CN112950033B - 一种基于水库调度规则合成的水库调度决策方法及系统 - Google Patents
一种基于水库调度规则合成的水库调度决策方法及系统 Download PDFInfo
- Publication number
- CN112950033B CN112950033B CN202110239073.6A CN202110239073A CN112950033B CN 112950033 B CN112950033 B CN 112950033B CN 202110239073 A CN202110239073 A CN 202110239073A CN 112950033 B CN112950033 B CN 112950033B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- dispatching
- scheduling
- flood
- term
- 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 68
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 22
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 53
- 241000282320 Panthera leo Species 0.000 claims description 40
- 230000007774 longterm Effects 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000011217 control strategy Methods 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
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种水库调度的技术领域,揭露了一种基于水库调度规则合成的水库调度决策方法,包括:获取水库径流时序数据,利用自回归模型进行水库径流预报;根据水库径流预报结果,利用多时间尺度调度规则实时地对水库调度决策进行修正;利用水库防洪调度策略进行水库防洪;构建水库双目标调度目标函数;利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,实现水库调度决策。本发明还提供了一种基于水库调度规则合成的水库调度决策系统。本发明实现了水库调度。
Description
技术领域
本发明涉及水库调度的技术领域,尤其涉及一种基于水库调度规则合成的水库调度决策方法及系统。
背景技术
我国水资源供需矛盾日益突出,水资源管理需求向发电、供水、环境、农业灌溉等多目标综合利用、协调最优发展,而水库是实现多目标间相互协调的最重要调控工程,科学合理的水库优化调度对于充分利用水库调蓄能力以最大程度地满足各用户目标需求十分关键。
传统水库问题的优化求解方法往往采用常规优化算法,这样优化缺乏针对性,在求解过程中需在大范围空间内随机搜索且还需要保证解集多样性,易导致决策者关心区域内的有效解的搜索效率低、质量差等问题,尤其遇到大规模库群联调这种涉及多个复杂目标的优化求解问题,求解空间更大,还可能陷入局部最优解。
同时现有的水库多目标决策通常是将公认的多目标决策方法直接引入水库调度决策问题中进行应用和验证,这些方法较少结合水库自身多目标间的竞争关系来对决策进行有效指导,且现有研究对多目标竞争关系分析和量化还较少。
鉴于此,如何构建水库调度的多目标决策模型,并利用优化算法对模型进行求解,实现更为有效的水库调度,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于水库调度规则合成的水库调度决策方法,通过利用自回归模型进行水库径流预报,根据预报结果,利用多时间尺度调度规则实时对水库调度决策进行修正,利用水库防洪调度策略进行水库防洪,并利用基于双目标的水库调度策略实现水库调度决策。
为实现上述目的,本发明提供的一种基于水库调度规则合成的水库调度决策方法,包括:
获取水库径流时序数据,利用自回归模型进行水库径流预报;
根据水库径流预报结果,利用多时间尺度调度规则实时地对水库调度决策进行修正;
利用水库防洪调度策略进行水库防洪;
构建水库双目标调度目标函数;
利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,实现水库调度决策。
可选地,所述利用自回归模型进行水库径流预报,包括:
所述利用自回归模型进行水库径流预报的公式为:
其中:
μ为水库径流时序数据均值;
为自回归模型的回归系数;
yt-i为t-i时刻的水库径流历史数据;
yt为需要预测的当前t时刻水库径流数据;
p为自回归模型的阶数,所获得的水库径流时序数据总数为p-1;
εt为残差;
σε为水库径流时序数据标准差。
在所述自回归模型中,回归系数表示不同时刻水库径流数据的相依程度,均值μ为水库径流时序数据序列的平均水平。
可选地,所述利用多时间尺度调度规则实时地对水库调度决策进行修正,包括:
所述时间尺度上包括长期、中期、短期和实时,其中长期、中期、短期调度是调度计划方案,是根据不同时间尺度下的水库径流预报制定的调度方案,实时调度是根据水库当前情况具体发生的调度;长期水库调度步长为月,中期水库调度步长为旬,短期水库调度步长为天,实时水库调度为小时,根据不同时间尺度的径流预报的来水过程以及调度需求制定不同时间尺度的调度计划,长时间尺度的调度计划对短时间尺度有约束关系,短时间尺度对长时间尺度有反馈关系。
所述利用多时间尺度调度规则实时地对水库调度决策进行修正的流程为:
(1)长期水库调度方案:以月为步长,根据长期径流预测,结合调度目标,制定长期调度计划方案;
(2)中期水库调度方案:以长期调度计划方案每个月为边界,以旬为步长,根据水库调度目标,制定中期调度计划方案;
(3)短期水库调度方案:以中期调度计划方案每个旬为边界,以天为步长,根据水库调度目标,制定短期调度计划方案。
(4)实时调度方案:根据径流预报结果,包括当前水位,和预测入流,以小时为步长,制定实时调度方案;
当t+Δt1达到下一天24小时周期,就把实时调度方案反馈给短期调度,短期调度根据实时调度方案制定预留期的调度计划方案;如果t=t+Δt1没达到下一天24小时周期,则继续制定实时调度方案,实时反馈调整;
当t+Δt2达到下一旬周期,就把短期调度计划方案反馈给中期调度,中期调度根据短期调度计划方案制定预留期的调度计划方案;如果t+Δt2达到下一旬周期,则继续修正短期水库调度方案;
当t+Δt3达到下一月周期,就把中期调度计划方案反馈给长期调度,长期调度根据中期调度计划方案制定预留期的调度计划方案;如果t+Δt3达到下一月周期,则继续修正水库调度方案。
可选地,所述水库防洪调度策略为:
1)利用beta概率密度函数B(a,b)模拟洪水:
其中:
a,b为参数,在峰量已定的洪水过程模拟中,参数a、b可用于表示洪峰出现的时间,其表示如下:
其中:
t表示洪水洪峰出现的时间;
td表示洪水的总历时;
2)建立洪水估算模型:
D(t)=(B(t)-Bq)×(w/Dt-q)/(Bw/Dt-Bq)+q
其中:
D(t)为洪水在t时刻的流量;
B(t)为Beta函数在t时刻的概率密度值;
q,w分别为洪水的洪峰和洪量;
Bq为Beta函数的概率密度曲线的最大值;
Bw为通过Beta函数的概率密度曲线计算的洪水量;
Dt为洪水的持续时间;
利用洪水估算模型设计不同情况的洪水过程;
在本发明一个具体实施例中,通过利用所述洪水估算模型,可以确保放大后的洪水过程其洪峰及洪量等于指定的设计值,且调整洪峰出现时间依旧可保持洪水过程形状不发生明显变化,从而得到同频率不同峰现时间的设计洪水过程;
3)根据所设计的洪水过程,建立以全时段最大下泄流量最小为目标做水库防洪优化目标函数:
f(Zt)=min{max[qt,f(Zt+1)]}
其中:
Zt表示t时刻初水库水位,Zt+1表示t时刻末水库水位;
qt为t时刻水库的下泄流量;
f(·)表示t+1时刻至调度期末水库期望最大下泄流量;
4)确定J时刻初水位以及入库流量等级;
5)确定J时刻末水位,计算目标函数值,若目标函数值达到最优,则记录最佳目标函数值以及最优末水位,否则重新确定J时刻末水位;重复4)-5),直到所有初水位均计算完毕,输出水库在洪水期间的最大下泄流量。
可选地,所述水库双目标调度目标函数为:
max min{N(t)}
其中:
N(t)为水库在t时段的出力;
E(t)为水库在t时段的发电量;
所述水库双目标调度目标函数的约束条件为:
水库水量平衡约束:
V(m,t+1)=V(m,t)+(I(m,t)-O(m,t))×Δt-Vloss(m,t)
上下游水库间水量平衡约束:
I(m,t)=O(m-1,t)+qa(m,t)-qd(m,t)
其中:
m为水库编号,t为时刻编号;
V(m,t)为t时刻初水库蓄水量,Vloss(m,t)为t时刻库容损失;
I(m,t),O(m,t)分别为t时刻水库m的入库出库流量;
qa(m,t),qd(m,t)分别为上游水库m-1与下游水库m间的区间入流、引水。
可选地,所述利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,包括:
1)初始化种群,在目标空间内,将种群在x轴上的投影范围进行m等分;
2)基于m等分对应的x轴坐标值区间,将种群划分成m个狮群,其中每个狮群x轴区间的最大长度均为lx;
3)判断每个狮群是否符合种群划分的原则,并解散不符合划分原则的狮群;所述种群划分原则为:在同一狮群内,不同个体对双目标函数的优化值必须相差不大,如果一个狮群内不同个体对某个目标的优化值相差较大,那么该狮群将被解散;
4)为了兼顾不同的优化目标,在进化过程中,两个目标将轮流作为x轴。其次,淘汰种群内所有斜率指标值大于等于0的个体;基于狮群和斜率指标将个体分为狮王和普通狮子两大类,同时令种群的两个边界个体作为狮王;最后,为了保证有足够多的狮子能够参与接下来的进化操作并保持种群规模的稳定,必要时将会从已经淘汰的个体中随机选择一定数量的个体作为普通狮子;
5)最终所划分得到的狮王,即为水库双目标调度目标函数的调度参数,包括入库水量以及出库水量。
此外,为实现上述目的,本发明还提供一种基于水库调度规则合成的水库调度决策系统,所述系统包括:
水库数据获取装置,用于获取水库径流时序数据;
数据处理器,用于利用自回归模型进行水库径流预报,根据水库径流预报结果,利用多时间尺度调度规则实时地对水库调度决策进行修正;
