CN112966805B - 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 - Google Patents
一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 Download PDFInfo
- Publication number
- CN112966805B CN112966805B CN202110275101.XA CN202110275101A CN112966805B CN 112966805 B CN112966805 B CN 112966805B CN 202110275101 A CN202110275101 A CN 202110275101A CN 112966805 B CN112966805 B CN 112966805B
- Authority
- CN
- China
- Prior art keywords
- gcn
- nsga
- reservoir
- algorithm
- nodes
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims description 18
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种基于GCN和NSGA‑Ⅱ的水库调度多目标优化方法,包括:搜集水库防洪调度相关数据,建立防洪多目标优化模型;使用NSGA‑Ⅱ得到初代种群,通过编码操作对个体进行分组,分组后的类别作为GCN的节点,将交叉、变异操作得到的父子代关系映射为GCN节点之间的边;使用NSGA‑Ⅱ获得初步pareto前沿,对其横坐标进行分组标签化,再利用该分组标签和步骤二得到的图结构训练GCN模型;利用训练好的GCN模型对图结构的节点进行分类,再使用NSGA‑Ⅱ调节pareto前沿的均匀度;根据NSGA‑Ⅱ调节后的pareto前沿,输出水库调度多目标优化问题的非劣方案集。本发明可广泛应用在多目标水库优化调度上,快速给出满足所有目标的水库优化调度方案。
Description
技术领域
本发明属于水利行业多目标优化水库调度领域,涉及一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法。
背景技术
在汛期时,水库调度需要同时考虑水库大坝水位以及下游安全等综合因素,如果只考虑降低水库水位这一个目标,可能会造成环境效益低。那么需要考虑多个目标,调整各个阶段的下泄流量,得到能够使环境效益和防洪效益非劣的解集。用户根据需要选择调度方案。在以往的研究中通常采用传统的方法(如粒子群算法、遗传算法动态规划法)求解调度方案,通常在模型较复杂的时候出现维度灾难、收敛速度慢等问题。本发明提出的GCN_NSGA-Ⅱ算法搜索Pareto前沿能够用于本发明的防洪多目标优化调度模型,寻找模型中的Pareto前沿。
NSGA-Ⅱ算法是一种基于Pareto非劣解的多目标优化算法。继承了传统遗传算法的全局搜索能力,并且带有精英策略和快速非支配排序,该算法在快速寻找Pareto前沿和保持种群多样性上都有很好的效果。在现实生活中许多数据都是不具备规则的空间结构,而图神经网络可以利用图结构的特殊性对非欧氏空间的数据进行建模,捕获数据的内部依赖关系在挖掘图节点特征上具有很大优势。
专利申请(CN110428099A)公开了一种基于粒子群算法对农业调度线和城镇供水能力进行优化,得到满足一定农业灌溉用水和城镇用水双保证率要求的最大供水能力,解决了现有技术无法处理多目标多保证率的问题。但是粒子群算法在搜索空间中容易丧失种群的多样性,从而陷入局部最小而不能保证全局搜索的问题。专利申请(CN109948847A)公开了一种应用于水库群调度的多目标进化算法,该发明通过进行两轮锦标赛选择和矢量角度选择过程,改良了传统的第三代非支配排序遗传算法(NSGA-III)中随机选择父代种群进行繁殖,提出了一种基于参考点和矢量角度选择的多目标进化算法(VA-NSGA-III)。但是此专利提供的方法使得种群进化时选择操作更加复杂,也增加了计算的复杂性,同时不利于Pareto前沿收敛速度的提高。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法。本发明应用在多目标水库优化调度上,能够快速给出满足所有目标的水库优化调度方案集,进而利于决策者选出最优方案。
为了解决上述技术问题,本发明采用以下技术方案。
本发明的一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法,包括以下步骤:
步骤1.搜集水库防洪调度相关数据,建立水库调度多目标优化模型;
步骤2.使用NSGA-Ⅱ算法得到水库调度多目标优化问题的初代种群,通过编码操作对种群个体进行分组,并标上类别,每个类别均作为GCN图结构的一个节点,将交叉、变异操作得到的父子代关系映射为GCN图结构节点之间的边,得到GCN图结构和初步Pareto前沿;
