CN108446789A - 一种面向梯级泵站群日优化调度的智能优化方法 - Google Patents

Abstract

本发明公开了一种面向梯级泵站群日优化调度的智能优化方法，涉及水利工程调度领域。所述方法包括：根据该梯级泵站群日优化调度总目标，将该梯级泵站群对应的日优化调度系统分解为3个子系统，采用改进后的GWO算法分别对三个子系统优化，第一个子系统的最优值对应代入第二个子系统，计算得第二个子系统的最优值；第二个子系统的最优值对应代入第三个子系统，计算得第三个子系统的最优值，将3个子系统的最优值整合后得到指定工况下的日最优调度方案。本发明提高针对梯级泵站群日优化调度优化的计算精度，减小梯级泵站群运行的费用。本发明引入水力学模型，考虑渠道输水损失，全面模拟梯级泵站群日优化调度系统的日优化调度过程和经济运行过程。

Description

一种面向梯级泵站群日优化调度的智能优化方法

技术领域

本发明涉及水利工程调度领域，尤其涉及一种面向梯级泵站群日优化调度的智能优化方法。

背景技术

梯级泵站群输水系统优化调度是水利系统优化领域中的一个重要问题，其目的是安排系统内各级泵站站内流量分配、梯级泵站群泵站间扬程分配以及梯级泵站群的不同时段流量分配，从而使得调度期内总运行费用最小。针对梯级泵站群输水系统日优化调度问题，现已采用线性规划法、非线性规划法、动态规划法、大系统分解-协调法、遗传算法和线性规划法和蚁群算法等方法实现泵站节能。但现有梯级泵站群输水系统优化调度过程中往往忽略渠道的输水损失，无法全面精确模拟梯级泵站群日优化调度过程。

而相对较新的易用性强、鲁棒性好以及实数域强大的寻优能力的启发式算法——灰狼算法(Gray Wolf Optimization)虽在工程设计、生物医学等多个领域获得成功的应用，但还未应用于梯级泵站输水系统的优化调度问题。故，本申请提出了一种基于灰狼算法的、针对梯级泵站群日优化调度的智能优化方法。

发明内容

本发明在引入水动力模型考虑渠道输水损失的基础上，针对梯级泵站群日优化调度的特殊性，改进鲁棒性好、寻优能力强大的灰狼算法，提供一种面向梯级泵站群日优化调度的智能优化方法，从而全面精确地模拟其日优化调度过程的问题。

为了实现上述目的，本发明采用所述面向梯级泵站群日优化调度的智能优化方法，所述方法包括：

S1，获取待进行日最优调度方案的梯级泵站群，根据该梯级泵站群日优化调度总目标，将该梯级泵站群对应的日优化调度系统分解为3个子系统；所述梯级泵站群日优化调度总目标为日运行费用最小；

第一子系统，以各泵站运行效率最高为目标函数；

第二子系统，在引入渠段水头损失的基础上，以梯级泵站群效率最高为目标函数；

第三子系统，以梯级泵站输水系统运行费用最小为目标函数；

S2，采用改进后的GWO算法分别对三个子系统进行优化，第一个子系统的最优值对应代入第二个子系统，计算得第二个子系统的最优值；第二个子系统的最优值对应代入第三个子系统，计算得第三个子系统的最优值，将3个子系统的最优值整合后得到指定工况下的日最优调度方案。

优选地，S1中，第一子系统的目标函数为公式(1)，第一子系统的约束条件为公式(2)和公式(3)：

Q_i,min≤Q_i≤Q_i,max (3)

为第j级泵站在H_j站条件下运行最大效率，为梯级泵站群在k时段运行的总流量，H_j为第j级泵站的扬程，n为单级泵站站内机组总数，Q_i为第i台机组的流量，η_i为第i台机组在Q_i、H_j条件下对应的机组效率；Q_i,min、Q_i,max依次为第i台机组对应允许通过的最小流量、最大流量。

优选地，S1中，

第二子系统的目标函数为公式(4)，第二子系统的约束条件为公式(5)至公式(9)：

为k时段且在和H_total条件下的梯级泵站群运行的最优效率；为梯级泵站群在k时段运行的总流量；H_total为梯级泵站群的总扬程；m为梯级泵站群的总泵站数；H_j为第j级泵站的扬程；为第j级泵站在H_j条件下的运行最大效率；

