CN111915163B - 一种水电系统全周期高效高精优化调度方法与系统 - Google Patents

Abstract

本发明提出一种水电系统全周期高效高精优化调度方法与系统，本发明通过设置相关参数，将各个电站的库容值作为决策变量并进行编码，在搜索空间中随机生成初始种群，将初始种群作为当前种群；获取当前种群中所有个体的适应度，并更新所有个体的历史最优位置与种群的全局最优位置；选取适应度更好的前K个个体建立外部档案集合，并使用改进的教与学算法更新种群个体位置；通过迭代计算对种群中所有个体位置进行更新直至达到种群最大迭代次数；输出当前种群全局最优位置作为梯级水电站最终调度过程。本发明对常规教与学优化算法进行改进，有效避免了常规教与学优化算法求解高维问题时易陷入局部最优的缺陷，并增强了全局搜索能力。

Description

一种水电系统全周期高效高精优化调度方法与系统

技术领域

本发明属于梯级水库群优化调度领域，更具体地，涉及一种水电系统全周期高效高精优化调度方法与系统。

背景技术

为规范国内电力市场运行规则，建立一个公正、公开、透明和竞争的市场体系，“厂网分开，竞价上网”的运营机制得到了充分实施，发电企业逐渐在电力市场发挥越来越重要的作用。而梯级水库群优化调度规模庞大且结构复杂具有非线性、多时段、不确定性和电能实效性等特点，使得国内外尚未形成统一的模型和求解方法。

近年来，世界能源逐渐从化石能源到清洁能源转变，随着我国积极实施低碳经济的发展理念，清洁能源得到了更多的开发和利用，使得我国水电事业得到飞速发展。为了更好提升流域整体效益，梯级水库群联合调度成为了现在研究的重点。但随着电站数目增加，梯级水库优化调度需要考虑更多电站之间的水力联系和需要强制满足的复杂约束。如何在复杂的系统结构中寻找到合理有效的解决方案，成为了水资源配置领域亟待解决的工程难题。教与学优化算法(TLBO)通过模拟教师和学生的相互学习过程来逐步逼近水电系统最佳运行方案，具有原理简单，参数少且易理解的优点，但仍然存在早熟收敛、停滞寻优等局限。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种水电系统全周期高效高精优化调度方法与系统，其目的在于解决传统智能优化算法对复杂高维问题易陷入局部最优，搜索能力差的技术问题。

为实现上述目的，作为本发明的一个方面，提供了一种水电系统全周期高效高精优化调度方法，包括以下步骤：

(1)确定电站之间的约束条件，将各电站在不同时刻的库容值作为决策变量并进行编码，然后根据决策变量在搜索空间内随机生成初始种群，将初始种群作为当前种群；

(2)获取当前种群中所有个体的适应度，并更新所有个体的历史最优位置与种群的全局最优位置；

(3)基于步骤(2)更新种群所有个体位置后得到的临时种群，选取适应度更好的前K个个体建立外部档案集合；对所有临时种群个体，引入个体历史最优位置和外部档案集合中的随机个体位置来引导进化方向得到进化后的种群，再引入邻域勘探策略更新进化后的种群个体位置，形成下一代种群；

(4)将下一代种群作为当前种群，重复执行步骤(2)和步骤(3)，直至满足预设迭代停止条件，得到当前种群中的最优个体位置，并将当前种群中的最优个体作为目标调度方案。

进一步地，第k次迭代第i个个体表示为

其中，N表示电站数目；T表示时段数目；且满足1≤i≤m，m表示种群规模；表示第k代第n个电站第t个时段库容值，且1≤n≤N，1≤t≤T，r(0,1)为[0,1]区间均匀分布的随机数，/>第n个水电站在第t个时段的库容上限；/>第n个水电站在第t个时段的库容下限。

进一步地，步骤(2)中采用惩罚函数法计算当前种群中每个个体的适应度，个体的适应度/>为：/>

其中，P_n,t为第n个电站第t个时段出力，Δ_t第t个时段小时数，a_l为第l个约束的惩罚系数，θ_l是第l个约束的违背值，ζ为总约束数目。

进一步地，步骤(2)中更新所有个体的历史最优位置与种群的全局最优位置包括：

由更新所有个体的历史最优位置，由更新种群的全局最优位置；

其中：表示第k-1代第i个个体的历史最优位置，/>表示/>的适应度，/>表示第k代第i个个体的适应度，gBest^k表示第k代种群的全局最优位置。

进一步地，步骤(3)中形成下一代种群具体包括：

(31)由改进的“教”策略更新种群个体位置：

其中，为种群中第k+1代第i个个体第j维的位置，r(0,1)为[0,1]区间均匀分布的随机数，/>为所述外部档案集合中第k代第α个个体第j维的位置，α为外部档案集合中随机选择的个体下标，/>为第k代种群中所有个体第j维度的平均位置，/>为第k代第i个个体第j维的历史最优位置，/>为种群中第k代第i个个体适应度值；

