CN107563654A - 一种亿千瓦级水电系统调度递进特征组合降维方法 - Google Patents

Abstract

本发明属于电力系统水力发电调度领域，公开了一种亿千瓦级水电系统调度递进特征组合降维方法，耦合工程经验、数据挖掘、迭代优化、方法重构和抽样技术，通过精炼参与优化的电站数目、减少迭代过程中的状态变量，实现水电系统时空计算复杂度从指数级到二次和线性级的简化，将水电系统实际应用求解规模首次发展到超百座水电站，从而破解大规模水电系统面临的维数灾问题。本发明突破了国内外水电系统优化调度的理论桎梏，可支撑未来数百座乃至更大规模水电优化调度需要，为我国大规模复杂水电系统优化调度奠定了坚实的理论基础，同时显著提升了我国水电系统优化调度的国际影响力。

Description

一种亿千瓦级水电系统调度递进特征组合降维方法

技术领域

本发明涉及电力系统水力发电调度领域，特别涉及一种亿千瓦级水电系统调度递进特征组合降维方法。

背景技术

我国水电资源80％以上集中在西南地区和十三大干流基地。西电东送实施十多年以来，我国水电取得史无前例的发展。2004、2010、2014年中国水电装机分别突破1亿kW、2亿kW和3亿kW，10多年增长规模是世界水电排名第二美国3倍。我国西南地区金沙江、澜沧江、雅砻江、大渡河、乌江、红水河等干流梯级水电装机均超过了千万千瓦级，单一区域电网如中国南方电网水电系统装机超过了亿千瓦，四川、云南省级电网水电装机分别超过了7000万千瓦和6000万千瓦，未来均将超过亿千瓦级水平。与此同时，西电东送南通道和中通道水电输送能力接近8000万千瓦，即将超过1亿千瓦。我国水电系统调度的运行方式发生了极大改变，水电以就地消纳为主转向为跨省跨区域消纳，负荷需求从单一电网转向多电网响应，发电调度从单一梯级调度发展到跨流域、跨省、跨区域调度。水电系统调度运行的环境更加复杂，除了传统的复杂水力约束条件，现在还面临更加复杂的电力约束，存在同一电站机组并不同联络线，上下游水电站机组、机组并同一联络线的复杂异构并网问题，水力、电力时空高度耦合；此外，西南新投产30多座百万千瓦级的巨型水电站群，发电水头普遍在百米以上，高压瞬变流使得这些巨型机组普遍存在不规则多限制区，进一步加剧了系统调度运行的复杂性。上述系统规模的扩大，响应多电网负荷需求和复杂运行条件，使得西南亿千瓦级水电系统是非线性、多目标、强耦合、大规模优化调度问题，优化解耦困难，难以转化和采用传统的非线性优化技术求解，因此，组合优化技术就成为常用的选择，但又带来组合问题固有的维数灾问题。经典的水电系统组合降维技术无法满足西南干流梯级十几座、数十座优化调度需要，更无法满足省级/区域电网水电系统数十座、上百座水电站及其以上规模优化调度需求，需要创新研究思路和解决问题的新途径。

解决组合维数灾的问题根本途径是减少一次优化的系统规模、状态(水位、流量离散)和决策变量数(出力离散)。由于西南水电规模大、发电水头高、电站多，经典的组合降维优化调度算法受到了更大限制。因此，分组优化和迭代求解就成为必然选择。但分组后，由于经典算法极限还是存在，问题仍不能解决，因此需要在分析经典算法原理基础上，结合工程问题的特点进一步提高算法的搜索效率和求解规模，通过递阶降维解决西南超大规模水电系统优化高效求解问题。为此，本发明成果依托国家自然科学基金重大计划重点支持项目(91547201)、国家自然科学基金委重大国际合作(51210014)、国家杰出青年基金(51025934)以及多项企业委托课题，从大量实际工程经验总结，借鉴国际前沿降维思路，提出了利用工程经验、数据挖掘、迭代优化、经典方法重构、抽样技术等组合方法来实现优化降维，将超大规模水电优化调度问题通过分组优化、利用调度规则和工程知识等精炼可行域，以大幅减少系统寻优空间和决策变量，从而将超大规模水电优化调度问题转换为迭代过程中的可计算、高效优化问题，突破了国内外水电系统优化调度的理论桎梏，将水电系统实际应用求解规模首次发展到超百座水电站，可支撑未来数百座乃至更大规模水电优化调度需要，为我国大规模复杂水电系统优化调度奠定了坚实的理论基础，同时显著提升了我国水电系统优化调度的国际影响力。

