【技术实现步骤摘要】
本专利技术涉及电力系统优化，尤其涉及一种基于多策略改进的多目标粒子群优化方法及系统。
技术介绍
1、发电机状态检测装置采用蓄电池供电，可使其在发电机检修现场工作更加灵活、可靠。目前，锂离子电池因其具有能量密度大、自放电率低、循环寿命长等诸多优点，而得到广泛应用。在某些发电机状态检测项目中，要求其检测仪器所采用的电源适合于提供脉冲功率。采用能量型储能元件和功率型储能元件配合工作的混合储能系统，可优化发电机状态监测装置自身供电电源系统的综合性能。
2、对基于混合储能系统的检测装置供电电源进行优化，是一个多目标、多约束、多变量的复杂非线性优化问题，采用传统的数学方式难以求解，比如传统粒子群方法在求解多目标优化问题时存在容易陷入局部最优、所获得解集多样性或收敛性不好等问题，因此，为解决这些问题，本专利提出一种基于多策略改进的多目标粒子群优化算法对发电机状态检测装置电源系统的优化模型进行求解。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于多策略改进的多目标粒子群优化方法，能够解决传统多目标粒子群算法求解多目标优化问题出现的过早收敛到局部非支配解以及由于外部存档更新策略不当导致的pareto前沿次优分布等问题，从而提高了装置电源系统运行的效率和可靠性。
3、为解决上述技术问题，本专利技术提供如下技术方案，一种基于多策略改进的多目标粒子群优化方法，包括：初始化权重向量、参考点以及粒子速度和位置，采用自适应非线
4、作为本专利技术所述的一种基于多策略改进的多目标粒子群优化方法的一种优选方案，其中：所述初始化惯性权重包括，采用一种惯性权重的自适应非线性修正策略优化算法中的惯性权重，随着迭代次数的增加，指数函数的使用将惯性权重从最大值非线性调整到最小值，通过调整自适应控制参数alpha增强算法搜索性能。
5、作为本专利技术所述的一种基于多策略改进的多目标粒子群优化方法的一种优选方案，其中：所述分解策略包括，混合储能系统的优化模型为双目标优化，采用tchebycheff聚合函数进行标量化计算，通过在目标空间中事先设定一组均匀分布的参考权重向量指导种群进化，种群的每个个体都与参考权重向量相对应，在算法初期进行初始化操作时，融入分解算法，利用tchebycheff分解法将多目标问题标量化，分解为n个独立的子问题，每个子问题对应一个特定的权重向量。
6、作为本专利技术所述的一种基于多策略改进的多目标粒子群优化方法的一种优选方案，其中：所述tchebycheff分解法包括，采用tchebycheff聚合函数进行标量化计算；
7、公式表示为：
8、
9、其中，gtch表示聚合函数，λi为第i个粒子的参考权重向量，采用均匀分布法选取，z*代表参考点，r表示决策空间，fi(x)表示每个目标，r表示可行域。
10、作为本专利技术所述的一种基于多策略改进的多目标粒子群优化方法的一种优选方案，其中：所述个体最优解包括，采用pareto最优概念对决策结果进行评估，pareto最优描述一个状态，即在不损害任何目标的前提下，无法进一步提升某个目标的优势，在包含其他解的决策空间中，若一个解pareto占优于其他解，即解的决策向量未被任何其他向量所支配，则这个解被称为pareto最优解，在解决多目标优化问题时，最优解由一系列无法相互支配的pareto最优解构成，解的集合被称作pareto最优解集，相应地，当前解在目标函数空间中的对应点形成了pareto前沿。
11、作为本专利技术所述的一种基于多策略改进的多目标粒子群优化方法的一种优选方案，其中：所述选择全局最优解包括，采用基于动态密集距离排序与轮盘赌算法相结合的方法作为全局最优解选择策略，动态密集距离反映粒子与粒子之间的紧密程度，反应解的均匀性，混合储能系统多目标优化模型中粒子xi的密集距离公式为：
12、
13、其中，xj和xk表示与粒子xi距离最近的两个粒子，fm,max表示第m个目标函数的最大值；
14、将pareto最优解集中的粒子采用密集距离进行排序，在排序前20％的解中采用轮盘赌算法选择一个解作为全局最优解，领导种群进化方向。
15、作为本专利技术所述的一种基于多策略改进的多目标粒子群优化方法的一种优选方案，其中：所述更新外部档案包括，由于粒子种群的存在，在单次执行中粒子群算法生成多个互不占优的解，采用外部档案方法，其中存档旨在存储pareto最优解集，防止存档过度扩展，增加计算复杂性，对外部存档的最大存储容量施加限制，确保正常运行。
16、本专利技术的另一个目的是提供一种基于多策略改进的多目标粒子群优化系统，其能系统旨在解决多目标优化问题，平衡多个相互冲突的目标，寻找一组最优解，为决策者提供多种选择的pareto最优解集，辅助决策过程。
