一种基于刚性布谷鸟算法的短期水热调度方法及装置

摘要

本发明公开了一种基于刚性布谷鸟算法的短期水热调度方法及装置，以总投入燃料成本最小为目标，构建水热系统的数学模型；对布谷鸟搜索算法进行改进，获得刚性布谷鸟搜索算法；基于刚性布谷鸟搜索算法，在构建的水热系统上，解决短期热液的关键标准调度问题。本发明提出的RCSA算法改进了求解状态，并通过修改Lévy飞行减少了与CSA算法相关的迭代次数；且相对于最近用于处理StHS问题的所有其他方法而言，本发明实现了更低的总成本，性能更优越。

说明书

技术领域

本发明属于计算机领域，具体为涉及一种基于刚性布谷鸟算法的短期水热调度方法及装置。

背景技术

短期热液的关键标准调度(StHS)问题，是通过考虑功率平衡、总放水量、水库蓄水量限制以及热发电机和水电站运行限制等因素对水热发电机进行调度，以将发电的总燃料成本降到最低。为了解决同样的问题，科研人员使用了许多算法，也有相关的研究；然而，他们在解决方案状态和达到解决方案状态所需要的迭代次数方面具有局限性。CSA包括Pa、λ和α三个参数，以支持该技术获得普遍而区域性的增强解。参数Pa和α在解的微调向量中有着重要作用，可以用来设定算法的收敛速度。传统的布谷鸟搜索算法(CSA)使用在初始化阶段定义的Pa和α的值，并且以后不能替换。另外，传统的CSA算法的另一个缺点是需要迭代次数来获得最优解。如果存在Pa的低值和α的高值，该技术的执行将很弱，并导致迭代次数的显著增加。此外，如果存在Pa的高值和α的低值，收敛速度将会很快，但可能无法得到最优解。因此，我们使用增强的布谷鸟搜索算法(CSA)，称为刚性布谷鸟搜索算法(RCSA)来解决StHS问题。

发明内容

发明目的：本发明提出一种性能更优越的基于刚性布谷鸟算法的短期水热调度方法及装置。

技术方案：本发明所述的一种基于刚性布谷鸟算法的短期水热调度方法，包括以下步骤：

(1)以总投入燃料成本最小为目标，构建水热系统的数学模型；

(2)对布谷鸟搜索算法进行改进，获得刚性布谷鸟搜索算法；

(3)基于刚性布谷鸟搜索算法，在步骤(1)构建的水热系统上，解决短期热液的关键标准调度问题。

进一步地，步骤(1)所述水热系统的数学模型目标函数及约束条件如下：目标函数：

约束条件：

与发电负载平衡有关的约束条件为：

水力发电量为放水的速率函数，为：

P

蓄水库的蓄水量为：

X

热电发电机的运行时间根据其容量被限制如下：

P

水力发电机的运行时间根据其容量被限制如下：

P

与放水速率限制有关的约束条件为：

q

水库初始和最终水量的约束条件为：

X

与水库蓄水限制有关的约束条件：

X

其中，F是生产总成本，P

进一步地，所述步骤(2)实现过程如下：

刚性布谷鸟搜索算法采用可变的Pa和α值：

α(I

将约束优化问题转化成无约束优化问题，如下：

Minf

利用约束函数将式(16)中的约束优化问题转化为式(17)中的无约束优化问题：

基于约束系数，使F*的最大化问题等于MinF*，如式(17)所示：

其中，F是生产总成本，N

进一步地，所述步骤(3)包括以下步骤：

(31)在运行限制的范围内，不规律地选取了影响变量，将宿主巢(N

其中每个巢穴Y

其中，q

(32)设置生产数量；

(33)利用式(17)计算目标函数，在约束方程的作用下，许多约束不规律地得到了限制，提高后的燃料成本：

其中，N

(34)采用Levy飞行，在前一个最优巢中构建了新解的计算：

Y

其中α>0为更新的步长，rand

其中，rand

P

当ψ在0.29到2.01之间时，所得到的新解必须同时满足分配系数ψ和伽马分布函数Φ的所有约束条件；

(35)在宿主鸟巢中检测具有Pa可能性的外来鸟蛋：宿主鸟能够找到一个巢的概率用概率常数Pa表示，其取值范围为[0,1]：

ΔY

其中，k为现代化系数，定义为宿主鸟在巢中找到外来蛋的可能性：

定义ΔY

ΔY

其中，rand

(36)如果达到预先设定的产量阈值，即结束。

基于相同的发明构思，本发明还提供一种基于刚性布谷鸟算法的短期水热调度装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现上述的基于刚性布谷鸟算法的短期水热调度方法。

