本發(fā)明涉及電力系統(tǒng)領(lǐng)域，尤其涉及一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法。
背景技術(shù)：
在電力系統(tǒng)運(yùn)行中，經(jīng)濟(jì)調(diào)度(ed)是一項(xiàng)重要的優(yōu)化任務(wù)，其主要目標(biāo)為在滿足出力—負(fù)荷平衡的等式約束和發(fā)電機(jī)出力等不等式約束條件的前提下，使得總發(fā)電成本最小，對(duì)電力系統(tǒng)的安全經(jīng)濟(jì)運(yùn)行具有重要的意義。
傳統(tǒng)ed優(yōu)化問(wèn)題中，發(fā)電機(jī)組進(jìn)氣閥突然開(kāi)啟所產(chǎn)生的拔絲現(xiàn)象——閥點(diǎn)效應(yīng)往往被忽略不計(jì)，這降低了模型的求解精度。同時(shí)，僅能利用單一燃料的傳統(tǒng)發(fā)電機(jī)組已經(jīng)不能滿足經(jīng)濟(jì)和環(huán)境的需求，因此能使用多種燃料的發(fā)電機(jī)組成為目前火力發(fā)電的主流。計(jì)及閥點(diǎn)效應(yīng)給ed問(wèn)題的尋優(yōu)空間增加了大量的局部最優(yōu)點(diǎn)，而考慮多燃料則使得ed的解空間不連續(xù)，因此該問(wèn)題呈現(xiàn)出一系列高維、非凸、非線性、不連續(xù)的特點(diǎn)，進(jìn)一步增加了問(wèn)題的解決難度。隨著系統(tǒng)工程理論研究的日趨成熟和現(xiàn)代計(jì)算機(jī)技術(shù)在計(jì)及閥點(diǎn)效應(yīng)和多燃料經(jīng)濟(jì)調(diào)度領(lǐng)域的不斷發(fā)展與應(yīng)用，各種新方法和新技術(shù)也層出不窮。常見(jiàn)有傳統(tǒng)的數(shù)學(xué)優(yōu)化方法：如線性規(guī)劃、非線性規(guī)劃、動(dòng)態(tài)規(guī)劃等，傳統(tǒng)的優(yōu)化方法過(guò)度依賴數(shù)學(xué)模型，并在求解時(shí)需將數(shù)學(xué)模型進(jìn)行簡(jiǎn)化，且對(duì)初始解較為敏感，因此在處理此類計(jì)及閥點(diǎn)效應(yīng)和多燃料的復(fù)雜de優(yōu)化問(wèn)題時(shí)容易陷入局部最優(yōu)點(diǎn)。近年來(lái)，智能優(yōu)化算法得到了高速發(fā)展，因此，在解決多燃料de問(wèn)題上大量地采用啟發(fā)式優(yōu)化算法，如原始的啟發(fā)式優(yōu)化方法，主要有遺傳算法(ga)、粒子群算法(pso)、差分算法(de)、重力搜索算法(gso)、競(jìng)拍分布式算法(aa)、布谷鳥(niǎo)搜索算法(csa)、禁忌搜索算法(tsa)、生物優(yōu)化算法(bbo)、搜尋者優(yōu)化算法(soa)等。相對(duì)于傳統(tǒng)數(shù)學(xué)優(yōu)化方法，這些原始啟發(fā)式算法對(duì)所求問(wèn)題的數(shù)學(xué)模型沒(méi)有特殊限制，具有強(qiáng)大的適應(yīng)性。然而，原始算法仍存在容易出現(xiàn)過(guò)早熟現(xiàn)象，收斂精度不高等缺陷。因此，更多的學(xué)者致力于研究其改進(jìn)方法，如從算法結(jié)構(gòu)上的改進(jìn)，主要有改進(jìn)遺傳算法、改進(jìn)粒子群算法、改進(jìn)布谷鳥(niǎo)算法、改進(jìn)蛙跳算法、擾動(dòng)差分算法(sde)、全局最優(yōu)和聲搜索算法(ghs)等，或結(jié)合兩個(gè)及以上算法的混合，如混合遺傳乘數(shù)更新算法、混合分布式粒子群和禁忌搜索算法等等，這些改進(jìn)或混合算法比原始算法適應(yīng)性更強(qiáng)，優(yōu)化結(jié)果也更具優(yōu)勢(shì)，然而這些算法在面臨不可微、不連續(xù)、非凸、非線性的大規(guī)模計(jì)及閥點(diǎn)效應(yīng)的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題時(shí)，同樣也存在一些缺陷，如種群多樣性不足，容易陷入局部最優(yōu)，收斂速度較慢等，因此，需要提出一種更高效的方法解決該優(yōu)化問(wèn)題。
差分進(jìn)化(differentialevolution,de)算法的基本思想是仿照生物進(jìn)化機(jī)制，利用種群中個(gè)體之間的差異產(chǎn)生新的個(gè)體，然后進(jìn)行交叉、選擇操作實(shí)現(xiàn)種群的進(jìn)化，通過(guò)多次迭代搜索最終得到全局最優(yōu)解。de算法不但具備結(jié)構(gòu)簡(jiǎn)單，控制參數(shù)少，易于實(shí)現(xiàn)，有較強(qiáng)的魯棒性等優(yōu)點(diǎn)，而且其固有的并行性有助于算法求解大規(guī)模系統(tǒng)模型。尤其是在低維單峰函數(shù)優(yōu)化問(wèn)題中具有明顯的收斂速度快、尋優(yōu)精度高等優(yōu)勢(shì)。然而在面臨高維、多峰、非線性及不可微等復(fù)雜優(yōu)化函數(shù)時(shí)，存在后期收斂速度慢，容易陷入局部最優(yōu)等缺陷。
針對(duì)這一問(wèn)題，本發(fā)明提供一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法，并首次提出了基因編輯差分算法(gede)，該算法在標(biāo)準(zhǔn)差分算法的基礎(chǔ)上，通過(guò)融入我們最新研制的基因編輯操作，該操作能有效緩解de算法后期收斂種群多樣性不足導(dǎo)致陷入局部最優(yōu)的現(xiàn)象，并且在收斂后期種群中個(gè)體嚴(yán)格滿足等式約束情況下，每次基因編輯操作均為在可行域中搜索，這極大的降低了整個(gè)搜索空間，大幅度地提高算法搜索效率。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明實(shí)施例提供了一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法，用于解決現(xiàn)有的基于差分進(jìn)化算法的經(jīng)濟(jì)調(diào)度優(yōu)化方法在面臨高維、多峰、非線性及不可微等復(fù)雜優(yōu)化函數(shù)時(shí)存在的后期收斂速度慢、容易陷入局部最優(yōu)的技術(shù)問(wèn)題。
