CN111104750A - 一种耦合集合预报信息的水库调度图绘制方法 - Google Patents
一种耦合集合预报信息的水库调度图绘制方法 Download PDFInfo
- Publication number
- CN111104750A CN111104750A CN201911347922.9A CN201911347922A CN111104750A CN 111104750 A CN111104750 A CN 111104750A CN 201911347922 A CN201911347922 A CN 201911347922A CN 111104750 A CN111104750 A CN 111104750A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- runoff
- dispatching
- model
- coupled
- 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 59
- 238000010586 diagram Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000006467 substitution reaction Methods 0.000 claims abstract description 5
- 230000001360 synchronised effect Effects 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 59
- 241001123248 Arma Species 0.000 claims description 27
- 238000010248 power generation Methods 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 6
- 238000010168 coupling process Methods 0.000 abstract description 6
- 238000005859 coupling reaction Methods 0.000 abstract description 6
- 230000002776 aggregation Effects 0.000 abstract 1
- 238000004220 aggregation Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
Images
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
- G06Q10/06—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Abstract
本发明公开了耦合集合预报信息的水库调度图绘制方法,基于入库径流预报序列,建立径流预报误差随机模拟模型,生成包含M种具有一定预报精度的入库径流集合;采用同步回代缩减法,将M种入库径流情景缩减成J(M>>J)种代表性的典型情景,并得到对应的发生概率;基于典型入库径流情景及发生概率,采用关键控制参数对调度图进行描述,建立调度图参数‑模拟‑优化模型,即多目标优化模型;采用多目标优化算法,对调度图关键控制参数进行自动寻优得到Pareto解集,并利用多属性决策方法对Pareto解集进行方案优选,解码后得到优化调度图。本发明可以将预报的不确定性高效耦合在调度图决策过程中,同时极大地降低计算负担。
Description
技术领域
本发明属于水库调度技术领域,具体涉及一种耦合集合预报信息的水库调度图绘制方法。
背景技术
水库是对水资源进行直接调控的最有效的方式之一。水库大坝通过拦蓄、调节天然径流,以满足经济社会发展对防洪、发电、供水、灌溉、航运等综合利用等方面的要求。调度图是指导水库运行最高效、最稳健的工具之一。在利用传统调度图指导水库运行时,一般根据时段初的库容或水位确定当前时段的水库调度决策(如下泄流量、出力、末库容)。
由于传统调度图在操作过程中未考虑径流预报信息,导致调度决策偏保守。随着水文预报技术的发展,各种先进的预报模型、方法相继被提出,水文预报精度逐步提高。为此,有学者提出了耦合预报信息的调度图运用方式。
但是水文系统的高度非线性以及径流形成的复杂性,导致天然入库径流存在很强的随机性而难以准确预报,即预报存在不确定性。将预报不准的径流信息直接耦合在调度决策过程中,将不可避免地产生调度风险,给水库的安全、高效运行带来极大挑战。将预报的不确定性高效耦合在调度图绘制过程中是目前水库调度领域中的热点和难点问题。集合预报方法可以有效地刻画预报的不确定性,但将集合预报信息直接耦合在调度图优化模型中又会产生极大的计算负担。
发明内容
本发明的目的是提供一种耦合集合预报信息的水库调度图绘制方法,可以将预报的不确定性高效耦合在调度图决策过程中,同时极大地降低计算负担。
本发明所采用的技术方案是,一种耦合集合预报信息的水库调度图绘制方法,具体按照以下步骤实施:
步骤1、基于入库径流预报序列,建立径流预报误差随机模拟模型,生成包含M种具有一定预报精度的入库径流集合;
步骤2、采用同步回代缩减法,将M种入库径流情景缩减成J(M>>J)种代表性的典型情景,并得到对应的发生概率;
步骤3、基于典型入库径流情景及发生概率,采用关键控制参数对调度图进行描述,建立调度图参数-模拟-优化模型,即多目标优化调度模型;
步骤4、采用多目标优化算法,对调度图关键控制参数进行自动寻优得到Pareto解集,并利用多属性决策方法对Pareto解集进行方案优选,解码后得到优化调度图。
本发明的特点还在于:
步骤1中,误差随机模拟模型采用季节性ARMA模型。
步骤1具体按照以下步骤实施:
步骤1.1、计算预报径流系列与实际径流系列之间的误差:
εt=Q′t-Qt (1)
式中,εt为预报误差;Q′t和Qt分别为t时段预报值和实测值;
步骤1.2、基于入库径流预报误差系列,建立季节性ARMA模型:
步骤1.3、在实测径流系列基础上添加相应的模拟预报误差项,生成包含M种具有一定预报精度的入库径流集合。
步骤1.2具体按照以下步骤实施:
步骤1.2.1、根据调度时段确定随机模拟模型的时间截口数,针对不同时间截口构建ARMA(p,q)模型;
步骤1.2.2、采用AIC准则,对不同时间截口的ARMA(p,q)模型分别定阶,预设模型最高阶数为R,取p0和q0介于[m/3]~[2m/3]之间的整数为最佳模型阶数;用如下公式表示:
步骤1.2.5、将不同时间截口的ARMA(p,q)模型进行顺序组合,得到季节性的ARMA(p,q)模型。
步骤3中,多目标优化模型的目标函数为:多情景下期望发电量最大和多情景下期望缺水指数最小。
多情景下期望发电量最大可用如下公式表示:
多情景下期望缺水指数最小可用如下公式表示:
多目标优化模型的约束条件有:水量平衡约束、水位约束、出力约束、出库流量约束、上下调度线不交叉约束、非负约束;即:
Vj,t+1=Vj,t+(Ij,t-Oj,t)Δt (7)
Zmin≤Zj,t≤Zmax,t (8)
0≤Nj,t≤Nmax (9)
Qmin,t≤Qj,t≤Qmax (10)
Zmin>xk>yk>Zmax,t (11)
式中,T为计算时段总数;pj为第j种入流情景的发生概率;K为发电系数;Qj,t为第j种入流情景下t时刻通过涡轮机的下泄流量;Hj,t为第j种入库情景下t时刻水电站的发电水头;Δt为时段长度;Dt为下游t时刻的需水量;Sj,t为第j种入库情景下t时刻水库的实际供给量;Vj,t为第j种情景下t时刻水库的库容;Ij,t为第j种情景下t时刻水库的入库流量;Oj,t为第j种情景下t时刻水库的出库流量;Zmin为水库的死水位;Zj,t为第j种情景下t时刻水库的蓄水位;Zmax,t为t时刻水库的最大蓄水位;Nj,t为第j种情景下t时刻水电站的总出力;Nmax为水电站允许的最大出力值;Qmin,t为t时段水库允许的最小下泄流量;Qj,t为第j种情景下t时刻水库的下泄流量;Qmax为水库允许的最大下泄流量;xk和yk分别为上下调度线各时间截口的水位值。
为避免调度线波动太大,优化模型中采用二维编码策略对解进行编码,即在优化过程中只优化调度图的关键节点的坐标(时间、水位),关键节点间其他节点值采用线性插值方法获取;解的编码形式如下:
solution=[t1,...,tn,x1...xn+1,t′1,...,t′n,y1...,yn+1] (12)
式中,n为关键节点的个数;t1,...,tn(t1<t2,...,<tn)和x1...xn+1分别为上调度线中关键节点的横坐标-时间和纵坐标-水位;t′1,...,t′n(t′1<t′2,...,<t′n)和y1...,yn+1分别为下调度线中关键节点的横坐标-时间和纵坐标-水位。
步骤4中,采用的多目标优化算法为NSGA-II。
本发明的有益效果是:
(1)本发明提出耦合集合预报信息的水库调度图绘制方法,基于入库径流预报序列,建立径流预报误差随机模拟模型,生成包含M种具有一定预报精度的入库径流集合,能有效地刻画预报的不确定性;
(2)本发明提出耦合集合预报信息的水库调度图绘制方法,采用同步回代缩减法,将M种入库径流情景缩减成J(M>>J)种代表性的典型情景以及对应的发生概率,在表征预报不确定性的同时显著降低优化调度计算负担;
(3)本发明提出耦合集合预报信息的水库调度图绘制方法,基于典型入库径流情景及发生概率,建立调度图参数-模拟-优化模型,可直接优化得到调度图,从而避免传统手工绘制调度图的局部最优性;
(4)本发明耦合集合预报信息的水库调度图绘制方法,采用二维编码方法对调度图关键节点进行编码,关键节点间其他节点水位值采用线性插值方法获取,本方法避免了调度线的剧烈波动,更有利于指导水库调度实践;
