CN110598919B - 一种梯级水电站群生态调控方法与系统 - Google Patents

一种梯级水电站群生态调控方法与系统 Download PDF

Info

Publication number
CN110598919B
CN110598919B CN201910806054.XA CN201910806054A CN110598919B CN 110598919 B CN110598919 B CN 110598919B CN 201910806054 A CN201910806054 A CN 201910806054A CN 110598919 B CN110598919 B CN 110598919B
Authority
CN
China
Prior art keywords
individual
population
current population
fitness
current
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
CN201910806054.XA
Other languages
English (en)
Other versions
CN110598919A (zh
Inventor
冯仲恺
刘帅
牛文静
蒋志强
刘懿
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
Original Assignee
Huazhong University of Science and Technology
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 filed Critical Huazhong University of Science and Technology
Priority to CN201910806054.XA priority Critical patent/CN110598919B/zh
Publication of CN110598919A publication Critical patent/CN110598919A/zh
Application granted granted Critical
Publication of CN110598919B publication Critical patent/CN110598919B/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

Abstract

本发明公开了一种梯级水电站群生态调控方法与系统，属于梯级水电站群优化与生态调度领域，其中方法包括：将梯级水电站群中每个电站的水位作为种群中的个体，设置最大迭代次数，随机初始化种群；在迭代过程中更新当前种群的全局最优位置；利用当前种群中每个个体的速度更新当前种群中每个个体的位置；利用莱维随机数对当前种群的全局最优位置进行缩放，将当前种群的全局最优位置和当前种群中每个个体缩放后的位置相减后与当前种群中的随机个体进行叠加，得到当前种群中每个个体变异后的位置；将达到最大迭代次数时的全局最优位置作为梯级水电站群的最优调度方案。本发明收敛速度快、能够有效避免陷入局部最优。

