CN107527117A - 基于d‑s证据理论的水库适应性调度方法 - Google Patents

基于d‑s证据理论的水库适应性调度方法 Download PDF

Info

Publication number
CN107527117A
CN107527117A CN201710751950.1A CN201710751950A CN107527117A CN 107527117 A CN107527117 A CN 107527117A CN 201710751950 A CN201710751950 A CN 201710751950A CN 107527117 A CN107527117 A CN 107527117A
Authority
CN
China
Prior art keywords
climate change
reservoir
runoff
function
scene
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.)
Pending
Application number
CN201710751950.1A
Other languages
English (en)
Inventor
张玮
刘攀
谢艾利
李�赫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710751950.1A priority Critical patent/CN107527117A/zh
Publication of CN107527117A publication Critical patent/CN107527117A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Public Health (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Abstract

本发明提供了一种基于D‑S证据理论的水库适应性调度方法，其特征在于，包括以下步骤：步骤1.利用GCMs、降尺度技术预测未来研究时间内的气温和降水，以预测结果作为水文模型的输入预测径流，将GCMs输出的径流预测结果作为多个未来气候变化情景；步骤2.以每一个潜在的气候变化情景作为D‑S证据理论中的焦元θ，构成识别框架；步骤3.定义相应的基本概率分配函数m1、m2和m3；步骤4.利用修正D‑S合成规则，实现三条证据合成，求得各个情景的合成概率m123；步骤5.令各个情景的权重α等于信任函数；步骤6.以多年平均效益的加权平均值最大化为优化目标，构建水库优化调度模型，设置线性调度函数，利用模拟优化法对调度函数参数进行优化，得到适应性调度方案。

