CN108564231B - 一种大规模水电站水库群联合调度的代理优化降维方法 - Google Patents

一种大规模水电站水库群联合调度的代理优化降维方法 Download PDF

Info

Publication number
CN108564231B
CN108564231B CN201810400559.1A CN201810400559A CN108564231B CN 108564231 B CN108564231 B CN 108564231B CN 201810400559 A CN201810400559 A CN 201810400559A CN 108564231 B CN108564231 B CN 108564231B
Authority
CN
China
Prior art keywords
hydropower station
sample
sample points
reservoir group
scale
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
Application number
CN201810400559.1A
Other languages
English (en)
Other versions
CN108564231A (zh
Inventor
冯仲恺
牛文静
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201810400559.1A priority Critical patent/CN108564231B/zh
Publication of CN108564231A publication Critical patent/CN108564231A/zh
Application granted granted Critical
Publication of CN108564231B publication Critical patent/CN108564231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种大规模水电站水库群联合调度的代理优化降维方法，属于水电系统优化调度技术领域。本发明选择水电站并设置相关约束与参数后，计算初始调度过程O与搜索步长h；依据h在O的邻域范围内生成样本集合S1，计算S1中样本的真实目标函数，将S1中样本点及目标函数输入到神经网络拟合得到对应的代理优化模型
Figure DDA0001645595390000011
生成一定规模的样本集合S2，将S2中样本点输入到
Figure DDA0001645595390000012
得到可能的目标函数，据此筛选出最优样本集合S3，计算出S3中样本点的真实目标函数，找到S3中具有最佳目标函数的改善解，若改善解优于初始解则更新初始解进行迭代计算，否则判断步长是否满足精度要求，若是则输出最优解，否则更新补充进行迭代。本发明方法计算参数少、搜索精度高、寻优时间少、求解规模大。