Description

一种梯级水电站群生态调控方法与系统
技术领域
本发明属于梯级水电站群优化与生态调度领域，更具体地，涉及一种梯级水电站群生态调控方法与系统。
背景技术
在传统的水库运行中，管理者没有考虑上游水库，下游水库和库区的生态系统，导致大坝上下游地貌特征的变化和自然水文循环的人工化。随着梯级水库调度方法的发展和人类安全意识的提高，一个新的生态运行研究领域逐渐受到许多学者的关注。通过生态经营，可以有效防止径流减少，改善水环境质量，保护生物多样性，实现人与自然的和谐发展。生态经营是开发利用水资源的重要途径。
梯级水电系统生态调度模型是一个具有复杂约束的大型、动态的非线性优化问题，传统的方法例如动态规划、逐次优化算法、二次规划等因为求解时间过长、易陷入维数灾、接近最优解时不容易收敛等缺陷使得对大型、动态的非线性问题的优化带来了困难。引力搜索算法(Gravitational Search Algorithm，GSA)是一种新颖的全局优化智能算法，受经典牛顿重力和运动定律的启发，每个体都被视为宇宙中具有一定质量的物体，并且任何一个个体将通过引力同时被其他质量较大的个体吸引。通过独特的信息交互策略，可以与群体中的其他个体有效地共享个体经验，并且可以逐步改善群体发现的全局最优个体的位置。调查发现，GSA已经成功应用于许多的工程领域，如水文预报，水火联合调度中。但是仍未见到关于GSA解决梯级水电系统生态调度的相关报道。为此，我们尝试将标准GSA算法应用到生态调度领域中，但是在研究中发现标准GSA算法自身存在着早熟收敛，在搜索后期开发能力不足等问题。
由此可见，现有技术存在早熟收敛、局部寻优的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种梯级水电站群生态调控方法与系统，由此解决现有技术存在早熟收敛、局部寻优的技术问题。
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群生态调控方法，包括如下步骤：
(1)将梯级水电站群中每个电站的水位作为种群中的个体，设置最大迭代次数为
Figure BDA0002182705660000021
当迭代次数k＝1时，在搜索空间内随机初始化种群，得到初始种群；
(2)计算初始种群中每个个体的适应度，将初始种群中每个个体的位置作为历史最优位置，将适应度最小值对应的个体位置作为初始种群的全局最优位置；
(3)当迭代次数k≥2时，计算当前种群中每个个体的适应度，将当前种群中每个个体的适应度与上一次迭代种群中每个个体的历史最优位置的适应度进行比较，更新当前种群中每个个体的历史最优位置和当前种群的全局最优位置；
(4)利用当前种群中每个个体的适应度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置；
(5)将莱维随机数与当前种群中每个个体的速度进行叠加后对当前种群的全局最优位置进行缩放，得到当前种群中每个个体缩放后的位置；
(6)将当前种群的全局最优位置和当前种群中每个个体缩放后的位置相减后与当前种群中的随机个体进行叠加，得到当前种群中每个个体变异后的位置；
(7)令k＝k+1，若
Figure BDA0002182705660000022
则返回步骤(3)；否则停止计算，并将最后一次迭代时得到的当前种群的全局最优位置作为梯级水电站群的最优调度方案。
进一步地，搜索空间为水库水位约束：
Figure BDA0002182705660000031
其中，Zi，t为第i个水电站在第t个时段的水位；
Figure BDA0002182705660000032
为第i个水电站在第t个时段的库容上限；
Figure BDA0002182705660000033
为第i个水电站在第t个时段的库容下限。
进一步地，计算当前种群中每个个体的适应度包括：
利用当前种群中每个个体对应的水位计算库容，利用库容和水量平衡约束计算出库流量，利用出库流量和生态流量需求计算梯级水电站群的总缺水量，将梯级水电站群的总缺水量与惩罚函数值之和作为适应度。
进一步地，步骤(3)中对适应度进行比较的具体实现方式为：
Figure BDA0002182705660000034
Figure BDA0002182705660000035
其中，pBesti(k)和pBesti(k-1)表示第k和k-1代种群第i个个体的历史最优位置，F[pBesti(k-1)]表示pBesti(k-1)的适应度，gBest(k)表示第k代种群的全局最优位置，N为种群规模，Xi(k)为第k代种群第i个个体，F[Xi(k)]为Xi(k)的适应度。
进一步地，步骤(4)包括：
利用当前种群中每个个体的适应度计算当前种群中每个个体的质量；
利用当前种群中每个个体的质量结合当前种群的引力常数，计算当前种群中每个个体的加速度；