分别为最后一级泵站出水池水位与第一级泵站进水池水位；

h_j,j+1为第j级泵站与第j+1级泵站间渠道的水头损失，由引入的一维水动力模型计算所得；

依次为第j级泵站最小扬程、第j级泵站最大扬程；

依次为第j级泵站进水池最小水位、第j级泵站进水池最大水位；

依次为第j级泵站出水池最小、第j级泵站出水池最大水位。

优选地，S1中，

第三子系统的目标函数为公式(10)，第三子系统的目约束条件为公式(11)

F_min为梯级泵站群日运行最小费用；k＝1,2,……,T，T为日划分的总时段数；γ为常数；为梯级泵站群在k时段运行的总流量；H_total为梯级泵站群的总扬程；△t_k、c_k依次为k时段的时长、电价；为k时段且在和H_total条件下的梯级泵站群运行的最优效率；W为日调水总量。

优选地，步骤S2，具体为：

首先，对第一子系统进行优化，得到第一个子系统的目标函数最优值及各泵站运行效率为最优值时对应的单级泵站流量优化分配方案；

其次，将第一子系统的目标函数最优值带入第二个子系统，进行第二个子系统的优化，得到第二个子系统的目标函数最优值和梯级泵站群效率为最优值时对应的梯级泵站扬程优化分配方案；

最后，将第二个子系统的目标函数最优值带入第三个子系统，进行第三个子系统的优化，得到第三个子系统的目标函数最优值和得到梯级泵站输水系统运行费用为最优值时对应的调水总流量优化分配方案；

将各泵站运行效率为最优值时对应的单级泵站流量优化分配方案、梯级泵站群效率为最优值时对应的梯级泵站扬程优化分配方案、梯级泵站输水系统运行费用为最优值时对应的调水总流量优化分配方案作为指定工况下的日最优调度方案。

优选地，所述引入渠段水头损失通过水动力模型计算获得。

优选地，步骤S2中，改进后的GWO算法是对原灰狼算法中的控制开发、探索的参数A进行改进，具体为：

A＝a×[r₁×(R_up-R_low)+R_low] (14)

其中，X_p为灰狼算法中假定的猎物所在位置；D代表灰狼当前所在位置与猎物的距离；lb、ub依次为决策变量的最小边界值、决策变量的最大边界值；r₁为[0,1]的随机值；a在在迭代过程中从2线性减少到0，t为当前迭代次数，T_max为最大迭代次数。

优选地，步骤S2中，采用改进后的GWO算法分别与三个子系统进行优化，具体过程为：

A1，对要进行优化的子系统进行初始化，得到初始种群；

A2，对要进行优化的子系统的约束条件进行处理；

约束条件为不等式的处理：不等式约束采用吸收的策略处理，即超出边界的值，置为边界；

约束条件为等式的处理：等式约束处理采用罚函数法；

A3，设置外部档案集，用于存储已运行的决策变量值；在运行过程中，若决策变量值存在于外部档案集，直接调取适应度，进入A4；若不存在于外部档案集，则进行计算适应度，进入A4，并将得到的适应度和该适应度对应的决策变量值写入外部档案集；

A4，更新最优的三个解，即更新alpha，beta和delta的位置与适应度；

A5，根据未改进的GWO算法计算为猎物提供随机权重的系数C和参数a，根据改进后的GWO算法计算控制开发、探索的参数A，根据更新的alpha，beta和delta的位置，更新步骤A1中得到的初始化种群；

A6，判断是否达到迭代停止标准，若达到则停止，A5中的alpha位置与适应度即为最优的梯级泵站群日调度分配结果和运行费用；若未达到停止标准，则返回A2，直至达到迭代停止标准。

更优选地，当要进行优化的子系统为第一子系统时，决策变量为n个机组的流量，即初始化为一个n维x个搜索代理的初始种群；

当要进行优化的子系统为第二子系统时，决策变量为2(m-1)个泵站进水池与出水池的水位，即初始化为一个2(m-1)维x个搜索代理的初始种群；

当要进行优化的子系统为第三子系统时，其决策变量为T个日不同电价时段，即初始化为一个T维x个搜索代理的初始种群。

更优选地，步骤A3中，当要进行优化的子系统为第一子系统时，适应度函数计算针对第一子系统进行；

当要进行优化的子系统为第二子系统时，适应度函数计算针对第一子系统和第二子系统进行；

当要进行优化的子系统为第三子系统时，适应度函数计算针对第一子系统、第二子系统和第三子系统进行。

本发明的有益效果是：

1、本发明在现有灰狼算法中对其平衡开发与探索的参数A根据限制的思想进行改进，减少灰狼算法更新迭代过程中超出边界的比例，增加有效搜索，同时自动平衡灰狼算法的开发和探索，增强灰狼算法在面向梯级泵站群日优化调度过程中的鲁棒性以及寻优能力。

2、梯级泵站群日优化调度的特殊性---更新迭代超出边界的比例很高，存在大量无效搜索。本发明针对上述特殊性结合大系统分解-协调模型将梯级泵站群日优化调度系统分解为3个子系统，分别应用改进后的灰狼算法全面精确地模拟了各个子系统的日优化调度的过程，提高针对梯级泵站群日优化调度优化的计算精度，减小梯级泵站群运行的费用。

3、本发明引入水力学模型，考虑渠道输水损失，将计算得到的水头损失应用于梯级泵站群扬程的优化分配，全面地模拟梯级泵站群日优化调度系统的日优化调度过程和经济运行过程。

附图说明

图1是本发明基于大系统分解-协调模型，引入水动力模型以及采用改进灰狼算法面向梯级泵站群日优化调度智能优化的流程示意图；

图2是本发明基于限制思想改进灰狼算法的原理示意图。

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，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方式仅仅用以解释本发明，并不用于限定本发明。

大系统分解-协调模型的原理是将大系统分解成若干个子问题，然后在此基础上综合考虑各个子问题之间的关联。从而减少所需内存并大大缩短计算时间，并达到降维的目的。

灰狼算法(Gray Wolf Optimization，简称GWO)是相对较新的启发式算法，并与其他著名的启发式算法相比，参数少，易实现，鲁棒性、寻优能力较好。

本申请提出基于大系统分解-协调模型和灰狼算法(GWO)的面向梯级泵站群日优化调度的智能优化方法，从而更准确高效地实现梯级泵站群优化调度。

实施例

本实施例所述面向梯级泵站群日优化调度的智能优化方法，所述方法包括：

S1，获取待进行日最优调度方案的梯级泵站群，根据该梯级泵站群的日优化调度总目标，将该梯级泵站群对应的日优化调度系统分解为3个子系统；所述梯级泵站群日优化调度总目标为日运行费用最小；

第一子系统，以该梯级泵站群中各泵站运行效率最高为目标函数，其目的是为了实现单级泵站流量优化分配；

第二子系统，在引入渠段水头损失的基础上，以梯级泵站群效率最高为目标函数；其目的是为了实现梯级泵站扬程优化分配，其中，在第二子系统中引入渠段水头损失，渠段水头损失通过一维水力学模型求得，引入渠段水头损失是为了全面模拟梯级泵站群调度优化过程；

第三子系统，以梯级泵站输水系统运行费用最小为目标函数；其目的是为了实现调水总流量优化分配，基于分时电价，将调水总量在各时段进行分配，使得梯级泵站输水系统运行费用最小。

S2，采用改进后的GWO算法分别与三个子系统进行优化，第一个子系统的最优值对应代入第二个子系统，计算得第二个子系统的最优值；第二个子系统的最优值对应代入第三个子系统，计算得第三个子系统的最优值，将3个子系统的最优值整合后得到指定工况下的日最优调度方案。

更详细的解释说明为：

(一)第一子系统

第一子系统的目标函数为公式(1)，第一子系统的约束条件为公式(2)和公式(3)：

Q_i,min≤Q_i≤Q_i,max (3)

为第j级泵站在H_j条件下运行最大效率，为梯级泵站群运行的总流量，H_j为第j级泵站的扬程，n为单级泵站站内机组总数，Q_i为第i台机组的流量，η_i为第i台机组在Q_i、H_j条件下对应的机组效率；Q_i,min、Q_i,max依次为第i台机组对应允许通过的最小流量、最大流量。

(二)第二子系统

第二子系统的目标函数为公式(4)，第二子系统的约束条件为公式(5)至公式(9)：

为k时段且在和H_total条件下的梯级泵站群运行的最优效率；为梯级泵站群运行的总流量；H_total为梯级泵站群的总扬程；m为梯级泵站群的总泵站数；H_j为第j级泵站的扬程；为第j级泵站在H_j条件下的运行最大效率；

分别为最后一级泵站出水池水位与第一级泵站进水池水位；

h_j,j+1为第j级泵站与第j+1级泵站间渠道的水头损失，由引入的一维水动力模型计算所得；

依次为第j级泵站最小扬程、第j级泵站最大扬程；

依次为第j级泵站进水池最小水位、第j级泵站进水池最大水位；

依次为第j级泵站出水池最小、第j级泵站出水池最大水位。

(三)第三子系统

第三子系统的目标函数为公式(10)，第三子系统的目约束条件为公式(11)

F_min为梯级泵站群日运行最小费用；k＝1,2,……,T，T为日划分的总时段数；γ为常数；为梯级泵站群在k时段运行的总流量；H_total为梯级泵站群的总扬程；△t_k、c_k依次为k时段的时长、电价；为k时段且在和H_total条件下的梯级泵站群运行的最优效率；W为日调水总量。

(四)步骤S2的具体实现过程为：

首先，对第一子系统进行优化，得到第一个子系统的目标函数最优值及各泵站运行效率为最优值时对应的单级泵站流量优化分配方案；

其次，将第一子系统的目标函数最优值带入第二个子系统，进行第二个子系统的优化，得到第二个子系统的目标函数最优值和梯级泵站群效率为最优值时对应的梯级泵站扬程优化分配方案；

最后，将第二个子系统的目标函数最优值带入第三个子系统，进行第三个子系统的优化，得到第三个子系统的目标函数最优值和得到梯级泵站输水系统运行费用为最优值时对应的调水总流量优化分配方案；

将各泵站运行效率为最优值时对应的单级泵站流量优化分配方案、梯级泵站群效率为最优值时对应的梯级泵站扬程优化分配方案、梯级泵站输水系统运行费用为最优值时对应的调水总流量优化分配方案作为指定工况下的日最优调度方案。

(五)在本申请中，针对梯级泵站群日优化调度在灰狼算法更新迭代时超出边界的比例很高，存在大量无效搜索，故，对原灰狼优化算法的控制开发、探索参数A进行改进，使其越界率减少，自适应的调整开发与探索的平衡，如本领域公知A＝2ar₁-a，当|A|>1表示探索；当|A|<1表示开发。步骤S2中，改进后的GWO算法是对原灰狼算法的控制开发、探索的参数A进行改进，具体为：

A＝a*[r₁*(R_up-R_low)+R_low] (14)

其中，X_p为灰狼算法中假定的猎物所在位置；D代表灰狼当前所在位置与猎物的距离；lb、ub依次为决策变量的最小边界值、决策变量的最大边界值；r₁为[0,1]的随机值；a在在迭代过程中从2线性减少到0，t为当前迭代次数，T_max为最大迭代次数。

(六)步骤S2中，采用改进后的GWO算法分别与三个子系统进行优化，具体过程为：

A1，对要进行优化的子系统进行初始化，得到初始种群；

A2，对要进行优化的子系统的约束条件进行处理

不等式约束条件的处理：不等式约束采用吸收的策略处理，即超出边界的值，置为边界；

等式约束条件的处理：等式约束处理采用罚函数法；

A3，设置外部档案集，用于存储已运行的决策变量值；在运行过程中，若决策变量值存在于外部档案集，直接调取适应度，进入A4；若不存在于外部档案集，则进行计算适应度，进入A4，并将得到的适应度和该适应度对应的决策变量值写入外部档案集；

A4，更新最优的三个解，即更新alpha，beta和delta的位置与适应度；

A5，根据未改进的GWO算法计算为猎物提供随机权重的系数C和参数a，根据改进后的GWO算法计算控制开发、探索的参数A，根据更新的alpha，beta和delta的位置，更新步骤A1中得到的初始化种群；

A6，判断是否达到迭代停止标准，若达到则停止，A5中的alpha位置与适应度即最优的梯级泵站群日调度分配结果和运行费用；若未达到停止标准，则返回A2，直至达到迭代停止标准。