Description

一种大规模水电站水库群联合调度的代理优化降维方法
技术领域
本发明属于水电系统优化调度技术领域，更具体地，涉及一种大规模水电站水库群联合调度的代理优化降维方法。
背景技术
经过二十余年的高速发展，特别是最近十余年来金沙江、红水河、澜沧江等水电基地的集中投产，我国已经形成大规模水电站水库群联合调度格局，大跨步迈入了大水电时代。伴随系统规模的扩大，大规模水电站水库群联合调度的价值日益凸显，既能增加各大流域梯级水能利用效率与水电系统整体经济效益，又可促进我国能源结构的稳步转型和节能减排事业的顺利发展。
水电站群联合调度本质上属于典型的多维多阶段约束优化问题，其求解难度亦随之增加，线性规划、非线性规划、动态规划、网络流算法等经典理论已在实践中取得了不同程度的成功。然而，这些算法大多需要计算并存储所有潜在状态组合及其指标值等信息，所需计算量与存储量随系统规模呈非线性增长，维数灾问题突出，难以有效处理大规模水电站水库群联合调度问题，亟需研发行之有效的降维优化算法。为此，本发明立足于这一现实需求，致力于构建有效均衡求解精度和计算效率的高效降维方法，以切实缓解大规模水电站水库群联合调度面临的维数灾难题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种大规模水电站水库群联合调度的代理优化降维方法，其目的在于选取设定数目的样本点构造代理优化模型，并在此模型上进行二次寻优，迭代寻找最优过程，由此解决现有方法计算开销大的技术问题。
为实现上述目的，本发明提供了一种大规模水电站水库群联合调度的代理优化降维方法，所述方法具体包括以下步骤：
(1)选择参与优化的水电站集合，并设置约束条件和参数；
(2)根据约束条件和参数计算所有水电站的初始流量调度过程Oc和搜索步长hc；
(3)依据搜索步长hc在初始流量调度过程搜索范围内生成样本集合S1，计算S1中所有样本的真实目标函数；
(4)将S1中所有样本点及对应真实目标函数输入到神经网络拟合得到代理优化模型
Figure BDA0001645595370000024
；
(5)增加采样点，生成样本集合S2；将S2中样本点输入到代理优化模型
Figure BDA0001645595370000023
中获得对应的可能目标函数；
(6)依据可能目标函数从S2中选取较优样本集合S3，计算得到S3中所有样本点的真实目标函数，并从S3中找到具有最佳目标函数的改善解O1；若改善解O1优于初始状态Oc，则更新Oc＝O1，并返回步骤(3)；否则进入步骤(7)；
(7)判断搜索步长hc是否满足预设定的终止精度，若是则将Oc作为大规模水电站水库群最优调度过程输出；否则缩减搜索步长hc返回步骤(3)。
进一步地，所述步骤(1)中所述参数包括样本点数目M、终止精度ε。
进一步地，所述步骤(2)具体为：
所有水电站的初始流量调度过程
Figure BDA0001645595370000021
搜索步长
Figure BDA0001645595370000022
Figure BDA0001645595370000031
Figure BDA0001645595370000032
其中，
Figure BDA0001645595370000033
和
Figure BDA0001645595370000034
分别表示第c轮迭代时水电站i在时段j的出库流量与搜索步长；N为水电站数目，J为计算时段数目；
Figure BDA0001645595370000035
和
Figure BDA0001645595370000036
分别表示水电站i的初始库容与期末库容；
Figure BDA0001645595370000037
表示第c轮迭代时水电站i在时段j的入库流量；Ii，j表示水电站i在时段j的区间流量；tj表示时段j的小时数；U表示水电站i 的直接上游电站数目；
Figure BDA0001645595370000038
和
Figure BDA0001645595370000039
分别表示水电站i在时段j的最大和最小出库流量；M表示样本点数目。
进一步地，所述步骤(3)具体为：
计算初始流量调度过程搜索范围
Figure BDA00016455953700000310
Figure BDA00016455953700000311
在调度过程领域范围
Figure BDA00016455953700000312
中选取M个样本点构成集合S1，每个样本点均表示一种可能的调度过程，S1＝{γ1，γ2，…，γm，…，γM}，γm表示第m个样本点；具体为：
Figure BDA00016455953700000313
其中，
Figure BDA00016455953700000314
表示[0，1]区间均匀分布的随机数；mOi，j表示在第m个样本点中，水电站i在时段j的出库流量；其中
Figure BDA00016455953700000315
和
Figure BDA00016455953700000316
分别表示水电站i在时段j的搜索区间的上限和下限；
f(x)表示调度过程x的目标函数，
Figure BDA0001645595370000041
其中，Pi，j表示在调度过程x中，水电站i在时段j的出力；cg和χg分别表示在调度过程x中，第g个约束的惩罚系数与破坏程度，且有cg≥1；G表示约束条件数目；将S1中样本点代入f(x)中得到S1中样本点的真实目标函数 f(γm)。
进一步地，所述步骤(4)具体为：
采用下式将S1中M个样本点的出库流量序列均转化为向量形式，
πm＝[mO1，1，…，mO1，J，mO2，1，…，mO2，J，…，mOi，j，…，mON，1，…，mON，J]；m∈[1，M]； (6)
将πm和f(γm)作为输入变量和输出变量，调用标准神经网络模型拟合得到与S1中M个样本对应的代理优化模型
Figure BDA0001645595370000042
此时有
Figure BDA0001645595370000043
m∈[1，M]。
进一步地，所述步骤(5)具体为：
参照公式(4)选取a·M个样本点组成集合S2＝{κ1，κ2，…，κe，…，κa·M}，其中，a表示放大系数，a＞1；κe表示S2中第e个样本点；
参照公式(6)将S2中所有样本点的出库流量序列转化为向量形式 {χ1，χ2，…，χe，…，χa·M}，其中χe表示κe的向量形式；将{χ1，χ2，…，χe，…，χa·M}依次输入到代理优化模型
Figure BDA0001645595370000044
得到
Figure BDA0001645595370000045
其中
Figure BDA0001645595370000046
表示χe的输出变量。
进一步地，所述步骤(6)具体为：
根据
Figure BDA0001645595370000047
中前b·M个最大值下标，从S2选取对应的样本点组成集合S3＝{θ1，θ2，…，θh，…，θb·M}，其中b∈(0，1]，表示缩减系数，θm表示S3中第h个样本点；
将S3中所有样本点代入f(x)中计算得到S3中所有样本点的真实目标函数，并从中选取具有最大目标函数的样本点O1作为改善解，其目标函数记为f(O1)；若f(O1)＞f(Oc)，则更新Oc＝O1，并返回步骤(3)；否则进入步骤(7)。
进一步地，所述步骤(7)具体为：
设hc＝η·hc，其中η∈(0，1)，表示调整系数，若||hc||≤ε，则停止迭代计算，并将Oc作为大规模水电站水库群最优调度过程输出；否则缩减搜索步长返回步骤(3)。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下技术特征及有益效果：
(1)本发明仅预设样本点数目M和终止精度ε等少量参数，少于遗传算法，如种群规模、进化次数、交叉概率和选择概率等方法；少于粒子群算法，如种群规模、进化次数和学习系数等方法，显著降低了算法使用难度与参数设置工作量；
(2)本发明仅需选取设定数目的样本点构造代理优化模型，在此模型上进行二次寻优，避免了传统非线性规划对目标函数梯度可微等严格要求、动态规划系列方法中的状态组合问题，有效降低了内存占用与计算耗时，具有突出的降维效果；
(3)本发明大幅减少了决策变量计算开销，可以在相同计算环境下求解更大规模的水电站水库群联合调度问题；
(4)本发明可以充分发挥梯级水电站的协同补偿效应，快速获得符合实际运行需求的调度过程，具有良好的工程实用性与可行性。
附图说明
图1为本发明方法的流程示意图；
图2为本发明所得某年来水条件下洪家渡水电站水位过程图；
图3为本发明所得某年来水条件下东风水电站水位过程图；
图4为本发明所得某年来水条件下乌江渡水电站水位过程图；
图5为本发明所得某年来水条件下构皮滩水电站水位过程图。
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，以下结合附图及实施例，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例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明方法包括以下步骤：
(1)选择参与优化的水电站集合，并设置约束条件和参数；
所述参数包括样本点数目M、终止精度ε。
(2)根据约束条件和参数计算所有水电站的初始流量调度过程Oc和搜索步长；
所述步骤(2)具体为：
所有水电站的初始流量调度过程
Figure BDA0001645595370000061
搜索步长
Figure BDA0001645595370000062
Figure BDA0001645595370000063
