CN109636043A - 一种梯级水电系统发电调度自适应优化方法与系统 - Google Patents
一种梯级水电系统发电调度自适应优化方法与系统 Download PDFInfo
- Publication number
- CN109636043A CN109636043A CN201811538203.0A CN201811538203A CN109636043A CN 109636043 A CN109636043 A CN 109636043A CN 201811538203 A CN201811538203 A CN 201811538203A CN 109636043 A CN109636043 A CN 109636043A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- individuals
- current
- current population
- 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 65
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000010248 power generation Methods 0.000 title claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 title abstract description 8
- 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 title abstract 3
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000001965 increasing effect Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 11
- 101100072620 Streptomyces griseus ind2 gene Proteins 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000004043 responsiveness Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 10
- 230000006978 adaptation Effects 0.000 abstract 1
- 230000035772 mutation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 2
- 241000933832 Broussonetia Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 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
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种梯级水电系统发电调度自适应优化方法与系统,实现方式为:确定各水电站约束条件集合;设置计算参数并生成初始种群;计算个体适应度并更新个体历史位置与种群全局最佳位置;采用标准正余弦算法更新各个体位置;采用种群位置中心变异策略增加个体多样性,引入邻域搜索策略提升种群全局寻优能力,利用单纯形动态搜索策略增强算法收敛速度;通过多轮次迭代不断更新各个体位置,将最后一轮次获得的种群全局最优位置作为最优调度过程。乌江流域工程应用结果表明:本发明方法具有计算精度高、寻优速度快、搜索能力强、鲁棒性强等优点,能够显著提高梯级水电系统的整体发电效益,具有重要的工程应用价值。
Description
技术领域
本发明属于水资源高效利用与水电站群优化调度领域,更具体地,涉及一种梯级水电系统发电调度自适应优化方法与系统。
背景技术
近年来我国经济飞速发展,我国的水利事业由大规模动工建设阶段逐步转变到联合调度运行与管理维护的新阶段。梯级水电系统发电调度能够充分利用水能资源、增加发电效益,对实现国家战略的可持续发展与节能减排目标至关重要。梯级水电系统通常希望在满足各综合利用部门用水要求的条件下实现梯级水电系统总发电量的最大化,具体公式为:
其中,E为梯级水电系统总发电量;N为电站数目;T为调度时段数目;n表示电站序号,n=1,2,…,N;t表示时段序号,t=1,2,…,T;Δt为第t个时段的小时数;Pn,t为第n个水电站在第t个时段的出力;
需要满足的约束条件如下:
(1)水量平衡约束:Vn,t+1=Vn,t+3600×(qn,t-Qn,t-Sn,t)×Δt。其中,Vn,t为第n个水电站在第t个时段的库容;qn,t为第n个水电站在第t个时段的入库流量;Qn,t为第n个水电站在第t个时段的发电流量;Sn,t为第n个水电站在第t个时段的弃水流量;
(2)水库水位约束:其中,Zn,t为第n个水电站在第t个时段的水位;为第n个水电站在第t个时段的库容上限;为第n个水电站在第t个时段的库容下限;
