CN106355292A - 基于量子粒子群算法的梯级水库优化调度方法及系统 - Google Patents

Abstract

本发明公开了一种基于量子粒子群算法的梯级水库优化调度方法及系统，包括：根据建立的梯级水库优化调度问题的目标函数，获取初始化种群，将初始化种群作为父代粒子；构建小世界网络，得到邻接矩阵；根据邻接矩阵更新父代粒子，产生子代粒子；根据适应度函数计算子代粒子的适应度；采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；判断当前的迭代次数是否大于最大阈值；若是，则计算并输出梯级水库优化调度的计算结果；可见，通过将小世界网络模型改进量子粒子群算法，使得改进后的算法不仅保持种群多样性，而且改善了基本量子粒子群算法容易陷入局部最优的缺点，提高了梯级水库优化调度的效果。

Description

基于量子粒子群算法的梯级水库优化调度方法及系统

技术领域

本发明涉及梯级水库优化调度技术领域，更具体地说，涉及一种基于量子粒子群算法的梯级水库优化调度方法及系统。

背景技术

我国水资源非常丰富，国家根据各地水资源的特点陆续建立了多处梯级水电站以使水资源得到更加充分的利用。流域梯级开发的日益推进，使得梯级水库群的优化调度问题研究受到俞来俞多的关注，其优化求解成为一个具有实用价值的研究课题。梯级水库优化调度是一个强约束、非线性、多变量的复杂规划问题。需要考虑上下游水库之间的水力、电力联系以及处理各种约束问题。关键问题有两方面，一是建立水库优化调度的数学模型，二是选择合适的求解该数学模型的最优化方法。目前，梯级水库优化调度传统方法主要包括：线性规划、非线性规划和动态规划等，这些传统方法主要存在结果收敛不稳定、计算程度复杂以及无法避免“维数灾”等问题。

因此，如何改善了量子粒子群算法在寻优过程容易陷入局部最优的缺点，使优化结果更准确，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于量子粒子群算法的梯级水库优化调度方法及系统，以实现改善量子粒子群算法在寻优过程容易陷入局部最优的缺点，使优化结果更准确。

为实现上述目的，本发明实施例提供了如下技术方案：

一种基于量子粒子群算法的梯级水库优化调度方法，包括：

S1、建立梯级水库优化调度问题的目标函数；

S2、根据所述目标函数获取初始化种群，将所述初始化种群作为父代粒子；

S3、构建小世界网络，得到邻接矩阵；

S4、根据所述邻接矩阵更新所述父代粒子，产生子代粒子；

S5、根据适应度函数计算所述子代粒子的适应度；

S6、采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；

S7、判断当前的迭代次数是否大于最大阈值；若是，则执行S8；若否，则继续执行S3；

S8、计算并输出梯级水库优化调度的计算结果。

其中，所述S1包括：

建立梯级水库优化调度问题的目标函数：

$E=\max \underset{i=1}{\overset{M}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{A}_{i,t}\·Q_{i,t}\·H_{i,t}\·\mathrm{\Δ}t;$

其中，E为调度期内梯级总发电量；t为调度期内时段编号，T为总时段数；i为水电站编号，M为梯级水电站总数；A_i,t为水轮机组出力系数，Q_i,t为第i个水电站第t时段的水轮机组过机流量；H_i,t第i个水电站第t时段的水轮机组发电平均水头，Δt为第t时段发电总时长。

