CN112132488B - 一种耦合建模-优化-优选的水库生态调度方法 - Google Patents
一种耦合建模-优化-优选的水库生态调度方法 Download PDFInfo
- Publication number
- CN112132488B CN112132488B CN202011076986.2A CN202011076986A CN112132488B CN 112132488 B CN112132488 B CN 112132488B CN 202011076986 A CN202011076986 A CN 202011076986A CN 112132488 B CN112132488 B CN 112132488B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- period
- water
- scheduling
- formula
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000008878 coupling Effects 0.000 title claims abstract description 16
- 238000010168 coupling process Methods 0.000 title claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000010219 correlation analysis Methods 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 140
- 230000008901 benefit Effects 0.000 claims description 49
- 238000003973 irrigation Methods 0.000 claims description 42
- 230000002262 irrigation Effects 0.000 claims description 42
- 238000010248 power generation Methods 0.000 claims description 22
- 239000003621 irrigation water Substances 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims description 3
- 239000003337 fertilizer Substances 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000002601 radiography Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 241000287828 Gallus gallus Species 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水库调度技术领域,公开了一种耦合建模‑优化‑优选的水库生态调度方法,包括以下步骤:构建水库多目标调度模型;收集水库特征参数;多个调度目标的相关性分析;运用优化算法对双目标模型进行优化求解;根据相关性结果提取利益冲突的调度目标构成目标集;构建调度模型根据目标集构建水库优化调度模型;运用多目标优化算法对优化调度模型进行求解获得帕累托调度方案集;根据多属性决策法对调度方案集进行优选,获得偏好调度方案;这种水库生态调度方法,完善传统建模方法中的不足之处,进而获得最理想化的调度方案。
Description
技术领域
本发明涉及水库调度技术领域,特别涉及一种耦合建模-优化-优选的水库生态调度方法。
背景技术
水库优化调度是实现工程供水、发电、灌溉等经济效益最大化,优化水库放水过程的水库运用问题。水库生态调度就是在传统水库调度的基础上,将水库和河道的生态服务功能考虑进来的一种新的调度模式。在实际水库生态调度中,存在:(1)调度目标选择缺乏定量分析,目标选择的科学性和依据不充分;(2)模型优化求解获得多个Pareto最优解,如何结合实际进行最优解的偏好选择。因此,本发明针对调度目标提取与模型建立过程中,调度目标相关性分析方法不明确、分析过程缺失,调度方案优选方法仍有进一步研究空间的科学问题,提出一种耦合了多目标相关性分析、多目标优化、多属性决策的贯通“建模-优化-优选”全过程的水库调度方法。
水库调度研究主要围绕防洪减灾、兴利除害这一主题展开。同时,追求多目标效益最大化也是水库运用的主要目标。因而,多目标优化调度是水库调度的一个重要研究方向。当前多目标优化调度研究主要的技术流程包括:收集资料、调度目标提取、调度模型构建、模型优化求解、方案优选。
