CN110363343A - 一种混合自适应的水电站群智能优化调度方法及系统 - Google Patents

Abstract

本发明涉及一种混合自适应的水电站群智能优化调度方法及系统，包括以下步骤：根据水电站群的调度任务确定调度目标函数；确定调度约束条件，并按类型进行处理；采用改进的Tent混沌映射进行种群初始化；基于粒子群算法，计算粒子适应度、个体最优解、全局最优解；计算粒子能量与其阈值、粒子相似性与其阈值；引入搜索策略，搜索粒子邻域，更新原解；更新粒子的位置与速度，直到达到终止条件。本发明采用Tent混沌映射生成初始种群，引入粒子能量与其阈值，引入粒子相似性与其阈值提高种群进化质量，能够随着迭代进行不断自适应调整，在后期具有良好的局部精化能力，抑制早熟，弥补了以往早熟收敛、求得的解是局部最优解而不是全局最优解等缺陷。

Description

一种混合自适应的水电站群智能优化调度方法及系统

技术领域

本发明涉及水利工程领域，具体涉及一种混合自适应的水电站群智能优化调度方法及系统。

背景技术

在诸多等清洁可再生能源、新能源中，水电开发相对较早、技术较为成熟，并且具有开发程度高的优势。水电系统的优化调度主要内容是以系统效益最大为目标，采用现代计算机技术，求解获得最优的调度方法，以保障复杂水利水电系统的安全、经济运行。

随着社会经济的发展，水电站群优化调度迎来了新的挑战。一方面，随着开发进程的推进与开发需求的增长，水电系统呈现出规模越来越庞大、结构越来越复杂的发展趋势；另一方面，目前以发电为单一目的水能资源开发利用方式已不复存在，水电站群通常包含防洪、供水、发电、航运、生态、泥沙及环境等多项任务。这对水电站群优化调度的计算提出了更高的要求，传统的数学规划计算方法(如线性规划、动态规划等)已经难以实现这种高维度的复杂计算。

随着计算机技术的发展，采用智能算法对水电站群进行多目标联合优化调度计算，成为了一种可行的途径，并且在已有的诸多研究中被证明具有收敛快、鲁棒性强等优点。

然而同时也有研究证明，现有的常规智能算法(如粒子群算法、遗传算法、模拟退火算法等)存在早熟收敛、求得的解是局部最优解不是全局最优解等缺陷，同时不具备良好的遍历均匀性和收敛速度，导致优化精度与速度不佳。

发明内容

发明目的：提供一种混合自适应的水电站群智能优化调度方法及系统，解决了现有技术存在的上述问题。进一步的目的是提供一种实现上述方法的系统。

技术方案：一种混合自适应的水电站群智能优化调度方法，包括以下步骤：

步骤1、根据水电站群的调度任务，确定调度的目标函数；

步骤2、确定调度的约束条件，并对不同类型的约束条件进行处理；

步骤3、采用改进的Tent混沌映射进行种群初始化；

步骤4、基于粒子群算法，计算粒子适应度、个体最优解、全局最优解；

步骤5、计算粒子能量与其阈值、粒子相似性与其阈值；

步骤6、引入搜索策略，搜索粒子邻域，更新原解；

步骤7、更新粒子的位置与速度，判断是否达到终止条件，未达到转步骤4，达到则终止。

在进一步的实施例中，所述步骤1具体为：根据水电站群的调度任务，确定调度的目标函数。目前发电单一目的水能资源开发利用方式已不复存在，水电系统通常包含防洪、供水、发电、航运、生态、泥沙及环境等多项任务。采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算。确定水电系统发电总量最大为目标函数，表达式为：

式中：E为水电系统的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；N_i,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数。

在进一步的实施例中：所述步骤2具体为：确定调度的约束条件，并对不同类型的约束条件进行处理。确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件，具体的：

(1)水量平衡约束

V_i,t＝V_i,t-1+(Q_i,t-qf_i,t-J_i,t-S_i,t)·Δt

式中：V_i,t为第i个水库、第t时段末的水库蓄水量；V_i,t-1为时段初蓄量；Q_i,t为入库流量；qf_i,t为发电流量；J_i,t为弃水流量；S_i,t为损失流量。

(2)上限、下限水位约束

式中：Z_i,t为第i个水库第t时刻的计算水位；Z_i,t 为允许的下限水位；为允许的上限水位。

(3)最大、最小流量约束

q_i,min≤qf_i,t≤qf_i,max

式中：qf_i,t为第i个水库第t时段的发电流量；q_i,min为第i个水库满足各项任务的最小下泄流量；qf_i,max为水轮机组最大的过水能力。

(4)最小负荷约束

N _i,t≤N_i,t

式中：N_i,t为第i个水库第t时段的计算出力；N _i,t为最小负荷要求。

(5)水轮机预想出力约束

N_i,t≤min{NH_i,t,NY_i}

式中：NH_i,t为第i个水库第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NY_i为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NY_i。

