CN110163420B - 一种基于分解文化进化算法的多目标生态调度方法和系统 - Google Patents

一种基于分解文化进化算法的多目标生态调度方法和系统 Download PDF

Info

Publication number
CN110163420B
CN110163420B CN201910352165.8A CN201910352165A CN110163420B CN 110163420 B CN110163420 B CN 110163420B CN 201910352165 A CN201910352165 A CN 201910352165A CN 110163420 B CN110163420 B CN 110163420B
Authority
CN
China
Prior art keywords
hydropower station
individual
ecological
individuals
time interval
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
CN201910352165.8A
Other languages
English (en)
Other versions
CN110163420A (zh
Inventor
莫莉
谌沁
王永强
刘冠君
刘永琦
舒生茂
邹义博
彭璐
向益奇
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
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Huazhong University of Science and Technology
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
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, Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Huazhong University of Science and Technology
Priority to CN201910352165.8A priority Critical patent/CN110163420B/zh
Publication of CN110163420A publication Critical patent/CN110163420A/zh
Application granted granted Critical
Publication of CN110163420B publication Critical patent/CN110163420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

本发明公开了一种基于分解文化进化算法的多目标生态调度方法和系统，属于水电能源优化领域，包括：以水位为自变量，以发电量最大、生态流量改变度最小和最小出力最大化为目标建立多目标函数模型；为多目标函数模型生成多组权重向量，初始化邻域索引集和归档集，随机生成包含多个个体的初始种群，对于每个个体，从其邻域索引集中随机选取父代个体进行交叉变异得到子代个体，将父代个体和子代个体进行比较并保留较优个体；当初始种群中每个个体都完成上述操作后则初始种群进化完成，当进化次数满足预设次数，得到最终的归档集，最终的归档集是最优水库调度方案。本发明对多个目标进行评估，适用性强，可得到经济可靠的水电站优化调度方案。

Description

一种基于分解文化进化算法的多目标生态调度方法和系统
技术领域
本发明属于水电能源优化领域，更具体地，涉及一种基于分解文化进化算法的多目标生态调度方法和系统。
背景技术
传统的多目标调度侧重于以发电量、生态调度或者最小出力为单一主要目标，其他次要目标作为约束条件，缺乏将三者均列为主要目标的考虑和研究，实际应用较少。传统调度忽略三者间的内在联系，导致弃水现象频发，降低经济效益，增加运营成本。
现有多目标粒子群算法有基于分解的多目标进化算法(MOEA/D)和文化算法(CA)，这两种算法均存在许多问题。例如在一种基于分解的多目标进化算法(MOEA/D)中，解决方案的比较完全基于惩罚函数的边界交叉点(PBI)这样的分解方法，这种单一的评估方式在进化过程中可能会损失部分精英个体。文化算法(CA)是一种基本框架，在进化过程中提取信息，经处理的信息反馈促进进化过程，但是单独使用时有较大局限性。
由此可见，现有技术存在评估方式单一，局限性较大，经济效益低的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于分解文化进化算法的多目标生态调度方法和系统，由此解决现有技术存在评估方式单一，局限性较大，经济效益低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于分解文化进化算法的多目标生态调度方法，依次包括如下步骤：
(1)以水位为自变量，以发电量最大、生态流量改变度最小和最小出力最大化为目标建立多目标函数模型；
(2)为多目标函数模型生成多组权重向量，基于多组权重向量初始化邻域索引集和归档集，随机生成包含多个个体的初始种群，所述个体为水库调度方案；
(3)对于每个个体，从该个体的邻域索引集中随机选取个体作为父代个体进行交叉变异得到子代个体，将父代个体和子代个体进行比较并保留较优个体；
(4)当初始种群中每个个体都完成步骤(3)后则初始种群进化完成，从初始种群中选取较优个体作为较优水库调度方案保存至归档集；
(5)当进化次数满足预设次数，得到最终的归档集，最终的归档集是以发电量最大、生态流量改变度最小和最小出力最大化为目标的最优水库调度方案，否则进入步骤(2)。
进一步地，初始化邻域索引集的具体实现方式为：
对于初始种群中每个个体，选取与其距离最近的部分个体，构成邻域索引集。
进一步地，初始化的归档集中较优水库调度方案的个数为0。
进一步地，步骤(3)包括如下子步骤：
(31)对于每个个体，从0-1中产生一个随机数与进化参数进行比较，大于进化参数则进行步骤(32)，否则舍弃该个体；
(32)对于大于进化参数的个体，从邻域索引集中随机选取个体作为父代个体进行交叉变异，得到子代个体；
(33)将父代个体和子代个体进行比较，保留较优个体。
进一步地，步骤(33)包括如下子步骤：
(331)判断父代个体和子代个体的支配关系，若父代个体支配子代个体，则将父代个体保留，若子代个体支配父代个体，则将子代个体保留；若父代个体和子代个体之间不具有支配关系，则进入步骤(332)；
(332)将父代个体及其对应的权重向量带入多目标函数模型，得到父代个体的多目标函数值，将子代个体及其对应的权重向量带入多目标函数模型，得到子代个体的多目标函数值，保留多目标函数值较大者。
进一步地，支配关系的判断方式为：
当父代个体对应的发电量、生态流量改变度和最小出力均大于子代个体对应的发电量、生态流量改变度和最小出力，则父代个体支配子代个体；
当父代个体对应的发电量、生态流量改变度和最小出力均小于子代个体对应的发电量、生态流量改变度和最小出力，则子代个体支配父代个体；
否则父代个体和子代个体之间不具有支配关系。
进一步地，步骤(4)还包括：当归档集中较优水库调度方案的个数大于M个，对归档集进行裁剪，使得归档集中的较优水库调度方案的个数为M个。
进一步地，对归档集进行裁剪的具体实现方式为：
判断第M+1个较优水库调度方案与归档集中前M个较优水库调度方案之间是否有支配关系，若有则根据支配关系对第M+1个较优水库调度方案进行取舍；