(3)发电流量约束:其中,为第n个水电站在第t个时段的发电流量上限;为第n个水电站在第t个时段的发电流量下限;
(4)水库出库流量约束:其中,为第n个水电站在第t个时段的出库流量上限;为第n个水电站在第t个时段的出库流量下限;
(5)水电站出力约束:其中,为第n个水电站在第t个时段的出力上限;为第n个水电站在第t个时段的出力下限;
从数学上看,梯级水电系统发电调度模型是一类非常复杂的非线性多阶段动态优化问题。经典的线性规划、非线性规划及动态规划等方法大多存在维数灾、计算开销大及无法处理非线性等不足,亟待研发新型有效的方法。正余弦算法(Sine Cosine Algorithm,SCA)是一种全新的群体智能算法,该方法利用正余弦式进化模型实现种群个体协同进化,能够有效兼顾局部探索与全局开发,具有可操作性强、内存占用少等优点,已在复杂优化问题崭露头角,但目前仍未见到SCA求解水电调度问题的相关报道。因此,尝试将标准SCA算法引入到水电调度领域,并在实践过程中发现该方法存在易陷入局部最优、早熟收敛等不足,存在较大的改善提升空间。因此,如何对SCA做出相应改进以期丰富和发展梯级水电调度理论是目前亟需解决的技术难题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种梯级水电系统发电调度自适应优化方法与系统,由此解决现有采用SCA算法进行水电调度存在的易陷入局部最优及早熟收敛等技术问题。
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系统发电调度自适应优化方法,包括:
(1)基于参与计算的水电站确定梯级水电站的拓扑关系,并将各水电站在不同时段的水位作为状态变量,采用串联方式编码个体,获得初始种群,将初始种群作为当前种群,其中,初始种群中的任意个体的元素分别是从上游到下游各水电站在调度周期内的水位值;
(2)根据当前种群中所有个体的适应度更新当前种群中的个体极值及当前种群的全局极值,其中,个体极值表示个体所经历的最好位置,全局极值表示当前种群中所有个体经历的最好位置;
(3)由当前种群中的个体极值及当前种群的全局极值,采用正余弦算法进化策略更新当前种群中所有个体的位置;
(4)对于当前种群中的任意一个个体,获取当前种群的位置中心,从当前种群中随机选定第一个体和第二个体,将当前种群的位置中心与第一个体的位置相减得到的差分矢量随机调整后叠加至第二个体的位置以生成变异个体,若变异个体的适应度有所提升,则用变异个体替换当前个体;
(5)对于当前种群中的任意一个个体,根据随机从当前种群中选择的个体及邻域搜索下标生成新个体,若新个体的适应度有所提升,则用新个体替换当前个体;
(6)若预设随机数小于搜索概率,则从当前种群中随机选择若干个个体构成临时种群,更新临时种群中的各个体位置,若更新次数没有达到最大更新次数,则继续更新临时种群中的各个体位置,直至更新次数达到最大更新次数,用最终得到的临时种群随机替换当前种群中的个体,形成下一代种群;
(7)增加种群迭代次数,若当前种群迭代次数不大于预设最大迭代次数,则将下一代种群作为当前种群,并返回执行步骤(2),否则,由最后一次迭代得到的当前种群的全局最优个体得到各水电站在不同时段的最优调度过程。
优选地,第k代种群中的第i个个体的位置为:其中,N表示水电站数目;T表示时段数目;表示中第j个元素,且有1≤i≤M,1≤j≤N×T;为中第n个水电站在第t个时段的水位;n表示电站序号,n=1,2,…,N;t表示时段序号,t=1,2,…,T;r1为[0,1]区间均匀分布的随机数;为第n个水电站在第t个时段的水位上限;为第n个水电站在第t个时段的水位下限,M表示种群中的个体数目。
优选地,第k代种群中第i个个体的适应度为:其中,Pn,t为第n个水电站在第t个时段的出力;Δt为第t个时段的小时数;D为约束条件数目;Ad为第d个约束的破坏程度;Cd为第d个约束的惩罚系数;Gd表示中第d个约束的对应取值;为第d个约束的取值上限;为第d个约束的取值下限。
优选地,步骤(2)包括:
由更新第k代种群中第i个个体的个体极值,由更新第k代种群的全局极值,其中,表示第k代种群中第i个个体的个体极值;表示第k-1代种群中第i个个体的个体极值;表示的适应度;gBestk表示第k代种群的全局极值,表示的适应度。
优选地,步骤(3)包括:
由更新当前种群中所有个体的位置,其中,为第k+1代种群中第i个个体位置;c1为中间变量,且r2表示在[0,2π]区间均匀分布的随机数;r3表示在[0,2]区间均匀分布的随机数;r4表示在[0,1]区间均匀分布的随机数,为预设最大迭代次数。
优选地,步骤(4)包括:
对于第k代种群中的第i个个体首先,获取第k代种群的位置中心从第k代种群随机选定两个不同的个体与将第k代种群位置中心与个体相减得到的差分矢量随机调整后叠加至个体生成变异个体其中,
由根据变异个体的适应度与个体的适应度之间的关系进行调整,其中,表示第k代第i个变异个体;表示第k代的种群位置中心;r5表示[0,1]区间均匀分布的随机数;ind1与ind2表示随机选择的下标,1≤ind1≤M,1≤ind2≤M,ind1≠ind2;表示的适应度。
优选地,步骤(5)包括:
