虚拟电厂多目标负荷调度超启发式优化算法研究

The operation of smart distribution network is paying more attention to active management in uncertain environment, as well as dynamic load dispatching. Such complex engineering optimization problems raise higher requirements to the efficiency of intelligent algorithms. This project is proposed to establish a dynamic multi-objective optimization model for load dispatching, combining with dynamic electricity market and uncertain environment for active management of distribution in smart grid. Applying statistical learning theory and intelligent optimization methods, the project will study some key issues on improving the efficiency and elasticity of heuristic algorithms: 1) improve the framework of hyper-heuristic based on ensemble learning principle; 2) design adaptive online learning strategies; and 3) give a new hyper-heuristic algorithm for solving the proposed load dispatching multi-objective optimization problem. The study helps to enrich and develop the connotation of modern heuristic algorithms, give new solutions for complex engineering optimization problems, and provide the theoretical basis and methodological support for effective implementation of the practical systems in the future.

未来智能配电网的运行更加关注面向不确定环境的主动管理，强调对负荷的动态调度，此类复杂工程优化问题对智能算法的效率提出了更高的要求。本项目拟针对智能配电网中虚拟电厂主动管理所面临的不确定环境，结合动态电价市场，建立面向配电网负荷调度的动态多目标优化模型；结合统计学习理论与智能优化方法，研究提高启发式算法的优化效率和可伸缩性等关键问题，基于集成学习原理改进超启发式框架，设计自适应在线学习策略，实现一种新型的超启发式算法，并用于求解项目所提出的负荷调度多目标优化问题。本项目研究有助于丰富和发展现代启发式算法的内涵，给出复杂工程优化问题新的解决思路，为未来实际应用系统的有效实施提供理论基础与方法支持。

本项目面向虚拟电厂中不确定环境的主动管理与负荷动态调度问题，从负荷调度的动态多目标智能优化方法、电网系统监测与领域自适应两个方面展开深入研究，获得了一定的具有普适性与推广价值的创新性研究成果。.（1）提出了能够动态分配计算资源的多目标优化策略MOEA/D-CRA，并在此基础上建立了不确定环境下的配电网负荷调度模型，实现配电网系统中多个冲突目标间的协同优化调度。为克服传感器测量噪声造成的算法性能下降问题，本项目利用集成学习模式和多目标遗传规划策略，并在进化过程中引入对立生成机制，提高优化算法效率和伸缩性的同时避免了种群早熟。本项目进一步提出了一种基于微分流形场的高维多目标优化框架，以解决基于欧氏距离的进化计算框架在高维度决策或目标空间中易发生种群选择压力消失，进而导致算法无法收敛的问题。针对分布式电源故障检测问题，提出了三种重启动策略及相应的骨干粒子群改进算法。本项目提出的基于协方差矩阵的自适应进化策略和复杂约束条件下的粒子群优化算法，已经应用于电动汽车电能调度优化与冷源系统节能控制，产生了很好的经济效益。（2）针对系统过程检测与异常检测问题，设计了基于半监督加权高斯回归的非线性多模态过程软测量方法，提出了非平稳环境中概念漂移的多尺度检测方法，并采用K-L散度精准感知数据分布的变化，能够很好地捕捉配电网系统动态环境变化并及时更新模型。提出了基于XGBoost的回归模型和基于lightGBM框架的改进GBDT方法，分别应用于短期光伏发电量预测和风力发电机叶片开裂检测。为实现无人值守电厂的自动化运行，提出了密集短连接深度网络模型DSCNets来完成设备自动检测。设计了异构分布数据的增强子空间匹配自适应迁移学习算法，通过匹配边缘和条件分布并最大化子空间中的源标签依赖性，克服不同场景下数据分布差异造成的模型性能损失。.项目组共发表学术论文21篇（其中SCI期刊论文13篇），申请发明专利4项，培养研究生9名。