CN109523059A - 一种梯级水电站水库生态调度智能优化方法及系统 - Google Patents

Abstract

本发明公开了一种梯级水电站水库生态调度智能优化方法及系统，属于水资源高效利用与水电系统优化调度技术领域，该方法包括：建立以生态缺水量最小为目标函数、考虑复杂约束集合的梯级水电站水库调度模型；采用知识规则动态生成初始调度过程，在其邻域内通过随机扰动来生成初始种群；将所有个体依次修正至可行搜索空间，采用惩罚函数法计算个体适应度值，动态更新各个体位置与速度，采用自适应变异策略实施邻域搜索；重复上述搜索过程直至满足终止条件。本发明具有原理清晰简单、收敛速度快等优点，所得结果合理可行，能够为水能资源的合理配置提供强有力的技术支撑。

Description

一种梯级水电站水库生态调度智能优化方法及系统

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，涉及一种梯级水电站水库生态调度智能优化方法及系统。

背景技术

梯级水电站大规模投产运行一方面能够极大提高流域水能利用效率、产生显著的经济效益，另一方面也会不可避免地影响河流原始形态、破坏流域生态系统平衡。以图1为例，可以看出，该水库在5月份下泄流量超过最大生态流量需求，此时水量过多易引发河道淹没损失；在8月份下泄流量低于最小生态流量需求，此时水量不足易引发河道断流、干涸等不良现象；其余月份下泄流量基本在最小与最大生态流量需求之间，此时生态环境能够得到较好的维持。因此，如何在发挥梯级水电枢纽经济效益的同时降低对生态环境的不利影响以实现绿色可持续发展，已引发社会各界的高度关注。从数学上讲，梯级水电站水库生态调度属于一类复杂的约束优化问题。为求解此问题，国内外学者已从不同角度开展相应研究工作，大致形成了动态规划、线性规划及大系统分解协调等几类经典求解方法。这些方法在实践工作中取得了相对丰硕的成功，但是不同程度地存在维数灾、乏力应对非线性问题及局部收敛等缺陷，亟需研究新型的高效求解方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种梯级水电站水库生态调度智能优化方法及系统，由此解决现有梯级水电站水库生态调度方法存在维数灾、乏力应对非线性问题及局部收敛等的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种梯级水电站水库生态调度智能优化方法，包括：

(1)以各个水电站水库在各调度时段内的生态溢-缺水量最小为目标构建梯级水电站水库生态调度模型，并从上游到下游依次获得参与调度的各水电站水库的可能库容变化过程；

(2)由所述各水电站水库的可能库容变化过程及各水电站水库在各调度时段的库容上限及库容下限得到各个水电站水库在各调度时段的位置及速度，以生成包含I个个体的初始种群；

(3)基于各水电站水库在各调度时段的库容上限及库容下限，将各个体的位置与速度分别修正至可行库容区间；

(4)由各个个体的位置得到各个体的目标函数值、约束破坏值与适应度值；

(5)利用约束支配规则更新各个体的历史最优位置，而后更新种群的全局最优位置与重力加速度，并得到各个体的归一化适应度值及归一化质量值；

(6)由个体的历史最优位置、种群的全局最优位置与重力加速度及各个体的归一化适应度值及归一化质量值得到不同个体之间的作用力，以及各个体的加速度、速度值与位置；

(7)采用自适应变异策略对种群中的各个个体进行邻域搜索以进一步优化各个体的位置，然后判断当前迭代次数是否大于预设迭代次数阈值，若当前迭代次数大于预设迭代次数阈值，则将由最后一次迭代的种群的全局最优个体作为最佳调度过程，若当前迭代次数不大于预设迭代次数阈值，则返回执行步骤(3)。

优选地，所述梯级水电站水库生态调度模型的目标函数为：其中，F表示梯级水电站水库的总溢-缺水量，K为水电站数目，J为计算时段数目，及分别表示第k个水电站水库在时段j的最大及最小生态流量需求，O_k,j表示第k个水电站水库在时段j的出库流量，a_k,j表示第k个水电站水库在时段j的生态溢-缺水量，Δt表示时段j的小时数。

优选地，在步骤(1)中，由k∈[1,K],j∈[1,J]获得参与调度的各水电站水库的可能库容变化过程，其中，表示第k个水电站水库在时段j的可能库容，表示第k个水电站水库在时段j-1的可能库容，W_k表示第k个水电站的总下泄水量。

