CN107862457A - 一种水库分期调度规则提取方法 - Google Patents
一种水库分期调度规则提取方法 Download PDFInfo
- Publication number
- CN107862457A CN107862457A CN201711068078.7A CN201711068078A CN107862457A CN 107862457 A CN107862457 A CN 107862457A CN 201711068078 A CN201711068078 A CN 201711068078A CN 107862457 A CN107862457 A CN 107862457A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- svm
- water level
- pso
- month
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 52
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 16
- 238000004146 energy storage Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 239000008239 natural water Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010187 selection method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GRA和PSO‑SVM的水库分期调度规则提取方法，步骤如下：在历史实际调度结果基础上，首先确定决策变量和影响因子属性集，基于GRA筛选分期影响因子；确定训练样本和测试样本，构建SVM模型；基于样本数据，建立PSO‑SVM模拟模型，运用PSO对SVM模型进行参数率定并验证；确定水库分期调度规则。本发明能够较好地继承实际调度过程中的综合效益，实现在来水不确定的前提下对水库实际运行的指导的目的，为水库实际运行提供理论依据和科学支撑。
Description
技术领域
本发明属于水利水电领域的水库调度技术领域，特别是一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法。
背景技术
目前，水库实际调度仍然根据过往经验进行操作，如何从实际调度经验中提取水库调度规则是水库运行调度研究的一个重要方向。调度函数是当下水库调度规则的表现形式之一。调度函数提取方法主要包含统计回归法及智能算法两大类。然而目前大部分调度函数研究并没有进行影响因子筛选操作，迄今为止影响因子的选取方法研究尚在起步。初步选定的影响因子较多，若全部考虑必会增加模型的难度，也会降低模型模拟的准确性，如何从这些因子中找到关键因子，对应用相关性较高的影响因子进行有效地调度规则模拟，具有重要的实际意义。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，解决目前大部分调度规则研究并没有进行影响因子筛选操作导致模拟效率低问题，同时基于PSO-SVM提供精度较高的水库调度函数，为水电站实际运行提供理论依据和科学支撑。
技术方案：一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，该方法包括：
步骤1：基于水库历史实际调度结果，确定决策变量和影响因子属性集；
步骤2：基于灰色关联度分析(GRA)筛选分期影响因子；
步骤3：将各个月份下确定的影响因子作为输入向量，决策变量水库逐月末水位Z作为输出向量；确定训练样本和测试样本，分别确定各个月份下的训练样本和测试样本，其中，样本数为M，训练样本数为N，测试样本数为M-N；
步骤4：基于支持向量机建立水库逐月末水位Z和影响因子的逐月SVM模拟模型其中，K(xi,yj)为核函数，xi为由影响因子构成的第i个输入变量，yj为由水库逐月末水位构成的第j个输出向量。本发明选用RBF核参数，b为常数，αi为拉格朗日乘子，i＝1,2,…n；
步骤5：基于样本数据，构建PSO-SVM模拟模型，运用PSO对SVM模型进行参数率定并验证，确定水库分期调度规则。
作为本发明进一步的改进，步骤2具体包括：
步骤21，在各个月份下，分别构建由决策变量(逐月末水位Z)构成的参考数列和由影响因子(水库时段初水位Z0、天然来水Q、叠加水位Zα、入库水能Ef、水库蓄能Es、水库入能与蓄能交互项Efs)构成的比较数列，并进行无量纲化处理：
参考数列：X(0)＝{Z1,Z2,…,Zt…,ZT} (1)
比较数列：
式中，t为参考数列个数，t＝1,2,...,T；
步骤22，求参考数列与比较数列的灰色关联系数：
式中，X(i)为比较数列X的第i行；X(0)为参考数列；X(i)(t)，X(0)(t)分别为比较数列X的第i行、参考数列的第t个变量；ρ为分辨系数，一般在0～1中间；
步骤23，计算影响因子相对于决策变量的关联度，其中关联度：为参考数列X(0)(t)和比较数列X(i)(t)在第t点的关联系数。
