本發(fā)明涉及多目標調(diào)度領(lǐng)域，更具體地說，涉及一種基于動態(tài)模糊混沌粒子群的多目標調(diào)度方法及裝置。
背景技術(shù)：
：粒子群優(yōu)化算法是一種進化計算技術(shù)，1995年由eberhart博士和kennedy博士提出，源于對鳥群捕食的行為研究。該算法最初是受到飛鳥集群活動的規(guī)律性啟發(fā)，進而利用群體智能建立的一個簡化模型。粒子群算法在對動物集群活動行為觀察基礎(chǔ)上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解。近年來，一些學(xué)者將pso算法在標準粒子群算法的基礎(chǔ)上，進行了很多改進，推廣到約束優(yōu)化問題，引入擁擠網(wǎng)格和外部存檔提升算法全局尋優(yōu)能力，從而提高結(jié)果精度。如文化粒子群多目標優(yōu)化算法中群體空間采用多目標粒子群算法更新。同時新的形勢知識、規(guī)范化知識和歷史知識定義使信念空間更適用于多目標優(yōu)化，如自適應(yīng)慣性權(quán)重的混沌粒子群算法，利用立方映射的混沌序列對粒子位置初始化，同時在尋優(yōu)過程中自適應(yīng)慣性權(quán)重，提高收斂速度。隨著多維度、多目標、多約束條件的復(fù)雜非線性優(yōu)化問題的產(chǎn)生，現(xiàn)有技術(shù)中的調(diào)度方法無法保證結(jié)果的穩(wěn)定性和資源調(diào)度效率。因此，如何保證結(jié)果的穩(wěn)定性的前提下提高多目標粒子群的調(diào)度效率是本領(lǐng)域技術(shù)人員需要解決的問題。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種基于動態(tài)混沌模糊混沌粒子群的多目標調(diào)度方法及裝置，以提高多目標粒子群的調(diào)度效率，并保證結(jié)果的穩(wěn)定性。為實現(xiàn)上述目的，本發(fā)明實施例提供了如下技術(shù)方案：一種基于動態(tài)模糊混沌粒子群的多目標調(diào)度方法，包括：s101：初始化粒子群算法各參數(shù)，在滿足各約束條件下產(chǎn)生初始種群；s102：對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度；s103：判斷迭代次數(shù)是否達到終止迭代次數(shù)，若是，則結(jié)束流程，若否，則進入s104；s104：判斷迭代次數(shù)是否超過設(shè)定迭代次數(shù)，若否，則通過加權(quán)系數(shù)法確定目標函數(shù)，并記錄所述目標函數(shù)的數(shù)值；若是，則根據(jù)所述目標函數(shù)的數(shù)值確定模糊隸屬度函數(shù)參數(shù)，以所述模糊隸屬度函數(shù)確定的滿意度作為所述目標函數(shù)；s105：根據(jù)所述目標函數(shù)篩選出pbest和gbest的值，并根據(jù)所述pbest和gbest的值更新粒子位置；s106：對s103至s105的迭代過程進行混沌處理，并重新進入s103。其中，對所述初始種群進行混沌處理包括：以logistics映射與chebyshev映射相結(jié)合的組合混沌序列對所述初始種群進行混沌處理。其中，以所述模糊隸屬度函數(shù)確定的滿意度作為所述目標函數(shù)，包括：以所述目標函數(shù)的數(shù)值作為最大或最小值，通過所述模糊隸屬度函數(shù)將所述目標函數(shù)轉(zhuǎn)換為對應(yīng)的滿意度；確定所述滿意度中的最大值為所述目標函數(shù)。其中，所述s106包括：以logistics映射對迭代過程進行混沌處理。其中，所述s104之前還包括：更新慣性權(quán)重；其中，前期所述迭代過程的慣性權(quán)重大于后期所述迭代過程的慣性權(quán)重。