对于第k代种群中的第i个个体随机从第k代种群中选择个体(a≠i)与邻域搜索下标y,y=floor(r6×N×T),floor表示取整函数,r6表示在[0,1]区间均匀分布的随机数,以生成新个体其中,
由根据新个体的适应度与个体的适应度之间的关系进行调整,表示中第j个元素;是[-1,1]中均匀分布的随机数;j表示元素下标,1≤j≤N×T;表示的适应度。
优选地,步骤(6)包括:
由确定搜索概率,若[0,1]中均匀分布的随机数R<Px,则从当前种群中随机选择[N×T+1]个体构成临时种群,并令w=0;
采用标准单纯形算法进行动态搜索更新临时种群中各个体位置,将w的值增加1,若w不大于预设单纯形搜索次数,则继续更新临时种群中各个体位置,直至w大于预设单纯形搜索次数,将最终得到的临时种群随机替换当前种群中的[N×T+1]个体,以形成下一代种群。
按照本发明的另一方面,提供了一种梯级水电系统发电调度自适应优化系统,包括:
初始化模块,用于基于参与计算的水电站确定梯级水电站的拓扑关系,并将各水电站在不同时段的水位作为状态变量采用串联方式编码个体,获得初始种群,将初始种群作为当前种群,其中,初始种群中的任意个体的元素分别是从上游到下游各水电站在调度周期内的水位值;
进化模块,用于根据当前种群中所有个体的适应度更新当前种群中的个体极值及当前种群的全局极值,由当前种群中的个体极值及当前种群的全局极值,采用正余弦算法进化策略更新当前种群中所有个体的位置,其中,个体极值表示个体所经历的最好位置,全局极值表示当前种群中所有个体经历的最好位置;
所述进化模块,还用于对于当前种群中的任意一个个体,获取当前种群的位置中心,从当前种群中随机选定第一个体和第二个体,将当前种群的位置中心与第一个体的位置相减得到的差分矢量随机调整后叠加至第二个体的位置以生成变异个体,若变异个体的适应度有所提升,则用变异个体替换当前个体;
所述进化模块,还用于对于当前种群中的任意一个个体,根据随机从当前种群中选择的个体及邻域搜索下标生成新个体,若新个体的适应度有所提升,则用新个体替换当前个体,然后在预设随机数小于搜索概率时,从当前种群中随机选择若干个个体构成临时种群,更新临时种群中的各个体位置,若更新次数没有达到最大更新次数,则继续更新临时种群中的各个体位置,直至更新次数达到最大更新次数,用最终得到的临时种群随机替换当前种群中的个体,形成下一代种群;
信息发布模块,用于在当前种群迭代次数不大于预设最大迭代次时,将下一代种群作为当前种群,并返回执行所述进化模块的操作,否则,由最后一次迭代得到的当前种群的全局最优个体得到各水电站在不同时段的最优调度过程。
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:
利用新型的正余弦算法实现种群协同进化,原理清晰、易于实现;在个体进化过程中引入群体位置中心,能够丰富种群个体多样性、强化种群全局开发能力,引导种群个体向有利方向进化;引入邻域搜索策略提升种群全局寻优能力、避免陷入局部最优;利用单纯形动态搜索策略增强算法收敛速度、个体多样性与搜索过程稳定性。综上,本发明具有原理清晰、可操作性强、搜索能力强、计算参数少、寻优速度快、结果精度高及鲁棒性强等优点,能够显著提高水电站群的整体发电效益。
附图说明
图1是本发明实施例提供的一种梯级水电系统发电调度自适应优化方法的流程示意图;
图2是本发明实施例提供的一种梯级水电系统发电调度自适应优化系统框架图;
图3是本发明实施例提供的一种特枯年来水条件下采用本发明方法和其他优化算法收敛过程的对比图;
图4(a)是本发明实施例提供的一种平偏丰水年来水条件下采用本发明方法的洪家渡电站计算结果示意图;
图4(b)是本发明实施例提供的一种平偏丰水年来水条件下采用本发明方法的东风电站计算结果示意图;
图4(c)是本发明实施例提供的一种平偏丰水年来水条件下采用本发明方法的索风营电站计算结果示意图;
图4(d)是本发明实施例提供的一种平偏丰水年来水条件下采用本发明方法的乌江渡电站计算结果示意图;
图4(e)是本发明实施例提供的一种平偏丰水年来水条件下采用本发明方法的构皮滩电站计算结果示意图。
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。
本发明的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同对象,而非用于描述特定顺序。
为克服标准SCA方法在求解水电调度问题时存在的早熟收敛及停滞寻优等不足,本发明提出一种梯级水电系统发电调度自适应优化方法与系统。该方法在标准SCA方法的基础上,创新性地引入种群位置中心变异策略、邻域搜索策略及单纯形动态搜索策略,以提高全局寻优能力与收敛速度,进而提升梯级水电系统的发电效益。
图1为本发明实施例提供的一种梯级水电系统发电调度自适应优化方法与系统的流程示意图,具体步骤包括:
(1)选择参与计算电站并确定梯级水电站的拓扑关系,将各电站在不同时段的水位作为状态变量并采用串联方式编码个体,即种群中任意个体的元素分别是从上游到下游各水电站在调度周期内的水位值;
(2)设置相关计算参数,包括种群规模M、最大迭代次数k和单纯形搜索次数W。
(3)令迭代次数k=1并在搜索空间内随机生成初始种群,则第k代第i个个体位置其中,N表示电站数目;T表示时段数目;表示中第j个元素,且有1≤i≤M,1≤j≤N×T;为中第n个水电站在第t个时段的水位;n表示电站序号,n=1,2,…,N;t表示时段序号,t=1,2,…,T;r1为[0,1]区间均匀分布的随机数;为第n个水电站在第t个时段的水位上限;为第n个水电站在第t个时段的水位下限;
(4)采用惩罚函数法计算当前种群中所有个体的适应度,则第k代第i个个体的适应度计算公式为其中Pn,t为第n个水电站在第t个时段的出力;Δt为第t个时段的小时数;D为约束条件数目;Ad为第d个约束的破坏程度;Cd为第d个约束的惩罚系数;Gd表示中第d个约束的对应取值;为第d个约束的取值上限;为第d个约束的取值下限;
(5)更新所有个体的历史最优位置与种群的全局最优位置
其中表示第k代第i个个体的历史最优位置;表示第k-1代第i个个体的历史最优位置;表示的适应度;gBestk表示第k代种群的全局最优位置;
(6)采用正余弦算法进化策略更新种群中所有个体的位置
式中:为第k+1代第i个个体位置;c1为中间变量,且有r2表示在[0,2π]区间均匀分布的随机数;r3表示在[0,2]区间均匀分布的随机数;r4表示在[0,1]区间均匀分布的随机数;
(7)采用种群位置中心变异策略增加个体多样性、避免算法陷入局部最优,则第k代第i个个体的操作步骤为:获得第k代的种群位置中心从当前种群随机选定两个不同的个体与将种群位置中心与个体相减得到的差分矢量随机调整后叠加至个体生成变异个体若变异个体的适应度有所改善则直接替换原始个体否则不做调整。
相应公式为
式中:表示第k代第i个变异个体;表示第k代的种群位置中心;r5表示[0,1]区间均匀分布的随机数;ind1与ind2表示随机选择的下标,1≤ind1≤M,1≤ind2≤M,ind1≠ind2;表示的适应度;
(8)引入邻域搜索策略提升种群全局寻优能力,则第k代第i个个体的操作步骤为:随机从当前种群中选择个体(a≠i)与邻域搜索下标y(y=floor(r6×N×T),floor表示取整函数,r6表示在[0,1]区间均匀分布的随机数),在此基础上生成新个体若新个体的适应度有所改善则直接替换原始个体否则不做调整。相应公式为
式中,表示中第j个元素;是[-1,1]中均匀分布的随机数;j表示元素下标,1≤j≤N×T;表示的适应度;
(9)利用单纯形动态搜索策略增强算法收敛速度。首先计算搜索概率若[0,1]中均匀分布的随机数R<Px,则从当前种群中随机选择[N×T+1]个体构成临时种群,并令内循环计数器w=0。
(10)采用标准单纯形算法进行动态搜索更新临时种群中各个体位置;
(11)令w=w+1。若w>W,将临时种群随机替换当前种群中的[N×T+1]个体;否则,转回步骤(10)。
(12)令k=k+1。若则返回步骤(4);否则停止计算,并将当前种群的全局最优个体gBestk作为最佳调度过程输出。
如图2所示,本发明还提出了一种梯级水电系统发电调度自适应优化系统,包括:
初始化模块,用于选择参与优化计算的水电站群,设置各水电站所需考虑的等式约束和不等式约束,构建梯级水电系统发电调度模型,同时在可行空间内生成初始种群;
参数设置模块,用于设置相关计算参数以及各约束条件的惩罚系数;
评估计算模块,用于计算种群中各个体对应目标函数、约束破化程度以及适应度值;
进化模块,用于更新个体位置,完成种群位置中心变异操作、邻域搜索操作及单纯形动态搜索操作;
判断模块,用于对各模块的执行情况进行判断,避免因模块内部出现问题对计算结果的影响;
信息发布模块,用于输出最终所得优化结果对应的详细调度过程,并将其上传至调度决策执行系统以指导生产。
其中,各模块的具体实施方式可以参考方法实施例的描述,本发明实施例将不做复述。
下面结合附图和实施例对本发明作进一步的描述。
以乌江干流上的洪家渡、东风、索凤营、乌江渡及构皮滩五座电站为本发明实施对象,相应参数设置为M=150、W=8,各约束破坏惩罚系数均设定为1000。
为验证本发明高效性,将粒子群算法(Particle Swarm Optimization,PSO)、差分进化算法(Differential Evolution,DE)、正余弦算法(Sine Cosine Algorithm,SCA)作为对比方法。选择5种典型来水情况(特枯水年、平偏枯、平水年、平偏丰和特丰水年)作为实施工况,表1列出了各方法随机运行20次的最优计算结果;表2进一步给出了各方法随机运行20次的统计结果,包括最优值、最差值、均值、标准差及极差。由表1和表2可知,本发明在五种典型年份中的发电量统计指标均都要优于其他算法,这表明本发明有着更好的全局寻优能力和鲁棒性。由此可知,本发明在求解梯级水电系统调度问题时,具有鲁棒性强、结果稳定、搜索能力强等优点。
表1 (单位:亿kW·h)
表2 (单位:亿kW·h)
最优值 | 平均值 | 最差值 | 标准差 | 极差 | ||
特丰水年 | PSO | 181.96 | 173.76 | 167.41 | 3.32 | 14.55 |
DE | 180.74 | 180.20 | 179.56 | 0.34 | 1.18 | |
SCA | 163.66 | 162.70 | 162.11 | 0.44 | 1.55 | |
本发明方法 | 181.97 | 181.91 | 181.79 | 0.06 | 0.18 | |