Figure BDA0001645595370000064
其中，
Figure BDA0001645595370000071
和
Figure BDA0001645595370000072
分别表示第c轮迭代时水电站i在时段j的出库流量与搜索步长；N为水电站数目，J为计算时段数目；
Figure BDA0001645595370000073
和
Figure BDA0001645595370000074
分别表示水电站i 的初始库容与期末库容；
Figure BDA0001645595370000075
表示第c轮迭代时水电站i在时段j的入库流量； Ii，j表示水电站i在时段j的区间流量；tj表示时段j的小时数；U表示水电站i的直接上游电站数目；
Figure BDA0001645595370000076
和
Figure BDA0001645595370000077
分别表示水电站i在时段j的最大和最小出库流量；M表示样本点数目。
(3)依据搜索步长在初始流量调度过程搜索范围内生成样本集合S1，计算S1中所有样本的真实目标函数；
所述步骤(3)具体为：
计算初始流量调度过程搜索范围
Figure BDA0001645595370000078
Figure BDA0001645595370000079
在调度过程领域范围
Figure BDA00016455953700000710
中选取M个样本点构成集合S1，每个样本点均表示一种可能的调度过程，S1＝{γ1，γ2，…，γm，…，γM}，γm表示第m个样本点；具体为：
Figure BDA00016455953700000711
其中，
Figure BDA00016455953700000712
表示[0，1]区间均匀分布的随机数；mOi，j表示在第m个样本点中，水电站i在时段j的出库流量；其中
Figure BDA00016455953700000713
和
Figure BDA00016455953700000714
分别表示水电站i在时段j的搜索区间的上下限；
f(x)表示调度过程x的目标函数，
Figure BDA00016455953700000715
其中，Pi，j表示在调度过程x中，水电站i在时段j的出力；cg和χg分别表示在调度过程x中，第g个约束的惩罚系数与破坏程度，且有cg≥1；G表示约束条件数目；将S1中样本点代入f(x)中得到S1中样本点的真实目标函数 f(γm)。
(4)将S1中所有样本点及对应真实目标函数输入到神经网络拟合得到代理优化模型
Figure BDA0001645595370000086
；
所述步骤(4)具体为：
采用下式将S1中M个样本点的出库流量序列均转化为向量形式，
πm＝[mO1，1，…，mO1，J，mO2，1，…，mO2，J，…，mOi，j，…，mON，1，…，mON，J]；m∈[1，M]； (6)
将πm和f(γm)作为输入变量和输出变量，调用标准神经网络模型拟合得到与S1中M个样本对应的代理优化模型
Figure BDA0001645595370000081
此时有
Figure BDA0001645595370000082
m∈[1，M]。
(5)增加采样点，生成样本集合S2；将S2中样本点输入到代理优化模型
Figure BDA0001645595370000087
中获得对应的可能目标函数；
所述步骤(5)具体为：
参照公式(4)选取a·M个样本点组成集合S2＝{κ1，κ2，…，κe，…，κa·M}，其中，a表示放大系数，a＞1；κe表示S2中第e个样本点；
参照公式(6)将S2中所有样本点的出库流量序列转化为向量形式 {χ1，χ2，…，χe，…，χa·M}，其中χe表示κe的向量形式；将{χ1，χ2，…，χe，…，χa·M}依次输入到代理优化模型
Figure BDA0001645595370000083
得到
Figure BDA0001645595370000084
其中
Figure BDA0001645595370000085
表示χe的输出变量。
(6)依据可能目标函数从S2中选取较优样本集合S3，计算得到S3中所有样本点的真实目标函数，并从S3中找到具有最佳目标函数的改善解O1；若改善解O1优于初始状态Oc，则令Oc＝O1，返回步骤(3)；否则进入步骤(7)；
所述步骤(6)具体为：
根据
Figure BDA0001645595370000091
中前b·M个最大值下标，从S2选取对应的样本点组成集合S3＝{θ1，θ2，…，θh，…，θb·M}，其中b∈(0，1]表示缩减系数，θh表示S3中第h个样本点；
将S3中所有样本点代入f(x)中计算得到S3中所有样本点的真实目标函数，并从中选取具有最大目标函数的样本点O1作为改善解，其目标函数记为f(O1)；
若f(O1)＞f(Oc)，则Oc＝O1，返回步骤(3)；否则进入步骤(7)。
