CN104462861A - 一种基于水库调度规则合成的水库调度决策方法 - Google Patents

Abstract

本发明公开了一种基于水库调度规则合成的水库调度决策方法，包括：步骤1，获得K种水库调度规则；步骤2，构建水库调度规则合成模型步骤3，以K种水库调度规则下的水库出库流量数据和最优调度决策下的水库出库流量数据为输入，采用客观赋权法获得水库调度规则合成模型中的权重w_k；步骤4，采用合成后的水库调度规则进行水库调度决策。本发明方法合成多个水库调度规则生成综合调度规则，使水库调度决策更稳健和优越，且可生成调度决策区间，适合水库中长期调度。

Description

一种基于水库调度规则合成的水库调度决策方法

技术领域

本发明属于水库调度技术领域，特别是涉及一种基于水库调度规则合成的水库调度决策方法。

背景技术

水库是人类重新分配水资源时空分布的重要手段，担负着防洪、发电、航运、供水等多方面的功能与任务，成为促进社会文明进步的重要手段之一。水库调度技术是实现水库正常运行的必备手段之一。采用水库优化调度和经济运行管理水库运行，具有投资少、效益大、需求高以及前景广等优点。

对于水库中长期优化调度问题，常采用调度函数(如线性函数、神经网络、模糊方法、决策树等)和调度图等水库调度规则型式，但这些型式以经验为主，理论依据薄弱，特别对于水库群调度尚无通用的调度规则型式。因此，研究水库调度规则型式，以解决水库调度规则的不确定性，是国内外水库调度研究的重点和难点问题。

文中涉及的参考文献如下：

[1]郭生练.水库调度综合自动化系统[M].武汉:武汉水利电力大学出版社,2000.

[2]Liu P,Guo S,Xu X,Chen J.Derivation of aggregation-based joint operating rulecurves for cascade hydropower reservoirs[J].Water Resources Management,2011,25(13):3177-3200.

[3]Karamouz M,Ahmadi A,Moridi A.Probabilistic reservoir operation using Bayesianstochastic model and support vector machine[J].Advances in Water Resources,2009,32(11):1588-1600.

[4]Celeste A B,Billib M.Evaluation of stochastic reservoir operation optimizationmodels[J].Advances in Water Resources,2009,32(9):1429-1443.

[5]Khalil A,McKee M,Kemblowski M,et al.Sparse Bayesian learning machine for real‐time management of reservoir releases[J].Water resources research,2005,41(11).

[6]邢贞相,芮孝芳,崔海燕,等.基于AM-MCMC算法的贝叶斯概率洪水预报模型[J].水利学报,2008,38(12):1500-1506.

发明内容

针对现有技术存在的不足，本发明提出了一种充分利用多种已有调度规则信息的基于水库调度规则合成的水库调度决策方法。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于水库调度规则合成的水库调度决策方法，包括步骤：

步骤1，获得K种水库调度规则；

步骤2，构建水库调度规则合成模型F为合成后的水库调度规则；F(M_k)为根据步骤1获得的第k个水库调度规则获得的水库出库流量；w_k为权重；

步骤3，以K种水库调度规则下的水库出库流量数据和最优调度决策下的水库出库流量数据为输入，采用客观赋权法获得水库调度规则合成模型中的权重w_k；

步骤4，采用合成后的水库调度规则进行水库调度决策。

步骤1中，可根据水库历史入库流量信息、水库特征、水库调度优化目标和约束条件等，采用隐随机或显随机方法获得多种单一的水库调度规则，获得的水库调度规则可以为常规调度规则、优化调度图、神经网络调度规则、支持向量机调度规则和多元线性回归调度规则。

上述客观赋权法可以为贝叶斯模型平均法、算术平均法、加权平均法或模糊推理法。

步骤4中，以K种水库调度规则的权重和K种水库调度规则在当前时刻的出库流量为输入，采用不确定性区间估计法确定水库调度决策区间。

上述不确定性区间估计法为蒙特卡罗组合抽样法。

本发明以水库隐随机调度中的调度规则问题为研究对象，对多个水库调度规则进行综合合成，采用客观赋权法开展水库调度规则型式的合成研究，建立适合于水库的调度规则型式决策，为实际调度提供科学依据和技术支撑。