(32)由改进的“学”策略更新种群个体位置：

其中，ind为种群中随机选择的个体下标，且ind≠i；

(33)采用邻域勘探策略更新种群个体位置：

其中：λ_j为搜索空间第j维的中间位置；为搜索空间第j维的上限；X _j为搜索空间第j维的下限。

作为本发明的另一个方面，提供了一种水电系统全周期高效高精优化调度系统，包括：

初始化模块，用于确定电站之间的约束条件，将各电站在不同时刻的库容值作为决策变量并进行编码，然后根据决策变量在搜索空间内随机生成初始种群，将初始种群作为当前种群；

第一位置更新模块，用于获取当前种群中所有个体的适应度，并更新所有个体的历史最优位置与种群的全局最优位置；

第二位置更新模块，用于基于所述第一位置更新模块更新种群所有个体位置后得到的种群，选取适应度更好的前K个个体建立外部档案集合；对所有临时种群个体，引入个体历史最优位置和外部档案集合中的随机个体位置来引导进化方向得到进化后的种群，再引入邻域勘探策略更新进化后的种群个体位置，形成下一代种群；

最优方案确定模块，用于将下一代种群作为当前种群，重复执行第一位置更新模块和第二位置更新模块的操作，直至满足预设迭代停止条件，得到当前种群中的最优个体位置，并将当前种群中的最优个体作为目标调度方案。

进一步地，所述第二位置更新模块包括：

“教”策略更新子模块，用于由改进的“教”策略更新种群个体位置：

其中，为种群中第k+1代第i个个体第j维的位置，r(0,1)为[0,1]区间均匀分布的随机数，/>为所述外部档案集合中第k代第α个个体第j维的位置，α为外部档案集合中随机选择的个体下标，/>为第k代种群中所有个体第j维度的平均位置，/>为第k代第i个个体第j维的历史最优位置，/>为种群中第k代第i个个体适应度值；

“学”策略更新子模块，用于由改进的“学”策略更新种群个体位置：

其中，ind为种群中随机选择的个体下标，且ind≠i；

邻域勘探策略更新子模块，用于采用邻域勘探策略更新种群个体位置：

其中：λ_j为搜索空间第j维的中间位置；为搜索空间第j维的上限；X _j为搜索空间第j维的下限。

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)本发明通过设置相关参数，将各个电站的库容值作为决策变量并进行编码；在搜索空间中随机生成初始种群；计算当前种群中个体适应度值，并更新种群全局最优位置和个体历史最优位置；建立外部档案集合并使用改进的教与学算法更新当前种群个体位置。如此，利用本发明方法求解高维水电优化调度问题，具有原理简单、参数少、鲁棒性高、易于编程实现、计算开销低等优势，可以在较短时间内获得优质调度方案，能够有效避免陷入局部最优，显著提升水电系统运行效益。

(2)本发明在教与学优化算法框架基础上对进化公式进行了调整，有效避免了常规教与学优化算法求解高维问题时易陷入局部最优的缺陷，并增强了全局搜索能力，本发明能够有效提升整个梯级水电系统发电效益并为梯级水库优化调度提供技术支持。

附图说明

图1是本发明实施例提供的一种水电系统全周期高效高精优化调度方法的流程示意图。

具体实施方式

为了使本发明的目的和方法更加清晰直观，在以下结合附图和实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，而不是限定本发明。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。

梯级水库群优化调度主要分为中长期优化调度、短期优化调度和实时优化调度，本发明主要以中长期优化调度中梯级电站总发电量最大作为目标函数，其数学形式为：

式中：E为整个梯级电站总发电量；N为梯级电站数目；T为调度总时段数目；n为电站序号；t为时段序号；P_n,t为第n个水电站在第t个时段的出力；Δ_t为第t个时段小时数。

需要满足的约束条件如下：

(1)水量平衡约束：其中，V_n,t为第n个水电站在第t个时段的库容；q_n,t为第n个水电站在第t个时段的区间流量；I_n,t为第n个水电站在第t个时段的入库流量；O_n,t为第n个水电站在第t个时段的出库流量；Q_n,t为第n个水电站在第t个时段的发电流量；S_n,t为第n个水电站在第t个时段的弃水流量；U_n为直接连接在第n个水电站的上游电站数目。

