目录
1 电力系统环境经济调度数学模型
2 改进粒子群算法解决 （Python代码实现）
2.1 知识回顾
2.2 案例数据
2.3 Python代码
2.4 结果
3 展望
1 电力系统环境经济调度数学模型
2 改进粒子群算法解决 （Python代码实现）
2.1 知识回顾
很多粉丝私聊我，让我电气论文的写点简单能入门的，所有今天这个比较简单，我们先回顾一下相关知识点：
| *智能优化算法（持续更新中......） |
| 智能优化算法——粒子群算法（Matlab实现） |
| 粒子群算法——Python实现 |
2.2 案例数据
我弄成了一个文档，对应起来：
2.3 Python代码
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# ~~~~~~~~~~~~~导入相关库~~~~~~~~~~·
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
import matplotlib
matplotlib.use('TkAgg')
from tqdm import tqdm # 进度条设置
# ~~~~~~~~~~~~~~~~~~~~~读取文件~~~~~~~~~~~~~~~~~~~~~~
file=pd.read_csv('IEEE6.csv')#机组参数
P_max = file['b'] #机组上限
P_min = file['c'] # #机组下限
# ~~~~~~~~~~~~~~~~~机组特性系数~~~~~~~~~~~~~~~~~~~~~~~~·
ai = file['d']
bi=file['e']
ci=file['f']
# ~~~~~~~排放特性系数~~~~~~~~~~~~~~~~·
ali=file['g']
beti=file['h']
gari=file['i']
# ~~~~~~~~~~~~~~~~~~~~~~~粒子群算法~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~·
class Liqun:
def __init__(self, Pload1, P_max,P_min,ai,bi,ci,ali,beti,gari):
self.Pload1 = Pload1 # 负荷
self.P_max = P_max #机组上限
self.P_min = P_min #机组下限
self.ai=ai
self.bi=bi
self.ci=ci
self.ali=ali
self.beti=beti
self.gari=gari
# ~~~~~~~~PSO的参数~~~~~~~~~~~~~~~·
self.w = 1 # 惯性因子，一般取1
self.c1 = 2 # 学习因子1，一般取2
self.c2 = 2 # 学习因子2，一般取2
self.m = 100 # 种群大小，即种群中小鸟的个数
self.iter_num = 100 # 算法最大迭代次数
self.max_vel = 0.5 # 限制粒子的最大速度为0.5
self.min_vel = -0.5 # 限制粒子的最小速度为-0.5
self.a1= 0.6 # 总燃料约束权重
self.a2= 0.4 # 污染排放量权重
# ~~~~~~~~~~~~~初始化群群体~~~~~~~~~~~~~~~·
def InitializeX(self):
"""
:return: 群体[G1，G2，G3，G4，G5，G6]
"""
X = np.zeros((self.m, 6)) # 初始化群体，6代表 个机组出力
for n in range(self.m): # 遍历每一个粒子
X[n, 0] = np.random.uniform(10, 125, 1)[0] # G1
X[n, 1] = np.random.uniform(10, 150, 1)[0] # G2
X[n, 2] = np.random.uniform(35, 225, 1)[0] # G3
X[n, 3] = np.random.uniform(35, 210, 1)[0] # G4
X[n, 4] = np.random.uniform(130,325, 1)[0] # G5
X[n, 5] = np.random.uniform(125,315, 1)[0] # G6
return X
# ~~~~~~~~~~~~~~~~~~~定义目标函数、和对应的惩罚项~~~~~~~~~~~~~~~~~~~·
# ~~~~~1 目标函数：系统运行成本~~~~~
def function1(self, X1):
"""
个体目标函数
:param X1: （个体[G1，G2，G3，G4，G5，G6]
:return: 函数1目标函数值
"""
SUMCOST = [] # 存储总的成本
for i in range (5): # 遍历每一台机组
cost = self.ci[i] * X1[i] * X1[i] + self.bi[i]* X1[i] +self.ai[i] #
SUMCOST.append(cost)
return np.sum(SUMCOST)
#~~~~~~~~~~~~~~总污染排放量~~~~~~~~~~~~··
def function2(self, X1):
"""
个体目标函数
:param X1: （个体[G1，G2，G3，G4，G5，G6]
:return: 函数2目标函数值
"""
emission=[] #储存总的污染排放量
for i in range(5):
e=ali[i]+beti[i]*X1[i]+gari[i]*X1[i]*X1[i]
emission.append(e)
return np.sum(emission)
# ~~~~平衡约束~~~~~~·
def calc_e1(self, X1):
"""
函数1 对应的个体惩罚项
:param X1: （个体[G1，G2，G3，G4，G5，G6]
:return:
"""
X2 = [] # 存储总的
for i in range(5):
X2.append(X1[i])
"""~~~【发电机-负荷】~~~"""
cost=(np.sum(X2)-self.Pload1)
return cost
# ~~~~~~~~~~~~~~~~粒子群速度更新公式~~~~~~~~~~~~~~~~~~~·
def velocity_update(self, V, X, pbestX, gbestX):
"""
:param V: 群体速度
:param X: 群体位置[G1，G2，G3，G4，G5，G6]
:param pbestX: 种群历史最优位置
:param gbestX: 全局最优位置
:return:
"""
r1 = np.random.random((self.m, 6))
r2 = np.random.random((self.m, 6))
V = self.w * V + self.c1 * r1 * (pbestX - X) + self.c2 * r2 * (gbestX - X) # 直接对照公式写就好了
# 防止越界处理
V[V > self.max_vel] = self.max_vel
V[V < self.min_vel] = self.min_vel
return V
2.4 结果
100%|██████████| 100/100 [00:01<00:00, 51.48it/s]
迭代最优变量是： [ 22.90408567 12.02717925 138.07640382 37.94844146 151.6501717
235.88406557]
迭代最优目标函数1(总燃料成本）：20304.89493
迭代最优目标函数2(总污染排放量）：237.17202
Process finished with exit code 0
100%|██████████| 100/100 [00:01<00:00, 51.48it/s] 迭代最优变量是： [ 22.90408567 12.02717925 138.07640382 37.94844146 151.6501717 235.88406557] 迭代最优目标函数1(总燃料成本）：20304.89493 迭代最优目标函数2(总污染排放量）：237.17202 Process finished with exit code 0
完整代码——请博主喝杯奶茶吧 ：粒子群算法求解环境经济调度（Python代码实现）
3 展望
后期将在此基础上加大难度，10机组有阀点效应的，有网损的。最后再来40机组的，难度慢慢加大。下集预告：
