CN108537366B - 基于最优卷积二维化的水库调度方法 - Google Patents
基于最优卷积二维化的水库调度方法 Download PDFInfo
- Publication number
- CN108537366B CN108537366B CN201810219230.5A CN201810219230A CN108537366B CN 108537366 B CN108537366 B CN 108537366B CN 201810219230 A CN201810219230 A CN 201810219230A CN 108537366 B CN108537366 B CN 108537366B
- Authority
- CN
- China
- Prior art keywords
- data
- scheduling
- convolution
- reservoir
- historical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000010410 layer Substances 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000004880 explosion Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于最优卷积二维化的水库调度方法，包括：步骤1.基于多目标最优化算法的输入数据卷积化处理；步骤2.基于卷积神经网络的动态调度模型构建；步骤3.评估模型和调整方案生成，包括训练部份和实时调度部分。本发明结合深度神经网络算法，和权值共享技术，通过大数据系统提供的大量调度历史数据训练深度人工神经网络理解调度场景内的隐含知识。研究输入水库动态精细化综合调度数据的时间空间关联性，通过权值共享的神经元链接方式减少模型构建中每层的权值数量，增加模型的深度，从而使网络充分认知水库动态精细化综合调度，并发现水库动态精细化综合调度过程中更深层次的结构，最终完成响应快，准确性高的对动态调度模型构建过程。
Description
技术领域
本发明属于水库库容的调度方法。
背景技术
对于水库调度问题，主流方法通过建立数学模型对实际问题进行抽象并结合最优化启发式算法进行求解，在问题规模较小的情况下能够得到较高的求解精度。不过在大数据的背景下，生产环境中生产参数的爆炸式增长和严格的调度时间指标向调度方法提出了进一步的要求。目前看来传统的调度算法无法在处理海量调度数据的同时对调度问题完成快速响应。
发明内容
本发明要克服现有技术的上述缺点，提出一种基于最优卷积二维化的水库调度方法。
针对现有的“数学模型结合最优化启发式算法优化方法”存在的问题，本发明结合深度神经网络算法，和权值共享技术，提出了“基于最优卷积二维化的水库调度方法”。通过大数据系统提供的大量调度历史数据训练深度人工神经网络理解调度场景内的隐含知识。研究输入水库动态精细化综合调度数据的时间空间关联性，通过权值共享的神经元链接方式减少模型构建中每层的权值数量，增加模型的深度，从而使网络充分认知水库动态精细化综合调度，并发现水库动态精细化综合调度过程中更深层次的结构，最终完成响应快，准确性高的对动态调度模型构建过程。
由于深度网络对多维度隐含复杂关系的数据有着很强的识别能力，在深度网络中深度卷积网络有着深度挖掘有效特征、权值共享、计算快速的优秀特点。不过深度卷积网络善于处理规则的数据，如二维的图像数据。显然，水库调度数据种类繁杂(流量数据、降雨量数据、温度数据、湿度数据等)来源广泛(传感器采集、预测得到等)，有着大数据的特性，很难形成类似图像数据的整齐形态。这大大提升了深度卷积网络的使用难度。本文通过最优卷积化方法对各类数据进行卷积化处理，使之能够进行充分的卷积运算。
基于最优卷积二维化的水库调度方法，包括如下步骤：
步骤1.基于多目标最优化算法的输入数据卷积化处理
1.1:计算多层二维矩阵Mc；输入水库动态精细化综合调度数据的二维卷积化部分将输入的多维时间序列历史数据进行二维化处理，生成多层二维矩阵Mc；