否则，计算归档集中M+1个较优水库调度方案两两之间的距离，计算距离最小值对应的两个较优水库调度方案的多目标函数值，保留多目标函数值较大者。
按照本发明的另一方面，提供了一种基于分解文化进化算法的多目标生态调度系统，包括如下模块：
模型建立模块，用于以水位为自变量，以发电量最大、生态流量改变度最小和最小出力最大化为目标建立多目标函数模型；
初始化模块，用于为多目标函数模型生成多组权重向量，基于多组权重向量初始化邻域索引集和归档集，随机生成包含多个个体的初始种群，所述个体为水库调度方案；
交叉变异模块，用于对每个个体，从该个体的邻域索引集中随机选取个体作为父代个体进行交叉变异得到子代个体，将父代个体和子代个体进行比较并保留较优个体；
选取模块，用于当初始种群中每个个体都完成交叉变异模块后则初始种群进化完成，从初始种群中选取较优个体作为较优水库调度方案保存至归档集；
最优解模块，用于当进化次数满足预设次数，得到最终的归档集，最终的归档集是以发电量最大、生态流量改变度最小和最小出力最大化为目标的最优水库调度方案，否则执行初始化模块。
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)本发明以水位为自变量，以发电量最大、生态流量改变度最小和最小出力最大化为目标建立多目标函数模型，对多个目标进行评估，然后通过生成权重向量、初始化邻域索引集、种群进化得到最终的归档集，进而最终得到以发电量最大、生态流量改变度最小和最小出力最大化为目标的经济可靠的水电站优化调度方案，对解决分布不均引起的重大生态问题和选择实际水库运行控制方案具有重要指导意义。
(2)与传统的MOEA/D算法和CA算法不同，本发明提出的分解文化算法由于首先进行支配关系判断，然后进行多目标函数值比较，评估方式多样，不易陷入局部最优，具有较好的收敛性，可得到非支配解集，适用于多目标模型的求解，且有利于开展水电站调度决策和发电可靠性评估等工作。
附图说明
图1是本发明实施例提供的一种基于分解文化进化算法的多目标生态调度方法的流程图；
图2是本发明实施例1提供的三峡水库适宜生态流量图；
图3是本发明实施例1提供的在方案9、方案15、方案42状态下，三峡水库水位变化过程；
图4是本发明实施例1提供的在方案9、方案15、方案42状态下，三峡水库下泄流量变化过程。
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。
如图1所示，一种基于分解文化进化算法的多目标生态调度方法，依次包括如下步骤：
(1)以水位为自变量，以发电量最大、生态流量改变度最小和最小出力最大化为目标建立多目标函数模型，并设置多目标函数模型的模型约束。
根据水电站发电系数、水电站每个时段的净水头以及水电站每个时段的发电流量得到水电站每个时段的出力，利用水电站每个时段的出力建立以水电站发电量最大为目标的第一函数：
Figure BDA0002043742070000051
其中，F1是水电站发电量，T代表时段总数，t是时段序列号，t∈[1，T]，Δt是时间间隔，Nt是水电站第t个时段的出力，A为水电站发电系数，Ht为水电站第t个时段的净水头，qt为水电站第t个时段的发电流量。
净水头是通过本时段水位加上下一时段水位的平均值减去下游水位和水头损失得到的，下游水位的计算为：依据本时段水位和下一时段水位，可以算出本时段下泄流量，通过多个时段的下泄流量绘制尾水流量曲线，通过尾水流量曲线可以得到下游水位。
为了达到最佳的生态效益，生态供水量应至少满足生态基流量的需求，即两者之间的差距应最小化。因此，以水电站的生态供水量与水电站的生态基础流量之间的差距最小为目标建立第二函数：
Figure BDA0002043742070000061
其中，F2为水电站的生态供水量与水电站的生态基础流量之间的差距即为生态流量改变度，Qt为水电站第t个时段的生态供水量(即为下泄流量)，Q′t为水电站第t个时段的生态基础流量。
以水电站每个时段的下泄流量最小且水电站整个时段的泄流量最大为目标建立第三函数：
Figure BDA0002043742070000062