其中，所述目标函数的约束条件包括：

第一流量平衡约束条件：

$V_{t+1}^i=V_t^i+\[I_t^i-Q_t^i-W_t^i\]\×\mathrm{\Δ}t$

其中，为第i个水库第t时段末的水库库容，为第个i水库第t时段的入库流量；为为第i个水库第t时段的出库流量；为为第i个水库第t时段的弃水流量；

第二流量平衡约束条件：其中，为i水库和i+1水库t时段的区间入流；

下泄流量约束：其中，为水库允许下泄流量的上、下限；

水位上下限约束：其中，分别为i水库t时段允许水位的上、下限；

电站出力约束：其中，分别为i水库水电站t时段允许出力的上、下限；

水位边界约束：其中，为i水库调度期初始水位，为i水库调度期期末水位。

其中，根据所述目标函数获取初始化种群，包括：

根据种群大小信息及各个水库水位上下限随机生成水库的水位，生成初始化种群。

其中，所述构建小世界网络，得到邻接矩阵之后，还包括：

检测当前的迭代次数是否大于0，若是，则执行所述S4。

一种基于量子粒子群算法的梯级水库优化调度系统，包括：

目标函数建立模块，用于建立梯级水库优化调度问题的目标函数；

初始化种群获取模块，用于根据所述目标函数获取初始化种群，将所述初始化种群作为父代粒子；

邻接矩阵获取模块，用于构建小世界网络，得到邻接矩阵；

更新模块，用于根据所述邻接矩阵更新所述父代粒子，产生子代粒子；

适应度计算模块，用于根据适应度函数计算所述子代粒子的适应度；

选取模块，用于采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；

判断模块，用于判断当前的迭代次数是否大于最大阈值；若是，则触发输出模块；若否，则触发邻接矩阵获取模块；

输出模块，用于计算并输出梯级水库优化调度的计算结果。

其中，所述目标函数建立模块建立的梯级水库优化调度问题的目标函数为：

$E=\max \underset{i=1}{\overset{M}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{A}_{i,t}\·Q_{i,t}\·H_{i,t}\·\mathrm{\Δ}t;$

其中，E为调度期内梯级总发电量；t为调度期内时段编号，T为总时段数；i为水电站编号，M为梯级水电站总数；A_i,t为水轮机组出力系数，Q_i,t为第i个水电站第t时段的水轮机组过机流量；H_i,t第i个水电站第t时段的水轮机组发电平均水头，Δt为第t时段发电总时长。

其中，所述目标函数建立模块建立的目标函数的约束条件包括：

第一流量平衡约束条件：

$V_{t+1}^i=V_t^i+\[I_t^i-Q_t^i-W_t^i\]\×\mathrm{\Δ}t$

其中，为第i个水库第t时段末的水库库容，为第个i水库第t时段的入库流量；为为第i个水库第t时段的出库流量；为为第i个水库第t时段的弃水流量；

第二流量平衡约束条件：其中，为i水库和i+1水库t时段的区间入流；

下泄流量约束：其中，为水库允许下泄流量的上、下限；

水位上下限约束：其中，分别为i水库t时段允许水位的上、下限；

电站出力约束：其中，分别为i水库水电站t时段允许出力的上、下限；

水位边界约束：其中，为i水库调度期初始水位，为i水库调度期期末水位。

其中，所述初始化种群获取模块根据种群大小信息及各个水库水位上下限随机生成水库的水位，生成初始化种群。

其中，还包括：

检测模块，用于得到邻接矩阵之后，检测当前的迭代次数是否大于0，若是，则触发所述更新模块。

通过以上方案可知，本发明实施例提供的一种基于量子粒子群算法的梯级水库优化调度方法及系统，包括：S1、建立梯级水库优化调度问题的目标函数；S2、根据所述目标函数获取初始化种群，将所述初始化种群作为父代粒子；S3、构建小世界网络，得到邻接矩阵；S4、根据所述邻接矩阵更新所述父代粒子，产生子代粒子；S5、根据适应度函数计算所述子代粒子的适应度；S6、采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；S7、判断当前的迭代次数是否大于最大阈值；若是，则执行S8；若否，则继续执行S3；S8、计算并输出梯级水库优化调度的计算结果；

可见，在本实施例中，通过将小世界网络模型改进量子粒子群算法，使得改进后的算法不仅保持种群多样性，而且改善了基本量子粒子群算法容易陷入局部最优的缺点，提高了梯级水库优化调度的效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于量子粒子群算法的梯级水库优化调度方法流程示意图；

图2为本发明实施例公开的一种基于量子粒子群算法的梯级水库优化调度系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于量子粒子群算法的梯级水库优化调度方法及系统，以实现改善量子粒子群算法在寻优过程容易陷入局部最优的缺点，使优化结果更准确。