利用当前种群中每个个体的加速度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置。
进一步地，当前种群中每个个体缩放后的位置为：
Figure BDA0002182705660000041
其中，
Figure BDA0002182705660000042
为第k代种群第i个个体第d维缩放后的位置，
Figure BDA0002182705660000043
为第k代种群第i个个体第d维的速度，Levy(β)为莱维随机数，gBest(k)表示第k代种群的全局最优位置。
进一步地，莱维随机数为：
Figure BDA0002182705660000044
Figure BDA0002182705660000045
其中，u和v是符合正态分布的随机数；β是常数，且β∈(0，2]；Γ是伽马函数。
进一步地，步骤(6)包括：
Figure BDA0002182705660000046
其中，
Figure BDA0002182705660000047
为第k代种群中随机选择的个体的第d维的位置，且ind≠i。r5为[0，1]之间均匀分布的随机数，
Figure BDA0002182705660000048
为第k代种群中第i个个体变异后第d维的位置。
进一步地，步骤(5)还包括：
将当前种群中每个个体缩放后的位置作为缩放父代，将下一次迭代种群中每个个体的缩放后的位置作为缩放子代，若缩放父代适应度比缩放子代适应度大，则用缩放子代替换缩放父代，否则不进行替换；
所述步骤(6)还包括：
将当前种群中每个个体变异后的位置作为变异父代，将下一次迭代种群中每个个体的变异后的位置作为变异子代，若变异父代适应度比变异子代适应度大，则用变异子代替换变异父代，否则不进行替换。
按照本发明的另一方面，提供了一种梯级水电站群生态调控系统，包括：
初始化模块，用于将梯级水电站群中每个电站的水位作为种群中的个体，设置最大迭代次数为
Figure BDA0002182705660000052
当迭代次数k＝1时，在搜索空间内随机初始化种群，得到初始种群；
初始寻优模块，用于计算初始种群中每个个体的适应度，将初始种群中每个个体的位置作为历史最优位置，将适应度最小值对应的个体位置作为初始种群的全局最优位置；
全局最优位置更新模块，用于当迭代次数k≥2时，计算当前种群中每个个体的适应度，将当前种群中每个个体的适应度与上一次迭代种群中每个个体的历史最优位置的适应度进行比较，更新当前种群中每个个体的历史最优位置和当前种群的全局最优位置；
个体位置更新模块，用于利用当前种群中每个个体的适应度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置；
莱维局部搜索模块，用于将莱维随机数与当前种群中每个个体的速度进行叠加后对当前种群的全局最优位置进行缩放，得到当前种群中每个个体缩放后的位置；
随机变异模块，用于将当前种群的全局最优位置和当前种群中每个个体缩放后的位置相减后与当前种群中的随机个体进行叠加，得到当前种群中每个个体变异后的位置；
最优调度方案获取模块，用于令k＝k+1，若
Figure BDA0002182705660000051
则执行全局最优位置更新模块；否则停止计算，并将最后一次迭代时得到的当前种群的全局最优位置作为梯级水电站群的最优调度方案。
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)本发明在迭代过程中利用当前种群中每个个体的适应度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置，由此对标准GSA算法进行改进，使得GSA算法能够在梯级水电系统生态调度领域中得到成功应用。避免发生早熟收敛、局部寻优的问题，本发明具有求解精度高、收敛速度快、鲁棒性强、能够有效避免陷入局部最优等优点，为解决梯级水电生态调度问题提供了一种有效的解决方法。
(2)本发明将莱维随机数与当前种群中每个个体的速度进行叠加后对当前种群的全局最优位置进行缩放，得到当前种群中每个个体缩放后的位置，引入莱维局部搜索策略提升种群的局部搜索能力。
(3)本发明将当前种群的全局最优位置和当前种群中每个个体缩放后的位置相减后与当前种群中的随机个体进行叠加，得到当前种群中每个个体变异后的位置，采用随机变异策略增加种群多样性，从而使得算法能够有效跳出局部最优。
(4)本发明在缩放父代适应度比缩放子代适应度大时用缩放子代替换缩放父代，在变异父代适应度比变异子代适应度大时用变异子代替换变异父代。采用精英选择策略增加种群多样性，提高算法全局寻优能力与收敛速度。
(5)本发明利用新型的引力搜索算法对具有复杂约束的全局优化问题进行处理，该方法在标准GSA方法基础上，创新性地引入莱维局部搜索策略、随机变异策略及精英个体选择策略，以提高算法全局寻优能力与收敛速度，从而有效提高梯级水电系统的生态调度效益。
