CN105354630B - 一种基于变阶段逐步优化的梯级电站联合优化调度方法 - Google Patents
一种基于变阶段逐步优化的梯级电站联合优化调度方法 Download PDFInfo
- Publication number
- CN105354630B CN105354630B CN201510683991.2A CN201510683991A CN105354630B CN 105354630 B CN105354630 B CN 105354630B CN 201510683991 A CN201510683991 A CN 201510683991A CN 105354630 B CN105354630 B CN 105354630B
- Authority
- CN
- China
- Prior art keywords
- water level
- node
- initial
- hydropower station
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 230000008859 change Effects 0.000 title description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007599 discharging Methods 0.000 claims description 9
- 230000000750 progressive effect Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于变阶段逐步优化的梯级电站联合优化调度方法,包括步骤一、获取各水电站的初始调度过程,采用约束搜索的方式进行水位调整;步骤二、固定第i个节点和第i+VP节点的水位,针对此VP个阶段问题采用差分进化算法进行寻优计算;步骤三、选取种群规模NP,初始个体均对梯级水电站的可调节点;步骤四、得到梯级各水电站水位过程线;步骤五、以步骤四求得的各水电站水位过程线作为初始轨迹,重复步骤二到五,直到满足变阶段收敛条件;步骤六、令VP=VP+1;重复步骤二到五,直至满足最终收敛条件;步骤七、终止计算,获得各水电站的最优水位过程线。本发明在求解梯级电站联合优化调度问题上具有很好的全局搜索能力,有效克服了传统算法的局部收敛问题。
Description
技术领域
本发明属于水电能源优化运行领域,更具体地,涉及一种基于变阶段逐步优化的梯级电站联合优化调度方法。
背景技术
梯级水电站联合优化调度是一类大规模、多约束、动态和非线性优化问题,随着系统规模的逐步扩大,求解难度越来越大。虽然传统动态规划算法在求解梯级优化问题存在“维数灾”,求解耗时久。虽然目前用于求解梯级水电站联合优化调度问题的智能优化算法有,蚁群算法,遗传算法,离散微分动态规划法,差分进化算法,然而这些智能优化算法容易“早熟”,陷入局限收敛,无法保证优化结果的“可靠性”,亟需一种适用于梯级水电站群联合优化调度的优化算法,既耗时短,又能够收敛于全局最优解。逐步优化算法是动态规划类算法,该算法将多阶段优化问题分解为若干两阶段子问题,且不需对状态变量在可行域内离散,因而不仅可获得较精确解,也能克服动态规划求解多状态变量问题时出现的“维数灾”问题,运算效率较动态规划算法有大幅提高,并且当目标函数为凸函数时,算法一定收敛于问题的最优解。但是梯级水电站优化调度问题的目标函数呈非凸、非线性,在运用逐步优化算法求解时无法保证收敛于全局最优解,且当梯级电站间存在水头重叠时,梯级电站间复杂的水力耦合关系加剧这一问题的复杂性。因此,现行算法在求解梯级电站联合优化调度问题具有一定的局限性,容易陷入局部最优解,或者求解耗时久,存在维数灾,难以满足实际运行中的调度要求。
发明内容
本发明目的在于提供一种基于变阶段逐步优化的梯级电站联合优化调度方法。增强算法的搜索能力,解决由于梯级间水头重叠、逐步优化算法的寻优顺序等因素造成的局部收敛问题。
本发明提供一种基于变阶段逐步优化的梯级电站联合优化调度方法,采用逐步差分离散策略和变阶段策略进行寻优。在两阶段寻优时采用差分离散策略,同时离散多个电站的水位,扩大了搜索区间;当两阶段寻优陷入局部最优时,采用变阶段策略,增加到三阶段寻优;当三阶段寻优陷入局部最优时,采用变阶段策略,增加到四阶段寻优……,以此类推。此方法可有效地避免算法陷入局部最优解,不断逼近全局最优解。
本发明提供一种基于变阶段逐步优化的梯级电站联合优化调度方法,包括以下步骤:
步骤一:初始化。由于在不同的初始条件下,得到最优结果所耗费的时间相差很大,所以为了保证算法的初始解是可行解,由常规优化调度方法获取各水电站的初始调度过程,采用约束搜索的方式进行水位调整。若来水大于最小下泄流量,则维持原水位;若来水小于最小下泄流量,则按照最小下泄流量下泄,推求得到下一时刻水位;以此类推,得到整个调度期的水位过程,其中时段数为M。
步骤二:设VP为逐步优化算法的寻优阶段数,其中初始VP=2。从第0个节点开始(即i=0),固定第i个节点和第i+VP节点的水位,节点i和节点i+VP之间的所有电站的水位节点均为可调节点,针对此VP个阶段问题采用差分进化算法进行寻优计算。