為實現(xiàn)上述目的，本發(fā)明實施例還提供了一種基于動態(tài)模糊混沌粒子群的多目標調(diào)度裝置，包括：初始化模塊，用于初始化粒子群算法各參數(shù)，在滿足各約束條件下產(chǎn)生初始種群；計算模塊，用于對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度；判斷模塊，用于判斷迭代次數(shù)是否達到終止迭代次數(shù)，若是，則結(jié)束流程，若否，則判斷迭代次數(shù)是否超過設(shè)定迭代次數(shù)；第一確定模塊，用于在迭代次數(shù)未超過設(shè)定迭代次數(shù)時，通過加權(quán)系數(shù)法確定目標函數(shù)，并記錄所述目標函數(shù)的數(shù)值；第二確定模塊，用于在迭代次數(shù)超過設(shè)定迭代次數(shù)時，根據(jù)所述目標函數(shù)的數(shù)值確定模糊隸屬度函數(shù)參數(shù)，以所述模糊隸屬度函數(shù)確定的滿意度作為所述目標函數(shù)；篩選模塊，用于根據(jù)所述目標函數(shù)篩選出pbest和gbest的值，并根據(jù)所述pbest和gbest的值更新粒子位置；處理模塊，用于對s103至s105的迭代過程進行混沌處理，并重新進入s103。其中，所述計算模塊具體為以logistics映射與chebyshev映射相結(jié)合的組合混沌序列對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度的模塊。其中，所述第二確定模塊包括：轉(zhuǎn)換單元，用于在迭代次數(shù)超過設(shè)定迭代次數(shù)時，以所述目標函數(shù)的數(shù)值作為最大或最小值，通過所述模糊隸屬度函數(shù)將所述目標函數(shù)轉(zhuǎn)換為對應(yīng)的滿意度；確定單元，用于確定所述滿意度中的最大值為所述目標函數(shù)。其中，所述處理模塊具體為以logistics映射對迭代過程進行混沌處理的模塊。其中，所述判斷模塊還包括：更新權(quán)重單元，用于在迭代次數(shù)未達到終止迭代次數(shù)時，更新慣性權(quán)重；其中，前期所述迭代過程的慣性權(quán)重大于后期所述迭代過程的慣性權(quán)重。通過以上方案可知，本發(fā)明實施例提供的基于動態(tài)混沌模糊混沌粒子群的多目標調(diào)度方法，包括初始化粒子群算法各參數(shù)，在滿足各約束條件下產(chǎn)生初始種群；對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度；在迭代次數(shù)未達到終止迭代次數(shù)時，確定目標函數(shù)，并根據(jù)所述目標函數(shù)篩選出pbest和gbest的值后更新粒子位置；對上述過程進行混沌處理后重新確定目標函數(shù)直至達到最終迭代次數(shù)。本發(fā)明實施例提供的多目標調(diào)度方法在超過預(yù)先設(shè)定的迭代次數(shù)時，通過加權(quán)系數(shù)法確定所述最終目標函數(shù)，超過預(yù)先設(shè)定迭代次數(shù)時，以各目標函數(shù)值作為最大或最小值通過模糊隸屬度函數(shù)對各目標函數(shù)進行滿意度換算確定所述最終目標函數(shù)。由此可知，本發(fā)明實施例提供的多目標調(diào)度方法通過隸屬度函數(shù)，把各目標函數(shù)轉(zhuǎn)化為滿意度，通過最大最小理論得出非劣解集，避免人為主觀設(shè)置加權(quán)系數(shù)，得到結(jié)果的數(shù)值穩(wěn)定性好，提高了多目標粒子群的調(diào)度效率，實現(xiàn)了資源的有效配置。本發(fā)明實施例還提供了一種基于動態(tài)混沌模糊混沌粒子群的多目標調(diào)度裝置，同樣能達到上述技術(shù)效果。