《Biomimetics》:Hyperspectral Image Classification Based on an Improved Octopus Optimization Algorithm
编辑推荐:
可再生能源(RESs)的日益普及,以及其发电特性的不确定性和相互冲突的经济、环境和技术目标,显著增加了经济-环境-技术调度(EETD)问题的复杂性。尽管文献中提出了许多关于最优潮流(OPF)和经济排放调度(EED)的研究,但考虑随机可再生能源发电的综合多目标E
可再生能源(RESs)的日益普及,以及其发电特性的不确定性和相互冲突的经济、环境和技术目标,显著增加了经济-环境-技术调度(EETD)问题的复杂性。尽管文献中提出了许多关于最优潮流(OPF)和经济排放调度(EED)的研究,但考虑随机可再生能源发电的综合多目标EETD研究仍然有限。许多现有的基于Pareto的方法仍然表现出收敛性不足、解的多样性差以及低质量的妥协解。为了解决这些局限性,本文提出了用于集成可再生能源EETD的多目标增强蜂蜜形成优化(MO-EHFO)算法。在保留原始HFO五阶段基本结构的同时,MO-EHFO算法集成了基于档案的、混沌的和动态选择的改进,以优化种群多样性、搜索能力和收敛性能,并采用基于Pareto的一致性方法。在修改后的IEEE 30节点系统上进行的评估跨越了九个案例研究,每个案例涉及两个、三个或四个目标,验证了MO-EHFO的卓越性能。此外,使用代表一年中特定时间的25个简化的基于可再生能源的情景测试了所提算法的鲁棒性。仿真结果表明,虽然MO-EHFO满足所有运行和安全约束,但与MO-HFO、NSGA-II和当前文献相比,它始终产生更优的Pareto前沿和高质量的妥协解。总之,这项研究表明MO-EHFO是一种可靠的决策支持工具,在复杂和不确定的电力系统问题中为用户提供实用性、成本和技术安全性之间的最佳平衡。
随着可再生能源在现代能源系统中的迅速普及,系统运行面临经济、环境与安全目标协同优化的迫切需求。然而,可再生能源固有的不确定性极大地增加了最优潮流(OPF)问题的复杂性。传统的单目标优化方法仅能得出单一解,难以有效反映冲突目标之间的真实平衡。尽管Pareto方法在揭示冲突目标平衡方面优于加权和法,但现有的基于Pareto的调度方法往往收敛性不足、解集多样性差,且常因约束处理不当而产出低质量的妥协解或违反运行约束。此外,当前文献中针对考虑随机可再生能源发电的综合性多目标EETD研究仍较为匮乏。为填补这些研究空白,研究人员开展了针对随机可再生能源集成EETD问题的研究,提出了一种多目标增强蜂蜜形成优化(MO-EHFO)算法,并在《Biomimetics》期刊发表了相关成果。该研究得出结论,MO-EHFO能够在满足所有系统运行与安全约束的前提下,生成分布均匀且物理可行的Pareto最优解,有效平衡经济、环境和技术指标。这一成果为现代可再生能源集成电力系统提供了一种兼具高效性与可靠性的决策支持工具,具有重要意义。
在这项研究中,研究人员主要运用了以下关键技术方法:首先,基于Honey Formation Optimization(HFO)算法框架,引入Logistic映射混沌初始化、拥挤距离(CD)智能档案修剪以及基于Pareto支配与个人Pareto档案的自适应搜索机制,构建了MO-EHFO算法;其次,采用Weibull、Lognormal和Gumbel概率密度函数(PDFs)对风、光、水等可再生能源的随机出力进行数学建模;最后,在修改后的IEEE 30节点测试系统上,结合基于惩罚函数的安全约束处理技术,开展了9个多目标案例研究与基于季节性场景的验证,并使用Spread(Δ)、Hypervolume(HV)和Inverted Generational Distance(IGD)等指标进行性能量化评估。
**1. Introduction**
研究人员通过文献回顾指出,尽管最优潮流(OPF)与经济排放调度(EED)问题已被广泛研究,但综合考虑随机可再生能源发电的经济-环境-技术调度(EETD)研究仍存在局限。现有的基于Pareto的元启发式方法往往无法准确逼近真实Pareto前沿,生成的妥协解分布不均且容易违反安全约束。为了解决这些问题,研究人员开发了MO-EHFO算法,该算法在保留HFO五阶段基本结构的基础上,引入了档案管理、自适应搜索和多样性保持机制,以生成分布良好的物理可行Pareto最优解。
