国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

這篇具有很好參考價(jià)值的文章主要介紹了【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))。希望對大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方,請大家不吝賜教,您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

????????歡迎來到本博客????????

??博主優(yōu)勢:??????博客內(nèi)容盡量做到思維縝密,邏輯清晰,為了方便讀者。

??座右銘:行百里者,半于九十。

??????本文目錄如下:??????

目錄

??1 概述

1.1 水光互補(bǔ)

1.2 水光互補(bǔ)模型——目標(biāo)函數(shù)和約束條件

?1.3 多目標(biāo)遺傳算法

??2 運(yùn)行結(jié)果

??3 Matlab代碼實(shí)現(xiàn)

??4?參考文獻(xiàn)


?

??1 概述

參考文獻(xiàn):

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))?

然后本文換一個(gè)算法進(jìn)行解決,也算一個(gè)創(chuàng)新點(diǎn)吧:

基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度,然后用Matlab實(shí)現(xiàn)之。

近些年,人類對環(huán)境問題和資源枯竭關(guān)注日益增大,使得以光伏為代表的新能源發(fā)電得到了大規(guī)模的發(fā)展。截至2015年底,中國光伏發(fā)電累計(jì)裝機(jī)容量4318萬千瓦,成為全球光伏發(fā)電裝機(jī)容量最大的國家[1]。但是,光伏具有“隨機(jī)性、間歇性和波動(dòng)性”的特點(diǎn)[2-4]。光伏發(fā)電的并網(wǎng)對電力系統(tǒng)的規(guī)劃、安全、調(diào)度和控制等方面的影響也越來越大。雖然光伏的裝機(jī)容量很大,但是并網(wǎng)消納仍是一個(gè)有待解決的問題[5-6]。水電是一種清潔可再生的能源,其出力具有快速調(diào)節(jié)的優(yōu)良性能,在電力系統(tǒng)中常常擔(dān)任調(diào)峰的任務(wù)[7]。利用水電出力的特點(diǎn)來平衡光伏出力的波動(dòng),可以為電網(wǎng)提供更多的優(yōu)質(zhì)電能。世界上第一座水光互補(bǔ)電站2009年在青海玉樹建成[8],到2015年全球最大的龍羊峽水光互補(bǔ)電站的建成[9],水光互補(bǔ)已得到了全世界的廣泛關(guān)注。

1.1 水光互補(bǔ)

水光互補(bǔ)是指水電和光伏聯(lián)合運(yùn)行,利用水電機(jī)組快速調(diào)節(jié)的優(yōu)良特性以及水電站的庫容調(diào)節(jié)光伏出力的“隨機(jī)性、波動(dòng)性和間歇性”,同時(shí)光伏可以在水電匱乏時(shí)給予聯(lián)合系統(tǒng)電量上的支持。

水電和光伏在年際、年內(nèi)、日內(nèi)有很好的互補(bǔ)特性。

.年際、年內(nèi)互補(bǔ)特性

水電的發(fā)電量取決于徑流的多少,徑流在年內(nèi)和年際間相差懸殊,年際有豐水年和枯水年之分,年內(nèi)有豐、枯水期。水電在豐水年發(fā)電多、枯水年發(fā)電少,冬春季發(fā)電量少、夏秋季發(fā)電量多。相對而言,太陽能年際間波動(dòng)很小,光電的年發(fā)電量幾乎是恒定值;光伏發(fā)電還具有冬春季發(fā)電量大、夏秋季發(fā)電量小的季節(jié)性特點(diǎn)。光伏在水電匱乏時(shí)可以為聯(lián)合系統(tǒng)提供電量上的支撐,減少系統(tǒng)負(fù)荷的缺額,因此,水電和光伏發(fā)電在年際和年內(nèi)都存在很好地互補(bǔ)關(guān)系。

日內(nèi)互補(bǔ)特性

光伏發(fā)電取決于環(huán)境條件,光伏出力呈現(xiàn)“間歇性、隨機(jī)性和波動(dòng)性”地特點(diǎn)。在一天之內(nèi),水電可以利用機(jī)組的快速調(diào)節(jié)性能來平抑光伏出力的“隨機(jī)性和波動(dòng)性”;光伏只在白天出力,在夜間的出力幾乎為零,水電可以平衡光伏出力的“間歇性”[10]。因此,水電和光伏發(fā)電在日內(nèi)也存在著很好的互補(bǔ)關(guān)系,如圖1所示。