从当前多目标优化调度研究的主要技术流程可知,对于调度目标定量化提取后,各目标间相关性分析的研究存在缺失,由此造成调度目标选取理论依据不足、目标间可能存在正相关性等科学问题。并且调度模型优化求解后获得一个数量庞大的调度方案集,从众多方案中快速优选出决策者需要的偏好方案仍是研究需要进一步深入的主要方向。
发明内容
本发明提供一种耦合建模-优化-优选的水库生态调度方法,完善传统建模方法中的不足之处,进而获得最理想化的调度方案。
本发明提供了一种耦合建模-优化-优选的水库生态调度方法,包括包括以下步骤:
S1、构建水库优化调度模型;
S11、收集水库特征参数;
S12、提取水库的多个调度目标并进行定量化描述;
S13、对水库的多个调度目标进行相关性分析
S131、将定量化描述的多个调度目标两两组合,形成多组双目标模型;
S132、根据水库特征参数,运用优化算法对双目标模型进行优化求解;
S133、对双目标模型优化求解的结果进行相关性分析,根据相关性分析的结果提取利益冲突的多个调度目标构成目标集;
S14、根据目标集构建水库优化调度模型;
S2、运用优化算法对水库的多个优化调度模型进行求解,获得调度方案集;
S3、根据多属性决策法对调度方案集进行优选,获得偏好调度方案;
S31、构建水库调度方案的合理性评价指标体系;
S32、基于合理性评价指标体系,运用多属性决策法优选偏好调度方案。
上述步骤S11中的水库特征参数包括:水库死水位、正常蓄水位、水库库容、兴利库容、装机容量、水电站综合出力系数、机组最小过机流量、机组最大过机流量、灌溉孔最大引水流量、发电引水孔最大引水流量、发电最大工作水头。
上述步骤S12中的调度目标包括:
目标1:供水效率最大
以缺水指数最小作为供水效率的目标函数,如式(1):
式(1)中:N为样本年数;T为调度时段;Di,j为各用户的需水量,108m3;Wi,j为各用户实际供水量,108m3;k为缺水社会影响指数,k取值为2;
目标2:灌溉效益最大,如式(2):
式(2)中:Y为灌溉效益;Wt为时段灌溉水量;f(Wt)为灌溉水量与灌溉效益的关系,在不考虑化肥施用折纯量、农业从业人员和农用机械总劳动力变化的情况下,利用面积比拟法,得到灌区灌溉效益与灌溉水量的效益关系如式(3):
f(Wt)=7.16×Wt 0.087 (3)
目标3:发电效益最大,如式(4):
式(4)中:E为发电效益;T为时段总数;At为电价,K为出力系数;为t时段发电流量;Ht为发电水头;Δt为时段历时;
目标4:生态效益最大,即生态年平均流量偏差指标AAPFD值最小,如式(5):
式(5)中:R为生态AAPFD值;Qt为t时段调度后流量;为t时段天然流量;/>为调度期内天然流量的平均值。
上述步骤S13中多组双目标模型为:
式(6)中R为生态AAPFD值,E为发电效益,Y为灌溉效益,SI为缺水指数。
上述步骤S132中优化算法为帕累托最优解算法,则当帕累托曲线图存在近似正比例关系,则调度目标间为正相关关系;当帕累托曲线图存在近似反比例关系,则调度目标间存在矛盾关系;当帕累托曲线呈现无规律散点,则两目标间无相关性。
上述步骤S14中的水库优化调度模型的目标函数如(7):
Minimize F=f(SI,-Y,R),t=1,2,…,T (7)
约束条件包括:
(a)水库水位过程约束如式(8):
Zt,min≤Zt≤Zt,max (8)
式(8)中:Zt为第t时段水库的水位;Zt,min、Zt,max分别为第t时段最低限制水位和最高限制水位;
(b)时段出力约束如式(9):
Nt,min≤Nt≤Nt,max (9)
式(9)中:Nt,min、Nt,max分别为水电站t时段最小出力和最大出力;Nt为t时段出力,其中
(c)机组过流能力约束如式(10):
式(10)中:Qt,min为水电站机组最小过机流量;Qt,max为水电站机组最大过机流量;
(d)水量平衡约束如式(11):
Vt+1=Vt+(It-Qt)Δt (11)
式(11)中:Vt+1、Vt分别为t时段末水位和初始水位所对应的库容;It为t时段的入库流量;Qt为时段出库流量;Δt为计算时段历时;
(e)灌溉需水量约束如式(12):
0≤Wt≤Wt max (12)
式(12)中:Wt max为时段灌溉需水量上限;
(f)渠首引水流量约束如式(13):
式(13)中:为时段用于灌溉的流量;/>为时段渠首灌溉引水流量的上限。
上述步骤S31中的评价指标体系包括:
1)可靠性α
表示为在水库调度期内,达到需求目标的概率,其计算公式为:
式(14)中:α为水库供水可靠性,Kt为t时段水库下泄流量是否满足需求的判别系数,Qt、分别为t时段的水库下泄流量和生态流量,当/>时,Kt=1,否则Kt=0;
2)可恢复性γ
表示在运行分析期内,水库从破坏状态恢复到正常供水的平均频率,其计算公式为:
式(15)中:γ为水库供水可恢复性;
3)缺水深度ν
表示为水库运行分析期内,单个时段内的最大相对缺水量,其计算公式为:
ν=max{DR1,DR2,…,DRT} (16)