步骤3.对步骤2得到的初步Pareto前沿的横坐标进行分组标签化,再利用该分组标签和步骤2得到的GCN图结构训练GCN模型;
步骤4.利用训练好的GCN模型对GCN图结构的节点进行分类,再使用NSGA-Ⅱ算法调节Pareto前沿的均匀度,直至算法迭代结束,得到更加均匀的Pareto前沿;
步骤5.根据步骤4得到的更加均匀的Pareto前沿,输出水库调度多目标优化问题的非劣方案集。
进一步的,步骤一所述的防洪多目标优化调度模型所考虑的目标包括:
一是最小化上游水位,在汛期保证水库保持低水位,从而可以有效保证大坝的安全;二是最小化水库的最大下泄流量,水库尽可能多储蓄洪水来保证下游安全,尽量减少淹没损失。
进一步的,所述步骤2的具体过程包括:
步骤2.1.随机初始化水库调度多目标优化问题的种群,按照如下编码方式对种群个体进行编码,并将编码后的个体类别作为GCN图结构的节点;通过该编码方式使种群中多个个体属于同一个类别,并且用同一个节点表示,如此避免种群个体过多导致图结构冗余;
编码方式:对最大下泄流量Qmax定义域进行等距离划分,则每一段距离为其中Qmax为最大下泄量,N为分类数目,也就是GCN图结构中点的数目,那么采用方式对个体进行编码;然后将Pareto前沿按照横坐标等距离划分,其区间定义为0,1,2......,其中定义0节点为淘汰节点,种群中基因序列的长度由变量的个数确定;
步骤2.2.对步骤2.1所述的种群个体进行交叉、变异操作,判断是否满足约束条件,将满足约束条件的却被淘汰个体的基因序列编码指向0节点;记录满足条件的,同时将交叉、变异操作产生的父子代关系定义为图结构的边。
进一步的,所述步骤3的具体过程包括:
步骤3.1.对NSGA-Ⅱ算法获得的初步Pareto前沿按横坐标进行分组标签化,即将目标函数的值域等距离划分,定义数字标签;
步骤3.2.设置输入参数,将种群个体之间的关系表示成图卷积神经网络的邻接矩阵A∈RN×N,并初始化特征矩阵X∈RN×D;
步骤3.3.第一部分是输入层,N个个体,也就是图的N个节点构成N层输入层,上述特征矩阵X和邻接矩阵A作为输入;
步骤3.4.第二部分是卷积层,由两层图卷积构成,两层之间通过触发边的信息传递,将本层特征通过边传递给下一层;
步骤3.5.第三部分是输出层,将上述两层卷积层计算传递得到的特征矩阵X,再通过激活函数输出每个节点的分类概率。
进一步的,所述步骤4的具体过程包括:
步骤4.1.NSGA-Ⅱ算法在进行选择、交叉和变异操作会得到初步Pareto前沿,并且在此过程中,水库调度多目标优化问题的种群个体之间会产生父子代树型结构关系,将树型结构转化为GCN图结构;
步骤4.2.判断是否满足上述种群迭代阈值,若满足则开始训练GCN,学习种群进化关系图网络中的节点特征,将节点分类结果与Pareto前沿的类别相对应;
步骤4.3.使用GCN对节点进行分类,再使用NSGA-Ⅱ算法对Pareto前沿中的个体进行循环迭代调整,其具体步骤包括:
步骤4.3.1.使用GCN对节点进行分类,补充完善初步Pareto前沿;
步骤4.3.2.遍历Pareto前沿中不同类别的节点,删除冗余的同类别节点,增加个数少的类别的种群,增加差异性;
步骤4.3.3.再通过NSGA-Ⅱ算法对GCN分类得到的性能好的节点进行交叉、变异操作,得到新的节点;
步骤4.3.4.判断节点是否满足约束条件,满足则保留。
与现有技术相比,本发明具有以下优点和有益效果:
1.本发明针对汛期水库的多目标优化问题,同时考虑了坝前水位最低和下泄流量最小这两个目标,兼顾了水库的安全和下游的生态健康问题,这也是汛期水库调度多目标优化问题主要考虑的目标。由于这两个目标之间存在着冲突,而且本问题需要考虑一系列的约束条件,所以不能简单的作为单目标问题来处理,NSGA-Ⅱ算法一直用于处理多目标优化问题,并且应用广泛,本发明提出的算法继承了NSGA-Ⅱ算法的优点,比如算法前期收敛快、全局搜索能力强等优点,这也使得本发明的算法在处理汛期水库调度多目标优化问题上有很好的效果,得到满意的Pareto解集。
2.本发明引入图卷积神经网络,将多目标优化问题种群进化过程中产生的个体间父子代关系通过编码操作转化为GCN图结构的节点,以此来训练GCN模型。图卷积神经网络能够很好的挖掘图结构节点之间关系,学习节点特征,从而精确分类,从而改进了NSGA-Ⅱ算法局部搜索差,以及后期收敛速度慢的问题;本发明提出的算法在NSGA-Ⅱ算法后期使用GCN分类,而未使用NSGA-Ⅱ算法计算拥挤距离等策略,达到了降低计算成本、提高速度的目的;最后使用NSGA-Ⅱ算法对GCN分类结果进行优化调整,得到改进的Pareto前沿,保证了Pareto前沿的均匀性。本发明能够快速地给出满足所有目标的汛期水库优化调度方案集。
附图说明