优选地，在步骤(2)中，由i∈[1,I],k∈[1,K],j∈[1,J]生成包含I个个体的初始种群，其中，及分别表示第c次迭代第i个个体的位置及速度，及分别表示及中第k个水电站水库在时段j的对应取值，r₁及r₂分别表示在[0,1]区间均匀分布的随机数，及为调整系数，均为非负值，和分别表示第k个水电站水库在时段j的库容上限和库容下限。

优选地，在步骤(3)中，由i∈[1,I],k∈[1,K],j∈[1,J]将各个体的位置与速度分别修正至可行库容区间。

优选地，在步骤(5)中，由i∈[1,I]更新各个体的历史最优位置，由更新种群的全局最优位置，由更新种群的重力加速度，其中，表示第c次迭代第i个个体的历史最优位置，表示第c-1次迭代第i个个体的历史最优位置，G^c表示第c次迭代时种群的全局最优位置，g^c表示第c次迭代时种群的重力加速度值，g⁰表示重力加速度的初始值，表示对应的约束破坏值，表示对应的目标函数值，c^max表示最大迭代次数，表示对应的约束破坏值，表示对应的目标函数值，表示对应的适应度值。

优选地，在步骤(6)中，由计算种群中不同个体之间的作用力，由更新第i个个体的位置，由更新第i个个体的速度，由更新第i个个体的加速度，其中，i∈[1,I]，h∈[1,I]，表示第c次迭代第i个个体的加速度，r₂、r₃、r₄及r₅分别表示在[0,1]区间均匀分布的随机数，ind表示从集合{1,2,…,I}随机选取的元素，表示第c次迭代第i个个体受到第h个个体的作用力，ξ为正整数，表示个体位置与个体位置之间的欧氏距离，表示第c次迭代第i个个体的归一化质量值，表示第c次迭代第h个个体的归一化质量值，表示更新后的第i个个体的速度。

优选地，在步骤(7)中，由i∈[1,I]对种群中的各个个体进行邻域搜索以进一步优化各个体的位置，其中，N(0,1)表示服从标准高斯分布的随机数，r₆表示在[0,1]区间均匀分布的随机数，P_m表示变异系数。

按照本发明的另一方面，提供了一种梯级水电站水库生态调度智能优化系统，包括：

调度模型构建模块，用于以各个水电站水库在各调度时段内的生态溢-缺水量最小为目标构建梯级水电站水库生态调度模型，并从上游到下游依次获得参与调度的各水电站水库的可能库容变化过程；

第一计算模块，用于由所述各水电站水库的可能库容变化过程及各水电站水库在各调度时段的库容上限及库容下限得到各个水电站水库在各调度时段的位置及速度，以生成包含I个个体的初始种群；

修正模块，用于基于各水电站水库在各调度时段的库容上限及库容下限，将各个体的位置与速度分别修正至可行库容区间；

第二计算模块，用于由各个个体的位置得到各个体的目标函数值、约束破坏值与适应度值；

第三计算模块，用于利用约束支配规则更新各个体的历史最优位置，而后更新种群的全局最优位置与重力加速度，并得到各个体的归一化适应度值及归一化质量值；

第四计算模块，用于由个体的历史最优位置、种群的全局最优位置与重力加速度及各个体的归一化适应度值及归一化质量值得到不同个体之间的作用力，以及各个体的加速度、速度值与位置；

判断执行模块，用于采用自适应变异策略对种群中的各个个体进行邻域搜索以进一步优化各个体的位置，然后判断当前迭代次数是否大于预设迭代次数阈值，若当前迭代次数大于预设迭代次数阈值，则将由最后一次迭代的种群的全局最优个体作为最佳调度过程，若当前迭代次数不大于预设迭代次数阈值，则返回执行所述修正模块的操作。

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)本发明所构建的梯级水电站水库生态调度模型，能够充分考虑不同水库在不同时段的生态需求上下限阈值，提高了模型的实用性与适应能力。

(2)本发明利用知识规则得到可行初始调度过程，而后在其邻域范围内进行扰动生成初始种群，有效提高了个体与最优调度过程的贴近程度，显著增强了算法收敛速度。

(3)本发明改进了个体更新策略，将种群全局历史最优位置、随机选取的个体历史最优位置与当前个体的差分矢量叠加，增加了个体进化多样性与精英个体的导向作用，有效提高了算法的搜索能力。

(4)本发明引入了邻域变异搜索策略，能够大幅增加种群多样性，提高算法的局部勘探能力；本发明在计算过程中自适应计算重力加速度，提高了参数的适应性与算法的鲁棒性。

(5)本发明原理清晰简单、收敛速度快，所得调度结果合理可行，能够为水能资源的合理配置提供行之有效的技术支撑，切实满足了生态调度需求。

附图说明

图1为本发明实施例提供的一种生态调度示意图；

图2为本发明实施例提供的一种方法流程示意图。

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。

本发明提供了一种梯级水电站水库生态调度智能优化方法及系统，从初始种群动态生成、个体进化机制及邻域变异搜索等角度进行优化，可以获得优越的调度结果，有效丰富和发展了梯级水电站群生态调度理论。

如图2所示是本发明实施例提供的一种方法流程示意图，其具体步骤为：

第一阶段：构建梯级水电站水库生态调度模型。

其中，该调度模型的目标函数为：

其中，F表示梯级水电站水库的总溢-缺水量，K为水电站数目，J为计算时段数目，及分别表示第k个水电站水库在时段j的最大及最小生态流量需求，O_k,j表示第k个水电站水库在时段j的出库流量，a_k,j表示第k个水电站水库在时段j的生态溢-缺水量，Δt表示时段j的小时数。

上述目标函数的约束条件为：

[1]库容约束

其中，V_k,j表示第k个水电站水库在时段j的库容，和分别表示第k个水电站水库在时段j的库容上、下限。

[2]出库流量约束

其中，和分别表示第k个水电站水库在时段j的出库流量上、下限。

[3]发电流量约束

其中，Q_k,j表示第k个水电站水库在时段j的发电流量，和分别表示第k个水电站水库在时段j的发电流量上、下限。

[4]电站出力约束

其中，P_k,j表示第k个水电站水库在时段j的出力，和分别表示第k个水电站水库在时段j的出力上、下限。

[5]水电总出力约束

其中，和分别表示输电系统在时段j的出力上、下限。

[6]初始库容约束

其中，表示第k个水电站的初始库容。

[7]末库容约束

其中，表示第k个水电站的期末库容。

[8]水量平衡方程

V_k,j＝V_k,j-1+3600·t_j·[B_k,j-O_k,j],k∈[1,K],j∈[1,J] (9)

其中，B_k,j表示第k个水电站水库在时段j的入库流量，t_j表示时段j的小时数。

[9]入库流量平衡方程

其中，I_k,j表示第k个水电站水库在时段j的区间流量，Ω_k表示第k个水电站的直接上游水库集合。

[10]出库流量平衡方程

O_k,j＝Q_k,j+S_k,j,k∈[1,K],j∈[1,J] (11)

其中，S_k,j表示第k个水电站水库在时段j的弃水流量。

第二阶段：求解上述调度模型，详细步骤为：

(1)选择参与计算的水电站水库并设置末库容、库容限制、出库流量与发电流量限制、出力限制、水电总出力限制；而后从上游到下游依次计算各水电站水库的可能库容变化过程，具体公式为：

其中，表示第k个水电站水库在时段j的可能库容，W_k表示第k个水电站的总下泄水量，W_k,0表示第k个水电站的相对变化水量；

(2)设置相关计算参数，包括个体数目I及最大迭代次数c^max；

(3)令迭代次数c＝0，而后生成包含I个个体的初始种群，具体公式为：

其中，及分别表示第c次迭代第i个个体的位置及速度，及分别表示及中第k个水电站水库在时段j的对应取值，r₁及r₂分别表示在[0,1]区间均匀分布的随机数，及为调整系数，均为非负值；

(4)将所有个体的位置与速度分别修正至可行库容区间：

(5)计算所有个体的目标函数值、约束破坏值与适应度值：

其中，及分别表示对应的目标函数值(即总生态溢-缺水量)、约束破坏值与适应度值；

(6)利用约束支配规则更新所有个体的历史最优位置，而后更新种群的全局最优位置与重力加速度，需要说明的是，在本发明实施例中，采用逐代自适应计算重力加速度的方式，提高了参数的适应性与算法的鲁棒性；

其中，表示第c次迭代第i个个体的历史最优位置，G^c表示第c次迭代时种群的全局最优位置，g^c表示第c次迭代时种群的重力加速度值，g⁰表示重力加速度的初始值，表示的约束破坏值，表示的目标函数值，表示的适应度值；

(7)依次计算所有个体的归一化适应度值及质量值：

其中，表示第c次迭代第i个个体的归一化质量值，表示第c次迭代第i个个体的归一化适应度值；

(8)依次计算种群中不同个体之间的作用力；而后更新计算所有个体相应的加速度、速度值与位置，需要说明的是，在本发明实施例中，基于种群全局历史最优位置、随机选取的个体历史最优位置与当前个体的差分矢量，改善了个体更新策略，增加了个体进化多样性与精英个体的导向作用，提高了算法的搜索能力；