式中，c为二维矩阵的层数，Sp,Sq为序号为p和q传感器采集的水库动态精细化综合调度数据向量，p,q是任何一种时间序列的调度数据，包括各个水库的径流量历史、各个水库的所在区域的降雨量历史数据、各个水库的所在区域的温度历史数据，将两个维度的历史数据按照公式(1)进行可卷积化，生成一个单层的二维可卷积矩阵，若对输入数据所有的数据维度tw都进行卷积化处理，多维矩阵的最大层数c满足公式组合数公式c＝Ctw 2；
1.2:计算水库动态精细化综合调度数据维度之间的相关性P，多维矩阵的最大层数是数据维度的组合数，在实际的水库动态精细化综合调度过程中，直接组合数会产生组合爆炸，此外，在所有的可卷积矩阵都代表着水库调度输入数据的两两相关性(如降雨量数据与径流量数据的关系、降雨量数据与湿度数据的关系)，在这些相关性中，很多的矩阵中提供的信息是重复的(如降雨量信息提供的信息一部分可以通过其他的信息进行表示)，就会造成计算量的进一步的浪费。因此，为了增加模型的计算效率，需要根据水库动态精细化综合调度数据的实际物理意义，将实际有效的卷积矩阵挑选出来，形成卷积矩阵链。将步骤1中得到的历史数据Mc通过大数据分析方法A()·，得到水库动态精细化综合调度数据维度之间的相关性P。
1.3:建立目标函数寻找最优矩阵链条。根据P可以建立一个最优化问题来寻找最优的卷积矩阵链，在最优的卷积矩阵链中，剔除了无法为模型提供有效信息的单张卷积矩阵，并且将所有的有效单张卷积矩阵以最优的顺序排列了起来。从而转化成最优化问题，其目标函数如下：
s.t.：0＜i＜tw (2)
式中E代表整个排列的总相关性矩阵，矩阵中保存了卷积矩阵链的相关性E1，长度E2，广泛性E3等目标参数，分别为相应计算模型R(l)描述，i为相对的索引参数。对于该多目标优化模型，采用已取得成果的改进的基于分解的多目标优化算法(MOEA/D-AU)进行相应的优化求解。该算法将一个多目标优化问题分解为N个子问题进行同步求解，并且在进化过程中采用邻居解集和解到相关权向量到角度关系作为评判标准，保证了优化结果集的收敛性和分布性都较为优秀，算法的性能优势如下图所示，从图中可以看出，MOEA/D-AU算法在DTLZ2和DTLZ4测试集上的解的分布性比原始的MOEA/D更加优秀，而其收敛性也与MOEA/D相当。
1.4：确定多目标问题
算法采用的分解方法是切比雪夫分解法(TCH)，分解方法如下：
subject to X∈Ω (3)
其中gte是目标聚合函数，也就是公式(2)中所要求解的E，是算法中的权向量，Z*是理想，i＝1,2,…m为对应的优化目标系数，对于公式(2)而言，此处的m＝k，所要优化的目标有卷积矩阵链的相关性E1，长度E2，广泛性E3等目标参数，公式(3)中的各个目标对应的目标函数f(x)则为计算模型R(l)；
1.5:进行进化
对步骤1中确定的卷积优化问题进行进化求解，根据所采用算法的特性，选择用来确保进化解集收敛性的邻居向量数量和控制解集分布性的角度范围数量T都为5，对公式(2)中的目标E进行进化求解，在迭代过程中不断求得更加优秀的卷积矩阵链的相关性E1，长度E2，广泛性E3等目标参数。
1.6:进化结束，求得最优解集PS
经过进化求解后，求得了收敛性和分布性都较为优秀的最优解集PS，将解集带入到公式(3)中，可以得到对应的相关性矩阵P，从而得到最优的卷积矩阵链。
步骤2.基于卷积神经网络的动态调度模型构建
2.1:深度卷积网络的权值矩阵初始化
在对网络训练前，需要对整个网络的结构进行总体设计。对网络的深度，每一层的神经元的个数，非线性单元的种类和形式进行初始化。
2.2:深度神经网络的卷积化训练
本部分为模型构建的主要部分。网络的训练流程如下：
输入数据的前向传播，前向传播满足公式如下所示：
zl＝wlMc'+bl,al＝σ(zl) (4)
式(4)中，zl为向下一级传输的信息，wl为神经网络的权值，al为网络的偏置，σ(zl)为非线性的神经元处理；卷积网络通过共享权值的卷积核进行权值的设定，在本文中不做详细介绍；
计算输出层产生的误差，误差满足如下公式：
式(5)中δL为网络的最终输出与标签的错误误差，
为梯度算子，CΘσ'(zl)代表在输出层的目标输出与模型计算输出的差距；
计算每一层的反向传播误差，反向传播的误差满足如下公式：
δl＝((wl+1)Tδl+1)Θσ'(zl) (6)
式(6)中δl为使用δl计算的向前传递的每层误差，l为层数。