图1为本发明基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法的一种实施例的流程图。
图2为本发明的一种实施例的个体关系图网络GCN分类结果的基因编码与pareto分类。
图3为本发明的一种实施例的图卷积神经网络的结构图,包括输入层、卷积层和输出层。
图4为本发明的一种实施例的图结构中节点信息传递规则的示意图。
图5为本发明的一种实施例对于三个算法的得到的Pareto前沿的对比图。
具体实施方式
本发明是一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法,对水库各个时间段的下泄量等进行优化,得到水库调度多目标优化问题的非劣方案集。搜集水库防洪调度相关数据,建立水库调度多目标优化模型;使用NSGA-Ⅱ算法得到水库调度多目标优化问题的初代种群,通过编码操作对种群个体进行分组,并标上类别,每个类别均作为GCN图结构的一个节点,将交叉、变异操作得到的父子代关系映射为GCN图结构节点之间的边,得到GCN图结构和初步Pareto前沿;对得到的初步Pareto前沿的横坐标进行分组标签化,再利用该分组标签和得到的GCN图结构训练GCN模型;利用训练好的GCN模型对GCN图结构的节点进行分类,再使用NSGA-Ⅱ算法调节Pareto前沿的均匀度,直至算法迭代结束,得到更加均匀的Pareto前沿;根据使用NSGA-Ⅱ算法调节后的Pareto前沿,输出水库调度多目标优化问题的非劣方案集。
本发明所提供的一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法,包括以下步骤:
步骤1.搜集水库防洪调度相关数据,建立水库调度多目标优化模型;
步骤2.使用NSGA-Ⅱ算法得到水库调度多目标优化问题的初代种群,通过编码操作对种群个体进行分组,并标上类别,每个类别均作为GCN图结构的一个节点,将交叉、变异操作得到的父子代关系映射为GCN图结构节点之间的边,得到GCN图结构和初步Pareto前沿;
步骤3.对步骤2得到的初步Pareto前沿的横坐标进行分组标签化,再利用该分组标签和步骤2得到的GCN图结构训练GCN模型;
步骤4.利用训练好的GCN模型对GCN图结构的节点进行分类,再使用NSGA-Ⅱ算法调节Pareto前沿的均匀度,直至算法迭代结束,得到更加均匀的Pareto前沿;
步骤5.根据步骤4得到的更加均匀的Pareto前沿,输出水库调度多目标优化问题的非劣方案集。
其中步骤一所述的防洪多目标优化调度模型所考虑的目标包括:一是最小化上游水位,在汛期保证水库保持低水位,从而可以有效保证大坝的安全;二是最小化水库的最大下泄流量,水库尽可能多储蓄洪水来保证下游安全,尽量减少淹没损失。
所述步骤2的具体过程包括:
步骤2.1.随机初始化水库调度多目标优化问题的种群,按照如下编码方式对种群个体进行编码,并将编码后的个体类别作为GCN图结构的节点;通过该编码方式使种群中多个个体属于同一个类别,并且用同一个节点表示,如此避免种群个体过多导致图结构冗余;
编码方式:对最大下泄流量Qmax定义域进行等距离划分,则每一段距离为其中Qmax为最大下泄量,N为分类数目,也就是GCN图结构中点的数目,那么采用方式对个体进行编码;然后将Pareto前沿按照横坐标等距离划分,其区间定义为0,1,2......,其中定义0节点为淘汰节点,种群中基因序列的长度由变量的个数确定;
步骤2.2.对步骤2.1所述的种群个体进行交叉、变异操作,判断是否满足约束条件,将满足约束条件的却被淘汰个体的基因序列编码指向0节点;记录满足条件的,同时将交叉、变异操作产生的父子代关系定义为图结构的边。
所述步骤3的具体过程包括:
步骤3.1.对NSGA-Ⅱ算法获得的初步Pareto前沿按横坐标进行分组标签化,即将目标函数的值域等距离划分,定义数字标签;
步骤3.2.设置输入参数,将种群个体之间的关系表示成图卷积神经网络的邻接矩阵A∈RN×N,并初始化特征矩阵X∈RN×D;
步骤3.3.第一部分是输入层,N个个体,也就是图的N个节点构成N层输入层,上述特征矩阵X和邻接矩阵A作为输入;
步骤3.4.第二部分是卷积层,由两层图卷积构成,两层之间通过触发边的信息传递,将本层特征通过边传递给下一层;
步骤3.5.第三部分是输出层,将上述两层卷积层计算传递得到的特征矩阵X,再通过激活函数输出每个节点的分类概率。
所述步骤4的具体过程包括:
步骤4.1.NSGA-Ⅱ算法在进行选择、交叉和变异操作会得到初步Pareto前沿,并且在此过程中,水库调度多目标优化问题的种群个体之间会产生父子代树型结构关系,将树型结构转化为GCN图结构;
步骤4.2.判断是否满足上述种群迭代阈值,若满足则开始训练GCN,学习种群进化关系图网络中的节点特征,将节点分类结果与Pareto前沿的类别相对应;
步骤4.3.使用GCN对节点进行分类,再使用NSGA-Ⅱ算法对Pareto前沿中的个体进行循环迭代调整,其具体步骤包括:
步骤4.3.1.使用GCN对节点进行分类,补充完善初步Pareto前沿;