(5)本发明提出耦合集合预报信息的水库调度图绘制方法,为考虑预报信息的水库优化调度决策提供了新的思路。
附图说明
图1是本发明耦合集合预报信息的水库调度图绘制方法的技术路线图;
图2是本发明耦合集合预报信息的水库调度图绘制方法的二维编码方法示意图;
图3是本发明耦合集合预报信息的水库调度图绘制方法的调度规则模拟示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明一种耦合集合预报信息的水库调度图绘制方法,具体按照以下步骤实施:
步骤1、基于入库径流预报序列,建立径流预报误差随机模拟模型,生成包含M种具有一定预报精度的入库径流集合;其中,误差随机模拟模型采用季节性ARMA模型;
步骤1具体按照以下步骤实施:
步骤1.1、计算预报径流系列与实际径流系列之间的误差:
εt=Q′t-Qt (1)
式中,εt为预报误差;Q′t和Qt分别为t时段预报值和实测值;
步骤1.2、基于入库径流预报误差系列,建立季节性ARMA模型:
步骤1.2具体按照以下步骤实施:
步骤1.2.1、根据调度时段确定随机模拟模型的时间截口数,针对不同时间截口构建ARMA(p,q)模型;
步骤1.2.2、采用AIC准则,对不同时间截口的ARMA(p,q)模型分别定阶,预设模型最高阶数为R,取p0和q0介于[m/3]~[2m/3]之间的整数为最佳模型阶数;用如下公式表示:
步骤1.2.5、将不同时间截口的ARMA(p,q)模型进行顺序组合,得到季节性的ARMA(p,q)模型;
步骤1.3、在实测径流系列基础上添加相应的模拟预报误差项,生成包含M种具有一定预报精度的入库径流集合。
步骤2、采用同步回代缩减法,将M种入库径流情景缩减成J(M>>J)种代表性的典型情景,并得到对应的发生概率。
步骤3、基于典型入库径流情景及发生概率,采用关键控制参数对调度图进行描述,建立调度图参数-模拟-优化模型,即多目标优化模型;其中,多目标优化模型的目标函数为:多情景下期望发电量最大和多情景下期望缺水指数最小;
多情景下期望发电量最大可用如下公式表示:
多情景下期望缺水指数最小可用如下公式表示:
多目标优化模型的约束条件有:水量平衡约束、水位约束、出力约束、出库流量约束、上下调度线不交叉约束、非负约束;即:
Vj,t+1=Vj,t+(Ij,t-Oj,t)Δt (7)
Zmin≤Zj,t≤Zmax,t (8)
0≤Nj,t≤Nmax (9)
Qmin,t≤Qj,t≤Qmax (10)
Zmin>xk>yk>Zmax,t (11)
式中,T为计算时段总数;pj为第j种入流情景的发生概率;K为发电系数;Qj,t为第j种入流情景下t时刻通过涡轮机的下泄流量;Hj,t为第j种入库情景下t时刻水电站的发电水头;Δt为时段长度;Dt为下游t时刻的需水量;Sj,t为第j种入库情景下t时刻水库的实际供给量;Vj,t为第j种情景下t时刻水库的库容;Ij,t为第j种情景下t时刻水库的入库流量;Oj,t为第j种情景下t时刻水库的出库流量;Zmin为水库的死水位;Zj,t为第j种情景下t时刻水库的蓄水位;Zmax,t为t时刻水库的最大蓄水位;Nj,t为第j种情景下t时刻水电站的总出力;Nmax为水电站允许的最大出力值;Qmin,t为t时段水库允许的最小下泄流量;Qj,t为第j种情景下t时刻水库的下泄流量;Qmax为水库允许的最大下泄流量;xk和yk分别为上下调度线各时间截口的水位值。
为避免调度线波动太大,优化模型中采用二维编码策略对解进行编码,即在优化过程中只优化调度图的关键节点的坐标(时间、水位),关键节点间其他节点值采用线性插值方法获取;解的编码形式如下:
solution=[t1,...,tn,x1...xn+1,t′1,...,t′n,y1...,yn+1] (12)
式中,n为关键节点的个数;t1,...,tn(t1<t2,...,<tn)和x1...xn+1分别为上调度线中关键节点的横坐标-时间和纵坐标-水位;t′1,...,t′n(t′1<t′2,...,<t′n)和y1...,yn+1分别为下调度线中关键节点的横坐标-时间和纵坐标-水位。
步骤4、采用多目标优化算法,对调度图关键控制参数进行自动寻优得到Pareto解集,并利用多属性决策方法对Pareto解集进行方案优选,解码后得到优化调度图;其中,采用的多目标优化算法为NSGA-II。
实施例
基于构建的调度图参数-模拟-优化模型,对调度图控制参数进行模拟,以含两条供水限制线的调度图为例进行说明:
(1)采用二维编码方法对调度图关键节点进行编码,关键节点间其他节点水位值采用线性插值方法获取,如图2所示,则多目标算法解的构成型式表示为:
solution=[t1,...,tn,x1...xn+1,t′1,...,t′n,y1...,yn+1]