使用梯度下降法进行训练，训练使用的方法满足如下公式(7)：
步骤3.评估模型和调整方案生成
针对复杂水库动态精细化综合调度过程的调度问题，尽管通过深度置信网络、卷积神经网络与大数据挖掘相结合的设计方式可以良好的构建动态模型，但仍存在很多因素导致模型在构建过程中发生偏差，从而影响调度方案的生成。而这就需要我们针对所构建的动态模型进行验证与评估，从而确保生成调度方案的质量。对于验证与评估，其反应到具体操作为参数调整操作，这是由于本课题所采用的算法都具有参数，不同的参数设定与配置会导致最后生成的模型性能千差万别。针对这一问题，我们将水库动态精细化综合调度的样本数据分为两部分，一部分用来训练模型，一部分用来作为验证数据，旨在通过模型在验证集上的性能来进行模型的选择和参数调整。
包括训练部份和实时调度部分，具体步骤如下：
3.1训练部分
3.1.1：获取水质全局数据，数据储存的历史数据(H)：各个水库流域的历史降水量(Hj)历史径流量(Hr)，历史湿度(Hs)，历史温度(Hw)，历史排水量(Hp)，历史生态需水量(Ha)和和传感器采集(M)的当前数据，和历史目标数据(A)。3.1.2：卷积二维化，将上述数据(H)输入按照步骤一进行二维化处理，将结构复杂的数据形式(H)转化为规则的二维数据(Eh)。
3.1.3：调度卷积神经网络的训练。使用二维数据(E)和历史目标数据(A)进行神经网络的训练，其中E作为导师数据的输入形式，A作为导师数据的输出。通过训练，将整个神经网络的系数进行调整，直到可以适应调度输出形式。得到神经网络权值结构数据(Nd)
在实时调度部分的步骤如下：
3.2.1：获取水质全局数据，数据储存的历史数据(H)：各个水库流域的历史降水量(Hj)历史径流量(Hr)，历史湿度(Hs)，历史温度(Hw)，历史排水量(Hp)，历史生态需水量(Ha)和和传感器采集(M)的当前数据：当前降水量(Mj)当前径流量(Mr)，当前湿度(Ms)，当前温度(Mw)，当前排水量(Mp)，当前生态需水量(Ma)。
3.2.2：获取训练部份得到的得到神经网络权值结构数据(N)，构建卷积神经网络模型(N)
3.2.3：当前数据的卷积二维化，将实时的水质全局数据(H)和当前数据(M)按照步骤一进行二维化处理。得到规则的二维数据(Eha)。
3.2.4：实时的调度指令输出。将3.2.3得到的规则的二维数据(Eha)输入3.2.2得到的调度模型中进行运算，得到实时的调度指令，完成当前调度目标。
3.2.5：使用传统的调度数学模型对调度的指令进行评估，如果评估结果优秀，则输出指令，如果调度结果不合理，切换人工操作。
3.2.6：重复操作3.2.1。
对于验证评估的性能度量，针对不同的模型可以采用不同的度量指标。针对复杂水库动态精细化综合调度过程的调度问题，本课题采用实际水库动态精细化综合调度过程中的性能指标和通用评估函数相结合的方式来对模型进行评估，一方面通过性能指标的最优化来对深度置信网络进行评估，另一方面通过评估函数来对卷积网络训练的模型在验证数据集上的精确度与性能做出验证与评估，从而确保生成调度方案的质量与应用价值，并最终给出集生态蓄水量，下泄流量，蓄水位，峰电量，谷电量等的综合调度方案供操作人员参考决策。
本发明的优点是：深度卷积网络与其他的网络相比的优势在于深度卷积网络有效利用了卷积运算，能够通过移动的卷积核极大程度的降低单层神经网络的权值的数量；在权值的数量得到有效的降低后，就可以建立深度更深，输入维度更大的模型来处理复杂的大数据问题。
本发明采用卷积化后的水库动态精细化综合调度数据对神经网络模型进行训练。并通过设置共享的卷积核函数的方式共享的神经网络的权值，减少神经网络训练的时间。具体的基于卷积网络的动态调度模型分为三个部分，分别为：建立深度卷积网络的权值矩阵，进行深度卷积网络的训练，将深度网络进行封装用于后续的实际水库动态精细化综合调度。
本发明将使用多层二维矩阵与上一步中获得的卷积化水库动态精细化综合调度数据分别作为深度卷积网络的输入输出(其中输入数据为经过上述卷积二维化的流量数据、降雨量数据、温度数据、湿度数据；输出数据为有效的调度历史数据)，对深度卷积网络进行训练。(对应流程图中网络训练部分)。首先使用处理好的最优化多层二维矩阵Mc作为输入矩阵，并使用系统采集的控制矩阵B作为标签矩阵带入卷积神经网络进行训练.
附图说明
图1是本发明方法的流程图。
图2是本发明方法与常见的四种调度算法的运算时间对比图。
图3是本发明方法与常见的四种调度方法的归一化性能指标对比图。
图4a-图4d是本发明方法的参数学习率λ与学习样本簇中样本数batchsize变化对学习误差的影响图，其中图4a是batchsize为16时的学习率λ变化对学习误差的影响，图4b是batchsize为32时的学习率λ变化对学习误差的影响，图4c是batchsize为64时的学习率λ变化对学习误差的影响，图4d是batchsize为128时的学习率λ变化对学习误差的影响
具体实施方式
下面结合附图进一步说明本发明的技术方案。
图1显示了本发明方法的流程图。
实施例概述
设一条流域拥有水库n座，n座水库将整个流域分成n+1段，输入数据为每段流域内的降雨量，径流量，流入量，流出量等水库调度数据，输出数据为各个水库的调度数据，水库每个时间段内的水闸的开度，目标函数，水库的发电量达到最大。
该问题可以描述为如下数学形式
式中K为水电出力系数，Q为平均发电量，Qi为i时段的平均发电量，Hi为i时段的发电水头，T为总时段数，△T为时段长度，s.t.为各种约束条件：
Vi+1＝Vi+(Ii-Qi-qi)ΔT (9)
式中Vi,Vi+1为水库在i时段和i+1时段的库容，Ii为入库流量，qi为i阶段的弃水量，Ii和qi与降水量(j)径流量(r)，湿度(s)，温度(w)，排水量(p)，生态需水量(a)有函数关系。函数关系可通过专利中的卷积网络模型学习得到。
图2为深度调度网络方法与常见的四种调度算法的运算时间对比，途中显示，在数据量较少情况下，深度调度网络的运算时间更长，但是随着数据维度的增长，其他的启发式方法的运算复杂度以指数的形式向上增长，而深度调度网络方法的时间复杂度保持线性增长。这说明深度调度网络方法随数据维度增长的伸缩性较好，更加适合大数据环境使用。
图3为深度调度网络方法与常见的四种调度方法的归一化性能指标对比，归一化以传统的遗传算法的指标为基准，将其余的算法的性能指标除以遗传算法的性能指标进行归一化处理。图中显示，在数据量较小情况下，深度调度网络的性能比较差，但是随着数据维数的上升，深度网络的性能指标得到了提升，并且超过了其他的方法。
图4a-图4d为深度调度网络方法的参数学习率λ与学习样本簇中样本数batchsize变化对学习误差的影响图，其中图4a-图4d分别对应着batchsize为16，32，64，128情况下的误差随着λ的变化情况。可以观察到，随着batchsize的上升，error会得到一定的下降，而对于每个batchsize来说，多有一个相对最适合的学习速率。所以说一个良好的学习速率对网络的训练十分重要。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于最优卷积二维化的水库调度方法，包括如下步骤：
步骤1.基于多目标最优化算法的输入数据卷积化处理
1.1:计算多层二维矩阵Mc；输入水库动态精细化综合调度数据的二维卷积化部分将输入的多维时间序列历史数据进行二维化处理，生成多层二维矩阵Mc；
式中，c为二维矩阵的层数，Sp,Sq为序号为p和q传感器采集的水库动态精细化综合调度数据向量，p,q是任何一种时间序列的调度数据，包括各个水库的径流量历史、各个水库的所在区域的降雨量历史数据、各个水库的所在区域的温度历史数据，将两个维度的历史数据按照公式(1)进行可卷积化，生成一个单层的二维可卷积矩阵，若对输入数据所有的数据维度tw都进行卷积化处理；
1.2:计算水库动态精细化综合调度数据维度之间的相关性P，多维矩阵的最大层数是数据维度的组合数，在实际的水库动态精细化综合调度过程中，直接组合数会产生组合爆炸，此外，在所有的可卷积矩阵都代表着水库调度输入数据的两两相关性，在这些相关性中，很多的矩阵中提供的信息是重复的，就会造成计算量的进一步的浪费；因此，为了增加模型的计算效率，需要根据水库动态精细化综合调度数据的实际物理意义，将实际有效的卷积矩阵挑选出来，形成卷积矩阵链；将步骤1中得到的历史数据Mc通过大数据分析方法A(·)，得到水库动态精细化综合调度数据维度之间的相关性P；
1.3:建立目标函数寻找最优矩阵链条；根据P可以建立一个最优化问题来寻找最优的卷积矩阵链，在最优的卷积矩阵链中，剔除了无法为模型提供有效信息的单张卷积矩阵，并且将所有的有效单张卷积矩阵以最优的顺序排列了起来；从而转化成最优化问题，其目标函数如下：
s.t.：0＜i＜tw (2)
式中E代表整个排列的总相关性矩阵，矩阵中保存了卷积矩阵链的相关性E1，长度E2，广泛性E3等目标参数，分别为相应计算模型R(l)描述，i为相对的索引参数；对于该多目标优化模型，采用已取得成果的改进的基于分解的多目标优化算法(MOEA/D-AU)进行相应的优化求解；该算法将一个多目标优化问题分解为N个子问题进行同步求解，并且在进化过程中采用邻居解集和解到相关权向量到角度关系作为评判标准；
1.4：确定多目标问题
算法采用的分解方法是切比雪夫分解法(TCH)，分解方法如下：
subject to X∈Ω (3)
其中gte是目标聚合函数，也就是公式(2)中所要求解的E，是算法中的权向量，Z*是理想，i＝1,2,…m为对应的优化目标系数，对于公式(2)而言，此处的m＝k，所要优化的目标有卷积矩阵链的相关性E1，长度E2，广泛性E3等目标参数，公式(3)中的各个目标对应的目标函数f(x)则为计算模型R(l)；
1.5:进行进化
对步骤1中确定的卷积优化问题进行进化求解，根据所采用算法的特性，选择用来确保进化解集收敛性的邻居向量数量和控制解集分布性的角度范围数量T都为5，对公式(2)中的目标E进行进化求解，在迭代过程中不断求得更加优秀的卷积矩阵链的相关性E1，长度E2，广泛性E3的目标参数；