式(16)中:ν为缺水深度;DRt为t时段相对缺水量,
4)缺水指数MSI
反映水库供水效益的损失程度,其计算公式为:
式(17)中:T为调度期总时段数,Dt为t时段的水库生态流量,Qt为t时段水库的下泄流量。
上述步骤S33中使用的多属性决策法为SEABODE法,是一种基于k阶p级有效概念的备选方案逐次淘汰法,该方法选择偏好方案的步骤如下:
S331、利用优化算法对多目标优化问题进行求解,得到备选方案集A;
S332、基于SEABODE法构建四维属性空间C={α,γ,υ,MSI}对方案集A排序;
S3321、从k=4开始,在四维属性空间C={α,γ,υ,MSI}中辨别4-Pareto最优方案,找出所有最低阶,记为kmin;
S3322、从选出的四阶有效方案集中进一步向三阶有效方案进行优选,即k=3,此时三阶子空间分别由{α,γ,υ}、{α,γ,MSI}、{γ,υ,MSI}、{α,υ,MSI}构成;
S3323、当步骤S3322找到的所有kmin-Pareto最优方案中没有一个是(kmin-1)-Pareto最优的,则选择的偏好方案为(kmin-1)阶最高级(pmax)有效方案;
S333、重复步骤S3323,直到找出[k,p]-Pareto最优方案为偏好方案。
与现有技术相比,本发明的有益效果在于:
本发明旨在增强调度目标提取的科学性与理论依据,完善传统建模方法中的不足之处;在方案优选时,构建评价指标体系作为方案优选依据,耦合多属性决策方法对Pareto方案集进行偏好性选择,进而获得理想化的调度方案;该方法同时也为多目标优化求解寻优提供一种新的研究思路。
附图说明
图1为本发明提供的一种耦合建模-优化-优选的水库生态调度方法中相关性分析流程图。
图2为本发明提供的一种耦合建模-优化-优选的水库生态调度方法中优化-优选耦合的调度算法的框架图。
图3为本发明实施例提供的林家村水库典型年入库流量。
图4为本发明实施例提供的不同典型年灌溉需水量。
图5(a)为本发明实施例提供的平水年多目标Pareto散点图。
图5(b)为本发明实施例提供的较枯水年多目标Pareto散点图。
图5(c)为本发明实施例提供的特枯水年多目标Pareto散点图。
具体实施方式
下面结合附图1-5,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
水库优化调度是在已知水库调度目标与相应约束条件的情况下,寻求最优的放水方案。即根据水库所承担的任务,分析提取出调度目标。将各目标进行定量化数学描述。在此基础上以水库水位、时段出力、水量平衡等作为模型约束,构建水库调度模型。通过运用多目标优化求解算法对模型进行求解,获得最优化的水库放水方案。本发明主要针对调度模型构建过程中相关性分析缺失、调度方案优选仍存在进一步研究空间的科学问题,提出了一种耦合多目标相关性分析、多目标优化、多属性决策的贯穿“建模-优化-优选”全过程的水库调度方法。
下面结合附图和具体实施方式对本发明进行详细说明。
第一阶段:水库多目标调度模型构建。
步骤1:水库特征参数收集。包括水库死水位、正常蓄水位、水库库容、兴利库容、装机容量、电站综合出力系数、机组最小过机流量、机组最大过机流量、灌溉孔最大引水流量、发电引水孔最大引水流量、发电最大工作水头等参数。特征参数是调度模型求解的主要依据。
步骤2:调度目标提取。水库承担着以供水、灌溉、发电等为核心的任务,同时还要兼顾生态效益。为实现水库利用效益最大化,需要将这些调度抽取并进行数学描述,进而通过优化求解获得最优化调度方案。调度目标的数学描述如下:
目标1:供水效率最大。以缺水指数最小作为供水效率的目标函数。
式中:N为样本年数;T为调度时段;Di,j为个用户的需水量,108m3;Wi,j为各用户实际供水量,108m3;k为缺水社会影响指数,k取值为2。
目标2:灌溉效益最大
式中:Y为灌溉效益;Wt为时段灌溉水量;f(Wt)为灌溉水量与灌溉效益的关系。在不考虑化肥施用折纯量、农业从业人员和农用机械总劳动力变化的情况下,利用面积比拟法,得到灌区灌溉效益与灌溉水量的效益关系如下:
f(Wt)=7.16×Wt 0.087 (3)
目标3:发电效益最大
式中:E为发电效益;T为时段总数;At为电价,K为出力系数;为t时段发电。
流量;Ht为发电水头;Δt为时段历时。
目标4:生态效益最大,即生态AAPFD值最小。采用Ladson等提出的修正全年流量偏差函数(生态AAPFD值),生态AAPFD值越小,表示河流生态越好。
式中:R为生态AAPFD值;Qt为t时段调度后流量;为t时段天然流量;/>为调度期内天然流量的平均值。
步骤3:多目标相关性分析。调度目标相关性分析是调度模型构建的基础,是形成调度目标集的理论依据。作为调度模型构建过程中关键的一步,其却在传统研究中缺失了。因此,本发明提出先对调度目标进行相关性分析,然后再构建模型。并给出了具有可操作性的分析步骤、分析方法。如下所示:
步骤(3.1):将定量化数学描述的调度目标两两组合,形成多组双目标优化模型。