(6)调度期初、期末水位控制

式中：Z_is为第i个水库调度期初的计算水位；为调度期初的控制水位；Z_ie为调度期末的计算水位；为调度期末的控制水位。

(7)水位变幅约束

|Z_i,t+1-Z_i,t|≤ΔZ_i

式中：Z_i,t+1为第i个水库第t+1时刻的计算水位；ΔZ_i为第i个水库允许的最大水位变幅。

(8)流量变幅约束

|q_i,t+1-q_i,t|≤Δq_i

式中：q_i,t为第i个水库第t时段的下泄流量，包括qf_i,t和J_i,t；q_i,t+1为第i个水库第t+1 时刻的出库流量；Δq_i为第i个水库允许的最大下泄流量变幅。

上述约束条件中，首先，水电系统运行的模拟均基于水量平衡方程，因此在水库调节计算时已经实现了水量平衡约束；其次，各库的上限、下限水位约束、调度期初末水位控制约束，当选择水位为决策变量时，这一类的约束条件可以在设定计算条件时限制搜索空间得以实现，称为刚性约束；而剩下各库的流量约束、最小负荷约束、水轮机预想出力约束、水位变幅约束、流量变幅约束等则往往需要在调节计算结束后才能判断是否得到满足，本发明引入罚函数的概念实现这类约束条件，原理是当这类约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件。采用罚函数改造后的目标函数如下式所示：

式中：Y为采用罚函数处理的约束条件数量；为惩罚系数，当前约束条件满足时当前约束条件不满足时β_y为惩罚指数；S_i,t,y为第i个水库第t时段第y个约束变量的值；为第i个水库第t时段第y个约束条件不被破坏的临界值。

在进一步的实施例中：所述步骤3中，采用改进的Tent混沌映射进行种群初始化。为了初始种群具有更好的遍历均匀性，学者多采用Logistic混沌映射改进智能算法，然而已有研究证明Logistic混沌映射在0至0.05、0.95至1区间内分布概率更高，这种不均匀性对优化计算的速度和精度均有较大的影响。另有研究证明较Logistic混沌映射， Tent混沌映射具有更好的遍历均匀性和更快的收敛速度。Tent混沌映射迭代公式为：

为了避免迭代序列落入不稳定周期点或小周期点，采用一个随机变量对Tent混沌映射进行改进，迭代表达式如下：

式中：N为粒子个数。

基于上述说明，所述步骤3可以进一步分为：

步骤31、在区间(0,1)内随机生成初值x₀；

步骤32、基于改进的Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群。

在进一步的实施例中：所述步骤4中，基于粒子群算法，计算粒子适应度、个体最优解、全局最优解。采用罚函数改造后的目标函数计算粒子的适应度。将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解。

在进一步的实施例中：所述步骤5中，引入粒子能量与其阈值、粒子相似性与其阈值。所述步骤5可以进一步分为：

步骤51、为了避免落入局部最优解，引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力。对于粒子P_i其粒子能量的表达式如下：

式中：e(P_i)为粒子P_i的能量，e(P_i)∈[0,1]；n为维数；X_i为当前的粒子位置；V_i为当前的粒子速度；P_ibest为当前个体最优解；P_gbest为当前群体最优解；s(x,y)为判断函数，表达式为可以看出，e(P_i)与当前群体最优和P_i的自身状态有关，可以反映P_i的搜索能力。

步骤52、计算粒子能量阈值，表达式如下：

式中：eT(P_i)为粒子P_i的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(P_i(curG))＝P_ibest(curG)/P_ibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界。可以看出，eT(P_i)与粒子群进化的程度与速度有关。当e(P_i)小于eT(P_i)时，对V_i和X_i进行变异操作，扩大其搜索范围。

步骤53、上述模型随着迭代的进行，种群中的粒子会趋于相似，从而全局搜索能力变低，导致早熟收敛。因此引入粒子相似度与其阈值提高种群进化质量，抑制早熟。对于粒子P_i、P_j，粒子相似度的表达式如下：