式中,n为关键节点的个数;t1,...,tn(t1<t2,...,<tn)和x1...xn+1分别为上调度线中关键节点的横坐标(时间)和纵坐标(水位);t′1,...,t′n(t′1<t′2,...,<t′n)和y1...,yn+1分别为下调度线中关键节点的横坐标(时间)和纵坐标(水位)。
(2)在利用调度图进行模拟时,假设有两个不同的用水户,供水需求分别为G1和G2;供水限制系数分别为β1,β2(0<β1<1,0<β2<1),水库下泄流量根据水库当前时刻的水位以及调度区间的具体位置来确定,如图3所示,水库下泄流量依次为:
Ⅰ区:供水不发生限制,水库按照用水户的用水需求进行补给,供水流量为:S1=G1+G2;
Ⅱ区:对用水户G1进行限制供水,供水流量为:S2=β1G1+G2;
Ⅲ区:同时对用水户G1和G2进行限制供水,供水流量为:S3=β1G1+β2G2。
Claims (10)
1.一种耦合集合预报信息的水库调度图绘制方法,其特征在于,具体按照以下步骤实施:
步骤1、基于入库径流预报序列,建立径流预报误差随机模拟模型,生成包含M种具有一定预报精度的入库径流集合;
步骤2、采用同步回代缩减法,将M种入库径流情景缩减成J(M>>J)种代表性的典型情景,并得到对应的发生概率;
步骤3、基于典型入库径流情景及发生概率,采用关键控制参数对调度图进行描述,建立调度图参数-模拟-优化模型,即多目标优化模型;
步骤4、采用多目标优化算法,对调度图关键控制参数进行自动寻优得到Pareto解集,并利用多属性决策方法对Pareto解集进行方案优选,解码后得到优化调度图。
2.如权利要求1所述的耦合集合预报信息的水库调度图绘制方法,其特征在于,所述步骤1中,误差随机模拟模型采用季节性ARMA模型。
4.如权利要求3所述的耦合集合预报信息的水库调度图绘制方法,其特征在于,所述步骤1.2具体按照以下步骤实施:
步骤1.2.1、根据调度时段确定随机模拟模型的时间截口数,针对不同时间截口构建ARMA(p,q)模型;
步骤1.2.2、采用AIC准则,对不同时间截口的ARMA(p,q)模型分别定阶,预设模型最高阶数为R,取p0和q0介于[m/3]~[2m/3]之间的整数为最佳模型阶数;用如下公式表示:
步骤1.2.5、将不同时间截口的ARMA(p,q)模型进行顺序组合,得到季节性的ARMA(p,q)模型。
5.如权利要求3所述的耦合集合预报信息的水库调度图绘制方法,其特征在于,所述步骤3中,多目标优化模型的目标函数为:多情景下期望发电量最大和多情景下期望缺水指数最小。
8.如权利要求7所述的耦合集合预报信息的水库调度图绘制方法,其特征在于,多目标优化模型的约束条件有:水量平衡约束、水位约束、出力约束、出库流量约束、上下调度线不交叉约束、非负约束;即:
Vj,t+1=Vj,t+(Ij,t-Oj,t)Δt (7)
Zmin≤Zj,t≤Zmax,t (8)
0≤Nj,t≤Nmax (9)
Qmin,t≤Qj,t≤Qmax (10)
Zmin>xk>yk>Zmax,t (11)
式中,T为计算时段总数;pj为第j种入流情景的发生概率;K为发电系数;Qj,t为第j种入流情景下t时刻通过涡轮机的下泄流量;Hj,t为第j种入库情景下t时刻水电站的发电水头;Δt为时段长度;Dt为下游t时刻的需水量;Sj,t为第j种入库情景下t时刻水库的实际供给量;Vj,t为第j种情景下t时刻水库的库容;Ij,t为第j种情景下t时刻水库的入库流量;Oj,t为第j种情景下t时刻水库的出库流量;Zmin为水库的死水位;Zj,t为第j种情景下t时刻水库的蓄水位;Zmax,t为t时刻水库的最大蓄水位;Nj,t为第j种情景下t时刻水电站的总出力;Nmax为水电站允许的最大出力值;Qmin,t为t时段水库允许的最小下泄流量;Qj,t为第j种情景下t时刻水库的下泄流量;Qmax为水库允许的最大下泄流量;xk和yk分别为上下调度线各时间截口的水位值。
9.如权利要求8所述的耦合集合预报信息的水库调度图绘制方法,其特征在于,为避免调度线波动太大,优化模型中采用二维编码策略对解进行编码,即在优化过程中只优化调度图的关键节点的坐标(时间、水位),关键节点间其他节点值采用线性插值方法获取;解的编码形式如下:
solution=[t1,...,tn,x1...xn+1,t′1,...,t′n,y1...,yn+1] (12)
式中,n为关键节点的个数;t1,...,tn(t1<t2,...,<tn)和x1...xn+1分别为上调度线中关键节点的横坐标-时间和纵坐标-水位;t′1,...,t′n(t′1<t′2,...,<t′n)和y1…,yn+1分别为下调度线中关键节点的横坐标-时间和纵坐标-水位。