水库调度决策装置,用于利用水库防洪调度策略进行水库防洪,构建水库双目标调度目标函数,利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,实现水库调度决策。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有水库调度决策程序指令,所述水库调度决策程序指令可被一个或者多个处理器执行,以实现如上所述的基于水库调度规则合成的水库调度决策的实现方法的步骤。
相对于现有技术,本发明提出一种基于水库调度规则合成的水库调度决策方法,该技术具有以下优势:
首先,目前制定的长期、中期、短期水库调度方案之间是相互脱节,无法有效相互支撑反馈,这样使得调度计划很难指导实际水库运行,在一定意义上失去了水库调度计划的参考价值。因此本发明提出利用多时间尺度调度规则实时地对水库调度决策,根据不同时间尺度的径流预报的来水过程以及调度需求制定不同时间尺度的调度计划,长时间尺度的调度计划对短时间尺度有约束关系,短时间尺度对长时间尺度有反馈关系,所述基于多时间尺度调度规则对水库调度方案进行修正的流程为:
(1)长期水库调度方案:以月为步长,根据长期径流预测,结合调度目标,制定长期调度计划方案;
(2)中期水库调度方案:以长期调度计划方案每个月为边界,以旬为步长,根据水库调度目标,制定中期调度计划方案;
(3)短期水库调度方案:以中期调度计划方案每个旬为边界,以天为步长,根据水库调度目标,制定短期调度计划方案。
(4)实时调度方案:根据径流预报结果,包括当前水位,和预测入流,以小时为步长,制定实时调度方案;
当t+Δt1达到下一天24小时周期,就把实时调度方案反馈给短期调度,短期调度根据实时调度方案制定预留期的调度计划方案;如果t=t+Δt1没达到下一天24小时周期,则继续制定实时调度方案,实时反馈调整。当t+Δt2达到下一旬周期,就把短期调度计划方案反馈给中期调度,中期调度根据短期调度计划方案制定预留期的调度计划方案;如果t+Δt2达到下一旬周期,则继续修正短期水库调度方案。当t+Δt3达到下一月周期,就把中期调度计划方案反馈给长期调度,长期调度根据中期调度计划方案制定预留期的调度计划方案;如果t+Δt3达到下一月周期,则继续修正水库调度方案。通过多时间级协调、逐时间级细化、滚动修正的的调度机制,实现多时间尺度的水库调度方案嵌套以及滚动修正。
同时本发明提出一种水库防洪调度策略,以进行水库防洪,首先本发明利用beta概率密度函数B(a,b)模拟洪水:
其中:a,b为参数,在峰量已定的洪水过程模拟中,参数a、b可用于表示洪峰出现的时间,其表示如下:
其中:t表示洪水洪峰出现的时间;td表示洪水的总历时;同时本发明建立洪水估算模型:
D(t)=(B(t)-Bq)×(w/Dt-q)/(Bw/Dt-Bq)+q
其中:D(t)为洪水在t时刻的流量;B(t)为Beta函数在t时刻的概率密度值;q,w分别为洪水的洪峰和洪量;Bg为Beta函数的概率密度曲线的最大值;Bw为通过Beta函数的概率密度曲线计算的洪水量;Dt为洪水的持续时间;从而利用洪水估算模型设计不同情况的洪水过程,根据所设计的洪水过程,建立以全时段最大下泄流量最小为目标做水库防洪优化目标函数:
f(Zt)=min{max[qt,f(Zt+1)]}
其中:Zt表示t时刻初水库水位,Zt+1表示t时刻末水库水位;qt为t时刻水库的下泄流量;f(·)表示t+1时刻至调度期末水库期望最大下泄流量;确定J时刻初水位以及入库流量等级;确定J时刻末水位,计算目标函数值,若目标函数值达到最优,则记录最佳目标函数值以及最优末水位,否则重新确定J时刻末水位;通过重复上述步骤,直到所有初水位均计算完毕,输出水库在洪水期间的最大下泄流量,并据此实现水库防洪策略。
附图说明
图1为本发明一实施例提供的一种基于水库调度规则合成的水库调度决策方法的流程示意图;
图2为本发明一实施例提供的一种基于水库调度规则合成的水库调度决策系统的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
通过利用自回归模型进行水库径流预报,根据预报结果,利用多时间尺度调度规则实时对水库调度决策进行修正,利用水库防洪调度策略进行水库防洪,并利用基于双目标的水库调度策略实现水库调度决策。参照图1所示,为本发明一实施例提供的基于水库调度规则合成的水库调度决策方法示意图。
在本实施例中,基于水库调度规则合成的水库调度决策方法包括:
S1、获取水库径流时序数据,利用自回归模型进行水库径流预报。
首先,本发明获取水库径流时序数据,并利用自回归模型进行水库径流预报,所述利用自回归模型进行水库径流预报的公式为:
其中:
μ为水库径流时序数据均值;
为自回归模型的回归系数;
yt-i为t-i时刻的水库径流历史数据;
yt为需要预测的当前t时刻水库径流数据;
p为自回归模型的阶数,所获得的水库径流时序数据总数为p-1;
εt为残差;
σε为水库径流时序数据标准差。
在所述自回归模型中,回归系数表示不同时刻水库径流数据的相依程度,均值μ为水库径流时序数据序列的平均水平。
S2、根据水库径流预报结果,利用多时间尺度调度规则实时地对水库调度决策进行修正。
进一步地,根据水库径流预报结果,本发明利用多时间尺度调度规则实时地对水库调度决策进行修正;
所述时间尺度上包括长期、中期、短期和实时,其中长期、中期、短期调度是调度计划方案,是根据不同时间尺度下的水库径流预报制定的调度方案,实时调度是根据水库当前情况具体发生的调度;长期水库调度步长为月,中期水库调度步长为旬,短期水库调度步长为天,实时水库调度为小时,根据不同时间尺度的径流预报的来水过程以及调度需求制定不同时间尺度的调度计划,长时间尺度的调度计划对短时间尺度有约束关系,短时间尺度对长时间尺度有反馈关系。