其中，Rt为水电站在第t个时段的泄流量(即为出力)，F3为水电站在T时段的泄流量。
第一函数、第二函数和第三函数组合形成多目标函数模型：
F＝MaxF1-MinF2+MaxF3
设置多目标函数模型的模型约束。模型约束包括：水量平衡约束、水位约束、库容约束、下泄流量约束和出力约束。
水量平衡约束为：
Vt＝Vt-1+It-Rt，t∈[1，T]
其中，Vt是水电站第t个时段的库容，Vt-1是水电站第t-1个时段的库容，It是水电站第t个时段的入库流量，Rt为水电站在第t个时段的泄流量。
水位约束为：
Figure BDA0002043742070000071
其中，Zt、
Figure BDA0002043742070000072
和
Figure BDA0002043742070000073
分别为水电站第t个时段的水位、水位下限和水位上限。
库容约束为：
Figure BDA0002043742070000074
其中，
Figure BDA0002043742070000075
为水电站第t个时段的平均上游水位，
Figure BDA0002043742070000076
是
Figure BDA0002043742070000077
的下泄能力函数。
下泄流量约束为：
Figure BDA0002043742070000078
其中，
Figure BDA0002043742070000079
和
Figure BDA00020437420700000710
分别为水电站第t个时段的泄流量下限和泄流量上限。
出力约束为：
Figure BDA00020437420700000711
其中，
Figure BDA00020437420700000712
和
Figure BDA00020437420700000713
分别为水电站第t个时段的出力下限和出力上限。
(2)为多目标函数模型生成多组权重向量，基于多组权重向量初始化邻域索引集和归档集，随机生成包含多个个体的初始种群，所述个体为水库调度方案；对于初始种群中每个个体，选取与其距离最近的部分个体，构成邻域索引集。初始化的归档集中较优水库调度方案的个数为0。
(3)对于每个个体，从该个体的邻域索引集中随机选取个体作为父代个体进行交叉变异得到子代个体，将父代个体和子代个体进行比较并保留较优个体；
步骤(3)包括如下子步骤：
(31)对于每个个体，从0-1中产生一个随机数与进化参数进行比较，大于进化参数则进行步骤(32)，否则舍弃该个体；
(32)对于大于进化参数的个体，从邻域索引集中随机选取个体作为父代个体进行交叉变异，得到子代个体；
(33)将父代个体和子代个体进行比较，保留较优个体。
具体地，进化参数为DE算法中的进化参数。
进一步地，步骤(33)包括如下子步骤：
(331)判断父代个体和子代个体的支配关系，若父代个体支配子代个体，则将父代个体保留，若子代个体支配父代个体，则将子代个体保留；若父代个体和子代个体之间不具有支配关系，则进入步骤(332)；
(332)将父代个体及其对应的权重向量带入多目标函数模型，得到父代个体的多目标函数值，将子代个体及其对应的权重向量带入多目标函数模型，得到子代个体的多目标函数值，保留多目标函数值较大者。
进一步地，支配关系的判断方式为：
当父代个体对应的发电量、生态流量改变度和最小出力均大于子代个体对应的发电量、生态流量改变度和最小出力，则父代个体支配子代个体；
当父代个体对应的发电量、生态流量改变度和最小出力均小于子代个体对应的发电量、生态流量改变度和最小出力，则子代个体支配父代个体；
否则父代个体和子代个体之间不具有支配关系。
(4)当初始种群中每个个体都完成步骤(3)后则初始种群进化完成，从初始种群中选取较优个体作为较优水库调度方案保存至归档集；
步骤(4)还包括：当归档集中较优水库调度方案的个数大于M个，对归档集进行裁剪，使得归档集中的较优水库调度方案的个数为M个；
所述对归档集进行裁剪的具体实现方式为：
判断第M+1个较优水库调度方案与归档集中前M个较优水库调度方案之间是否有支配关系，若有则根据支配关系对第M+1个较优水库调度方案进行取舍；
