多目标遗传算法NSGAII求解环境经济调度（Python代码实现）_nsga python

目录

1 电力系统环境经济调度数学模型

2 算例——IEEE10节点

2.1 数据​

 2.2 Python代码学习

3 一点拓展知识 

---

1 电力系统环境经济调度数学模型

 

---

2 算例——IEEE10节点

2.1 数据

我弄成一个表格，方便编程读写：

 2.2 Python代码学习

多目标遗传算法NSGAII在电力系统多目标问题有广泛的应用，只要把文中的目标函数和约束条件换了，就搞定啦。

部分代码：

#========导入第三方库=============
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
 
# ========导入数据=============
 
# ~~~~~~~~~~~~~~~~~~~~~读取文件~~~~~~~~~~~~~~~~~~~~~~
file=pd.read_csv('IEEE10.csv')#机组参数
#B=pd.read_csv('B10.csv')
#B=np.reshape()
B=np.array([[0.000049, 0.000014	,0.000015,	0.000015,	0.000016,	0.000017	,0.000017,	0.000018	,0.000019,	0.00002],
[0.000014,	0.000045,	0.000016,	0.000016,	0.000017	,0.000015,	0.000015	,0.000016	,0.000018,	0.000018],
[0.000015,	0.000016,	0.000039,	0.00001	,0.000012,	0.000012	,0.000014,	0.000014,	0.000016,	0.000016],
[0.000015,	0.000016,	0.00001,	0.00004,	0.000014	,0.00001	,0.000011,	0.000012,	0.000014,	0.000015],
[0.000016,	0.000017,	0.000012,	0.000014,	0.000035,	0.000011,	0.000013,	0.000013,	0.000015,	0.000016],
[0.000017,	0.000015,	0.000012,	0.00001,	0.000011	,0.000036,	0.000012,	0.000012,	0.000014,	0.000015],
[0.000017	,0.000015	,0.000014,	0.000011,	0.000013,	0.000012,	0.000038,	0.000016,	0.000016,	0.000018],
[0.000018	,0.000016,	0.000014,	0.000012,	0.000013,	0.000012,	0.000016	,0.00004,	0.000015,	0.000016],
[0.000019	,0.000018	,0.000016,	0.000014,	0.000015	,0.000014	,0.000016,	0.000015,	0.000042	,0.000019],
[0.00002,	0.000018	,0.000016	,0.000015,	0.000016,	0.000015,	0.000018	,0.000016,	0.000019	,0.000044]])
 
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']
di=file['g']
ei=file['h']
 
# ~~~~~~~排放特性系数~~~~~~~~~~~~~~~~·
ali=file['g']
beti=file['h']
gari=file['i']
eti=file['l']
dali=file['m']
 
# ======多目标优化算法一次 只能求解单个时刻的解===============
class GaMultiobjective(object):
    def __init__(self, Pload1, P_max, P_min, ai, bi, ci, di, ei, ali, beti, gari, eti, dali):
        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.di = di
        self.ei = ei
        self.ali = ali
        self.beti = beti
        self.gari = gari
        self.eti = eti
        self.dali = dali
 
    # ===初始化种群====
    def Initialize(self):
        X = np.zeros((self.NP, 10))  # 初始化群体，10代表 个机组出力
        for n in range(self.NP):  # 遍历每一个粒子
            X[n, 0] = np.random.uniform(10, 55, 1)[0]  # G1
            X[n, 1] = np.random.uniform(20, 80, 1)[0]  # G2
            X[n, 2] = np.random.uniform(47, 120, 1)[0]  # G3
            X[n, 3] = np.random.uniform(20, 130, 1)[0]  # G4
            X[n, 4] = np.random.uniform(50, 160, 1)[0]  # G5
            X[n, 5] = np.random.uniform(70, 240, 1)[0]  # G6
            X[n, 6] = np.random.uniform(60, 300, 1)[0]  # G7
            X[n, 7] = np.random.uniform(70, 340, 1)[0]  # G8
            X[n, 8] = np.random.uniform(130, 470, 1)[0]  # G9
            X[n, 9] = np.random.uniform(150, 470, 1)[0]  # G10
        return X
 