本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法，包括：
s1：建立計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型；
s2：設(shè)置種群大小m、最大迭代次數(shù)maxgen，交叉概率pde、編輯概率pc，根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群并根據(jù)所述初始的種群計(jì)算初始適應(yīng)度值；
s3：對(duì)種群中的所有個(gè)體執(zhí)行變異操作、交叉操作和選擇操作，并更新種群；
s4：對(duì)更新后的種群執(zhí)行基因編輯技術(shù)操作，再次更新種群并記錄迭代次數(shù)加一；
s5：重復(fù)執(zhí)行步驟s3至s4，直到迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)maxgen。
優(yōu)選地，所述步驟s1具體包括：
建立傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中，fj為機(jī)組j的燃料費(fèi)用；n為發(fā)電機(jī)組數(shù)；aj、bj、cj為發(fā)電機(jī)組j的燃料費(fèi)用系數(shù)pj為發(fā)電機(jī)組j的出力；
根據(jù)閥點(diǎn)效應(yīng)對(duì)傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行修正，獲得修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中ej、fj為發(fā)電機(jī)組j的閥點(diǎn)效應(yīng)系數(shù)；
根據(jù)閥點(diǎn)效應(yīng)和多燃料對(duì)修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行分段處理，獲得最終的計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型可用公式表示為：
其中，ajk、bjk、cjk、ejk、fjk為機(jī)組j的第k種類型燃料的費(fèi)用系數(shù)，該分段函數(shù)共有k段；
并且，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型的約束條件包括負(fù)荷平衡約束和機(jī)組出力約束；
所述負(fù)荷平衡約束為：
其中，pd為系統(tǒng)負(fù)荷需求；
所述機(jī)組出力約束為：
優(yōu)選地，所述步驟s2具體包括：
通過(guò)種群初始化公式根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群，所述種群初始化公式為：
其中，i∈(1,m)，j∈(1,n)；
種群中每個(gè)個(gè)體表示一個(gè)解，針對(duì)包含d臺(tái)發(fā)電機(jī)組的計(jì)及閥點(diǎn)效應(yīng)的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題，其第i個(gè)個(gè)體可表示為：
x(i)＝[xi,1,xi,2,...xi,n]＝[pi,1,pi,2,...pi,n]；
其中，x(i)為種群中第i個(gè)個(gè)體，xi,1為個(gè)體i中第一個(gè)控制變量，pi,1為個(gè)體i第1臺(tái)發(fā)電機(jī)組的出力；
根據(jù)約束越限處理公式對(duì)所述初始化后的種群進(jìn)行約束越限處理，所述約束越限處理公式為：
通過(guò)適應(yīng)度值計(jì)算公式對(duì)進(jìn)行約束越限處理后的種群計(jì)算適應(yīng)度值，所述適應(yīng)度值計(jì)算公式為：
其中，λ為懲罰系數(shù)，
優(yōu)選地，所述步驟s3具體包括：
通過(guò)變異操作公式對(duì)種群中的所有個(gè)體進(jìn)行變異操作，所述變異操作公式為：
其中，g為當(dāng)前代數(shù)，r1、r2、r3∈n(1，m)∩r1≠r2≠r3≠i，
通過(guò)交叉操作公式根據(jù)當(dāng)前種群中個(gè)體
其中，rand為[0,1]之間服從均勻分布的隨機(jī)數(shù)，pde∈[0,1]為交叉概率，n為變量的維數(shù)；
通過(guò)選擇操作公式對(duì)父代個(gè)體
其中，
將經(jīng)過(guò)選擇操作后的種群個(gè)體對(duì)應(yīng)的種群作為更新后的種群。
優(yōu)選地，所述步驟s4具體包括：
s401：標(biāo)記種群為基因編輯技術(shù)操作中的細(xì)胞核，標(biāo)記種群中的個(gè)體為基因編輯技術(shù)操作中的染色體，標(biāo)記種群中的個(gè)體的維為基因編輯技術(shù)操作中的對(duì)應(yīng)染色體的所有基因，對(duì)所述所有基因進(jìn)行兩兩不重復(fù)配對(duì)，獲得配對(duì)基因；
s402：若配對(duì)基因?qū)?yīng)的[0,1]之間服從均勻分布的隨機(jī)數(shù)rand大于預(yù)設(shè)的編輯概率pc，則對(duì)配對(duì)基因執(zhí)行配對(duì)基因編輯操作；
s403：對(duì)執(zhí)行完基因編輯技術(shù)操作的種群個(gè)體與未執(zhí)行基因編輯技術(shù)操作的種群個(gè)體進(jìn)行適應(yīng)度值計(jì)算并比較適應(yīng)度值的大小，選擇保留適應(yīng)度值大的種群個(gè)體，放棄適應(yīng)度值小的種群個(gè)體；
s404：記錄迭代次數(shù)加一；
所述步驟s402中的配對(duì)基因編輯操作具體包括：
a1：設(shè)置染色體i中的d1、d2維基因分別為x(i,d1)和x(i,d2)，并通過(guò)基因供體公式對(duì)基因進(jìn)行定點(diǎn)剪切和供體重組，獲得提取的基因供體，所述基因供體公式為：
其中，l(d1)、l(d2)為基因保守序列，gd為所提取的基因供體；
a2：通過(guò)基因供體片段公式對(duì)所述提取的基因供體進(jìn)行隨機(jī)剪切，獲得剪切后的基因供體片段，所述基因供體片段公式為：
其中，gs1、gs2分別為剪切后的基因供體片段；
a3：通過(guò)片段替換公式對(duì)所述剪切后的基因供體片段進(jìn)行片段替換，所述片段替換為：
其中，gr(i,d1)、gr(i,d2)分別為染色體i修復(fù)后的第d1、d2維基因；