所述利用多时间尺度调度规则实时地对水库调度决策进行修正的流程为:
(1)长期水库调度方案:以月为步长,根据长期径流预测,结合调度目标,制定长期调度计划方案;
(2)中期水库调度方案:以长期调度计划方案每个月为边界,以旬为步长,根据水库调度目标,制定中期调度计划方案;
(3)短期水库调度方案:以中期调度计划方案每个旬为边界,以天为步长,根据水库调度目标,制定短期调度计划方案。
(4)实时调度方案:根据径流预报结果,包括当前水位,和预测入流,以小时为步长,制定实时调度方案;
当t+Δt1达到下一天24小时周期,就把实时调度方案反馈给短期调度,短期调度根据实时调度方案制定预留期的调度计划方案;如果t=t+Δt1没达到下一天24小时周期,则继续制定实时调度方案,实时反馈调整;
当t+Δt2达到下一旬周期,就把短期调度计划方案反馈给中期调度,中期调度根据短期调度计划方案制定预留期的调度计划方案;如果t+Δt2达到下一旬周期,则继续修正短期水库调度方案;
当t+Δt3达到下一月周期,就把中期调度计划方案反馈给长期调度,长期调度根据中期调度计划方案制定预留期的调度计划方案;如果t+Δt3达到下一月周期,则继续修正水库调度方案。
S3、利用水库防洪调度策略进行水库防洪。
进一步地,本发明利用水库防洪调度策略进行水库防洪,所述水库防洪调度策略的流程为:
1)利用beta概率密度函数B(a,b)模拟洪水:
其中:
a,b为参数,在峰量已定的洪水过程模拟中,参数a、b可用于表示洪峰出现的时间,其表示如下:
其中:
t表示洪水洪峰出现的时间;
td表示洪水的总历时;
2)建立洪水估算模型:
D(t)=(B(t)-Bq)×(w/Dt-q)/(Bw/Dt-Bq)+q
其中:
D(t)为洪水在t时刻的流量;
B(t)为Beta函数在t时刻的概率密度值;
q,w分别为洪水的洪峰和洪量;
Bq为Beta函数的概率密度曲线的最大值;
Bw为通过Beta函数的概率密度曲线计算的洪水量;
Dt为洪水的持续时间;
利用洪水估算模型设计不同情况的洪水过程;
在本发明一个具体实施例中,通过利用所述洪水估算模型,可以确保放大后的洪水过程其洪峰及洪量等于指定的设计值,且调整洪峰出现时间依旧可保持洪水过程形状不发生明显变化,从而得到同频率不同峰现时间的设计洪水过程;
3)根据所设计的洪水过程,建立以全时段最大下泄流量最小为目标做水库防洪优化目标函数:
f(Zt)=min{max[qt,f(Zt+1)]}
其中:
Zt表示t时刻初水库水位,Zt+1表示t时刻末水库水位;
qt为t时刻水库的下泄流量;
f(·)表示t+1时刻至调度期末水库期望最大下泄流量;
4)确定J时刻初水位以及入库流量等级;
5)确定J时刻末水位,计算目标函数值,若目标函数值达到最优,则记录最佳目标函数值以及最优末水位,否则重新确定J时刻末水位;重复4)-5),直到所有初水位均计算完毕,输出水库在洪水期间的最大下泄流量。
S4、构建水库双目标调度目标函数。
进一步地,本发明以年发电量最大化以及最小月出力最大化为目标,构建如下水库双目标调度目标函数:
max min{N(t)}
其中:
N(t)为水库在t时段的出力;
E(t)为水库在t时段的发电量;
所述水库双目标调度目标函数的约束条件为:
水库水量平衡约束:
V(m,t+1)=V(m,t)+(I(m,t)-O(m,t))×Δt-Vloss(m,t)
上下游水库间水量平衡约束:
I(m,t)=O(m-1,t)+qa(m,t)-qd(m,t)
其中:
m为水库编号,t为时刻编号;
V(m,t)为t时刻初水库蓄水量,Vloss(m,t)为t时刻库容损失;
I(m,t),O(m,t)分别为t时刻水库m的入库出库流量;
qa(m,t),qd(m,t)分别为上游水库m-1与下游水库m间的区间入流、引水。
S5、利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,实现水库调度决策。
进一步地,本发明利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,所述基于双目标调度目标函数的水库调度优化策略为:
1)初始化种群,在目标空间内,将种群在x轴上的投影范围进行m等分;
2)基于m等分对应的x轴坐标值区间,将种群划分成m个狮群,其中每个狮群x轴区间的最大长度均为lx;
3)判断每个狮群是否符合种群划分的原则,并解散不符合划分原则的狮群;所述种群划分原则为:在同一狮群内,不同个体对双目标函数的优化值必须相差不大,如果一个狮群内不同个体对某个目标的优化值相差较大,那么该狮群将被解散;
4)为了兼顾不同的优化目标,在进化过程中,两个目标将轮流作为x轴。其次,淘汰种群内所有斜率指标值大于等于0的个体;基于狮群和斜率指标将个体分为狮王和普通狮子两大类,同时令种群的两个边界个体作为狮王;最后,为了保证有足够多的狮子能够参与接下来的进化操作并保持种群规模的稳定,必要时将会从已经淘汰的个体中随机选择一定数量的个体作为普通狮子;
5)最终所划分得到的狮王,即为水库双目标调度目标函数的调度参数,包括入库水量以及出库水量。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境为:操作系统是Ubuntu16.04,计算机处理器为Inteli5-8500 CPU@3GHZ×6,内存条的大小为16G,Tensorflow-gpu 1.18版本,keras 2.24版本;对比处理方法为基于决策树的水库调度决策方法,基于SVM的水库调度决策方法以及基于粒子群的水库调度决策方法。