参见图1，本发明实施例提供的一种基于量子粒子群算法的梯级水库优化调度方法，包括：

S1、建立梯级水库优化调度问题的目标函数；

其中，所述S1包括：

建立梯级水库优化调度问题的目标函数：

$E=\max \underset{i=1}{\overset{M}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{A}_{i,t}\·Q_{i,t}\·H_{i,t}\·\mathrm{\Δ}t;$

其中，E为调度期内梯级总发电量；t为调度期内时段编号，T为总时段数；i为水电站编号，M为梯级水电站总数；A_i,t为水轮机组出力系数，Q_i,t为第i个水电站第t时段的水轮机组过机流量(单位:立方米/秒)，H_i,t第i个水电站第t时段的水轮机组发电平均水头(单位：米)，Δt为第t时段发电总时长(单位：秒)。

其中，所述目标函数的约束条件包括：

第一流量平衡约束条件：

$V_{t+1}^i=V_t^i+\[I_t^i-Q_t^i-W_t^i\]\×\mathrm{\Δ}t$

其中，为第i个水库第t时段末的水库库容，为第个i水库第t时段的入库流量；为为第i个水库第t时段的出库流量；为为第i个水库第t时段的弃水流量；

第二流量平衡约束条件：其中，为i水库和i+1水库t时段的区间入流；

下泄流量约束：其中，为水库允许下泄流量的上、下限；

水位上下限约束：其中，分别为i水库t时段允许水位的上、下限；

电站出力约束：其中，分别为i水库水电站t时段允许出力的上、下限；

水位边界约束：其中，为i水库调度期初始水位，为i水库调度期期末水位。

S2、根据所述目标函数获取初始化种群，将所述初始化种群作为父代粒子；

其中，根据所述目标函数获取初始化种群，包括：

根据种群大小信息及各个水库水位上下限随机生成水库的水位，生成初始化种群。

具体的，所述初始规则为：

其中，rand(0,1)为一个0～1的随机数。

需要说明的是，在进行种群初始化时，需要选取种群大小，然后根据各个水库水位上下限来随机生成水库的水位，从而组成一定数量的初始种群。

S3、构建小世界网络，得到邻接矩阵；

其中，所述构建小世界网络，得到邻接矩阵之后，还包括：

检测当前的迭代次数是否大于0，若是，则执行所述S4。

需要说明的是，本方案初始化种群之后，可以根据小世界网络拓扑理论按照预设的度量生成小世界的邻接矩阵，具体为：

设X为初始种群，DS(z)为初始种群产生的初始解，Juzhen为构造的小世界网络，C为矩阵lbest每一列求和，B为矩阵lbest的行数，G为最小fitlbest对应的lbest。具体执行流程表示如下：

INPUT：DS_dc，M，i；

LET fitpbest＝DS_dc；

LET A_a＝X；

其中，根据小世界网络产生的小世界网络矩阵流程如下：

LET J＝Juzhen；

FORz＝1 to M

FOR j＝1 to M；

IF J(z,j)＝＝1

其中，根据小世界网络产生的邻接矩阵流程如下：

lbest＝A_a(j,:)；

fitlbest＝fitpbest(1,j)