步骤24，进行关联排序，根据各个月份的关联度排序结果，分别确定逐月份与水库时段出力Nt关联性较强(关联度值/最大关联度值>0.50)的因素作为最终调度规则模拟的影响因子。
作为本发明进一步的改进，步骤5具体包括：
步骤51，设定PSO算法的参数，确定初始种群规模G，搜索空间为D维，全局迭代次数MAXGEN，惯性权重系数w，决策变量离子速度[Vmin,Vmax]、核参数[gmin,gmax]和惩罚参数[Cmin,Cmax]，其中，Vmin、Vmax分别为离子速度最小/大值，gmin、gmax分别为松弛变量最小/大值，Cmin、Cmax分别为惩罚参数最小/大值；定义第j个粒子位置表示为向量Xj＝(xj1,xj2,…,xjD)，速度表示为向量Vj＝(vj1,vj2,…,vjD)，历史最优位置表示为Qj＝(qj1,qj2,…,qjD)；
步骤52，令GEN＝1，初始化所述离子速度V、惩罚参数C和核参数g，产生G组初始种群，包括初始位置向量与初始速度向量；
步骤53，将初始种群送入所述PSO-SVM模型进行训练，所述SVM模型在训练样本集上的采用纳什系数NSE以及确定性系数R2组合作为适应度函数值f＝αNSE+(1-α)R2，NSE、R2分别按式(4)、(5)计算：
式中，α权重系数，α∈[0,1]；为t时刻实际末水位值，m；为t时刻模拟水位值，m；分别为实际末水位平均值和模拟水位平均值，m；T为计算时段。
步骤54，设置初始种群的个体极值及全局极值gbest(Pg＝min(P1 1,P2 1,…,PG 1))，其中，Pj 1表示第1次迭代第j个粒子极值；
步骤55，分别利用和更新粒子当前的速度和位置，并且保证其中，B1和B2为加速因子，B1是用来调节粒子飞向其最优位置的步长，B2是用来调节粒子飞向整个群体最优位置的步长；r1和r2为[0,1]范围之间的随机数；w为权重；表示第t次迭代第j个粒子第n决策变量的飞行速度；表示第t次迭代第j个粒子第n决策变量位置；表示第j个粒子第n决策变量的历史最优位置；qgn表示第n决策变量的历史全局最优位置；
步骤56，根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中t表示第t代循环，Xj t、Xj t+1分别表示第t、t+1次迭代第j个粒子，f(Xj t)、f(Xj t+1)表示第t、t+1次迭代第j个粒子适应性函数值；
步骤57，令GEN＝GEN+1，判断当前迭代次数GEN是否达到全局迭代次数MAXGEN，若GEN＝MAXGEN，则输出最优个体，进行步骤58，否则返回步骤53；
步骤58，将最优参数输入所述SVM模型，利用测试样本集对数据进行参数验证，并计算测试样本集的纳什系数NSE以及确定性系数R2，若满足要求参数要求，则输出最优参数，确定最优调度规则，否则转入进入52。
作为本发明进一步的改进，步骤1中的决策变量为水库逐月末水位Z；
作为本发明进一步的改进，步骤1中的影响因子集为：水库时段初水位Z0、天然来水Q、叠加水位Zα、入库水能Ef、水库蓄能Es、水库入能与蓄能交互项Efs；
作为本发明进一步的改进，步骤5中确定的水库调度规则需要同时满足训练样本和测试样本的纳什系数NSE以及确定性系数R2：R2>0.5，NSE>0.5。
作为本发明进一步的改进，步骤5中适应度函数值f＝αNSE+(1-α)R2中的α依据水库调度决策者对纳什系数和确定性系数的重要程度确定。
本发明采用上述技术方案，具有以下有益效果：
(1)能够较好地继承实际调度过程中的综合效益，实现在来水不确定的前提下对水库实际运行的指导的目的；
(2)将GRA与SVM进行结合实现对水库调度规则的分期提取，能够均衡决策变量与影响因子对于水库调度中的不同时段二者之间的相关性并不一致的问题，并平衡单一模型由模型结构带来的不确定性，提高模型模拟精度。
(3)基于SVM模拟进行水库调度模拟能够提取具体调度函数，实现水库调度规则可操作性；
(4)基于PSO对SVM模型进行参数率定与验证，提高模型模拟准确性。
附图说明
图1是本发明的方法流程图；
图2是步骤3的具体流程示意图；
图3是PSO-SVM模拟模型的长系列实际水位值与实际水位值对比图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
附图1为本发明的一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法的流程图，具体步骤为：
步骤1：基于水库历史实际调度结果，确定决策变量和影响因子属性集；
步骤2：基于灰色关联度分析(GRA)筛选分期影响因子，具体包括：
步骤21，在各个月份下，分别构建由决策变量(逐月末水位Z)构成的参考数列和由影响因子(水库时段初水位Z0、天然来水Q、叠加水位Zα、入库水能Ef、水库蓄能Es、水库入能与蓄能交互项Efs)构成的比较数列，并进行无量纲化处理：
参考数列：X(0)＝{Z1,Z2,…,Zt…,ZT} (1)
比较数列：
式中，t为参考数列个数,t＝1,2,…,T；
步骤22，求参考数列与比较数列的灰色关联系数：
式中，X(i)为比较数列X的第i行；X(0)为参考数列；X(i)(t)，X(0)(t)分别为比较数列X的第i行、参考数列的第t个变量；ρ为分辨系数，一般在0～1中间。