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實施例公開的一種多目標調(diào)度方法的流程圖；圖2為本發(fā)明實施例公開的另一種多目標調(diào)度方法的流程圖；圖3為本發(fā)明實施例公開的一種多目標調(diào)度方法具體應(yīng)用的流程圖；圖4為本發(fā)明實施例公開的一種多目標調(diào)度方法具體應(yīng)用的負荷曲線圖；圖5為本發(fā)明實施例公開的一種多目標調(diào)度方法具體應(yīng)用的風(fēng)光功率曲線圖；圖6為本發(fā)明實施例公開的一種多目標調(diào)度方法具體應(yīng)用的三種算法尋優(yōu)對比圖；圖7為本發(fā)明實施例公開的一種多目標調(diào)度方法具體應(yīng)用的并網(wǎng)、蓄電池、電動汽車最優(yōu)功率方案圖；圖8為本發(fā)明實施例公開的一種多目標調(diào)度裝置的結(jié)構(gòu)圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。本發(fā)明實施例公開了一種基于動態(tài)混沌模糊混沌粒子群的多目標調(diào)度方法及裝置，以提高多目標粒子群的調(diào)度效率，并保證結(jié)果的穩(wěn)定性。。參見圖1，本發(fā)明實施例提供的一種多目標調(diào)度方法的流程圖。如圖1所示，包括：s101：初始化粒子群算法各參數(shù)，在滿足各約束條件下產(chǎn)生初始種群；s102：對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度；由于典型的logistic混沌系統(tǒng)對初值的依賴性比較強，可采用logistic映射與chebyshev映射相結(jié)合的組合混沌序列引入到fcpso算法的初始化過程中，以改善粒子分布的隨機性和均勻性。組合混沌序列的數(shù)學(xué)描述為：s103：判斷迭代次數(shù)是否達到終止迭代次數(shù)，若是，則結(jié)束流程，若否，則進入s104；s104：判斷迭代次數(shù)是否超過設(shè)定迭代次數(shù)，若否，則通過加權(quán)系數(shù)法確定目標函數(shù)，并記錄所述目標函數(shù)的數(shù)值；若是，則根據(jù)所述目標函數(shù)的數(shù)值確定模糊隸屬度函數(shù)參數(shù)，以所述模糊隸屬度函數(shù)確定的滿意度作為所述目標函數(shù)；在具體實施中，首先判斷迭代次數(shù)是否超過設(shè)定迭代次數(shù)。可以理解的是，第一次迭代時，迭代次數(shù)必然沒有超過設(shè)定迭代次數(shù)，此時，通過加權(quán)系數(shù)法確定目標函數(shù)，并且需要記錄該目標函數(shù)的數(shù)值以便迭代次數(shù)超過設(shè)定迭代次數(shù)時作為模糊隸屬度函數(shù)的參數(shù)；當(dāng)?shù)螖?shù)超過設(shè)定迭代次數(shù)時，以之前記錄的各目標函數(shù)的數(shù)值為最大最小值，用模糊隸屬度函數(shù)對原目標函數(shù)進行滿意度換算，以換算后的滿意度的最大值作為目標函數(shù)。由于算法尋優(yōu)以適應(yīng)度最小為目標，而系統(tǒng)的運行維護成本及環(huán)境成本也希望越低越好，因此可采用下述公式的升半型梯形隸屬度函數(shù)把各目標函數(shù)轉(zhuǎn)化為隸屬度λ1、λ2，按照最大最小原則，取max{λ1,λ2}作為目標函數(shù)，得出pareto非劣解，可以證明pareto非劣解為可行解集。當(dāng)max{λ1,λ2}達到足夠低的數(shù)值時，那么pareto非劣解也趨于最優(yōu)。