为提高微电网应对新能源出力和负荷不确定性的能力,提出1种考虑灵活性资源的微电网优化控制策略。根据各类灵活性资源的源储荷特性进行分类,建立微电网双层优化调度模型。用户层引入用户侧灵活性资源,以用户费用和净负荷差值最小为优化...为提高微电网应对新能源出力和负荷不确定性的能力,提出1种考虑灵活性资源的微电网优化控制策略。根据各类灵活性资源的源储荷特性进行分类,建立微电网双层优化调度模型。用户层引入用户侧灵活性资源,以用户费用和净负荷差值最小为优化目标,决策变量为电动汽车和可平移负荷出力功率。源储层模型加入储能侧与发电侧灵活性资源,以微电网运营商成本和失负荷率最小为优化目标,决策变量为燃气轮机、主网联络线和储能单元出力功率。使用场景缩减的季节典型日数据进行算例仿真,采用改进后的基于分解的多目标进化MOEA/D(multi-objective evolutionary algorithm based on decomposition)算法对双层优化调度模型进行求解,年均用户费用降低6.85%,运营商年均总成本下降14.68%,年均失负荷率下降6.65%,验证了本文所提模型的合理性和有效性。展开更多
实数编码的多目标进化算法常使用模拟二进制交叉(simulated binary crossover,称SBX)算子.通过对SBX以及进化策略中变异算子进行对比分析,并引入进化策略中的离散重组算子,提出了一种正态分布交叉(normal distribution crossover,称NDX...实数编码的多目标进化算法常使用模拟二进制交叉(simulated binary crossover,称SBX)算子.通过对SBX以及进化策略中变异算子进行对比分析,并引入进化策略中的离散重组算子,提出了一种正态分布交叉(normal distribution crossover,称NDX)算子.首先在一维搜索空间实例中对NDX与SBX算子进行比较和分析,然后将NDX算子应用于Deb等人提出的稳态多目标进化算法ε-MOEA(ε-dominance based multiobjective evolutionary algorithm)中.采用NDX算子的ε-MOEA(记为ε-MOEA/NDX)算法在多目标优化标准测试集ZDT和DTLZ的10个函数上进行了实验比较.实验结果和分析表明,采用NDX的ε-MOEA所求得的Pareto最优解集质量明显优于经典算法ε-MOEA/SBX和NSGA-Ⅱ.展开更多
为了准确地求解组合权重的组合系数,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)思想引入评估领域,提出一种基于MOEA/D的组合权重方法.通常,利用加权和法将组合权重模型转化为...为了准确地求解组合权重的组合系数,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)思想引入评估领域,提出一种基于MOEA/D的组合权重方法.通常,利用加权和法将组合权重模型转化为单目标模型时,模型加权系数难以准确确定.对此,引入MOEA/D算法的分解思想,将组合权重模型转化为多个单目标子模型.MOEA/D算法仅适用于无约束优化问题,而较为常用的惩罚函数法难以表达进化初期无可行解的情况,因而提出改进自适应惩罚函数(improved adaptive penalty function,IAPF),将组合权重模型转化为无约束优化模型.应用所提出方法与其他方法进行仿真实验,实验结果表明,所提出算法具有有效性.展开更多
建立含风电系统的环境经济调度(Environmental Economic Dispatch,EED)模型,提出采用基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)来求解,并在算法中加入约束处理,归一化及变异操...建立含风电系统的环境经济调度(Environmental Economic Dispatch,EED)模型,提出采用基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)来求解,并在算法中加入约束处理,归一化及变异操作来改善算法的性能并保持解的多样性,以获得理想的Pareto最优前沿.通过仿真计算,并与其他优化算法进行对比分析,验证了MOEA/D算法解决含风电EED问题的可行性和有效性.展开更多
