CN103886395A - 一种基于神经网络模型的水库优化调度方法 - Google Patents

Abstract

本发明公开了一种基于神经网络模型的水库优化调度方法。针对水库群调度函数的非线性和复杂性，采用计算智能中的主要分支——神经网络技术，对水库群进行建模。具体实现为：在水库调度问题中，首先确定目标函数，然后在目标变量与影响目标变量的各自变量之间建立人工神经网络系统，选取实测数据作为样本，按照一定的学习规则，使人工神经网络进行不断的学习，在输入和输出之间建立复杂非线性映射，之后将其他数据资料作为预测样本，输入已训练好的网络，便可进行目标量的预测或者进行函数拟合。由于神经网络是直接从实测数据样本中进行学习，并且已经训练好的神经网络在应用时所需时间非常短，非常符合水库调度的实时性要求，大大提高了调度效率，学习的精度和速度。

Description

一种基于神经网络模型的水库优化调度方法

技术领域

本发明涉及一种基于神经网络模型的水库优化调度方法。由于神经网络是直接从实测数据样本中进行学习，并且已经训练好的神经网络在应用时所需时间非常短，非常符合水库调度的实时性要求，大大提高了调度效率，学习的精度和速度。

背景技术

水库调度是一种对水库的综合运用控制技术，根据不同类型的水库所承担的不同水利水电任务，以具体水库运行的必需条件和规则为约束，以保证大坝安全和下游防洪安全为前提，依靠水库调蓄能力，对水库的入库水量进行合理的调节，以达到综合提高利用效益的目的。

水库调度的方式有很多，不同的角度有不同的分类。按调度方法的角度，水库调度方法主要有两种：常规调度和优化调度。常规调度是一种传统调度方式，它的基本思想就是利用历史的实测径流资料来制定调度曲线。优化调度是目前发展较快的调度方式，主要是根据水库的具体运行条件，建立数学模型，采用优化理论来确定对水资源的配置和对水库的管理，在保护水库安全可靠运行的前提下，既满足各用水部门的基本需求，又能合理解决这些部门之间的用水矛盾。水库优化调度又可以分成确定性优化调度和随机性优化调度。确定性优化调度方法建立在长期实测径流系列的基础上，把实测径流资料作为入库径流的确定性描述，并采用线性或者非线性规划等方法来求解。随机性优化调度是利用长系列径流资料中体现的统计信息，把未来径流情况看作是随机过程进行处理。

近年来，随着对水库优化调度问题的深入研究，人们开始在调度过程中考虑更多的影响因素，传统优化方法渐渐不能满足我们的需要，计算复杂、收敛速度慢、效率低下、容易陷入局部最优等问题逐渐凸显，尤其当水库数目增加时，往往产生“维数灾难”问题。研究新的优化算法来应对这些缺陷，成为水库优化调度的关键问题。与此同时，计算智能理论迅速发展，智能算法开始用于求解水库调度模型，指导水库调度，基于计算智能的水库优化调度逐渐成为水资源系统优化配置的重要手段之一。

计算智能是指通过模拟人的某些智能机制、某些自然现象或者生物的智能行为，对信息进行处理和利用，该类算法在构造时具有一定的直观性并富含自然机理。计算智能包括三个主要分支：进化算法、人工神经网络、模糊计算，均在水库调度问题中有了一定的应用基础和发展，三类计算智能方法各有特点。进化算法相对于模糊系统和神经网络来说，具有更强的整体优化功能，由于此类算法的搜索方式都是从集合开始，因此搜索广度和适应能力要高于神经网络和模糊系统。模糊系统善于描述和利用知识规则，它的逻辑推理能力强于进化算法和神经网络，在处理水库调度不确定因素分析的问题中，更为有效。神经网络是直接从实测数据样本中进行学习，并且已经训练好的神经网络在应用时所需时间非常短，非常符合水库调度的实时性要求，大大提高了调度效率，学习的精度和速度都要由于进化算法和模糊系统。