Description

基于D-S证据理论的水库适应性调度方法
技术领域
本发明属于水库调度技术领域，具体涉及一种基于D-S证据理论的水库适应性调度方法。
技术背景
气候变化已经改变了水资源的时空分配和径流特性，可能加剧洪涝、干旱灾害以及水资源供需矛盾，对社会经济发展产生重要影响。水库作为有效解决水资源分配的重要工程措施，具有防洪、发电、供水、航运等功能与任务。水库调度这一非工程措施是实现兴利除害功能、完成水资源时空分布重新分配的主要方式。在气候变化条件下，原有的一致性条件不复存在，基于历史径流序列的调度方法在气候变化条件下难以满足水库兴利要求，故提出适应性调度方法，以帮助水库管理者有效应对未知的气候变化。
现有的水库适应性调度方法主要是分为以下两种：(1)将多种气象水文预测序列作为未来可能的气候变化情景，并针对每一特定情景，以水库优化调度模型为依据来研制相应的适应性调度方法；(2)将多种气象水文预测序列作为未来可能的气候变化情景，并将这些情景等概率的耦合，以此作为水库优化调度模型的输入来实现适应性调度。适应性调度方法与水库实践中的常规调度方法和基于历史径流序列的调度方法在未来时期进行模拟，通过效益等指标评价三者的表现。
但是，在现有的技术中存在如下问题：(1)目前的适应性调度方法主要是针对单一的气候变化情景，适用性存在很大的局限性，尤其是在难以准确预测气候变化的背景下；(2)未来气候变化本身是一件不确定的事情，各个预测的气候变化情景出现地可能性不一定是等概率的，并且，非一致性变化程度越剧烈的气候情景越容易造成基于历史径流序列的调度方法失效，故缺乏以各情景径流变化为依据的权重考虑。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种适用于不确定的气候变化条件下的水库适应性调度方法，该方法能够考虑径流非一致性变化的权重、兼顾多个未来气候变化情景，从而实现水库调度有效应对气候变化。
本发明为了实现上述目的，采用了以下方案：
本发明提供了一种基于D-S证据理论的水库适应性调度方法，其特征在于，包括以下步骤：
步骤1.利用全球大气环流模型(GCMs)、降尺度技术预测未来研究时间内的气温和降水，以此预测结果作为水文模型的输入来预测径流，将来自不同GCMs输出的径流预测结果作为多个未来气候变化情景；
步骤2.以每一个潜在的气候变化情景作为D-S证据理论中的焦元θ，进而构成D-S证据理论中的识别框架Θ，其旨于识别在未来多种可能的气候变化条件下，各个气候情景发生的概率大小；
步骤3.将等概率、由相对于历史多年平均年径流的特征参数变化构成的概率、由相比于历史同期月径流变幅构成的概率作为三条证据，定义相应的基本概率分配函数m1、m2和m3；
步骤4.利用基于Jousselme距离的修正D-S合成规则，实现三条证据合成，求得各个情景的合成概率m123，由于各个情景的互斥性，问题简化为单焦元问题，原是概率满足由下限-信任函数(Bel)和上限-似真函数(Pl)的区间，变成为一个值，上下限均等于合成概率m123；
步骤5.各个情景的权重α等于信任函数，情景权重为下一步耦合多个情景来提取适应性调度方案提供基础；
步骤6.以所有情景的多年平均效益的加权平均值最大化为优化目标，构建水库优化调度模型，设置调度函数型式为线性，利用模拟优化法(Simulation-basedOptimizationMethod,SBO)对调度函数的参数进行优化，得到基于D-S证据理论的适应性调度方案。
本发明提供的基于D-S证据理论的水库适应性调度方法，还可以具有以下特征：在所述步骤2中，识别框架的表达式为：
Θ＝{θ1,...,θk,...,θs} (1)
式中：Θ为识别框架，表明未来气候变化有S个可能的情景构成。
本发明提供的基于D-S证据理论的水库适应性调度方法，还可以具有以下特征：在所述步骤3中，
1)等概率的基本概率分配函数表达式为：
m1(Ak)＝1/S (2)
式中：m1(Ak)是第k个气候情景的等概率形式的基本概率分配函数；Ak表示第k个气候变化情景；S为所有可能的未来气候情景；
2)由相对于历史多年平均年径流的特征参数变化构成的基本概率分配函数为：