步骤23，计算影响因子相对于决策变量的关联度，其中关联度：为参考数列X(0)(t)和比较数列X(i)(t)在第t点的关联系数。
步骤24，进行关联排序，根据各个月份的关联度排序结果，分别确定逐月份与水库时段出力Nt关联性较强(关联度值/最大关联度值>0.50)的因素作为最终调度规则模拟的影响因子。
步骤3：将各个月份下确定的影响因子作为输入向量，决策变量水库逐月末水位Z作为输出向量；确定训练样本和测试样本，分别确定各个月份下的训练样本和测试样本，其中，样本数为M，训练样本数为N，测试样本数为M-N；
步骤4：基于支持向量机建立水库逐月末水位Z和影响因子的逐月SVM模拟模型其中，K(xi,yj)为核函数，xi为由影响因子构成的第i个输入变量，yj为由水库逐月末水位构成的第j个输出向量本发明选用RBF核参数，b为常数，αi为拉格朗日乘子，i＝1,2,…n；
附图2为步骤5：基于样本数据，构建PSO-SVM模拟模型，运用PSO对SVM模型进行参数率定并验证，确定水库分期调度规则，具体包括：
步骤51，设定PSO算法的参数，确定初始种群规模G，搜索空间为D维，全局迭代次数MAXGEN，惯性权重系数w，决策变量离子速度[Vmin,Vmax]、核参数[gmin,gmax]和惩罚参数[Cmin,Cmax]，其中，Vmin、Vmax分别为离子速度最小/大值，gmin、gmax分别为松弛变量最小/大值，Cmin、Cmax分别为惩罚参数最小/大值；定义第j个粒子位置表示为向量Xj＝(xj1,xj2,…,xjD)，速度表示为向量Vj＝(vj1,vj2,…,vjD)，历史最优位置表示为Qj＝(qj1,qj2,…,qjD)；
步骤52，令GEN＝1，初始化所述离子速度V、惩罚参数C和核参数g，产生G组初始种群，包括初始位置向量与初始速度向量；
步骤53，将初始种群送入所述PSO-SVM模型进行训练，所述SVM模型在训练样本集上的采用纳什系数NSE以及确定性系数R2组合作为适应度函数值f＝αNSE+(1-α)R2，NSE、R2分别按式(4)、(5)计算：
式中，α权重系数，α∈[0,1]；为t时刻实际末水位值，m；为t时刻模拟水位值，m；分别为实际末水位值和模拟水位平均值，m；T为计算时段。
步骤54，设置初始种群的个体极值及全局极值gbest(Pg＝min(P1 1,P2 1,…,PG 1))，其中，Pj 1表示第1次迭代第j个粒子极值；
步骤55，分别利用和更新粒子当前的速度和位置，并且保证其中，B1和B2为加速因子，B1是用来调节粒子飞向其最优位置的步长，B2是用来调节粒子飞向整个群体最优位置的步长；r1和r2为[0,1]范围之间的随机数；w为权重；表示第t次迭代第j个粒子第n决策变量的飞行速度；表示第t次迭代第j个粒子第n决策变量位置；表示第j个粒子第n决策变量的历史最优位置；qgn表示第n决策变量的历史全局最优位置；
步骤56，根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中t表示第t代循环，Xj t、Xj t+1分别表示第t、t+1次迭代第j个粒子，f(Xj t)、f(Xj t+1)表示第t、t+1次迭代第j个粒子适应性函数值；
步骤57，令GEN＝GEN+1，判断当前迭代次数GEN是否达到全局迭代次数MAXGEN，若GEN＝MAXGEN，则输出最优个体，进行步骤58，否则返回步骤53；
步骤58，将最优参数输入所述SVM模型，利用测试样本集对数据进行参数验证，并计算测试样本集的纳什系数NSE以及确定性系数R2，若满足要求参数要求，则输出最优参数，确定最优调度规则(如图3所示)，否则转入进入52。
以新安江水电站作为实例，说明发明方法的有效性与合理性。新安江水电站是我国自行设计、自制设备和自己建设的第一座大型水电站，坝址以上河长323km，流域面积10442km2。新安江水库以发电为主，兼有防洪、灌溉、渔业、航运、旅游等综合功能，具有多年调节性能，电站装机容量810.0MW。本发明采用1962年-2008年水文年径流资料，以多年平均运行水位98.4m为起调水位，以月为时段，获取新安江水电站长系列实际调度成果。
基于GRA计算各影响因子对决策变量的关联程度，确定最终影响因子如表1所示。由表1可以看出：水库全年基本上以水库水位及其构成的影响因子所占比重比较大，尤其在供水期(10～1月)优势更为明显，只有因6月份天然来水多，水库来水量及构成的影响要素较优与水库水位及其构成的影响要素。
表2为基于PSO的SVM模型参数率定结果。表3模型模拟值在逐月水位序列的精度评定结果，纳什系数NSE以及确定性系数R2在率定期和验证期均大于0.9，说明模型模拟结果良好。
表1 逐月关联度计算以及最终影响因子筛选结果
表2 基于PSO的SVM模型参数率定结果
表3 模型模拟值在逐月水位序列的精度评定结果
Claims (7)
1.一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，其特征在于，包括以下步骤：
步骤1：基于水库历史实际调度结果，确定决策变量和影响因子属性集；
步骤2：基于灰色关联度分析(GRA)筛选分期影响因子；
步骤3：将各个月份下确定的影响因子作为输入向量，决策变量水库逐月末水位Z作为输出向量；确定训练样本和测试样本，分别确定各个月份下的训练样本和测试样本，其中，样本数为M，训练样本数为N，测试样本数为M-N；