END IF

END FOR

mlbest＝C/B

lgbest＝G。

S4、根据所述邻接矩阵更新所述父代粒子，产生子代粒子；

需要说明的是，若种群为初次更新，则采用如下数据模型进行更新：

A(z,r)＝r1*pbest(z,r)+(1-r1)*lgbest(1,r)；

其中pbest为初始种群，lgbest为通过小世界网络选择后产生占优解对应的粒子；

若种群并非初次更新，则将当前迭代计算之前产生的新种群继续以概率的形式更新，若概率满足预设值，则采用如下数据模型进行更新：

A(z,:)＝A(z,:)+(0.5+0.5*((maxgen-m)/maxgen))*A_A(z,:)*log(1/u)；

若概率不满足预设值，则采用如下数据模型进行更新：

A(z,:)＝A(z,:)-(0.5+0.5*((maxgen-m)/maxgen))*A_A(z,:)*log(1/u)；

其中，maxgen为最大迭代次数，m为当前迭代次数，u为0～1的随机数，A_A(z,:)为小世界网络产生的邻接矩阵的平均值和对应初始种群的差的绝对值。

需要说明的是，更新种群的具体步骤还可以表示为：

设lgbest为产生最优值的机组出力，mlbest为根据小世界网络产生的邻接矩阵的平均值，D为所有区域机组和区域数量之和，m是当前迭代代数，A_A(z,:)为平均值mlbest与Aa(z,:)的差的绝对值，则其执行流程如下：

INPUT:lgbest，mlbest，D；

LETpbest(z,r)＝A_a；

FOR r＝1to D；

产生随机数r₁∈(0，1)；

A(z,r)＝r₁*pbest(z,r)+(1-r₁)*lgbest(1,r)；

更新全部种群

END FOR；

IF rand>0.5

产生随机数u∈(0，1)；

以概率的形式更新种群

A(z,:)＝A(z,:)+(0.5+0.5*((maxgen-m)/maxgen))*A_A(z,:)*log(1/u)；

ELSE；

A(z,:)＝A(z,:)-(0.5+0.5*((maxgen-m)/maxgen))*A_A(z,:)*log(1/u)；

END IF；

S5、根据适应度函数计算所述子代粒子的适应度；

具体的，在本方案中通过如下式子根据更新后的种群计算适应度：

$E=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}{N}_{ij}+|\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}{N}_{ij}-N_{Di}|\×f)\·\mathrm{\Δ}t;$

其中，f为惩罚系数。

S6、采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；

具体的，在本方案中利用竞争算子对父代粒子的适应度和子代粒子的适应度进行比较，选取产生效果较好的适应度作为当前的适应度。例如，如果新产生的子代的适应度的效果优于父代适应度，则交换两个适应度，反之则不替换，效果较好的得以保存下来进行下一次的比较。当迭代次数达到预设的最大迭代次数时，则最后的当前适应度为可以产生最佳效果的适应度。

S7、判断当前的迭代次数是否大于最大阈值；若是，则执行S8；若否，则继续执行S3；

S8、计算并输出梯级水库优化调度的计算结果。

综上可见，本方案与现有技术相比具有如下显著的效果：

1、步骤简单，控制参数少，求解容易；

2、将小世界网络模型引入到量子粒子群算法的优化算法，小世界量子粒子群算法通过将小世界以随机加边方式动态改变种群个体的邻域拓扑结构的理念引入到量子粒子群算法，使得小世界量子粒子群算法在优化过程中提高种群的多样性，同时改善了量子粒子群算法容易陷入局部最优的缺点。

为验证本发明所提出的小世界量子粒子群算法NWQPSO(小世界量子粒子群)的有效性和优越性，下面通过参数和曲线的方式进行说明：

预先设定如下：种群大小M＝50，最大迭代次数为maxgen＝300。

在本案例，水布垭、隔河岩水电站水库参数参见表1，采用NWQPSO算法的调度结果如表2所示，为了证明NWQPSO算法的优越性，我们将NWQPSO算法的优化结果和其他智能优化算法进行了比较如表3所示。

表1水布垭、隔河岩水电站水库参数

表2 CSO单次调度结果

表3不同算法优化总发电量对比

采用NWQPSO算法对清江梯级水电站系统进行仿真，通过仿真得到的水库调度结果和优化结果如表2和表3所示。从表3我们可以看出NWQPSO算法的优化结果为84.97kW·h，显然优于表中的其他算法的优化结果。另外一方面，NWQPSO调度结果的标准差如表3所示，可以看出NWQPSO在优化计算稳定方面的表现同样让人满意。因此，可以说NWQPSO算法在解决梯级水库系统经济调度问题表现更好。