步骤三:选取种群规模NP,初始个体均对梯级水电站的可调节点,在可行域内进行随机离散,生成初始种群,然后通过变异,交叉,选择生成下一代种群,然后重复步骤三直至得到此VP个阶段问题的最优解。
步骤四:令i=i+1;重复步骤二和步骤三,直至最后一个调度时段M,即i=M为止,从而得到梯级各水电站水位过程线。
步骤五:以步骤四求得的各水电站水位过程线作为初始轨迹,重新回到步骤二,重复步骤二到步骤五,直到满足变阶段收敛条件为止,停止计算;例如这里选择如果连续10次优化结果值保持不变,则判断为满足变阶段收敛条件。
步骤六:令VP=VP+1。转至步骤二,重复步骤二到步骤五,直至结果满足最终收敛条件,停止计算。例如这里选择如果连续20次优化结果值保持不变,则判断为满足变阶段收敛条件。
步骤七:终止计算,获得各水电站的最优水位过程线。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
1、本发明在求解梯级电站联合优化调度问题上具有很好的全局搜索能力,有效克服了传统算法的局部收敛问题;
2、本发明在保证收敛于全局最优解的前提下,相较于动态规划算法,其求解效率大幅度提高,解决了“维数灾”问题;。
3、本发明优化结果具有很好的稳定性,在求解梯级电站联合优化调度问题时,优化结果不随初始条件、计算次数而发生变化。
附图说明
图1为本发明梯级电站联合优化调度的变阶段逐步优化算法流程图;
图2为本发明实施例平水年情景下优化结果的水位过程对比图;
图3为本发明实施例算法稳定性对比分析图;
图4为本发明实施例55年算法误差对比分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明以金沙江下游的溪洛渡向家坝梯级水电站优化调度问题为实施例,进行多年中长期优化调度模拟,以体现本发明的有效性和合理性。
溪洛渡、向家坝是金沙江下游规划四梯级中以建成投运的梯级电站,溪洛渡电站以发电为主,兼顾防洪、航运和生态,调节库容64.6亿m3,具有不完全年调节能力,总装机容量1386万kW,多年平均发电量640亿度;向家坝坝是溪洛渡电站的反调节电站,位于溪洛渡坝址下157公里,以发电为主,兼顾防洪、航运、生态和灌溉,调节库容9亿m3,具有不完全季调节能力,总装机容量640万kW,多年平均发电量307.47亿度。溪洛渡电站坝址位于下游向家坝水电站的回水区,溪洛渡-向家坝梯级电站是比较典型的存在水头重叠梯级电站。实施例以旬为调度期模拟溪洛渡向家坝梯级水电站中长期优化调度,并采用多种算法进行结果对比分析。如图1所示,本发明实施步骤如下:
步骤一:初始化。由溪洛渡向家坝电站的常规优化调度图获取各水电站的初始调度过程,采用约束搜索的方式进行水位调整。若来水大于最小下泄流量,则维持原水位;若来水小于最小下泄流量,则按照最小下泄流量下泄,推求得到下一时刻水位,从而得到整个调度期的水位过程,其中时段数为M。
步骤二:设VP为逐步优化算法的寻优阶段数,其中初始VP=2。从第0个节点开始(即i=0),固定第i个节点和第i+VP节点的水位,节点i和节点i+VP之间的所有电站的水位节点均为可调节点,针对此VP个阶段问题采用差分进化算法进行寻优计算。进入步骤三。
步骤三:选取种群规模NP,初始个体均对梯级水电站的可调节点水位在可行域内进行随机离散,生成初始种群,然后通过变异,交叉,选择生成下一代种群,然后重复步骤三得到此VP个阶段问题的最优解。实施例中差分算法的种群规模为10。
步骤四:令i=i+1;重复步骤二和步骤三步骤,直至终止时刻i=M为止。从而得到初始条件和约束条件下的梯级各水电站水位过程线。
步骤五:以步骤四求得的各水电站水位过程线作为初始轨迹,重新回到步骤二,重复步骤二到步骤五,直到满足变阶段收敛条件为止。实施例中采用的是:若连续10次寻优结果保持不变,则定义为满足变阶段收敛条件。
步骤六:令VP=VP+1。转至步骤二,重复步骤二到步骤五,直至结果满足最终收敛条件。实施例中采用的是:若连续20次寻优结果保持不变,则定义为满足最终收敛条件。
步骤七:终止计算,获得各水电站的最优水位过程线。
表1所给出的是不同典型来水下不同算法的梯级优化总发电量及与动态规划最优解发电量的偏差,发现平水年和枯水年本发明优化结果和动态规划的最优解相同,而丰水年,仅有0.74万kW·h的偏差,相较于传统逐步优化算法,其偏差大大缩小。图2为平水年情景下优化结果的水位过程对比图,表明本发明和动态规划算法优化结果的水位运行过程完全一致,即均收敛于全局最优解,证明了在求解梯级水电站优化调度问题中,变阶段逐步差分算法全局搜索能力强,具有一定的优越性。图3为本发明与动态规划算法分别运行100次相应梯级发电量对比图,可以看出,本发明与动态规划算法相比结果相差极小,最大偏差只有0.0036亿kW·h,表明本发明具有良好的稳定性,置信度高。
表1