升半梯形隸屬度函數(shù)：式中：λ為隸屬度；x為待轉(zhuǎn)化的函數(shù)，本文取目標函數(shù)f1、f2；xmax、xmin為待轉(zhuǎn)化函數(shù)的最大值、最小值，本文取目標函數(shù)f1、f2的最大值、最小值。由于隸屬度函數(shù)轉(zhuǎn)化需要已知待轉(zhuǎn)化函數(shù)的最大最小值，因此迭代前期，以加權(quán)系數(shù)法確定目標函數(shù)，借此過程記錄待轉(zhuǎn)化函數(shù)的最大最小值。目標函數(shù)在算法尋優(yōu)過程中動態(tài)地變換。在迭代前期，目標函數(shù)以加權(quán)系數(shù)法確定，在迭代中后期，目標函數(shù)為轉(zhuǎn)化后的隸屬度函數(shù)最大值，即max{λ1,λ2}。動態(tài)模糊目目標函數(shù)f有利于避免算法陷入局部最優(yōu)，達到更好的優(yōu)化效果。動態(tài)模糊目標函數(shù)f：式中：f1、f2為權(quán)系數(shù)、z為變換系數(shù)，決定迭代過程中，轉(zhuǎn)換目標函數(shù)的臨界點，其中z取[0,1]之間。s105：根據(jù)所述目標函數(shù)篩選出pbest和gbest的值，并根據(jù)所述pbest和gbest的值更新粒子位置；s106：對s103至s105的迭代過程進行混沌處理，并重新進入s103。為了增加算法迭代過程種群多樣性，本文在粒子迭代過程中引入logistic映射增加算法的遍歷性，從而避免算法陷于局部最優(yōu)。典型的logistic映射方程：xn+1＝f(μ,xn)＝μxn(1-xn)上述式中：x0、y0為粒子的初始值，n、μ為控制參數(shù)，設(shè)置μ＝4，n＝4，此時系統(tǒng)處于完全混沌狀態(tài)。在上述實施例的基礎(chǔ)上，作為優(yōu)選實施方式，在判斷迭代次數(shù)未達到終止迭代次數(shù)后，還包括：更新慣性權(quán)重；其中，前期所述迭代過程的慣性權(quán)重大于后期所述迭代過程的慣性權(quán)重?？梢岳斫獾氖?，慣性權(quán)重是粒子位置更新中代表歷史數(shù)據(jù)的信息比重，較大的慣性權(quán)重可以增加粒子在全局的搜索能力，較小的慣性權(quán)重則有利于局部的尋優(yōu)。權(quán)重系數(shù)公式如下：其中ω為慣性權(quán)重；ωmin為慣性權(quán)重最小值，取0.4；ωmax為慣性權(quán)重最大值，取0.9；iter為當(dāng)前迭代次數(shù)；maxiter為最大迭代次數(shù)。本發(fā)明實施例提供的多目標調(diào)度方法在超過預(yù)先設(shè)定的迭代次數(shù)時，通過加權(quán)系數(shù)法確定所述最終目標函數(shù)，超過預(yù)先設(shè)定迭代次數(shù)時，以各目標函數(shù)值作為最大或最小值通過模糊隸屬度函數(shù)對各目標函數(shù)進行滿意度換算確定所述最終目標函數(shù)。由此可知，本發(fā)明實施例提供的多目標調(diào)度方法通過隸屬度函數(shù)，把各目標函數(shù)轉(zhuǎn)化為滿意度，通過最大最小理論得出非劣解集，避免人為主觀設(shè)置加權(quán)系數(shù)，得到結(jié)果的數(shù)值穩(wěn)定性好，提高了多目標粒子群的調(diào)度效率，實現(xiàn)了資源的有效配置。本發(fā)明實施例還提供了一種基于動態(tài)混沌模糊混沌粒子群的多目標調(diào)度裝置，同樣能達到上述技術(shù)效果。本發(fā)明實施例公開了一種具體的多目標調(diào)度方法，相對于上一實施例，本實施例對技術(shù)方案作了進一步的說明和優(yōu)化。具體的：參見圖2，本發(fā)明實施例提供的另一種多目標調(diào)度方法的流程圖。