步骤(3.2):运用优化算法对双目标模型进行优化求解。若帕累托曲线图存在近似正比例关系,则调度目标间为正相关关系;若帕累托曲线图存在近似反比例关系,则调度目标间存在矛盾关系;若帕累托曲线呈现无规律散点,则两目标间无相关性。
步骤(3.3):根据两目标相关性分析获得各目标间相关性结果。综合分析后,提取利益冲突的调度目标构成目标集。相关性分析流程图如图1所示。
步骤4:调度模型构建。
通过调度目标相关性分析,获得了符合水库实际情况的调度目标集。可进一步构建水库优化调度模型。水库优化调度模型如下:
目标函数:
Minimize F=f(SI,-Y,R),t=1,2,…,T (7)
约束条件:
(1)水库水位过程约束
Zt,min≤Zt≤Zt,max (8)
(2)时段出力约束
Nt,min≤Nt≤Nt,max (9)
(3)机组过流能力约束
(4)水量平衡约束
Vt+1=Vt+(It-Qt)Δt (11)
(5)灌溉需水量约束
0≤Wt≤Wt max (12)
(6)渠首引水流量约束
式中:Zt为第t时段水库的水位;Zt,min、Zt,max分别为第t时段最低限制水位和最高限制水位;Nt,min、Nt,max分别为水电站t时段最小出力和最大出力;Nt为t时段出力,其中Qt,min为水电站机组最小过机流量;Qt,max为水电站机组最大过机流量;Vt+1、Vt分别为t时段末水位和初始水位所对应的库容;It为t时段的入库流量;Qt为时段出库流量;Δt为计算时段历时;Wt max为时段灌溉需水量上限;/>为时段用于灌溉的流量;/>为时段渠首灌溉引水流量的上限。
第二阶段:调度模型多目标优化求解
根据多目标调度模型构建的实际情况,择优选择多目标优化算法进行模型的求解。
步骤(1):选择多目标优化算法。可根据调度目标个数的实际情况结合算法自身优缺点选择多目标优化算法,优化算法包括:带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)、粒子群算法、蚁群算法、线性规划、动态规划、和人工神经网络算法。
步骤(2):结合已收集到的水库特征参数,设定优化算法的基本参数。运用多目标优化算法对构建的多目标模型进行求解。
步骤(3):求解获得Pareto方案集。
第三阶段:调度方案多属性决策优选
本发明提出以水库调度合理性评价指标体系作为调度方案优选的理论依据,并使用多属性决策法对Pareto最优方案集进行偏好优选。将多目标优化与多属性决策进行耦合。具体步骤如下:
步骤(1):构建水库调度合理性评价指标体系。为了寻找综合效益最大的方案,需要对最优Pareto方案集进行优选。优选的依据就是构建合理性评价指标体系。因此,本发明选择可靠性、可恢复性、脆弱性和缺水指数四个评价指标构成水库调度合理性评价指标体系的四维属性空间C={α,γ,υ,MSI},其中α,γ为最大化类型属性指标;ν和MSI为最小化类型属性指标。指标体系建立如下:
1)可靠性——α。在水库调度期内,达到需求目标的概率,其计算公式为:
式中:α为水库供水可靠化;Qt、分别为t时段的水库下泄流量和生态流量,Kt为t时段水库下泄流量是否满足需求的判别系数,当/>时,Kt=1,否则Kt=0。
2)可恢复性——γ。在运行分析期内,水库从破坏状态恢复到正常供水的平均频率,其计算公式为:
式中:γ为水库供水可恢复性。
3)缺水深度——ν。水库运行分析期内,单个时段内的最大相对缺水量,其计算公式为:
ν=max{DR1,DR2,…,DRT} (16)
式中:ν为缺水深度;DRt为t时段相对缺水量,
4)缺水指数——MSI。反映水库供水效益的损失程度。
式中:T为调度期总时段数。
步骤(2):选择多属性决策方法。在构建调度合理性评价指标体系后,可根据实际情况选取多属性决策方法进行偏好优选,本发明中选择使用SEABODE法进行偏好选择。
步骤(3):基于合理性评价指标体系,运用多属性决策法优选偏好方案。本发明运用的SEABODE法是一种基于k阶p级有效概念的备选方案逐次淘汰法,相比于传统方法,SEABODE法可直接从决策矩阵中筛选方案,逐步淘汰劣等方案,无需标准化决策矩阵,也无需对属性权重进行计算。因此,降低了方案在优选过程中受到的主观影响。该方法选择偏好方案的步骤如下:
1)利用优化算法对多目标优化问题进行求解,得到备选方案集A。
2)基于SEABODE法构建四维属性空间C={α,γ,υ,MSI}对方案集A排序。
2.1)从k=4开始,在四维属性空间C={α,γ,υ,MSI}中辨别4-Pareto最优方案,找出所有最低阶(记为kmin)。
2.2)从选出的四阶有效方案集中进一步向三阶有效方案进行优选,即k=3,此时三阶子空间分别由{α,γ,υ}、{α,γ,MSI}、{γ,υ,MSI}、{α,υ,MSI}构成。
2.3)若步骤2.2)找到的所有kmin-Pareto最优方案中没有一个是(kmin-1)-Pareto最优的,则选择的偏好方案为(kmin-1)阶最高级(pmax)有效方案.