步骤A1中，，当要要进行优化的子系统为第一子系统时，决策变量为n个机组的流量，即初始化为一个n维x个搜索代理的初始种群；

当要要进行优化的子系统为第二子系统时，决策变量为2(m-1)个泵站进水池与出水池的水位，即初始化为一个2(m-1)维x个搜索代理的初始种群；

当要要进行优化的子系统为第三子系统时，其决策变量为T个日不同电价时段，即初始化为一个T维x个搜索代理的初始种群。

步骤A3中，当要要进行优化的子系统为第一子系统时，涉及到的适应度函数计算仅仅针对第一子系统；

当要要进行优化的子系统为第二子系统时，涉及到的适应度函数计算针对第一子系统和第二子系统；

当要要进行优化的子系统为第三子系统时，涉及到的适应度函数计算针对第一子系统、第二子系统和第三子系统。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

1、本发明在现有灰狼算法中对其平衡开发与探索的参数A根据限制的思想进行改进，减少灰狼算法更新迭代过程中超出边界的比例，增加有效搜索，同时自动平衡灰狼算法的开发和探索，增强灰狼算法在面向梯级泵站群日优化调度过程中的鲁棒性以及寻优能力。

2、梯级泵站群日优化调度的特殊性---更新迭代超出边界的比例很高，存在大量无效搜索。本发明针对上述特殊性结合大系统分解-协调模型将梯级泵站群日优化调度系统分解为3个子系统，分别应用改进后的灰狼算法全面精确地模拟了各个子系统的日优化调度的过程，提高针对梯级泵站群日优化调度优化的计算精度，减小梯级泵站群运行的费用。

3、本发明引入水力学模型，考虑渠道输水损失，将计算得到的水头损失应用于梯级泵站群扬程的优化分配，全面地模拟梯级泵站群日优化调度系统的日优化调度过程和经济运行过程。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种面向梯级泵站群日优化调度的智能优化方法，其特征在于，所述方法包括：

S1，获取待进行日最优调度方案的梯级泵站群，根据该梯级泵站群日优化调度总目标，将该梯级泵站群对应的日优化调度系统分解为3个子系统；所述梯级泵站群日优化调度总目标为日运行费用最小；

第一子系统，以各泵站运行效率最高为目标函数；

第二子系统，在引入渠段水头损失的基础上，以梯级泵站群效率最高为目标函数；

第三子系统，以梯级泵站输水系统运行费用最小为目标函数；

S2，采用改进后的GWO算法分别对三个子系统进行优化，第一个子系统的最优值对应代入第二个子系统，计算得第二个子系统的最优值；第二个子系统的最优值对应代入第三个子系统，计算得第三个子系统的最优值，将3个子系统的最优值整合后得到指定工况下的日最优调度方案。

2.根据权利要求1所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，S1中，第一子系统的目标函数为公式(1)，第一子系统的约束条件为公式(2)和公式(3)：

Q_i,min≤Q_i≤Q_i,max (3)

为第j级泵站在H_j站条件下运行最大效率，为梯级泵站群在k时段运行的总流量，H_j为第j级泵站的扬程，n为单级泵站站内机组总数，Q_i为第i台机组的流量，η_i为第i台机组在Q_i、H_j条件下对应的机组效率；Q_i,min、Q_i,max依次为第i台机组对应允许通过的最小流量、最大流量。

3.根据权利要求1所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，S1中，

第二子系统的目标函数为公式(4)，第二子系统的约束条件为公式(5)至公式(9)：

为k时段且在和H_total条件下的梯级泵站群运行的最优效率；为梯级泵站群在k时段运行的总流量；H_total为梯级泵站群的总扬程；m为梯级泵站群的总泵站数；H_j为第j级泵站的扬程；为第j级泵站在H_j条件下的运行最大效率；

分别为最后一级泵站出水池水位与第一级泵站进水池水位；

h_j,j+1为第j级泵站与第j+1级泵站间渠道的水头损失，由引入的一维水动力模型计算所得；

依次为第j级泵站最小扬程、第j级泵站最大扬程；

依次为第j级泵站进水池最小水位、第j级泵站进水池最大水位；

依次为第j级泵站出水池最小、第j级泵站出水池最大水位。

4.根据权利要求1所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，S1中，

第三子系统的目标函数为公式(10)，第三子系统的目约束条件为公式(11)