步骤4：基于支持向量机建立水库逐月末水位Z和影响因子的逐月SVM模拟模型其中，K(xi,yj)为核函数，选用RBF核参数；b为常数，αi为拉格朗日乘子，i＝1,2,…n；
步骤5：基于样本数据，构建PSO-SVM模拟模型，运用PSO对SVM模型进行参数率定并验证，确定水库分期调度规则。
2.如权利要求1所述的一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，其特征在于，步骤2包括以下步骤：
步骤21，在各个月份下，分别构建由决策变量构成的参考数列和由影响因子构成的比较数列，并进行无量纲化处理：
参考数列：X(0)＝{Z1,Z2,…,Zt…,ZT} (1)
比较数列：
式中，t为参考数列个数,t＝1,2,…,T；
步骤22，求参考数列与比较数列的灰色关联系数：
<mrow>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>i</mi>
<mi> </mi>
<mi>min</mi>
<mi> </mi>
<mi>s</mi>
<mo>|</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mi>&rho;</mi>
<mi>max</mi>
<mi> </mi>
<mi>i</mi>
<mi> </mi>
<mi>max</mi>
<mi> </mi>
<mi>s</mi>
<mo>|</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&rho;</mi>
<mi>max</mi>
<mi> </mi>
<mi>i</mi>
<mi> </mi>
<mi>max</mi>
<mi> </mi>
<mi>s</mi>
<mo>|</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，X(i)为比较数列X的第i行；X(0)为参考数列；X(i)(t)，X(0)(t)分别为比较数列X的第i行、参考数列的第t个变量；ρ为分辨系数，一般在0～1中间；
步骤23，计算影响因子相对于决策变量的关联度，其中关联度：为参考数列X(0)(t)和比较数列X(i)(t)在第t点的关联系数。
步骤24，进行关联排序，根据各个月份的关联度排序结果，分别确定逐月份与水库时段出力Nt关联性较强的因素作为最终调度规则模拟的影响因子。
3.如权利要求1所述的一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，其特征在于，步骤5包括以下步骤：
步骤51，设定PSO算法的参数，确定初始种群规模G，搜索空间为D维，全局迭代次数MAXGEN，惯性权重系数w，决策变量离子速度[Vmin,Vmax]、核参数[gmin,gmax]和惩罚参数[Cmin,Cmax]，其中，Vmin、Vmax分别为离子速度最小/大值，gmin、gmax分别为核参数最小/大值，Cmin、Cmax分别为惩罚参数最小/大值；定义第j个粒子位置表示为向量Xj＝(xj1,xj2,…,xjD)，速度表示为向量Vj＝(vj1,vj2,…,vjD)，历史最优位置表示为Qj＝(qj1,qj2,…,qjD)；
步骤52，令GEN＝1，初始化所述离子速度V、核参数g和惩罚参数C，产生G组初始种群，包括初始位置向量与初始速度向量；
步骤53，将初始种群送入所述PSO-SVM模型进行训练，所述SVM模型在训练样本集上的采用纳什系数NSE以及确定性系数R2组合作为适应度函数值f＝αNSE+(1-α)R2，NSE、R2分别按式(4)、(5)计算：
<mrow>
<msup>
<mi>R</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mi>o</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>Z</mi>
<mo>&OverBar;</mo>
</mover>
<mi>o</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mi>s</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>Z</mi>
<mo>&OverBar;</mo>
</mover>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mi>o</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>Z</mi>
<mo>&OverBar;</mo>
</mover>
<mi>o</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mi>s</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>Z</mi>
<mo>&OverBar;</mo>