为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床...为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床、多个加工任务、多道工序的柔性车间调度问题进行了描述并建立了优化模型。给出了基于MOEA/D算法的柔性车间调度方法,针对常值惩罚因子无法满足不同邻域对收敛性和染色体多样性不同调整需求的问题,提出了能够随邻域染色体密度自适应调整的惩罚因子,并制定了基于自适应惩罚MOEA/D算法的柔性车间调度流程。在具有8个机床、8个工件共28道工序的生产调度实验中,自适应MOEA/D算法搜索的Pareto前沿解能够支配标准MOEA/D和改进NSGA-Ⅱ算法的Pareto前沿解;在等权重最优解的生产实验中,自适应MOEA/D算法调度方案的完工时间、机器负荷、交货延期时间、车间能耗均小于标准MOEA/D算法和改进NSGA-Ⅱ算法。实验结果证明了自适应惩罚MOEA/D算法在柔性车间调度中的有效性和优越性。展开更多
文摘为提高微电网应对新能源出力和负荷不确定性的能力,提出1种考虑灵活性资源的微电网优化控制策略。根据各类灵活性资源的源储荷特性进行分类,建立微电网双层优化调度模型。用户层引入用户侧灵活性资源,以用户费用和净负荷差值最小为优化目标,决策变量为电动汽车和可平移负荷出力功率。源储层模型加入储能侧与发电侧灵活性资源,以微电网运营商成本和失负荷率最小为优化目标,决策变量为燃气轮机、主网联络线和储能单元出力功率。使用场景缩减的季节典型日数据进行算例仿真,采用改进后的基于分解的多目标进化MOEA/D(multi-objective evolutionary algorithm based on decomposition)算法对双层优化调度模型进行求解,年均用户费用降低6.85%,运营商年均总成本下降14.68%,年均失负荷率下降6.65%,验证了本文所提模型的合理性和有效性。
文摘实数编码的多目标进化算法常使用模拟二进制交叉(simulated binary crossover,称SBX)算子.通过对SBX以及进化策略中变异算子进行对比分析,并引入进化策略中的离散重组算子,提出了一种正态分布交叉(normal distribution crossover,称NDX)算子.首先在一维搜索空间实例中对NDX与SBX算子进行比较和分析,然后将NDX算子应用于Deb等人提出的稳态多目标进化算法ε-MOEA(ε-dominance based multiobjective evolutionary algorithm)中.采用NDX算子的ε-MOEA(记为ε-MOEA/NDX)算法在多目标优化标准测试集ZDT和DTLZ的10个函数上进行了实验比较.实验结果和分析表明,采用NDX的ε-MOEA所求得的Pareto最优解集质量明显优于经典算法ε-MOEA/SBX和NSGA-Ⅱ.
文摘为了准确地求解组合权重的组合系数,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)思想引入评估领域,提出一种基于MOEA/D的组合权重方法.通常,利用加权和法将组合权重模型转化为单目标模型时,模型加权系数难以准确确定.对此,引入MOEA/D算法的分解思想,将组合权重模型转化为多个单目标子模型.MOEA/D算法仅适用于无约束优化问题,而较为常用的惩罚函数法难以表达进化初期无可行解的情况,因而提出改进自适应惩罚函数(improved adaptive penalty function,IAPF),将组合权重模型转化为无约束优化模型.应用所提出方法与其他方法进行仿真实验,实验结果表明,所提出算法具有有效性.
文摘建立含风电系统的环境经济调度(Environmental Economic Dispatch,EED)模型,提出采用基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)来求解,并在算法中加入约束处理,归一化及变异操作来改善算法的性能并保持解的多样性,以获得理想的Pareto最优前沿.通过仿真计算,并与其他优化算法进行对比分析,验证了MOEA/D算法解决含风电EED问题的可行性和有效性.
文摘为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床、多个加工任务、多道工序的柔性车间调度问题进行了描述并建立了优化模型。给出了基于MOEA/D算法的柔性车间调度方法,针对常值惩罚因子无法满足不同邻域对收敛性和染色体多样性不同调整需求的问题,提出了能够随邻域染色体密度自适应调整的惩罚因子,并制定了基于自适应惩罚MOEA/D算法的柔性车间调度流程。在具有8个机床、8个工件共28道工序的生产调度实验中,自适应MOEA/D算法搜索的Pareto前沿解能够支配标准MOEA/D和改进NSGA-Ⅱ算法的Pareto前沿解;在等权重最优解的生产实验中,自适应MOEA/D算法调度方案的完工时间、机器负荷、交货延期时间、车间能耗均小于标准MOEA/D算法和改进NSGA-Ⅱ算法。实验结果证明了自适应惩罚MOEA/D算法在柔性车间调度中的有效性和优越性。