附图说明
图1是本发明实施例提供的一种梯级水电站群生态调控方法的流程示意图；
图2(a)是本发明实施例1提供的最小生态流量为75％时采用本发明方法和其他优化算法的箱型图对比图；
图2(b)是本发明实施例1提供的最小生态流量为90％时采用本发明方法和其他优化算法的箱型图对比图；
图2(c)是本发明实施例1提供的最小生态流量为95％时采用本发明方法和其他优化算法的箱型图对比图；
图2(d)是本发明实施例1提供的适宜生态流量为75％时采用本发明方法和其他优化算法的箱型图对比图；
图2(e)是本发明实施例1提供的适宜生态流量为90％时采用本发明方法和其他优化算法的箱型图对比图；
图2(f)是本发明实施例1提供的适宜生态流量为95％时采用本发明方法和其他优化算法的箱型图对比图；
图3(a)是本发明实施1例提供的一种枯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3(b)是本发明实施例1提供的一种枯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3(c)是本发明实施例1提供的一种枯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3(d)是本发明实施例1提供的一种枯水年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3(e)是本发明实施例1提供的一种枯水年水条件下采用本发明方法的构皮滩电站计算结果示意图；
图3(f)是本发明实施例1提供的一种枯水年来水条件下采用本发明方法的总缺水量计算结果示意图。
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。
如图1所示，一种梯级水电站群生态调控方法，包括如下步骤：
(1)将梯级水电站群中每个电站的水位作为种群中的个体，设置最大迭代次数为
Figure BDA0002182705660000082
当迭代次数k＝1时，在搜索空间内随机初始化种群，得到初始种群；
(2)计算初始种群中每个个体的适应度，将初始种群中每个个体的位置作为历史最优位置，将适应度最小值对应的个体位置作为初始种群的全局最优位置；
(3)当迭代次数k≥2时，计算当前种群中每个个体的适应度，将当前种群中每个个体的适应度与上一次迭代种群中每个个体的历史最优位置的适应度进行比较，更新当前种群中每个个体的历史最优位置和当前种群的全局最优位置；
(4)利用当前种群中每个个体的适应度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置；
(5)将莱维随机数与当前种群中每个个体的速度进行叠加后对当前种群的全局最优位置进行缩放，得到当前种群中每个个体缩放后的位置；
(6)将当前种群的全局最优位置和当前种群中每个个体缩放后的位置相减后与当前种群中的随机个体进行叠加，得到当前种群中每个个体变异后的位置；
(7)令k＝k+1，若
Figure BDA0002182705660000081
则返回步骤(3)；否则停止计算，并将最后一次迭代时得到的当前种群的全局最优位置作为梯级水电站群的最优调度方案。
进一步地，搜索空间为水库水位约束。
初始种群中任意一个个体在T时段数目内的编码值可以表示为X＝[Z1，1，Z1，2，…，Z1，T…，Zj，t，…，ZNum，1，ZNum，2，…，ZNum，T]，其中，Num表示电站数目，Zj，t表示第j个电站在第t个时段电站的水位值，且1≤j≤Num，1≤t≤T。
Figure BDA0002182705660000091
Figure BDA0002182705660000092
和
Figure BDA0002182705660000093
分别是Zj，t对应的水位上限和下限；rand为[0，1]区间内均匀分布的随机数。
进一步地，计算当前种群中每个个体的适应度包括：
利用当前种群中每个个体对应的水位计算库容，利用库容和水量平衡约束计算出库流量，利用出库流量和生态流量需求计算梯级水电站群的总缺水量，将梯级水电站群的总缺水量与惩罚函数值之和作为适应度。
本发明以生态缺水总量为梯级水电站群的目标函数，具体公式为：
Figure BDA0002182705660000094
式中：Ew为梯级水电站群总缺水量；Num为电站数目；T为调度时段数目；i表示电站序号，i＝1，2，…，Num；t表示时段序号，t＝1，2，…，T；Δt为第t个时段的小时数；
Figure BDA0002182705660000095
为第i个水电站在第t个时段的生态流量需求；Oi，t为第i个水电站在第t个时段的出库流量。