10.如权利要求1所述的耦合集合预报信息的水库调度图绘制方法,其特征在于,所述步骤4中,采用的多目标优化算法为NSGA-II。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347922.9A CN111104750B (zh) | 2019-12-24 | 2019-12-24 | 一种耦合集合预报信息的水库调度图绘制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347922.9A CN111104750B (zh) | 2019-12-24 | 2019-12-24 | 一种耦合集合预报信息的水库调度图绘制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104750A true CN111104750A (zh) | 2020-05-05 |
CN111104750B CN111104750B (zh) | 2024-04-09 |
Family
ID=70423476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347922.9A Active CN111104750B (zh) | 2019-12-24 | 2019-12-24 | 一种耦合集合预报信息的水库调度图绘制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104750B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882100A (zh) * | 2020-05-22 | 2020-11-03 | 西安理工大学 | 一种基于多模型随机线性组合的水文集合区间预报搭建方法 |
CN111898831A (zh) * | 2020-08-06 | 2020-11-06 | 长江水利委员会水文局 | 一种实时洪水概率预报实用化方法 |
CN112950033A (zh) * | 2021-03-04 | 2021-06-11 | 吴统明 | 一种基于水库调度规则合成的水库调度决策方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761583A (zh) * | 2014-01-07 | 2014-04-30 | 中国长江三峡集团公司 | 一种水库排沙发电多目标优化调度方法 |
CN105608513A (zh) * | 2016-03-24 | 2016-05-25 | 大连理工大学 | 一种耦合长、中、短期径流预报信息的水库优化调度方法 |
CN106934496A (zh) * | 2017-03-08 | 2017-07-07 | 中国水利水电科学研究院 | 耦合径流预报信息的水电站二维调度图绘制及使用方法 |
CN108596998A (zh) * | 2018-04-24 | 2018-09-28 | 江西省水利科学研究院 | 一种基于Copula函数的降雨径流相关图绘制方法 |
CN108717581A (zh) * | 2018-04-04 | 2018-10-30 | 河海大学 | 一种基于蒙特卡罗模拟的水库调度随机多属性决策方法 |
US20190138643A1 (en) * | 2017-11-06 | 2019-05-09 | Adobe Systems Incorporated | Extracting seasonal, level, and spike components from a time series of metrics data |
-
2019
- 2019-12-24 CN CN201911347922.9A patent/CN111104750B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761583A (zh) * | 2014-01-07 | 2014-04-30 | 中国长江三峡集团公司 | 一种水库排沙发电多目标优化调度方法 |
CN105608513A (zh) * | 2016-03-24 | 2016-05-25 | 大连理工大学 | 一种耦合长、中、短期径流预报信息的水库优化调度方法 |
CN106934496A (zh) * | 2017-03-08 | 2017-07-07 | 中国水利水电科学研究院 | 耦合径流预报信息的水电站二维调度图绘制及使用方法 |
US20190138643A1 (en) * | 2017-11-06 | 2019-05-09 | Adobe Systems Incorporated | Extracting seasonal, level, and spike components from a time series of metrics data |
CN108717581A (zh) * | 2018-04-04 | 2018-10-30 | 河海大学 | 一种基于蒙特卡罗模拟的水库调度随机多属性决策方法 |