在本发明所述算法实验中,数据集为采集到的100G水库数据。本实验将采集数据输入到本发明所述方法以及对比方法中,将水库调度决策的有效率作为评价算法性能的指标。
根据实验结果,基于决策树的水库调度决策方法的水库调度决策的有效率为81.22%,基于SVM的水库调度决策方法的水库调度决策的有效率为83.09%,基于粒子群的水库调度决策方法的水库调度决策的有效率为81.85%,本发明所述方法的水库调度决策的有效率为86.72%,相较于对比方法,本发明所提出的基于水库调度规则合成的水库调度决策方法具有更高的水库调度决策有效率。
发明还提供一种基于水库调度规则合成的水库调度决策系统。参照图2所示,为本发明一实施例提供的基于水库调度规则合成的水库调度决策系统的内部结构示意图。
在本实施例中,所述基于水库调度规则合成的水库调度决策系统1至少包括水库数据获取装置11、数据处理器12、水库调度决策装置13,通信总线14,以及网络接口15。
其中,水库数据获取装置11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是基于水库调度规则合成的水库调度决策系统1的内部存储单元,例如该基于水库调度规则合成的水库调度决策系统1的硬盘。数据处理器12在另一些实施例中也可以是基于水库调度规则合成的水库调度决策系统1的外部存储设备,例如基于水库调度规则合成的水库调度决策系统1上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,数据处理器12还可以既包括基于水库调度规则合成的水库调度决策系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于基于水库调度规则合成的水库调度决策系统1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
水库调度决策装置13在一些实施例中可以是一中央处理器(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行数据处理器12中存储的程序代码或处理数据,例如水库调度决策程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该系统1与其他电子设备之间建立通信连接。
可选地,该系统1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在基于水库调度规则合成的水库调度决策系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及基于水库调度规则合成的水库调度决策系统1,本领域技术人员可以理解的是,图1示出的结构并不构成对基于水库调度规则合成的水库调度决策系统1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的系统1实施例中,数据处理器12中存储有水库调度决策程序指令;水库调度决策装置13执行数据处理器12中存储的水库调度决策程序指令的步骤,与基于水库调度规则合成的水库调度决策方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有水库调度决策程序指令,所述水库调度决策程序指令可被一个或多个处理器执行,以实现如下操作:
获取水库径流时序数据,利用自回归模型进行水库径流预报;
根据水库径流预报结果,利用多时间尺度调度规则实时地对水库调度决策进行修正;
利用水库防洪调度策略进行水库防洪;
构建水库双目标调度目标函数;
利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,实现水库调度决策。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于水库调度规则合成的水库调度决策方法,其特征在于,所述方法包括:
获取水库径流时序数据,利用自回归模型进行水库径流预报;
根据水库径流预报结果,利用多时间尺度调度规则实时地对水库调度决策进行修正;
所述利用多时间尺度调度规则实时地对水库调度决策进行修正,包括:
(1)长期水库调度方案:以月为步长,根据长期径流预测,结合调度目标,制定长期调度计划方案;
(2)中期水库调度方案:以长期调度计划方案每个月为边界,以旬为步长,根据水库调度目标,制定中期调度计划方案;
(3)短期水库调度方案:以中期调度计划方案每个旬为边界,以天为步长,根据水库调度目标,制定短期调度计划方案;
(4)实时调度方案:根据径流预报结果,包括当前水位,和预测入流,以小时为步长,制定实时调度方案;
当达到下一天24 小时周期,把实时调度方案反馈给短期调度,短期调度根据实时调度方案制定预留期的调度计划方案;如果/>没达到下一天24 小时周期,则继续制定实时调度方案,实时反馈调整;
当达到下一旬周期,把短期调度计划方案反馈给中期调度,中期调度根据短期调度计划方案制定预留期的调度计划方案;如果/>达到下一旬周期,则继续修正短期水库调度方案;
当达到下一月周期,把中期调度计划方案反馈给长期调度,长期调度根据中期调度计划方案制定预留期的调度计划方案;如果/>达到下一月周期,则继续修正水库调度方案;