有益效果：与现有技术相比，本发明的有益效果：本发明提出的RCSA算法改进了求解状态，并通过修改Lévy飞行减少了与CSA算法相关的迭代次数；移动距离被划分为多个可能的步骤，具有无限的多样性；结合水热发电系统，验证了RCSA算法的有效性，观察到的结果显示，相对于最近用于处理StHS问题的所有其他算法而言，RCSA的性能更优越；且RCSA方法实现了更低的总成本。

附图说明

图1为本发明的流程图；

图2为测试系统的水力发电、热力发电和负载需求图；

图3为测试系统1的水电站蓄水池蓄水量图；

图4为本发明和其他五种方法的收敛性对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

为了方便描述，对参数作如下说明，如表1所示：

表1参数说明表

本发明提供一种基于刚性布谷鸟算法的短期水热调度方法，如图1所示，具体包括以下步骤：

步骤1：以总投入燃料成本最小为目标，构建水热系统的数学模型。

在两台发电机(水力和热力)中，由于可获得的水是免费资源，因此水力水力发电机组的燃料投入成本可以忽略不计。但是，它不同于热力发电机；目标是在大量使用水力资源生产能源的同时，最大限度的减少热力发电机组的总投入燃料成本。考虑到上述条件，选择的目标函数如式(1)所示。同样式(2)到(9)给出了求解StSH问题的考虑约束条件。

目标函数：

约束条件：

与发电负载平衡有关的约束条件为：

水力发电量为放水的速率函数，为：

P

蓄水库的蓄水量为：

X

热电发电机的运行时间根据其容量被限制如下：

P

水力发电机的运行时间根据其容量被限制如下：

P

与放水速率限制有关的约束条件为：

q

水库初始和最终水量的约束条件为：

X

与水库蓄水限制有关的约束条件：

X

其中，F是生产总成本，P

步骤2：对布谷鸟搜索算法(CSA)进行改进，获得刚性布谷鸟搜索算法(RCSA)。

布谷鸟搜索算法和Lévy飞行：

CSA是一种独特的基于启发式进化算法群的优化算法，它解决了诸如StSH问题这样的优化问题，具有易于执行和可调参数少的特点。CSA算法规则与几种鸟类和果蝇的强制雏鸟寄生性能和Lévy飞行性能有关。下面是三个基本概念，它们在整个规则探索过程中都很有帮助。

概念1：每只布谷鸟每次只产一只蛋，这涉及到提出的解决方案，会随机在一系列可能的宿主巢中把它的蛋扔在一个它想要扔的巢穴中。

概念2：优质的蛋被扔在最好的巢穴里，这是传递给下一代更好的解决方案。

概念3：宿主巢的可能数量为常数，宿主鸟能够找到一个巢的概率用概率常数Pa表示，其取值范围为[0,1]。因此，它要么抛弃这个蛋，要么离开这个巢，然后在一个完全不同的地方建立一个新的巢。

根据上面列出的步骤顺序原则，布谷鸟自然会以随机或半随机的方式寻找食物。布谷鸟行进路线完全是一种出乎意料的步骤，因为随后的进展是基于当前的位置和前往下一位置的概率。这些意想不到的步骤可以采用数学建模，通过Lévy飞行概念可以解释飞行性能可以说明理想的方面。Lévy飞行是一个随机步骤，每个步骤的长度是根据重尾分布可能性配置分类的。然后，从随机步骤的起始点开始的长度导致了某些步骤的稳定构型。

刚性布谷鸟搜索算法

根据CSA算法的三条规则，求出新的解，即第i只布谷鸟的S

S

其中，α必须大于0(对于所有的步长)，根据兴趣问题的范围。乘积⊕表示元素乘法。本发明考虑的是Lévy飞行，在该飞行中，由于后续的概率分配，步长已经被分配，且其有无限变化，见式(11)：

Lévy u＝t

在此，任何一只布谷鸟所走的步数通常都是以一种随机的方式来表示的，这种方式遵循步长分配的幂律，并带有厚的尾部。值得注意的是，如果布谷鸟的蛋与宿主的蛋很相似，那么布谷鸟的蛋被识别的概率就会很低。因此，适应度必须与方差解有关。因此，RCSA以一种有偏的方法，利用几个未规划的步骤维度来完成整个随机步骤，以获得解。CSA包括宿主鸟能够找到一个巢的概率Pa、λ和大于0的系数α三个参数，以支持该技术获得普遍而区域性的增强解。参数Pa和α在解的微调向量中有着重要作用，可以用来设定算法的收敛速度。传统的CSA算法使用在初始化阶段定义的Pa和α的值，并且以后不能替换。另外，传统的CSA算法的另一个缺点是需要迭代次数来获得最优解。如果存在Pa的低值和α的高值，该技术的执行将很弱，并导致迭代次数的显著增加。此外，如果存在Pa的高值和α的低值，收敛速度将会很快，但可能无法得到最优解。因此，使用RSCA算法来解决StHS问题；图1所示的流程图说明了解决方法。

改良CSA(即RCSA)和CSA之间的主要差异是Pa和α的修改。为了提高CSA技术的成果，同时最大限度的减少现有的Pa和α值的不足，改进的CSA技术采用了可变的Pa和α值。因此，在新的步骤中，Pa和α值必须足够大，并执行该技术来改进解向量。然而，这些值必须在确定的结果中减少，以成功地进行更有规律的解向量微调。Pa和α的值在根本上是被生产数量所取代，如式(12)、(13)和式(14)。

α(I

然而，约束优化问题很难找到新的解。因此，需要将约束优化问题转化成无约束优化问题，如下：

优化问题如式(15)所示：

Minf

所以，在这种情况下，不可能的解决方案必须调整为可能的解决方案，从而防止约束的严重性。为此，利用约束函数将式(16)中的约束优化问题转化为式(17)中的无约束优化问题。

基于约束系数，使F*的最大化问题等于MinF*。如式(17)所示：

步骤3：基于刚性布谷鸟搜索算法，在步骤1构建的水热系统上，解决短期热液的关键标准调度问题。

(1)在运行限制的范围内，不规律地选取了影响变量，如全厂数小时的放水速率和机组全周期的热工产量。利用式(4)估算各水库的库容，利用式(3)计算水电站的发电量。随后，利用式(2)计算热力发电量。将宿主巢(N

其中每个巢穴Y

其中，q

(2)设置生产数量。

(3)利用式(17)计算目标函数，在约束方程的作用下，许多约束不规律地得到了限制。提高后的燃料成本按照式(19)计算。

(4)现在的解决方案是使用Levy飞行。利用Levy飞行，在前一个最优巢中构建了新解的计算。对于这种技术，通过Yang XS和Deb的贡献计算出Levy飞行的最优方式[18]。新的解如式(20)所示。

Y

其中α>0为更新的步长，rand

其中rand

P

当ψ在0.29到2.01之间时，所得到的新解必须同时满足分配系数ψ和伽马分布函数Φ的所有约束条件。

(5)利用Pa的可能性，在宿主鸟巢中发现外来鸟蛋的效果，为这个问题提供了一种与Levy飞行相当的新解决方案。新解的计算方法如式(25)、(26)和(27)：

ΔY

其中k为现代化系数，定义为宿主鸟在巢中找到外来蛋的可能性：

定义ΔY

ΔY

其中rand

(6)如果达到预先设定的最大产量阈值，该技术就结束了。

基于相同的发明构思，本发明还提供一种基于刚性布谷鸟算法的短期水热调度装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现上述的基于刚性布谷鸟算法的短期水热调度方法。

