[0117] Pres(t)+Pcdg(t)+Pes(t)+Ppcc(t)＝Pload(t)
[0118] 其中，Pres(t)表示可再生能源在时刻t的功率；Pcdg(t)表示可控分布式电源在时刻t的功率，Pes(t)表示储能系统在时刻t的功率；Ppcc(t)表示与大电网的交换功率。
[0119] 应说明的是，通过多目标优化，可以在不同利益相关方之间实现平衡，最大化整体利益。多目标优化能够更好地反映电网系统的复杂性和动态性，从而提高系统的鲁棒性。当电网面临不确定性和变化时，多目标优化可以帮助系统更好地适应和应对外部环境的变化。
[0120] S4：使用基于自适应参考向量的高维多目标优化算法进行优化问题求解。
[0121] 进一步的，参考图2，图2是是改进高维优化算法在高维求解空间关联向量操作解释图。可以从图1中看出本发明提出的算法通过计算角度距离关联个体与参考向量。Θ2小于Θ1，个体就关联到向量V3。自适应参考向量包括，利用种群繁殖操作父代种群P生成后代种群集合O。
[0122] 更进一步的，利用模拟二项交叉SBX和多项式变异循环生成含有N个个体的子代种群O；执行N/2轮以下操作生成N个子代个体组成子代集合O。
[0123] 更进一步的，随机选择2个父代种群p中的个体 和通过交叉的方式生成2个交叉子代c1，c2，交叉子代c1，c2根据给
定的概率在变异范围改变交叉子代的决策变量的值，经过多项式变异的交叉子代o1，o2进入后代种群O。
[0124] 更进一步的，SBX算子模拟单点二进制交叉的交叉算子，一共选择N个父代个体生成N个交叉子代c：
[0125]
[0126] 其中，β满足Beta分布，通过环境因子η按照以下公式动态决定：η表示自定义参数；交叉操作过后形成的c1,c2中每一位的决策变量，基于概率ω的前提下在给定范围内进行变异，公式表示为：
[0127] x1c＝x1c+Δj
[0128]
[0129] 其中， 表示交叉子代c中的决策变量，Δj表示经过多项式变异基于一定概率增加变异数值，μj表示一个随机数。
[0130] 更进一步的，其中APD距离定义为：
[0131] dt,i,j＝(1+P(θt,i,j))·||f′t,i||
[0132] 更进一步的，P是关于θ的惩罚函数公式表示为：
[0133]
[0134] 其中，α表示用户自定义参数，γ表示与νt,j形成夹角最小的其他参考向量的角度。
[0135] 更进一步的，高维多目标优化算法包括，如图3所示，进行初始化操作，以成本最小化、碳排放最小化、可靠性与稳定性最大化作为优化目标函数。
[0136] 更进一步的，初始化种群p＝[x1,x2,...,xN]，其中，xi表示种群中个体，N为种群中个体的数量；生成N个在求目标空间均匀分布的参考向量集合V；
[0137] 更进一步的，循环种群繁殖操作：种群繁殖操作的目的是利用父代种群P生成后代种群集合O。
[0138] 更进一步的，合并种群操作：合并种群操作将父代种群p与子代种群O合并生成合并种群Q。
[0139] 更进一步的，环境选择操作从合并种群Q选择N个优质个体组成下一代种群p。
[0140] 更进一步的，参考向量自适应操作，利用选择出的优质解集，引导参考向量生成，实现参考向量动态自适应的调整，提高优化效率。
[0141] 更进一步的，迭代循环直至终止条件，重复执行循环种群繁殖到环境选择直到满足终止条件，适应度评价次数到达阈值。
[0142] 更进一步的，参考向量自适应操作：利用选择出的归一化帕累托优质解集，引导参考向量自适应调整。通过优质种群中个体中目标函数最大值与最小值计算下一次参考向量生成方式其公式如下：
[0143]
[0144] 更进一步的，实现参考向量动态自适应的调整，引导参考向量靠近目标函数优化的方向向量。迭代循环直至终止条件：重复执行直到满足终止条件即适应度评价次数到达20万次。
[0145] 更进一步的，改进的高维优化算法使用参考向量来引导个体的演化。参考向量是一个与多个目标正交的向量集合，用来指导搜索空间。对于种群中的每个个体x，计算其与参考向量之间的距离。距离通常采用角度距离等。距离越小表示个体越接近某个参考向量，即在某个目标上的性能越好。根据个体与参考向量的距离，对个体进行选择操作。通常选择距离最小的个体作为候选解，用于下一代的进化。
[0146] 应说明的是，通过交叉、变异等进化操作对候选解进行更新，生成下一代个体。同时，参考向量也根据个体的演化进行更新，以适应搜索空间的变化。重复进行选择和进化操作，直到满足停止条件，例如达到最大迭代次数或达到收敛标准。高维优化算法能够有效地优化多个目标，并找到Pareto最优解集，为电网优化提供了全面的解决方案。
[0147] 另一方面，本实施例还提供了基于自适应向量的高维多目标电网运行优化系统，其包括：
[0148] 数据输入模块，收集并预处理电网运行数据。
[0149] 优化问题构建模块，根据预处理后的数据和电网需求，构建多目标优化问题。
[0150] 优化算法执行模块，执行优化算法，生成并优化种群，迭代直至获得最优解集，求解高维多目标电网运行优化问题。
[0151] 结果分析与决策支持模块，分析优化结果，提供决策支持，并可视化展示结果。
[0152] 以上功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0153] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0154] 计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0155] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
[0156] 实施例2
[0157] 参照图4‑图7，为本发明的一个实施例，提供了一种基于自适应向量的高维多目标电网运行优化方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
[0158] 基于自适应参考向量的高维多目标电网运行方式优化方法，具体包括以下步骤：首先是初始化种群；其次是种群繁殖利用父代种群P生成子代种群O，合并父代种群和子代种群生成种群Q，对种群Q进行环境选择，选择出优质种群引导参考向量自适应调整；判断是否满足终止条件跳出循环得到帕累托解集。
[0159] 在实验中我们对比了传统的基准电网运行方法，以及利用单目标粒子群算法优化的电网运行方式。本文提出的一种基于自适应参考向量的高维多目标电网运行方式优化方法均优于协同优化方法以及单目标优化算法。同时，我们还对比了多目标NSGA‑II优化算法，经过实验比较本文提出的一种基于自适应参考向量的高维多目标电网运行方式优化方法。能够更好地结合多个目标函数。在稳定性与可靠性上优于NSGA‑II优化的电网运行方法。
[0160] 图4说明本发明考虑多目标方法可靠性优于其单目标优化方法贪婪算法与粒子群算法，并且本文提出多目标优化算法同样优于多目标NSGA‑II算法，优于传统协同优化方法；图5说明本发明考虑多目标方法稳定性优于其单目标优化方法贪婪算法与粒子群算法，并且本文提出多目标优化算法同样优于多目标NSGA‑II算法，优于传统协同优化方法；图6和图7说明本发明提出的方法在成本和碳排放指标上均低于其它对比算法包括单目标粒子群算法和贪婪算法，同样在成本和碳排放指标上低于多目标优化NSGA‑II算法，优于传统协同优化方法。
[0161] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