下面对本发明实施例提供的梯级水库优化调度系统进行介绍，下文描述的梯级水库优化调度系统与上文描述的梯级水库优化调度方法可以相互参照。

参见图2，本发明实施例提供的一种基于量子粒子群算法的梯级水库优化调度系统，包括：

目标函数建立模块100，用于建立梯级水库优化调度问题的目标函数；

初始化种群获取模块200，用于根据所述目标函数获取初始化种群，将所述初始化种群作为父代粒子；

邻接矩阵获取模块300，用于构建小世界网络，得到邻接矩阵；

更新模块400，用于根据所述邻接矩阵更新所述父代粒子，产生子代粒子；

适应度计算模块500，用于根据适应度函数计算所述子代粒子的适应度；

选取模块600，用于采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；

判断模块700，用于判断当前的迭代次数是否大于最大阈值；若是，则触发输出模块800；若否，则触发邻接矩阵获取模块300；

输出模块800，用于计算并输出梯级水库优化调度的计算结果。

其中，所述目标函数建立模块建立的梯级水库优化调度问题的目标函数为：

$E=\max \underset{i=1}{\overset{M}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{A}_{i,t}\·Q_{i,t}\·H_{i,t}\·\mathrm{\Δ}t;$

其中，E为调度期内梯级总发电量；t为调度期内时段编号，T为总时段数；i为水电站编号，M为梯级水电站总数；A_i,t为水轮机组出力系数，Q_i,t为第i个水电站第t时段的水轮机组过机流量；H_i,t第i个水电站第t时段的水轮机组发电平均水头，Δt为第t时段发电总时长。

其中，述目标函数建立模块建立的目标函数的约束条件包括：

第一流量平衡约束条件：

$V_{t+1}^i=V_t^i+\[I_t^i-Q_t^i-W_t^i\]\×\mathrm{\Δ}t$

其中，为第i个水库第t时段末的水库库容，为第个i水库第t时段的入库流量；为为第i个水库第t时段的出库流量；为为第i个水库第t时段的弃水流量；

第二流量平衡约束条件：其中，为i水库和i+1水库t时段的区间入流；

下泄流量约束：其中，为水库允许下泄流量的上、下限；

水位上下限约束：其中，分别为i水库t时段允许水位的上、下限；

电站出力约束：其中，分别为i水库水电站t时段允许出力的上、下限；

水位边界约束：其中，为i水库调度期初始水位，为i水库调度期期末水位。

其中，所述初始化种群获取模块根据种群大小信息及各个水库水位上下限随机生成水库的水位，生成初始化种群。

其中，还包括：

检测模块，用于得到邻接矩阵之后，检测当前的迭代次数是否大于0，若是，则触发所述更新模块。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于量子粒子群算法的梯级水库优化调度方法，其特征在于，包括：

S1、建立梯级水库优化调度问题的目标函数；

S2、根据所述目标函数获取初始化种群，将所述初始化种群作为父代粒子；

S3、构建小世界网络，得到邻接矩阵；

S4、根据所述邻接矩阵更新所述父代粒子，产生子代粒子；

S5、根据适应度函数计算所述子代粒子的适应度；

S6、采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；

S7、判断当前的迭代次数是否大于最大阈值；若是，则执行S8；若否，则继续执行S3；

S8、计算并输出梯级水库优化调度的计算结果。

2.根据权利要求1所述的梯级水库优化调度方法，其特征在于，所述S1包括：

建立梯级水库优化调度问题的目标函数：

$E=\max \underset{i=1}{\overset{M}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{A}_{i,t}\·Q_{i,t}\·H_{i,t}\·\mathrm{\Δ}t;$

其中，E为调度期内梯级总发电量；t为调度期内时段编号，T为总时段数；i为水电站编号，M为梯级水电站总数；A_i,t为水轮机组出力系数，Q_i,t为第i个水电站第t时段的水轮机组过机流量；H_i,t第i个水电站第t时段的水轮机组发电平均水头，Δt为第t时段发电总时长。