如圖2所示，包括：s201：初始化粒子群算法各參數(shù)，在滿足各約束條件下產(chǎn)生初始種群；s202：以logistics映射與chebyshev映射相結(jié)合的組合混沌序列對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度；s203：判斷迭代次數(shù)是否達到終止迭代次數(shù)，若是，則結(jié)束流程，若否，則，進入s204；s204：更新慣性權(quán)重，判斷迭代次數(shù)是否超過設(shè)定迭代次數(shù)，若否，則通過加權(quán)系數(shù)法確定目標函數(shù)，并記錄所述目標函數(shù)的數(shù)值，進入s205；若是，則進入s241；s241：以所述目標函數(shù)的數(shù)值作為最大或最小值，通過所述模糊隸屬度函數(shù)將所述目標函數(shù)轉(zhuǎn)換為對應(yīng)的滿意度；s242：確定所述滿意度中的最大值為所述目標函數(shù)，進入s205；s205：根據(jù)所述目標函數(shù)篩選出pbest和gbest的值，并根據(jù)所述pbest和gbest的值更新粒子位置；s206：以logistics映射對s203至s205的迭代過程進行混沌處理，并重新進入s203。本發(fā)明實施例提供的多目標調(diào)度方法利用可變慣性權(quán)重，前期加大慣性權(quán)重利于全局尋優(yōu)，后期減少慣性權(quán)重利于局部尋優(yōu)，有效避免尋優(yōu)進入局部最優(yōu)；利用混沌理論，在粒子群初始化與更新過程中分別引入不同映射，增加來算法遍歷性，增加粒子種群多樣性，使算法運算效率極大提高，避免早熟，最終結(jié)果也更優(yōu)。本發(fā)明實施例公開的多目標調(diào)度方法可具體應(yīng)用于含電動汽車的微電網(wǎng)模型中。具體的：參見圖3，本發(fā)明實施例提供的一種多目標調(diào)度方法具體應(yīng)用的流程圖。如圖3所示，包括：s301：確定微電網(wǎng)中風(fēng)力發(fā)電機、光伏電池、微型燃氣輪機、燃料電池、蓄電池、電動汽車的調(diào)度模型；(1)風(fēng)力發(fā)電機調(diào)度模型風(fēng)電功率計算公式如下：式中：pr是風(fēng)力發(fā)電機的額定功率；vci、vco是切入、切出風(fēng)速；vr、v是額定風(fēng)速和實際風(fēng)速。(2)光伏電池調(diào)度模型光伏陣列的輸出功率可用下式計算：式中：ppv為光伏陣列在光照強度g(t)時的輸出功率；gstc、tstc、pstc為標準測試環(huán)境1000(w/m2)、25℃下的光照強度、光伏陣列溫度和最大輸出功率；k為溫度系數(shù)；t(t)為t時刻光伏陣列的表面溫度。(3)微型燃氣輪機調(diào)度模型微型燃氣輪機運行時的耗量特性：式中：pmt為微型燃氣輪機實時的功率(kw)；δt為微型燃氣輪機運行時間ηe為微型燃氣輪機發(fā)電效率；hg為天然氣低位熱值(kwh/m3)；vf為運行時間內(nèi)微型燃氣輪機消耗的天然氣量(m3)。(4)燃料電池調(diào)度模型燃料電池的耗能特性：式中：n為入口燃料摩爾流量(kmol/h)；hfc為燃料的低熱值(j/mol)；ηfc是sofc系統(tǒng)發(fā)電效率；pfc為sofc發(fā)電量(kw)。(5)蓄電池調(diào)度模型充電時：放電時：式中：cn為蓄電池標稱容量；ηch、ηdis為充放電效率；soc為實時荷電狀態(tài)，即蓄電池的實際容量與蓄電池的標稱容量之比；soc0為蓄電池的初始荷電狀態(tài)。(6)純電動汽車(bev)充放電模型bev充電模型日行駛里程的對數(shù)正態(tài)分布函數(shù)：式中：μ＝3.2，σ＝0.88；l為日行駛里程，0＜l≤200。無序模式下充電時刻服從正態(tài)分布，其概率密度函數(shù)：式中：μ＝17.6，σ＝3.4；t0為充電開始時刻。bev放電模型根據(jù)路程、速度及時間之間的關(guān)系，可得持續(xù)放電時長為：式中：tcdis為持續(xù)放電時長；cbev為電動車電池額定容量；w為電動車行駛里程平均能耗；l為電動車期望行駛里程；pcd為電動車放電功率。由日行駛里程概率分布可得持續(xù)放電時長的概率密度函數(shù)為：式中：系數(shù)μ＝3.2，σ＝0.88。s302：建立滿足功率平衡、微源功率上下限、可控微源爬坡、蓄電池荷電狀態(tài)限制等約束條件；電動汽車的微電網(wǎng)多目標優(yōu)化調(diào)度模型的優(yōu)化目標函數(shù)為：微電網(wǎng)運行維護成本f1最小：f1＝cf+cm+cs+cg環(huán)境成本f2最?。篺2＝em+eg上述式中：cf為微型燃氣輪機與燃料電池的燃料成本；cm為維護成本，包括各微源及電動汽車電池的維護成本；cs為微型燃氣輪機、燃料電池的啟動成本；cg為并網(wǎng)交互成本，其正值表示微電網(wǎng)從大電網(wǎng)中購電，負值表示微電網(wǎng)向大電網(wǎng)賣電。em為微電網(wǎng)各微源產(chǎn)生的各類污染物的折算量；eg為大電網(wǎng)供應(yīng)給微電網(wǎng)電量而產(chǎn)生各類污染物的折算量。約束條件為：(1)功率平衡(2)各微源及大電網(wǎng)交互功率限制(3)蓄電池荷電狀態(tài)限制蓄電池電池狀態(tài)常常用荷電狀態(tài)來描述，而荷電狀態(tài)是指剩余電量與滿電容量的比值。為了延長蓄電池的使用壽命，對蓄電池的荷電狀態(tài)進行限制。socmin≤soc(t)≤socmax上述式中：pi為第i個微源功率，i＝1、2、3….；pg為并網(wǎng)功率，正值代表微網(wǎng)從大電網(wǎng)吸收功率；pload為負荷吸收的功率；pbev為純電動汽車充電功率，正值代表純電動汽車從微電網(wǎng)吸收功率，負值代表純電動汽車為微電網(wǎng)提供功率。pimin、pimax為第i個微源的功率上下限；pgmin、pgmax為微電網(wǎng)與大電網(wǎng)交互功率的上下限。soc(t)為某時刻的荷電狀態(tài)；socmin、socmax分別為荷電狀態(tài)的上下限，一般取socmin＝0.2，socmax＝0.8。(4)可控微源的爬坡約束式中：和分別為第i個可控微源的向上、向下爬坡速率；δt為爬坡時間；pi,t和pi,t+1分別為第i個可控微源這時刻和下時刻的功率。s303：以logistics映射與chebyshev映射相結(jié)合的組合混沌序列對微電網(wǎng)模型進行混沌處理，并計算各粒子的適應(yīng)度；s304：判斷迭代次數(shù)是否達到終止迭代次數(shù)，若是，則結(jié)束流程，若否，則更新慣性權(quán)重，進入s204；s305：判斷迭代次數(shù)是否超過設(shè)定迭代次數(shù)，若否，則通過加權(quán)系數(shù)法確定目標函數(shù)，并記錄所述目標函數(shù)的數(shù)值，進入s306；若是，則進入s351；s351：以所述目標函數(shù)的數(shù)值作為最大或最小值，通過所述模糊隸屬度函數(shù)將所述目標函數(shù)轉(zhuǎn)換為對應(yīng)的滿意度；s352：確定所述滿意度中的最大值為所述目標函數(shù)，進入s306；s306：根據(jù)所述目標函數(shù)篩選出pbest和gbest的值，并根據(jù)所述pbest和gbest的值更新粒子位置；s307：以logistics映射對s304至s306的迭代過程進行混沌處理，并重新進入s304。微電網(wǎng)從大電網(wǎng)購售分時電價如表1所示；各微電源參數(shù)如表2所示；微型燃氣輪機mt、燃料電池fc和并網(wǎng)排放因子及處理費用如表3所示；根據(jù)歷史數(shù)據(jù)預(yù)測微電網(wǎng)的負荷數(shù)據(jù)及pv、wt的出力如圖4、圖5所示。表1表2表3三種算法分別對含電動汽車的微電網(wǎng)多目標優(yōu)化調(diào)度問題進行優(yōu)化求解，尋優(yōu)過程如圖6所示，可以看出，混沌粒子群(以下簡稱cpso)算法和本發(fā)明提高的多目標調(diào)度(以下簡稱fcpso)算法由于初始化引入混沌處理，使其初值效果更好，在迭代中端，標準粒子群(以下簡稱pso)算法尋優(yōu)不穩(wěn)定，陷入局部最優(yōu)，cpso算法與fcpso算法逐步降低成本，從最終結(jié)果看，fcpso因為其多目標模糊化處理，使其結(jié)果效果最好，微電網(wǎng)運行維護成本及環(huán)境成本最低。標準pso算法、cpso算法和fcpso算法分別對含電動汽車的微電網(wǎng)多目標優(yōu)化調(diào)度模型進行求解，其成本及優(yōu)化耗時如表4所示，從表4可看出，fcpso算法結(jié)果的運行維護成本為最低、然而環(huán)境成本最高，最終總成本最低。這是因為運行維護成本隸屬度程度更高，因此優(yōu)先考慮運行維護成本進行優(yōu)化，結(jié)果可以看出總成本更低，效果更好。cpso算法與fcpso算法都極大提升了標準pso算法的求解效率，縮短了求解時間。fcpso算法相對cpso算法提升了10％速度，進一步提高了實際工程實用性。表4在滿足符合需求、并網(wǎng)功率約束、蓄電池荷電限制、電動汽車無序隨機充放電、可控微源出力上下限及爬坡速率的條件下，fcpso優(yōu)化算法求解含電動汽車微電網(wǎng)多目標優(yōu)化調(diào)度模型，輸出最優(yōu)方案。如圖7所示為微電網(wǎng)并網(wǎng)功率、蓄電池充放電功率、電動汽車充放電功率最優(yōu)方案；如表7所示可控微源最優(yōu)出力方案。表5時間fcmt1mt2mt3mt4194.2410099.92110.55147.33259.6140119.4615.41255.253108.9145.44103.42150.56120.28459.566.75108.5884.91100.745111.5466.75160.47140.65260.74694.1545.7294.58112.39100.747179.0778.6289.8380.99116.468122.66100110.71111.68271.149107.7848.0594.2497.87159.041099.2466.14153.63123.95116.231194.0678.7276.41228.84144.0112148.8547.82176.41135.23162.8413167.6746.9893.01102.91110.431496.0175.864076.82270.4315176.4459.1140206.82132.211685.3279.4595.14232.87276.841792.0875.5598.88105.823001892.496.1993.5198.714019179.2873.84179.9997.92260.52097.8445.8679.99213.6953.662185.2810093.3106.57104.7822179.3146.3193.52244.3477.7823198.273092.48125.31257.782498.277094.18214.36100.42下面對本發(fā)明實施例提供的多目標調(diào)度裝置進行介紹，下文描述的一種多目標調(diào)度裝置與上文描述的一種多目標調(diào)度方法可以相互參照。參見圖8，本發(fā)明實施例提供的一種多目標調(diào)度裝置的結(jié)構(gòu)圖。