由于水库调度问题本身的非线性和复杂性，使得计算智能算法在水库调度问题中的应用越来越广泛，其中计算智能一大分支---神经网络算法在模拟水库优化调度方案领域有着良好的表现，但该算法目前存在收敛时间长，易陷入局部最优的应用局限性。随着计算智能理论的不断发展，应对各类算法系统进行研究和改进，为解决水库优化调度问题提供新的思路。

发明内容

发明目的：针对水库群调度函数的非线性和复杂性，采用计算智能中的主要分支——神经网络技术，对水库群进行建模。由于神经网络是直接从实测数据样本中进行学习，并且已经训练好的神经网络在应用时所需时间非常短，非常符合水库调度的实时性要求，大大提高了调度效率，学习的精度和速度。

技术方案：结合水库多年调度资料，首先对复杂多维的水库数据进行降维处理，以作为后续模型的前端处理器，并通过仿真实现了对水库群数据资料的特征数据提取。在改进算法和数据降维的研究基础上，利用BP神经网络建立了水库群的调度函数模拟模型，采用改进算法对模型进行训练，采用经特征提取和降维的数据作为训练和测试样本，并对模型的训练、学习过程以及测试结果进行了仿真。基于改进神经网络模型的水库优化调度研究的步骤如下：

（1）设计网络模型，确定输入层、输出层、隐含层节点数。

（2）选定样本数据、测试数据，进行数据预处理。

（3）神经网络各参数的设置及初始化。

（4）计算隐含层输出、输出层输出、网络误差；

（5）计算网络误差对各层权值和阀值的偏导数；

（6）计算雅可比矩阵和二阶矩阵；

（7）根据混沌LM-BP算法权值和阀值的更新公式进行参数更新。

（8）判断MSE误差公式否达到精度要求，若没有达到，继续进行迭代。若达到，停止迭代。

为了更好的理解本发明所涉及的技术和方法，在此对本发明涉及的理论进行介绍。

1、Levenberg-Marquardt基本理论

Levenberg-Marquardt算法是牛顿法和梯度下降法的结合。梯度下降法开始下降很快，但当不断接近最优解，梯度逐渐趋向于零，目标函数下降开始变得缓慢：而牛顿法恰好可在最优值附近产生一个非常理想的搜索方向。Levenberg-Marquardt算法恰好结合了这两种优点。它的搜索方向由

S(X^(k))＝-(H^(k)+λ^kI)^-1▽f(X^(k))确定。

当学习速率为1时，X^(k+1)＝X^(k)+S(X^(k))。

刚开始时，参数λ取一个较大的数值，此时类似于梯度下降法，随着越来越接近最优点，λ减小到零，则S(X^(k))从负梯度方向转向牛顿法的方向。一般来说，当f(X^(k+1))＜f(X^(k))时，减小λ（λ^k+1＝0.5λ^k）；否则增大λ，λ^k+1＝2λ^k。

2、典型的混沌系统—Logistic-map

Logistic映射是一种典型的混沌动力学系统，又名虫口模型，数学模型主要描述了生物种群的演化过程。它的动力学方程：

x_n+1＝μx_n(1-x_n)，(x_n∈[0,1],μ∈[0,4],n＝0,1)

公式表示，系统经过了n次迭代后，函数表示为fⁿ(x)，初值x₁变为x_n+1，这决定了系统的发展历程。Logistic映射的取值范围往往被设为[0，1]之间，参数μ用于控制Logistic映射中的周期点、稳定点以及系统的混沌行为。假设稳定点为x_ε，那它必须满足x_ε＝f(x_ε-1)，而所有的稳定点组成的集合为x_ε1、x_ε2、…、x_εp，假设这些稳定点组成的周期为p，则其轨道必须能够满足x_εp＝f^p-1(x_εp-1)。一个系统稳定与否均取决于，在初始条件接近稳定点时，映射是将它们分离还是趋近。而对于Logistic-map来说，系统的稳定点，周期点以及混沌行为都是由参数μ的取值来控制的，随着μ的变化，系统状态也随之变化，并逐渐由周期分岔走向混沌。