CN108596998A (zh) * | 2018-04-24 | 2018-09-28 | 江西省水利科学研究院 | 一种基于Copula函数的降雨径流相关图绘制方法 |
Non-Patent Citations (1)
Title |
---|
王旭;雷晓辉;蒋云钟;王浩;: "基于可行空间搜索遗传算法的水库调度图优化", 水利学报, no. 01, 15 January 2013 (2013-01-15) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882100A (zh) * | 2020-05-22 | 2020-11-03 | 西安理工大学 | 一种基于多模型随机线性组合的水文集合区间预报搭建方法 |
CN111882100B (zh) * | 2020-05-22 | 2024-04-05 | 西安理工大学 | 一种基于多模型随机线性组合的水文集合区间预报搭建方法 |
CN111898831A (zh) * | 2020-08-06 | 2020-11-06 | 长江水利委员会水文局 | 一种实时洪水概率预报实用化方法 |
CN111898831B (zh) * | 2020-08-06 | 2022-11-08 | 长江水利委员会水文局 | 一种实时洪水概率预报实用化方法 |
CN112950033A (zh) * | 2021-03-04 | 2021-06-11 | 吴统明 | 一种基于水库调度规则合成的水库调度决策方法及系统 |
CN112950033B (zh) * | 2021-03-04 | 2024-03-29 | 吴统明 | 一种基于水库调度规则合成的水库调度决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111104750B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming | |
CN102817335B (zh) | 一种梯级水库群联合防洪优化调度的方法及系统 | |
CN111104750A (zh) | 一种耦合集合预报信息的水库调度图绘制方法 | |
CN107563538B (zh) | 大电网平台下的面向关键水位控制的多目标水库群调度优化方法 | |
CN102004835A (zh) | 一种面向发电风险的水电站优化调度图编制方法 | |
CN110428084B (zh) | 一种基于自适应双层优化的风电功率非参数区间预测方法 | |
CN109818347B (zh) | 一种电力系统风电消纳能力的评估方法 | |
CN104820868A (zh) | 一种基于风电概率进行预测的调度展示方法 | |
CN105184426A (zh) | 一种基于随机连续寻优策略的梯级电站调峰方法 | |
CN115271304A (zh) | 基于气候变化的跨流域调水工程优化调度方法 | |
CN111082466A (zh) | 考虑风电不确定性的新能源接入与网架扩建优化方法 | |
CN102749471A (zh) | 一种短期风速、风电功率预测方法 | |
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 | |
CN105140967A (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
CN108388954A (zh) | 一种基于随机安全域的梯级水电鲁棒优化调度方法 | |
CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 | |
CN112803491B (zh) | 一种耦合弃电风险的风光水多能互补短期优化调度方法 | |
CN116029404A (zh) | 一种台风环境下多源电力系统协调优化调度方法和系统 | |
CN116341881B (zh) | 计及热网灵活性的电-热系统鲁棒超前调度方法及系统 | |
CN116526469A (zh) | 一种水风光互补系统长期随机动态调度方法 | |
CN115271244A (zh) | 一种基于两阶段分布鲁棒优化的梯级水电站短期调峰模型 | |
CN107563637B (zh) | 一种水电站发电调度近边界运行全景模糊风险分析方法 | |
Sun et al. | Investment Cost Forecasting for Low Carbon Power System Planning Considering Technical Progress and Scale Effect | |
CN114188942A (zh) | 一种包含大规模新能源基地的电网调度方法 |
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 |