利用水库防洪调度策略进行水库防洪;
构建水库双目标调度目标函数;
所述水库双目标调度目标函数为:
其中:
为水库在t时段的出力;
为水库在t时段的发电量;
所述水库双目标调度目标函数的约束条件为:
水库水量平衡约束:
上下游水库间水量平衡约束:
其中:
m为水库编号,t为时刻编号;
为t时刻初水库蓄水量,/>为t时刻库容损失;
分别为t时刻水库m的入库出库流量;
分别为上游水库m-1与下游水库m间的区间入流、引水;
利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,实现水库调度决策。
2.如权利要求1所述的一种基于水库调度规则合成的水库调度决策方法,其特征在于,所述利用自回归模型进行水库径流预报,包括:
所述利用自回归模型进行水库径流预报的公式为:
其中:
为水库径流时序数据均值;
为自回归模型的回归系数;
为t-i时刻的水库径流历史数据;
为需要预测的当前t时刻水库径流数据;
p为自回归模型的阶数,所获得的水库径流时序数据总数为p-1;
为残差;
为水库径流时序数据标准差。
3.如权利要求1所述的一种基于水库调度规则合成的水库调度决策方法,其特征在于,所述水库防洪调度策略为:
1)利用beta概率密度函数模拟洪水:
其中:
a,b为参数,在峰量已定的洪水过程模拟中,参数a、b可用于表示洪峰出现的时间,其表示如下:
其中:
t表示洪水洪峰出现的时间;
表示洪水的总历时;
2)建立洪水估算模型:
其中:
为洪水在t时刻的流量;
为Beta函数在t时刻的概率密度值;
q,w分别为洪水的洪峰和洪量;
为Beta函数的概率密度曲线的最大值;
为通过Beta函数的概率密度曲线计算的洪水量;
为洪水的持续时间;
利用洪水估算模型设计不同情况的洪水过程;
3)根据所设计的洪水过程,建立以全时段最大下泄流量最小为目标做水库防洪优化目标函数:
其中:
表示t时刻初水库水位,/>表示t时刻末水库水位;
为t时刻水库的下泄流量;
表示t+1时刻至调度期末水库期望最大下泄流量;
4)确定J时刻初水位以及入库流量等级;
5)确定J时刻末水位,计算目标函数值,若目标函数值达到最优,则记录最佳目标函数值以及最优末水位,否则重新确定J时刻末水位;重复4)-5),直到所有初水位均计算完毕,输出水库在洪水期间的最大下泄流量。
4.如权利要求1所述的一种基于水库调度规则合成的水库调度决策方法,其特征在于,所述利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,包括:
1)初始化种群,在目标空间内,将种群在x轴上的投影范围进行m等分;
2)基于m等分对应的x轴坐标值区间,将种群划分成m个狮群,其中每个狮群x轴区间的最大长度均为;
3)判断每个狮群是否符合种群划分的原则,并解散不符合划分原则的狮群;所述种群划分原则为:在同一狮群内,不同个体对双目标函数的优化值必须相差不大,如果一个狮群内不同个体对某个目标的优化值相差较大,那么该狮群将被解散;
4)在进化过程中,两个目标将轮流作为x轴,并淘汰种群内所有斜率指标值大于等于0的个体;基于狮群和斜率指标将个体分为狮王和普通狮子两大类,同时令种群的两个边界个体作为狮王;
5)最终所划分得到的狮王,即为水库双目标调度目标函数的调度参数,包括入库水量以及出库水量。
5.一种基于水库调度规则合成的水库调度决策系统,其特征在于,采用权利要求1所述的水库调度决策方法进行操作,所述系统包括:
水库数据获取装置,用于获取水库径流时序数据;
数据处理器,用于利用自回归模型进行水库径流预报,根据水库径流预报结果,利用多时间尺度调度规则实时地对水库调度决策进行修正;
水库调度决策装置,用于利用水库防洪调度策略进行水库防洪,构建水库双目标调度目标函数,利用基于双目标调度目标函数的水库调度优化策略对水库调度策略进行优化,实现水库调度决策。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有水库调度决策程序指令,所述水库调度决策程序指令可被一个或者多个处理器执行,以实现如权利要求1至4中任一项所述的一种基于水库调度规则合成的水库调度决策方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110239073.6A CN112950033B (zh) | 2021-03-04 | 2021-03-04 | 一种基于水库调度规则合成的水库调度决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110239073.6A CN112950033B (zh) | 2021-03-04 | 2021-03-04 | 一种基于水库调度规则合成的水库调度决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950033A CN112950033A (zh) | 2021-06-11 |
CN112950033B true CN112950033B (zh) | 2024-03-29 |
Family