步骤4.3.2.遍历Pareto前沿中不同类别的节点,删除冗余的同类别节点,增加个数少的类别的种群,增加差异性;
步骤4.3.3.再通过NSGA-Ⅱ算法对GCN分类得到的性能好的节点进行交叉、变异操作,得到新的节点;
步骤4.3.4.判断节点是否满足约束条件,满足则保留。
下面结合附图对本发明做进一步详细说明。
图1为本发明基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法的一种实施例的流程图。图2为本发明的一种实施例的个体关系图网络GCN分类结果的基因编码与pareto分类。图3为本发明的一种实施例的图卷积神经网络的结构图,包括输入层、卷积层和输出层。如图2、图3所示,本发明提出的基于图卷积神经网络和NSGA-Ⅱ的水库调度多目标优化方法应用于小浪底水库防洪多目标优化调度问题上,得到多目标优化问题的pareto前沿。
如图1所示,本发明实施例方法,包括以下步骤:
步骤1.收集小浪底水库库容、最大下泄能力、汛期时来水量和天然需水量等数据资料,建立防洪多目标优化调度模型,具体包括:
1.1.收集水库库容、最大下泄能力、汛期时来水量和天然需水量等数据资料,如下:
小浪底水利枢纽位于河南省洛阳市以北40km处的黄河干流上。上游为三门峡水利枢纽,下游是郑州花园口水库。坝址控制流域面积69.4万km2,占花园口以上流域面积的95.1%。小浪底水库的建造目的是以防洪、减淤为主,兼顾供水、灌溉、发电。水库设计正常蓄水位275m(黄海标高),万年一遇校核洪水位275m,千年一遇设计洪水位274m。设计总库容126.5亿m3,包括拦沙库容75.5亿m3,防洪库容40.5亿m3,调水调沙库容10.5亿m3。水库最高防洪运用水位275.0m,相应库容94.22亿m3。
1.2.建立防洪多目标优化调度模型:
1.2.1.坝前水位最低:MinF1=Min{MaxZt},其中,第Zt个时段的坝前水位。
1.2.2.最大下泄流量最小:MinF2=Min{MaxQt},其中,Qt表示调度期第t个时段水库的下泄流量。
1.2.3.约束条件如下:
1.坝前水位约束:Zt,min(230m)<Zt<Zt,max(275m),其中,Zt,min和Zt,max分别表示水库调度期第t时段最低水位和最高水位约束;Zt为水库第t时段坝前水位。
2.水库平衡约束:Vt=Vt-1+(It-Qt)Δt,其中Vt为水库第t个时段的库容;It和Qt分别为水库第t个时段的来水和下泄流量。
3.下泄能力约束:Q≤Qmax(14900m3/s),其中,Qmax为对应水位下水库的最大下泄能力。
步骤2.通过NSGA-Ⅱ算法繁衍子代建立图卷积神经网络(GCN)的图结构;
步骤2.1.随机初始化种群个体数目为50,并且按照一定编码方式对种群进行编码,如图2所示;
对下泄量范围内进行等距离划分,则每一段距离为其中Qmax为最大下泄量,N为分类数目,那么采用方式对个体进行编码,N选择为26,即分为26类,即第一类为Qt∈[0,573];设置满足代数阈值为40,超过40代将pareto前沿按照横坐标等距离长度0.00016划分,初始化0节点为淘汰节点,[1,2,3,4]分别为pareto前沿上的类别,将0-4这5个节点成为源节点,由变量的个数确定种群中基因序列的长度为72。
步骤2.2.对种群个体进行交叉、变异操作,判断是否满足约束条件,将满足约束条件的但是被淘汰个体的基因序列编码指向0节点;记录满足条件的,同时记录交叉、变异的结果,即父子代关系的个体关系;
步骤2.3.根据NSGA-Ⅱ算法得到的种群,将父子代树型结构转化为GCN所需要的图型结构,即为种群进化关系图网络G。
步骤3.GCN挖掘节点之间的关系,不断丰富节点的特征来训练GCN,如图3所示;
步骤3.1.设置输入参数,种群个体之间的关系表示成图卷积神经网络的邻接矩阵A,并通过图中路径可达长度确定具体的特征矩阵X;
步骤3.2.第一层是输入层,50个个体,也就是图的50个节点和5个源节点构成55构成输入层,上述特征矩阵和邻接矩阵A作为输入;
步骤3.3.第二层是卷积层,由两层图卷积构成,两层之间传递根据如下式传播规则:
通过触发边的信息传递,将本层特征通过边传递给下一层,如图4所示。
步骤3.4.最后一层是输出层,上述两层卷积层计算传递得到的特征矩阵Z,通过softmax函数输出,也就是每个节点的分类概率;
步骤4.GCN节点分类,并通过NSGA-Ⅱ对分类结果好的节点继续繁衍,调整节点的性能。
步骤4.1.通过NSGA-Ⅱ遗传算法中个体的进化过程(交叉、变异和淘汰),将其进化的过程建模成一个种群关系网络图;
步骤4.2.判断是否满足种群迭代阈值(阈值为100代),满足则将种群关系网络图使用步骤3提供的图卷积神经网络学习节点直接的关系,设置使用学习率为0.01的Adam优化器,给出给点调整、分类后的结果;