在1956—2010年共55年长系列径流资料的基础上,分别利用传统逐步优化算法,动态规划算法,本发明进行溪洛渡向家坝梯级水电站联合优化调度模型求解,优化结果的误差对比图如图4。传统逐步优化算法其模拟55年梯级总发电量平均误差为1.36亿kW·h,相较于梯级年平均发电量911.34亿kW·h,误差可达0.15%;而本发明计算结果中有37年的结果与动态规划优化结果一致,梯级总发电量平均误差仅为0.0093亿kW·h,优化结果极为接近动态规划最优解,且算法所耗时间大大减少。经测试,仍以屏山站1968年历史径流资料作为溪洛渡向家坝梯级的来水,以旬为调度期,水位离散精度为0.4m,动态规划算法计算耗时为7分20秒,而本发明的计算耗时为23秒。
综上所述,本发明具有很强的全局搜索能力、求解效率高、稳定性好,结果极为接近动态规划算法的全局最优解,可用于梯级水电站群的优化调度及水资源优化配置。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于变阶段逐步优化的梯级电站联合优化调度方法,其特征在于,包括如下步骤:
步骤一、获取各水电站的初始调度过程,采用约束搜索的方式进行水位调整;若来水大于最小下泄流量,则维持原水位;若来水小于最小下泄流量,则按照最小下泄流量下泄,推求得到下一时刻水位,从而得到整个调度期的水位过程,其中时段数为M;
步骤二、从第0个节点开始,即i=0,固定第i个节点和第i+VP节点的水位,节点i和节点i+VP之间的所有电站的水位节点均为可调节点,针对此VP个阶段问题采用差分进化算法进行寻优计算;其中,VP为逐步优化算法的寻优阶段数;
步骤三、选取种群规模NP,初始个体均对梯级水电站的可调节点,在可行域内进行随机离散,生成初始种群,然后通过变异、交叉,选择生成下一代种群,然后重复步骤三直至得到此VP个阶段问题的最优解;
步骤四、令i=i+1;重复步骤二和步骤三,直至i=M为止;从而得到梯级各水电站水位过程线;
步骤五、以步骤四求得的各水电站水位过程线作为初始轨迹,重新回到步骤二,重复步骤二到步骤五,直到满足变阶段收敛条件为止,停止计算;
步骤六、令VP=VP+1;转至步骤二,重复步骤二到步骤五,直至结果满足最终收敛条件,停止计算;
步骤七、终止计算,获得各水电站的最优水位过程线。
2.如权利要求1所述的方法,其特征在于,初始VP=2。
3.如权利要求1或2所述的方法,其特征在于,所述步骤五中,如果连续10次优化结果值保持不变,则判断为满足变阶段收敛条件。
4.如权利要求1或2所述的方法,其特征在于,所述步骤六中,如果连续20次优化结果值保持不变,则判断为满足变阶段收敛条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510683991.2A CN105354630B (zh) | 2015-10-20 | 2015-10-20 | 一种基于变阶段逐步优化的梯级电站联合优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510683991.2A CN105354630B (zh) | 2015-10-20 | 2015-10-20 | 一种基于变阶段逐步优化的梯级电站联合优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354630A CN105354630A (zh) | 2016-02-24 |
CN105354630B true CN105354630B (zh) | 2019-11-12 |
Family
ID=55330597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510683991.2A Active CN105354630B (zh) | 2015-10-20 | 2015-10-20 | 一种基于变阶段逐步优化的梯级电站联合优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354630B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247447A (zh) * | 2017-05-23 | 2017-10-13 | 长安大学 | 一种基于混合算法框架的混流装配调度控制方法 |
CN111260500B (zh) * | 2019-12-12 | 2021-12-07 | 浙江工业大学 | 一种基于Hadoop的小水电分布式差分进化调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1971601A (zh) * | 2006-12-07 | 2007-05-30 | 武汉大学 | 水库优化调度的可行搜索方法 |
EP1840807A1 (en) * | 2006-03-31 | 2007-10-03 | Abb Research Ltd. | Converting independent resources into a product |