平偏丰 | PSO | 159.72 | 153.57 | 149.82 | 2.65 | 9.90 |
DE | 160.23 | 159.41 | 158.60 | 0.44 | 1.63 | |
SCA | 150.59 | 145.07 | 143.74 | 1.52 | 6.85 | |
本发明方法 | 161.55 | 161.49 | 161.33 | 0.05 | 0.22 | |
平水年 | PSO | 141.55 | 137.48 | 131.45 | 3.54 | 10.1 |
DE | 139.92 | 138.69 | 136.94 | 0.66 | 2.98 | |
SCA | 130.48 | 127.11 | 123.27 | 1.92 | 7.21 | |
本发明方法 | 141.57 | 141.53 | 141.48 | 0.03 | 0.09 | |
平偏枯 | PSO | 119.81 | 117.01 | 112.18 | 2.37 | 7.63 |
DE | 117.58 | 116.01 | 114.13 | 0.87 | 3.45 | |
SCA | 110.63 | 107.06 | 104.55 | 1.51 | 6.08 | |
本发明方法 | 119.86 | 119.78 | 119.52 | 0.07 | 0.34 | |
特枯水年 | PSO | 98.36 | 96.88 | 92.52 | 1.71 | 5.84 |
DE | 95.24 | 92.58 | 91.01 | 1.16 | 4.23 | |
SCA | 90.81 | 89.02 | 87.81 | 0.89 | 3.00 | |
本发明方法 | 98.50 | 98.40 | 98.22 | 0.09 | 0.28 |
图3给出了各方法在特枯来水条件下的收敛曲线。可以看出,本发明方法在进化初期便可快速发现质量较高的调度过程,且寻优能力随着迭代次数增加会稳步提升;PSO在初期收敛较快、但后期收敛速度逐渐变缓;SCA和DE在进化过程中很不稳定、寻优能力相对较弱。由此可知,本发明寻优效率和搜索能力明显优于其他方法,具有良好的工程应用前景。
图4(a)至图4(e)为在平偏丰来水条件下,本发明所得各电站的出力和水位结果图。可以看出,各水电站初始水位较低、且未设置梯级出力限制,各水电站能够快速抬升水位,使水头增加发电效益提高,后期逐步消落至期末水位,能够较好地实现调度预期目标。由此可知,本发明能够获得合理可行的调度结果,不失为梯级水电调度的有效方法。
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)
1.一种梯级水电系统发电调度自适应优化方法,其特征在于,包括:
(1)基于参与计算的水电站确定梯级水电站的拓扑关系,并将各水电站在不同时段的水位作为状态变量,采用串联方式编码个体,获得初始种群,将初始种群作为当前种群,其中,初始种群中的任意个体的元素分别是从上游到下游各水电站在调度周期内的水位值;
(2)根据当前种群中所有个体的适应度更新当前种群中的个体极值及当前种群的全局极值,其中,个体极值表示个体所经历的最好位置,全局极值表示当前种群中所有个体经历的最好位置;
(3)由当前种群中的个体极值及当前种群的全局极值,采用正余弦算法进化策略更新当前种群中所有个体的位置;
(4)对于当前种群中的任意一个个体,获取当前种群的位置中心,从当前种群中随机选定第一个体和第二个体,将当前种群的位置中心与第一个体的位置相减得到的差分矢量随机调整后叠加至第二个体的位置以生成变异个体,若变异个体的适应度有所提升,则用变异个体替换当前个体;
(5)对于当前种群中的任意一个个体,根据随机从当前种群中选择的个体及邻域搜索下标生成新个体,若新个体的适应度有所提升,则用新个体替换当前个体;
(6)若预设随机数小于搜索概率,则从当前种群中随机选择若干个个体构成临时种群,更新临时种群中的各个体位置,若更新次数没有达到最大更新次数,则继续更新临时种群中的各个体位置,直至更新次数达到最大更新次数,用最终得到的临时种群随机替换当前种群中的个体,形成下一代种群;
(7)增加种群迭代次数,若当前种群迭代次数不大于预设最大迭代次数,则将下一代种群作为当前种群,并返回执行步骤(2),否则,由最后一次迭代得到的当前种群的全局最优个体得到各水电站在不同时段的最优调度过程。
2.根据权利要求1所述的方法,其特征在于,第k代种群中的第i个个体的位置为:其中,N表示水电站数目;T表示时段数目;表示中第j个元素,且有1≤i≤M,1≤j≤N×T;为中第n个水电站在第t个时段的水位;n表示电站序号,n=1,2,…,N;t表示时段序号,t=1,2,…,T;r1为[0,1]区间均匀分布的随机数;为第n个水电站在第t个时段的水位上限;为第n个水电站在第t个时段的水位下限,M表示种群中的个体数目。
3.根据权利要求2所述的方法,其特征在于,第k代种群中第i个个体的适应度为:其中,Pn,t为第n个水电站在第t个时段的出力;Δt为第t个时段的小时数;D为约束条件数目;Ad为第d个约束的破坏程度;Cd为第d个约束的惩罚系数;Gd表示中第d个约束的对应取值;为第d个约束的取值上限;为第d个约束的取值下限。