否则，计算归档集中M+1个较优水库调度方案两两之间的距离，计算距离最小值对应的两个较优水库调度方案的多目标函数值，保留多目标函数值较大者。
(5)当进化次数满足预设次数，得到最终的归档集，最终的归档集是以发电量最大、生态流量改变度最小和最小出力最大化为目标的最优水库调度方案，否则进入步骤(2)。
实施例1
本发明实施例1以2003年三峡大坝的实际入流量作为调度实例进行计算。三峡工程是当今世界最大的水利发电工程，蓄水高度175米，坝高185米。装机容量2240万千瓦，最大排水量10万立方米/秒，总库容393亿立方米。
调度周期和计算周期划分如下：
根据初步设计，三峡水库调度采用“蓄水排水”原则。在6月至9月的汛期，水库将以145.0m的洪水位运行，蓄水则从10月1日开始。本发明时间长度为一年。每个计算周期以10天为步长，每个月分为三个计算周期，一年计算周期总数为36。本发明采用Tennant方法计算三峡水库的生态基流。处理结果如图2所示。
分解文化(MOCEA/D)算法参数设置如下：进化参数包括：交叉概率和变异概率，根据MOCEA/D算法的优化思想和过程，程序由java编写，目的是优化设计。种群大小选择为42，最大进化次数为5000，交叉概率为0.8，变异概率为0.03。通过MOCEA/D算法迭代计算获得42组Pareto最优解。42组Pareto前沿与最优解集分布如表1所示。
本发明利用2003年三峡大坝的实际入流量作为最优调度实例进行计算。在满足发电效益，保证最小出力的前提下，兼顾考虑生态需水量。表1显示了三峡水库多目标优化调度的42种优化方案。从表1可以看出，生态流量的改变度与发电量成反比例。单方面提高生态调度效益将不可避免地导致发电效益降低。同时可看出，MOCEA/D算法适用于求解多目标优化模型问题。
表1三峡水库多目标优化调度方案
Figure BDA0002043742070000101
为进一步分析各种调度方案之间的差异，选取了三种方案进行比较：方案9(最大发电量)，方案42(生态流量改变度最小)和方案15(最小出力最大化)。(1)当多目标优化模型以发电量为主时，可选取方案9；(2)当多目标优化模型以生态流量改变度为主时，可选取方案42；(3)当多目标优化模型以最小出力为主时，可选取方案15；因此，可根据电站的实际情况选取对应方案。
图3和图4显示了三种典型优化方案下三峡水库的水位和泄流量变化过程。从图中可看出诸多差异，部分差异不甚明显。多目标优化模型需深入研究三个目标内在联系。为进一步分析这种联系，故选取三种最具代表性方案进行对比：方案9(最大发电量)，方案42(生态流量改变度最小)和方案15(最小出力最大化)。
三峡水库全年计算可通过数据分析比较三个目标之间的内在联系。(1)仅考虑发电效益。相比方案15，方案9的发电量增加0.31％；相比方案42，方案9的发电量增加0.31％。(2)仅考虑生态调度效益。相比方案9，方案42的生态流量改变度减小14.69％；相比方案15，方案42的生态流量改变度减小10.35％。(3)仅考虑最小出力最大化时，相比方案9，方案15的最小出力增加1.02％；相比方案42，方案15的最小出力增加0.93％。以上计算分析结果如表2所示。
表2三种典型方案的各类指标比较
Figure BDA0002043742070000111
上述数据充分说明略微减小电站电量或电站的功率输出的措施是合理的。例如，发电量减少约0.31％，生态流量改变度减少14.69％。其他请参考表格。此外，本发明实施例1选取三峡水库正常运行年度进行计算，结果对汛期前后对防洪效果无显著影响。既不会增加防洪压力，又能提高水资源的利用程度。本发明为实际多目标优化调度的决策提供了参考。
与传统的MOEA/D算法和CA算法不同，本发明提出的MOCEA/D算法不易陷入局部最优，具有较好的收敛性，可得到非支配解集，适用于多目标模型的求解，且有利于开展水电站调度决策和发电可靠性评估等工作。
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)