步骤4.3.使用GCN对种群节点进行分类,分类结果对初步Pareto前沿进行补充,得到更加完善的Pareto前沿,再使用NSGA-Ⅱ算法对Pareto前沿中的节点进行针对性地调整,使其分布更加均匀。其具体步骤包括:
步骤4.3.1.使用GCN对节点进行分类,根据分类结果将节点进行归类,每个类别的节点数量都会得到补充,Pareto前沿也更加完善;
步骤4.3.2.计算上述更加完善的Pareto前沿中各节点类别的数量,然后删除节点较多的类别中的部分节点,并且对于节点少的类别,产生部分节点,产生规则如图2所示;
步骤4.3.3.使用NSGA-Ⅱ算法对上述Pareto前沿再进行交叉、变异等操作,得到更加得到均匀、准确的Pareto前沿;
步骤4.3.4.判断节点是否满足约束条件,满足则保留。
步骤5.满足终止条件得到Pareto前沿,即得到多目标优化的结果,确定各目标效益以及水库调度方案集。
本发明提出的方法应用于小浪底水库汛期多目标优化调度上,以四小时为一个小的调度区间,总时长72小时为例,对比了NSGA-Ⅱ算法和NSGADE算法,从图5上可以看出本发明方法得到的Pareto解集优于NSGA-Ⅱ算法和NSGADE算法。并且通过对比三个算法的IGD值和HV值,也说明了本发明提出的算法在收敛速度上有明显的优势,其中IGD值通过度量真实Pareto前沿与算法所获得的Pareto前沿之间的接近程度来评价算法的收敛性和多样性,而HV值用来衡量算法所获得的Pareto解集在目标空间所覆盖的范围大小,该指标可以同时衡量收敛性和多样性。IGD值越小说明算法所得到的Pareto前沿收敛性越好,分布越均匀,HV越大说明算法所得到的Pareto前沿收敛性越好,分布越均匀。详细对比如下表:
综上所述,本发明对汛期水库调度多目标优化问题进行建模,对于汛期考虑了坝前水位和最大下泄量两个目标对水库调度方案带来的影响。针对具体的水库和周边的环境等具体因素,进一步建立特定的模型,使用本发明提出的算法可得到满足所有目标的调度方案集,合理的水库调度方案不仅能够给多方带来效益最大化,同时能够保证对生态环境带来更小的伤害。
Claims (5)
1.一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法,其特征在于,包括以下步骤:
步骤1.搜集水库防洪调度相关数据,建立水库调度多目标优化模型;
步骤2.使用NSGA-Ⅱ算法得到水库调度多目标优化问题的初代种群,通过编码操作对种群个体进行分组,并标上类别,每个类别均作为GCN图结构的一个节点,将交叉、变异操作得到的父子代关系映射为GCN图结构节点之间的边,得到GCN图结构和初步Pareto前沿;
步骤3.对步骤2得到的初步Pareto前沿的横坐标进行分组标签化,再利用该分组标签和步骤2得到的GCN图结构训练GCN模型;
步骤4.利用训练好的GCN模型对GCN图结构的节点进行分类,再使用NSGA-Ⅱ算法调节Pareto前沿的均匀度,直至算法迭代结束,得到更加均匀的Pareto前沿;
步骤5.根据步骤4得到的更加均匀的Pareto前沿,输出水库调度多目标优化问题的非劣方案集。
2.根据权利要求1所述的一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法,其特征在于,步骤一中,防洪多目标优化调度模型所考虑的目标包括:
一是最小化上游水位,在汛期保证水库保持低水位,从而有效保证大坝的安全;二是最小化水库的最大下泄流量。
3.根据权利要求1所述的一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法 ,其特征在于,所述步骤2的具体过程包括:
步骤2.1.随机初始化水库调度多目标优化问题的种群,按照如下编码方式对种群个体进行编码,并将编码后的个体类别作为GCN图结构的节点;通过该编码方式使种群中多个个体属于同一个类别,并且用同一个节点表示,如此避免种群个体过多导致图结构冗余;
编码方式:对最大下泄流量Qmax定义域进行等距离划分,则每一段距离为其中Qmax为最大下泄量,N为分类数目,也就是GCN图结构中点的数目,那么采用方式对个体进行编码;然后将Pareto前沿按照横坐标等距离划分,其区间定义为0,1,2......,其中定义0节点为淘汰节点,种群中基因序列的长度由变量的个数确定;
步骤2.2.对步骤2.1所述的种群个体进行交叉、变异操作,判断是否满足约束条件,将满足约束条件的却被淘汰个体的基因序列编码指向0节点;记录满足条件的,同时将交叉、变异操作产生的父子代关系定义为图结构的边。
4.根据权利要求1所述的一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法 ,其特征在于,所述步骤3的具体过程包括:
步骤3.1.对NSGA-Ⅱ算法获得的初步Pareto前沿按横坐标进行分组标签化,即将目标函数的值域等距离划分,定义数字标签;
步骤3.2.设置输入参数,将种群个体之间的关系表示成图卷积神经网络的邻接矩阵A∈RN×N,并初始化特征矩阵X∈RN×D;