(7)判断搜索步长是否满足预设的终止精度，若是则将Oc作为大规模水电站水库群最优调度过程输出；否则缩减搜索步长返回步骤(3)；
所述步骤(7)具体为：
设hc＝η·hc，其中η∈(0，1)表示调整系数，若||hc||≤ε，则停止迭代计算，并将Oc作为大规模水电站水库群最优调度过程输出；否则缩减搜索步长返回步骤(3)。
现以中国十三大水电基地之一的乌江流域水电站群联合优化调度为例来验证本发明方法的有效性与合理性，乌江流域在中国西部的社会经济发展中占据不可替代的作用。表1为3种方法，包括粒子群算法PSO、遗传算法GA和本发明方法求解乌江梯级水站群在不同来水情况下的计算结果；其中PSO、GA均为随机运行30次得到的最优值。可以看出，在3种典型来水条件下本发明所得发电量都明显优于其他两种方法，这说明本发明在求解大规模水电站水库群联合调度问题时，可以比传统方法获得更为优越的调度过程，充分展现了所提方法的有效性。
表1
Figure BDA0001645595370000101
表2列出了不同梯级最小出力限制下遗传算法与本发明所得结果对比。可以看出，总电量随着梯级最小限制的增大呈现下降趋势，这与水电系统实际调度结果相符合；在不同情况下，本发明所得发电量均优于遗传算法，而且计算耗时也显著缩短。由此可知，本发明具有良好的全局搜索能力，可以快速获得合理的调度结果，所得方案能够根据电网对水电系统的整体出力限制动态调整电量年内分布，利于水电与其他类型能源开展补偿调度。
表2
Figure BDA0001645595370000102
图2、图3、图4和图5分别为采用本发明方法得到的乌江梯级电站的水位过程示意图，其中包括洪家渡水电站、东风水电站、乌江渡水电站和构皮滩水电站。由图可知，为满足调度期内设定的水电最小带宽约束，各水电站均调度起初降低水位，加大处理；随着时间的推移，各水电站均在汛前逐步消落至较低水位，以利用汛期较大来水抬升水位；汛期过后，各水电站均尽可能在高水位运行，以降低梯级水耗增大发电量。由此可知，本发明所得梯级水电站群调度过程科学合理、稳定有效。
以上内容本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述方法具体包括以下步骤：
(1)选择参与优化的水电站集合，并设置约束条件和参数；
(2)根据约束条件和参数计算所有水电站的初始流量调度过程Oc和搜索步长hc；
(3)依据搜索步长hc在初始流量调度过程搜索范围内生成样本集合S1，计算S1中所有样本的真实目标函数；
(4)将S1中所有样本点及对应真实目标函数输入到神经网络拟合得到代理优化模型
Figure FDA0001645595360000011
(5)增加采样点，生成样本集合S2；将S2中样本点输入到代理优化模型
Figure FDA0001645595360000012
中获得对应的可能目标函数；
(6)依据可能目标函数从S2中选取较优样本集合S3，计算得到S3中所有样本点的真实目标函数，并从S3中找到具有最佳目标函数的改善解O1；若改善解O1优于初始状态Oc，则更新Oc＝O1，并返回步骤(3)；否则进入步骤(7)；
(7)判断搜索步长hc是否满足预设的终止精度，若是则将Oc作为大规模水电站水库群最优调度过程输出；否则缩减搜索步长hc返回步骤(3)。
2.根据权利要求1所述的一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述步骤(1)中所述参数包括样本点数目M、终止精度ε。
3.根据权利要求1或2所述的一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述步骤(2)具体为：
所有水电站的初始流量调度过程
Figure FDA0001645595360000013
搜索步长
Figure FDA0001645595360000014
Figure FDA0001645595360000021
Figure FDA0001645595360000022
其中，
Figure FDA0001645595360000023
和
Figure FDA0001645595360000024
分别表示第c轮迭代时水电站i在时段j的出库流量与搜索步长；N为水电站数目，J为计算时段数目；Vi beg和Vi end分别表示水电站i的初始库容与期末库容；
Figure FDA0001645595360000025
表示第c轮迭代时水电站i在时段j的入库流量；Ii,j表示水电站i在时段j的区间流量；tj表示时段j的小时数；U表示水电站i的直接上游电站数目；
Figure FDA0001645595360000026
和
Figure FDA0001645595360000027
分别表示水电站i在时段j的最大和最小出库流量；M表示样本点数目。