其中，表示第c次迭代第i个个体的加速度，r₂、r₃、r₄及r₅分别表示在[0,1]区间均匀分布的随机数，ind表示从集合{1,2,…,I}随机选取的元素，表示第c次迭代第i个个体受到第h个个体的作用力，ξ表示很小的正整数，在本发明实施例中，优选取ξ＝0.001，表示个体位置与个体位置之间的欧氏距离；

(9)采用自适应变异策略对种群中个体进行邻域搜索，以增加种群多样性、提高算法的局部勘探能力：

其中，N(0,1)表示服从标准高斯分布的随机数，r₆表示在[0,1]区间均匀分布的随机数，P_m∈(0,1)表示变异系数，为非负值；

(10)令c＝c+1，此时若c＞c^max，则停止计算，并将由最后一次迭代的种群的全局最优个体作为最佳调度过程输出；否则，返回执行步骤(4)。

本发明实施例还提供了一种梯级水电站水库生态调度智能优化系统，包括：

调度模型构建模块，用于以各个水电站水库在各调度时段内的生态溢-缺水量最小为目标构建梯级水电站水库生态调度模型，并从上游到下游依次获得参与调度的各水电站水库的可能库容变化过程；

第一计算模块，用于由所述各水电站水库的可能库容变化过程及各水电站水库在各调度时段的库容上限及库容下限得到各个水电站水库在各调度时段的位置及速度，以生成包含I个个体的初始种群；

修正模块，用于基于各水电站水库在各调度时段的库容上限及库容下限，将各个体的位置与速度分别修正至可行库容区间；

第二计算模块，用于由各个个体的位置得到各个体的目标函数值、约束破坏值与适应度值；

第三计算模块，用于利用约束支配规则更新各个体的历史最优位置，而后更新种群的全局最优位置与重力加速度，并得到各个体的归一化适应度值及归一化质量值；

第四计算模块，用于由个体的历史最优位置、种群的全局最优位置与重力加速度及各个体的归一化适应度值及归一化质量值得到不同个体之间的作用力，以及各个体的加速度、速度值与位置；

判断执行模块，用于采用自适应变异策略对种群中的各个个体进行邻域搜索以进一步优化各个体的位置，然后判断当前迭代次数是否大于预设迭代次数阈值，若当前迭代次数大于预设迭代次数阈值，则将由最后一次迭代的种群的全局最优个体作为最佳调度过程，若当前迭代次数不大于预设迭代次数阈值，则返回执行修正模块的操作。

其中，各模块的具体实施方式可参照方法实施例中的描述，本发明实施例不做唯一性限定。

下面以澜沧江流域梯级水电站群生态调度为实施对象，来说明本发明的有效性与合理性。表1列出了某年实测条件下本发明所得调度结果。为满足各水电站生态流量需求，多年调节水库(小湾与糯扎渡)均实现预先降低水位，其他水库水位也时有起伏、未能长期保持在正常高水位运行，这在一定程度上影响了梯级发电效益。另外，统计结果显示，本发明缺水量为1.5158亿m³，远小于标准引力搜索算法(Gravitational Search Algorithm，GSA)的3.756亿m³和遗传算法(Genetic Algorithm，GA)的5.842亿m³。由此可知，本发明的合理性与有效性得到了充分展示。

表1

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 (9)

1.一种梯级水电站水库生态调度智能优化方法，其特征在于，包括：

(1)以各个水电站水库在各调度时段内的生态溢-缺水量最小为目标构建梯级水电站水库生态调度模型，并从上游到下游依次获得参与调度的各水电站水库的可能库容变化过程；

(2)由所述各水电站水库的可能库容变化过程及各水电站水库在各调度时段的库容上限及库容下限得到各个水电站水库在各调度时段的位置及速度，以生成包含I个个体的初始种群；

(3)基于各水电站水库在各调度时段的库容上限及库容下限，将各个体的位置与速度分别修正至可行库容区间；

(4)由各个个体的位置得到各个体的目标函数值、约束破坏值与适应度值；

(5)利用约束支配规则更新各个体的历史最优位置，而后更新种群的全局最优位置与重力加速度，并得到各个体的归一化适应度值及归一化质量值；

(6)由个体的历史最优位置、种群的全局最优位置与重力加速度及各个体的归一化适应度值及归一化质量值得到不同个体之间的作用力，以及各个体的加速度、速度值与位置；

(7)采用自适应变异策略对种群中的各个个体进行邻域搜索以进一步优化各个体的位置，然后判断当前迭代次数是否大于预设迭代次数阈值，若当前迭代次数大于预设迭代次数阈值，则将由最后一次迭代的种群的全局最优个体作为最佳调度过程，若当前迭代次数不大于预设迭代次数阈值，则返回执行步骤(3)。