式中：sl(P_i,P_j)为粒子P_i、P_j的相似度；其他符号含义同上。

步骤54、计算相粒子似度阈值，表达式如下：

式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界。

slT(CurG)是当前sl(P_i,P_j)的下界，迭代初始阶段slT(CurG)取值较大，使得粒子近乎均匀地分布在空间，随着迭代进行slT(CurG)逐渐变小，使粒子不断聚拢到全局最优解的邻域。当sl(P_i,P_j)的小于slT(CurG)时，说明粒子P_i、P_j过于相似，不利于种群多样性。因此，为了保持种群的多样性，采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间。

在进一步的实施例中：所述步骤6中，引入搜索策略，搜索粒子邻域，更新原解。

所述步骤6可以进一步分为：

步骤61、采用轮盘赌的方式选出较优的个体，即一个较优的可行解 X_i＝(x_i1,x_i2,...,x_it,...,x_in)；

步骤62、随机选择其中x_it插入任一位置获得一个新的解，重复上述操作获得X_i的邻域

步骤63、邻域中若有适应度优于原可行解的，则更新原解。

在进一步的实施例中：所述步骤7中，更新粒子的位置与飞行速度，计算表达式如下：

式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c₁、c₂为粒子飞行加速度加速度，是常数，一般取值2；r_1j、r_2j为随机数，服从U(0,1)。项反映粒子当前速度，反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，反映粒子当前位置与种群目前最优解的距离，是信息交互的体现。

一种混合自适应的水电站群优化调度智能系统，包括如下模块：

用于根据水电站群的调度任务，确定调度的目标函数的第一模块；

用于确定调度约束条件、并对不同类型的约束条件进行处理的第二模块；

用于对Tent混沌映射进行种群初始化的第三模块；

用于计算粒子适应度、个体最优解、全局最优解的基于粒子群算法的第四模块；

用于计算粒子能量与其阈值、粒子相似性与其阈值的第五模块；

用于搜索策略、搜索粒子邻域、更新原解的第六模块；

用于更新粒子位置与速度、判断是否达到终止条件的第七模块。

在进一步的实施例中，所述第一模块进一步采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算，确定水电系统发电总量最大为目标函数，

式中，E为水电系统的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；N_i,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数；

所述第二模块进一步确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件：

对于水量平衡约束：V_i,t＝V_i,t-1+(Q_i,t-qf_i,t-J_i,t-S_i,t)·Δt；

式中：V_i,t为第i个水库、第t时段末的水库蓄水量；V_i,t-1为时段初蓄量；Q_i,t为入库流量；qf_i,t为发电流量；J_i,t为弃水流量；S_i,t为损失流量；

对于上限、下限水位约束：

式中：Z_i,t为第i个水库、第t时刻的计算水位；Z_i,t 为允许的下限水位；为允许的上限水位；

对于最大、最小流量约束：q_i,min≤qf_i,t≤qf_i,max；

式中：qf_i,t为第i个水库、第t时段的发电流量；q_i,min为第i个水库满足各项任务的最小下泄流量；qf_i,max为水轮机组最大的过水能力；

对于最小负荷约束：N _i,t≤N_i,t；

式中：N_i,t为第i个水库、第t时段的计算出力；N _i,t为最小负荷要求；

对于水轮机预想出力约束：N_i,t≤min{NH_i,t,NY_i}；

式中：NH_i,t为第i个水库、第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NY_i为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NY_i；

对于调度期初水位控制约束：

对于调度期末水位控制约束：

式中：Z_is为第i个水库调度期初的计算水位；为调度期初的控制水位；Z_ie为调度期末的计算水位；为调度期末的控制水位；

对于水位变幅约束：|Z_i,t+1-Z_i,t|≤ΔZ_i；

式中：Z_i,t+1为第i个水库、第t+1时刻的计算水位；ΔZ_i为第i个水库允许的最大水位变幅；

对于流量变幅约束：|q_i,t+1-q_i,t|≤Δq_i；

式中：q_i,t为第i个水库、第t时段的下泄流量，包括qf_i,t和J_i,t；q_i,t+1为第i个水库、第t+1时刻的出库流量；Δq_i为第i个水库允许的最大下泄流量变幅；

当上述约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件；采用罚函数改造后的目标函数如下式所示：

式中：Y为采用罚函数处理的约束条件数量；为惩罚系数，当前约束条件满足时当前约束条件不满足时β_y为惩罚指数；S_i,t,y为第i个水库、第t时段、第y个约束变量的值；为第i个水库、第t时段、第y个约束条件不被破坏的临界值；

所述第三模块进一步采用改进的Tent混沌映射进行种群初始化，其中，Tent混沌映射迭代公式为：

采用随机变量对Tent混沌映射进行改进，迭代表达式如下：

式中：N为粒子个数；

第三模块在区间(0,1)内随机生成初值x₀，并基于Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群；

所述第四模块进一步采用罚函数改造后的目标函数计算粒子的适应度；将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解；