1.一种基于分解文化进化算法的多目标生态调度方法，其特征在于，依次包括如下步骤：
(1)以水位为自变量，以发电量最大、生态流量改变度最小和最小出力最大化为目标建立多目标函数模型；
(2)为多目标函数模型生成多组权重向量，基于多组权重向量初始化邻域索引集和归档集，随机生成包含多个个体的初始种群，所述个体为水库调度方案；
(3)对于每个个体，从该个体的邻域索引集中随机选取个体作为父代个体进行交叉变异得到子代个体，将父代个体和子代个体进行比较并保留较优个体；
(4)当初始种群中每个个体都完成步骤(3)后则初始种群进化完成，从初始种群中选取较优个体作为较优水库调度方案保存至归档集；
(5)当进化次数满足预设次数，得到最终的归档集，最终的归档集是以发电量最大、生态流量改变度最小和最小出力最大化为目标的最优水库调度方案，否则进入步骤(2)；
所述步骤(1)包括：
根据水电站发电系数、水电站每个时段的净水头以及水电站每个时段的发电流量得到水电站每个时段的出力，利用水电站每个时段的出力建立以水电站发电量最大为目标的第一函数：
Figure FDA0002970846760000011
其中，F1是水电站发电量，T代表时段总数，t是时段序列号，t∈[1,T]，Δt是时间间隔，Nt是水电站第t个时段的出力，A为水电站发电系数，Ht为水电站第t个时段的净水头，qt为水电站第t个时段的发电流量；
以水电站的生态供水量与水电站的生态基础流量之间的差距最小为目标建立第二函数：
Figure FDA0002970846760000021
其中，F2为水电站的生态供水量与水电站的生态基础流量之间的差距即为生态流量改变度，Qt为水电站第t个时段的生态供水量，Q't为水电站第t个时段的生态基础流量；
以水电站每个时段的下泄流量最小且水电站整个时段的泄流量最大为目标建立第三函数：
Figure FDA0002970846760000022
其中，Rt为水电站在第t个时段的泄流量，F3为水电站在T时段的泄流量；
第一函数、第二函数和第三函数组合形成多目标函数模型：
F＝MaxF1-MinF2+MaxF3
设置多目标函数模型的模型约束，模型约束包括：水量平衡约束、水位约束、库容约束、下泄流量约束和出力约束，
水量平衡约束为：
Vt＝Vt-1+It-Rt，t∈[1,T]
其中，Vt是水电站第t个时段的库容，Vt-1是水电站第t-1个时段的库容，It是水电站第t个时段的入库流量，Rt为水电站在第t个时段的泄流量；
水位约束为：
Figure FDA0002970846760000023
其中，Zt、
Figure FDA0002970846760000024
和
Figure FDA0002970846760000025
分别为水电站第t个时段的水位、水位下限和水位上限；
库容约束为：
Figure FDA0002970846760000031
其中，
Figure FDA0002970846760000032
为水电站第t个时段的平均上游水位，
Figure FDA0002970846760000033
是
Figure FDA0002970846760000034
的下泄能力函数；
下泄流量约束为：
Figure FDA0002970846760000035
其中，
Figure FDA0002970846760000036
和
Figure FDA0002970846760000037
分别为水电站第t个时段的泄流量下限和泄流量上限；
出力约束为：
Figure FDA0002970846760000038
其中，
Figure FDA0002970846760000039
和
Figure FDA00029708467600000310
分别为水电站第t个时段的出力下限和出力上限。
2.如权利要求1所述的一种基于分解文化进化算法的多目标生态调度方法，其特征在于，所述初始化邻域索引集的具体实现方式为：
对于初始种群中每个个体，选取与其距离最近的部分个体，构成邻域索引集。
3.如权利要求2所述的一种基于分解文化进化算法的多目标生态调度方法，其特征在于，所述初始化的归档集中较优水库调度方案的个数为0。
4.如权利要求1-3任一所述的一种基于分解文化进化算法的多目标生态调度方法，其特征在于，所述步骤(3)包括如下子步骤：
(31)对于每个个体，从0-1中产生一个随机数与进化参数进行比较，大于进化参数则进行步骤(32)，否则舍弃该个体；
(32)对于大于进化参数的个体，从邻域索引集中随机选取个体作为父代个体进行交叉变异，得到子代个体；
(33)将父代个体和子代个体进行比较，保留较优个体。
5.如权利要求4所述的一种基于分解文化进化算法的多目标生态调度方法，其特征在于，所述步骤(33)包括如下子步骤：
(331)判断父代个体和子代个体的支配关系，若父代个体支配子代个体，则将父代个体保留，若子代个体支配父代个体，则将子代个体保留；若父代个体和子代个体之间不具有支配关系，则进入步骤(332)；
(332)将父代个体及其对应的权重向量带入多目标函数模型，得到父代个体的多目标函数值，将子代个体及其对应的权重向量带入多目标函数模型，得到子代个体的多目标函数值，保留多目标函数值较大者。
6.如权利要求5所述的一种基于分解文化进化算法的多目标生态调度方法，其特征在于，所述支配关系的判断方式为：
当父代个体对应的发电量、生态流量改变度和最小出力均大于子代个体对应的发电量、生态流量改变度和最小出力，则父代个体支配子代个体；