2.根据权利要求1所述的方法，其特征在于，所述梯级水电站水库生态调度模型的目标函数为：其中，F表示梯级水电站水库的总溢-缺水量，K为水电站数目，J为计算时段数目，及分别表示第k个水电站水库在时段j的最大及最小生态流量需求，O_k,j表示第k个水电站水库在时段j的出库流量，a_k,j表示第k个水电站水库在时段j的生态溢-缺水量，Δt表示时段j的小时数。

3.根据权利要求2所述的方法，其特征在于，在步骤(1)中，由获得参与调度的各水电站水库的可能库容变化过程，其中，表示第k个水电站水库在时段j的可能库容，表示第k个水电站水库在时段j-1的可能库容，W_k表示第k个水电站的总下泄水量。

4.根据权利要求3所述的方法，其特征在于，在步骤(2)中，由生成包含I个个体的初始种群，其中，及分别表示第c次迭代第i个个体的位置及速度，及分别表示及中第k个水电站水库在时段j的对应取值，r₁及r₂分别表示在[0,1]区间均匀分布的随机数，及为调整系数，均为非负值，和分别表示第k个水电站水库在时段j的库容上限和库容下限。

5.根据权利要求4所述的方法，其特征在于，在步骤(3)中，由将各个体的位置与速度分别修正至可行库容区间。

6.根据权利要求4或5所述的方法，其特征在于，在步骤(5)中，由更新各个体的历史最优位置，由更新种群的全局最优位置，由更新种群的重力加速度，其中，表示第c次迭代第i个个体的历史最优位置，表示第c-1次迭代第i个个体的历史最优位置，G^c表示第c次迭代时种群的全局最优位置，g^c表示第c次迭代时种群的重力加速度值，g⁰表示重力加速度的初始值，表示对应的约束破坏值，表示对应的目标函数值，c^max表示最大迭代次数，表示对应的约束破坏值，表示对应的目标函数值，表示对应的适应度值。

7.根据权利要求6所述的方法，其特征在于，在步骤(6)中，由计算种群中不同个体之间的作用力，由更新第i个个体的位置，由更新第i个个体的速度，由更新第i个个体的加速度，其中，i∈[1,I]，h∈[1,I]，表示第c次迭代第i个个体的加速度，r₂、r₃、r₄及r₅分别表示在[0,1]区间均匀分布的随机数，ind表示从集合{1,2,…,I}随机选取的元素，表示第c次迭代第i个个体受到第h个个体的作用力，ξ为正整数，表示个体位置与个体位置之间的欧氏距离，表示第c次迭代第i个个体的归一化质量值，表示第c次迭代第h个个体的归一化质量值，表示更新后的第i个个体的速度。

8.根据权利要求7所述的方法，其特征在于，在步骤(7)中，由对种群中的各个个体进行邻域搜索以进一步优化各个体的位置，其中，N(0,1)表示服从标准高斯分布的随机数，r₆表示在[0,1]区间均匀分布的随机数，P_m表示变异系数。

9.一种梯级水电站水库生态调度智能优化系统，其特征在于，包括：

调度模型构建模块，用于以各个水电站水库在各调度时段内的生态溢-缺水量最小为目标构建梯级水电站水库生态调度模型，并从上游到下游依次获得参与调度的各水电站水库的可能库容变化过程；

第一计算模块，用于由所述各水电站水库的可能库容变化过程及各水电站水库在各调度时段的库容上限及库容下限得到各个水电站水库在各调度时段的位置及速度，以生成包含I个个体的初始种群；

修正模块，用于基于各水电站水库在各调度时段的库容上限及库容下限，将各个体的位置与速度分别修正至可行库容区间；

第二计算模块，用于由各个个体的位置得到各个体的目标函数值、约束破坏值与适应度值；

第三计算模块，用于利用约束支配规则更新各个体的历史最优位置，而后更新种群的全局最优位置与重力加速度，并得到各个体的归一化适应度值及归一化质量值；

第四计算模块，用于由个体的历史最优位置、种群的全局最优位置与重力加速度及各个体的归一化适应度值及归一化质量值得到不同个体之间的作用力，以及各个体的加速度、速度值与位置；

判断执行模块，用于采用自适应变异策略对种群中的各个个体进行邻域搜索以进一步优化各个体的位置，然后判断当前迭代次数是否大于预设迭代次数阈值，若当前迭代次数大于预设迭代次数阈值，则将由最后一次迭代的种群的全局最优个体作为最佳调度过程，若当前迭代次数不大于预设迭代次数阈值，则返回执行所述修正模块的操作。