4.根据权利要求3所述的一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述步骤(3)具体为：
计算初始流量调度过程搜索范围
Figure FDA0001645595360000028
Figure FDA0001645595360000029
在调度过程领域范围
Figure FDA00016455953600000210
中选取M个样本点构成集合S1，每个样本点均表示一种可能的调度过程，S1＝{γ1,γ2,…,γm,…,γM}，γm表示第m个样本点；具体为：
Figure FDA00016455953600000211
其中，
Figure FDA0001645595360000031
表示[0,1]区间均匀分布的随机数；mOi,j表示在第m个样本点中，水电站i在时段j的出库流量；其中
Figure FDA0001645595360000032
和
Figure FDA0001645595360000033
分别表示水电站i在时段j的搜索区间的上限和下限；
f(x)表示调度过程x的目标函数，
Figure FDA0001645595360000034
其中，Pi,j表示在调度过程x中，水电站i在时段j的出力；cg和χg分别表示在调度过程x中，第g个约束的惩罚系数与破坏程度，且有cg≥1；G表示约束条件数目；将S1中样本点代入f(x)中得到S1中样本点的真实目标函数f(γm)。
5.根据权利要求4所述的一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述步骤(4)具体为：
采用下式将S1中M个样本点的出库流量序列均转化为向量形式，
πm＝[mO1,1,…,mO1,J,mO2,1,…,mO2,J,…,mOi,j,…,mON,1,…,mON,J]；m∈[1,M]；(6)
将πm和f(γm)作为输入变量和输出变量，调用标准神经网络模型拟合得到与S1中M个样本对应的代理优化模型
Figure FDA0001645595360000035
此时有
Figure FDA0001645595360000036
6.根据权利要求5所述的一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述步骤(5)具体为：
参照公式(4)选取a·M个样本点组成集合S2＝{κ1,κ2,…,κe,…,κa·M}，其中，a表示放大系数，a＞1；κe表示S2中第e个样本点；
参照公式(6)将S2中所有样本点的出库流量序列转化为向量形式{χ1,χ2,…,χe,…,χa·M}，其中χe表示κe的向量形式；将{χ1,χ2,…,χe,…,χa·M}依次输入到代理优化模型
Figure FDA0001645595360000037
得到
Figure FDA0001645595360000038
其中
Figure FDA0001645595360000039
表示χe的输出变量。
7.根据权利要求6所述的一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述步骤(6)具体为：
根据
Figure FDA0001645595360000041
中前b·M个最大值下标，从S2选取对应的样本点组成集合S3＝{θ1,θ2,…,θh,…,θb·M}，其中b∈(0,1]，表示缩减系数，θh表示S3中第h个样本点；
将S3中所有样本点代入f(x)中计算得到S3中所有样本点的真实目标函数，并从中选取具有最大目标函数的样本点O1作为改善解，其目标函数记为f(O1)；若f(O1)＞f(Oc)，则更新Oc＝O1，并返回步骤(3)；否则进入步骤(7)。
8.根据权利要求7所述的一种大规模水电站水库群联合调度的代理优化降维方法，其特征在于，所述步骤(7)具体为：
设hc＝η·hc，其中η∈(0,1)，表示调整系数，若||hc||≤ε，则停止迭代计算，并将Oc作为大规模水电站水库群最优调度过程输出；否则缩减搜索步长返回步骤(3)。
CN201810400559.1A 2018-04-28 2018-04-28 一种大规模水电站水库群联合调度的代理优化降维方法 Active CN108564231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810400559.1A CN108564231B (zh) 2018-04-28 2018-04-28 一种大规模水电站水库群联合调度的代理优化降维方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810400559.1A CN108564231B (zh) 2018-04-28 2018-04-28 一种大规模水电站水库群联合调度的代理优化降维方法

