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
一种梯级水电站水库生态调度智能优化方法及系统 Download PDFInfo
- Publication number
- CN109523059A CN109523059A CN201811221360.9A CN201811221360A CN109523059A CN 109523059 A CN109523059 A CN 109523059A CN 201811221360 A CN201811221360 A CN 201811221360A CN 109523059 A CN109523059 A CN 109523059A
- Authority
- CN
- China
- Prior art keywords
- individual
- indicate
- value
- storage capacity
- reservoir
- 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 47
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000006978 adaptation Effects 0.000 claims abstract 2
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 24
- 230000005484 gravity Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 13
- 230000006378 damage Effects 0.000 claims description 12
- 230000006735 deficit Effects 0.000 claims description 10
- 230000008929 regeneration Effects 0.000 claims description 8
- 238000011069 regeneration method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 5
- 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 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 39
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 244000098338 Triticum aestivum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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,Ok,j表示第k个水电站水库在时段j的出库流量,ak,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,Wk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,Gc表示第c次迭代时种群的全局最优位置,gc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,cmax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,Pm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,Ok,j表示第k个水电站水库在时段j的出库流量,ak,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,Vk,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,Qk,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,Pk,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
Vk,j=Vk,j-1+3600·tj·[Bk,j-Ok,j],k∈[1,K],j∈[1,J] (9)
其中,Bk,j表示第k个水电站水库在时段j的入库流量,tj表示时段j的小时数。
[9]入库流量平衡方程
其中,Ik,j表示第k个水电站水库在时段j的区间流量,Ωk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
Ok,j=Qk,j+Sk,j,k∈[1,K],j∈[1,J] (11)
其中,Sk,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,Wk表示第k个水电站的总下泄水量,Wk,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cmax;
(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,Gc表示第c次迭代时种群的全局最优位置,gc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,Pm∈(0,1)表示变异系数,为非负值;
(10)令c=c+1,此时若c>cmax,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,Ok,j表示第k个水电站水库在时段j的出库流量,ak,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,Wk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,Gc表示第c次迭代时种群的全局最优位置,gc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,cmax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,Pm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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811221360.9A CN109523059B (zh) | 2018-10-19 | 2018-10-19 | 一种梯级水电站水库生态调度智能优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811221360.9A CN109523059B (zh) | 2018-10-19 | 2018-10-19 | 一种梯级水电站水库生态调度智能优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523059A true CN109523059A (zh) | 2019-03-26 |
CN109523059B CN109523059B (zh) | 2020-08-18 |
Family
ID=65770604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811221360.9A Active CN109523059B (zh) | 2018-10-19 | 2018-10-19 | 一种梯级水电站水库生态调度智能优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523059B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222938A (zh) * | 2019-05-10 | 2019-09-10 | 华中科技大学 | 一种梯级水电站群短期调峰调度协同优化方法和系统 |
CN110598919A (zh) * | 2019-08-28 | 2019-12-20 | 华中科技大学 | 一种梯级水电站群生态调控方法与系统 |
CN110766210A (zh) * | 2019-10-12 | 2020-02-07 | 华中科技大学 | 一种梯级水库群短期优化调度方法与系统 |
CN111008743A (zh) * | 2019-12-10 | 2020-04-14 | 湖北工业大学 | 一种高离散化水库发电优化调度方法 |
CN111501693A (zh) * | 2020-04-03 | 2020-08-07 | 贵州乌江水电开发有限责任公司 | 一种梯级水电站最小下泄流量动态控制方法及系统 |
CN111915164A (zh) * | 2020-07-15 | 2020-11-10 | 华中科技大学 | 一种梯级水库群全生态要素精细调度控制方法与系统 |
CN114722709A (zh) * | 2022-04-11 | 2022-07-08 | 武汉大学 | 兼顾发电量和最小出力的梯级水库群优化调度方法及系统 |
CN116227863A (zh) * | 2023-02-22 | 2023-06-06 | 兰州理工大学 | 一种基于哈里斯鹰优化算法的梯级水电站优化调度方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065206A (zh) * | 2012-12-27 | 2013-04-24 | 大连理工大学 | 复杂时段耦合型约束下的水电站群变尺度优化调度方法 |
CN103942611A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 一种智能化的水库优化调度方法 |