本发明研究了神经网络算法在水库实例中的应用。结合水库多年调度资料，首先对复杂多维的水库数据进行降维处理，以作为后续模型的前端处理器，并通过仿真实现了对水库群数据资料的特征数据提取。在改进算法和数据降维的研究基础上，利用BP神经网络建立了水库群的调度函数模拟模型，采用改进算法对模型进行训练，采用经特征提取和降维的数据作为训练和测试样本，并对模型的训练、学习过程以及测试结果进行了仿真。该改进算法非常符合水库调度的实时性要求，大大提高了调度效率，学习的精度和速度。

有益效果：

（1）本发明所提出的基于LM算法和混沌理论的改进学习算法，相比较于BP标准算法和LM-BP算法而言，使同样结构的网络模型具有更好的学习精度。

（2）加入了混沌噪声的PLS-混沌LM-BP算法提高了训练精度，模型除了保持了良好的拟合收敛效果，相对误差更小，具有更好的精度特性。

附图说明

图1本发明的具体工作流程示意图

具体实施方式

如图1所示，基于神经网络模型的水库优化调度方法，具体包括如下步骤：（1）设计网络模型，确定输入层、输出层、隐含层节点数。

由于影响水库最终出力的影响因子包括水库入库流量、下泄流量、库容，在进行网络模型构建的时候，选取当月入库流量和前两个月的入库流量、当月的月初库容和前两个月的月初库容、当月下泄水量共14个自变量作为神经网络的输入，当月联合出力值作为神经网络的输出。

隐含层神经元数目的选择是神经网络模型构建中比较关键的环节，它的设定与输入输出个数都有一定的关系。如果神经元的数目过少，则无法产生足够的连接来进行样本训练。如果神经元数目过多，则会大大增加学习所需要的时间，减小学习速率。一般来说，节点数的确立有这样两条约定：

a)若需要逼近的样本函数变化的范围非常广，非常剧烈，则希望隐含层的节点数目能够多一些。

b)如果对精度的要求非常高，相应，节点数目也应该多一些。

目前应用比较广泛的确定神经网络隐含层节点数的经验公式有三类：

一是，

其中k为样本数，n₁为隐含层节点数，n为输入层个数，当i＞n₁，

其次，

其中，m为输出层个数，a∈[1,10]。

最为常用的是Kolmogorov定理：给定某一连续函数，该函数可用一个三层前馈神经网络精确实现。设输入层有n个处理单元，输出层有m个处理单元，则中间层有2n+1个处理单元。

（2）选定样本数据、测试数据，进行数据预处理。

（3）神经网络各参数的设置及初始化。

假设一组样本对（X,Y），X=[x₁,x₂,…x_m]′，Y=[y₁,y₂,…y_n]′，隐含层神经元为O=[o₁,o₂,…o_l]。输入层与隐含层神经元之间的网络权值矩阵W¹和隐含层与输出层神经元之间的网络权值W²分别设为：

$W^1=\left[\begin{array}{cccc}{w}_{11}^1& w_{12}^1& \·\·\·& w_{1m}^1\\ w_{21}^1& w_{22}^1& \·\·\·& w_{2m}^1\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ w_{l1}^1& w_{l2}^1& \·\·\·& w_{\mathrm{lm}}^1\end{array}\right]$    $W^2=\left[\begin{array}{cccc}{w}_{11}^2& w_{12}^2& \·\·\·& w_{1m}^2\\ w_{21}^2& w_{22}^2& \·\·\·& w_{2m}^2\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ w_{l1}^2& w_{l2}^2& \·\·\·& w_{\mathrm{lm}}^2\end{array}\right].$