式中：m2(Ak)是第k个气候变化情景的由相对于历史多年平均年径流的特征参数变化构成的基本概率分配函数，它是多年平均年径流的三个特征参数的变化的平均值；上标H/F分别表示历史时期和未来时期；Pmean(Ak)、PCv(Ak)、PCs(Ak)依次是均值离差系数Cv、离势系数Cs的概率；
3)由相比于历史同期月径流变幅构成的基本概率分配函数为：
式中：m3(Ak)是第k个气候变化情景的由相比于历史同期月径流变幅构成的基本概率分配函数；上标H/F分别表示历史时期和未来时期；是第i时段第j年第k个气候变化情景下的预测径流；是第i时段第j年的历史实测径流；Δi,j,k是第j年第k个气候变化情景下未来径流相比于历史同期实测径流在月尺度上的相对变幅，同一情景下所有时段的相对变幅可以步长为ds划分为多个变幅区间；NUMk是第k个气候变化情景下的变幅区间总数，其计算是基于向上取整函数ndk,r是符合第k个气候变化情景下的第r个变幅区间上下限的相对变幅Δi,j,k的数量；#()是用于统计满足条件的相对变幅的数量；pk,r是第k个气候变化情景下第r个变幅区间上相对变幅数量占所有时段的比值，对于不存在变幅数值的区间，满足的条件；Hk是Shannon熵。
本发明提供的基于D-S证据理论的水库适应性调度方法，还可以具有以下特征：在所述步骤4中，修正的D-S合成规则为：
式中：m123(Ak)是第k个气候变化情景的基于步骤3中三条证据的合成概率；ωf是反映第f条证据可靠性的权重，是基于Jousselme距离df,g计算得到的；
信任函数(Bel)为：
Bel(Ak)＝m123(Ak) (15)。
本发明提供的基于D-S证据理论的水库适应性调度方法，还可以具有以下特征：在步骤5中，权重定义式为：
αk＝Bel(Ak) (16)
式中：αk是第k个气候变化情景的权重值。
本发明提供的基于D-S证据理论的水库适应性调度方法，还可以具有以下特征：在步骤6中，线性调度函数表达式为：
Ri＝ai(Vi+QiΔti)+bi，i＝1,2,...,N (17)
式中，Ri是调度函数所确定时段i的水库出流；Vi是时段i的初始库容；Qi是时段i的水库入流；Vi+QiΔti是时段i的水库可用水量；ai和bi是待求的调度函数参数；N是总的时间尺度数量，日尺度为365，月尺度为12，旬尺度为36；
优化的目标函数表达为：
式中：B是所有情景的多年平均效益的加权平均值；Bk是第k个气候变化情景的多年平均效益。
发明的作用与效果
与现有技术相比，本发明的有益效果在于：
(1)本发明提出了一种基于D-S证据理论的水库适应性调度方法，考虑了现有的各情景等概率方法，提出了径流非一致性变化的两种概率形式，基于D-S证据理论将三种概率形式合成为各个气候变化情景的权重。
(2)本发明所提出适应性调度方法考虑了未来气候变化情景集合，适用于不确定的气候变化下的适应性管理。
附图说明
图1为本发明实施例中所涉及的基于D-S证据理论的水库适应性调度方法的流程图；
图2为本发明对比例中所涉及的水库实际调度图。
具体实施方式
以下结合附图对本发明涉及的基于D-S证据理论的水库适应性调度方法进行详细地说明。
<实施例>
如图1所示，本实施例所提供的基于D-S证据理论的水库适应性调度方法包括以下步骤：
步骤1.利用全球大气环流模型(GCMs)、降尺度技术预测未来研究时间内的气温和降水，以此预测结果作为水文模型的输入来预测径流，将来自不同GCMs输出的径流预测结果作为多个未来气候变化情景。
步骤2.以每一个潜在的气候变化情景作为D-S证据理论中的焦元θ，进而构成D-S证据理论中的识别框架Θ，其旨于识别在未来多种可能的气候变化条件下，各个气候情景发生的概率大小。识别框架的表达式如下：
Θ＝{θ1,...,θk,...,θs} (1)
式中：Θ为识别框架，表明未来气候变化有S个可能的情景构成。
步骤3.将等概率、由相对于历史多年平均年径流的特征参数变化构成的概率、由相比于历史同期月径流变幅构成的概率作为三条证据，定义相应的基本概率分配函数m1、m2和m3。
(1)等概率的基本概率分配函数表达式如下：
m1(Ak)＝1/S (2)
式中：m1(Ak)是第k个气候情景的等概率形式的基本概率分配函数；Ak表示识别框架中的第k个命题，这里指第k个气候变化情景；S为所有可能的未来气候情景。