a4：通過(guò)基因檢測(cè)公式判斷基因編輯是否成功，若是，則對(duì)下一組配對(duì)基因執(zhí)行步驟s402，直到所有配對(duì)基因編輯完畢，若否，則返回執(zhí)行步驟a1；
所述基因檢測(cè)公式為：
gr(i,d1)≤u(d1)且gr(i,d2)≤u(d2)；
其中，u(d1)、u(d2)為基因序列上限。
本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化裝置，包括：
經(jīng)濟(jì)調(diào)度模型建立模塊，用于建立計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型；
種群初始化模塊，用于設(shè)置種群大小m、最大迭代次數(shù)maxgen，交叉概率pde、編輯概率pc，根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群并根據(jù)所述初始的種群計(jì)算初始適應(yīng)度值；
變異交叉選擇模塊，用于對(duì)種群中的所有個(gè)體執(zhí)行變異操作、交叉操作和選擇操作，并更新種群；
基因編輯模塊，用于對(duì)更新后的種群執(zhí)行基因編輯技術(shù)操作，再次更新種群并記錄迭代次數(shù)加一；
循環(huán)模塊，用于重復(fù)執(zhí)行變異交叉選擇模塊和基因編輯模塊，直到迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)maxgen。
優(yōu)選地，所述經(jīng)濟(jì)調(diào)度模型建立模塊具體包括：
傳統(tǒng)經(jīng)濟(jì)調(diào)度建立單元，用于建立傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中，fj為機(jī)組j的燃料費(fèi)用；n為發(fā)電機(jī)組數(shù)；aj、bj、cj為發(fā)電機(jī)組j的燃料費(fèi)用系數(shù)pj為發(fā)電機(jī)組j的出力；
閥點(diǎn)效應(yīng)修正單元，用于根據(jù)閥點(diǎn)效應(yīng)對(duì)傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行修正，獲得修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中ej、fj為發(fā)電機(jī)組j的閥點(diǎn)效應(yīng)系數(shù)；
閥點(diǎn)效應(yīng)及多燃料修正單元，用于根據(jù)閥點(diǎn)效應(yīng)和多燃料對(duì)修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行分段處理，獲得最終的計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型可用公式表示為：
其中，ajk、bjk、cjk、ejk、fjk為機(jī)組j的第k種類型燃料的費(fèi)用系數(shù)，該分段函數(shù)共有k段；
并且，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型的約束條件包括負(fù)荷平衡約束和機(jī)組出力約束；
所述負(fù)荷平衡約束為：
其中，pd為系統(tǒng)負(fù)荷需求；
所述機(jī)組出力約束為：
優(yōu)選地，所述種群初始化模塊具體包括：
種群初始化單元，用于通過(guò)種群初始化公式根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群，所述種群初始化公式為：
其中，i∈(1,m)，j∈(1,n)；
種群中每個(gè)個(gè)體表示一個(gè)解，針對(duì)包含d臺(tái)發(fā)電機(jī)組的計(jì)及閥點(diǎn)效應(yīng)的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題，其第i個(gè)個(gè)體可表示為：
x(i)＝[xi,1,xi,2,...xi,n]＝[pi,1,pi,2,...pi,n]；
其中，x(i)為種群中第i個(gè)個(gè)體，xi,1為個(gè)體i中第一個(gè)控制變量，pi,1為個(gè)體i第1臺(tái)發(fā)電機(jī)組的出力；
約束越限處理單元，用于根據(jù)約束越限處理公式對(duì)所述初始化后的種群進(jìn)行約束越限處理，所述約束越限處理公式為：
適應(yīng)度值計(jì)算單元，用于通過(guò)適應(yīng)度值計(jì)算公式對(duì)進(jìn)行約束越限處理后的種群計(jì)算適應(yīng)度值，所述適應(yīng)度值計(jì)算公式為：
其中，λ為懲罰系數(shù)，
優(yōu)選地，所述變異交叉選擇模塊具體包括：
變異操作單元，用于通過(guò)變異操作公式對(duì)種群中的所有個(gè)體進(jìn)行變異操作，所述變異操作公式為：
其中，g為當(dāng)前代數(shù)，r1、r2、r3∈n(1，m)∩r1≠r2≠r3≠i，
交叉操作單元，用于通過(guò)交叉操作公式根據(jù)當(dāng)前種群中個(gè)體
其中，rand為[0,1]之間服從均勻分布的隨機(jī)數(shù)，pde∈[0,1]為交叉概率，n為變量的維數(shù)；
選擇操作單元，用于通過(guò)選擇操作公式對(duì)父代個(gè)體
其中，
第一種群更新單元，用于將經(jīng)過(guò)選擇操作后的種群個(gè)體對(duì)應(yīng)的種群作為更新后的種群。
優(yōu)選地，所述基因編輯模塊具體包括：
標(biāo)記與配對(duì)單元，用于標(biāo)記種群為基因編輯技術(shù)操作中的細(xì)胞核，標(biāo)記種群中的個(gè)體為基因編輯技術(shù)操作中的染色體，標(biāo)記種群中的個(gè)體的維為基因編輯技術(shù)操作中的對(duì)應(yīng)染色體的所有基因，對(duì)所述所有基因進(jìn)行兩兩不重復(fù)配對(duì)，獲得配對(duì)基因；
配對(duì)基因編輯操作單元，用于若配對(duì)基因?qū)?yīng)的[0,1]之間服從均勻分布的隨機(jī)數(shù)rand大于預(yù)設(shè)的編輯概率pc，則對(duì)配對(duì)基因執(zhí)行配對(duì)基因編輯操作；