1.6:进化结束，求得最优解集PS
经过进化求解后，求得了收敛性和分布性都较为优秀的最优解集PS，将解集带入到公式(3)中，可以得到对应的相关性矩阵P，从而得到最优的卷积矩阵链；
步骤2.基于卷积神经网络的动态调度模型构建
2.1:深度卷积网络的权值矩阵初始化
在对网络训练前，需要对整个网络的结构进行总体设计；对网络的深度，每一层的神经元的个数，非线性单元的种类和形式进行初始化；
2.2:深度神经网络的卷积化训练
网络的训练流程如下：
输入数据的前向传播，前向传播满足公式如下所示：
zl＝wlMc'+bl,al＝σ(zl) (4)
式(4)中，zl为向下一级传输的信息，wl为神经网络的权值，al为网络的偏置，σ(zl)为非线性的神经元处理；卷积网络通过共享权值的卷积核进行权值的设定，在本文中不做详细介绍；计算输出层产生的误差，误差满足如下公式：
δl＝((wl+1)Tδl+1)Θσ'(zl) （5）
公式(5)中δl为网络的最终输出与标签的错误误差，
为梯度算子，CΘσ'(zl)代表在输出层的目标输出与模型计算输出的差距；
计算每一层的反向传播误差，反向传播的误差满足如下公式：
δl＝((wl+1)Tδl+1)Θσ'(zl) (6)
公式(6)中δl为使用δl计算的向前传递的每层误差，l为层数；
使用梯度下降法进行训练，训练使用的方法满足如下公式(7)：
步骤3.评估模型和调整方案生成
包括训练部份和实时调度部分，具体步骤如下：
3.1训练部分
3.1.1：获取水质全局数据，数据储存的历史数据(H)：各个水库流域的历史降水量(Hj)历史径流量(Hr)，历史湿度(Hs)，历史温度(Hw)，历史排水量(Hp)，历史生态需水量(Ha)和和传感器采集(M)的当前数据，和历史目标数据(A)；
3.1.2：卷积二维化，将上述数据(H)输入按照步骤一进行二维化处理，将结构复杂的数据形式(H)转化为规则的二维数据(Eh)；
3.1.3：调度卷积神经网络的训练；使用二维数据(E)和历史目标数据(A)进行神经网络的训练，其中E作为导师数据的输入形式，A作为导师数据的输出；通过训练，将整个神经网络的系数进行调整，直到可以适应调度输出形式；得到神经网络权值结构数据(Nd)
在实时调度部分的步骤如下：
3.2.1：获取水质全局数据，数据储存的历史数据(H)：各个水库流域的历史降水量(Hj)历史径流量(Hr)，历史湿度(Hs)，历史温度(Hw)，历史排水量(Hp)，历史生态需水量(Ha)和和传感器采集(M)的当前数据：当前降水量(Mj)当前径流量(Mr)，当前湿度(Ms)，当前温度(Mw)，当前排水量(Mp)，当前生态需水量(Ma)；
3.2.2：获取训练部份得到的得到神经网络权值结构数据(N)，构建卷积神经网络模型(N)
3.2.3：当前数据的卷积二维化，将实时的水质全局数据(H)和当前数据(M)按照步骤一进行二维化处理；得到规则的二维数据(Eha)；
3.2.4：实时的调度指令输出；将3.2.3得到的规则的二维数据(Eha)输入步骤3.2.2得到的调度模型中进行运算，得到实时的调度指令，完成当前调度目标；
3.2.5：使用传统的调度数学模型对调度的指令进行评估，如果评估结果优秀，则输出指令，如果调度结果不合理，切换人工操作；
3.2.6：重复操作3.2.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810219230.5A CN108537366B (zh) | 2018-03-16 | 2018-03-16 | 基于最优卷积二维化的水库调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810219230.5A CN108537366B (zh) | 2018-03-16 | 2018-03-16 | 基于最优卷积二维化的水库调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537366A CN108537366A (zh) | 2018-09-14 |
| CN108537366B true CN108537366B (zh) | 2021-08-24 |
Family
ID=63483858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810219230.5A Active CN108537366B (zh) | 2018-03-16 | 2018-03-16 | 基于最优卷积二维化的水库调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537366B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144629A (zh) * | 2019-12-17 | 2020-05-12 | 国网辽宁省电力有限公司 | 一种水力发电站来水量预测方法及系统 |
| CN111337099B (zh) * | 2020-03-13 | 2020-12-15 | 山东大学 | 一种大棚区雨洪资源利用中蓄水池建造容积的计算方法 |
| CN113112125B (zh) * | 2021-03-22 | 2024-04-12 | 浙江和达科技股份有限公司 | 基于人工智能的水资源管理方法及系统 |
| CN112990108B (zh) * | 2021-04-19 | 2022-12-27 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的系统 |