所述第五模块进一步引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力；对于粒子P_i其粒子能量的表达式如下：

式中：e(P_i)为粒子P_i的能量；e(P_i)∈[0,1]；n为维数；X_i为当前的粒子位置；V_i为当前的粒子速度；P_ibest为当前个体最优解；P_gbest为当前群体最优解；s(x,y)为判断函数，表达式为

计算粒子能量阈值，表达式如下：

式中：eT(P_i)为粒子P_i的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(P_i(curG))＝P_ibest(curG)/P_ibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界；

引入粒子相似度与其阈值提高种群进化质量，抑制早熟；对于粒子P_i、P_j，粒子相似度的表达式如下：

式中：sl(P_i,P_j)为粒子P_i、P_j的相似度；其他符号含义同上；

计算相粒子似度阈值，表达式如下：

式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界；

采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间；

所述第六模块进一步采用轮盘赌的方式选出较优的个体，即一个较优的可行解X_i＝(x_i1,x_i2,...,x_it,...,x_in)；随机选择其中x_it插入任一位置获得一个新的解，重复步骤61 的操作获得X_i的邻域；邻域中若有适应度优于原可行解的，则更新原解；

所述第七模块进一步更新粒子的位置与飞行速度，计算表达式如下：

式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c₁、c₂为粒子飞行加速度加速度，是常数，一般取值2；r_1j、r_2j为随机数，服从U(0,1)；项反映粒子当前速度，反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，反映粒子当前位置与种群目前最优解的距离，是信息交互的体现；

判断是否达到终止条件，未达到则反馈给第四模块，达到则终止。

有益效果：本发明涉及一种混合自适应的水电站群智能优化调度方法及系统，首先，根据水电系统的调度任务，确定目标函数、约束条件；其次，采用Tent混沌映射生成初始种群，由于其具有更好的遍历均匀性和更快的收敛速度，使得优化计算的精度和速度得到改善；再次，引入粒子能量与其阈值使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力，引入粒子相似性与其阈值提高种群进化质量，抑制早熟；最后引入搜索策略，搜索粒子邻域，更新原解。

附图说明

图1为本发明方法的流程图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

下面通过实施例，并结合附图，对本发明的技术方案做进一步具体说明。

如图1所示，本发明公开了一种混合自适应的水电站群智能优化调度方法及系统，包括如下步骤：

步骤1，根据水电站群的调度任务，确定调度的目标函数。目前发电单一目的水能资源开发利用方式已不复存在，水电系统通常包含防洪、供水、发电、航运、生态、泥沙及环境等多项任务。采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算。确定水电系统发电总量最大为目标函数，表达式为：

式中：E为水电系统的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；N_i,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数。

步骤2，确定调度的约束条件，并对不同类型的约束条件进行处理。确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件。

(1)水量平衡约束

V_i,t＝V_i,t-1+(Q_i,t-qf_i,t-J_i,t-S_i,t)·Δt

式中：V_i,t为第i个水库、第t时段末的水库蓄水量；V_i,t-1为时段初蓄量；Q_i,t为入库流量；qf_i,t为发电流量；J_i,t为弃水流量；S_i,t为损失流量。

(2)上限、下限水位约束

式中：Z_i,t为第i个水库第t时刻的计算水位；Z_i,t 为允许的下限水位；为允许的上限水位。

(3)最大、最小流量约束

q_i,min≤qf_i,t≤qf_i,max

式中：qf_i,t为第i个水库第t时段的发电流量；q_i,min为第i个水库满足各项任务的最小下泄流量；qf_i,max为水轮机组最大的过水能力。

(4)最小负荷约束

N _i,t≤N_i,t

式中：N_i,t为第i个水库第t时段的计算出力；N _i,t为最小负荷要求。

(5)水轮机预想出力约束

N_i,t≤min{NH_i,t,NY_i}

式中：NH_i,t为第i个水库第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NY_i为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NY_i。

(6)调度期初、期末水位控制

式中：Z_is为第i个水库调度期初的计算水位；为调度期初的控制水位；Z_ie为调度期末的计算水位；为调度期末的控制水位。

(7)水位变幅约束

|Z_i,t+1-Z_i,t|≤ΔZ_i

式中：Z_i,t+1为第i个水库第t+1时刻的计算水位；ΔZ_i为第i个水库允许的最大水位变幅。

(8)流量变幅约束

|q_i,t+1-q_i,t|≤Δq_i

式中：q_i,t为第i个水库第t时段的下泄流量，包括qf_i,t和J_i,t；q_i,t+1为第i个水库第t+1 时刻的出库流量；Δq_i为第i个水库允许的最大下泄流量变幅。