第二種群更新單元，用于對(duì)執(zhí)行完基因編輯技術(shù)操作的種群個(gè)體與未執(zhí)行基因編輯技術(shù)操作的種群個(gè)體進(jìn)行適應(yīng)度值計(jì)算并比較適應(yīng)度值的大小，選擇保留適應(yīng)度值大的種群個(gè)體，放棄適應(yīng)度值小的種群個(gè)體；
迭代次數(shù)累加單元，用于記錄迭代次數(shù)加一；
所述配對(duì)基因編輯操作單元中進(jìn)行配對(duì)基因編輯操作的單元具體包括：
基因供體提取子單元，用于設(shè)置染色體i中的d1、d2維基因分別為x(i,d1)和x(i,d2)，并通過(guò)基因供體公式對(duì)基因進(jìn)行定點(diǎn)剪切和供體重組，獲得提取的基因供體，所述基因供體公式為：
其中，l(d1)、l(d2)為基因保守序列，gd為所提取的基因供體；
隨機(jī)剪切子單元，用于通過(guò)基因供體片段公式對(duì)所述提取的基因供體進(jìn)行隨機(jī)剪切，獲得剪切后的基因供體片段，所述基因供體片段公式為：
其中，gs1、gs2分別為剪切后的基因供體片段；
片段替換子單元，用于通過(guò)片段替換公式對(duì)所述剪切后的基因供體片段進(jìn)行片段替換，所述片段替換為：
其中，gr(i,d1)、gr(i,d2)分別為染色體i修復(fù)后的第d1、d2維基因；
基因檢測(cè)子單元，用于通過(guò)基因檢測(cè)公式判斷基因編輯是否成功，若是，則對(duì)下一組配對(duì)基因執(zhí)行配對(duì)基因編輯操作單元，直到所有配對(duì)基因編輯完畢，若否，則返回執(zhí)行基因供體提取子單元；
所述基因檢測(cè)公式為：
gr(i,d1)≤u(d1)且gr(i,d2)≤u(d2)；
其中，u(d1)、u(d2)為基因序列上限。
從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn)：
本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法，通過(guò)建立計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型并根據(jù)所述經(jīng)濟(jì)調(diào)度模型初始化種群，進(jìn)而對(duì)種群進(jìn)行變異、交叉、選擇操作，且執(zhí)行基因編輯技術(shù)操作并更新適應(yīng)度大的種群，對(duì)經(jīng)濟(jì)調(diào)度模型對(duì)應(yīng)的種群進(jìn)行了基因編輯操作和差分進(jìn)化算法，在de算法的研究基礎(chǔ)上融合了基因編輯技術(shù)操作，通過(guò)控制當(dāng)前細(xì)胞核內(nèi)所有染色體參與編輯的基因規(guī)模，協(xié)助部分維擺脫維局部最優(yōu)的同時(shí)避免破壞正常維，有效地避免算法過(guò)早熟收斂，在面對(duì)計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型時(shí)，能夠解決現(xiàn)有的基于差分進(jìn)化算法的經(jīng)濟(jì)調(diào)度優(yōu)化方法在面臨高維、多峰、非線性及不可微等復(fù)雜優(yōu)化函數(shù)時(shí)存在的后期收斂速度慢、容易陷入局部最優(yōu)的技術(shù)問(wèn)題。
附圖說(shuō)明
為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。
圖1為本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的一個(gè)實(shí)施例；
圖2為本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例；
圖3為本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例中考慮了閥點(diǎn)效應(yīng)的耗量特性曲線圖；
圖4為本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例中考慮了閥點(diǎn)效應(yīng)和多燃料的耗量特性曲線圖；
圖5為本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例中配對(duì)基因編輯操作的示意圖；
圖6為本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例中經(jīng)過(guò)基因編輯技術(shù)操作的搜索示意圖；
圖7為本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例中40機(jī)組de算法與gede算法收斂曲線對(duì)比圖。
具體實(shí)施方式
本發(fā)明實(shí)施例提供了一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法，用于解決現(xiàn)有的基于差分進(jìn)化算法的經(jīng)濟(jì)調(diào)度優(yōu)化方法在面臨高維、多峰、非線性及不可微等復(fù)雜優(yōu)化函數(shù)時(shí)存在的后期收斂速度慢、容易陷入局部最優(yōu)的技術(shù)問(wèn)題。
為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點(diǎn)能夠更加的明顯和易懂，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，下面所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而非全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
請(qǐng)參閱圖1，本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的一個(gè)實(shí)施例，包括：
101：建立計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型；
102：設(shè)置種群大小m、最大迭代次數(shù)maxgen，交叉概率pde、編輯概率pc，根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群并根據(jù)所述初始的種群計(jì)算初始適應(yīng)度值；
103：對(duì)種群中的所有個(gè)體執(zhí)行變異操作、交叉操作和選擇操作，并更新種群；
104：對(duì)更新后的種群執(zhí)行基因編輯技術(shù)操作，再次更新種群并記錄迭代次數(shù)加一；
105：重復(fù)執(zhí)行步驟103至104，直到迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)maxgen。
本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法，通過(guò)建立計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型并根據(jù)所述經(jīng)濟(jì)調(diào)度模型初始化種群，進(jìn)而對(duì)種群進(jìn)行變異、交叉、選擇操作，且執(zhí)行基因編輯技術(shù)操作并更新適應(yīng)度大的種群，對(duì)經(jīng)濟(jì)調(diào)度模型對(duì)應(yīng)的種群進(jìn)行了基因編輯操作和差分進(jìn)化算法，在de算法的研究基礎(chǔ)上融合了基因編輯技術(shù)操作，通過(guò)控制當(dāng)前細(xì)胞核內(nèi)所有染色體參與編輯的基因規(guī)模，協(xié)助部分維擺脫維局部最優(yōu)的同時(shí)避免破壞正常維，有效地避免算法過(guò)早熟收斂，在面對(duì)計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型時(shí)，能夠解決現(xiàn)有的基于差分進(jìn)化算法的經(jīng)濟(jì)調(diào)度優(yōu)化方法在面臨高維、多峰、非線性及不可微等復(fù)雜優(yōu)化函數(shù)時(shí)存在的后期收斂速度慢、容易陷入局部最優(yōu)的技術(shù)問(wèn)題。
以上是對(duì)本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述。
請(qǐng)參閱圖2，本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例，包括：
第一步：建立計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型；
第二步：設(shè)置種群大小m、最大迭代次數(shù)maxgen，交叉概率pde、編輯概率pc，根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群并根據(jù)所述初始的種群計(jì)算初始適應(yīng)度值；
第三步：對(duì)種群中的所有個(gè)體執(zhí)行變異操作、交叉操作和選擇操作，并更新種群；
第四步：對(duì)更新后的種群執(zhí)行基因編輯技術(shù)操作，再次更新種群并記錄迭代次數(shù)加一；
第五步：重復(fù)執(zhí)行步驟第三步至第四步，直到迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)maxgen。
需要說(shuō)明的是，當(dāng)?shù)螖?shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)maxgen后，可輸出適應(yīng)度值最好的解作為最終優(yōu)化結(jié)果，第四步中的再次更新種群包括了選取適應(yīng)度值更好的種群。
第一步具體包括：
建立傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中，fj為機(jī)組j的燃料費(fèi)用；n為發(fā)電機(jī)組數(shù)；aj、bj、cj為發(fā)電機(jī)組j的燃料費(fèi)用系數(shù)pj為發(fā)電機(jī)組j的出力；
需要說(shuō)明的是，傳統(tǒng)ed問(wèn)題的主要目標(biāo)是在滿足電力系統(tǒng)安全運(yùn)行的各種約束下，通過(guò)優(yōu)化各發(fā)電機(jī)組有功出力使得所有發(fā)電機(jī)總?cè)剂腺M(fèi)用最小。
根據(jù)閥點(diǎn)效應(yīng)對(duì)傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行修正，獲得修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中ej、fj為發(fā)電機(jī)組j的閥點(diǎn)效應(yīng)系數(shù)；
需要說(shuō)明的是，在實(shí)際的經(jīng)濟(jì)調(diào)度中，通常還需考慮汽輪機(jī)進(jìn)氣閥突然開(kāi)啟所出現(xiàn)的拔絲現(xiàn)象，該現(xiàn)象會(huì)在機(jī)組的耗量特性曲線上疊加一個(gè)脈動(dòng)效果——閥點(diǎn)效應(yīng)，如圖3所示。
根據(jù)閥點(diǎn)效應(yīng)和多燃料對(duì)修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行分段處理，獲得最終的計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型可用公式表示為：
其中，ajk、bjk、cjk、ejk、fjk為機(jī)組j的第k種類型燃料的費(fèi)用系數(shù)，該分段函數(shù)共有k段；
并且，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型的約束條件包括負(fù)荷平衡約束和機(jī)組出力約束；
所述負(fù)荷平衡約束為：
其中，pd為系統(tǒng)負(fù)荷需求；
所述機(jī)組出力約束為：
需要說(shuō)明的是，當(dāng)發(fā)電機(jī)組同時(shí)考慮閥點(diǎn)效應(yīng)和多燃料時(shí)，機(jī)組的耗量特性曲線將出現(xiàn)如圖4所示的分段脈動(dòng)效果。
第二步具體包括：
通過(guò)種群初始化公式根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群，所述種群初始化公式為：
其中，i∈(1,m)，j∈(1,n)；
種群中每個(gè)個(gè)體表示一個(gè)解，針對(duì)包含d臺(tái)發(fā)電機(jī)組的計(jì)及閥點(diǎn)效應(yīng)的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題，其第i個(gè)個(gè)體可表示為：
x(i)＝[xi,1,xi,2,...xi,n]＝[pi,1,pi,2,...pi,n]；
其中，x(i)為種群中第i個(gè)個(gè)體，xi,1為個(gè)體i中第一個(gè)控制變量，pi,1為個(gè)體i第1臺(tái)發(fā)電機(jī)組的出力；
根據(jù)約束越限處理公式對(duì)所述初始化后的種群進(jìn)行約束越限處理，所述約束越限處理公式為：
通過(guò)適應(yīng)度值計(jì)算公式對(duì)進(jìn)行約束越限處理后的種群計(jì)算適應(yīng)度值，所述適應(yīng)度值計(jì)算公式為：
其中，λ為懲罰系數(shù)，
與遺傳算法相似，de算法也包含交叉，變異和選擇操作，不同的是，de在隨機(jī)選擇的父代個(gè)體間差分矢量的基礎(chǔ)上生成變異個(gè)體；其次，按一定的交叉概率對(duì)父代個(gè)體與變異個(gè)體執(zhí)行交叉操作，生成試驗(yàn)個(gè)體；最后采用貪婪策略保留父代個(gè)體與試驗(yàn)個(gè)體之間適應(yīng)值較好的個(gè)體。第三步具體包括：
通過(guò)變異操作公式對(duì)種群中的所有個(gè)體進(jìn)行變異操作，所述變異操作公式為：
其中，g為當(dāng)前代數(shù)，r1、r2、r3∈n(1，m)∩r1≠r2≠r3≠i，
需要說(shuō)明的是，de算法是在父代個(gè)體之間差分矢量的基礎(chǔ)上執(zhí)行變異操作的，每個(gè)差分矢量包含父代(如第g代)的兩個(gè)不同個(gè)體。實(shí)際應(yīng)用中de有多種變異方案，其變異個(gè)體的生成方式也各有差異。
通過(guò)交叉操作公式根據(jù)當(dāng)前種群中個(gè)體
其中，rand為[0,1]之間服從均勻分布的隨機(jī)數(shù)，pde∈[0,1]為交叉概率，n為變量的維數(shù)；
需要說(shuō)明的是，de算法通過(guò)交叉操作以提高種群的多樣性。該過(guò)程根據(jù)當(dāng)前種群中個(gè)體
通過(guò)選擇操作公式對(duì)父代個(gè)體
其中，
將經(jīng)過(guò)選擇操作后的種群個(gè)體對(duì)應(yīng)的種群作為更新后的種群。
需要說(shuō)明的是，de算法采用競(jìng)爭(zhēng)策略產(chǎn)生子代個(gè)體，通過(guò)父代個(gè)體
標(biāo)準(zhǔn)de算法的性能主要取決于其全局搜索和局部探測(cè)能力，在一定意義上，這取決于該算法的種群大小、縮放比例因子、交叉概率等控制參數(shù)的設(shè)置，相比于其它的啟發(fā)式算法而言，de算法具備控制參數(shù)少，可操作性強(qiáng)、群體搜索，具有記憶個(gè)體最優(yōu)和全局最優(yōu)的保優(yōu)功能等優(yōu)點(diǎn)。然而，與其它諸如遺傳算法、蟻群算法、粒子群算法等絕大多數(shù)啟發(fā)式算法相似，de算法由于自身固有利用差分向量進(jìn)行突變產(chǎn)生新個(gè)體的搜索方式造成該算法在當(dāng)?shù)螖?shù)達(dá)進(jìn)行到一定次數(shù)時(shí)，種群多樣性的急劇下降，形成“聚集”現(xiàn)象，導(dǎo)致過(guò)早收斂的問(wèn)題。
為增強(qiáng)de算法的全局收斂能力，使算法在處理高維多峰復(fù)雜優(yōu)化問(wèn)題時(shí)，降低算法在某一局部最優(yōu)點(diǎn)出現(xiàn)停滯的可能性，避免種群多樣性過(guò)早喪失，協(xié)助其跳出局部最優(yōu)。本發(fā)明通過(guò)在上述標(biāo)準(zhǔn)de算法的基礎(chǔ)上融入我們最新研制的基因編輯技術(shù)操作。第四步具體包括：
s401：標(biāo)記種群為基因編輯技術(shù)操作中的細(xì)胞核，標(biāo)記種群中的個(gè)體為基因編輯技術(shù)操作中的染色體，標(biāo)記種群中的個(gè)體的維為基因編輯技術(shù)操作中的對(duì)應(yīng)染色體的所有基因，對(duì)所述所有基因進(jìn)行兩兩不重復(fù)配對(duì)，獲得配對(duì)基因；
s402：若配對(duì)基因?qū)?yīng)的[0,1]之間服從均勻分布的隨機(jī)數(shù)rand大于預(yù)設(shè)的編輯概率pc，則對(duì)配對(duì)基因執(zhí)行配對(duì)基因編輯操作；
s403：對(duì)執(zhí)行完基因編輯技術(shù)操作的種群個(gè)體與未執(zhí)行基因編輯技術(shù)操作的種群個(gè)體進(jìn)行適應(yīng)度值計(jì)算并比較適應(yīng)度值的大小，選擇保留適應(yīng)度值大的種群個(gè)體，放棄適應(yīng)度值小的種群個(gè)體；
s404：記錄迭代次數(shù)加一；
請(qǐng)參閱圖5，步驟s402中的配對(duì)基因編輯操作具體包括：
a1：設(shè)置染色體i中的d1、d2維基因分別為x(i,d1)和x(i,d2)，并通過(guò)基因供體公式對(duì)基因進(jìn)行定點(diǎn)剪切和供體重組，獲得提取的基因供體，所述基因供體公式為：
其中，l(d1)、l(d2)為基因保守序列，gd為所提取的基因供體；
a2：通過(guò)基因供體片段公式對(duì)所述提取的基因供體進(jìn)行隨機(jī)剪切，獲得剪切后的基因供體片段，所述基因供體片段公式為：
其中，gs1、gs2分別為剪切后的基因供體片段；
a3：通過(guò)片段替換公式對(duì)所述剪切后的基因供體片段進(jìn)行片段替換，所述片段替換為：
其中，gr(i,d1)、gr(i,d2)分別為染色體i修復(fù)后的第d1、d2維基因；
a4：通過(guò)基因檢測(cè)公式判斷基因編輯是否成功，若是，則對(duì)下一組配對(duì)基因執(zhí)行步驟s402，直到所有配對(duì)基因編輯完畢，若否，則返回執(zhí)行步驟a1；
所述基因檢測(cè)公式為：
gr(i,d1)≤u(d1)且gr(i,d2)≤u(d2)；
其中，u(d1)、u(d2)為基因序列上限。
需要說(shuō)明的是，細(xì)胞核(種群)中染色體(個(gè)體)的所有基因(維)進(jìn)行兩兩不重復(fù)配對(duì)，并依據(jù)編輯概率pc判斷配對(duì)基因是否執(zhí)行基因編輯操作，若rand＞pc則執(zhí)行基因編輯操作，假定染色體i中的d1、d2維基因分別為x(i,d1)和x(i,d2)，則對(duì)它們則行基因編輯操作產(chǎn)生修復(fù)的d1、d2維基因。
需要說(shuō)明的是，第四步也可表述為細(xì)胞核(種群)中染色體(個(gè)體)所有基因(維)，進(jìn)行隨機(jī)兩兩不重復(fù)配對(duì)，并依據(jù)編輯概率pc判斷配對(duì)基因是否執(zhí)行基因編輯技術(shù)操作，若執(zhí)行，則執(zhí)行基因編輯技術(shù)操作中的基因定點(diǎn)剪切、供體重組、基因供體隨機(jī)剪切、定點(diǎn)基因片段替換和基因檢測(cè)與鑒定，產(chǎn)生新的染色體(個(gè)體)基因?qū)?，其次，?jì)算所有基因編輯操作后所產(chǎn)生新染色體的適應(yīng)度，執(zhí)行選擇操作，擇優(yōu)保留適應(yīng)度值較好的染色體進(jìn)入下一次迭代。
本發(fā)明gede算法在de算法的研究基礎(chǔ)上，融合了基因編輯技術(shù)操作，該操作通過(guò)采用一個(gè)編輯概率pc控制當(dāng)前細(xì)胞核內(nèi)所有染色體參與編輯的基因規(guī)模，這有利于協(xié)助部分維擺脫維局部最優(yōu)的同時(shí)避免破壞正常維，有效地避免算法過(guò)早熟收斂。其次，由上述基因編輯技術(shù)操作過(guò)程不難發(fā)現(xiàn)，該操作并不會(huì)發(fā)生基因漂移，即基因編輯技術(shù)操作后配對(duì)維之和保持不變。因此，隨著搜索的逐步深入，當(dāng)出現(xiàn)細(xì)胞核中染色體上所有基因之和嚴(yán)格滿足中等式約束時(shí)，此時(shí)所執(zhí)行的每次基因編輯技術(shù)操作將同樣嚴(yán)格滿足約束條件，對(duì)于上述計(jì)及閥點(diǎn)效應(yīng)的多燃料經(jīng)濟(jì)調(diào)度更是同時(shí)滿足等式約束和不等式約束，即每一次基因編輯技術(shù)操作均在可行域上搜索全局最優(yōu)解，這極大提高了算法的計(jì)算效率，此過(guò)程可由圖6所示。
具體地，本發(fā)明實(shí)施例還可以描述為：
步驟1：設(shè)定種群大小m、最大迭代次數(shù)maxgen、交叉概率pde、編輯概率pc，在解空間中隨機(jī)初始化種群，并計(jì)算每個(gè)個(gè)體的適應(yīng)度值。
步驟2：對(duì)種群中所有個(gè)體執(zhí)行變異、交叉和選擇操作，更新種群；
步驟3：對(duì)步驟2所產(chǎn)生子代種群執(zhí)行基因編輯技術(shù)操作，更新種群；
步驟4：判斷是否達(dá)到最大迭代次數(shù)maxgen，若是，則輸出適應(yīng)度值最好的解作為最終優(yōu)化結(jié)果，否則，轉(zhuǎn)至步驟2繼續(xù)迭代搜索。
為驗(yàn)證本發(fā)明gede算法求解具有高維、非凸、非線性、不連續(xù)特性的計(jì)及閥點(diǎn)效應(yīng)和多燃料經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題的有效性與優(yōu)越性，本發(fā)明采用經(jīng)典40機(jī)組的計(jì)及閥點(diǎn)效應(yīng)和多燃料電力系統(tǒng)經(jīng)濟(jì)調(diào)度算例進(jìn)行仿真分析。
請(qǐng)參閱圖7，從圖7可以看出，本發(fā)明實(shí)施例的經(jīng)濟(jì)調(diào)度優(yōu)化方法產(chǎn)生了圖7中的gede曲線，而普通的de算法產(chǎn)生了圖中的de曲線，可以看出，本發(fā)明實(shí)施例的經(jīng)濟(jì)調(diào)度優(yōu)化方法可切實(shí)提高計(jì)算效率。僅需要較少的迭代次數(shù)即可得到更好的優(yōu)化結(jié)果，且優(yōu)化結(jié)果好。
本文針對(duì)de算法自身所固有的計(jì)算效率低，容易陷入局部最優(yōu)等缺陷，提出一種基因編輯差分算法，并將其應(yīng)用于計(jì)及閥點(diǎn)效應(yīng)的多燃料經(jīng)濟(jì)調(diào)度問(wèn)題經(jīng)典的10機(jī)組系統(tǒng)中，驗(yàn)證該算法的有效性與優(yōu)越性。本發(fā)明算法的顯著優(yōu)越性在于：
1)針對(duì)差分算法優(yōu)化過(guò)程中可能出現(xiàn)的各決策變量違約問(wèn)題，在計(jì)算適應(yīng)度前提前進(jìn)行違約處理，減少不可行解，提高計(jì)算可行性。
2)隨著迭代的深入，當(dāng)出現(xiàn)個(gè)體所有決策變量之和滿足等式約束時(shí)，此時(shí)每次基因編輯技術(shù)操作均在可行域中搜索全局最優(yōu)解，這極大地提高了計(jì)算效率。
3)采用編輯概率控制參與基因編輯操作的基因規(guī)模，在協(xié)助陷入局部維最優(yōu)的部分維擺脫當(dāng)前困局的同時(shí)，避免破壞正常維，有效地緩解了算法的過(guò)早熟現(xiàn)象。
以下將對(duì)本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化裝置進(jìn)行描述。
本發(fā)明實(shí)施例提供的一種基于基因編輯差分算法的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化裝置，包括：
經(jīng)濟(jì)調(diào)度模型建立模塊，用于建立計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型；
種群初始化模塊，用于設(shè)置種群大小m、最大迭代次數(shù)maxgen，交叉概率pde、編輯概率pc，根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群并根據(jù)所述初始的種群計(jì)算初始適應(yīng)度值；
變異交叉選擇模塊，用于對(duì)種群中的所有個(gè)體執(zhí)行變異操作、交叉操作和選擇操作，并更新種群；
基因編輯模塊，用于對(duì)更新后的種群執(zhí)行基因編輯技術(shù)操作，再次更新種群并記錄迭代次數(shù)加一；
循環(huán)模塊，用于重復(fù)執(zhí)行變異交叉選擇模塊和基因編輯模塊，直到迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)maxgen。
經(jīng)濟(jì)調(diào)度模型建立模塊具體包括：
傳統(tǒng)經(jīng)濟(jì)調(diào)度建立單元，用于建立傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中，fj為機(jī)組j的燃料費(fèi)用；n為發(fā)電機(jī)組數(shù)；aj、bj、cj為發(fā)電機(jī)組j的燃料費(fèi)用系數(shù)pj為發(fā)電機(jī)組j的出力；