步骤3.3.第一部分是输入层,N个个体,也就是图的N个节点构成N层输入层,上述特征矩阵X和邻接矩阵A作为输入;
步骤3.4.第二部分是卷积层,由两层图卷积构成,两层之间通过触发边的信息传递,将本层特征通过边传递给下一层;
步骤3.5.第三部分是输出层,将上述两层卷积层计算传递得到的特征矩阵X,再通过激活函数输出每个节点的分类概率。
5.根据权利要求1所述的一种基于图卷积神经网络和NSGA-Ⅱ算法的水库调度多目标优化方法 ,其特征在于,所述步骤4的具体过程包括:
步骤4.1.NSGA-Ⅱ算法在进行选择、交叉和变异操作会得到初步Pareto前沿,并且在此过程中,水库调度多目标优化问题的种群个体之间会产生父子代树型结构关系,将树型结构转化为GCN图结构;
步骤4.2.判断是否满足上述种群迭代阈值,若满足则开始训练GCN,学习种群进化关系图网络中的节点特征,将节点分类结果与Pareto前沿的类别相对应;
步骤4.3.使用GCN对节点进行分类,再使用NSGA-Ⅱ算法对Pareto前沿中的个体进行循环迭代调整,其具体步骤包括:
步骤4.3.1.使用GCN对节点进行分类,补充完善初步Pareto前沿;
步骤4.3.2.遍历Pareto前沿中不同类别的节点,删除冗余的同类别节点,增加个数少的类别的种群,增加差异性;
步骤4.3.3.再通过NSGA-Ⅱ算法对GCN分类得到的性能好的节点进行交叉、变异操作,得到新的节点;
步骤4.3.4.判断节点是否满足约束条件,满足则保留。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275101.XA CN112966805B (zh) | 2021-03-15 | 2021-03-15 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
US17/909,032 US11748628B2 (en) | 2021-03-15 | 2021-10-21 | Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and NSGA-II algorithm |
PCT/CN2021/125239 WO2022193642A1 (zh) | 2021-03-15 | 2021-10-21 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275101.XA CN112966805B (zh) | 2021-03-15 | 2021-03-15 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966805A CN112966805A (zh) | 2021-06-15 |
CN112966805B true CN112966805B (zh) | 2022-10-18 |
Family
ID=76278195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110275101.XA Active CN112966805B (zh) | 2021-03-15 | 2021-03-15 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11748628B2 (zh) |
CN (1) | CN112966805B (zh) |
WO (1) | WO2022193642A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839245B (zh) * | 2019-10-31 | 2022-12-27 | 杭州电子科技大学 | 一种应用于室内定位的无线传感器网络节点部署方法 |
CN112966805B (zh) * | 2021-03-15 | 2022-10-18 | 河海大学 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
US20230196623A1 (en) * | 2021-12-22 | 2023-06-22 | Red Hat, Inc. | Content-based encoding of digital images |
CN114117650B (zh) * | 2022-01-26 | 2022-06-14 | 华东交通大学 | 一种重载列车多目标运行曲线优化方法及系统 |
CN116227800B (zh) * | 2022-11-09 | 2023-12-22 | 中国水利水电科学研究院 | 一种基于防洪压力值的并联水库群防洪优化调度方案生成方法 |
CN115964959B (zh) * | 2023-03-13 | 2023-05-30 | 北京理工大学 | 一种域集中式电子电气架构建模和多目标优化方法及系统 |