ID=76247553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110239073.6A Active CN112950033B (zh) | 2021-03-04 | 2021-03-04 | 一种基于水库调度规则合成的水库调度决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950033B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307261B (zh) * | 2023-05-11 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水库防洪调度评估系统及其调度评估方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102296562A (zh) * | 2010-06-25 | 2011-12-28 | 华东电网有限公司 | 防洪与发电相耦合的梯级水库联合洪水调度优化方法 |
WO2015154318A1 (zh) * | 2014-04-11 | 2015-10-15 | 武汉大学 | 梯级水电站群日发电计划编制方法 |
CN105320827A (zh) * | 2014-07-06 | 2016-02-10 | 章华芳 | 降雨径流预报系统 |
CN106951980A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
CN108681783A (zh) * | 2018-04-04 | 2018-10-19 | 河海大学 | 一种水库实时多目标随机优化调度和风险评估方法 |
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 |
CN109636226A (zh) * | 2018-12-21 | 2019-04-16 | 华中科技大学 | 一种水库多目标分级防洪调度方法 |
WO2019174039A1 (zh) * | 2018-03-16 | 2019-09-19 | 大连理工大学 | 一种超大规模水电站群短期实用化调度方法 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及系统 |
CN111104750A (zh) * | 2019-12-24 | 2020-05-05 | 西安理工大学 | 一种耦合集合预报信息的水库调度图绘制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10962682B2 (en) * | 2015-12-15 | 2021-03-30 | Wuhan University | System and method for forecasting floods |
-
2021
- 2021-03-04 CN CN202110239073.6A patent/CN112950033B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102296562A (zh) * | 2010-06-25 | 2011-12-28 | 华东电网有限公司 | 防洪与发电相耦合的梯级水库联合洪水调度优化方法 |
WO2015154318A1 (zh) * | 2014-04-11 | 2015-10-15 | 武汉大学 | 梯级水电站群日发电计划编制方法 |
CN105320827A (zh) * | 2014-07-06 | 2016-02-10 | 章华芳 | 降雨径流预报系统 |
CN106951980A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
WO2019174039A1 (zh) * | 2018-03-16 | 2019-09-19 | 大连理工大学 | 一种超大规模水电站群短期实用化调度方法 |
CN108681783A (zh) * | 2018-04-04 | 2018-10-19 | 河海大学 | 一种水库实时多目标随机优化调度和风险评估方法 |
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 |
CN109636226A (zh) * | 2018-12-21 | 2019-04-16 | 华中科技大学 | 一种水库多目标分级防洪调度方法 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及系统 |
CN111104750A (zh) * | 2019-12-24 | 2020-05-05 | 西安理工大学 | 一种耦合集合预报信息的水库调度图绘制方法 |
Non-Patent Citations (2)
Title |
---|
基于广义第二类beta分布的洪水频率分析;陈璐;水文;第36卷(第6期);第1-6页 * |
多尺度多模型的梯级水库优化调度决策支持系统;李家叶;应用基础与工程科学学报;26(6);第1164-1176页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112950033A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | A combination forecasting model of wind speed based on decomposition | |