? ? ? ? ? ? ? ? ?【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

1.2 水光互補(bǔ)模型——目標(biāo)函數(shù)和約束條件

水光互補(bǔ)的運(yùn)行模式為以水電和光伏聯(lián)合運(yùn)行,以光伏出力為基荷,用水電來調(diào)節(jié)光伏出力,為了保證下游的用水,水電站在調(diào)度期內(nèi)的出庫流量恒定。在此模式下,建立水光互補(bǔ)調(diào)峰能力的模型,并考慮了各種約束條件。

目標(biāo)函數(shù)

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

兩個(gè)目標(biāo),所有本文考慮用多目標(biāo)優(yōu)化算法解決之,沒有用參考文獻(xiàn)的方法。

水電出力的約束?

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

功率平衡約束

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

其他約束

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

?1.3 多目標(biāo)遺傳算法

多目標(biāo)優(yōu)化NSGA-II(非支配排序常見于遺傳算法)

??2 運(yùn)行結(jié)果

【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

?【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))

??3 Matlab代碼實(shí)現(xiàn)

部分代碼:

%% NSGA-II Parameters

MaxIt=70; ? ? ?% Maximum Number of Iterations

nPop=80; ? ? ? ?% Population Size

pCrossover=0.7; ? ? ? ? ? ? ? ? ? ? ? ? % Crossover Percentage
nCrossover=2*round(pCrossover*nPop/2); ?% Number of Parnets (Offsprings)

pMutation=0.4; ? ? ? ? ? ? ? ? ? ? ? ? ?% Mutation Percentage
nMutation=round(pMutation*nPop); ? ? ? ?% Number of Mutants

mu=0.02; ? ? ? ? ? ? ? ? ? ?% Mutation Rate

sigma=0.1*(VarMax-VarMin); ?% Mutation Step Size


%% Initialization

empty_individual.Position=[];
empty_individual.Cost=[];
empty_individual.Rank=[];
empty_individual.DominationSet=[];
empty_individual.DominatedCount=[];
empty_individual.CrowdingDistance=[];

pop=repmat(empty_individual,nPop,1);

disp('產(chǎn)生初始可行解...')
for i=1:nPop ??
? ? flag=0;
? ? while flag==0
? ? ? ? tmp=[];
? ? ? ? for j=1:1:nVar
? ? ? ? ? ? tmp = [tmp unifrnd(VarMin(j),VarMax(j),1)];
? ? ? ? end
? ? ? ? flag = test(tmp); ? ? % 檢查約束 約束不滿足就重新生成解
? ? end
? ? pop(i).Position=tmp;
? ??
? ? pop(i).Cost=CostFunction(pop(i).Position);
? ??
end

% pause

% Non-Dominated Sorting
[pop, F]=NonDominatedSorting(pop);

% Calculate Crowding Distance
pop=CalcCrowdingDistance(pop,F);

% Sort Population
[pop, F]=SortPopulation(pop);


%% NSGA-II Main Loop

for it=1:MaxIt
? ??
? ? % 交叉
? ? popc=repmat(empty_individual,nCrossover/2,2);
? ? for k=1:nCrossover/2
? ? ? ??
? ? ? ? i1=randi([1 nPop]);
? ? ? ? p1=pop(i1);
? ? ? ??
? ? ? ? i2=randi([1 nPop]);
? ? ? ? p2=pop(i2);
? ? ? ??
? ? ? ? [popc(k,1).Position, popc(k,2).Position]=Crossover(p1.Position,p2.Position,VarMin,VarMax);
? ? ? ? if test(popc(k,1).Position)+test(popc(k,2).Position)==2
? ? ? ? ? ? popc(k,1).Cost=CostFunction(popc(k,1).Position);
? ? ? ? ? ? popc(k,2).Cost=CostFunction(popc(k,2).Position);
? ? ? ? else
? ? ? ? ? ? popc(k,1)=p1;
? ? ? ? ? ? popc(k,2)=p2;
? ? ? ? end

??4?參考文獻(xiàn)

部分理論來源于網(wǎng)絡(luò),如有侵權(quán)請聯(lián)系刪除。

?[1]丁航,安源,王頌凱,王浩. 水光互補(bǔ)的短期優(yōu)化調(diào)度[C]//.2016第二屆能源,環(huán)境與地球科學(xué)國際會議論文集.[出版者不詳],2016:21-26.文章來源地址http://www.zghlxwxcb.cn/news/detail-427752.html

到了這里,關(guān)于【水光互補(bǔ)優(yōu)化調(diào)度】基于非支配排序遺傳算法的多目標(biāo)水光互補(bǔ)優(yōu)化調(diào)度(Matlab代碼實(shí)現(xiàn))的文章就介紹完了。如果您還想了解更多內(nèi)容,請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來自互聯(lián)網(wǎng)用戶投稿,該文觀點(diǎn)僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符,請點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋,一經(jīng)查實(shí),立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

  • Python 第三代非支配排序遺傳算法(NSGA-III)求解多目標(biāo)高次函數(shù)的帕累托前沿

    Python 第三代非支配排序遺傳算法(NSGA-III)求解多目標(biāo)高次函數(shù)的帕累托前沿

    文章目錄 ????????我前面有博客介紹了第二代非支配排序遺傳算法(NSGA-II)求解多目標(biāo)高次函數(shù)的帕累托前沿的代碼,本篇博客則是介紹NSGA-III求解多目標(biāo)高次函數(shù)的帕累托前沿。 ????????研究的模型為:min(y1=,x[-10,10]), min(y2=,x[-10,10])。?即求解兩個(gè)目標(biāo)函數(shù)最小值的問題

    2024年02月06日
    瀏覽(19)
  • 基于遺傳算法解決流水車間調(diào)度問題

    基于遺傳算法解決流水車間調(diào)度問題

    問題描述 n 個(gè)工件要在 m 臺機(jī)器上加工,每個(gè)工件需要經(jīng)過 m 道工序,每道工序要求不同的機(jī)器,n 個(gè)工件在 m 臺機(jī)器上的加工順序相同。工件在機(jī)器上的加工時(shí)間是給定的,設(shè)為 t i j ( i = 1.... , n ; j = 1 , . . . , m ) t_{ij}(i = 1....,n; j = 1,...,m) t ij ? ( i = 1.... , n ; j = 1 , ... , m ) 問

    2024年02月07日
    瀏覽(21)
  • 基于遺傳算法的柔性生產(chǎn)調(diào)度研究(Matlab代碼實(shí)現(xiàn))

    基于遺傳算法的柔性生產(chǎn)調(diào)度研究(Matlab代碼實(shí)現(xiàn))

    ???????? 歡迎來到本博客 ???????? ??博主優(yōu)勢: ?????? 博客內(nèi)容盡量做到思維縝密,邏輯清晰,為了方便讀者。 ?? 座右銘: 行百里者,半于九十。 ?????? 本文目錄如下: ?????? 目錄 ??1 概述 ??2 運(yùn)行結(jié)果 ??3?參考文獻(xiàn) ??4 Matlab代碼實(shí)現(xiàn) 摘要:針

    2024年02月08日
    瀏覽(18)
  • 基于自適應(yīng)遺傳算法的車間調(diào)度matlab仿真,可以任意調(diào)整工件數(shù)和機(jī)器數(shù),輸出甘特圖

    基于自適應(yīng)遺傳算法的車間調(diào)度matlab仿真,可以任意調(diào)整工件數(shù)和機(jī)器數(shù),輸出甘特圖

    目錄 1.程序功能描述 2.測試軟件版本以及運(yùn)行結(jié)果展示 3.核心程序 4.本算法原理 4.1 編碼與初始化 4.2 適應(yīng)度函數(shù) 4.3 遺傳操作 4.4 自適應(yīng)機(jī)制 4.5 終止條件 5.完整程序 ? ? ? ? 基于自適應(yīng)遺傳算法的車間調(diào)度matlab仿真,可以任意調(diào)整工件數(shù)和機(jī)器數(shù),輸出甘特圖和優(yōu)化算法的適應(yīng)

    2024年02月01日
    瀏覽(29)
  • Matlab | 基于遺傳算法的TSP路徑優(yōu)化

    Matlab | 基于遺傳算法的TSP路徑優(yōu)化

    理論基礎(chǔ) 問題導(dǎo)入 MATLAB程序?qū)崿F(xiàn)及結(jié)果分析 總結(jié)與擴(kuò)展 TSP (traveling salesman problem,旅行商問題)是典型的NP完全問題,即其最壞情況下的時(shí)間復(fù)雜度隨著問題規(guī)模的增大按指數(shù)方式增長,到目前為止還未找到一個(gè)多項(xiàng)式時(shí)間的有效算法。 TSP問題可描述為: 已知有 n 個(gè)城市,各城市