需要满足的约束条件如下：
水量平衡约束：Vi，t+1＝Vi，t+3600×(qi，t-Qi，t-Si，t)×Δt。其中，Vi，t为第i个水电站在第t个时段的库容；qi，t为第i个水电站在第t个时段的入库流量；Qi，t为第i个水电站在第t个时段的发电流量；Si，t为第n个水电站在第t个时段的弃水流量；
水库水位约束：
Figure BDA0002182705660000096
其中，Zi，t为第i个水电站在第t个时段的水位；
Figure BDA0002182705660000097
为第i个水电站在第t个时段的库容上限；
Figure BDA0002182705660000098
为第i个水电站在第t个时段的库容下限；
发电流量约束：
Figure BDA0002182705660000099
其中，
Figure BDA00021827056600000910
为第i个水电站在第t个时段的发电流量上限；
Figure BDA00021827056600000911
为第i个水电站在第t个时段的发电流量下限；
水库出库流量约束：
Figure BDA0002182705660000101
其中，
Figure BDA0002182705660000102
为第i个水电站在第t个时段的出库流量上限；
Figure BDA0002182705660000103
为第i个水电站在第t个时段的出库流量下限；
水电站出力约束：
Figure BDA0002182705660000104
其中，
Figure BDA0002182705660000105
为第n个水电站在第t个时段的出力上限；
Figure BDA0002182705660000106
为第i个水电站在第t个时段的出力下限；
水电站始末水位约束：
Figure BDA0002182705660000107
其中，
Figure BDA0002182705660000108
为第i个水电站在的初始水位；
Figure BDA0002182705660000109
为第i个水电站的期末水位。
第k代第i个个体Xi(k)的适应度F[Xi(k)]计算公式为
Figure BDA00021827056600001010
其中Ci，t为第i个电站在第t个时段的约束数目；ρi，t，j和zi，t，j为第j个约束在第t个时段的惩罚系数和约束的破坏程度；
Figure BDA00021827056600001011
和
Figure BDA00021827056600001012
为zi，t，j对应的上限和下限的取值。
进一步地，步骤(3)中对适应度进行比较的具体实现方式为：
Figure BDA00021827056600001013
Figure BDA00021827056600001014
其中，pBesti(k)和pBesti(k-1)表示第k和k-1代种群第i个个体的历史最优位置，F[pBesti(k-1)]表示pBesti(k-1)的适应度，gBest(k)表示第k代种群的全局最优位置，N为种群规模，Xi(k)为第k代种群第i个个体，F[Xi(k)]为Xi(k)的适应度。
进一步地，步骤(4)包括：
利用当前种群中每个个体的适应度计算当前种群中每个个体的质量；
利用当前种群中每个个体的质量结合当前种群的引力常数，计算当前种群中每个个体的加速度；
利用当前种群中每个个体的加速度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置。
具体地：
Figure BDA0002182705660000111
Figure BDA0002182705660000112
Figure BDA0002182705660000113
Figure BDA0002182705660000114
Figure BDA0002182705660000115
Figure BDA0002182705660000116
Figure BDA0002182705660000117
式中：Mi(k)为第k代第i个个体的质量；fiti(k)为第k代第i个个体适应度；
Figure BDA0002182705660000118
和
Figure BDA0002182705660000119
为第k代种群中个体的最大适应度和最小适应度；G(k)为第k代种群中的引力常数；G0为初始引力常数；α为衰减系数；
Figure BDA00021827056600001110
为第i个个体和第j个个体之间在第d维的作用力；Rij(k)为第i个个体和第j个个体的欧氏距离；ε是一个非常小的常数；
Figure BDA00021827056600001111
为第k代种群第i个个体在第d维的位置；randj是[0，1]之间均匀分布的随机数；Kbest是种群中具有更好适应度值的子种群；