**2. Mathematical Formulation of MO-OPF**
研究人员详细建立了多目标最优潮流(MO-OPF)的数学模型。该模型考虑了系统功率平衡的等式约束、发电机有功/无功功率与电压幅值的不等式约束,以及输电线路热容量限制和禁止运行区间(POZs)等安全约束。对于可再生能源的随机性,研究采用Weibull、lognormal和Gumbel PDFs分别对风速、太阳辐射和河流流量进行建模。在发电成本模型中,除了热电机组的阀点加载效应燃料成本外,还计及了RESs的直接成本、储备成本和惩罚成本。
**3. Test System**
研究人员在修改后的集成可再生能源的IEEE 30节点测试系统上验证了所提方法。该系统以5个冲突的子目标为基础构建了目标函数:总发电成本、环境污染排放量、总有功功率损耗、电压偏差(VD)以及使用L-index评估的电压稳定指数。为严格维持系统的安全与运行限制,采用了罚函数技术对偏离可行域的状态与控制变量进行惩罚。
**4. Multi-Objective Honey Formation Optimization Algorithm**
研究人员详细阐述了算法的演变。HFO-1通过五个阶段(初始化、蜂蜜形成、混合、成熟和饱和)模拟蜜蜂的蜂蜜生产过程以优化单目标问题。在此基础上,MO-HFO将其扩展至多目标框架,引入了标量代理成本和全局Pareto档案(REP),但其在解的多样性上表现有限。为此,研究人员提出了MO-EHFO,完全移除了决策机制中的标量成本,建立于纯Pareto支配、拥挤距离和混沌理论之上,并加入了混沌初始化、个人Pareto档案(PBest_Pool)、可行性优先的Pareto接受策略以及弱Pareto接受等增强机制。
**5. Results, Analysis and Comparative Study**
研究人员在测试系统上开展了9个案例研究进行性能评估。在双目标MO-OPF研究中,MO-EHFO相比NSGA-II和MO-HFO展现出更平滑、密集且无间隙的Pareto前沿,获得了更优的妥协解。对于包含非凸复杂函数的目标,MO-EHFO同样实现了更均匀的解集分布。在三目标和四目标研究中,MO-EHFO凭借卓越的探索与开发平衡能力,覆盖了更广阔的解空间,在各项指标上均超越了对比方法。在系统安全与运行约束的详细评估中,结果表明所有负荷节点电压均维持在[0.95-1.05] p.u.范围内,发电机无功功率也严格遵守了上下限约束,证明了罚函数机制的有效性。在基于季节性情景的验证中,利用场景缩减技术从8000个蒙特卡洛场景中提取出25个代表性场景,MO-EHFO在不同季节的可再生资源发电模式下均保持了一致的寻优排名,证明了其强鲁棒性。数值对比表明,在20次独立运行中,MO-EHFO在Spread、HV与IGD指标上均表现出更佳的收敛性与多样性。
**讨论部分总结与结论翻译**
在讨论部分,研究人员指出,MO-HFO因缺乏高级档案管理机制,在处理如POZ引起的约束问题时易陷入局部经济最优区域;而NSGA-II在包含多个局部最优和非线性运行约束的复杂空间中表现不佳。相比之下,MO-EHFO的自适应搜索与档案驱动机制不仅加速了收敛,还显著提升了Pareto前沿的质量和多样性,确保了运行点的物理可行性。在结论部分,研究人员总结道:本研究通过提出MO-EHFO算法为多目标优化文献做出了重要贡献。该算法通过集成纯Pareto支配决策机制克服了MO-HFO的局限,并在改进的IEEE 30节点测试系统上持续逼近参考Pareto前沿,同时严格遵守了所有复杂的系统安全与运行约束。在20次独立运行的指标评估中,MO-EHFO在四个双目标情景下始终保持着收敛性(IGD)、前沿质量(HV)与多样性(Δ)的最佳平衡。在最具挑战性的四目标案例8中,MO-EHFO达到了920.7131 $/h、0.2459 ton/h、3.2316 MW与0.2323 p.u.的运行点,相较于现有文献最优结果,分别实现了成本降低2.3%、排放降低3.9%、有功损耗降低28.8%以及电压偏差降低61.37%。季节性情景分析进一步证实了该算法在随机可再生能源发电条件下的稳定性与鲁棒性。未来,该算法有望被扩展应用于处理高度动态负荷的大规模实际电网与智能电网环境中。