| CN113450031B (zh) * | 2021-08-31 | 2021-11-16 | 国网江西省电力有限公司供电服务管理中心 | 居民智慧用能服务潜在台区选取方法及装置 |
| CN114861473B (zh) * | 2022-07-07 | 2022-09-20 | 中国长江三峡集团有限公司 | 一种河道型水库有效库容分析方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
| CN106934497A (zh) * | 2017-03-08 | 2017-07-07 | 青岛卓迅电子科技有限公司 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
| US20170344882A1 (en) * | 2016-05-31 | 2017-11-30 | Canon Kabushiki Kaisha | Layer-based operations scheduling to optimise memory for CNN applications |
-
2018
- 2018-03-16 CN CN201810219230.5A patent/CN108537366B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
| US20170344882A1 (en) * | 2016-05-31 | 2017-11-30 | Canon Kabushiki Kaisha | Layer-based operations scheduling to optimise memory for CNN applications |
| CN106934497A (zh) * | 2017-03-08 | 2017-07-07 | 青岛卓迅电子科技有限公司 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| "GPS标准下AGC机组动态优化调度的改进模型";赵霞，张荣荣，赵瑞锋等;《电子技术学报》;20160531;第31卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537366A (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
| CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
| CN109241291A (zh) | 基于深度强化学习的知识图谱最优路径查询系统及其方法 | |
| CN107886161A (zh) | 一种提高复杂信息系统效能的全局敏感性分析方法 | |
| CN112862090B (zh) | 一种基于深度时空神经网络的气温预报方法 | |
| CN108346293B (zh) | 一种实时交通流短时预测方法 | |
| CN105701571A (zh) | 一种基于神经网络组合模型的短时交通流量预测方法 | |
| CN107992645B (zh) | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 | |
| CN114912705A (zh) | 一种联邦学习中异质模型融合的优化方法 | |
| Bozorg-Haddad et al. | A self-tuning ANN model for simulation and forecasting of surface flows | |
| CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
| CN110197307B (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
| CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
| CN110689183A (zh) | 一种集群光伏功率概率预测方法、系统、介质及电子设备 | |
| CN113516133A (zh) | 一种多模态图像分类方法及系统 | |
| CN104200096A (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
| CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
| KR20210039921A (ko) | 신경망 모델을 최적화하도록 구성된 심층 신경망 시스템의 동작 방법 | |
| CN114266387A (zh) | 一种输变电工程工期预测方法、系统、设备及存储介质 | |
| CN110851911A (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN115357862B (zh) | 一种狭长空间中的定位方法 | |
| CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
| CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 |
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 |