(2)由相对于历史多年平均年径流的特征参数变化构成的基本概率分配函数，如下：
式中：m2(Ak)是第k个气候变化情景的由相对于历史多年平均年径流的特征参数变化构成的基本概率分配函数，它是多年平均年径流的三个特征参数的变化的平均值；上标H/F分别表示历史时期和未来时期；Pmean(Ak)、PCv(Ak)、PCs(Ak)分别是均值离差系数Cv、离势系数Cs的概率。
(3)由相比于历史同期月径流变幅构成的基本概率分配函数，如下：
式中：m3(Ak)是第k个气候变化情景的由相比于历史同期月径流变幅构成的基本概率分配函数；上标H/F分别表示历史时期和未来时期；是第i时段第j年第k个气候变化情景下的预测径流；是第i时段第j年的历史实测径流；Δi,j,k是第j年第k个气候变化情景下未来径流相比于历史同期实测径流在月尺度上的相对变幅，同一情景下所有时段的相对变幅可以步长为ds划分为多个变幅区间；NUMk是第k个气候变化情景下的变幅区间总数，其计算是基于向上取整函数ndk,r是符合第k个气候变化情景下的第r个变幅区间上下限的相对变幅Δi,j,k的数量；#()是用于统计满足条件的相对变幅的数量；pk,r是第k个气候变化情景下第r个变幅区间上相对变幅数量占所有时段的比值，对于不存在变幅数值的区间，满足的条件；Hk是Shannon熵。
步骤4.利用修正的D-S合成规则，实现三条证据合成，求得各个情景的合成概率m123。由于各个情景的互斥性，问题简化为单焦元问题，原是概率满足由下限-信任函数(Bel)和上限-似真函数(Pl)的区间，变成为一个值，即上下限均等于合成概率相等(m123)。
修正的D-S合成规则如下：
式中：m123(Ak)是第k个气候变化情景的基于步骤3中三条证据的合成概率；ωf是反映第f条证据可靠性的权重，是基于Jousselme距离df,g计算得到的。
故有，信任函数(Bel)为：
Bel(Ak)＝m123(Ak) (15)
步骤5.各个情景的权重α等于信任函数，信任函数与合成概率相等。情景权重为下一步耦合多个情景来提取适应性调度方案提供基础。权重定义式如下：
αk＝Bel(Ak) (16)
式中：αk是第k个气候变化情景的权重值。
步骤6.以所有情景的多年平均效益的加权平均值最大化为优化目标，构建水库优化调度模型，设置调度函数型式为线性，其表达式见公式(17)，利用模拟优化法(SBO)对调度函数的参数进行优化，得到基于D-S证据理论的适应性调度方案。
线性调度函数表达式如下：
Ri＝ai(Vi+QiΔti)+bi，i＝1,2,...,N (17)
式中，Ri是调度函数所确定时段i的水库出流；Vi是时段i的初始库容；Qi是时段i的水库入流；Vi+QiΔti是时段i的水库可用水量；ai和bi是待求的调度函数参数；N是总的时间尺度数量，日尺度为365，月尺度为12，旬尺度为36。
优化的目标函数表达如下：
式中：B是所有情景的多年平均效益的加权平均值；Bk是第k个气候变化情景的多年平均效益。这一步骤实现了将D-S理论与水库调度相结合。
将以上步骤运用于研究的发电型水库中，针对20个不同GCMs结果创造的情景同时考虑，得到以月尺度为调度时段的调度函数参数结果如表1所示，按照该调度函数实施水库运行，其发电量为187.31×108kWh。
表1基于D-S证据理论的水库适应性调度函数的参数优化结果
<对比例>
在本对比例中，提供的是该水库的常规调度方案，常规调度是按照该水库的实际调度图(见图2)来实施：出力区分为降低出力区、保证出力区、加大出力区，出力计算由当前时刻对应的时间和相应的水位共同决定。本对比例中，实施该常规调度方案后，水库的发电量为：141.23×108kWh。
将实施例与对比例的发电量数据进行比较可知，实施例所采用的适应性调度方案效果更加显著。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于D-S证据理论的水库适应性调度方法、D-S理论识别框架定义、基本概率分配函数定义、情景权重识别、以及与水库调度模型结合并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。

