[发明专利]一种梯级水库群联合调度的多目标优化方法和系统

权利要求书

1.一种梯级水库群联合调度的多目标优化方法，其特征在于，依次包括如下步骤：

(1)以梯级水库群的发电量最大为目标建立第一目标函数，以梯级水库群的生态缺水量最小为目标建立第二目标函数，将第一目标函数和第二目标函数作为两个子目标构建梯级水库群的多目标调度模型；

(2)计算梯级水库群的多目标调度模型的目标权重向量，将水位作为个体，随机生成包含m个个体的初始种群，在迭代过程中，通过比较前后两次迭代种群中各个个体对应的子目标的适应度值更新各子目标的最大值和最小值；

(3)利用各子目标的最大值和最小值计算各子目标的相对优属度，利用各子目标的相对优属度结合目标权重向量将梯级水库群的多目标调度模型转换为单目标函数，利用单目标函数更新个体极值和全局极值；

(4)对个体极值进行变异操作，得到新的个体极值，利用新的个体极值构建新的粒子集合，利用新的粒子集合更新种群进行下一次迭代，当迭代次数达到最大迭代次数时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。

2.如权利要求1所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述目标权重向量为：

{λ₁，λ₂}＝{1-pr，pr}

pr＝(a+1)/(l+1)

a＝0，1，2…l-1

其中，λ₁为第一目标函数的权重值，λ₂为第二目标函数的权重值，l为非劣解的总数，pr为二项分布概率，a为概率参数。

3.如权利要求1或2所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述单目标函数为：

其中，r_j，i为第i个个体第j个子目标的相对优属度，λ_j为第j个子目标对应的权重值，为单目标函数中对应的适应度值，为第k代第i个个体位置。

4.如权利要求3所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述步骤(3)中相对优属度为：

当多目标调度模型的子目标的适应度值为越大越优时，当多目标调度模型的子目标的适应度值为越小越优时，其中，为所对应的第j个子目标的适应度值，为第j个子目标的最小值，为第j个子目标的最大值。

5.如权利要求3所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述步骤(3)中利用单目标函数更新个体极值和全局极值的具体实现方式为：

式中，表示第k次迭代个体i所经历的最好位置，即个体极值；GB^k表示第k次迭代所有个体经历的最好位置，即全局极值；为第k-1次迭代个体i所经历的最好位置，表示单目标函数中对应的适应度值。

6.如权利要求1或2所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述步骤(4)包括如下步骤：

(41)对个体极值进行变异操作，得到新的个体极值；

(42)利用新的个体极值更新个体的当前位置U_g，当满足混合搜索策略启动的条件时，从当前位置U_g随机迁出(D+1)个个体构成外部档案集S_g并进入步骤(43)，D为预设的种群维度；否则，直接进入步骤(46)；

(43)对S_g中的个体依次使用映射、收缩、放大进行二次寻优；

(44)判断是否满足映射终止条件、收缩终止条件、放大终止条件中的任意一个，满足则转至(45)；否则转至(43)；

(45)形成新的外部档案集同时将这(D+1)个个体迁回当前位置U_g以构成新的粒子集合

(46)利用新的粒子集合更新种群进行下一次迭代，当迭代次数达到时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。