考虑一种水热发电机组测试系统，它涉及到一个复杂的四个水电厂和一些被认为是一个单一的等效热电厂的热机组。为了了解本发明在更广泛的水热发电系统中的可行性，该技术已被应用于包含三个热电厂和四个水力发电厂的第二个测试系统。考虑到24小时的调度周期，每个间隔为一小时时间。仿真采用MATLAB9.8进行，所有计算机的核心处理器为有着2.00GHz和8.00GB RAM的i7-8Gen。

在本发明中，只有5个参数可以协调，包括来自可信CSA的三个主要项目和一些其他调整。首先，考虑了影响最近勘探和开发产生的每一个解决方案的三个主要项目所涉及的几个参数。这些方面是巢穴的数量N

在Pa从0.1到0.9的限制范围内，所提出的RCSA算法已经执行了10次以上的置信次数，具体版本的RCSA已经达到了100次以上的置信次数。相比之下，巢穴数量和最大迭代次数之前分别被分组到特定值10和300。结果包含最小总成本、平均总成本、最高总成本、平均计算时间和RCSA收集的标准差，分别如表2和表3所示。

表2不同Pa值下提出的RCSA的简要结果

表3利用所提出的RCSA技术所得到的最优解

基于表2和表3的解，CSA得到Pa从0.1到0.9的最优解，RCSA得到Pa精确等于0.7的最优解。此外，RCSA可以得到较小的最大总成本、较小的平均总成本和较小的标准差。

涉及放水和生产热力发电的解决方案的具体最佳点见表4。结果表明，所提出的RCSA技术能有效地解决水电梯级电站的物性问题。图2显示了与测试系统一的最佳解决方案相关的调度范围内的每一时间间隔的负载需求以及热电厂和水电厂的功率。同样，图3显示了整个水电站的水库蓄水量以及所建议技术的成本收敛特性。

表4测试系统1通过RCSA得到de最优解

将本发明提出的RCSA技术获得的结果与其他几种技术进行比较(见表5)。为了保持这个比较的正确性，只考虑测试系统1的研究。RCSA获得的总成本与ORSCA-Lévy飞行和ORCSA-Cauchy产生的成本相对相等，低于任何其它技术产生的成本。尽管如此，比较结果证明了所提出的RCSA技术比其他方法更快、更准确地解决了某些问题。

因此，该方法在求解具有储层体积约束的物性问题时是非常有效的。最小/最大成本以美元计算，代表最佳/最差的燃料成本。最佳/最差值是根据燃料成本的最小值(最佳值)，从较重要值到最小值进行排序。此外，表5表示了该建议版本的RCSA的成本收敛性质。结果表明，相对于其他算法，RCSA算法是一种更适合的最优解。

表5在测试系统1中，与其它方法的结果比较

表6给出了本文提出的RCSA技术与测试系统2中其他技术的比较结果。基于结果，可以理解，使用RCSA可以观察到成本的降低。完整的结果包括每小时水释放、热力发电和水力发电，是通过降低总燃料成本效益的同时满足StHS问题所有类型限制条件来获得最佳解决方案的完整结果。

除了表5和表6中对测试系统1和2的比较外，还与最近的文献进行了比较讨论。首先，用一个独特的图形来描绘它们是很有挑战性的，因为有许多不同的X-Y轴点的输出成本。因此，我们提供了最适合的算法，并与提出的算法进行了比较。H.M Dubey等人采用了传统的CSA。结果表明，该算法的成本收敛特征为2.5×10

最后，图4描述了与我们提出的算法范围相同的一些贡献的代价收敛特征。然后T.TNguyen在CSA上运用了同样的排序[11]；以及基于CSA的自适应选择算法[29]。

表6在测试系统2中，采用RCSA技术和其它技术的比较结果

在本发明中，采用RCSA技术来解决各种复杂约束条件下的StHS问题。同样的测试已经在4个梯级水电站和1个热电站进行，计划运行24小时，子间隔1小时。实验结果表明，与传统的CSA方法相比，所提出的RCSA方法能够有效地解决StHS问题。对级联水热系统的模拟结果表明，相对于近年来的其他优化技术，RCSA技术获得了令人满意的最优解。