上述约束条件中，首先，水电系统运行的模拟均基于水量平衡方程，因此在水库调节计算时已经实现了水量平衡约束；其次，各库的上限、下限水位约束、调度期初末水位控制约束，当选择水位为决策变量时，这一类的约束条件可以在设定计算条件时限制搜索空间得以实现，称为刚性约束；而剩下各库的流量约束、最小负荷约束、水轮机预想出力约束、水位变幅约束、流量变幅约束等则往往需要在调节计算结束后才能判断是否得到满足，本发明引入罚函数的概念实现这类约束条件，原理是当这类约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件。采用罚函数改造后的目标函数如下式所示：

式中：Y为采用罚函数处理的约束条件数量；为惩罚系数，当前约束条件满足时当前约束条件不满足时β_y为惩罚指数；S_i,t,y为第i个水库第t时段第y个约束变量的值；为第i个水库第t时段第y个约束条件不被破坏的临界值。

步骤3，采用改进的Tent混沌映射进行种群初始化。为了初始种群具有更好的遍历均匀性，学者多采用Logistic混沌映射改进智能算法，然而已有研究证明Logistic混沌映射在0至0.05、0.95至1区间内分布概率更高，这种不均匀性对优化计算的速度和精度均有较大的影响。另有研究证明较Logistic混沌映射，Tent混沌映射具有更好的遍历均匀性和更快的收敛速度。Tent混沌映射迭代公式为：

为了避免迭代序列落入不稳定周期点或小周期点，采用一个随机变量对Tent混沌映射进行改进，迭代表达式如下：

式中：N为粒子个数。

步骤3具体可以进一步分为以下几个子步骤：

步骤31、在区间(0,1)内随机生成初值x₀；

步骤32、基于改进的Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群。

步骤4，基于粒子群算法，计算粒子适应度、个体最优解、全局最优解。采用罚函数改造后的目标函数计算粒子的适应度。将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解。

步骤5中，引入粒子能量与其阈值、粒子相似性与其阈值，具体可以分为以下几个子步骤：

步骤51、为了避免落入局部最优解，引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力。对于粒子P_i其粒子能量的表达式如下：

式中：e(P_i)为粒子P_i的能量，e(P_i)∈[0,1]；n为维数；X_i为当前的粒子位置；V_i为当前的粒子速度；P_ibest为当前个体最优解；P_gbest为当前群体最优解；s(x,y)为判断函数，表达式为可以看出，e(P_i)与当前群体最优和P_i的自身状态有关，可以反映P_i的搜索能力。

步骤52、计算粒子能量阈值，表达式如下：

式中：eT(P_i)为粒子P_i的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(P_i(curG))＝P_ibest(curG)/P_ibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界。可以看出，eT(P_i)与粒子群进化的程度与速度有关。当e(P_i)小于eT(P_i)时，对V_i和X_i进行变异操作，扩大其搜索范围。

步骤53、上述模型随着迭代的进行，种群中的粒子会趋于相似，从而全局搜索能力变低，导致早熟收敛。因此引入粒子相似度与其阈值提高种群进化质量，抑制早熟。对于粒子P_i、P_j，粒子相似度的表达式如下：

式中：sl(P_i,P_j)为粒子P_i、P_j的相似度；其他符号含义同上。

步骤54、计算相粒子似度阈值，表达式如下：

式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界。

slT(CurG)是当前sl(P_i,P_j)的下界，迭代初始阶段slT(CurG)取值较大，使得粒子近乎均匀地分布在空间，随着迭代进行slT(CurG)逐渐变小，使粒子不断聚拢到全局最优解的邻域。当sl(P_i,P_j)的小于slT(CurG)时，说明粒子P_i、P_j过于相似，不利于种群多样性。因此，为了保持种群的多样性，采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间。

步骤6，引入搜索策略，搜索粒子邻域，更新原解，具体可以分为以下几个子步骤：

步骤61、采用轮盘赌的方式选出较优的个体，即一个较优的可行解 X_i＝(x_i1,x_i2,...,x_it,...,x_in)；

步骤62、随机选择其中x_it插入任一位置获得一个新的解，重复上述操作获得X_i的邻域

步骤63、领域中若有适应度优于原可行解的，则更新原解。

步骤7，更新粒子的位置与飞行速度，计算表达式如下：

式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c₁、c₂为粒子飞行加速度加速度，是常数，一般取值2；r_1j、r_2j为随机数，服从U(0,1)。项反映粒子当前速度，反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，反映粒子当前位置与种群目前最优解的距离，是信息交互的体现。