3)重复步骤2.3),直到找出[k,p]-Pareto最优方案为偏好方案。
优化-优选耦合的调度算法的框架图如图2所示。
综上,本发明提出了一种耦合多目标相关性分析、多目标优化、多属性决策的水库调度方法。即通过提取调度目标集,并对调度目标进行两两相关性分析,通过相关性分析最终形成两两相互矛盾的调度目标集,填补调度目标提取理论依据不足的缺点。在模型求解时采用多目标优化算法对模型进行求解,寻求模型的最优解集。在此基础上,将建模、求解与优选耦合。通过构建水库调度合理性评价指标体系,运用多属性决策方法对Pareto解集进行优选,以提升调度方案优选效率。
实例计算与分析
典型年的选择
选取1950~2018年共69年的水文序列,将其进行排频计算,然后根据皮尔逊Ⅲ型曲线对水库年平均流量进行适线,选取P=5%为特丰水年,P=25%为较丰水年,P=50%为平水年,P=75%为较枯水年,P=90%为特枯水年。典型年的来水过程,如图3所示。
灌溉需水量计算
宝鸡峡水库的主要供水目标包括灌溉、发电和生态用水。根据分析可知,特丰水年和较丰水年,渠首引水后下泄流量能够满足生态流量;平水年引水后生态流量不足;而较枯水年和特枯数年引水前生态基流已不足,引水后更加严重。故本文主要计算平水年、较枯水年和特枯水年的灌溉需水量。
根据宝鸡峡灌区的灌溉制度和灌溉定额,采用定额指标法,通过分析计算可以得到宝鸡峡塬上灌区的月灌溉需水量,结果图4所示。其中50%典型年灌溉需水量为2.43亿m3,75%典型年灌溉需水量为5.55亿m3,90%典型年灌溉需水量为5.91亿m3。
优化求解与结果分析
采用Matlab编制水库生态调度的NSGA-Ⅱ-SEABODE优化求解算法,以月为调度时段,总调度时段12个,运行期为7月至次年6月。优化问题包括13个决策变量,分别是水库在12个时间段内的13个水位值(包括起始水位和结束水位)。选取种群规模N=100,最大迭代次数Gen=1000,NSGA-II算法使用模拟的二进制交叉算子和多项式突变,交叉概率pc=0.9,变异概率pm=1/n,n是决策变量的个数,交叉分配指数ηc和突变分布指数ηm都是20。通过计算可得到100组Pareto最优解。不同典型年的优化调度结果如图5(a)、图5(b)和图5(c)所示,可以看出灌溉效益与生态AAPFD值之间存在着竞争关系。为进一步分析优化结果,取其中的两种典型优化方案:方案1(生态AAPFD值最小)、方案2(灌溉效益最大)。当以追求灌溉效益最大为目标时,可选择方案2;当追求生态AAPFD值最小为目标时,可选择方案1。从方案1到方案2,水库的灌溉效益在增加的同时,生态AAPFD值也在增加。可见为了保障河道内具有一定的生态流量,会使水库的经济效益受到一定的影响。
分别计算平水年、较枯水年和特枯水年水库属性空间C中4个评价指标值,统计结果见表1。由表1可以看出,三个不同典型年中,不同方案的4个评价指标均存在差异。因此,可采用SEABODE法对方案集进行选择与淘汰,确定最终的偏好方案。
表1决策空间A中不同典型年评价指标统计结果
平水年、较枯水年、特枯水年三种典型年下,四维指标空间C及其三维子空间中的Pareto最优方案数统计结果见表2。在k=4的第一轮方案优劣排序识别中,不同典型年的方案A1-方案A100,在四维指标空间C中分别有46、56、49个方案是Pareto最优的,相当于偏好方案的优选范围分别缩小了54%、44%、51%。为了选择出一个具有代表性的偏好方案,需进一步完善和缩小决策者的选择范围。在第二轮中,将所选的四阶有效解进一步优化为三阶有效解,分别获得平水年的三阶有效方案个数是7个,较枯水年是13个,特枯水年是9个。第三轮k=2的方案优劣排序,同样使用SEABODE法进行优选,得到了平水年(p=50%)、较枯水年(p=75%)和特枯水年(p=90%)下,多属性决策的最终偏好方案分别为方案A29、方案A13、方案A80,结果见表3。
表2不同典型年的指标空间C中Pareto最优方案个数
注:1-α,2-γ,3-ν,4-MSI。
表3典型年偏好方案结果
从表3可以看出,不同典型年的生态调度性能评价指标差别很大。平水年的供水可靠性、可恢复性、脆弱性指标均优于较枯水年和特枯水年。其中,较枯水年和特枯水年的调水可靠性α分别下降了12.4%、24.7%;可恢复性γ分别下降了25.4%、50.7%;脆弱性ν分别下降了25.0%、33.3%。较枯水年的缺水指数MSI最小,为2.21,表明12月中有2个多月无法满足正常需水量。平水年、较枯水年、特枯水年的经济效益分别为7.949、8.452、7.927亿元,生态AAPFD值分别为1.624、1.207、1.425。平水年的发电效益与设计发电量所得发电效益相比提高了13.6%,灌溉效益比多年平均灌溉效益提高了0.09%。使用本发明方法较枯水年和特枯水年的经济效益分别提高了6.3%、0.3%,生态AAPFD值分别降低10.5%和8.8%,即经济效益和生态效益整体上均有所提高。