当父代个体对应的发电量、生态流量改变度和最小出力均小于子代个体对应的发电量、生态流量改变度和最小出力，则子代个体支配父代个体；
否则父代个体和子代个体之间不具有支配关系。
7.如权利要求4所述的一种基于分解文化进化算法的多目标生态调度方法，其特征在于，所述步骤(4)还包括：当归档集中较优水库调度方案的个数大于M个，对归档集进行裁剪，使得归档集中的较优水库调度方案的个数为M个。
8.如权利要求7所述的一种基于分解文化进化算法的多目标生态调度方法，其特征在于，所述对归档集进行裁剪的具体实现方式为：
判断第M+1个较优水库调度方案与归档集中前M个较优水库调度方案之间是否有支配关系，若有则根据支配关系对第M+1个较优水库调度方案进行取舍；
否则，计算归档集中M+1个较优水库调度方案两两之间的距离，计算距离最小值对应的两个较优水库调度方案的多目标函数值，保留多目标函数值较大者。
9.一种基于分解文化进化算法的多目标生态调度系统，其特征在于，包括如下模块：
模型建立模块，用于根据水电站发电系数、水电站每个时段的净水头以及水电站每个时段的发电流量得到水电站每个时段的出力，利用水电站每个时段的出力建立以水电站发电量最大为目标的第一函数：
Figure FDA0002970846760000051
其中，F1是水电站发电量，T代表时段总数，t是时段序列号，t∈[1,T]，Δt是时间间隔，Nt是水电站第t个时段的出力，A为水电站发电系数，Ht为水电站第t个时段的净水头，qt为水电站第t个时段的发电流量；
以水电站的生态供水量与水电站的生态基础流量之间的差距最小为目标建立第二函数：
Figure FDA0002970846760000052
其中，F2为水电站的生态供水量与水电站的生态基础流量之间的差距即为生态流量改变度，Qt为水电站第t个时段的生态供水量，Q't为水电站第t个时段的生态基础流量；
以水电站每个时段的下泄流量最小且水电站整个时段的泄流量最大为目标建立第三函数：
Figure FDA0002970846760000053
其中，Rt为水电站在第t个时段的泄流量，F3为水电站在T时段的泄流量；
第一函数、第二函数和第三函数组合形成多目标函数模型：
F＝MaxF1-MinF2+MaxF3
设置多目标函数模型的模型约束，模型约束包括：水量平衡约束、水位约束、库容约束、下泄流量约束和出力约束，
水量平衡约束为：
Vt＝Vt-1+It-Rt，t∈[1,T]
其中，Vt是水电站第t个时段的库容，Vt-1是水电站第t-1个时段的库容，It是水电站第t个时段的入库流量，Rt为水电站在第t个时段的泄流量；
水位约束为：
Figure FDA0002970846760000061
其中，Zt、
Figure FDA0002970846760000062
和
Figure FDA0002970846760000063
分别为水电站第t个时段的水位、水位下限和水位上限；
库容约束为：
Figure FDA0002970846760000064
其中，
Figure FDA0002970846760000065
为水电站第t个时段的平均上游水位，
Figure FDA0002970846760000066
是
Figure FDA0002970846760000067
的下泄能力函数；
下泄流量约束为：
Figure FDA0002970846760000068
其中，
Figure FDA0002970846760000069
和
Figure FDA00029708467600000610
分别为水电站第t个时段的泄流量下限和泄流量上限；
出力约束为：
Figure FDA00029708467600000611
其中，
Figure FDA00029708467600000612
和
Figure FDA00029708467600000613
分别为水电站第t个时段的出力下限和出力上限；
初始化模块，用于为多目标函数模型生成多组权重向量，基于多组权重向量初始化邻域索引集和归档集，随机生成包含多个个体的初始种群，所述个体为水库调度方案；
交叉变异模块，用于对每个个体，从该个体的邻域索引集中随机选取个体作为父代个体进行交叉变异得到子代个体，将父代个体和子代个体进行比较并保留较优个体；
选取模块，用于当初始种群中每个个体都完成交叉变异模块后则初始种群进化完成，从初始种群中选取较优个体作为较优水库调度方案保存至归档集；
最优解模块，用于当进化次数满足预设次数，得到最终的归档集，最终的归档集是以发电量最大、生态流量改变度最小和最小出力最大化为目标的最优水库调度方案，否则执行初始化模块。
CN201910352165.8A 2019-04-28 2019-04-28 一种基于分解文化进化算法的多目标生态调度方法和系统 Active CN110163420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910352165.8A CN110163420B (zh) 2019-04-28 2019-04-28 一种基于分解文化进化算法的多目标生态调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910352165.8A CN110163420B (zh) 2019-04-28 2019-04-28 一种基于分解文化进化算法的多目标生态调度方法和系统