判断是否达到终止条件，未达到转步骤4，达到则终止。

总之，针对现有技术的不足，本发明提出了一种混合自适应的水电站群智能优化调度方法及系统，首先，根据水电系统的调度任务，确定目标函数、约束条件；其次，采用Tent混沌映射生成初始种群，由于其具有更好的遍历均匀性和更快的收敛速度，使得优化计算的精度和速度得到改善；再次，引入粒子能量与其阈值使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力，引入粒子相似性与其阈值提高种群进化质量，抑制早熟；最后引入搜索策略，搜索粒子邻域，更新原解。上述方法解决了现有技术存在早熟收敛、求得的解是局部最优解不是全局最优解、不具备良好的遍历均匀性和收敛速度、导致优化精度与速度不佳等缺陷。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种混合自适应的水电站群智能优化调度方法，其特征是包括以下步骤：

步骤1、根据水电站群的调度任务，确定调度的目标函数；

步骤2、确定调度的约束条件，并对不同类型的约束条件进行处理；

步骤3、采用改进的Tent混沌映射进行种群初始化；

步骤4、基于粒子群算法，计算粒子适应度、个体最优解、全局最优解；

步骤5、计算粒子能量与其阈值、粒子相似性与其阈值；

步骤6、引入搜索策略，搜索粒子邻域，更新原解；

步骤7、更新粒子的位置与速度，判断是否达到终止条件，未达到转步骤4，达到则终止。

2.根据权利要求1所述的一种混合自适应的水电站群智能优化调度方法，其特征在于，所述步骤1进一步为：

采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算，确定水电系统发电总量最大为目标函数，

式中，E为水电系统的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；N_i,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数。

3.根据权利要求1所述的一种混合自适应的水电站群智能优化调度方法，其特征在于，所述步骤2进一步为：

确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件：

对于水量平衡约束：V_i,t＝V_i,t-1+(Q_i,t-qf_i,t-J_i,t-S_i,t)·Δt；

式中：V_i,t为第i个水库、第t时段末的水库蓄水量；V_i,t-1为时段初蓄量；Q_i,t为入库流量；qf_i,t为发电流量；J_i,t为弃水流量；S_i,t为损失流量；

对于上限、下限水位约束：

式中：Z_i,t为第i个水库、第t时刻的计算水位；Z_i,t 为允许的下限水位；为允许的上限水位；

对于最大、最小流量约束：q_i,min≤qf_i,t≤qf_i,max；

式中：qf_i,t为第i个水库、第t时段的发电流量；q_i,min为第i个水库满足各项任务的最小下泄流量；qf_i,max为水轮机组最大的过水能力；

对于最小负荷约束：N _i,t≤N_i,t；

式中：N_i,t为第i个水库、第t时段的计算出力；N _i,t为最小负荷要求；

对于水轮机预想出力约束：N_i,t≤min{NH_i,t,NY_i}；

式中：NH_i,t为第i个水库、第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NY_i为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NY_i；

对于调度期初水位控制约束：

对于调度期末水位控制约束：

式中：Z_is为第i个水库调度期初的计算水位；为调度期初的控制水位；Z_ie为调度期末的计算水位；为调度期末的控制水位；

对于水位变幅约束：|Z_i,t+1-Z_i,t|≤ΔZ_i；

式中：Z_i,t+1为第i个水库、第t+1时刻的计算水位；ΔZ_i为第i个水库允许的最大水位变幅；

对于流量变幅约束：|q_i,t+1-q_i,t|≤Δq_i；

式中：q_i,t为第i个水库、第t时段的下泄流量，包括qf_i,t和J_i,t；q_i,t+1为第i个水库、第t+1时刻的出库流量；Δq_i为第i个水库允许的最大下泄流量变幅；

当上述约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件；采用罚函数改造后的目标函数如下式所示：

式中：Y为采用罚函数处理的约束条件数量；为惩罚系数，当前约束条件满足时当前约束条件不满足时β_y为惩罚指数；S_i,t,y为第i个水库、第t时段、第y个约束变量的值；为第i个水库、第t时段、第y个约束条件不被破坏的临界值。