为解决水库生态调度模型构建和求解中存在的问题,本文提出并构建了一种耦合多目标相关分析、多目标优化和多属性决策的水库生态调度方法,并通过实例分析与验证可得出如下结论:(1)通过抽取水库生态调度目标,并进行相关性分析,从而获得相互冲突的调度目标,使得水库生态调度模型的构建更具科学性和定量依据;(2)将多目标优化和多属性决策方法结合,构建的NSGA-II—SEABODE算法,能够在优化求解模型的同时,从Pareto最优调度方案中优选出最终偏好调度方案;(3)将建模方法、优化算法、优选方法耦合,从而为水库生态调度提供了一种贯通“模型构建-优化求解-方案优选”全过程的调度方法。
针对水库调度研究中调度目标选取理论依据不充分,调度目标间相关性分析方法步骤不明确、分析过程缺失,调度方案优选方法仍存在发展空间的科学问题。本发明的目的在于将建模方法、优化算法、优选方法进行耦合,形成一种贯通“建模-优化-优选”全过程的水库调度方法。该方法旨在增强调度目标提取的科学性与理论依据,完善传统建模方法中的不足之处;在方案优选时,构建评价指标体系作为方案优选依据,耦合多属性决策方法对Pareto方案集进行偏好性选择,进而获得最理想化的调度方案;该方法同时也为多目标优化求解寻优提供一种新的研究思路。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种耦合建模-优化-优选的水库生态调度方法,其特征在于,包括以下步骤:
S1、构建水库优化调度模型;
S11、收集水库特征参数;
S12、提取水库的多个调度目标并进行定量化描述;
S13、对水库的多个调度目标进行相关性分析
S131、将定量化描述的多个调度目标两两组合,形成多组双目标模型;
S132、根据水库特征参数,运用优化算法对双目标模型进行优化求解;
S133、对双目标模型优化求解的结果进行相关性分析,根据相关性分析的结果提取利益冲突的多个调度目标构成目标集;
S14、根据目标集构建水库优化调度模型;
S2、运用优化算法对水库的多个优化调度模型进行求解,获得调度方案集;
S3、根据多属性决策法对调度方案集进行优选,获得偏好调度方案;
S31、构建水库调度方案的合理性评价指标体系;
S32、基于合理性评价指标体系,运用多属性决策法优选偏好调度方案;
所述步骤S12中的调度目标包括:
目标1:供水效率最大
以缺水指数最小作为供水效率的目标函数,如式(1):
式(1)中:N为样本年数;T为调度期总时段数;Di,j为各用户的需水量,Di,j的单位为108m3;Wi,j为各用户实际供水量,Wi,j的单位为108m3;k为缺水社会影响指数,k取值为2;
目标2:灌溉效益最大,如式(2):
式(2)中:Y为灌溉效益;Wt为时段灌溉水量;f(Wt)为灌溉水量与灌溉效益的关系,在不考虑化肥施用折纯量、农业从业人员和农用机械总劳动力变化的情况下,利用面积比拟法,得到灌溉水量与灌溉效益的关系如式(3):
f(Wt)=7.16×Wt 0.087 (3)
目标3:发电效益最大,如式(4):
式(4)中:E为发电效益;T为调度期总时段数;At为电价,K为出力系数;Qt f为t时段发电流量;Ht为发电水头;Δt为时段历时;
目标4:生态效益最大,即生态年平均流量偏差指标AAPFD值最小,如式(5):
式(5)中:R为生态AAPFD值;Qt为t时段调度后流量;为t时段天然流量;/>为调度期内天然流量的平均值;
所述步骤S131中多组双目标模型为:
式(6)中R为生态AAPFD值,E为发电效益,Y为灌溉效益,SI为缺水指数;
所述步骤S132中优化算法为帕累托最优解算法,其当帕累托曲线图存在近似正比例关系,则调度目标间为正相关关系;当帕累托曲线图存在近似反比例关系,则调度目标间存在矛盾关系;当帕累托曲线呈现无规律散点,则两目标间无相关性;
所述步骤S32中使用的多属性决策法为SEABODE法,是一种基于L阶p级有效概念的备选方案逐次淘汰法,该方法选择偏好方案的步骤如下:
S321、利用优化算法对多目标优化问题进行求解,得到备选方案集A;
S322、基于SEABODE法构建四维属性空间C={α,γ,υ,MSI}对方案集A排序;
S3221、从L=4开始,在四维属性空间C={α,γ,υ,MSI}中辨别4-Pareto最优方案,找出所有最低阶,记为Lmin;
S3222、从选出的四阶有效方案集中进一步向三阶有效方案进行优选,即L=3,此时三阶子空间分别由{α,γ,υ}、{α,γ,MSI}、{γ,υ,MSI}、{α,υ,MSI}构成;
S3223、当步骤S3322找到的所有Lmin-Pareto最优方案中没有一个是(Lmin-1)-Pareto最优的,则选择的偏好方案为(Lmin-1)阶最高级(pmax)有效方案;
S323、重复步骤S3323,直到找出[L,p]-Pareto最优方案为偏好方案。
2.如权利要求1所述的耦合建模-优化-优选的水库生态调度方法,其特征在于,所述步骤S11中的水库特征参数包括:水库死水位、正常蓄水位、水库库容、兴利库容、装机容量、水电站综合出力系数、机组最小过机流量、机组最大过机流量、灌溉孔最大引水流量、发电引水孔最大引水流量和发电最大工作水头。
3.如权利要求1所述的耦合建模-优化-优选的水库生态调度方法,其特征在于,所述步骤S14中的水库优化调度模型的目标函数如(7):
MinimizeF=f(SI,-Y,R),t=1,2,···,T (7)
约束条件包括:
(a)水库水位过程约束如式(8):
Zt,min≤Zt≤Zt,max (8)
式(8)中:Zt为第t时段水库的水位;Zt,min、Zt,max分别为第t时段最低限制水位和最高限制水位;
(b)时段出力约束如式(9):
Nt,min≤Nt≤Nt,max (9)
式(9)中:Nt,min、Nt,max分别为水电站t时段最小出力和最大出力;Nt为t时段出力,其中
(c)机组过流能力约束如式(10):
式(10)中:Qt,min为水电站机组最小过机流量;Qt,max为水电站机组最大过机流量;
(d)水量平衡约束如式(11):
Vt+1=Vt+(It-Qt)Δt (11)
式(11)中:Vt+1、Vt分别为t时段末水位和初始水位所对应的库容;It为t时段的入库流量;Qt为时段出库流量;Δt为时段历时;
(e)灌溉需水量约束如式(12):
0≤Wt≤Wt max (12)
式(12)中:Wt max为时段灌溉需水量上限;
(f)渠首引水流量约束如式(13):
式(13)中:为时段用于灌溉的流量;/>为时段渠首灌溉引水流量的上限。
4.如权利要求1所述的耦合建模-优化-优选的水库生态调度方法,其特征在于,所述步骤S31中的评价指标体系包括:
1)可靠性α
表示为在水库调度期内,达到需求目标的概率,其计算公式为:
式(14)中:α为水库供水可靠性,Kt为t时段水库下泄流量是否满足需求的判别系数,Qt、分别为t时段的水库下泄流量和生态流量,当/>时,Kt=1,否则Kt=0;
2)可恢复性γ
表示在运行分析期内,水库从破坏状态恢复到正常供水的平均频率,其计算公式为:
式(15)中:γ为水库供水可恢复性;
2)缺水深度ν
表示为水库运行分析期内,单个时段内的最大相对缺水量,其计算公式为:
ν=max{DR1,DR2,…,DRT} (16)
式(16)中:ν为缺水深度;DRt为t时段相对缺水量,
3)缺水指数MSI
反映水库供水效益的损失程度,其计算公式为:
式(17)中:T为调度期总时段数,Dt为t时段的水库生态流量,Qt为t时段水库的下泄流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076986.2A CN112132488B (zh) | 2020-10-10 | 2020-10-10 | 一种耦合建模-优化-优选的水库生态调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076986.2A CN112132488B (zh) | 2020-10-10 | 2020-10-10 | 一种耦合建模-优化-优选的水库生态调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132488A CN112132488A (zh) | 2020-12-25 |
CN112132488B true CN112132488B (zh) | 2024-02-02 |
Family
ID=73844122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011076986.2A Active CN112132488B (zh) | 2020-10-10 | 2020-10-10 | 一种耦合建模-优化-优选的水库生态调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132488B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819274B (zh) * | 2022-03-23 | 2023-04-18 | 西南交通大学 | 一种水库多目标优化调度技术评估方法及系统 |
CN115809718B (zh) * | 2022-10-09 | 2024-03-15 | 当涂南科院科研试验有限公司 | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 |
CN117236478B (zh) * | 2023-06-01 | 2024-04-26 | 南京航空航天大学 | 基于Transformer改进深度强化学习的多目标多水库调度优化方法 |
CN116681312B (zh) * | 2023-07-28 | 2023-10-31 | 华中科技大学 | 一种面向生态的多目标水库优化调度决策方法及系统 |
CN117172492B (zh) * | 2023-09-13 | 2024-04-30 | 大连理工大学 | 一种水库生态调度方案确定方法、系统、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704965A (zh) * | 2017-10-17 | 2018-02-16 | 河海大学 | 一种兼顾生态保护需求的水库兴利调度图优化方法 |
CN110851977A (zh) * | 2019-11-06 | 2020-02-28 | 武汉大学 | 基于生态流量的供水-发电-生态多目标调度图优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174040A1 (zh) * | 2018-03-16 | 2019-09-19 | 大连理工大学 | 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法 |