CN104036334A (zh) * | 2014-06-27 | 2014-09-10 | 大连理工大学 | 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法 |
-
2015
- 2015-10-20 CN CN201510683991.2A patent/CN105354630B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1840807A1 (en) * | 2006-03-31 | 2007-10-03 | Abb Research Ltd. | Converting independent resources into a product |
CN1971601A (zh) * | 2006-12-07 | 2007-05-30 | 武汉大学 | 水库优化调度的可行搜索方法 |
CN104036334A (zh) * | 2014-06-27 | 2014-09-10 | 大连理工大学 | 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法 |
Non-Patent Citations (1)
Title |
---|
基于差分进化算法的水电站短期经济运行研究;张志刚;《电网与清洁能源》;20090228;第25卷(第2期);第50-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105354630A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123589B (zh) | 一种梯级水电站短期优化调度方法 | |
WO2019174039A1 (zh) | 一种超大规模水电站群短期实用化调度方法 | |
CN108470249B (zh) | 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法 | |
US10482549B2 (en) | Daily electricity generation plan making method of cascade hydraulic power plant group | |
CN110518583B (zh) | 一种考虑动态特性的综合能源系统可靠性评估方法 | |
CN104036334B (zh) | 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法 | |
CN106682810A (zh) | 巨型水电站动态投产下跨流域梯级水电站群长期运行方法 | |
CN109345068B (zh) | 一种基于余留期效益函数近似的水电站水库两阶段随机优化调度方法 | |
CN105184426B (zh) | 一种基于随机连续寻优策略的梯级电站调峰方法 | |
CN106505633A (zh) | 一种风光接入容量确定方法及装置 | |
CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN105354630B (zh) | 一种基于变阶段逐步优化的梯级电站联合优化调度方法 | |
CN104636831B (zh) | 一种面向多电网的水电站短期调峰特征值搜索方法 | |
CN104538993A (zh) | 一种梯级水电站群自动发电控制方法 | |
CN116757446A (zh) | 基于改进粒子群算法的梯级水电站调度方法及系统 | |
CN112581310A (zh) | 梯级水电站群发电指标分配方法 | |
CN113241780B (zh) | 一种基于秃鹰搜索算法的电网二次调频控制方法与系统 | |
CN113363976B (zh) | 一种基于场景图的风光水互补发电系统中期优化调度方法 | |
CN110707754A (zh) | 微电网中水风光电源容量配置的优化方法 | |
CN109255502A (zh) | 基于多阶段决策的可再生能源发电基地时序优化规划方法 | |
CN105956713A (zh) | 一种新能源年/月电量计划制定方法 | |
CN111767621A (zh) | 一种基于知识迁移q学习算法的多能源系统优化调度方法 | |
Bulut et al. | Comparison of three different learning methods of multilayer Perceptron neural network for wind speed forecasting | |
CN116415824A (zh) | 一种考虑不同需求的多层级梯级水库模拟调度系统及方法 | |
Ju et al. | A Linear Envelope for the Maximum Energy Storage Model of Cascade Hydropower Groups |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |