进制交叉算子以局部精细搜索为核心优势,搜索步长紧凑,针对连续凸型的可行域,可缓慢稳健地迭代生成完整的pareto最优解集最优前沿。水库群优化调度属于高维、强约束的复杂系统工程问题,其可行域多呈现狭窄、非凸、局部间断的不规则形态,容易引发算法早熟收敛,使解集局限于局部可行区域,造成最优前沿覆盖范围不足,难以寻找水库群多目标的pareto最优解集前沿。
3、因此,本发明提出了一种基于改进nsga-ii算法的梯级水库群多目标联合优化调度方法,通过引入sobol序列—随机混合初始化,动态参数差分进化交叉算子以及外部存档引导机制,构建了大覆盖度、强搜索能力的多目标解集求解方法体系。
技术实现思路
1、为了解决相关技术中的问题,本技术提供了基于改进nsga-ii梯级水库群多目标协同调度方法,解决了背景技术提到的问题。
2、为实现上述目的,本发明提供如下技术方案:基于改进nsga-ii梯级水库群多目标协同调度方法,包括如下步骤:
3、步骤s1:以梯级水库群调度期内所有时段的水位为决策变量,建立以发电量最大化、河道流量偏差函数最小化、末级水库最小下泄流量最大化的目标函数,并设置水库群优化调度模型约束条件;
4、步骤s2:在nsga-ii算法中引入sobol序列和随机采样混合初始化策略、外部存档引导机制和动态参数差分进化算子构成改进nsga-ii算法,通过改进nsga-ii算法在多重约束条件下,基于目标函数,对水库群优化调度模型进行寻优求解,输出梯级水库群多目标联合优化调度的pareto最优解集。
5、进一步,步骤s2的具体过程为:
6、步骤s21:采用sobol序列和随机采样混合初始化策略进行初始化,得到种群规模为的初始种群;
7、步骤s22:引入外部存档引导机制,创建规模为2的外部存档;
8、步骤s23:基于约束条件和目标函数计算初始种群中目标函数值和约束违反度,基于目标函数值和约束违反度进行快速非支配排序,将初始种群划分为若干非支配层级rank,基于目标函数值,再对非支配层级rank进行拥挤距离计算并排序,得到排序后的决策变量序列,将完成排序操作后的初始种群作为当前种群;
9、步骤s24:将当前种群作为父代种群,与外部存档合并,构成扩大的交配池,基于所述排序后的决策变量序列,从扩大的交配池中执行锦标赛选择策略,将选择出的决策变量序列作为父代决策变量序列;
10、步骤s25:引入动态参数差分进化算子对父代决策变量序列进行交叉操作,当外部存档非空,差分进化算子中的基向量之一以50%概率从外部存档中选取,得到新决策变量序列,再进行多项式变异生成子代种群;
11、步骤s26:将父代种群与子代种群合并组成合并种群,对合并种群执行快速非支配排序和拥挤距离排序,从合并种群中选取保留前个新决策变量序列,组成新一代种群;
12、步骤s27:更新外部存档,并对更新后的外部存档执行规模控制;
13、步骤s28:规模控制后,重复步骤s24-步骤s27,直到改进nsga-ii算法的迭代次数达到预设的最大迭代次数,停止迭代;将新一代种群中约束违反度cv=0且非支配层级rank=1的新决策变量序列输出,作为梯级水库群多目标联合优化调度的pareto最优解集。
14、进一步,步骤s1的具体过程为:
15、梯级水库群调度期内所有时段的水位为决策变量,以决策变量为基础,根据水电站的出力系数以及每个时段的净水头、水电站下泄流量计算得到水电站每个时段的发电量,各梯级水库群每个时段的发电量相加,以梯级水库群总发电量最大化为目标得到的第一个目标函数;
16、以梯级水库群中全年河道流量偏差函数aapfd最小化为目标得到的第二个目标函数;
17、以梯级水库群中末级水库最小下泄流量最大化为目标得到的第三个目标函数;
18、水库群优化调度模型约束条件包括水量平衡方程、下泄流量约束、电站出力约束、水位约束、水库起调水位约束、上下游水库水量平衡约束以及非负约束。
19、进一步,步骤s21的具体过程为:
20、按照浮点矢量进行编码的方式,随机生成一个维度为d的决策变量序列作为个体,并设定初始种群规模为,决策变量序列为梯级水库群所有时段的水位集合,初始种群中第i个决策变量序列,表示为:
21、;
22、式中,为初始种群中第i个决策变量序列;为第i个决策变量序列中的第1维水位值;为第i个决策变量序列中的第维水位值;为第i个决策变量序列中的第维水位值;为第i个决策变量序列中的第d维水位值;为决策变量序列的维度;
23、其中,;在内进行初始化,表示为:
24、;
25、式中,为决策变量序列中水位变量的下限值;为决策变量序列中水位变量的上限值;为初始化阶段生成的区间[0,1]上的随机数;
26、采用sobol序列生成随机数,将sobol序列生成随机数代入中循环计算并组装得到第一完整决策变量序列,从而生成80%的决策变量序列;
27、随机采样混合初始化策略生成随机数,将随机采样混合初始化策略生成随机数代入中循环计算并组装得到第二完整决策变量序列,从而生成20%的决策变量序列;
28、将80%的决策变量序列和20%的决策变量序列统一进行随机排列,得到大小种群规模为的初始种群。
29、进一步,步骤s23的具体过程为:
30、基于约束条件和目标函数计算初始种群中目标函数值和约束违反度,具体过程为:
31、将决策变量序列中的水位值,结合水库起调水位约束,代入水量平衡方程及上下游水库水量平衡约束中按上游至下游顺序逐库进行推演计算,得到各水库在各个时段的平均发电水头、平均发电流量和平均出库流量;将所得的平均发电水头、平均发电流量和平均出库流量作为中间参数,代入所述第一个目标函数、第二个目标函数和第三个目标函数中,计算得到决策变量序列对应的各项目标函数值;
32、基于下泄流量约束、电站出力约束、水位约束计算约束违反度;
33、基于目标函数值和约束违反度进行快速非支配排序,将初始种群划分为若干非支配层级rank的具体过程为:
34、采用约束违反度对决策变量序列进行可行性判断,当约束违反度cv等于0为可行决策变量序列;当约束违反度cv大于0为不可行决策变量序列;
35、可行决策变量序列优于不可行决策变量序列,当均为不可行决策变量序列,则不可行决策变量序列的约束违反度小者优先;当均为可行决策变量序列,则基于目标函数值按帕累托pareto支配关系判定,从而明确各个决策变量序列之间的相对优劣顺序;根据优劣顺序,将划分为若干非支配层级rank;
36、基于目标函数值,再对非支配层级rank进行拥挤距离计算并排序,得到排序后的决策变量序列的具体过程为:
37、针对每个目标函数,将非支配层级rank内的所有决策变量序列按目标函数值从小到大排序,并记录当前目标函数中的目标函数值最大值与目标函数值最小值之差;对于非支配层级rank内最大值与最小值之间的决策变量序列,分别计算非支配层级rank内相邻最大值与最小值两个决策变量序列在目标函数值上的差值,并以当前目标函数中的目标函数值最大值与目标函数值最小值之差对所述差值进行归一化,得到当前目标函数上的拥挤距离分量;将每个决策变量序列在全部目标函数上计算得到的拥挤距离分量累加,得到决策变量序列的拥挤距离,按决策变量序列的拥挤距离从大到小排序,得到排序后的决策变量序列。
38、进一步,步骤s24的具体过程为:
39、将父代种群和外部存档合并,构成扩大的交配池,从扩大的交配池中抽取决策变量序列进行两两比较,执行锦标赛选择策略:基于所述排序后的决策变量序列,抽取时优先保留可行决策变量序列;当均为不可行决策变量序列,则保留不可行决策变量序列的约束违反度小者;当均为可行决策变量序列,则优先保留非支配层级rank较小者;当可行决策变量序列的非支配层级rank相同,则保留可行决策变量序列中拥挤距离更大者;经过所述锦标赛选择策略筛选保留下来的决策变量序列,作为父代决策变量序列。
40、进一步,步骤s25的具体过程为:
41、采用动态参数差分进化算子对父代决策变量序列通过差分变异生成变异向量,再将变异向量与父代决策变量序列中选取的目标决策变量序列进行离散重组,生成新决策变量序列,表示为:
42、;
43、;
44、式中,为第个变异向量;、和分别为第一基向量、第二基向量和第三基向量,当外部存档非空,基向量以50%概率从外部存档中选取;为差分进化算子的缩放因子;为第个新决策变量序列中的第维水位值;为中第维水位值;为交叉操作中的条件分支关键字,表示满足条件时执行替换;为每次交叉操作中区间[0,1]上生成的随机数;为差分进化算子的交叉概率;为交叉操作中的逻辑或运算符;为交叉操作中强制替换所对应的随机维度索引;为第个目标决策变量序列中的第维水位值;为交叉操作中的否则条件关键字,表示不满足条件时保持原值;
45、对新决策变量序列中每一个维度的水位值,以概率pm确定是否对水位值执行变异操作,当执行变异操作时,按以下公式进行处理生成,表示为:
46、;
47、式中,为变异操作后第个新决策变量序列水位值;为根据多项式分布生成的、针对个新决策变量序列扰动因子;为经交叉操作生成的第个新决策变量序列中的当前决策变量水位值;
48、将新决策变量序列中各维度计算得到的依次拼装,得到子代种群。
49、进一步,步骤s26的具体过程为:
50、计算子代种群中各新决策变量序列的目标函数值和约束违反度,将父代种群和子代种群合并,组成规模为2的合并种群;基于目标函数值和约束违反度,对合并种群执行快速非支配排序和拥挤距离排序,按排序后的非支配层级rank从低到高的顺序逐层选取新决策变量序列,直至累计选取总数达到,将累计选取的个新决策变量序列组成成新一代种群。
51、进一步,步骤s27的具体过程为:
52、从新一代种群中筛选出约束违反度cv=0且非支配层级rank=1的可行非支配新决策变量序列并入外部存档,得到更新后的外部存档;判断所述更新后的外部存档的规模是否大于2,当是,对所述更新后的外部存档中的全部决策变量序列重新进行拥挤距离排序,保留前2个决策变量序列,剔除2之后的决策变量序列,以维持所述更新后的外部存档的规模不超过2。
53、一种电子设备,包括处理器、存储器和总线,所述处理器和所述存储器通过所述总线相连,其中,所述存储器用于存储一组程序代码,所述处理器用于调用所述存储器中存储的程序代码,执行基于改进nsga-ii梯级水库群多目标协同调度方法。
54、与现有的技术相比,本发明具备以下有益效果:
55、(1)本发明通过混合初始化策略初始化种群,种群规模的80%由sobol序列处理生成,剩余的20%在搜索空间中随机生成,有效避免纯随机采样造成决策变量序列局部聚集问题,拓宽算法初始搜索范围。
56、(2)本发明通过引入外部存档引导机制使历代已验证的可行非支配方案有机会持续参与繁殖,引导决策变量序列向高质量前沿区域搜索。
57、(3)本发明通过引入动态参数差分进化算子,协同外部存档引导机制,使历代优质非支配方案持续参与种群繁殖,提升pareto解集综合质量。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com