CN116562133B (zh) * | 2023-04-26 | 2024-02-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种自流灌溉灌区的渠系多目标配水实时优化方法 |
CN116542001B (zh) * | 2023-05-04 | 2023-11-07 | 安徽建筑大学 | 基于改进谱聚类及遗传算法的供水管网独立计量分区方法 |
CN117094119B (zh) * | 2023-06-28 | 2024-04-02 | 大连理工大学 | 考虑发电、生态流量和表面水温的水库调度方法及计算机 |
CN116629184B (zh) * | 2023-07-24 | 2023-09-29 | 合肥工业大学 | 一种逆变器系统的多目标优化方法 |
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 |
CN116911643B (zh) * | 2023-09-14 | 2024-03-26 | 山东农业大学 | 城市内涝防治方案选择方法、系统、装置、存储介质 |
CN116976567B (zh) * | 2023-09-22 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 水库泥沙调度优化方法、装置、计算机设备及存储介质 |
CN117010575B (zh) * | 2023-09-27 | 2023-12-19 | 浙江远算科技有限公司 | 基于数字孪生的水库群多目标优化调度仿真方法以及系统 |
CN117273465B (zh) * | 2023-11-15 | 2024-02-02 | 中国水利水电科学研究院 | 一种梯级水电枢纽群风险传递方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805434A (zh) * | 2018-05-25 | 2018-11-13 | 河海大学 | 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法 |
CN109886448A (zh) * | 2019-03-14 | 2019-06-14 | 浙江工业大学 | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 |
WO2020199665A1 (zh) * | 2019-03-29 | 2020-10-08 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN112084877A (zh) * | 2020-08-13 | 2020-12-15 | 西安理工大学 | 基于nsga-net的遥感图像识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243458B (zh) | 2015-11-10 | 2019-07-12 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN106056267A (zh) * | 2016-05-12 | 2016-10-26 | 中国水利水电科学研究院 | 一种并联水库群优化调度方法 |
WO2017216595A2 (en) * | 2016-06-13 | 2017-12-21 | Worldline | A pareto-based genetic algorythm for a dynamic portfolio management |
CN109948847B (zh) | 2019-03-18 | 2022-08-26 | 河海大学 | 一种基于多目标进化算法的水库群调度方法 |
CN110428099B (zh) | 2019-07-30 | 2022-09-27 | 中国水利水电科学研究院 | 一种基于粒子群算法水库多目标供水能力优化方法 |
CN112966805B (zh) * | 2021-03-15 | 2022-10-18 | 河海大学 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
-
2021
- 2021-03-15 CN CN202110275101.XA patent/CN112966805B/zh active Active
- 2021-10-21 WO PCT/CN2021/125239 patent/WO2022193642A1/zh active Application Filing