如圖8所示，包括：初始化模塊801，用于初始化粒子群算法各參數(shù)，在滿足各約束條件下產(chǎn)生初始種群；計算模塊802，用于對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度；判斷模塊803，用于判斷迭代次數(shù)是否達到終止迭代次數(shù)，若是，則結(jié)束流程，若否，則判斷迭代次數(shù)是否超過設(shè)定迭代次數(shù)；第一確定模塊841，用于在迭代次數(shù)未超過設(shè)定迭代次數(shù)時，通過加權(quán)系數(shù)法確定目標函數(shù)，并記錄所述目標函數(shù)的數(shù)值；第二確定模塊842，用于在迭代次數(shù)超過設(shè)定迭代次數(shù)時，根據(jù)所述目標函數(shù)的數(shù)值確定模糊隸屬度函數(shù)參數(shù)，以所述模糊隸屬度函數(shù)確定的滿意度作為所述目標函數(shù)；篩選模塊805，用于根據(jù)所述目標函數(shù)篩選出pbest和gbest的值，并根據(jù)所述pbest和gbest的值更新粒子位置；處理模塊806，用于對s3至s5的迭代過程進行混沌處理，并重新進入s3。本發(fā)明實施例提供的多目標調(diào)度裝置在超過預(yù)先設(shè)定的迭代次數(shù)時，通過加權(quán)系數(shù)法確定所述最終目標函數(shù)，超過預(yù)先設(shè)定迭代次數(shù)時，以各目標函數(shù)值作為最大或最小值通過模糊隸屬度函數(shù)對各目標函數(shù)進行滿意度換算確定所述最終目標函數(shù)。由此可知，本發(fā)明實施例提供的多目標調(diào)度裝置通過隸屬度函數(shù)，把各目標函數(shù)轉(zhuǎn)化為滿意度，通過最大最小理論得出非劣解集，避免人為主觀設(shè)置加權(quán)系數(shù)，得到結(jié)果的數(shù)值穩(wěn)定性好，提高了多目標粒子群的調(diào)度效率，實現(xiàn)了資源的有效配置。本發(fā)明實施例還提供了一種基于動態(tài)混沌模糊混沌粒子群的多目標調(diào)度裝置，同樣能達到上述技術(shù)效果。在上述實施例的基礎(chǔ)上，作為優(yōu)選實施方式，所述計算模塊具體為以logistics映射與chebyshev映射相結(jié)合的組合混沌序列對所述初始種群進行混沌處理，并計算各粒子的適應(yīng)度的模塊。在上述實施例的基礎(chǔ)上，作為優(yōu)選實施方式，所述第二確定模塊包括：轉(zhuǎn)換單元，用于在迭代次數(shù)超過設(shè)定迭代次數(shù)時，以所述目標函數(shù)的數(shù)值作為最大或最小值，通過所述模糊隸屬度函數(shù)將所述目標函數(shù)轉(zhuǎn)換為對應(yīng)的滿意度；確定單元，用于確定所述滿意度中的最大值為所述目標函數(shù)。在上述實施例的基礎(chǔ)上，作為優(yōu)選實施方式，所述處理模塊具體為以logistics映射對迭代過程進行混沌處理的模塊。在上述實施例的基礎(chǔ)上，作為優(yōu)選實施方式，所述判斷模塊還包括：更新權(quán)重單元，用于在迭代次數(shù)未達到終止迭代次數(shù)時，更新慣性權(quán)重；其中，前期所述迭代過程的慣性權(quán)重大于后期所述迭代過程的慣性權(quán)重。本發(fā)明實施例提供的多目標調(diào)度裝置利用可變慣性權(quán)重，前期加大慣性權(quán)重利于全局尋優(yōu)，后期減少慣性權(quán)重利于局部尋優(yōu)，有效避免尋優(yōu)進入局部最優(yōu)；利用混沌理論，在粒子群初始化與更新過程中分別引入不同映射，增加來算法遍歷性，增加粒子種群多樣性，使算法運算效率極大提高，避免早熟，最終結(jié)果也更優(yōu)。本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。當(dāng)前第1頁12