发明内容

本发明要解决的技术问题是提供一种亿级水电系统调度递进特征组合降维方法，耦合工程经验、数据挖掘、迭代优化、方法重构和抽样技术，通过精炼参与优化的电站数目、减少迭代过程中的状态变量，实现水电系统时空计算复杂度从指数级到二次和线性级的简化，从而破解大规模水电系统面临的维数灾问题。

本发明的技术方案为：从影响超大规模水电系统调度组合优化的3个关键因素出发，采用多种途径和多种技术综合手段，实现亿级水电系统调度快速优化，主要包括下述5个部分：

(1)分组精简，参与优化电站数：

亿级水电系统统调水电站优化求解规模动辄十几座、几十座、上百座和数百座，经典的组合降维方法难以为力。事实上，实际水电系统调度过程中，一方面，考虑到发电计划的持续性、电网运行的安全稳定性、水电站在不同计划过程中的作用，不需要对全部水电站的运行方式进行较大调整或者优化；另一方面，水电站由于通航、生态流量等特殊调度需要，也无需进行特殊优化；上述两方面及其他各方面原因自然就可以大大减少实际参与优化的电站数。基于上述实际工程经验，本发明提出工程经验处理技术，根据流域电站分布特点、调节性能、承担角色等进行分组分区，同时基于水量平衡方程初步缩减各电站水位运行区间，从而实现计算规模的精简，以扩大可优化计算规模。

分组精简，参与优化电站数包括两个层面：

一是根据流域电站分布特点、调节性能、承担角色进行分组分区，从而实现计算规模的精简，具体操作是：按流域电站分布特点分组精简：将位于同一流域的梯级水电站群划分为一组，不同流域之间则相互独立；针对各个分组分别进行优化计算，以减少需要同时参与优化计算的电站数目；按调节性能分组精简：将年调节性能以上的电站分别一组，年调节性能以下的电站分为一组，对于年调节性能以下的电站采用定水位方式进行计算，以此减少需要优化计算的电站数目；按承担角色分组精简：将参与调峰调频的AGC电站分为一组，常规电站分为一组，对于调峰调频电站则不需要进行优化计算，进一步减少参与优化电站数目；

二是利用水量平衡方程和“以水定电”、“以电定水”方法将流量、出力限制区间统一转化为水位限制区间，然后利用数学组合理论精炼水位可行空间，以降低计算复杂度，增加可求解规模；

(2)基于数据挖掘的可行域精简

传统方法在求解水电系统优化调度问题时，通常以水位为状态变量，计算过程中首先需要离散各时段可行水位区间，然后在不同时段的所有水位组合中优选最优方案。事实上，水电站调度过程中，考虑到流域来水特点、不同时期的综合应用要求，表现在水位的控制上具有明显的调度特征，而这些特征均可以通过调度规则来进行充分的挖掘，进而转化成精简可行域的依据和基础，从而可以大大缩减优化的可行域空间，去掉大量的无效优化组合，大幅提高经典组合优化的求解规模和效率。本发明提出优化计算过程的基于数据挖掘的可行域精简技术，基于长系列径流资料，以发电量最大和弃水最小为优化准则，采用数据挖掘技术，绘制水电站的包络线图，以此作为优化计算的调度依据；实际优化调度，以各时期包络线的区间进行水位状态离散。通过该技术可以将优化空间缩减至原来的1％-15％，显著调高水电系统可计算规模。

(3)迭代优化

水电系统优化调度的核心内容是确定系统中各个电站的运行方式，即调度期内各电站各时段的水位控制和出力控制过程。因此，系统规模越大，不同水库不同时段的水位过程组合越多，寻优难度越大。为此，本发明提出迭代优化处理技术，首先利用流域尺度特性特征信息实现参与计算电站的分组优化；然后各组内由初始解发起搜索，逐次迭代搜索至改善解，并最终获得最优解；最后以各组最优解形成整个系统问题的可行搜索空间，迭代获得整体最优解。