- 2021-10-21 US US17/909,032 patent/US11748628B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805434A (zh) * | 2018-05-25 | 2018-11-13 | 河海大学 | 一种基于改进nsga-ⅲ的梯级水电站多目标优化调度方法 |
CN109886448A (zh) * | 2019-03-14 | 2019-06-14 | 浙江工业大学 | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 |
WO2020199665A1 (zh) * | 2019-03-29 | 2020-10-08 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN112084877A (zh) * | 2020-08-13 | 2020-12-15 | 西安理工大学 | 基于nsga-net的遥感图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230196114A1 (en) | 2023-06-22 |
CN112966805A (zh) | 2021-06-15 |
US11748628B2 (en) | 2023-09-05 |
WO2022193642A1 (zh) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966805B (zh) | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 | |
Feng et al. | Multi-objective quantum-behaved particle swarm optimization for economic environmental hydrothermal energy system scheduling | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
CN109670650B (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN110472840B (zh) | 一种基于神经网络技术的农业水利调度方法及系统 | |
CN103426027B (zh) | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 | |
CN105701571A (zh) | 一种基于神经网络组合模型的短时交通流量预测方法 | |
CN110363343B (zh) | 一种混合自适应的水电站群智能优化调度方法及系统 | |
CN107203687A (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN112836429A (zh) | 一种基于煤质预测的多目标优化配煤方法 | |
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 | |
CN112906950A (zh) | 一种海绵城市规划设计系统 | |
CN112052544B (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN109753680A (zh) | 一种基于混沌寻优机理的粒子群集智能方法 | |
CN113971517A (zh) | 一种基于ga-lm-bp神经网络的水质评价方法 | |
CN108537370A (zh) | 基于混合智能降维算法的特大流域水电站群优化调度方法 | |
CN116029405A (zh) | 一种基于灌区渠系的多目标动态配水方法 | |
CN113379117B (zh) | 基于改进的精英保留策略遗传算法的闸坝群联合调度方法及系统 | |
CN106408133A (zh) | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 | |
CN111339635A (zh) | 基于阻尼因子的多元宇宙算法的dna存储编码优化方法 | |
CN116402209A (zh) | 基于改进神经网络模型的三峡水库坝前来漂量预测方法 | |
CN109670219A (zh) | 一种基于网格化海域的潮流能水轮机阵列优化方法 | |
Wu et al. | Echo state network prediction based on backtracking search optimization algorithm | |
CN114997630A (zh) | 一种基于竞争学习约束多目标粒子群算法的多区域环境经济调度方法 |
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 |