隐含层神经元的阀值θ¹和输出层神经元的阀值θ²分别为：

${\mathrm{\θ}}^1={[{\mathrm{\θ}}_1^1,{\mathrm{\θ}}_2^1,\·\·\·{\mathrm{\θ}}_l^1]}^{\′},$    ${\mathrm{\θ}}^2={[{\mathrm{\θ}}_1^2,{\mathrm{\θ}}_2^2,\·\·\·{\mathrm{\θ}}_n^2]}^{\′}.$

（4）计算隐含层输出、输出层输出、网络误差；

a)隐含层的输出为：

$O_j=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^1{x}_i-{\mathrm{\θ}}_j^1)=f\left({\mathrm{net}}_j\right),j=\mathrm{1,2},\·\·\·,l$

其中， ${\mathrm{net}}_j=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^1{x}_i-{\mathrm{\θ}}_j^1,j=\mathrm{1,2},\·\·\·l;$ f(·)为隐含层的传递函数。

b)输出层神经元的输出为：

$z_k=g(\underset{j=1}{\overset{1}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}^2{O}_j-{\mathrm{\θ}}_k^2)=g\left({\mathrm{net}}_k\right),k=\mathrm{1,2},\·\·\·,n$

其中， ${\mathrm{net}}_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}^2{O}_j-{\mathrm{\θ}}_k^2,k=\mathrm{1,2},\·\·\·,n;$ g(·)为输出层的传递函数。

c)由此可得实际输出与期望输出之间的误差值为：

$E=\frac{1}{2}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(y_k-z_k)}^2=\frac{1}{2}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{[y_k-g(\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}^2{O}_j-{\mathrm{\θ}}_k^2)]}^2$

$=\frac{1}{2}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\{y_k-g[\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}^{2}f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^1{x}_i-{\mathrm{\θ}}_j^1)-{\mathrm{\θ}}_k^2\left]\right\}}^2$

（5）计算网络误差对各层权值和阀值的偏导数；

a)误差E对隐含层和输出层神经元间的权值的偏导数为：

$\frac{\∂E}{{\∂w}_{\mathrm{kj}}^2}=\frac{\∂E}{{\∂z}_k}\frac{\∂z_k}{{\∂w}_{\mathrm{kj}}^2}=-(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right)O_j=-{\mathrm{\δ}}_k^2{O}_j$

其中， ${\mathrm{\δ}}_k^2=-(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right).$

b)误差E对输入层和隐含层神经元间的权值的偏导数为：

$\frac{\∂E}{{\∂w}_{\mathrm{ji}}^1}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\frac{\∂E}{{\∂z}_k}\frac{{\∂z}_k}{\∂O_j}\frac{{\∂O}_j}{{\∂w}_{\mathrm{ji}}^1}=-\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right)w_{\mathrm{kj}}^2{f}^{\′}\left({\mathrm{net}}_j\right)x_i=-{\mathrm{\δ}}_j^1{x}_i$

其中， $-{\mathrm{\δ}}_j^1=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right)w_{\mathrm{kj}}^2{f}^{\′}\left({\mathrm{net}}_j\right)=f^{\′}\left({\mathrm{net}}_j\right)\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\δ}}_k^2{w}_{\mathrm{kj}}^2.$

c)误差E对输出层神经元的阀值

的偏导数为：

$\frac{\∂E}{{\∂\mathrm{\θ}}_k^2}=\frac{\∂E}{{\∂z}_k}\frac{{\∂z}_k}{{\∂\mathrm{\θ}}_k^2}=(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right)(-1)-=(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right)=-{\mathrm{\δ}}_k^2$

d)对隐含层神经元的阀值

的偏导数为：

$\frac{\∂E}{{\∂\mathrm{\θ}}_j^1}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\frac{\∂E}{{\∂z}_k}\frac{{\∂z}_k}{{\∂O}_j}\frac{{\∂O}_j}{{\∂\mathrm{\θ}}_j^1}=-\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right)w_{\mathrm{kj}}^2{f}^{\′}\left({\mathrm{net}}_j\right)(-1)$