(2)始末水库水位约束：其中，/>为第n个水电站在初始水位；为第n个水电站的期末水位。

(3)发电流量约束：其中，/>为第n个水电站在第t个时段的发电流量下限；/>为第n个水电站在第t个时段的发电流量上限。

(4)水头平衡约束：其中，H_n,t为第n个水电站在第t个时段的水头；Z_n,t为第n个水电站在第t个时段的坝前水位；d_n,t第n个水电站在第t个时段下游水位。

(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。

(6)库容约束：其中，/>为第n个水电站在第t个时段的库容下限；/>为第n个水电站在第t个时段的库容上限。

图1为本发明实施例提供的一种水电系统全周期高效高精优化调度方法的流程示意图，具体步骤包括：

(1)设置相关参数，将电站不同时刻库容值作为决策变量进行编码，则种群中第k次迭代第i个个体为其中，N表示电站数目；T表示时段数目；且满足1≤i≤m，m表示种群规模。/>表示第k代第n个电站第t个时段库容值，且1≤n≤N，1≤t≤T。

(2)进行种群初始化，则第k代第n个电站第t个时段库容值的初始化方式为：r(0,1)为[0,1]区间均匀分布的随机数；/>第n个水电站在第t个时段的库容上限；/>第n个水电站在第t个时段的库容下限。

(3)使用惩罚函数计算当前种群个体适应度值。则个体的适应度/>计算公式为：/>式中，a_l是第l个约束的惩罚系数；θ_l是第l个约束的违背值，ζ为总约束数目；Δ_t为第t个时段的小时数。

(4)更新所有个体的历史最优位置与种群的全局最优位置，

式中：表示第k-1代第i个个体的历史最优位置；/>表示/>的适应度；/>表示第k代第i个个体的适应度，gBest^k表示第k代种群的全局最优位置。

(5)选取适应度更好的前K个个体建立外部档案集合，并使用改进教与学算法更新种群个体位置。

改进的“教”策略公式来更新种群个体位置：

其中，为种群中第k+1代第i个个体第j维的位置，r(0,1)为[0,1]区间均匀分布的随机数，/>为所述外部档案集合中第k代第α个个体第j维的位置，α为外部档案集合中随机选择的个体下标，/>为第k代种群中所有个体第j维度的平均位置，/>为第k代第i个个体第j维的历史最优位置，/>为种群中第k代第i个个体适应度值；

改进的“学”策略公式来更新种群个体位置：

其中，ind为种群中随机选择的个体下标，且ind≠i；

进一步采用邻域勘探策略来更新种群个体位置：

其中：λ_j为搜索空间第j维的中间位置；为搜索空间第j维的上限；X _j为搜索空间第j维的下限。

(6)令k＝k+1。若则返回步骤(3)；否则停止计算，并将当前种群的全局最优个体gBest^k作为最佳调度过程输出。

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＝30、K＝5。各约束破坏惩罚系数均设定为10000。

为验证本发明高效性，将引力搜索算法(Gravitational Search Algorithm，GSA)、正余弦算法(Sine Cosine Algorithm，SCA)和本发明方法进行仿真实验，为消除随机性影响，所有方法分别独立运行10次。选择五种典型年来水(丰水年、平偏丰、平水年、平偏枯、枯水年)作为实施工况，表1列出了不同方法不同典型年来水统计结果，统计结果中包含了最优值、中位数、平均值、最差值、标准差。由表1可知，在五种典型年来水下，本发明方法能够得到较引力搜索算法和正余弦算法更好地结果，证明了本发明方法能够显著提升梯级水电站发电效益。由此可知，本发明方法能够为梯级水库优化调度提供科学依据。表2列出了五种典型年来水下各电站详细发电结果，由表2可知，在来水逐渐减少情况下，各电站发电量也在逐渐减少，说明了模型以及方法的合理性，最终，本发明方法能够得到较引力搜索算法和正余弦算法更多的发电量，说明了本方法的工程实用性。

表1 (单位：亿kW·h)

表2 (单位：亿kW·h)

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 (5)

1.一种水电系统全周期高效高精优化调度方法，其特征在于，包括以下步骤：

(1)确定电站之间的约束条件，将各电站在不同时刻的库容值作为决策变量并进行编码，然后根据决策变量在搜索空间内随机生成初始种群，将初始种群作为当前种群；以梯级电站总发电量最大作为目标函数，其数学形式为：

式中：E为整个梯级电站总发电量；N为梯级电站数目；T为调度总时段数目；n为电站序号；t为时段序号；P_n,t为第n个水电站在第t个时段的出力；Δ_t为第t个时段小时数；