</mover>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>N</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mn>0</mn>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>Z</mi>
<mi>s</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mover>
<msub>
<mi>Z</mi>
<mi>o</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<msubsup>
<mi>Z</mi>
<mi>s</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，为t时刻实际末水位值，m；为t时刻模拟水位值，m；分别为实际末水位平均值和模拟水位平均值，m；T为计算时段。
步骤54，设置初始种群的个体极值及全局极值其中，表示第1次迭代第j个粒子极值；
步骤55，更新粒子当前的速度和位置，并且保证
步骤56，根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中t表示第t代循环，分别表示第t、t+1次迭代第j个粒子，表示第t、t+1次迭代第j个粒子适应性函数值；
步骤57，令GEN＝GEN+1，判断当前迭代次数GEN是否达到全局迭代次数MAXGEN，若GEN＝MAXGEN，则输出最优个体，进行步骤58，否则返回步骤53；
步骤58，将最优参数输入所述SVM模型，利用测试样本集对数据进行参数验证，并计算测试样本集的纳什系数NSE以及确定性系数R2，若满足要求参数要求，则输出最优参数，确定最优调度规则，否则转入进入52。
4.如权利要求1所述的一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，其特征在于步骤1中的决策变量为水库逐月末水位Z。
5.如权利要求1所述的一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，其特征在于步骤1中的影响因子集为：水库时段初水位Z0、天然来水Q、叠加水位Zα、入库水能Ef、水库蓄能Es、水库入能与蓄能交互项Efs。
6.如权利要求1所述的一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，其特征在于，步骤5中确定的水库调度规则需要同时满足训练样本和测试样本的纳什系数NSE以及确定性系数R2：R2>0.5，NSE>0.5。
7.如权利要求1所述的一种基于GRA和PSO-SVM组合的水库分期调度规则提取方法，其特征在于，步骤5中适应度函数值f＝αNSE+(1-α)R2中的α依据水库调度决策者对纳什系数和确定性系数的重要程度确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711068078.7A CN107862457B (zh) | 2017-11-03 | 2017-11-03 | 一种水库分期调度规则提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711068078.7A CN107862457B (zh) | 2017-11-03 | 2017-11-03 | 一种水库分期调度规则提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107862457A true CN107862457A (zh) | 2018-03-30 |
| CN107862457B CN107862457B (zh) | 2021-10-29 |
Family
ID=61700651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711068078.7A Active CN107862457B (zh) | 2017-11-03 | 2017-11-03 | 一种水库分期调度规则提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862457B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359671A (zh) * | 2018-09-18 | 2019-02-19 | 华中科技大学 | 一种水电站水库调度规则的分类智能提取方法 |
| CN109543912A (zh) * | 2018-11-29 | 2019-03-29 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
| CN111066562A (zh) * | 2019-12-24 | 2020-04-28 | 北京农业信息技术研究中心 | 一种葡萄霜霉病预测方法及系统 |
| CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845712A (zh) * | 2017-01-20 | 2017-06-13 | 中国水利水电科学研究院 | 面向大系统水库群的聚合分解调度规则的提取方法 |
