CN109359671A - 一种水电站水库调度规则的分类智能提取方法 - Google Patents
一种水电站水库调度规则的分类智能提取方法 Download PDFInfo
- Publication number
- CN109359671A CN109359671A CN201811089594.2A CN201811089594A CN109359671A CN 109359671 A CN109359671 A CN 109359671A CN 201811089594 A CN201811089594 A CN 201811089594A CN 109359671 A CN109359671 A CN 109359671A
- Authority
- CN
- China
- Prior art keywords
- indicate
- particle
- input variable
- output
- variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 57
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000013459 approach Methods 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000008929 regeneration Effects 0.000 claims 1
- 238000011069 regeneration method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种水电站水库调度运行规则的分类智能提取方法,包括:将电站出力作为输出变量,利用相关分析方法确定输入变量;获得归一化后的输入变量和输出变量,利用聚类方法将所有样本的输入变量划分为K个类别;对各类别下的输入变量及输出变量,分别构造对应的ELM模型进行模拟逼近,同时采用改进粒子群算法优选ELM模型参数,从而得到K个不同的ELM模型;确定新获取的输入变量所属类别,将其输入到对应模型即可得到对应的输出值对进行反归一化处理得到用于调度决策的电站出力值。本发明采用分类进化极端学习机模型提取水电站水库调度规则,能够显著提高水电站水库的长期运行效益,有利于流域梯级水电站群水能资源的高效利用。
Description
技术领域
本发明属于水资源高效利用与水电系统优化调度领域,更具体地,涉及一种水电站水库调度规则的分类智能提取方法。
背景技术
与其他化石能源相比,水电具有污染物排放低、可再生和快速启停能力等独特优点,因而十分有必要从长序列实际资料中挖掘水电站水库的调度运行规律、以提高实际调度水平与经济运行效率,是一项具有重要理论意义和实践价值的研究课题。在水电站水库调度规则领域,国内外学者已先后提出了线性回归、非线性回归、调度图、神经网络等多种方法,这些方法在提取调度规则时大都以训练样本总误差最小为目标进行优化,极易引发训练精度不足、模型过拟合等问题,降低了模型的指导价值。因此,十分有必要探索新型的水电站水库调度规则提取方法。
单隐层前馈神经网络是推导水库调度运行规则的经典智能方法之一,但存在学习效率低下、易陷入局部最优等缺陷。为提高传统神经网络训练效率,国内外学者最新提出了理论相对完备的极端学习机(Extreme Learning Machine,ELM)模型,该方法在随机确定输入层-隐藏层连接权重、隐藏层偏差后,可以通过最小二乘法直接获得最优解析解,大幅提高了模型训练效率、增强了模型泛化能力,已广泛应用于在风速预测、径流模拟等领域,但是目前仍未见有关ELM在水电站水库调度运行规则领域的研究报道,因而有必要填补这一空白。在应用过程中发现,由于输入层-隐藏层连接权重和隐藏层偏差的随机确定,标准ELM方法在某些情况下有很大概率会陷入局部最优,仍然有较大空间提升其性能表现。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种水电站水库调度规则的分类智能提取方法,由此解决现有推导水库调度运行规则方式存在的学习效率低下、易陷入局部最优等的技术问题。
为实现上述目的,本发明提供了一种水电站水库调度规则的分类智能提取方法,包括:
(1)确定各样本的输出变量和输入变量,其中,对于每个样本,根据水电站水库的最优调度过程,将电站出力作为输出变量,并利用相关分析方法确定输入变量;
(2)对各样本对应的输出变量和输入变量进行归一化处理后,将所有样本归一化后的输入变量划分为K个不同的类别,其中,K为整数;
(3)基于各类别包含的归一化输入变量及归一化输出变量,分别构造各类别对应的极端学习机ELM模型进行模拟逼近,同时选取各ELM模型参数,从而得到K个不同的ELM模型,以根据待决策的输入变量所属类别对应的ELM模型得到所述待决策的输入变量对应的目标输出值,然后对所述目标输出值进行反归一化处理得到用于调度决策的电站出力值。
优选地,步骤(2)包括:
(2.1)由确定归一化后的输出变量及归一化后的输入变量其中,ho表示原始数据,表示原始数据对应的归一化数据,表示原始数据的最大值,表示原始数据的最小值,M表示输入变量的数目,A表示归一化样本数目,表示第a个归一化样本中的输入变量,表示第a个归一化样本中的输出变量,表示中第m个输入变量的取值;
(2.2)利用聚类方法将A个归一化样本的输入变量划分为K个不同的类别,获得各类别对应的聚类中心以及各归一化样本对应的类别标号其中,表示第k个聚类中心,Sk,m表示Sk中第m个输入变量的对应取值,表示所属的类别。
优选地,步骤(3)包括:
(3.1)从所有归一化样本中挑选出类别号为k的目标样本,并获取各所述目标样本对应的输入变量及输出变量,其中,k的初始值为1;
(3.2)初始化迭代次数t=1,然后采用混沌序列生成包含I个粒子的初始种群,其中,每个粒子均表示一种潜在的ELM模型参数;
(3.3)由第t次迭代的各粒子中隐藏层与输出层的权重矩阵、第t次迭代的各粒子所包含的所有目标样本在隐藏层的输出矩阵、及各所述目标样本对应的输入变量及输出变量得到I个粒子的适应度;
(3.4)由各粒子的适应度值更新I个粒子的历史最优位置与种群的全局最优位置;
(3.5)由I个粒子的历史最优位置与种群的全局最优位置更新I个粒子的速度与位置;
(3.6)将迭代次数t的取值加1,若t小于最大迭代次数,则返回执行步骤(3.3);若t不小于所述最大迭代次数,则将最后一次迭代得到的种群全局最优位置作为第k类归一化样本的最佳模型参数,并将对应的模型记为ELMk;
(3.7)将k值加1,若k≤K,则返回执行步骤(3.1);若k>K,则停止计算,得到K个不同的极端学习机模型,记为{ELM1,…,ELMk,…,ELMK}。
优选地,由确定第t次迭代的第i个粒子Xi,t的适应度,其中,Jk为目标样本数目,表示第s个目标样本的输出变量,L表示Xi,t中隐藏层的节点数目,表示Xi,t中隐藏层与输出层的权重矩阵,g(·)表示传递函数,wl,(i,t)表示Xi,t中隐藏层第l个节点与输出层之间的权重向量,xs表示第s个目标样本的输入变量,bl,(i,t)表示Xi,t中隐藏层第l个节点与输出层之间的偏差值。
优选地,由更新I个粒子的历史最优位置,由GBestt=argmin{F[PBest1,t],F[PBest2,t],…,F[PBestI,t]}更新种群的全局最优位置,其中,PBesti,t表示第t次迭代第i个粒子的历史最优位置,GBestt表示第t次种群全局最优位置,PBesti,t-1表示第t-1次迭代第i个粒子的历史最优位置,F[PBesti,t-1]表示PBesti,t-1对应的适应度。
优选地,由Vi,t+1=λt·Vi,t+a1·r1·(PBestind,t-Xi,t)+a2·r2·(GBestt-Xi,t)更新I个粒子的速度,由更新I个粒子的位置,其中,Vi,t表示第t次迭代第i个粒子的速度,r1、r2、r3表示在[0,1]区间均匀分布的随机数,a1、a2分别表示自我认知系数与社会认知系数,λt为惯性系数,ind表示粒子标号,ind∈{1,2,…,I},PBestind,t表示第t次迭代第ind个粒子的历史最优位置,Vi,t+1表示第t+1次迭代第i个粒子的速度,Xi,t+1表示第t+1次迭代第i个粒子的位置。
优选地,由确定待决策的输入变量所属类别,其中,表示所述待决策的输入变量的归一化值。
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,能够取得下列有益效果:
1、本发明采用分类方法将输入变量划分为互不相关的子集,有效区分了不同类别输入变量隐含的特征,避免了所有样本统一考虑引发的过拟合、计算开销大等缺陷;
2、本发明采用新兴的极端学习机模型提取水库调度规则,能够充分挖掘水库长序列运行规律,而且在实际工程中可以不断利用最新电站运行信息更新调整模型参数,实现对电站调度规则的智能追踪;
3、本发明采用改进粒子群算法来优选不同类别对应的极端学习机模型参数,能够获得比标准训练算法更为优越的模型结构与网络参数;
4、本发明有效结合了分类、智能算法与极端学习机优势,具有良好的理论完备性,可以获得比调度图等传统方法更为突出的经济效益,有利于提升水资源与水能资源利用效率。
附图说明
图1是本发明实施例提供的一种方法流程示意图;
图2是本发明实施例提供的一种总体执行框架图。
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。
本发明首先采用聚类方法将输入向量划分为不同的子空间,以降低单一模型训练样本数目、进而提高模型模拟精度;其次,在每个子空间分别构建相应的ELM模型,同时采用改进粒子群算法优选ELM模型参数,以提高模型模拟性能、充分挖掘水电调度效益。
如图1所示为本发明实施例提供的一种水电站水库调度规则的分类智能提取方法的流程示意图,具体包括如下步骤:
(1)调度数据获取:获得长序列径流数据并设置始/末水位、运行水位限制、出力限制、发电流量限制、出库流量限制等约束条件后,利用动态规划方法获得水电站水库的最优调度过程;在此基础上,将电站出力作为输出变量,并利用相关分析方法确定输入变量(如入库流量、时段序号、时段初水位等)。
(2)输入变量分类:采用式(1)获得归一化后的输出变量数据输入变量其中M表示输入变量数目,A表示样本数目, 分别表示第a个归一化样本中的输入变量、输出变量,表示中第m个输入变量的取值;利用k-means聚类方法将A个样本的输入变量划分为K个不同的类别,获得对应的聚类中心以及各样本的类别标号其中表示第k个聚类中心,Sk,m表示Sk中第m个输入变量的对应取值,表示所属的类别。
其中,ho、分别表示原始数据与对应的归一化数据;分别表示原始数据的最大值、最小值。
在本发明实施例中,K的取值可以根据实际需要确定,本发明实施例不做唯一性限定。
(3)调度规则模型构建:对各类别下所有的输入变量、输出变量数据,分别构造对应的极端学习机模型ELM进行模拟逼近,并在模型参数率定过程中采用粒子群算法优选相应参数,从而得到K个不同的极端学习机模型,记为{ELM1,…,ELMk,…,ELMK}。详细步骤如下:
(3.0)设置聚类标号k=1;
(3.1)从所有归一化样本中挑选出类别号为k的目标样本,此时相应目标样本的输入变量、输出变量分别记为和其中Jk为目标样本数目,且有
(3.2)令迭代次数t=1,而后采用混沌序列生成包含I个粒子的初始种群,此时每个粒子均表示一种潜在的ELM模型参数,则第t次迭代第i个粒子Xi,t可表示为:
式中,分别表示Xi,t中隐藏层第l个节点与输出层之间的权重向量、偏差值,L表示Xi,t中隐藏层的节点数目,i∈{1,2,…,I}表示粒子标号;
在本发明实施例中,I的取值可以根据实际需要确定,本发明实施例不做唯一性限定。
(3.3)采用式(2)~(4)计算得到I个粒子的适应度:
式中,表示Xi,t中隐藏层与输出层的权重矩阵,H(i,t)表示Xi,t中所有目标样本在隐藏层的输出矩阵,表示H(i,t)的Moore-Penrose广义逆矩阵,F[Xi,t]表示Xi,t的适应度,g(·)表示传递函数;
(3.4)采用式(5)~(6)更新I个粒子的历史最优位置与种群的全局最优位置;
GBestt=argmin{F[PBest1,t],F[PBest2,t],…,F[PBestI,t]} (6)
式中,PBesti,t表示第t次迭代第i个粒子的历史最优位置,GBestt表示第t次种群全局最优位置;
(3.5)采用式(7)~(8)更新I个粒子的速度与位置。其中式(7)、(8)改进了粒子位置更新方式,以增强进化方向的多样性和种群的多样性;
Vi,t+1=λt·Vi,t+a1·r1·(PBestind,t-Xi,t)+a2·r2·(GBestt-Xi,t) (7)
式中,Vi,t表示第t次迭代第i个粒子的速度,r1、r2、r3表示在[0,1]区间均匀分布的随机数,a1、a2分别表示自我认知系数与社会认知系数,λt为惯性系数,ind表示粒子标号,ind∈{1,2,…,I},PBestind,t表示第t次迭代第ind个粒子的历史最优位置;
(3.6)令t=t+1。若t小于最大迭代次数,则转至步骤3.3;否则,将最后一次迭代得到的GBestt作为第k类样本的最佳模型参数,相应的模型记为ELMk,转至步骤3.7;
在本发明实施例中,最大迭代次数的取值可以根据实际需要确定,本发明实施例不做唯一性限定。
(3.7)令k=k+1。若k≤K,则转至步骤3.1;否则,停止计算,此时可以得到K个不同的极端学习机模型,记为{ELM1,…,ELMk,…,ELMK}。
(4)实践工程应用:确定待决策的归一化输入变量所属类别将输入到对应的极端学习机模型ELMk得到输出值对进行反归一化处理得到用于调度决策的电站出力值。
从图2可知,本发明首先利用聚类方法将A个样本的输入变量换分为K个不同的类别,由此获得对应的聚类中心;而后对不同类别下样本分别构建对应的ELM模型,同时采用改进的PSO算法来优选模型参数,增强了模型的泛化能力;最后在判定新的输入变量所属类别后,直接调用相应ELM模型获得对应输出变量,对该输出变量进行反归一化处理后即可用于水电站水库调度运行。
首先以澜沧江水电基地龙头水库—小湾为实施对象,小湾装机容量高达4200MW、保证出力1854MW、总库容约150亿立方米、调节库容近100亿立方米,在我国西电东送中具有重要作用。表1给出了小湾水电站不同方法所得出力统计值,其中ELM指标准ELM方法,EELM指改进粒子群算法优化ELM模型参数(即未采用分类技术)。可以看出,本发明能够在枯水期存储水量、汛期增发电量,显著提高了水电站调度效益,调度过程合理可行;本发明总出力显著提高由于调度图、ELM、CEELM等三种方法,改进效果显著。此外,与ELM和EELM相比,本发明可将保证率提升6.81%和2.764%、多年平均发电量提升1.91亿kW·h和1.80亿kW·h。由此可知,本发明能够较已有方法显著提高写水电站水库的调度运行效益。