17、作为本专利技术所述的一种基于多策略改进的多目标粒子群优化系统的一种优选方案，其中：包括初始化模块、优化策略执行模块、全局最优解选择模块、外部档案管理模块；
18、所述初始化模块，负责初始化粒子的位置、速度、权重向量、参考点参数，实施自适应非线性修正策略来初始化惯性权重；
19、所述优化策略执行模块，应用tchebycheff分解法将多目标问题标量化，并指导种群进化，更新个体最优解，计算粒子的动态密集距离，引入变异因子对粒子进行随机变异；
20、所述全局最优解选择模块，根据动态密集距离对pareto最优解集进行排序，使用轮盘赌算法从排序后的解中选择全局最优解；
21、所述外部档案管理模块，存储和管理pareto最优解集，通过pareto支配关系筛选更优解，控制外部档案的大小，避免过度扩展和计算复杂性。
22、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种基于多策略改进的多目标粒子群优化方法的步骤。
23、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种基于多策略改进的多目标粒子群优化方法的步骤。
24、本专利技术的有益效果：在考虑混合储能系统工作中存在各种约束条件的前提下，建立其系统多目标优化调度问题模型；为了更好的求混合储能系统电源的优化调度问题，克服传统多目标粒子群优化算法容易陷入局部最优、获得的pareto最优解集收敛性和多样性较差的问题，提出了一种多策略改进粒子群优化算法；采用自适应非线性调整惯性权重的策略来平衡算法局部探索和全局开发的能力；将分解算法和pareto支配排序相融合，平本文档来自技高网...
【技术保护点】
1.一种基于多策略改进的多目标粒子群优化方法，其特征在于：包括，
2.如权利要求1所述的一种基于多策略改进的多目标粒子群优化方法，其特征在于：所述初始化惯性权重包括，采用一种惯性权重的自适应非线性修正策略优化算法中的惯性权重，随着迭代次数的增加，指数函数的使用将惯性权重从最大值非线性调整到最小值，通过调整自适应控制参数alpha增强算法搜索性能。
3.如权利要求2所述的一种基于多策略改进的多目标粒子群优化方法，其特征在于：所述分解策略包括，混合储能系统的优化模型为双目标优化，采用Tchebycheff聚合函数进行标量化计算，通过在目标空间中事先设定一组均匀分布的参考权重向量指导种群进化，种群的每个个体都与参考权重向量相对应，在算法初期进行初始化操作时，融入分解算法，利用Tchebycheff分解法将多目标问题标量化，分解为n个独立的子问题，每个子问题对应一个特定的权重向量。
4.如权利要求3所述的一种基于多策略改进的多目标粒子群优化方法，其特征在于：所述Tchebycheff分解法包括，采用Tchebycheff聚合函数进行标量化计算；
...【技术特征摘要】
1.一种基于多策略改进的多目标粒子群优化方法，其特征在于：包括，
2.如权利要求1所述的一种基于多策略改进的多目标粒子群优化方法，其特征在于：所述初始化惯性权重包括，采用一种惯性权重的自适应非线性修正策略优化算法中的惯性权重，随着迭代次数的增加，指数函数的使用将惯性权重从最大值非线性调整到最小值，通过调整自适应控制参数alpha增强算法搜索性能。
3.如权利要求2所述的一种基于多策略改进的多目标粒子群优化方法，其特征在于：所述分解策略包括，混合储能系统的优化模型为双目标优化，采用tchebycheff聚合函数进行标量化计算，通过在目标空间中事先设定一组均匀分布的参考权重向量指导种群进化，种群的每个个体都与参考权重向量相对应，在算法初期进行初始化操作时，融入分解算法，利用tchebycheff分解法将多目标问题标量化，分解为n个独立的子问题，每个子问题对应一个特定的权重向量。
4.如权利要求3所述的一种基于多策略改进的多目标粒子群优化方法，其特征在于：所述tchebycheff分解法包括，采用tchebycheff聚合函数进行标量化计算；
5.如权利要求4所述的一种基于多策略改进的多目标粒子群优化方法，其特征在于：所述个体最优解包括，采用pareto最优概念对决策结果进行评估，pareto最优描述一个状态，即在不损害任何目标的前提下，无法进一步提升某个目标的优势，在包含其他解的决策空间中，若一个解pareto占优于其他解，即当前解的决策向量未被任何其他向量所支...
【专利技术属性】
技术研发人员：张斌，包永胜，房栋，侯明建，张奇，张明，余锐，赵惠德，吕阳，姜艳艳，赵善良，权瑜，赵晋明，
申请(专利权)人：华能牙克石发电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。