Figure BDA00021827056600001112
为第k代种群第i个个体在第d维的加速度；randi为[0，1]之间均匀分布的随机数；
Figure BDA00021827056600001113
第i个个体在第d维的速度。
进一步地，当前种群中每个个体缩放后的位置为：
Figure BDA0002182705660000121
其中，
Figure BDA0002182705660000122
为第k代种群第i个个体第d维缩放后的位置，
Figure BDA0002182705660000123
为第k代种群第i个个体第d维的速度，Levy(β)为莱维随机数，gBest(k)表示第k代种群的全局最优位置。
进一步地，莱维随机数为：
Figure BDA0002182705660000124
Figure BDA0002182705660000125
其中，u和v是符合正态分布的随机数；β是常数，且β∈(0，2]；Γ是伽马函数。
进一步地，步骤(6)包括：
Figure BDA0002182705660000126
其中，
Figure BDA0002182705660000127
为第k代种群中随机选择的个体的第d维的位置，且ind≠i。r5为[0，1]之间均匀分布的随机数，
Figure BDA0002182705660000128
为第k代种群中第i个个体变异后第d维的位置。
进一步地，步骤(5)还包括：
将当前种群中每个个体缩放后的位置作为缩放父代，将下一次迭代种群中每个个体的缩放后的位置作为缩放子代，若缩放父代适应度比缩放子代适应度大，则用缩放子代替换缩放父代，否则不进行替换；
所述步骤(6)还包括：
将当前种群中每个个体变异后的位置作为变异父代，将下一次迭代种群中每个个体的变异后的位置作为变异子代，若变异父代适应度比变异子代适应度大，则用变异子代替换变异父代，否则不进行替换。
本发明还包括边界检查。对超出边界的个体在搜索空间中进行随机初始化。
实施例1
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N＝50、
Figure BDA0002182705660000131
α＝20、G0＝100、β＝1.5，各约束破坏惩罚系数均设定为1000。
为验证本发明实用性，将粒子群算法(Particle Swarm Optimization，PSO)、差分进化算法(Differential Evolution，DE)、标准引力搜索算法(Gravitational SearchAlgorithm，GSA)、改进的引力搜索算法(Improved Gravitational Search Algorithm，IGSA)、Gbest-guide引力搜索算法(Gbest-guided Gravitational Search Algorithm，GGSA)和本发明方法作为对比方法。选择3种典型来水情况(特枯水年、枯水年、平偏枯)作为实施工况，表1列出了各方法随机运行30次的统计结果，包括最小值、均值、标准差及极差。图2(a)至图2(f)进一步给出了IGSA、GGSA和本发明方法(MGSA)随机运行30次的最优解的箱型图。
表1 (单位：亿m3)
Figure BDA0002182705660000132
最小生态流量为75％时为平偏枯，最小生态流量为90％时为枯水年，最小生态流量为95％时为特枯水年。
由表1和图2(a)至图2(f)可知，本发明在三种典型年份中关于缺水量的各项统计指标均都要优于其他算法，这说明了本发明有着更高的搜索效率和避免局部最优能力。由此可知，本发明在求解梯级水电系统生态调度问题时，具有解的精度高、寻优能力强具有良好的工程实用性等优点。
图3(a)至图3(f)给出了在平偏枯水年适宜生态流量下由本发明得到的各个电站的最佳调度结果。可以看出，对于每个水库，缺水量随着调度范围内所需生态流量的增加而增加；对于水电系统，生态缺陷的概率从上游到下游水库逐渐增长。同时，值得注意的是，5个水库的最大生态缺水经常发生在6月至8月期间，这意味着管理者应充分考虑这一时期的供水。因此，本案例说明了MGSA方法在生态运行问题中获得的调度方案的合理性。
由此可见，本发明利用新型的引力搜索算法对具有复杂约束的全局优化问题进行处理，搜索效率高且易于实现；在全局最优位置附近采用莱维局部搜索，能够显著增强种群的局部搜索能力；在采用随机变异策略，能够有效避免种群陷入局部最优；采用精英选择策略能够提升种群的种群探索能力和收敛速度。综上，本发明具有求解精度高、收敛速度快、鲁棒性强、能够有效避免陷入局部最优等优点，为解决梯级水电生态调度问题提供了一种有效的解决方法。
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 (8)

1.一种梯级水电站群生态调控方法，其特征在于，包括如下步骤：
(1)将梯级水电站群中每个电站的水位作为种群中的个体，设置最大迭代次数为
Figure FDA0003505325740000011
当迭代次数k＝1时，在搜索空间内随机初始化种群，得到初始种群；
(2)计算初始种群中每个个体的适应度，将初始种群中每个个体的位置作为历史最优位置，将适应度最小值对应的个体位置作为初始种群的全局最优位置；
(3)当迭代次数k≥2时，计算当前种群中每个个体的适应度，将当前种群中每个个体的适应度与上一次迭代种群中每个个体的历史最优位置的适应度进行比较，更新当前种群中每个个体的历史最优位置和当前种群的全局最优位置；
(4)利用当前种群中每个个体的适应度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置；
(5)将莱维随机数与当前种群中每个个体的速度进行叠加后对当前种群的全局最优位置进行缩放，得到当前种群中每个个体缩放后的位置；
(6)将当前种群的全局最优位置和当前种群中每个个体缩放后的位置相减后与当前种群中的随机个体进行叠加，得到当前种群中每个个体变异后的位置；
(7)令k＝k+1，若
Figure FDA0003505325740000012
则返回步骤(3)；否则停止计算，并将最后一次迭代时得到的当前种群的全局最优位置作为梯级水电站群的最优调度方案；
所述计算当前种群中每个个体的适应度包括：
利用当前种群中每个个体对应的水位计算库容，利用库容和水量平衡约束计算出库流量，利用出库流量和生态流量需求计算梯级水电站群的总缺水量，将梯级水电站群的总缺水量与惩罚函数值之和作为适应度；
所述步骤(3)中对适应度进行比较的具体实现方式为：
Figure FDA0003505325740000021
Figure FDA0003505325740000022
其中，pBesti(k)和pBesti(k-1)表示第k和k-1代种群第i个个体的历史最优位置，F[pBesti(k-1)]表示pBesti(k-1)的适应度，F[pBesti(k)]表示pBesti(k)的适应度，gBest(k)表示第k代种群的全局最优位置，N为种群规模，Xi(k)为第k代种群第i个个体，F[Xi(k)]为Xi(k)的适应度。
2.如权利要求1所述的一种梯级水电站群生态调控方法，其特征在于，所述搜索空间为水库水位约束：
Figure FDA0003505325740000023
其中，Zi,t为第i个水电站在第t个时段的水位；
Figure FDA0003505325740000024
为第i个水电站在第t个时段的库容上限；
Figure FDA0003505325740000025
为第i个水电站在第t个时段的库容下限。
3.如权利要求1或2所述的一种梯级水电站群生态调控方法，其特征在于，所述步骤(4)包括：
利用当前种群中每个个体的适应度计算当前种群中每个个体的质量；
利用当前种群中每个个体的质量结合当前种群的引力常数，计算当前种群中每个个体的加速度；
利用当前种群中每个个体的加速度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置。
4.如权利要求3所述的一种梯级水电站群生态调控方法，其特征在于，所述当前种群中每个个体缩放后的位置为：
Figure FDA0003505325740000026
其中，
Figure FDA0003505325740000027
为第k代种群第i个个体第d维缩放后的位置，
Figure FDA0003505325740000028
为第k代种群第i个个体第d维的速度，Levy(β)为莱维随机数，gBest(k)表示第k代种群的全局最优位置。
5.如权利要求4所述的一种梯级水电站群生态调控方法，其特征在于，所述莱维随机数为：
Figure FDA0003505325740000031
Figure FDA0003505325740000032
其中，u和v是符合正态分布的随机数；β是常数，且β∈(0,2]；Γ是伽马函数。
6.如权利要求4或5所述的一种梯级水电站群生态调控方法，其特征在于，所述步骤(6)包括：
Figure FDA0003505325740000033
其中，
Figure FDA0003505325740000034
为第k代种群中随机选择的个体的第d维的位置，且ind≠i，r5为[0,1]之间均匀分布的随机数，
Figure FDA0003505325740000035
为第k代种群中第i个个体变异后第d维的位置。
7.如权利要求1或2所述的一种梯级水电站群生态调控方法，其特征在于，所述步骤(5)还包括：
将当前种群中每个个体缩放后的位置作为缩放父代，将下一次迭代种群中每个个体的缩放后的位置作为缩放子代，若缩放父代适应度比缩放子代适应度大，则用缩放子代替换缩放父代，否则不进行替换；
所述步骤(6)还包括：
将当前种群中每个个体变异后的位置作为变异父代，将下一次迭代种群中每个个体的变异后的位置作为变异子代，若变异父代适应度比变异子代适应度大，则用变异子代替换变异父代，否则不进行替换。
8.一种梯级水电站群生态调控系统，其特征在于，包括：
初始化模块，用于将梯级水电站群中每个电站的水位作为种群中的个体，设置最大迭代次数为
Figure FDA0003505325740000041
当迭代次数k＝1时，在搜索空间内随机初始化种群，得到初始种群；
初始寻优模块，用于计算初始种群中每个个体的适应度，将初始种群中每个个体的位置作为历史最优位置，将适应度最小值对应的个体位置作为初始种群的全局最优位置；
全局最优位置更新模块，用于当迭代次数k≥2时，计算当前种群中每个个体的适应度，将当前种群中每个个体的适应度与上一次迭代种群中每个个体的历史最优位置的适应度进行比较，更新当前种群中每个个体的历史最优位置和当前种群的全局最优位置；所述计算当前种群中每个个体的适应度包括：利用当前种群中每个个体对应的水位计算库容，利用库容和水量平衡约束计算出库流量，利用出库流量和生态流量需求计算梯级水电站群的总缺水量，将梯级水电站群的总缺水量与惩罚函数值之和作为适应度；所述对适应度进行比较的具体实现方式为：
Figure FDA0003505325740000042
Figure FDA0003505325740000043
其中，pBesti(k)和pBesti(k-1)表示第k和k-1代种群第i个个体的历史最优位置，F[pBesti(k-1)]表示pBesti(k-1)的适应度，F[pBesti(k)]表示pBesti(k)的适应度，gBest(k)表示第k代种群的全局最优位置，N为种群规模，Xi(k)为第k代种群第i个个体，F[Xi(k)]为Xi(k)的适应度；
个体位置更新模块，用于利用当前种群中每个个体的适应度计算当前种群中每个个体的速度，利用当前种群中每个个体的速度更新当前种群中每个个体的位置；
莱维局部搜索模块，用于将莱维随机数与当前种群中每个个体的速度进行叠加后对当前种群的全局最优位置进行缩放，得到当前种群中每个个体缩放后的位置；
随机变异模块，用于将当前种群的全局最优位置和当前种群中每个个体缩放后的位置相减后与当前种群中的随机个体进行叠加，得到当前种群中每个个体变异后的位置；
最优调度方案获取模块，用于令k＝k+1，若
Figure FDA0003505325740000051
则执行全局最优位置更新模块；否则停止计算，并将最后一次迭代时得到的当前种群的全局最优位置作为梯级水电站群的最优调度方案。
CN201910806054.XA 2019-08-28 2019-08-28 一种梯级水电站群生态调控方法与系统 Active CN110598919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910806054.XA CN110598919B (zh) 2019-08-28 2019-08-28 一种梯级水电站群生态调控方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910806054.XA CN110598919B (zh) 2019-08-28 2019-08-28 一种梯级水电站群生态调控方法与系统