F_min为梯级泵站群日运行最小费用；k＝1,2,……,T，T为日划分的总时段数；γ为常数；为梯级泵站群在k时段运行的总流量；H_total为梯级泵站群的总扬程；△t_k、c_k依次为k时段的时长、电价；为k时段且在和H_total条件下的梯级泵站群运行的最优效率；W为日调水总量。

5.根据权利要求1所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，步骤S2，具体为：

首先，对第一子系统进行优化，得到第一个子系统的目标函数最优值及各泵站运行效率为最优值时对应的单级泵站流量优化分配方案；

其次，将第一子系统的目标函数最优值带入第二个子系统，进行第二个子系统的优化，得到第二个子系统的目标函数最优值和梯级泵站群效率为最优值时对应的梯级泵站扬程优化分配方案；

最后，将第二个子系统的目标函数最优值带入第三个子系统，进行第三个子系统的优化，得到第三个子系统的目标函数最优值和得到梯级泵站输水系统运行费用为最优值时对应的调水总流量优化分配方案；

将各泵站运行效率为最优值时对应的单级泵站流量优化分配方案、梯级泵站群效率为最优值时对应的梯级泵站扬程优化分配方案、梯级泵站输水系统运行费用为最优值时对应的调水总流量优化分配方案作为指定工况下的日最优调度方案。

6.根据权利要求1所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，所述引入渠段水头损失通过水动力模型计算获得。

7.根据权利要求1所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，步骤S2中，改进后的GWO算法是对原灰狼算法的控制开发、探索的参数A进行改进，具体为：

A＝a×[r₁×(R_up-P_low)+R_low] (14)

其中，X_p为灰狼算法中假定的猎物所在位置；D代表灰狼当前所在位置与猎物的距离；lb、ub依次为决策变量的最小边界值、决策变量的最大边界值；r₁为[0,1]的随机值；a在在迭代过程中从2线性减少到0，t为当前迭代次数，T_max为最大迭代次数。

8.根据权利要求1所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，步骤S2中，采用改进后的GWO算法分别与三个子系统进行优化，具体过程为：

A1，对要进行优化的子系统进行初始化，得到初始种群；

A2，对要进行优化的子系统的约束条件进行处理；

约束条件为不等式的处理：不等式约束采用吸收的策略处理，即超出边界的值，置为边界；

约束条件为等式的处理：等式约束处理采用罚函数法；

A3，设置外部档案集，用于存储已运行的决策变量值；在运行过程中，若决策变量值存在于外部档案集，直接调取适应度，进入A4；若不存在于外部档案集，则进行计算适应度，进入A4，并将得到的适应度和该适应度对应的决策变量值写入外部档案集；

A4，更新最优的三个解，即更新alpha，beta和delta的位置与适应度；

A5，根据未改进的GWO算法计算为猎物提供随机权重的系数C和参数a，根据改进后的GWO算法计算控制开发、探索的参数A，根据更新的alpha，beta和delta的位置，更新步骤A1中得到的初始化种群；

A6，判断是否达到迭代停止标准，若达到则停止，A5中的alpha位置与适应度即为最优的梯级泵站群日调度分配结果和运行费用；若未达到停止标准，则返回A2，直至达到迭代停止标准。

9.根据权利要求8所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，

当要进行优化的子系统为第一子系统时，决策变量为n个机组的流量，即初始化为一个n维x个搜索代理的初始种群；

当要进行优化的子系统为第二子系统时，决策变量为2(m-1)个泵站进水池与出水池的水位，即初始化为一个2(m-1)维x个搜索代理的初始种群；

当要进行优化的子系统为第三子系统时，其决策变量为T个日不同电价时段，即初始化为一个T维x个搜索代理的初始种群。

10.根据权利要求8所述面向梯级泵站群日优化调度的智能优化方法，其特征在于，步骤A3中，当要进行优化的子系统为第一子系统时，适应度函数计算针对第一子系统进行；

当要进行优化的子系统为第二子系统时，适应度函数计算针对第一子系统和第二子系统进行；

当要进行优化的子系统为第三子系统时，适应度函数计算针对第一子系统、第二子系统和第三子系统进行。