    2024年02月04日
    瀏覽(23)
  • 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法(matlab實(shí)現(xiàn))

    基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法(matlab實(shí)現(xiàn))

    ????????BP網(wǎng)絡(luò)是一類多層的前饋神經(jīng)網(wǎng)絡(luò)。它的名字源于在網(wǎng)絡(luò)訓(xùn)練的過程中,調(diào)整網(wǎng)絡(luò)的權(quán)值的算法是誤差的反向傳播的學(xué)習(xí)算法,即為BP學(xué)習(xí)算法。BP算法是Rumelhart等人在1986年提出來的。由于它的結(jié)構(gòu)簡單,可調(diào)整的參數(shù)多,訓(xùn)練算法也多,而且可操作性好,BP神經(jīng)網(wǎng)

    2024年01月16日
    瀏覽(101)
  • 基于遺傳算法的多目標(biāo)優(yōu)化進(jìn)行0-1規(guī)劃

    基于遺傳算法的多目標(biāo)優(yōu)化進(jìn)行0-1規(guī)劃

    第一次寫博客不知道從哪里下手, 之所以想開始博客寫作一方面是想記錄自己寫過的代碼,另一方面也分享一下自己在編程的時(shí)候遇到的問題,也希望可以幫助到各位。 之所以做基于遺傳算法的多目標(biāo)優(yōu)化進(jìn)行0-1規(guī)劃,是因?yàn)樵谧鰯?shù)學(xué)建模2021年C題的時(shí)候遇到了一個(gè)規(guī)劃題,

    2024年02月07日
    瀏覽(21)
  • 基于GA遺傳優(yōu)化的混合發(fā)電系統(tǒng)優(yōu)化配置算法matlab仿真

    基于GA遺傳優(yōu)化的混合發(fā)電系統(tǒng)優(yōu)化配置算法matlab仿真

    目錄 1.課題概述 2.系統(tǒng)仿真結(jié)果 3.核心程序與模型 4.系統(tǒng)原理簡介 4.1遺傳算法基本原理 4.2 混合發(fā)電系統(tǒng)優(yōu)化配置問題 4.3 基于GA的優(yōu)化配置算法 染色體編碼 初始種群生成 適應(yīng)度函數(shù) 選擇操作 交叉操作 變異操作 5.完整工程文件 ? ? ? 基于GA遺傳優(yōu)化的混合發(fā)電系統(tǒng)優(yōu)化配置

    2024年01月25日
    瀏覽(23)
  • 基于遺傳算法GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(Python代碼實(shí)現(xiàn))

    基于遺傳算法GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(Python代碼實(shí)現(xiàn))

    ? ? BP-GA算法的設(shè)計(jì)︰基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)算法(以下簡稱BP-GA)就是在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中,將權(quán)重和閥值描述為染色體,并選取適宜的適應(yīng)函數(shù),然后進(jìn)行GA迭代,直到某種意義上的收斂.與普通BP學(xué)習(xí)算法相比,算法 BP一GA的優(yōu)勢在于可以處理一些傳統(tǒng)方法不能處理的例子

    2024年02月09日
    瀏覽(94)
  • 【調(diào)度算法】并行機(jī)調(diào)度問題遺傳算法

    【調(diào)度算法】并行機(jī)調(diào)度問題遺傳算法

    m臺相同的機(jī)器,n個(gè)工件,每個(gè)工件有1道工序,可按照任意的工序?yàn)槊總€(gè)工件分配一臺機(jī)器進(jìn)行加工 工件 A B C D E F G H I 工件編號 0 1 2 3 4 5 6 7 8 加工時(shí)間 4 7 6 5 8 3 5 5 10 到達(dá)時(shí)間 3 2 4 5 3 2 1 8 6 交貨期 10 15 30 24 14 13 20 18 10 設(shè)備數(shù)目:3 最小化交貨期總延時(shí)時(shí)間 記機(jī)器數(shù)為 m ,從

    2024年02月05日
    瀏覽(25)

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包