与现有技术相比，本发明具有以下优点和有益效果：

(1)现有技术一般只采用单一的水库调度规则，而本发明方法可合成多个水库调度规则生成综合调度规则，使水库调度决策更稳健和优越。

(2)现有技术一般只能获得单一的调度决策，本发明可生成调度决策区间。

(3)适应水库中长期调度。

附图说明

图1为本发明方法流程图。

具体实施方式

下面通过实施例并结合附图，对本发明技术方案做进一步说明。

图1为本发明方法流程图，具体步骤如下：

步骤1，获得K种水库调度规则。

通过水库历史入库流量信息、水库特征参数、水库调度优化目标和约束条件等，采用隐随机或显随机方法得到单一的水库调度规则，如常规调度规则、优化调度图、神经网络、支持向量机、多元线性回归等调度规则。

本步骤多种水库调度规则的获得属于已有技术，在此不作赘述。

步骤2，构建水库调度规则合成模型。

根据步骤1获得的多种水库调度规则，构建水库调度规则合成模型：

$F=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\left[F\left(M_k\right)w_k\right]---\left(1\right)$

式(1)中：F为合成后的水库调度规则；F(M_k)表示步骤1获得的第k个水库调度规则，即水库m根据第k个水库调度规则获得的水库调度出库流量；w_k为第k个水库调度规则F(M_k)的权重。

步骤3，采用客观赋权法获得水库调度规则权重。

本具体实施中采用贝叶斯模型平均法确定水库调度规则F(M_k)的权重w_k，具体为：

以水库或水库群的调度规则的运行效率作为似然函数，假定最优调度决策与调度规则的概率分布，建立调度规则的贝叶斯模型平均理论模型，采用期望值最大算法(EM)或马尔科夫蒙特卡洛方法(MCMC)确定概率分布的参数值。

贝叶斯模型平均法(BMA)是通过对不同模型的出库流量值取不同的权重以得到更好的综合出库流量值和对计算结果不确定性进行定量评价的数学方法。该方法可用于模型组合计算，也可用于计算单个模型和多个模型组合的不确定性分析。

贝叶斯模型平均法的基本原理如下：

假设Q为不同水库调度规则下的出库流量，D＝[X,Y]为输入数据，X为步骤1获得的K种水库调度规则下的出库流量数据，Y是最优调度决策的出库流量数据，最优调度决策的出库流量数据可根据水库历史径流数据，采用动态规划法等方法获得，其获得方法属于本技术领域内的常规技术，在此不做赘述；f＝[f₁,f₂,…,f_K]，为K种水库调度规则集，贝叶斯的概率预报p(Q|D)采用式(2)表示：

$p\left(Q\right|D)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}[p\left(f_k\right|D)\·p_k\left(Q\right|f_k,D)]---\left(2\right)$

式(2)中：

p(f_k|D)是第k种水库调度规则f_k在给定最优调度决策的出库流量数据D的情景下的后验概率，反映第k种水库调度规则f_k和最优调度决策的出库流量数据Y的匹配程度，p(f_k|D)即第k种水库调度规则f_k的权重w_k，表示单一水库调度规则真实描述最优调度决策的概率，P(D|f_k)和P(D|f_j)分别表示给定第k种和第j种水库调度规则后、发生最优调度决策的概率，为先验概率；P(f_k)和P(f_j)分别表示第k种和第j种水库调度规则的概率；

p_k(Q|f_k,D)是在给定最优调度决策的出库流量数据D和第k种水库调度规则下，出库流量Q的后验分布。

水库调度规则合成模型中权重w_k按各单一水库调度规则的准确性划分，水库调度规则的出库流量愈接近最优调度决策的出库流量数据，该水库调度规则的权重就愈大，w_k大于零且 $\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{w}_k=1.$

贝叶斯模型平均法的出库流量值是多种单一水库调度规则出库流量值取不同权重平均的结果。在任意单一水库调度规则的出库流量值和最优调度决策的出库流量数据均服从正态分布情景下，贝叶斯模型平均法的出库流量值E[Q|D]如下：