3.根据权利要求2所述的梯级水库优化调度方法，其特征在于，所述目标函数的约束条件包括：

第一流量平衡约束条件：

$V_{t+1}^i=V_t^i+\[I_t^i-Q_t^i-W_t^i\]\×\mathrm{\Δ}t$

其中，V_t ⁱ为第i个水库第t时段末的水库库容，为第个i水库第t时段的入库流量；为为第i个水库第t时段的出库流量；W_t ⁱ为为第i个水库第t时段的弃水流量；

第二流量平衡约束条件：其中，为i水库和i+1水库t时段的区间入流；

下泄流量约束：其中，为水库允许下泄流量的上、下限；

水位上下限约束：其中，分别为i水库t时段允许水位的上、下限；

电站出力约束：其中，分别为i水库水电站t时段允许出力的上、下限；

水位边界约束：其中，为i水库调度期初始水位，为i水库调度期期末水位。

4.根据权利要求1所述的梯级水库优化调度方法，其特征在于，根据所述目标函数获取初始化种群，包括：

根据种群大小信息及各个水库水位上下限随机生成水库的水位，生成初始化种群。

5.根据权利要求4所述的梯级水库优化调度方法，其特征在于，所述构建小世界网络，得到邻接矩阵之后，还包括：

检测当前的迭代次数是否大于0，若是，则执行所述S4。

6.一种基于量子粒子群算法的梯级水库优化调度系统，其特征在于，包括：

目标函数建立模块，用于建立梯级水库优化调度问题的目标函数；

初始化种群获取模块，用于根据所述目标函数获取初始化种群，将所述初始化种群作为父代粒子；

邻接矩阵获取模块，用于构建小世界网络，得到邻接矩阵；

更新模块，用于根据所述邻接矩阵更新所述父代粒子，产生子代粒子；

适应度计算模块，用于根据适应度函数计算所述子代粒子的适应度；

选取模块，用于采用竞争算子比较父代粒子的适应度和子代粒子的适应度，选取适应度好的作为下一次迭代的父代粒子；

判断模块，用于判断当前的迭代次数是否大于最大阈值；若是，则触发输出模块；若否，则触发邻接矩阵获取模块；

输出模块，用于计算并输出梯级水库优化调度的计算结果。

7.根据权利要求6所述的梯级水库优化调度系统，其特征在于，所述目标函数建立模块建立的梯级水库优化调度问题的目标函数为：

$E=\max \underset{i=1}{\overset{M}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{A}_{i,t}\·Q_{i,t}\·H_{i,t}\·\mathrm{\Δ}t;$

其中，E为调度期内梯级总发电量；t为调度期内时段编号，T为总时段数；i为水电站编号，M为梯级水电站总数；A_i,t为水轮机组出力系数，Q_i,t为第i个水电站第t时段的水轮机组过机流量；H_i,t第i个水电站第t时段的水轮机组发电平均水头，Δt为第t时段发电总时长。

8.根据权利要求7所述的梯级水库优化调度系统，其特征在于，所述目标函数建立模块建立的目标函数的约束条件包括：

第一流量平衡约束条件：

$V_{t+1}^i=V_t^i+\[I_t^i-Q_t^i-W_t^i\]\×\mathrm{\Δ}t$

其中，V_t ⁱ为第i个水库第t时段末的水库库容，为第个i水库第t时段的入库流量；为为第i个水库第t时段的出库流量；W_t ⁱ为为第i个水库第t时段的弃水流量；

第二流量平衡约束条件：其中，为i水库和i+1水库t时段的区间入流；

下泄流量约束：其中，为水库允许下泄流量的上、下限；

水位上下限约束：其中，分别为i水库t时段允许水位的上、下限；

电站出力约束：其中，分别为i水库水电站t时段允许出力的上、下限；

水位边界约束：其中，为i水库调度期初始水位，为i水库调度期期末水位。

9.根据权利要求6所述的梯级水库优化调度系统，其特征在于，所述初始化种群获取模块根据种群大小信息及各个水库水位上下限随机生成水库的水位，生成初始化种群。

10.根据权利要求9所述的梯级水库优化调度系统，其特征在于，还包括：

检测模块，用于得到邻接矩阵之后，检测当前的迭代次数是否大于0，若是，则触发所述更新模块。