4.根据权利要求2或3所述的方法,其特征在于,步骤(2)包括:
由更新第k代种群中第i个个体的个体极值,由更新第k代种群的全局极值,其中,表示第k代种群中第i个个体的个体极值;表示第k-1代种群中第i个个体的个体极值;表示的适应度;gBestk表示第k代种群的全局极值,表示的适应度。
5.根据权利要求4所述的方法,其特征在于,步骤(3)包括:
由更新当前种群中所有个体的位置,其中,为第k+1代种群中第i个个体位置;c1为中间变量,且r2表示在[0,2π]区间均匀分布的随机数;r3表示在[0,2]区间均匀分布的随机数;r4表示在[0,1]区间均匀分布的随机数,为预设最大迭代次数。
6.根据权利要求5所述的方法,其特征在于,步骤(4)包括:
对于第k代种群中的第i个个体首先,获取第k代种群的位置中心从第k代种群随机选定两个不同的个体与将第k代种群位置中心与个体相减得到的差分矢量随机调整后叠加至个体生成变异个体其中,
由根据变异个体的适应度与个体的适应度之间的关系进行调整,其中,表示第k代第i个变异个体;表示第k代的种群位置中心;r5表示[0,1]区间均匀分布的随机数;ind1与ind2表示随机选择的下标,1≤ind1≤M,1≤ind2≤M,ind1≠ind2;表示的适应度。
7.根据权利要求6所述的方法,其特征在于,步骤(5)包括:
对于第k代种群中的第i个个体随机从第k代种群中选择个体(a≠i)与邻域搜索下标y,y=floor(r6×N×T),floor表示取整函数,r6表示在[0,1]区间均匀分布的随机数,以生成新个体其中,
由根据新个体的适应度与个体的适应度之间的关系进行调整,表示中第j个元素;是[-1,1]中均匀分布的随机数;j表示元素下标,1≤j≤N×T;表示的适应度。
8.根据权利要求7所述的方法,其特征在于,步骤(6)包括:
由确定搜索概率,若[0,1]中均匀分布的随机数R<Px,则从当前种群中随机选择[N×T+1]个体构成临时种群,并令w=0;
采用标准单纯形算法进行动态搜索更新临时种群中各个体位置,将w的值增加1,若w不大于预设单纯形搜索次数,则继续更新临时种群中各个体位置,直至w大于预设单纯形搜索次数,将最终得到的临时种群随机替换当前种群中的[N×T+1]个体,以形成下一代种群。
9.一种梯级水电系统发电调度自适应优化系统,其特征在于,包括:
初始化模块,用于基于参与计算的水电站确定梯级水电站的拓扑关系,并将各水电站在不同时段的水位作为状态变量采用串联方式编码个体,获得初始种群,将初始种群作为当前种群,其中,初始种群中的任意个体的元素分别是从上游到下游各水电站在调度周期内的水位值;
进化模块,用于根据当前种群中所有个体的适应度更新当前种群中的个体极值及当前种群的全局极值,由当前种群中的个体极值及当前种群的全局极值,采用正余弦算法进化策略更新当前种群中所有个体的位置,其中,个体极值表示个体所经历的最好位置,全局极值表示当前种群中所有个体经历的最好位置;
所述进化模块,还用于对于当前种群中的任意一个个体,获取当前种群的位置中心,从当前种群中随机选定第一个体和第二个体,将当前种群的位置中心与第一个体的位置相减得到的差分矢量随机调整后叠加至第二个体的位置以生成变异个体,若变异个体的适应度有所提升,则用变异个体替换当前个体;
所述进化模块,还用于对于当前种群中的任意一个个体,根据随机从当前种群中选择的个体及邻域搜索下标生成新个体,若新个体的适应度有所提升,则用新个体替换当前个体,然后在预设随机数小于搜索概率时,从当前种群中随机选择若干个个体构成临时种群,更新临时种群中的各个体位置,若更新次数没有达到最大更新次数,则继续更新临时种群中的各个体位置,直至更新次数达到最大更新次数,用最终得到的临时种群随机替换当前种群中的个体,形成下一代种群;
信息发布模块,用于在当前种群迭代次数不大于预设最大迭代次时,将下一代种群作为当前种群,并返回执行所述进化模块的操作,否则,由最后一次迭代得到的当前种群的全局最优个体得到各水电站在不同时段的最优调度过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811538203.0A CN109636043B (zh) | 2018-12-16 | 2018-12-16 | 一种梯级水电系统发电调度自适应优化方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811538203.0A CN109636043B (zh) | 2018-12-16 | 2018-12-16 | 一种梯级水电系统发电调度自适应优化方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636043A true CN109636043A (zh) | 2019-04-16 |
CN109636043B CN109636043B (zh) | 2020-10-30 |
Family
ID=66074369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811538203.0A Active CN109636043B (zh) | 2018-12-16 | 2018-12-16 | 一种梯级水电系统发电调度自适应优化方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636043B (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 |