$=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(y_k-z_k)g^{\′}\left({\mathrm{net}}_k\right)w_{\mathrm{kj}}^2{f}^{\′}\left({\mathrm{net}}_j\right)={\mathrm{\δ}}_j^1$

（6）计算雅可比矩阵和二阶矩阵；

若隐含层与输出层神经元之间的网络权值W²设为：

$W^2=\left[\begin{array}{cccc}{w}_{11}^2& w_{12}^2& \·\·\·& w_{1m}^2\\ w_{21}^2& w_{22}^2& \·\·\·& w_{2m}^2\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ w_{l1}^2& w_{l2}^2& \·\·\·& w_{\mathrm{lm}}^2\end{array}\right];$ E为实际输出与期望输出之间的误差值： $E\left(k\right)=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}\left(k\right)& \·\·\·& e_{1,Q}\left(k\right)\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ e_{n,1}\left(k\right)& \·\·\·& e_{n,Q}\left(k\right)\end{array}\right],$ n为输出向量的维数，Q为样本数目；若令

$J_{i,q}\left(k\right)=\left[\begin{array}{cccc}\frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{11}^2\left(k\right)}& \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{12}^2\left(k\right)}& \·\·\·& \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{1m}^2\left(k\right)}\\ \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{21}^2\left(k\right)}& \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{22}^2\left(k\right)}& \·\·\·& \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{2m}^2\left(k\right)}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{l1}^2\left(k\right)}& \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{l2}^2\left(k\right)}& \·\·\·& \frac{{\∂e}_{i,q}\left(k\right)}{{\∂w}_{\mathrm{lm}}^2\left(k\right)}\end{array}\right](i=\mathrm{1,2},\·\·\·\mathrm{nq}=\mathrm{1,2},\·\·\·Q)$ 则雅可比矩阵结构可写为下式：

$J\left(K\right)=\left[\begin{array}{cccc}{J}_{\mathrm{1,1}}\left(k\right)& J_{\mathrm{1,2}}\left(k\right)& \·\·\·& J_{1,Q}\left(k\right)\\ J_{\mathrm{2,1}}\left(k\right)& J_{\mathrm{2,2}}\left(k\right)& \·\·\·& J_{2,Q}\left(k\right)\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ J_{n,1}\left(k\right)& J_{n,2}\left(k\right)& \·\·\·& J_{n,Q}\left(k\right)\end{array}\right],$

同理可得输入层与隐含层权值的雅克比矩阵。

二阶求导矩阵是H^(k)，可利用雅克比矩阵来表示，即H＝J^TJ。

（7）根据混沌LM-BP算法权值和阀值的更新公式进行参数更新。

a)权值更新公式如下所示：

$w_{\mathrm{ji}}^1(t+1)=w_{\mathrm{ji}}^1\left(t\right)+{\mathrm{\Δw}}_{\mathrm{ji}}^1=w_{\mathrm{ji}}^1\left(t\right)+{(H^{\left(k\right)}+{\mathrm{\λ}}^{k}I)}^{-1}\mathrm{\η}{\mathrm{\δ}}_j^1{x}_i+{\mathrm{noise}}_{i,j}\left(t\right)$

$w_{\mathrm{ki}}^2(t+1)=w_{\mathrm{ki}}^2\left(t\right)+{\mathrm{\Δw}}_{\mathrm{ki}}^2=w_{\mathrm{ki}}^2\left(t\right)+{(H^{\left(k\right)}+{\mathrm{\λ}}^{k}I)}^{-1}\mathrm{\η}{\mathrm{\δ}}_k^2{O}_j+{\mathrm{noise}}_{i,j}\left(t\right))$

b)阀值更新公式如下所示：

${\mathrm{\θ}}_j^1(t+1)={\mathrm{\θ}}_j^1\left(t\right)+{\mathrm{\Δ\θ}}_j^1={\mathrm{\θ}}_j^1\left(t\right)+{(H^{\left(k\right)}+{\mathrm{\λ}}^{k}I)}^{-1}\mathrm{\η}{\mathrm{\δ}}_j^1{x}_i+{\mathrm{noise}}_{i,j}\left(t\right)$