Claims (6)

1.一种基于D-S证据理论的水库适应性调度方法，其特征在于，包括以下步骤：
步骤1.利用全球大气环流模型、降尺度技术预测未来研究时间内的气温和降水，以此预测结果作为水文模型的输入来预测径流，将来自不同全球大气环流模型输出的径流预测结果作为多个未来气候变化情景；
步骤2.以每一个潜在的气候变化情景作为D-S证据理论中的焦元θ，进而构成D-S证据理论中的识别框架Θ，其旨于识别在未来多种可能的气候变化条件下，各个气候情景发生的概率大小；
步骤3.将等概率、由相对于历史多年平均年径流的特征参数变化构成的概率、由相比于历史同期月径流变幅构成的概率作为三条证据，定义相应的基本概率分配函数m1、m2和m3；
步骤4.利用基于Jousselme距离的修正D-S合成规则，实现三条证据合成，求得各个情景的合成概率m123，由于各个情景的互斥性，问题简化为单焦元问题，上下限均等于合成概率m123；
步骤5.各个情景的权重α等于信任函数，情景权重为下一步耦合多个情景来提取适应性调度方案提供基础；
步骤6.以所有情景的多年平均效益的加权平均值最大化为优化目标，构建水库优化调度模型，设置调度函数型式为线性，利用模拟优化法对调度函数的参数进行优化，得到基于D-S证据理论的适应性调度方案。
2.根据权利要求1所述的基于D-S证据理论的水库适应性调度方法，其特征在于：
在所述步骤2中，识别框架的表达式为：
Θ＝{θ1,...,θk,...,θs} (1)
式中：Θ为识别框架，表明未来气候变化有S个可能的情景构成。
3.根据权利要求1所述的基于D-S证据理论的水库适应性调度方法，其特征在于：
在所述步骤3中，
1)等概率的基本概率分配函数表达式为：
m1(Ak)＝1/S (2)
式中：m1(Ak)是第k个气候情景的等概率形式的基本概率分配函数；Ak表示第k个气候变化情景；S为所有可能的未来气候情景；
2)由相对于历史多年平均年径流的特征参数变化构成的基本概率分配函数为：
<mrow> <msub> <mi>m</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>3</mn> </mfrac> <mo>&amp;lsqb;</mo> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>C</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>C</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msubsup> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> <mi>F</mi> </msubsup> <mo>-</mo> <msup> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>H</mi> </msup> <mo>|</mo> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>S</mi> </munderover> <mo>|</mo> <msubsup> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> <mi>F</mi> </msubsup> <mo>-</mo> <msup> <mover> <mi>Q</mi> <mo>&amp;OverBar;</mo> </mover> <mi>H</mi> </msup> <mo>|</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>P</mi> <mrow> <mi>C</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msubsup> <mi>Cv</mi> <mi>k</mi> <mi>F</mi> </msubsup> <mo>-</mo> <msup> <mi>Cv</mi> <mi>H</mi> </msup> <mo>|</mo> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>S</mi> </munderover> <mo>|</mo> <msubsup> <mi>Cv</mi> <mi>k</mi> <mi>F</mi> </msubsup> <mo>-</mo> <msup> <mi>Cv</mi> <mi>H</mi> </msup> <mo>|</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>P</mi> <mrow> <mi>C</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msubsup> <mi>Cs</mi> <mi>k</mi> <mi>F</mi> </msubsup> <mo>-</mo> <msup> <mi>Cs</mi> <mi>H</mi> </msup> <mo>|</mo> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>S</mi> </munderover> <mo>|</mo> <msubsup> <mi>Cs</mi> <mi>k</mi> <mi>F</mi> </msubsup> <mo>-</mo> <msup> <mi>Cs</mi> <mi>H</mi> </msup> <mo>|</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
式中：m2(Ak)是第k个气候变化情景的由相对于历史多年平均年径流的特征参数变化构成的基本概率分配函数，它是多年平均年径流的三个特征参数的变化的平均值；上标H/F分别表示历史时期和未来时期；Pmean(Ak)、PCv(Ak)、PCs(Ak)依次是均值离差系数Cv、离势系数Cs的概率；
3)由相比于历史同期月径流变幅构成的基本概率分配函数为：
<mrow> <msub> <mi>m</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>H</mi> <mi>k</mi> </msub> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>S</mi> </munderover> <msub> <mi>H</mi> <mi>k</mi> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>H</mi> <mi>k</mi> </msub> <mo>=</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <msub> <mi>NUM</mi> <mi>k</mi> </msub> </mrow> </munderover> <msub> <mi>p</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>r</mi> </mrow> </msub> <mi>ln</mi> <mi> </mi> <msub> <mi>p</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>r</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>p</