CN104036334A (zh) * | 2014-06-27 | 2014-09-10 | 大连理工大学 | 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法 |
CN106203689A (zh) * | 2016-07-04 | 2016-12-07 | 大连理工大学 | 一种梯级水电站群联合运行多目标优化调度方法 |
WO2017155927A1 (en) * | 2016-03-08 | 2017-09-14 | Kent State University | Movable meadow and method of implementation |
CN108330896A (zh) * | 2018-01-31 | 2018-07-27 | 湖北工业大学 | 一种梯级水库调度方法及系统 |
CN108564231A (zh) * | 2018-04-28 | 2018-09-21 | 华中科技大学 | 一种大规模水电站水库群联合调度的代理优化降维方法 |
-
2018
- 2018-10-19 CN CN201811221360.9A patent/CN109523059B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065206A (zh) * | 2012-12-27 | 2013-04-24 | 大连理工大学 | 复杂时段耦合型约束下的水电站群变尺度优化调度方法 |
CN103942611A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 一种智能化的水库优化调度方法 |
CN104036334A (zh) * | 2014-06-27 | 2014-09-10 | 大连理工大学 | 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法 |
WO2017155927A1 (en) * | 2016-03-08 | 2017-09-14 | Kent State University | Movable meadow and method of implementation |
CN106203689A (zh) * | 2016-07-04 | 2016-12-07 | 大连理工大学 | 一种梯级水电站群联合运行多目标优化调度方法 |
CN108330896A (zh) * | 2018-01-31 | 2018-07-27 | 湖北工业大学 | 一种梯级水库调度方法及系统 |
CN108564231A (zh) * | 2018-04-28 | 2018-09-21 | 华中科技大学 | 一种大规模水电站水库群联合调度的代理优化降维方法 |
Non-Patent Citations (2)
Title |
---|
冯仲恺 等: "改进量子粒子群算法在水电站群优化调度中的应用", 《水科学进展》 * |
明波 等: "基于改进布谷鸟算法的梯级水库优化调度研究", 《水利学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222938A (zh) * | 2019-05-10 | 2019-09-10 | 华中科技大学 | 一种梯级水电站群短期调峰调度协同优化方法和系统 |
CN110598919A (zh) * | 2019-08-28 | 2019-12-20 | 华中科技大学 | 一种梯级水电站群生态调控方法与系统 |
CN110598919B (zh) * | 2019-08-28 | 2022-04-01 | 华中科技大学 | 一种梯级水电站群生态调控方法与系统 |
CN110766210A (zh) * | 2019-10-12 | 2020-02-07 | 华中科技大学 | 一种梯级水库群短期优化调度方法与系统 |
CN110766210B (zh) * | 2019-10-12 | 2022-04-29 | 华中科技大学 | 一种梯级水库群短期优化调度方法与系统 |
CN111008743A (zh) * | 2019-12-10 | 2020-04-14 | 湖北工业大学 | 一种高离散化水库发电优化调度方法 |
CN111501693B (zh) * | 2020-04-03 | 2021-10-01 | 贵州乌江水电开发有限责任公司 | 一种梯级水电站最小下泄流量动态控制方法及系统 |
CN111501693A (zh) * | 2020-04-03 | 2020-08-07 | 贵州乌江水电开发有限责任公司 | 一种梯级水电站最小下泄流量动态控制方法及系统 |
CN111915164A (zh) * | 2020-07-15 | 2020-11-10 | 华中科技大学 | 一种梯级水库群全生态要素精细调度控制方法与系统 |
CN111915164B (zh) * | 2020-07-15 | 2022-05-31 | 华中科技大学 | 一种梯级水库群全生态要素精细调度控制方法与系统 |
CN114722709A (zh) * | 2022-04-11 | 2022-07-08 | 武汉大学 | 兼顾发电量和最小出力的梯级水库群优化调度方法及系统 |
CN114722709B (zh) * | 2022-04-11 | 2024-02-09 | 武汉大学 | 兼顾发电量和最小出力的梯级水库群优化调度方法及系统 |
CN116227863A (zh) * | 2023-02-22 | 2023-06-06 | 兰州理工大学 | 一种基于哈里斯鹰优化算法的梯级水电站优化调度方法 |
CN116227863B (zh) * | 2023-02-22 | 2024-03-12 | 兰州理工大学 | 一种基于哈里斯鹰优化算法的梯级水电站优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523059B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523059A (zh) | 一种梯级水电站水库生态调度智能优化方法及系统 | |
CN109599861B (zh) | 考虑本地负荷调峰能力的送端电网电源结构规划方法 | |
Ming et al. | Optimizing utility-scale photovoltaic power generation for integration into a hydropower reservoir by incorporating long-and short-term operational decisions | |
CN109347151B (zh) | 一种新能源参与调峰的送端电网电源结构优化方法 | |
CN108805434B (zh) | 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法 | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
CN103971174B (zh) | 基于改进量子粒子群算法的水电站群优化调度方法 | |
CN109390973B (zh) | 一种考虑通道约束的送端电网电源结构优化方法 | |
CN106682810B (zh) | 巨型水电站动态投产下跨流域梯级水电站群长期运行方法 | |
CN104376378B (zh) | 基于混合整数锥优化的含分布式电源配电网无功优化方法 | |
CN110247438B (zh) | 基于天牛须算法的主动配电网资源优化配置 | |
CN109636043B (zh) | 一种梯级水电系统发电调度自适应优化方法与系统 | |
Zhou et al. | A combined forecasting system based on modified multi-objective optimization and sub-model selection strategy for short-term wind speed | |
CN102708406A (zh) | 一种基于多目标遗传算法的调度图优化方法 | |
CN110222938A (zh) | 一种梯级水电站群短期调峰调度协同优化方法和系统 | |
CN106953363A (zh) | 一种风电场限功率运行状态下电网旋转备用优化配置方法 | |
CN110598983A (zh) | 一种自适应改进粒子群算法的梯级水库优化调度方法 | |
CN116757446A (zh) | 基于改进粒子群算法的梯级水电站调度方法及系统 | |
CN106961125B (zh) | 风水火电力系统动态经济调度的等式约束处理方法 | |
Du | Improving lstm neural networks for better short-term wind power predictions | |
CN111461478A (zh) | 一种大规模水光能源互补调度方法与系统 | |
CN109638886A (zh) | 一种基于CVaR的风电日前出力申报优化方法 | |
CN109635999A (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
Yang | A New Particle Swarm Optimization Algorithm to Hierarchy Multi-objective Optimization Problems and Its Application in Optimal Operation of Hydropower Stations. | |
Xie et al. | Particle swarm optimization based on cultural algorithm for short-term optimal operation of cascade hydropower stations |
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 |