(4)经典方法重构

大电网平台下的水电互联过程涉及复杂的水力、电力时空耦合关系，使得系统解耦和建模愈加困难，限制了优化方法选择，无法采用传统线性、非线性优化简化降维计算。为此，本发明采用经典方法重构技术实现时序空间状态的集成，将传统方法在时间维、状态维、空间维等的单一维度上的计算方式，改进为时间维、状态维、空间维3个维度上的综合计算，以此实现大幅降低计算复杂度、显著扩大计算规模的目的。具体操作为：①时间维降维方法分为两个层次，一是采用固定计算时段策略，记当前计算时段为t，则固定t-1和t+1时段，仅针对时段状态变量进行离散并寻优，确定最优状态后松绑该时段，依次向下一时段移动，循环迭代直至所有时段计算完成；二是采用变时间尺度策略，首先以最小时间尺度的正整数倍N(N≥2)扩大计算时段长度，以此实现水电系统时间关联约束的松绑，然后逐次减小扩大倍数N，逐渐实现最小计算时段下的寻优计算。②状态维：首先对任意时段t的状态变量进行离散，自上而下依次选择大于等于1的状态构成寻优廊道；然后在廊道内寻找各时段状态变量的最优组合，依次计算直至所有离散状态计算完毕；最后在每次廊道寻优所得的组合中优选最优组合作为最终的调度结果。由于每次计算时段的状态数目可以远小于所有离散状态数目，因此可以有效降低每次计算的复杂度，从而增加计算规模。③空间维：将原问题分解为若干个子问题，采用并行计算技术，开辟更多的线程进行子问题的计算，并最终合并所有子问题的结果，从而确定原问题的最优解。

(5)抽样

伴随参与计算电站数目的日益增多和调度方案求解精度的不断提高，一次优化中的计算时段、状态变量、决策变量等数目不断增加，并最终引发维数灾问题。因此，本发明将抽样技术与水电系统优化调度相结合，利用正交试验设计、均匀试验设计、拉丁超立方抽样等技术，实现所有计算时段和状态变量中典型个体的抽样。这些个体即具有足够的全局代表性和均匀分散性，可以覆盖水电系统所求问题的最优解，又能够极大减少计算复杂度，从而增加系统的计算规模。

本发明一种亿千瓦级水电系统调度递进特征组合降维方法，通过工程经验处理技术、基于数据挖掘的可行域精简技术、迭代优化处理技术、经典方法重构技术和抽样技术，实现大规模水电系统优化问题的逐层、逐次简化求解，从而将超大规模水电调度问题转换为迭代过程中高效优化求解问题。对比现有技术，本发明可将系统时空计算复杂度从指数级简化到二次或线性级水平，能够有效解决现在和未来我国超大规模水电系统调度需要。

附图说明

图1(a)是本发明的工程经验处理技术中流域梯级电站分组分区示意图；

图1(b)是本发明的工程经验处理技术中初步缩减水位运行区间示意图；

图2是本发明的基于数据挖掘的可行域精简技术示意图；

图3是本发明的迭代优化处理技术示意图；

图4是本发明的经典方法重构技术示意图；

图5是本发明的抽样技术示意图；

图6是本发明实施例的系统网络拓扑结构图。

具体实施方式

维数灾问题是我国现在和未来超大规模水电系统优化求解面临的巨大挑战和技术瓶颈，其本质在于随着系统规模扩大，优化调度时空计算复杂度的指数增长。如何处理如此超大规模水电系统，实现其可建模、可计算，有效降低其计算时空复杂度，从而适应系统规模的迅猛扩张，是本发明技术方案提出的出发点。本发明揭示了一种亿千瓦级水电系统调度递进特征组合降维方法，分别利用工程经验处理技术、基于数据挖掘的可行域精简技术、迭代优化处理技术、经典方法重构技术和抽样技术，实现大规模水电系统优化问题的逐层、逐次递进优化求解，将系统时空计算复杂度从指数级简化到二次或线性级水平，显著扩大水电系统可计算规模。