$E\left[Q\right|D]=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}p\left(f_k\right|D)\·E[g\left(Q\right|f_k,{\mathrm{\σ}}_k^2)]=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\left(w_k{f}_k\right)---\left(3\right)$

式(3)中：

E[Q|D]为所有可能的水库调度规则的出库流量值，通过对式(2)两边同时取期望得到；

表示均值f_k、方差的正态分布，f_k为第k种水库调度规则的出库流量。

BMA权重和不确定性区间的确定方法有多种，例如，期望最大化算法(EM)、马尔科夫蒙特卡洛方法(MCMC)等，本具体实施中采用期望最大化算法(EM)估算BMA模型的参数。

在K种水库调度规则出库流量数据均服从正态分布的假设情景下，期望最大化算法是计算贝叶斯模型参数的有效方法。以表示待求的贝叶斯模型平均法参数，θ的似然函数l(θ)的对数形式表示为：

$l\left(\mathrm{\θ}\right)=\log \left(p\left(Q\right|D)\right)=\log (\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{w}_k\·g\left(Q\right|f_k,{\mathrm{\σ}}_k^2))---\left(4\right)$

式(4)中：即k种水库调度规则出库流量数据均服从正态分布的假设。

由式(4)难以求得θ的解析解，而EM算法可以通过期望和最大化两步的反复迭代直至收敛，得到极大似然值，从而得到的数值解。

在EM算法中，将用隐藏变量辅助计算BMA权重，具体步骤如下：

(1)初始化迭代次数Iter，令Iter＝0

$w_k^{\left(0\right)}=1/K,{\mathrm{\σ}}_k^{2^{\left(0\right)}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{t=1}{\overset{\mathrm{NT}}{\mathrm{\Σ}}}{(Y^t-f_k^t)}^2}{K\×\mathrm{NT}}---\left(5\right)$

式(5)中：NT为决策期的时间长度；Y^t、分别为t时刻的最优调度决策的出库流量和第k种水库调度规则的出库流量值。

(2)计算初始似然值水库：

$l{\left(\mathrm{\θ}\right)}^{\left(0\right)}=\underset{t=1}{\overset{\mathrm{NT}}{\mathrm{\Σ}}}\log \left(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}(w_k^{\left(0\right)}\·g\left(Q\right|f_k^t,{\mathrm{\σ}}_k^{2^{\left(0\right)}}))\right)---\left(6\right)$

(3)计算隐藏变量：令Iter＝Iter+1

$z_k^{t^{\left(\mathrm{Iter}\right)}}=\frac{g\left(Q\right|f_k^t,{\mathrm{\σ}}_k^{2^{(\mathrm{Iter}-1)}})}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}g\left(Q\right|f_k^t,{\mathrm{\σ}}_k^{2^{(\mathrm{Iter}-1)}})}---\left(7\right)$

(4)计算权重

$w_k^{\left(\mathrm{Iter}\right)}=\frac{1}{\mathrm{NT}}\left(\underset{t=1}{\overset{\mathrm{NT}}{\mathrm{\Σ}}}{z}_k^{t^{\left(\mathrm{Iter}\right)}}\right)---\left(8\right)$

(5)计算模型预报误差

${\mathrm{\σ}}_k^{2^{\left(\mathrm{Iter}\right)}}=\frac{\underset{t=1}{\overset{\mathrm{NT}}{\mathrm{\Σ}}}{z}_k^{t^{\left(\mathrm{Iter}\right)}}\·{(Y^t-f_k^t)}^2}{\underset{t=1}{\overset{\mathrm{NT}}{\mathrm{\Σ}}}{z}_k^{t^{\left(\mathrm{Iter}\right)}}}---\left(9\right)$

(6)计算似然值l(θ)^(Iter)：

$l{\left(\mathrm{\θ}\right)}^{\left(\mathrm{Iter}\right)}=\underset{t=1}{\overset{\mathrm{NT}}{\mathrm{\Σ}}}\log \left(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}(w_k^{\left(\mathrm{Iter}\right)}\·g\left(Q\right|f_k^t,{\mathrm{\σ}}_k^{2^{\left(\mathrm{Iter}\right)}}))\right)---\left(10\right)$