CN110363343A (zh) * | 2019-07-11 | 2019-10-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种混合自适应的水电站群智能优化调度方法及系统 |
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 |
CN111461916A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种水库群适应性调度方法与系统 |
CN111474850A (zh) * | 2020-05-25 | 2020-07-31 | 南昌航空大学 | 基于改进正弦余弦算法优化pid液压调平系统控制方法 |
CN111833204A (zh) * | 2020-06-22 | 2020-10-27 | 华中科技大学 | 面向河道生态环境安全的梯级水库群高效调控方法和系统 |
CN111915160A (zh) * | 2020-07-15 | 2020-11-10 | 华中科技大学 | 一种大规模水库群发电调度柔性优化方法与系统 |
CN111915163A (zh) * | 2020-07-15 | 2020-11-10 | 华中科技大学 | 一种水电系统全周期高效高精优化调度方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971174A (zh) * | 2014-05-06 | 2014-08-06 | 大连理工大学 | 基于改进量子粒子群算法的水电站群优化调度方法 |
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 |
CN108537370A (zh) * | 2018-03-23 | 2018-09-14 | 华中科技大学 | 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 |
CN109002903A (zh) * | 2018-06-12 | 2018-12-14 | 昆明理工大学 | 一种印刷电路板表面贴装生产线的优化调度方法 |
-
2018
- 2018-12-16 CN CN201811538203.0A patent/CN109636043B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971174A (zh) * | 2014-05-06 | 2014-08-06 | 大连理工大学 | 基于改进量子粒子群算法的水电站群优化调度方法 |
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 |
CN108537370A (zh) * | 2018-03-23 | 2018-09-14 | 华中科技大学 | 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 |
CN109002903A (zh) * | 2018-06-12 | 2018-12-14 | 昆明理工大学 | 一种印刷电路板表面贴装生产线的优化调度方法 |
Non-Patent Citations (2)
Title |
---|
LAYON M. DE OLIVEIRA等: "Application of the Sine Cosine Optimization Algorithm for Thermal Unit Commitment", 《2018 SIMPOSIO BRASILEIRO DE SISTEMAS ELETRICON(SBSE)》 * |
夏燕等: "基于混合量子粒子群算法的梯级水电站群调度", 《水利发电学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222938B (zh) * | 2019-05-10 | 2021-03-26 | 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 |
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 |
CN110363343A (zh) * | 2019-07-11 | 2019-10-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种混合自适应的水电站群智能优化调度方法及系统 |
CN110363343B (zh) * | 2019-07-11 | 2020-09-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种混合自适应的水电站群智能优化调度方法及系统 |