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>r</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>nd</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>r</mi> </mrow> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <msub> <mi>NUM</mi> <mi>k</mi> </msub> </mrow> </munderover> <msub> <mi>nd</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>r</mi> </mrow> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;Delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>Q</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> <mi>F</mi> </msubsup> <mo>-</mo> <msubsup> <mi>Q</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>H</mi> </msubsup> </mrow> <msubsup> <mi>Q</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>H</mi> </msubsup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
式中：m3(Ak)是第k个气候变化情景的由相比于历史同期月径流变幅构成的基本概率分配函数；上标H/F分别表示历史时期和未来时期；是第i时段第j年第k个气候变化情景下的预测径流；是第i时段第j年的历史实测径流；Δi,j,k是第j年第k个气候变化情景下未来径流相比于历史同期实测径流在月尺度上的相对变幅，同一情景下所有时段的相对变幅可以步长为ds划分为多个变幅区间；NUMk是第k个气候变化情景下的变幅区间总数，其计算是基于向上取整函数ndk,r是符合第k个气候变化情景下的第r个变幅区间上下限的相对变幅Δi,j,k的数量；#()是用于统计满足条件的相对变幅的数量；pk,r是第k个气候变化情景下第r个变幅区间上相对变幅数量占所有时段的比值，对于不存在变幅数值的区间，满足的条件；Hk是Shannon熵。
4.根据权利要求1所述的基于D-S证据理论的水库适应性调度方法，其特征在于：
在所述步骤4中，修正的D-S合成规则为：
<mrow> <msub> <mi>m</mi> <mn>123</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>f</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <msub> <mi>&amp;omega;</mi> <mi>f</mi> </msub> <msub> <mi>m</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;omega;</mi> <mi>f</mi> </msub> <mo>=</mo> <munderover> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>g</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mrow> <mi>g</mi> <mo>&amp;NotEqual;</mo> <mi>f</mi> </mrow> <mn>3</mn> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>d</mi> <mrow> <mi>f</mi> <mo>,</mo> <mi>g</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>/</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <munderover> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>g</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mrow> <mi>g</mi> <mo>&amp;NotEqual;</mo> <mi>f</mi> </mrow> <mn>3</mn> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>d</mi> <mrow> <mi>f</mi> <mo>,</mo> <mi>g</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
式中：m123(Ak)是第k个气候变化情景的基于步骤3中三条证据的合成概率；ωf是反映第f条证据可靠性的权重，是基于Jousselme距离df,g计算得到的；
信任函数(Bel)为：
Bel(Ak)＝m123(Ak) (15)。
5.根据权利要求1所述的基于D-S证据理论的水库适应性调度方法，其特征在于：
在所述步骤5中，权重定义式为：
αk＝Bel(Ak) (16)
式中：αk是第k个气候变化情景的权重值。
6.根据权利要求1所述的基于D-S证据理论的水库适应性调度方法，其特征在于：
在所述步骤6中，线性调度函数表达式为：
Ri＝ai(Vi+QiΔti)+bi，i＝1,2,...,N (17)
式中，Ri是调度函数所确定时段i的水库出流；Vi是时段i的初始库容；Qi是时段i的水库入流；Vi+QiΔti是时段i的水库可用水量；ai和bi是待求的调度函数参数；N是总的时间尺度数量，日尺度为365，月尺度为12，旬尺度为36；
优化的目标函数表达为：
<mrow> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mi> </mi> <mi>B</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>S</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>k</mi> </msub> <msub> <mi>B</mi> <mi>k</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>
式中：B是所有情景的多年平均效益的加权平均值；Bk是第k个气候变化情景的多年平均效益。
CN201710751950.1A 2017-08-28 2017-08-28 基于d‑s证据理论的水库适应性调度方法 Pending CN107527117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710751950.1A CN107527117A (zh) 2017-08-28 2017-08-28 基于d‑s证据理论的水库适应性调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710751950.1A CN107527117A (zh) 2017-08-28 2017-08-28 基于d‑s证据理论的水库适应性调度方法

