买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国长江三峡集团有限公司申请的专利基于改进智能水滴算法的梯级水库群发电优化调度方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115660337B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211288823.X，技术领域涉及：G06Q10/0631；该发明授权基于改进智能水滴算法的梯级水库群发电优化调度方法是由王奇;吕超楠;王海;邢龙;简铁柱;赵明亮;李帅;高宇设计研发完成，并于2022-10-20向国家知识产权局提交的专利申请。

本基于改进智能水滴算法的梯级水库群发电优化调度方法在说明书摘要公布了：本发明涉及基于改进智能水滴算法的梯级水库群发电优化调度方法，包括：设定改进智能水滴算法的参数、目标函数和约束条件；对水滴种群进行初始化；水滴随机移动，移动后对水滴以及路径的相关参数进行更新；使用适应度函数计算新一代种群中每个个体的适应度值，同时运用差分变异算子对新一代种群中的个体进行变异，得到差分变异个体，再计算比较选取当代局部最优个体；对当代最优个体的速度以及路径的泥沙含量进行更新，计算比较选取最优个体；判断是否达到最大迭代次数，若达到则结束计算，输出最优解即最优调度方案。本发明提出的改进智能水滴算法具有更好的稳定性，适用于梯级水库群发电优化调度方案的求解，求解效率高，能得到更优的调度方案。

本发明授权基于改进智能水滴算法的梯级水库群发电优化调度方法在权利要求书中公布了：1.基于改进智能水滴算法的梯级水库群发电优化调度方法，其特征在于，包括以下步骤： 步骤1：设定改进智能水滴算法的种群大小、个体维度、交叉概率、最大迭代次数、目标函数，优化目标为梯级水库群调度期总发电量最大，适应度值即为梯级水库群调度期总发电量的大小，输入约束条件后读取水库相关数据信息； 所述改进智能水滴算法包括： 1初始化过程， 初始化的变量包括：水滴初始速度，速度更新参数、、，水滴泥沙含量更新参数、、，局部变量更新参数，全局变量更新参数； 各条路径泥沙含量的集合记为； 2路径选择过程， 水滴将分若干步移动至目的地，记种群水滴的当前位置为，下一位置为，水滴选择路径的概率记为，路径的泥沙含量记为，与呈反比， 路径选择概率的表达式如下： ；1 ；2 ；3 式中表示的相关函数；表示大于零的常量；是确保为正数的转换函数； 3局部变量更新过程， 在完成路径选择之后，水滴将移动至下一位置，更新泥沙含量、水滴速度，假设水滴在时刻至时刻从位置移动至位置，则以及的更新公式如下： ；4 ；5 ；6 ；7 式中为路径泥沙含量的变化量，为水滴在路径上的运动时间； 、分别表示水滴在、时刻的速度； 4全局变量更新过程， 计算每一代种群每个可行解的适应度值，选择适应度值最优的解作为该种群的最优解，将最优解对应的泥沙含量组成的集合作为下一轮迭代的初始路径泥沙含量，则全局路径泥沙含量的更新公式如下： ；8 式中表示种群中水滴总个数；为全局变量更新参数； 步骤2：在满足水库自身约束条件的前提下，对水滴种群进行初始化，判断是否满足水位约束条件，若不满足需要则进行水位修正； 采用Logistic混沌映射进行种群初始化，其表达式如下： ；9 式中为控制参数，it、it+1分别表示初始化种群中水滴个体在和时刻的位置； 步骤3：水滴随机选取路径进行移动，完成移动之后对水滴以及路径的相关参数进行更新，得到新一代种群； 步骤4：使用适应度函数计算新一代种群中每个个体的适应度值，同时运用差分变异算子对新一代种群中的个体进行变异，得到差分变异个体，再将新一代种群和差分变异个体通过适应度函数进行计算比较，选取当代最优个体； 引入标准差分进化算法中的差分变异算子对每次迭代之后的局部最优解进行差分变异，其表达式如下： ；10 ；11 式中、、、分别表示第代种群第q、q+1、q+2、q+3个个体的速度；表示经过差分变异后第G代种群第q个个体的速度，表示第G代种群中最优个体的速度；为进行差分变异前第代种群的最优个体从移动到之后路径的泥沙含量；表示经过差分变异后第代种群第个个体从移动到之后路径的泥沙含量，为变异操作缩放因子； 步骤5：对当代最优个体的速度以及路径的泥沙含量进行更新，将当代最优个体和更新后的个体进行适应度函数计算比较，选取最优个体； 引入并改进自组织映射算法中神经网络更新神经元的方式，进行智能水滴算法的最优个体的差分变异个体更新之后的次更新过程，具体步骤如下： 1将路径泥沙含量视为神经元，记路径的泥沙含量为，记为对应神经元的权重向量； 2以当前种群中最优个体作为最匹配神经元，将第次迭代所得最差路径泥沙含量作为输入，计算其与第次迭代所得种群中所有个体对应路径泥沙含量之间的欧式距离大小，选取与当前最匹配神经元欧式距离最小的神经元作为最匹配神经元，从而更新最匹配神经元； 3以当前最匹配神经元为中心，计算其邻域半径，并更新此邻域范围内的所有神经元； 以上三个步骤的具体表达式如下： ；12 ；13 ；14 ；15 式中为第代种群对应的邻域半径，为种群的初始邻域半径，为时间常量，为第代种群对应的速度学习因子，为初始速度学习因子，为种群的最大迭代次数，表示神经元的坐标；表示最匹配神经元的坐标；为最匹配神经元与神经元之间的欧式距离；表示第代种群中最匹配神经元与其他神经元之间欧式距离的计算函数；表示第代种群的邻域半径；表示时间常量；、、分别表示第、、代种群中路径上的泥沙含量； 4对全局变量进行更新，更新的表达式如下： ；16 式中为构成种群的中心点，表示相邻神经元之间的欧氏距离，表示单位向量，表示正态分布的噪声向量； 步骤6：判断是否达到最大迭代次数，若达到则结束计算，输出最优解作为最终的梯级水库优化调度方案，否则执行步骤3。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国长江三峡集团有限公司，其通讯地址为：430010 湖北省武汉市江岸区六合路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。