-
2017
- 2017-11-03 CN CN201711068078.7A patent/CN107862457B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845712A (zh) * | 2017-01-20 | 2017-06-13 | 中国水利水电科学研究院 | 面向大系统水库群的聚合分解调度规则的提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姜谙男等: ""基于PSO_SVM 的大坝渗流监测时间序列非线性预报模型"", 《水力学报》 * |
| 王鹏全: ""金昌市水库群联合供水优化调度研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359671A (zh) * | 2018-09-18 | 2019-02-19 | 华中科技大学 | 一种水电站水库调度规则的分类智能提取方法 |
| CN109359671B (zh) * | 2018-09-18 | 2021-07-27 | 华中科技大学 | 一种水电站水库调度规则的分类智能提取方法 |
| CN109543912A (zh) * | 2018-11-29 | 2019-03-29 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
| CN109543912B (zh) * | 2018-11-29 | 2021-10-01 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
| CN111066562A (zh) * | 2019-12-24 | 2020-04-28 | 北京农业信息技术研究中心 | 一种葡萄霜霉病预测方法及系统 |
| CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
| CN115640918B (zh) * | 2022-12-26 | 2023-04-07 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107862457B (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862457B (zh) | 一种水库分期调度规则提取方法 | |
| CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
| CN108875161A (zh) | 基于卷积神经网络深度学习的流量等级预测方法 | |
| CN106485075B (zh) | 基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
| CN111079086B (zh) | 一种基于多元联合分布的水资源系统多重风险评估方法 | |
| CN106295908A (zh) | 一种svm风电功率预测方法 | |
| CN105634018B (zh) | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 | |
| CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN107657349A (zh) | 一种水库分期发电调度规则提取方法 | |
| CN110147284A (zh) | 基于二维长短期记忆神经网络的超级计算机工作负载预测方法 | |
| CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
| Wang et al. | An improved weighted naive bayesian classification algorithm based on multivariable linear regression model | |
| CN109146196B (zh) | 一种居民社区时用水量预测方法 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN113837459A (zh) | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 | |
| CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
| Sha et al. | Prediction of commercial building lighting energy consumption based on EPSO-BP | |
| CN106934094A (zh) | 一种基于二十四节气的风电功率预测方法 | |
| CN111950698A (zh) | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |