本發(fā)明涉及泵站優(yōu)化調(diào)度，尤其涉及一種基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法。

背景技術(shù)：

1、隨著泵站工程應(yīng)用領(lǐng)域的不斷擴(kuò)大和運行管理復(fù)雜程度的提高，開展泵站機組優(yōu)化調(diào)度實現(xiàn)經(jīng)濟(jì)運行，已成為一個重要研究領(lǐng)域。國內(nèi)外許多學(xué)者對泵站優(yōu)化模型構(gòu)建與求解方法進(jìn)行了探索與研究：在模型構(gòu)建方面，主要是以泵站運行耗電費用最低為目標(biāo)，目標(biāo)值受電價和揚程影響較大，因此希望在高電價低揚程時少提水或不提水，在低電價低揚程時多提水，從而實現(xiàn)在滿足提水量約束條件下，單機組運行費用最低。在模型求解方面，傳統(tǒng)方法主要包括動態(tài)規(guī)劃法、非線性規(guī)劃、系統(tǒng)試驗選優(yōu)法等，現(xiàn)代智能算法主要有遺傳算法、粒子群算法、模擬退火算法和狼群算法等。

2、隨著泵站工程應(yīng)用領(lǐng)域的不斷擴(kuò)大和運行管理復(fù)雜程度的提高，開展泵站機組優(yōu)化調(diào)度實現(xiàn)經(jīng)濟(jì)運行，已成為一個重要研究領(lǐng)域。國內(nèi)外許多學(xué)者對泵站優(yōu)化模型構(gòu)建與求解方法進(jìn)行了探索與研究：在模型構(gòu)建方面，主要是以泵站運行耗電費用最低為目標(biāo)，目標(biāo)值受電價和揚程影響較大，因此希望在高電價低揚程時少提水或不提水，在低電價低揚程時多提水，從而實現(xiàn)在滿足提水量約束條件下，單機組運行費用最低。在模型求解方面，傳統(tǒng)方法主要包括動態(tài)規(guī)劃法、非線性規(guī)劃、系統(tǒng)試驗選優(yōu)法等，但傳統(tǒng)方法或多或少存在維數(shù)災(zāi)、計算過程復(fù)雜等問題，而隨著計算機技術(shù)的發(fā)展，現(xiàn)代智能算法(如遺傳算法、粒子群算法、模擬退火算法和狼群算法等)為解決泵站工程優(yōu)化調(diào)度提供了新的途徑，然而當(dāng)目標(biāo)函數(shù)為復(fù)雜的多峰函數(shù)，智能算法可能會陷入局部最優(yōu)解；對于復(fù)雜多維問題，其空間搜索能力、收斂速度和精度又會受到參數(shù)設(shè)置等影響。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法。

2、技術(shù)方案：本發(fā)明包括如下步驟：

3、(1)根據(jù)泵站單機組數(shù)據(jù)建立模型，建立以耗電費用最小為目標(biāo)的變頻單機組變速優(yōu)化模型，決策變量為各時段機組轉(zhuǎn)速，以一天內(nèi)提水總量、機組運行功率為約束條件；

4、(2)針對建立的變頻單機組變速優(yōu)化模型，采用多策略融合改進(jìn)的粒子群算法進(jìn)行求解，得到泵站單機組的決策過程和運行參數(shù)；運行參數(shù)包括不同時段下的機組轉(zhuǎn)速、流量、效率、提水量、運行耗電費用和時均揚程；

5、(3)基于步驟(2)的決策過程和運行參數(shù)來實現(xiàn)泵站單機組運行。

6、進(jìn)一步地，所述步驟(1)的變頻單機組變速優(yōu)化模型包括：

7、目標(biāo)函數(shù)：

8、

9、約束條件1：一天內(nèi)提水總量約束，即

10、約束條件2：機組額定功率約束，即ni(ni(l))≤ne；

11、其中，f表示單機組運行耗電費用；i表示時段，i＝1，2，...，sn，sn表示一天內(nèi)劃分的時段總數(shù)；分別表示第i時段第l個轉(zhuǎn)速取值以及相應(yīng)提水流量；hi、δti和pi分別表示第i時段的平均揚程、開機時間和分時電價；ηz，i、ηmot、ηint、ηf分別表示單機組裝置效率、電動機效率、傳動效率以及變頻裝置效率；wd為單機組日提水總量；ne表示額定功率；ni(ni(l))表示第i時段機組實際運行功率。

12、進(jìn)一步地，所述步驟(2)包括參數(shù)設(shè)置、優(yōu)化初始種群改進(jìn)、適應(yīng)度求解及最優(yōu)位置更新、慣性權(quán)重改進(jìn)、學(xué)習(xí)因子改進(jìn)、位置更新以及判斷迭代條件。

13、進(jìn)一步地，所述參數(shù)設(shè)置包括：

14、設(shè)置種群數(shù)、運動速度范圍vmax和vmin機組轉(zhuǎn)速范圍nmax和nmin、當(dāng)前迭代次數(shù)t和最大迭代數(shù)t。

15、進(jìn)一步地，所述優(yōu)化初始種群改進(jìn)包括：

16、引入sobol序列初始化生成種群，由sobol序列初始化產(chǎn)生的種群位置公式為：

17、xi＝(bu-bl)*r+bl

18、其中，bu和bl分別為搜索空間的上界與下界；r為sobol序列產(chǎn)生的在[0，1]范圍內(nèi)的隨機數(shù)。

19、進(jìn)一步地，所述適應(yīng)度求解及最優(yōu)位置更新包括：

20、根據(jù)目標(biāo)函數(shù)計算的適應(yīng)度值；并根據(jù)適應(yīng)度值，將當(dāng)前位置與前一最優(yōu)位置pbest適作比較，如果較好，則更新當(dāng)前位置為局部最優(yōu)位置pbest；將當(dāng)前位置與歷史最優(yōu)位置gbest作比較，如果較好，則更新當(dāng)前位置為全局最優(yōu)位置gbest。