4.根据权利要求1所述的一种混合自适应的水电站群智能优化调度方法，其特征在于，所述步骤3进一步为：

步骤31、在区间(0,1)内随机生成初值x₀；

步骤32、基于改进的Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群；

其中，Tent混沌映射迭代公式为：

采用随机变量对Tent混沌映射进行改进，迭代表达式如下：

式中：N为粒子个数。

5.根据权利要求1所述的一种混合自适应的水电站群智能优化调度方法，其特征在于，所述步骤4进一步为：

采用罚函数改造后的目标函数计算粒子的适应度；将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解。

6.根据权利要求1所述的一种混合自适应的水电站群智能优化调度方法，其特征在于，所述步骤5进一步为：

步骤51、引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力；对于粒子P_i其粒子能量的表达式如下：

式中：e(P_i)为粒子P_i的能量；e(P_i)∈[0,1]；n为维数；X_i为当前的粒子位置；V_i为当前的粒子速度；P_ibest为当前个体最优解；P_gbest为当前群体最优解；s(x,y)为判断函数，表达式为

步骤52、计算粒子能量阈值，表达式如下：

式中：eT(P_i)为粒子P_i的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(P_i(curG))＝P_ibest(curG)/P_ibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界；

步骤53、引入粒子相似度与其阈值提高种群进化质量，抑制早熟；对于粒子P_i、P_j，粒子相似度的表达式如下：

式中：sl(P_i,P_j)为粒子P_i、P_j的相似度；其他符号含义同上；

步骤54、计算相粒子似度阈值，表达式如下：

式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界；

步骤55、采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间。

7.根据权利要求1所述的一种混合自适应的水电站群智能优化调度方法，其特征在于，所述步骤6进一步为：

步骤61、采用轮盘赌的方式选出较优的个体，即一个较优的可行解X_i＝(x_i1,x_i2,...,x_it,...,x_in)；

步骤62、随机选择其中x_it插入任一位置获得一个新的解，重复步骤61的操作获得X_i的邻域；

步骤63、邻域中若有适应度优于原可行解的，则更新原解。

8.根据权利要求1所述的一种混合自适应的水电站群智能优化调度方法，其特征在于，所述步骤7进一步为：

步骤71、更新粒子的位置与飞行速度，计算表达式如下：

式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c₁、c₂为粒子飞行加速度加速度，是常数，一般取值2；r_1j、r_2j为随机数，服从U(0,1)；项反映粒子当前速度，反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，反映粒子当前位置与种群目前最优解的距离，是信息交互的体现；

步骤72、判断是否达到终止条件，未达到转步骤4，达到则终止。

9.一种混合自适应的水电站群优化调度智能系统，其特征在于包括如下模块：

用于根据水电站群的调度任务，确定调度的目标函数的第一模块；

用于确定调度约束条件、并对不同类型的约束条件进行处理的第二模块；

用于对Tent混沌映射进行种群初始化的第三模块；

用于计算粒子适应度、个体最优解、全局最优解的基于粒子群算法的第四模块；

用于计算粒子能量与其阈值、粒子相似性与其阈值的第五模块；

用于搜索策略、搜索粒子邻域、更新原解的第六模块；

用于更新粒子位置与速度、判断是否达到终止条件的第七模块。

10.根据权利要求9所述的一种混合自适应的水电站群优化调度智能系统，其特征在于：

所述第一模块进一步采用约束松弛理论，将发电目标作为基本目标，将其他的防洪、供水、航运等目标转化成约束条件，将多目标的优化调度问题转化成单目标问题进行优化计算，确定水电系统发电总量最大为目标函数，

式中，E为水电系统的发电总量；i为水电站(水库)序号；t为计算时段；n为水电站(水库)个数；T为调度期时段数或调度期末时序；N_i,t为第i个水库在第t时段的发电出力；Δt为计算时段t的小时数；

所述第二模块进一步确定各库的水量平衡、各库的水位、各库的流量、最小负荷、水轮机预想出力、调度期初末水位控制、水位变幅、流量变幅等约束条件：

对于水量平衡约束：V_i,t＝V_i,t-1+(Q_i,t-qf_i,t-J_i,t-S_i,t)·Δt；

式中：V_i,t为第i个水库、第t时段末的水库蓄水量；V_i,t-1为时段初蓄量；Q_i,t为入库流量；qf_i,t为发电流量；J_i,t为弃水流量；S_i,t为损失流量；

对于上限、下限水位约束：

式中：Z_i,t为第i个水库、第t时刻的计算水位；Z_i,t 为允许的下限水位；为允许的上限水位；

对于最大、最小流量约束：q_i,min≤qf_i,t≤qf_i,max；

式中：qf_i,t为第i个水库、第t时段的发电流量；q_i,min为第i个水库满足各项任务的最小下泄流量；qf_i,max为水轮机组最大的过水能力；

对于最小负荷约束：N _i,t≤N_i,t；

式中：N_i,t为第i个水库、第t时段的计算出力；N _i,t为最小负荷要求；

对于水轮机预想出力约束：N_i,t≤min{NH_i,t,NY_i}；

式中：NH_i,t为第i个水库、第t时段的预想出力，根据发电水头查水轮机综合运转特性曲线可知；NY_i为第i个水库的装机容量，当发电水头大于等于水轮机设计水头的时候，才能发出出力NY_i；