Chen et al. | Medium-term wind power forecasting based on multi-resolution multi-learner ensemble and adaptive model selection | |
Liang et al. | Sequence generative adversarial networks for wind power scenario generation | |
Datta et al. | A binary-real-coded differential evolution for unit commitment problem | |
CN113159835B (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
Du et al. | Multi-renewable management: Interactions between wind and solar within uncertain technology ecological system | |
Yao et al. | Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost | |
Rao et al. | Optimal conductor size selection in distribution systems using the harmony search algorithm with a differential operator | |
Liu et al. | A novel two-stage deep learning wind speed forecasting method with adaptive multiple error corrections and bivariate Dirichlet process mixture model | |
Liu et al. | Corrected multi-resolution ensemble model for wind power forecasting with real-time decomposition and Bivariate Kernel density estimation | |
Li et al. | Scenario simulation of the EU carbon price and its enlightenment to China | |
Hong et al. | Optimizing capacities of distributed generation and energy storage in a small autonomous power system considering uncertainty in renewables | |
CN110400011B (zh) | 电力现货交易中风电场出力申报方案的确定方法及装置 | |
Hong et al. | Uncertainty in unit commitment in power systems: A review of models, methods, and applications | |
Darvishan et al. | Unit commitment-based load uncertainties based on improved particle swarm optimisation | |
CN112766596A (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112950033B (zh) | 一种基于水库调度规则合成的水库调度决策方法及系统 | |
Conti et al. | Multi-objective optimization of off-grid hybrid renewable energy systems in buildings with prior design-variable screening | |
Bai et al. | Improved Markov‐chain‐based ultra‐short‐term PV forecasting method for enhancing power system resilience | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Hosseini et al. | Data-driven multi-resolution probabilistic energy and reserve bidding of wind power | |
Baetens et al. | A two-stage stochastic optimisation methodology for the operation of a chlor-alkali electrolyser under variable DAM and FCR market prices | |
CN117293824A (zh) | 电力需求预测的方法、装置和计算机可读存储介质 |
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 |