(2)获取当前种群中所有个体的适应度，并更新所有个体的历史最优位置与种群的全局最优位置；

(3)基于步骤(2)更新种群所有个体位置后得到的临时种群，选取适应度更好的前K个个体建立外部档案集合；对所有临时种群个体，引入个体历史最优位置和外部档案集合中的随机个体位置来引导进化方向得到进化后的种群，再引入邻域勘探策略更新进化后的种群个体位置，形成下一代种群；

步骤(3)中形成下一代种群具体包括：

(31)由改进的“教”策略更新种群个体位置：

其中，为种群中第k+1代第i个个体第j维的位置，r(0,1)为[0,1]区间均匀分布的随机数，/>为所述外部档案集合中第k代第α个个体第j维的位置，α为外部档案集合中随机选择的个体下标，/>为第k代种群中所有个体第j维度的平均位置，/>为第k代第i个个体第j维的历史最优位置，/>为种群中第k代第i个个体适应度值；

(32)由改进的“学”策略更新种群个体位置：

其中，ind为种群中随机选择的个体下标，且ind≠i；

(33)采用邻域勘探策略更新种群个体位置：

其中：λ_j为搜索空间第j维的中间位置；为搜索空间第j维的上限；X _j为搜索空间第j维的下限；

(4)将下一代种群作为当前种群，重复执行步骤(2)和步骤(3)，直至满足预设迭代停止条件，得到当前种群中的最优个体位置，并将当前种群中的最优个体作为目标调度方案。

2.根据权利要求1所述的方法，其特征在于，第k次迭代第i个个体表示为

其中，1≤i≤m，m表示种群规模； 表示第k代第n个电站第t个时段库容值，且1≤n≤N，1≤t≤T，r(0,1)为[0,1]区间均匀分布的随机数，/>第n个水电站在第t个时段的库容上限；/>第n个水电站在第t个时段的库容下限。

3.根据权利要求2所述的方法，其特征在于，步骤(2)中采用惩罚函数法计算当前种群中每个个体的适应度，个体的适应度/>为：

其中，P_n,t为第n个电站第t个时段出力，Δ_t第t个时段小时数，a_l为第l个约束的惩罚系数，θ_l是第l个约束的违背值，ζ为总约束数目。

4.根据权利要求3所述的方法，其特征在于，步骤(2)中更新所有个体的历史最优位置与种群的全局最优位置包括：

由更新所有个体的历史最优位置，由更新种群的全局最优位置；

其中：表示第k-1代第i个个体的历史最优位置，/>表示/>的适应度，/>表示第k代第i个个体的适应度，gBest^k表示第k代种群的全局最优位置。

5.一种水电系统全周期高效高精优化调度系统，其特征在于，包括：

初始化模块，用于确定电站之间的约束条件，将各电站在不同时刻的库容值作为决策变量并进行编码，然后根据决策变量在搜索空间内随机生成初始种群，将初始种群作为当前种群；以梯级电站总发电量最大作为目标函数，其数学形式为：

式中：E为整个梯级电站总发电量；N为梯级电站数目；T为调度总时段数目；n为电站序号；t为时段序号；P_n,t为第n个水电站在第t个时段的出力；Δ_t为第t个时段小时数；

第一位置更新模块，用于获取当前种群中所有个体的适应度，并更新所有个体的历史最优位置与种群的全局最优位置；

第二位置更新模块，用于基于所述第一位置更新模块更新种群所有个体位置后得到的种群，选取适应度更好的前K个个体建立外部档案集合；对所有临时种群个体，引入个体历史最优位置和外部档案集合中的随机个体位置来引导进化方向得到进化后的种群，再引入邻域勘探策略更新进化后的种群个体位置，形成下一代种群；

最优方案确定模块，用于将下一代种群作为当前种群，重复执行第一位置更新模块和第二位置更新模块的操作，直至满足预设迭代停止条件，得到当前种群中的最优个体位置，并将当前种群中的最优个体作为目标调度方案；

所述第二位置更新模块包括：

“教”策略更新子模块，用于由改进的“教”策略更新种群个体位置：

其中，为种群中第k+1代第i个个体第j维的位置，r(0,1)为[0,1]区间均匀分布的随机数，/>为所述外部档案集合中第k代第α个个体第j维的位置，α为外部档案集合中随机选择的个体下标，/>为第k代种群中所有个体第j维度的平均位置，/>为第k代第i个个体第j维的历史最优位置，/>为种群中第k代第i个个体适应度值；

“学”策略更新子模块，用于由改进的“学”策略更新种群个体位置：

其中，ind为种群中随机选择的个体下标，且ind≠i；

邻域勘探策略更新子模块，用于采用邻域勘探策略更新种群个体位置：

其中：λ_j为搜索空间第j维的中间位置；为搜索空间第j维的上限；X _j为搜索空间第j维的下限。