Publications (2)

Publication Number Publication Date
CN110163420A CN110163420A (zh) 2019-08-23
CN110163420B true CN110163420B (zh) 2021-07-27

Family

ID=67632965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910352165.8A Active CN110163420B (zh) 2019-04-28 2019-04-28 一种基于分解文化进化算法的多目标生态调度方法和系统

Country Status (1)

Country Link
CN (1) CN110163420B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765842B (zh) * 2020-12-31 2024-05-07 西安理工大学 一种组合式绝缘子均压结构优化设计方法
CN113626954B (zh) * 2021-08-17 2023-08-18 中国地质大学（武汉） 基于分解的多目标信息处理方法、系统、计算机设备、终端
CN114707913B (zh) * 2022-06-02 2022-09-13 长江水利委员会长江科学院 水库供水方案的确定方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708248A (zh) * 2012-05-10 2012-10-03 湖北省电力公司 一种基于多目标遗传算法的调度函数优化方法
CN105825437A (zh) * 2016-03-24 2016-08-03 大连理工大学 一种复杂水库群共同供水任务分配方法
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
CN106951985A (zh) * 2017-03-06 2017-07-14 河海大学 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法
CN107527119A (zh) * 2017-09-06 2017-12-29 河海大学 基于改进的多目标量子遗传算法的水资源优化调度方法
CN108805434A (zh) * 2018-05-25 2018-11-13 河海大学 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法
CN109636226A (zh) * 2018-12-21 2019-04-16 华中科技大学 一种水库多目标分级防洪调度方法
CN109658287A (zh) * 2018-12-27 2019-04-19 中国水利水电科学研究院 一种基于水资源时空均匀分配的流域水量调度方法
CN109670650A (zh) * 2018-12-27 2019-04-23 华中科技大学 基于多目标优化算法的梯级水库群调度模型的求解方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708248A (zh) * 2012-05-10 2012-10-03 湖北省电力公司 一种基于多目标遗传算法的调度函数优化方法
CN105825437A (zh) * 2016-03-24 2016-08-03 大连理工大学 一种复杂水库群共同供水任务分配方法
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
CN106951985A (zh) * 2017-03-06 2017-07-14 河海大学 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法
CN107527119A (zh) * 2017-09-06 2017-12-29 河海大学 基于改进的多目标量子遗传算法的水资源优化调度方法
CN108805434A (zh) * 2018-05-25 2018-11-13 河海大学 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法
CN109636226A (zh) * 2018-12-21 2019-04-16 华中科技大学 一种水库多目标分级防洪调度方法
CN109658287A (zh) * 2018-12-27 2019-04-19 中国水利水电科学研究院 一种基于水资源时空均匀分配的流域水量调度方法
CN109670650A (zh) * 2018-12-27 2019-04-23 华中科技大学 基于多目标优化算法的梯级水库群调度模型的求解方法

Also Published As

Publication number Publication date
CN110163420A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110163420B (zh) 一种基于分解文化进化算法的多目标生态调度方法和系统
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
CN109858173B (zh) 一种风光水互补发电系统联合调度的多目标正切方法
CN112184070B (zh) 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统
CN109670650B (zh) 基于多目标优化算法的梯级水库群调度模型的求解方法
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
CN112785087B (zh) 一种考虑水力响应特性的跨流域调水工程旬水量优化调度计划编制方法
CN110175421B (zh) 一种新型水光互补多目标优化运行方法
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
CN112508221A (zh) 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN113452033B (zh) 分区自治的含高比例光伏配电网电压控制方法及存储介质
CN114069687B (zh) 一种计及逆变器无功调节作用的分布式光伏规划方法
CN111428970A (zh) 一种大规模水电站群跨省外送能力分析模型及求解方法
CN111126765B (zh) 一种电动汽车群联合优化方法及系统
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
CN113363976B (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN106815656B (zh) 一种梯级水库蓄能调度图获取方法
CN110188912B (zh) 基于改进花粉算法的地表水和地下水联合调度优化方法
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
CN110601233A (zh) 一种电力系统中储能电站的调峰调度方法
Zhao et al. Research on multiobjective optimal operation strategy for wind-photovoltaic-hydro complementary power system
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN115759775A (zh) 一种考虑公平性的ncfi碳排放责任分摊方法及装置
CN110991703A (zh) 一种基于改进的nsga-ii算法的风光水联合发电调度方法
Liu et al. A multi-core parallel genetic algorithm for the long-term optimal operation of large-scale hydropower systems

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