(7)检验收敛性：

若l(θ)^(Iter)-l(θ)^(Iter-1)小于或等于预设的允许误差，则收敛，停止迭代；否则，返回执行步骤(3)。

水库调度规则合成模型中权重的确定并不限于贝叶斯模型平均法，也可以采用算术平均法、加权平均法或模糊推理法等算法，即以D＝[X,Y]作为这些算法的输入，即可直接获得权重值。

步骤4，采用合成的水库调度规则进行水库调度决策。

本步骤可采用不确定性区间估计方法获得水库调度决策区间。

下面将以蒙特卡罗组合抽样法为例，根据EM算法获得的权重w_k和规则误差确定出库水库调度决策区间，即任意时刻t的出库流量的不确定区间，具体步骤如下：

(1)根据权重[w₁,w₂,…,w_K]，在[1,2,…,K]中随机生成整数k：(a)设累积概率w'₀＝0，计算w'_k＝w'_k-1+w_k(k＝1,2,…,K)；(b)随机产生一个0到1间的小数u；(c)如果w'_k-1≤u＜w'_k，则选择第k种水库调度规则；否则，重复本步骤。

(2)从第k种水库调度规则在t时刻的概率分布中随机产生出库流量值Q_t，表示均值为方差为的正态分布，这里表示第k种水库调度规则时刻t的出库流量均值。

(3)重复步骤(1)和(2)M次，M为时刻t的样本容量。

完成步骤(1)～(3)获得M个出库流量样本，将M个出库流量样本从小到大排序获得出库流量样本序列，根据设定的置信区间百分数从出库流量样本序列获得决策区间，本具体实施中，设定置信区间百分数为90％，则决策区间即出库流量样本序列中5％和95％分位数间的出库流量区。

本发明中确定模型权重和决策区间的方法并不局限于期望最大化算法(EM)和马尔科夫蒙特卡洛方法(MCMC)。权重确定还可以采用算术平均法、拟牛顿优化算法(LBFGS-B)等，通过考虑单一水库调度规则与最优调度决策间的差异确定权重。决策区间获得还可以利用DiffeRential Evolution Adaptive Metropolis(DREAM)算法，采用混合复合形演化方法(Shuffled Complex Evolution Metropolis)建立多条平稳分布与系统概率分布相同的马尔可夫链，从而得到系统的状态样本，来代替蒙特卡洛组合抽样来估计BMA模型参数θ＝{w₁,w₂,…,w_K,σ²}，以及相应参数的不确定性区间。

Claims (5)

1.一种基于水库调度规则合成的水库调度决策方法，其特征在于，包括：

步骤1，获得K种水库调度规则；

步骤2，构建水库调度规则合成模型F为合成后的水库调度规则；F(M_k)为根据步骤1获得的第k个水库调度规则获得的水库出库流量；w_k为权重；

步骤3，以K种水库调度规则下的水库出库流量数据和最优调度决策下的水库出库流量数据为输入，采用客观赋权法获得水库调度规则合成模型中的权重w_k；

步骤4，采用合成后的水库调度规则进行水库调度决策。

2.如权利要求1所述的基于水库调度规则合成的水库调度决策方法，其特征在于：

所述的K种水库调度规则根据水库历史入库流量信息、水库特征、水库调度优化目标和约束条件，采用隐随机方法或显随机方法获得。

3.如权利要求1所述的基于水库调度规则合成的水库调度决策方法，其特征在于：

所述的客观赋权法为贝叶斯模型平均法、算术平均法、加权平均法或模糊推理法。

4.如权利要求1所述的基于水库调度规则合成的水库调度决策方法，其特征在于：

步骤4中，以K种水库调度规则的权重和K种水库调度规则在当前时刻的出库流量为输入，采用不确定性区间估计法确定水库调度决策区间。

5.如权利要求4所述的基于水库调度规则合成的水库调度决策方法，其特征在于：

所述的不确定性区间估计法为蒙特卡罗组合抽样法。