对于调度期初水位控制约束：

对于调度期末水位控制约束：

式中：Z_is为第i个水库调度期初的计算水位；为调度期初的控制水位；Z_ie为调度期末的计算水位；为调度期末的控制水位；

对于水位变幅约束：|Z_i,t+1-Z_i,t|≤ΔZ_i；

式中：Z_i,t+1为第i个水库、第t+1时刻的计算水位；ΔZ_i为第i个水库允许的最大水位变幅；

对于流量变幅约束：|q_i,t+1-q_i,t|≤Δq_i；

式中：q_i,t为第i个水库、第t时段的下泄流量，包括qf_i,t和J_i,t；q_i,t+1为第i个水库、第t+1时刻的出库流量；Δq_i为第i个水库允许的最大下泄流量变幅；

当上述约束条件被破坏时，对目标函数值产生一个惩罚量，以期减少适应度值使得该策略不成为最优策略，进而保证最优策略能够尽可能满足第三类约束条件；采用罚函数改造后的目标函数如下式所示：

式中：Y为采用罚函数处理的约束条件数量；为惩罚系数，当前约束条件满足时当前约束条件不满足时β_y为惩罚指数；S_i,t,y为第i个水库、第t时段、第y个约束变量的值；为第i个水库、第t时段、第y个约束条件不被破坏的临界值；

所述第三模块进一步采用改进的Tent混沌映射进行种群初始化，其中，Tent混沌映射迭代公式为：

采用随机变量对Tent混沌映射进行改进，迭代表达式如下：

式中：N为粒子个数；

第三模块在区间(0,1)内随机生成初值x₀，并基于Tent混沌映射迭代表达式，迭代次数为种群容量，获得初始种群；

所述第四模块进一步采用罚函数改造后的目标函数计算粒子的适应度；将结算结果与个体最优解进行比较，若当前适应度优于个体最优解，则采用当前粒子更新个体最优解；将结算结果与全局最优解进行比较，若当前适应度优于全局最优解，则采用当前粒子更新全局最优解；

所述第五模块进一步引入粒子能量与其阈值，使得算法在一开始拥有良好的全局搜索能力，随着迭代进行不断自适应调整，在后期又有良好的局部精化能力；对于粒子P_i其粒子能量的表达式如下：

式中：e(P_i)为粒子P_i的能量；e(P_i)∈[0,1]；n为维数；X_i为当前的粒子位置；V_i为当前的粒子速度；P_ibest为当前个体最优解；P_gbest为当前群体最优解；s(x,y)为判断函数，表达式为

计算粒子能量阈值，表达式如下：

式中：eT(P_i)为粒子P_i的能量阈值；maxG为迭代的最大代数；curG为迭代的当前代数；speed(P_i(curG))＝P_ibest(curG)/P_ibest(curG-1)；a为控制常数，用于控制eT的变化趋势；eIni为eT上界；eFin为eT下界；

引入粒子相似度与其阈值提高种群进化质量，抑制早熟；对于粒子P_i、P_j，粒子相似度的表达式如下：

式中：sl(P_i,P_j)为粒子P_i、P_j的相似度；其他符号含义同上；

计算相粒子似度阈值，表达式如下：

式中：slT(CurG)为相似度阈值；s为控制常数，用于控制slT(CurG)每次变化幅度；sIni为slT上界；sFin为slT下界；

采用排序策略依次计算相邻粒子的相似度，对过于相似粒子的历史最优解进行变异，指导其搜索新的未被搜索过的空间；

所述第六模块进一步采用轮盘赌的方式选出较优的个体，即一个较优的可行解X_i＝(x_i1,x_i2,...,x_it,...,x_in)；随机选择其中x_it插入任一位置获得一个新的解，重复步骤61的操作获得X_i的邻域；邻域中若有适应度优于原可行解的，则更新原解；

所述第七模块进一步更新粒子的位置与飞行速度，计算表达式如下：

式中：i＝1,2,...,m；j＝1,2,...,n；ω为惯性权重；c₁、c₂为粒子飞行加速度加速度，是常数，一般取值2；r_1j、r_2j为随机数，服从U(0,1)；项反映粒子当前速度，反映粒子当前位置与目前自身最优解的距离，是个体认知的体现，反映粒子当前位置与种群目前最优解的距离，是信息交互的体现；

判断是否达到终止条件，未达到则反馈给第四模块，达到则终止。