Publications (2)

Publication Number Publication Date
CN108564231A CN108564231A (zh) 2018-09-21
CN108564231B true CN108564231B (zh) 2020-06-09

Family

ID=63537175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810400559.1A Active CN108564231B (zh) 2018-04-28 2018-04-28 一种大规模水电站水库群联合调度的代理优化降维方法

Country Status (1)

Country Link
CN (1) CN108564231B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523059B (zh) * 2018-10-19 2020-08-18 华中科技大学 一种梯级水电站水库生态调度智能优化方法及系统
CN109300058B (zh) * 2018-10-19 2020-11-24 华中科技大学 一种梯级水电站群优化调度两阶段直接搜索降维方法
CN110984062B (zh) * 2019-12-20 2020-12-29 华中科技大学 一种流域干支流大规模水库群模拟调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182806A (zh) * 2014-08-21 2014-12-03 大连理工大学 一种基于正交降维搜索算法的水电站群优化调度方法
CN105956714A (zh) * 2016-05-21 2016-09-21 华能澜沧江水电股份有限公司 一种梯级水库群优化调度新型群体搜索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182806A (zh) * 2014-08-21 2014-12-03 大连理工大学 一种基于正交降维搜索算法的水电站群优化调度方法
CN105956714A (zh) * 2016-05-21 2016-09-21 华能澜沧江水电股份有限公司 一种梯级水库群优化调度新型群体搜索方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Approaching complexity within a hydro power plant;Per Haraldsson etc.;《IEEE》;20041124;全文 *
大规模水电系统优化调度降维方法研究I：理论分析;冯仲恺等;《水利学报》;20170228;第48卷(第2期);全文 *
群智能优化算法代理模型研究;李高阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130915(第9期);全文 *

Also Published As

Publication number Publication date
CN108564231A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN109888835B (zh) 一种基于改进粒子群的分布式光伏配电网规划方法
CN109636043B (zh) 一种梯级水电系统发电调度自适应优化方法与系统
CN108564231B (zh) 一种大规模水电站水库群联合调度的代理优化降维方法
CN111092451B (zh) 一种基于配电网网格的光伏消纳预警方法
CN113471989B (zh) 基于灰狼优化法的微电网智能二次频率控制方法
CN109300058B (zh) 一种梯级水电站群优化调度两阶段直接搜索降维方法
CN109523059A (zh) 一种梯级水电站水库生态调度智能优化方法及系统
CN113255138B (zh) 一种电力系统负荷分配优化方法
CN110766210B (zh) 一种梯级水库群短期优化调度方法与系统
CN109274117A (zh) 一种数据驱动的日前鲁棒机组组合方法
CN116388262A (zh) 基于多目标优化的含分布式光伏配网无功优化方法及系统
CN112132471A (zh) 基于模拟退火粒子群算法的梯级水电站调度方法及系统
CN116599087B (zh) 一种储能系统的调频策略优化方法及系统
CN110991927B (zh) 提高区域电网不同地区间歇性电源互补效果的电源规划方法
CN117610828A (zh) 一种步长逐密多目标梯级水电站群优化调度方法
CN109359671B (zh) 一种水电站水库调度规则的分类智能提取方法
CN111799841A (zh) 一种火电机组灵活性改造与输电规划联合决策方法及系统
CN115983733B (zh) 基于水位控制的电力市场出清数据处理方法和装置
CN117200293A (zh) 电池储能参与多重频率响应市场的两阶段功率调控方法
CN104408531B (zh) 一种多维多阶段复杂决策问题的均匀动态规划方法
CN109672197A (zh) 一种考虑分布式电源出力不确定性的储能运行优化方法
CN111915160B (zh) 一种大规模水库群发电调度柔性优化方法与系统
CN115146936A (zh) 梯级水光蓄互补调度模型求解的动态调整学习因子算法
CN111799842A (zh) 一种考虑火电机组灵活性的多阶段输电网规划方法及系统
CN116993027B (zh) 一种改进的水工程联合调度优化方法

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