${\mathrm{\θ}}_k^2(t+1)={\mathrm{\θ}}_k^2\left(t\right)+{\mathrm{\Δ\θ}}_k^2={\mathrm{\θ}}_k^2\left(t\right)+{(H^{\left(k\right)}+{\mathrm{\λ}}^{k}I)}^{-1}\mathrm{\η}{\mathrm{\δ}}_k^2{O}_j+{\mathrm{noise}}_{i,j}\left(t\right)$

（8）判断MSE误差公式否达到精度要求，若没有达到，继续进行迭代。若达到，停止迭代。

Claims (3)

1.一种基于神经网络模型的水库优化调度方法，其特征在于，在对神经网络的训练过程中，结合混沌序列进行噪声模拟；

Logistic映射是一种典型的混沌动力学系统，又名虫口模型，数学模型主要描述了生物种群的演化过程；它的动力学方程：

x_n+1＝μx_n(1-x_n)，(x_n∈[0,1],μ∈[0,4],n＝0,1)

公式表示，系统经过了n次迭代后，函数表示为fⁿ(x)，初值x₁变为x_n+1，这决定了系统的发展历程；Logistic映射的取值范围往往被设为[0，1]之间，参数μ用于控制Logistic映射中的周期点、稳定点以及系统的混沌行为；假设稳定点为x_ε，那它必须满足x_ε＝f(x_ε-1)，而所有的稳定点组成的集合为x_ε1、x_ε2、…、x_εp，假设这些稳定点组成的周期为p，则其轨道必须能够满足x_εp＝f^p-1(x_εp-1)；一个系统稳定与否均取决于，在初始条件接近稳定点时，映射是将它们分离还是趋近；而对于Logistic-map来说，系统的稳定点，周期点以及混沌行为都是由参数μ的取值来控制的，随着μ的变化，系统状态也随之变化，并逐渐由周期分岔走向混沌；

从这个角度对算法进行改进，以提高模型的模拟精度，增强对噪声的识别，减小拟合误差，提高网络的泛化能力，保证模型的有效性，增强神经网络模型的抗噪性。

2.根据权利要求1所述的基于神经网络模型的水库优化调度方法，其特征在于，在神经网络的输入层与隐含层之间、隐含层与输出层之间，加入混沌噪声修改权值和阀值，该改进算法收敛效果更好，迭代次数更短，误差下降的更快；对于某个固定的神经网络模型来说，有多种加入混沌噪声的方式，不同之处在于加入噪声的位置，不同的噪声切入点对应着不同的算法流程，这势必会对权值和阀值的修正产生一定的影响，进而大大影响模型的整体表现；因此对噪声切入点的位置进行的研究很有必要。

3.根据权利要求1所述的基于神经网络模型的水库优化调度方法，其特征在于，基于数值优化的Levenberg-Marquardt算法对神经网络模型进行优化；Levenberg-Marquardt算法是牛顿法和梯度下降法的结合；梯度下降法开始下降很快，但当不断接近最优解，梯度逐渐趋向于零，目标函数下降开始变得缓慢；而牛顿法恰好可在最优值附近产生一个非常理想的搜索方向；Levenberg-Marquardt算法恰好结合了这两种优点，提高网络的收敛能力；

LM算法的迭代步骤可总结为：

（1）利用BP算法正向传播计算出网络的输出，利用MSE误差公式计算出网络误差；

（2）根据敏感度计算公式计算出误差对权值和阀值的敏感度；

（3）根据雅可比矩阵计算公式，结合敏感度求解雅可比矩阵的各元素；

（4）根据LM算法权值或阀值调节公式计算出权值或者阀值的变化量；

（5）反复训练，根据误差大小不断调整λ的值，直到误差满足精度要求。