Publications (2)

Publication Number Publication Date
CN110598919A CN110598919A (zh) 2019-12-20
CN110598919B true CN110598919B (zh) 2022-04-01

Family

ID=68856403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910806054.XA Active CN110598919B (zh) 2019-08-28 2019-08-28 一种梯级水电站群生态调控方法与系统

Country Status (1)

Country Link
CN (1) CN110598919B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN111915162B (zh) * 2020-07-15 2022-05-31 华中科技大学 一种梯级水库群联合调度智匹配分层耦合方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008425A (zh) * 2014-05-12 2014-08-27 国家电网公司 基于引力搜索的水火电系统多目标调峰方法
CN105246005A (zh) * 2015-09-15 2016-01-13 国家电网公司 基于混合引力搜索算法的立体传声器阵列优化设计方法
CN109523059A (zh) * 2018-10-19 2019-03-26 华中科技大学 一种梯级水电站水库生态调度智能优化方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201320858D0 (en) * 2013-11-26 2014-01-08 Univ Manchester Method of determining an islanding solution for an electrical power system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008425A (zh) * 2014-05-12 2014-08-27 国家电网公司 基于引力搜索的水火电系统多目标调峰方法
CN105246005A (zh) * 2015-09-15 2016-01-13 国家电网公司 基于混合引力搜索算法的立体传声器阵列优化设计方法
CN109523059A (zh) * 2018-10-19 2019-03-26 华中科技大学 一种梯级水电站水库生态调度智能优化方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
含抽水蓄能电站的水火电系统短期优化调度研究;裴丁彦;《中国优秀硕士学位全文数据库 工程科技Ⅱ辑》;20190630;C037-52 *
基于二进制和声粒子群算法的电站经济运行问题研究;高新稳;《长江科学院院报》;20181130;第35卷(第11期);133-140 *
基于改进蝙蝠算法的梯级水电站经济调度;江方利等;《工程科学与技术》;20180320(第02期);全文 *

Also Published As

Publication number Publication date
CN110598919A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110598919B (zh) 一种梯级水电站群生态调控方法与系统
Zou et al. An inter type-2 FCR algorithm based T–S fuzzy model for short-term wind power interval prediction
CN109636043B (zh) 一种梯级水电系统发电调度自适应优化方法与系统
CN103971174B (zh) 基于改进量子粒子群算法的水电站群优化调度方法
CN109523059B (zh) 一种梯级水电站水库生态调度智能优化方法及系统
CN110929964B (zh) 一种基于近似动态规划算法的含储能配电网优化调度方法
CN110751365B (zh) 一种梯级水库群多目标均衡调度方法与系统
CN108649605B (zh) 一种基于双层场景区间潮流的dre并网准入容量规划方法
CN104008425B (zh) 基于引力搜索的水火电系统多目标调峰方法
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
CN104915737A (zh) 基于风险控制含大规模风电的电力系统协调经济调度方法
CN111092451B (zh) 一种基于配电网网格的光伏消纳预警方法
CN107910883A (zh) 基于抽水蓄能电站修正时序负荷曲线的随机生产模拟方法
CN104333047B (zh) 一种适用于风电接入的电力系统实时滚动计划方法
CN107609683A (zh) 一种基于萤火虫算法的梯级水库群调度优化方法
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
CN104299173A (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN110334870A (zh) 基于门控循环单元网络的光伏电站短期功率预测方法
CN108090632A (zh) 基于鲁棒优化的新能源并网电力系统多时间尺度调度方法
CN110766210B (zh) 一种梯级水库群短期优化调度方法与系统
CN111461478B (zh) 一种大规模水光能源互补调度方法与系统
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
CN116865358A (zh) 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备
CN116683530A (zh) 风-光-含混合式抽蓄电站梯级水库随机优化调度方法
CN112766565B (zh) 梯级水库群防洪优化调度分数阶逐步优化方法

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