表1小湾水电站不同方法所得出力统计值。
月份 | 调度图方法 | ELM | EELM | 本发明 |
1 | 1898.71 | 1906.89 | 1911.17 | 1855.0 |
2 | 1880.65 | 1908.07 | 1915.33 | 1863.8 |
3 | 1924.66 | 1949.39 | 1956.29 | 1863.5 |
4 | 1911.87 | 1915.13 | 1920.01 | 1925.7 |
5 | 2143.55 | 2173.23 | 2189.82 | 2179.9 |
6 | 2234.01 | 2309.99 | 2333.26 | 2359.1 |
7 | 2603.78 | 2657.03 | 2650.92 | 2788.8 |
8 | 3237.70 | 3217.52 | 3194.14 | 3344.8 |
9 | 3594.81 | 3549.96 | 3535.38 | 3686.7 |
10 | 3245.08 | 3229.72 | 3222.51 | 3244.6 |
11 | 2030.49 | 2048.80 | 2048.26 | 2040.6 |
12 | 1891.42 | 1895.99 | 1897.21 | 1896.6 |
其次,以我国乌江流域洪家渡水电站为例验证本发明有效性。洪家渡是乌江水电基地具有多年调节能力的“龙头”电站,总库容49.47亿立方米,调节库容33.61亿立方米,具有十分重要的战略价值。表2列出了洪家渡水电站平均出力统计值。表2列出了BP神经网络与本发明结果对比。可以看出,(1)BP神经网络将所有样本统一进行优化,未能有效区分不同类型的样本,使得模型模拟效果较差,所得调度过程的保证率与年均发电量明显少于本发明;(2)本发明有效集成了分类技术、ELM模型与智能算法三者优势,构造了适用于不同类型样本的ELM模型,显著提高了调度效益。由此可知,本发明能够为洪家渡水电站的长期稳定运行提供强有力技术支持。
表2洪家渡水库不同方法结果统计
方法 | 保证率(%) | 年均发电量(10<sup>8</sup>kWh) |
本发明 | 95.99 | 20.745 |
BP神经网络 | 83.78 | 20.469 |
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 (7)
1.一种水电站水库调度规则的分类智能提取方法,其特征在于,包括:
(1)确定各样本的输出变量和输入变量,其中,对于每个样本,根据水电站水库的最优调度过程,将电站出力作为输出变量,并利用相关分析方法确定输入变量;
(2)对各样本对应的输出变量和输入变量进行归一化处理后,将所有样本归一化后的输入变量划分为K个不同的类别,其中,K为整数;
(3)基于各类别包含的归一化输入变量及归一化输出变量,分别构造各类别对应的极端学习机ELM模型进行模拟逼近,同时选取各ELM模型参数,从而得到K个不同的ELM模型,以根据待决策的输入变量所属类别对应的ELM模型得到所述待决策的输入变量对应的目标输出值,然后对所述目标输出值进行反归一化处理得到用于调度决策的电站出力值。
2.根据权利要求1所述的方法,其特征在于,步骤(2)包括:
(2.1)由确定归一化后的输出变量及归一化后的输入变量其中,ho表示原始数据,表示原始数据对应的归一化数据,表示原始数据的最大值,表示原始数据的最小值,M表示输入变量的数目,A表示归一化样本数目,表示第a个归一化样本中的输入变量,表示第a个归一化样本中的输出变量,表示中第m个输入变量的取值;
(2.2)利用聚类方法将A个归一化样本的输入变量划分为K个不同的类别,获得各类别对应的聚类中心以及各归一化样本对应的类别标号其中,Sk=[Sk,m]M×1=[Sk,1,…,Sk,M],m=1,2,...,M表示第k个聚类中心,Sk,m表示Sk中第m个输入变量的对应取值,表示所属的类别。
3.根据权利要求1或2所述的方法,其特征在于,步骤(3)包括:
(3.1)从所有归一化样本中挑选出类别号为k的目标样本,并获取各所述目标样本对应的输入变量及输出变量,其中,k的初始值为1;
(3.2)初始化迭代次数t=1,然后采用混沌序列生成包含I个粒子的初始种群,其中,每个粒子均表示一种潜在的ELM模型参数;
(3.3)由第t次迭代的各粒子中隐藏层与输出层的权重矩阵、第t次迭代的各粒子所包含的所有目标样本在隐藏层的输出矩阵、及各所述目标样本对应的输入变量及输出变量得到I个粒子的适应度;
(3.4)由各粒子的适应度值更新I个粒子的历史最优位置与种群的全局最优位置;
(3.5)由I个粒子的历史最优位置与种群的全局最优位置更新I个粒子的速度与位置;
(3.6)将迭代次数t的取值加1,若t小于最大迭代次数,则返回执行步骤(3.3);若t不小于所述最大迭代次数,则将最后一次迭代得到的种群全局最优位置作为第k类归一化样本的最佳模型参数,并将对应的模型记为ELMk;
(3.7)将k值加1,若k≤K,则返回执行步骤(3.1);若k>K,则停止计算,得到K个不同的极端学习机模型,记为{ELM1,…,ELMk,…,ELMK}。
4.根据权利要求3所述的方法,其特征在于,由确定第t次迭代的第i个粒子Xi,t的适应度,其中,Jk为目标样本数目,表示第s个目标样本的输出变量,L表示Xi,t中隐藏层的节点数目,表示Xi,t中隐藏层与输出层的权重矩阵,g(·)表示传递函数,wl,(i,t)表示Xi,t中隐藏层第l个节点与输出层之间的权重向量,xs表示第s个目标样本的输入变量,bl,(i,t)表示Xi,t中隐藏层第l个节点的偏差值。
5.根据权利要求4所述的方法,其特征在于,由更新I个粒子的历史最优位置,由GBestt=arg min{F[PBest1,t],F[PBest2,t],…,F[PBestI,t]}更新种群的全局最优位置,其中,PBesti,t表示第t次迭代第i个粒子的历史最优位置,GBestt表示第t次种群全局最优位置,PBesti,t-1表示第t-1次迭代第i个粒子的历史最优位置,F[PBesti,t-1]表示PBesti,t-1对应的适应度。
6.根据权利要求5所述的方法,其特征在于,由Vi,t+1=λt·Vi,t+a1·r1·(PBestind,t-Xi,t)+a2·r2·(GBestt-Xi,t)更新I个粒子的速度,由更新I个粒子的位置,其中,Vi,t表示第t次迭代第i个粒子的速度,r1、r2、r3表示在[0,1]区间均匀分布的随机数,a1、a2分别表示自我认知系数与社会认知系数,λt为惯性系数,ind表示粒子标号,ind∈{1,2,…,I},PBestind,t表示第t次迭代第ind个粒子的历史最优位置,Vi,t+1表示第t+1次迭代第i个粒子的速度,Xi,t+1表示第t+1次迭代第i个粒子的位置。
7.根据权利要求2所述的方法,其特征在于,由确定待决策的输入变量所属类别,其中,表示所述待决策的输入变量的归一化值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089594.2A CN109359671B (zh) | 2018-09-18 | 2018-09-18 | 一种水电站水库调度规则的分类智能提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089594.2A CN109359671B (zh) | 2018-09-18 | 2018-09-18 | 一种水电站水库调度规则的分类智能提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359671A true CN109359671A (zh) | 2019-02-19 |
CN109359671B CN109359671B (zh) | 2021-07-27 |
Family
ID=65351260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811089594.2A Active CN109359671B (zh) | 2018-09-18 | 2018-09-18 | 一种水电站水库调度规则的分类智能提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359671B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110984062A (zh) * | 2019-12-20 | 2020-04-10 | 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 |
CN112668186A (zh) * | 2020-12-30 | 2021-04-16 | 华中科技大学 | 基于elm的输配一体储能系统选址定容协同优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170021352A1 (en) * | 2015-07-24 | 2017-01-26 | HJ Science & Technology, Inc. | Reconfigurable microfluidic systems: Microwell plate interface |
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 |
CN107862457A (zh) * | 2017-11-03 | 2018-03-30 | 河海大学 | 一种水库分期调度规则提取方法 |
-
2018
- 2018-09-18 CN CN201811089594.2A patent/CN109359671B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170021352A1 (en) * | 2015-07-24 | 2017-01-26 | HJ Science & Technology, Inc. | Reconfigurable microfluidic systems: Microwell plate interface |
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 |
CN107862457A (zh) * | 2017-11-03 | 2018-03-30 | 河海大学 | 一种水库分期调度规则提取方法 |
Non-Patent Citations (2)
Title |
---|
CHUN-TIAN CHENG等: "《Optimizing Hydropower Reservoir Operation Using Hybrid Genetic Algorithm and Chaos》", 《WATER RESOUR MANAGE》 * |
王小林 等: "《基于LCS的水库供水规则分类系统》", 《华中科技大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110984062A (zh) * | 2019-12-20 | 2020-04-10 | 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 |
CN112668186A (zh) * | 2020-12-30 | 2021-04-16 | 华中科技大学 | 基于elm的输配一体储能系统选址定容协同优化方法 |
CN112668186B (zh) * | 2020-12-30 | 2024-05-14 | 华中科技大学 | 基于elm的输配一体储能系统选址定容协同优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109359671B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Hour-ahead photovoltaic generation forecasting method based on machine learning and multi objective optimization algorithm | |
CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
Dong et al. | A short-term power load forecasting method based on k-means and SVM | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN109272139A (zh) | 一种基于非线性集成深度学习的短期风速预测方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN111401603A (zh) | 一种多类型能源需求预测方法 | |
Jiao et al. | Adaptive feature selection and construction for day-ahead load forecasting use deep learning method | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
CN109359671A (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN108537370A (zh) | 基于混合智能降维算法的特大流域水电站群优化调度方法 | |
CN116562583A (zh) | 一种多维度水资源供需预测方法及系统 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Zhang et al. | Ultra-short-term wind power forecasting model based on time-section fusion and pattern classification | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 |
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 |