Publications (1)

Publication Number Publication Date
CN107527117A true CN107527117A (zh) 2017-12-29

Family

ID=60682416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710751950.1A Pending CN107527117A (zh) 2017-08-28 2017-08-28 基于d‑s证据理论的水库适应性调度方法

Country Status (1)

Country Link
CN (1) CN107527117A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118120A (zh) * 2018-09-10 2019-01-01 武汉大学 考虑水库调度方案可持续性利用的多目标决策方法
CN111753427A (zh) * 2020-06-28 2020-10-09 湖南大学 一种基于证据理论的机电产品仿真模型精度提高方法
CN112184479A (zh) * 2020-09-17 2021-01-05 长江水利委员会水文局 一种水库群调度规则型式和参数对气候变化的适应性研究方法
CN112819293A (zh) * 2021-01-14 2021-05-18 中国长江三峡集团有限公司 气候变化影响下水库调度规则的失效预警分析方法
CN113516305A (zh) * 2021-06-29 2021-10-19 太湖流域管理局水利发展研究中心 一种情景-目标交互的水网区水资源调度智能决策方法及系统
CN116503206A (zh) * 2023-06-30 2023-07-28 长江三峡集团实业发展(北京)有限公司 一种入库径流重构方法、计算机设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118120A (zh) * 2018-09-10 2019-01-01 武汉大学 考虑水库调度方案可持续性利用的多目标决策方法
CN109118120B (zh) * 2018-09-10 2020-06-23 武汉大学 考虑水库调度方案可持续性利用的多目标决策方法
CN111753427A (zh) * 2020-06-28 2020-10-09 湖南大学 一种基于证据理论的机电产品仿真模型精度提高方法
CN112184479A (zh) * 2020-09-17 2021-01-05 长江水利委员会水文局 一种水库群调度规则型式和参数对气候变化的适应性研究方法
CN112819293A (zh) * 2021-01-14 2021-05-18 中国长江三峡集团有限公司 气候变化影响下水库调度规则的失效预警分析方法
CN113516305A (zh) * 2021-06-29 2021-10-19 太湖流域管理局水利发展研究中心 一种情景-目标交互的水网区水资源调度智能决策方法及系统
CN116503206A (zh) * 2023-06-30 2023-07-28 长江三峡集团实业发展(北京)有限公司 一种入库径流重构方法、计算机设备及介质
CN116503206B (zh) * 2023-06-30 2023-10-20 长江三峡集团实业发展(北京)有限公司 一种入库径流重构方法、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN107527117A (zh) 基于d‑s证据理论的水库适应性调度方法
Wan et al. Direct quantile regression for nonparametric probabilistic forecasting of wind power generation
CN109617134B (zh) 计及不确定量预测误差时空相关性的鲁棒机组组合方法
Zhang et al. GEFCom2014 probabilistic solar power forecasting based on k-nearest neighbor and kernel density estimator
CN103268366B (zh) 一种适用于分散式风电场的组合风电功率预测方法
Gani et al. A combined method to estimate wind speed distribution based on integrating the support vector machine with firefly algorithm
CN106875047B (zh) 水库流域径流预报方法及系统
CN104252649A (zh) 一种计及多风电场相关性的区域风电出力预测方法
CN105260607A (zh) 一种串并联耦合的多模型水文预报方法
CN104933483A (zh) 一种基于天气过程划分的风电功率预测方法
CN110428084B (zh) 一种基于自适应双层优化的风电功率非参数区间预测方法
CN112054554B (zh) 基于非参数统计的自适应分布鲁棒机组组合方法及系统
Guo et al. VIC distributed hydrological model to predict climate change impact in the Hanjiang basin
Guo et al. A data-driven pattern extraction method for analyzing bidding behaviors in power markets
CN111831966B (zh) 一种基于高维概率分布函数的组合河道水位预报方法
Xu et al. Adaptive robust polynomial regression for power curve modeling with application to wind power forecasting
CN110717281B (zh) 基于犹豫云语言术语集和群决策的仿真模型可信度评估方法
Daş Forecasting the energy demand of Turkey with a NN based on an improved Particle Swarm Optimization
CN107330538B (zh) 一种气候变化条件下水库适应性调度规则编制的方法
CN102622496A (zh) 一种嵌入模糊集状态的自适应预报方法和系统
CN109583095B (zh) 基于混合统计动力模型的西北太平洋台风延伸期预报方法
CN104331748B (zh) 一种预测规划目标年风电场群持续功率曲线的方法
Lee et al. Constructing efficient regional hazardous weather prediction models through big data analysis
CN115358441A (zh) 基于联邦学习的新能源集群消纳智能调控方法及装置
CN115034159A (zh) 一种海上风电场的功率预测方法、装置、存储介质及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171229

RJ01 Rejection of invention patent application after publication