根据上述思想，基于本发明方法所提技术方案，一次完整的大规模水电系统优化调度过程，利用下述技术(1)-(5)予以实现：

(1)工程经验减少参与优化电站数目：

包括两个层面，一是根据流域电站分布特点、调节性能、承担角色进行分组分区，从而实现计算规模的精简，具体操作是：对于流域电站分布特点，将位于同一流域的梯级水电站群划分为一组，不同流域之间则相互独立，针对各个分组分别进行优化计算，以减少需要同时参与优化计算的电站数目；对于调节性能，将年调节性能以上的电站分别一组，年调节性能以下的电站分为一组，对于年调节性能以下的电站采用定水位方式进行计算，以此减少需要优化计算的电站数目；对于承担角色，将参与调峰调频的AGC电站分为一组，常规电站分为一组，对于调峰调频电站则不需要进行优化计算，进一步减少参与优化电站数目；

二是利用水量平衡方程和“以水定电”、“以电定水”方法将流量、出力限制区间统一转化为水位限制区间，然后利用数学组合理论精炼水位可行空间，以降低计算复杂度，增加可求解规模；

(2)基于数据挖掘的可行域精简：

首先基于长系列历史径流资料，以发电量最大和弃水最小为优化目标，采用传统优化方法计算每个电站的调度过程；然后根据各电站所有的历史调度过程，利用数据挖掘技术，即取各个历史调度过程调度期内同一时段最高水位的最大值作为该时段最高水位，取各个历史调度过程调度期内同一时段最低水位的最小值作为该时段最低水位，以此绘制水电站运行的水位包络线图；最后结合水电站运行的工程经验，确定年初、汛前、汛后和年末的几个关键水位，采用汛前均匀降水位，汛期均匀抬升水位的控制原则，据此确定全部时间节点的水位组合优化范围，从而剔除大量无效的状态组合，大幅缩减优化范围，同时能够确保优化计算结果切实可行；

(3)迭代优化处理：

首先利用特征(1)实现参与计算电站的分组优化；然后各组内由随机生成的初始解发起搜索，以水电系统优化目标为搜索方向，逐次迭代搜索至改善解，并最终获得最优解；最后以各组最优解形成整个系统问题的可行搜索空间，重复迭代过程以获得整体最优解；

(4)经典方法重构技术：

采用经典方法重构技术实现时序空间状态的集成，将传统方法在时间维、状态维、空间维等的单一维度上的计算方式，改进为时间维、状态维、空间维3个维度上的综合计算，以此实现大幅降低计算复杂度、显著扩大计算规模的目的。具体操作为：①时间维降维方法分为两个层次，一是采用固定计算时段策略，记当前计算时段为t，则固定t-1和t+1时段，仅针对时段状态变量进行离散并寻优，确定最优状态后松绑该时段，依次向下一时段移动，循环迭代直至所有时段计算完成；二是采用变时间尺度策略，首先以最小时间尺度的正整数倍N(N≥2)扩大计算时段长度，以此实现水电系统时间关联约束的松绑，然后逐次减小扩大倍数N，逐渐实现最小计算时段下的寻优计算。②状态维：首先对任意时段t的状态变量进行离散，自上而下依次选择大于等于1的状态构成寻优廊道；然后在廊道内寻找各时段状态变量的最优组合，依次计算直至所有离散状态计算完毕；最后在每次廊道寻优所得的组合中优选最优组合作为最终的调度结果。由于每次计算时段的状态数目可以远小于所有离散状态数目，因此可以有效降低每次计算的复杂度，从而增加计算规模。③空间维：将原问题分解为若干个子问题，采用并行计算技术，开辟更多的线程进行子问题的计算，并最终合并所有子问题的结果，从而确定原问题的最优解。

(5)抽样技术：

将抽样技术与水电系统优化调度相结合，利用正交试验设计、均匀试验设计、拉丁超立方抽样等技术，实现所有计算时段和状态变量中典型个体的抽样。这些个体即具有足够的全局代表性和均匀分散性，可以覆盖水电系统所求问题的最优解，又能够极大减少计算复杂度，从而增加系统的计算规模。

现以中国南方电网水电系统优化调度为例，采用本发明方法进行系统调度方案的制定。系统网络拓扑结构如图5所示，主要电站基础资料如表1所示。由图5可知，中国南方电网水电系统电站数目多，装机规模大，遍布多个流域，调节性能多样，传统方法实现如此大规模水电系统的优化调度非常困难，本发明方法正是基于此需求而提出。以发电量最大为目标，以年为调度周期，利用本发明方法求解该系统，结果如表2所示。由表2分析可知，本发明方法通过4种技术可以快速将大规模水电系统进行合理地分组分区并完成优化计算，计算耗时和总发电量均明显优于传统方法。可以看出，与传统优化方法对比，本发明方法可以更快速地实现大规模水电系统的优化求解，相比于动态规划方法、逐步优化算法、离散微分动态规划方法等，计算规模更大，计算耗时更小，所得结果更优。