-
2020
- 2020-10-10 CN CN202011076986.2A patent/CN112132488B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704965A (zh) * | 2017-10-17 | 2018-02-16 | 河海大学 | 一种兼顾生态保护需求的水库兴利调度图优化方法 |
CN110851977A (zh) * | 2019-11-06 | 2020-02-28 | 武汉大学 | 基于生态流量的供水-发电-生态多目标调度图优化方法 |
Non-Patent Citations (4)
Title |
---|
Extraction and Preference Ordering of Multireservoir Water Supply Rules in Dry Years;Ling Kang;MDPI;第8卷(第1期);全文 * |
耦合多目标优化和多属性决策的水库生态调度方法研究;刘艳;西安理工大学学报;第37卷(第2期);全文 * |
面向生态流量保障的渭河林家村水库调度研究;刘艳;中国优秀硕士学位论文全文数据库;全文 * |
面向生态的水库多利益主体协调调度模式研究;薛耀东;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132488A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132488B (zh) | 一种耦合建模-优化-优选的水库生态调度方法 | |
Jabbarzadeh et al. | Green and resilient design of electricity supply chain networks: A multiobjective robust optimization approach | |
CN111695793B (zh) | 一种综合能源系统用能灵活性评价方法及系统 | |
CN106096810B (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及系统 | |
Márquez et al. | Multi‐objective crop planning using pareto‐based evolutionary algorithms | |
Oree et al. | A multi-objective framework for long-term generation expansion planning with variable renewables | |
CN105678314A (zh) | 一种基于模糊c聚类的典型需求侧用户筛选方法 | |
CN104680339B (zh) | 一种基于实时电价的家用电器调度方法 | |
CN109872052A (zh) | 一种法院案件智能化分案辅助方法及系统 | |
CN110363440A (zh) | 一种计及需求响应不确定性的负荷聚合商可靠性评估方法 | |
CN116681312B (zh) | 一种面向生态的多目标水库优化调度决策方法及系统 | |
CN112613720A (zh) | 考虑多不确定性的水库灌溉优化调度方法 | |
CN115313361A (zh) | 一种规模化可调资源的联合优化控制方法和装置 | |
CN110458387A (zh) | 一种基于机器学习技术的智能电网信息管理方法及系统 | |
CN112508465B (zh) | 一种多维审计监控综合评价方法 | |
CN117595391A (zh) | 一种电网系统的协调控制方法 | |
Novak et al. | A decision support methodology for stochastic multi-criteria linear programming using spreadsheets | |
CN115564180A (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
CN114757702A (zh) | 虚拟电厂业务需求指标构建及通信方式适配方法及系统 | |
CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
An | Game-theoretic methods for cost allocation and security in Smart Grid | |
CN109345411B (zh) | 一种应用于配电网供电能力提升的量化控制方法 | |
CN115241981B (zh) | 一种基于大数据的主动配电网监测方法 | |
CN116415742B (zh) | 风光水电系统两阶段随机多属性决策方法及系统 | |
CN107958327B (zh) | 一种基于因子分析和som网络的项目进度风险预测方法 |
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 |