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 |
CN111461916A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种水库群适应性调度方法与系统 |
CN111461916B (zh) * | 2020-01-17 | 2023-04-28 | 华中科技大学 | 一种水库群适应性调度方法与系统 |
CN111474850A (zh) * | 2020-05-25 | 2020-07-31 | 南昌航空大学 | 基于改进正弦余弦算法优化pid液压调平系统控制方法 |
CN111833204A (zh) * | 2020-06-22 | 2020-10-27 | 华中科技大学 | 面向河道生态环境安全的梯级水库群高效调控方法和系统 |
CN111833204B (zh) * | 2020-06-22 | 2024-07-02 | 华中科技大学 | 面向河道生态环境安全的梯级水库群高效调控方法和系统 |
CN111915160A (zh) * | 2020-07-15 | 2020-11-10 | 华中科技大学 | 一种大规模水库群发电调度柔性优化方法与系统 |
CN111915163A (zh) * | 2020-07-15 | 2020-11-10 | 华中科技大学 | 一种水电系统全周期高效高精优化调度方法与系统 |
CN111915160B (zh) * | 2020-07-15 | 2023-09-29 | 华中科技大学 | 一种大规模水库群发电调度柔性优化方法与系统 |
CN111915163B (zh) * | 2020-07-15 | 2023-10-03 | 华中科技大学 | 一种水电系统全周期高效高精优化调度方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109636043B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636043B (zh) | 一种梯级水电系统发电调度自适应优化方法与系统 | |
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 | |
CN110222938B (zh) | 一种梯级水电站群短期调峰调度协同优化方法和系统 | |
CN109523059B (zh) | 一种梯级水电站水库生态调度智能优化方法及系统 | |
CN108710970B (zh) | 一种巨型梯级水电系统的多目标调度并行降维方法 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN104182806B (zh) | 一种基于正交降维搜索算法的水电站群优化调度方法 | |
CN109472463B (zh) | 一种特大流域水电站群多电网调峰调度方法及系统 | |
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 | |
CN104504455B (zh) | 一种梯级蓄能控制下水电站群长期优化调度方法 | |
CN104166887A (zh) | 一种梯级水电站群联合优化调度的正交离散微分动态规划方法 | |
CN108537370B (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 | |
CN110766210B (zh) | 一种梯级水库群短期优化调度方法与系统 | |
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 | |
CN106300441A (zh) | 一种面向电网多级输电断面的水电站机组负荷分配方法 | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN104408531B (zh) | 一种多维多阶段复杂决策问题的均匀动态规划方法 | |
CN111476477A (zh) | 基于发电效益目标的梯级水电站中长期优化调度方法 | |
CN111461478A (zh) | 一种大规模水光能源互补调度方法与系统 | |
CN111915160B (zh) | 一种大规模水库群发电调度柔性优化方法与系统 | |
Li et al. | Water Resources Balanced Scheduling Method Using Particle Swarm Optimization for Future Smart Cities | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
CN104182909A (zh) | 一种水电系统优化调度的多核并行逐次逼近方法 | |
CN111260500B (zh) | 一种基于Hadoop的小水电分布式差分进化调度方法 | |
CN111915164B (zh) | 一种梯级水库群全生态要素精细调度控制方法与系统 |
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 |