表1

表2

Claims (1)

1.一种亿千瓦级水电系统调度递进特征组合降维方法，其特征在于：

(1)分组精简，减少参与优化电站数目

包括两个层面，一是根据流域电站分布特点、调节性能、承担角色进行分组分区，从而实现计算规模的精简，具体操作是：

按流域电站分布特点分组精简：将位于同一流域的梯级水电站群划分为一组，不同流域之间则相互独立；针对各个分组分别进行优化计算，以减少需要同时参与优化计算的电站数目；

按调节性能分组精简：将年调节性能以上的电站分别一组，年调节性能以下的电站分为一组，对于年调节性能以下的电站采用定水位方式进行计算，以此减少需要优化计算的电站数目；

按承担角色分组精简：将参与调峰调频的AGC电站分为一组，常规电站分为一组，对于调峰调频电站则不需要进行优化计算，进一步减少参与优化电站数目；

二是利用水量平衡方程和“以水定电”、“以电定水”方法将流量、出力限制区间统一转化为水位限制区间，然后利用数学组合理论精炼水位可行空间，以降低计算复杂度，增加可求解规模；

(2)基于数据挖掘的可行域精简

首先基于长系列历史径流资料，以发电量最大和弃水最小为优化目标，采用优化方法计算每个电站的调度过程；然后根据各电站所有的历史调度过程，利用数据挖掘技术，即取各个历史调度过程调度期内同一时段最高水位的最大值作为该时段最高水位，取各个历史调度过程调度期内同一时段最低水位的最小值作为该时段最低水位，以此绘制水电站运行的水位包络线图；最后结合水电站运行情况，确定年初、汛前、汛后和年末的几个关键水位，采用汛前均匀降水位，汛期均匀抬升水位的控制原则，据此确定全部时间节点的水位组合优化范围，从而剔除大量无效的状态组合，大幅缩减优化范围，同时能够确保优化计算结果切实可行；

(3)迭代优化处理

首先利用步骤(1)实现参与计算电站的分组优化；然后各组内由随机生成的初始解发起搜索，以水电系统优化目标为搜索方向，逐次迭代搜索至改善解，并最终获得最优解；最后以各组最优解形成整个系统问题的可行搜索空间，重复迭代过程以获得整体最优解；

(4)经典方法重构

采用经典方法重构技术实现时序空间状态的集成，将在时间维、状态维、空间维的单一维度上的计算方式，改进为时间维、状态维和空间维3个维度上的综合计算，以此实现大幅降低计算复杂度、显著扩大计算规模的目的；具体操作为：

1)时间维：时间维降维方法分为两个层次，一是采用固定计算时段策略，记当前计算时段为t，则固定t-1和t+1时段，仅针对时段状态变量进行离散并寻优，确定最优状态后松绑该时段，依次向下一时段移动，循环迭代直至所有时段计算完成；二是采用变时间尺度策略，首先以最小时间尺度的正整数倍N(N≥2)扩大计算时段长度，以此实现水电系统时间关联约束的松绑，然后逐次减小扩大倍数N，逐渐实现最小计算时段下的寻优计算；

2)状态维：首先对任意时段t的状态变量进行离散，自上而下依次选择大于等于1的状态构成寻优廊道；然后在廊道内寻找各时段状态变量的最优组合，依次计算直至所有离散状态计算完毕；最后在每次廊道寻优所得的组合中优选最优组合作为最终的调度结果；

3)空间维：将原问题分解为若干个子问题，采用并行计算技术，开辟更多的线程进行子问题的计算，并最终合并所有子问题的结果，从而确定原问题的最优解；

(5)抽样

首先将抽样技术与水电系统优化调度相结合，利用正交试验设计、均匀试验设计、拉丁超立方抽样技术，实现所有计算时段和状态变量中具有全局代表性和均匀分散性的典型个体的抽样；然后针对这些典型个体开展优化计算即可获得原问题的最优解，以此极大减少计算复杂度，增加系统计算规模。