閥點(diǎn)效應(yīng)修正單元，用于根據(jù)閥點(diǎn)效應(yīng)對(duì)傳統(tǒng)的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行修正，獲得修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)為：
其中ej、fj為發(fā)電機(jī)組j的閥點(diǎn)效應(yīng)系數(shù)；
閥點(diǎn)效應(yīng)及多燃料修正單元，用于根據(jù)閥點(diǎn)效應(yīng)和多燃料對(duì)修正后的經(jīng)濟(jì)調(diào)度目標(biāo)函數(shù)進(jìn)行分段處理，獲得最終的計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型可用公式表示為：
其中，ajk、bjk、cjk、ejk、fjk為機(jī)組j的第k種類型燃料的費(fèi)用系數(shù)，該分段函數(shù)共有k段；
并且，所述計(jì)及閥點(diǎn)效應(yīng)和多燃料的經(jīng)濟(jì)調(diào)度模型的約束條件包括負(fù)荷平衡約束和機(jī)組出力約束；
所述負(fù)荷平衡約束為：
其中，pd為系統(tǒng)負(fù)荷需求；
所述機(jī)組出力約束為：
種群初始化模塊具體包括：
種群初始化單元，用于通過(guò)種群初始化公式根據(jù)所述經(jīng)濟(jì)調(diào)度模型在解空間中隨機(jī)生成初始的種群，所述種群初始化公式為：
其中，i∈(1,m)，j∈(1,n)；
種群中每個(gè)個(gè)體表示一個(gè)解，針對(duì)包含d臺(tái)發(fā)電機(jī)組的計(jì)及閥點(diǎn)效應(yīng)的多燃料經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題，其第i個(gè)個(gè)體可表示為
x(i)＝[xi,1,xi,2,...xi,n]＝[pi,1,pi,2,...pi,n]；
其中，x(i)為種群中第i個(gè)個(gè)體，xi,1為個(gè)體i中第一個(gè)控制變量，pi,1為個(gè)體i第1臺(tái)發(fā)電機(jī)組的出力；
約束越限處理單元，用于根據(jù)約束越限處理公式對(duì)所述初始化后的種群進(jìn)行約束越限處理，所述約束越限處理公式為：
適應(yīng)度值計(jì)算單元，用于通過(guò)適應(yīng)度值計(jì)算公式對(duì)進(jìn)行約束越限處理后的種群計(jì)算適應(yīng)度值，所述適應(yīng)度值計(jì)算公式為：
其中，λ為懲罰系數(shù)，
變異交叉選擇模塊具體包括：
變異操作單元，用于通過(guò)變異操作公式對(duì)種群中的所有個(gè)體進(jìn)行變異操作，所述變異操作公式為：
其中，g為當(dāng)前代數(shù)，r1、r2、r3∈n(1，m)∩r1≠r2≠r3≠i，
交叉操作單元，用于通過(guò)交叉操作公式根據(jù)當(dāng)前種群中個(gè)體
其中，rand為[0,1]之間服從均勻分布的隨機(jī)數(shù)，pde∈[0,1]為交叉概率，n為變量的維數(shù)；
選擇操作單元，用于通過(guò)選擇操作公式對(duì)父代個(gè)體
其中，
第一種群更新單元，用于將經(jīng)過(guò)選擇操作后的種群個(gè)體對(duì)應(yīng)的種群作為更新后的種群。
基因編輯模塊具體包括：
標(biāo)記與配對(duì)單元，用于標(biāo)記種群為基因編輯技術(shù)操作中的細(xì)胞核，標(biāo)記種群中的個(gè)體為基因編輯技術(shù)操作中的染色體，標(biāo)記種群中的個(gè)體的維為基因編輯技術(shù)操作中的對(duì)應(yīng)染色體的所有基因，對(duì)所述所有基因進(jìn)行兩兩不重復(fù)配對(duì)，獲得配對(duì)基因；
配對(duì)基因編輯操作單元，用于若配對(duì)基因?qū)?yīng)的[0,1]之間服從均勻分布的隨機(jī)數(shù)rand大于預(yù)設(shè)的編輯概率pc，則對(duì)配對(duì)基因執(zhí)行配對(duì)基因編輯操作；
第二種群更新單元，用于對(duì)執(zhí)行完基因編輯技術(shù)操作的種群個(gè)體與未執(zhí)行基因編輯技術(shù)操作的種群個(gè)體進(jìn)行適應(yīng)度值計(jì)算并比較適應(yīng)度值的大小，選擇保留適應(yīng)度值大的種群個(gè)體，放棄適應(yīng)度值小的種群個(gè)體；
迭代次數(shù)累加單元，用于記錄迭代次數(shù)加一；
所述配對(duì)基因編輯操作單元中進(jìn)行配對(duì)基因編輯操作的單元具體包括：
基因供體提取子單元，用于設(shè)置染色體i中的d1、d2維基因分別為x(i,d1)和x(i,d2)，并通過(guò)基因供體公式對(duì)基因進(jìn)行定點(diǎn)剪切和供體重組，獲得提取的基因供體，所述基因供體公式為：
其中，l(d1)、l(d2)為基因保守序列，gd為所提取的基因供體；
隨機(jī)剪切子單元，用于通過(guò)基因供體片段公式對(duì)所述提取的基因供體進(jìn)行隨機(jī)剪切，獲得剪切后的基因供體片段，所述基因供體片段公式為：
其中，gs1、gs2分別為剪切后的基因供體片段；
片段替換子單元，用于通過(guò)片段替換公式對(duì)所述剪切后的基因供體片段進(jìn)行片段替換，所述片段替換為：
其中，gr(i,d1)、gr(i,d2)分別為染色體i修復(fù)后的第d1、d2維基因；
基因檢測(cè)子單元，用于通過(guò)基因檢測(cè)公式判斷基因編輯是否成功，若是，則對(duì)下一組配對(duì)基因執(zhí)行配對(duì)基因編輯操作單元，直到所有配對(duì)基因編輯完畢，若否，則返回執(zhí)行基因供體提取子單元；
所述基因檢測(cè)公式為：
gr(i,d1)≤u(d1)且gr(i,d2)≤u(d2)；
其中，u(d1)、u(d2)為基因序列上限。
所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)，裝置和單元的具體工作過(guò)程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。
以上所述，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。