21、進(jìn)一步地，所述慣性權(quán)重改進(jìn)包括：

22、采用一種隨迭代次數(shù)非線性遞減的慣性權(quán)重；ω隨迭代次數(shù)的變化規(guī)律如下：

23、

24、其中，ωmax，ωmin為慣性權(quán)重的最大值和最小值；t為當(dāng)前迭代次數(shù)，t為最大迭代次數(shù)；ωmax取0.9，ωmin取0.4。

25、進(jìn)一步地，所述學(xué)習(xí)因子改進(jìn)包括：

26、引入正余弦算法位置更新公式中的正余弦因子代替學(xué)習(xí)因子，此時粒子速度更新公式如下：

27、

28、r1＝0.4(1-t/t)

29、其中，t表示迭代次數(shù)；vlit+1、xlit+1分別表示粒子l在迭代t+1次后維度i上的速度和位置；ω表示慣性權(quán)重；pbestlit表示粒子l在迭代t次后維度i上的最優(yōu)位置；gbestit表示迭代t次后整個種群在維度i上的最優(yōu)位置；c1、c2分別表示粒子與種群的學(xué)習(xí)因子；r1、r2為[0，1]范圍內(nèi)的隨機數(shù)；r1控制算法從全局搜索到局部開發(fā)的轉(zhuǎn)換；r2描述了個體移動的方向，r2∈[0，2π]，r3為正弦更新和余弦更新之間的概率，r3∈[0，1]。

30、進(jìn)一步地，所述位置更新的粒子位置表示為：

31、

32、其中，xlit、xlit+1分別表示粒子l在迭代t次和t+1次后維度i上的位置。

33、進(jìn)一步地，所述判斷迭代條件包括：

34、當(dāng)t≤t，重復(fù)優(yōu)化初始種群改進(jìn)、慣性權(quán)重改進(jìn)，學(xué)習(xí)因子改進(jìn)以及位置更新的步驟，直至退出迭代過程并輸出結(jié)果，輸出結(jié)果包括時均揚程hi、不同時段的轉(zhuǎn)速ni、時段流量qi、裝置效率ηi、時段提水量和運行總耗電費用minf。

35、有益效果：本發(fā)明與現(xiàn)有技術(shù)相比，具有如下顯著優(yōu)點：提出了“sobol序列優(yōu)化初始種群+實時調(diào)整慣性權(quán)重+正余弦替代學(xué)習(xí)因子”多策略融合的組合改進(jìn)方法，使初始種群總體分布更加均勻，為全局搜索奠定了基礎(chǔ)；采用了一種隨迭代次數(shù)可以實時調(diào)整的非線性遞減慣性權(quán)重，提高了算法在不同階段的搜索能力；引入了正余弦因子替代學(xué)習(xí)因子，結(jié)合非線性遞減的慣性權(quán)重，實現(xiàn)了粒子群算法在不同階段搜索能力的協(xié)同提升，提高了算法的計算精度，保證優(yōu)化調(diào)度結(jié)果的可行性。

技術(shù)特征：

1.一種基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述步驟(1)的變頻單機組變速優(yōu)化模型包括：

3.根據(jù)權(quán)利要求1所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述步驟(2)包括參數(shù)設(shè)置、優(yōu)化初始種群改進(jìn)、適應(yīng)度求解及最優(yōu)位置更新、慣性權(quán)重改進(jìn)、學(xué)習(xí)因子改進(jìn)、位置更新以及判斷迭代條件。

4.根據(jù)權(quán)利要求3所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述參數(shù)設(shè)置包括：

5.根據(jù)權(quán)利要求3所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述優(yōu)化初始種群改進(jìn)包括：

6.根據(jù)權(quán)利要求3所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述適應(yīng)度求解及最優(yōu)位置更新包括：

7.根據(jù)權(quán)利要求3所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述慣性權(quán)重改進(jìn)包括：

8.根據(jù)權(quán)利要求3所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述學(xué)習(xí)因子改進(jìn)包括：

9.根據(jù)權(quán)利要求3所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述位置更新的粒子位置表示為：

10.根據(jù)權(quán)利要求3所述的基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，其特征在于，所述判斷迭代條件包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于多策略融合改進(jìn)粒子群算法的變頻單機組變速優(yōu)化調(diào)度方法，包括根據(jù)泵站單機組數(shù)據(jù)建立模型，建立以耗電費用最小為目標(biāo)的變頻單機組變速優(yōu)化模型，決策變量為各時段機組轉(zhuǎn)速，以一天內(nèi)提水總量、機組運行功率為約束條件；針對建立的變頻單機組變速優(yōu)化模型，采用多策略融合改進(jìn)的粒子群算法進(jìn)行求解，得到泵站單機組的決策過程和運行參數(shù)；基于決策過程和運行參數(shù)來實現(xiàn)泵站單機組運行。本發(fā)明引入了正余弦因子替代學(xué)習(xí)因子，結(jié)合非線性遞減的慣性權(quán)重，實現(xiàn)了粒子群算法在不同階段搜索能力的協(xié)同提升，提高了算法的計算精度，保證優(yōu)化調(diào)度結(jié)果的可行性。

技術(shù)研發(fā)人員：代金汕,仇錦先,葛恒軍,闞永庚
受保護(hù)的技術(shù)使用者：揚州大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26