    # ==========定义目标函数、和对应的惩罚项=============
 
    # ===定义函数1 目标函数1：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,G7,G8,G9,G10]
        :return: 函数1目标函数值
        """
        SUMCOST = []  # 存储总的成本
        for i in range (9):  # 遍历每一台机组,Python是从0开始索引，0-9：10台机组
            cost = self.ci[i] * X1[i] * X1[i] + self.bi[i]* X1[i] +self.ai[i]+\
                   np.abs(self.di[i]*np.sin(ei[i]*(self.P_min[i]-X1[i]))) #考虑阀点效应
            SUMCOST.append(cost)
        return np.sum(SUMCOST)
 
    # ====定义函数2 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,G7,G8,G9,G10]
        :return: 函数2目标函数值
        """
        emission=[] #储存总的污染排放量
        for i in range(9):
            e=self.ali[i]+self.beti[i]*X1[i]+self.gari[i]*X1[i]*X1[i]+self.eti[i]*np.exp(self.dali[i]*X1[i])
            emission.append(e)
        return np.sum(emission)
 
    # ===对应的约束  负荷平衡约束(本例子calc_e（） 不起作用，已通过其它方法解决掉负荷平衡约束）===
    def calc_e(self, X1):
        """
    函数1 对应的个体惩罚项
    :param X1: （个体[G1，G2，G3，G4，G5，G6,G7,G8,G9,G10]
    :return:
    """
        Ploss=0
        for i in range(9):
            for j in range(9):
                Ploss+=X1[i]*B[i][j]*X1[j]
        # cost=np.abs(X1[0]+X1[1]+X1[2]+X1[3]+X1[4]+X1[5]+X1[6]+X1[7]+X1[8]+X1[9]-np.sum(Ploss)-self.Pload1)
        # return cost
        return max(0,abs(sum(X1)-Ploss-Pload1-0.1))

3 一点拓展知识 

现代这种“探索、征服”的心态，从世界地图的演变可以看得一目了然。早在历史进到现代之前，许多文化就已经有了自己的世界地图。当然，当时并没有人真正知道全世界是什么样子，在亚非大陆上的人对美洲一无所知，美洲文化也不知道亚非大陆上的情形。但碰到不熟悉的地区，地图上不是一笔未提，就是画上了想象出来的怪物和奇景。这些地图上并没有空白的空间，让人觉得全世界就在自己的掌握之中。

在15、16世纪，欧洲人的世界地图开始出现大片空白。从这点可以看出科学心态的发展，以及欧洲帝国主义的动机。地图上的空白可以说是在心理及思想上的一大突破，清楚表明欧洲人愿意承认自己对于一大部分的世界还一无所知。

图1 1459年欧洲人的世界地图。可以看到地图上似乎巨细靡遗，就算是当时欧洲人根
                                  本一无所知的南非地区，都有密密麻麻的信息。
1492年，哥伦布从西班牙出发向西航行，希望能找到一条前往东亚的新航线。哥伦布当时相信的仍然是旧的世界地图，以为全世界在地图上一览无遗。哥伦布从旧地图推算，日本应该位于西班牙以西大约7000公里远。但事实上，从西班牙到东亚的距离要超过两万公里，而且中间还隔着个他不知道的美洲大陆。1492年10月12日大约凌晨2点，哥伦布一行人与这片未知大陆有了第一次接触。皮塔号（Pinta）的瞭望手胡安·罗德里格斯·贝尔梅霍(Juan Rodriguez Berme jo)从桅杆上看到了现在的巴哈马群岛，高呼着:“有陆地!有陆地!”

哥伦布当时相信这个小岛就位于东亚海外，属于“Indies”(印度地方，包含今日印度、中南半岛及东印度群岛等地），所以他把当地人称为“Indians”(这正是美国原住民也被称为“印第安人”的原因）。一直到他过世，哥伦布都不认为自己犯了一个大错。不论是对他还是许多当代的人来说，说他发现了一个完全未知的大陆，这根本难以想象。毕竟千百年来，不管是那些伟大的思想家和学者甚至是不可能犯错的《圣经》，都只知道有欧洲、非洲和亚洲。怎么有可能他们全错了呢?难道《圣经》居然漏了大半个世界，只字未提?这种情况，就好像是说在1969年阿波罗11号要前往月球的途中，居然撞到了另一个从来没人看到的月亮。而正因为哥伦布不愿意接受自己的无知，我们可以说他仍然是个中世纪的人，深信着自己已经知道了全世界，所以就算已经有了如此重大的发现，也无法说服他。