CN113935603A - 水库群多目标预报预泄调度规则优化方法、系统、介质 - Google Patents

水库群多目标预报预泄调度规则优化方法、系统、介质 Download PDF

Info

Publication number
CN113935603A
CN113935603A CN202111154415.0A CN202111154415A CN113935603A CN 113935603 A CN113935603 A CN 113935603A CN 202111154415 A CN202111154415 A CN 202111154415A CN 113935603 A CN113935603 A CN 113935603A
Authority
CN
China
Prior art keywords
scheduling
reservoir
flow
forecast
flood control
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
Application number
CN202111154415.0A
Other languages
English (en)
Other versions
CN113935603B (zh
Inventor
刘永琦
王保华
侯贵兵
刘喜燕
卢健涛
黄锋
王玉虎
吴乐平
高唯珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Water Resources Pearl River Planning Surverying & Designing Co ltd
Original Assignee
China Water Resources Pearl River Planning Surverying & Designing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Water Resources Pearl River Planning Surverying & Designing Co ltd filed Critical China Water Resources Pearl River Planning Surverying & Designing Co ltd
Priority to CN202111154415.0A priority Critical patent/CN113935603B/zh
Publication of CN113935603A publication Critical patent/CN113935603A/zh
Application granted granted Critical
Publication of CN113935603B publication Critical patent/CN113935603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于水电能源优化技术领域，公开了一种水库群多目标预报预泄调度规则优化方法、系统、介质，水库群多目标预报预泄调度规则优化方法包括：根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；根据求解结果得到相应的非劣调度规则集。相比于原有技术，本发明能够得到收敛性和分布性都更优的非劣解集，降低防洪调度风险，增加水库发电效益，得到的优化调度规则可为实际防洪调度运行提供有力的技术支撑和决策支持。

Description

水库群多目标预报预泄调度规则优化方法、系统、介质
技术领域
本发明属于水电能源优化技术领域，尤其涉及一种水库群多目标预报预泄调度规则优化方法、系统、介质。
背景技术
目前，大型水利枢纽工程，一方面作为电力系统的重要组成部分，需要承担电力系统的发电任务；另一方面作为水利工程，还需考虑水库运行调度对其上下游防洪保护对象的防洪安全、农业和工业的用水需求、下游航道的通航需求、水生态环境保护需求等其他综合利用效益，因此水库优化调度是一个多目标优化问题。多目标优化问题求解一般有两种方式：一类是将多目标问题转化为单目标问题进行求解；一类是运用多目标进化算法进行求解。多目标转为单目标问题通常采用约束法、权重法、隶属度函数法等方法，此类方法计算简单通用，已经在水库调度中取得了不错的成果和应用。但这种方式的不足之处在于其一次优化只能得到一个调度方案，获取调度非劣方案集需进行多次优化，计算效率较低。
现有技术通常采用多目标进化算法(MOEAs)对多目标问题进行求解，MOEAs以群体智能优化算法作为驱动，利用Pareto理论或分解方法高效优化多个目标，获得非劣解集。现有技术在处理多目标优化问题时能同时优化多个目标，获得反映多目标竞争与冲突关系的非劣调度方案集，求解效率高，是求解水库群多目标优化调度的有效方法。然而，传统基于Pareto支配机制的MOEAs进化过程所需非劣解数量随调度目标数量增加呈指数增长，在处理高维多目标优化问题时算法的收敛性和分布性明显降低。因此，亟需一种新的水库群多目标预报预泄调度规则优化方法及系统。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的将多目标转为单目标问题所采用的约束法、权重法、隶属度函数法等方法中，一次优化只能得到一个调度方案，获取调度非劣方案集需进行多次优化，计算效率较低。
(2)传统基于Pareto支配机制的MOEAs进化过程所需非劣解数量随调度目标数量增加呈指数增长，在处理高维多目标优化问题时算法的收敛性和分布性明显降低。
解决以上问题及缺陷的难度为：针对水库群调度的高维多目标调度规则优化模型，难点在于调度优化变量设计、目标设计、约束设计以及模型的高效求解方法。
解决以上问题及缺陷的意义为：通过规则定义、模型建立、以及高效求解，得到的非劣解调度规则能够降低防洪调度风险、增加水库发电效益、可为实际防洪调度运行提供有力的技术支撑和决策支持。
发明内容
针对现有技术存在的问题，本发明提供了一种水库群多目标预报预泄调度规则优化方法、系统、设备、介质、终端，尤其涉及一种基于外部档案区域搜索算法的水库群多目标预报预泄调度规则优化方法及系统，旨在解决现有MOEAs方法在处理高维多目标调度规则优化问题时算法的优化效率低的问题。
本发明是这样实现的，一种水库群多目标预报预泄调度规则优化方法，所述水库群多目标预报预泄调度规则优化方法包括以下步骤：
步骤一，根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；
步骤二，定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；
步骤三，采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；
步骤四，根据求解结果得到相应的非劣调度规则集。
进一步，步骤一中，所述根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型，包括：
在实时调度过程中，调度人员根据面临时段的入库流量、水库蓄水状态以及未来的水、雨情预报信息对面临时段进行决策，故将调度的决策过程分为调度决策阶段和预报阶段两个阶段；其中，所述调度决策阶段仅考虑当前调度时段t，所述预报阶段根据径流预报的预见期考虑未来Tf个时段；在所述调度决策阶段和所述预报阶段满足以下约束条件：
调度决策阶段：
Rt≤Rlim；
其中，Rt为调度决策阶段的下泄流量，Rlim为水库为保证下游站点防洪安全的最大下泄流量。
预报阶段：
Figure BDA0003288080240000031
Rf≤Rlim；
其中，Tf为预测阶段的预报预见期，Vt+Tf+1表示预报阶段末水库库容，Vlim表示水库汛限水位所对应的库容，Rf表示预报阶段的平均下泄流量。
根据水量平衡关系，调度决策阶段末水库库容Vt+1与预报阶段末水库库容Vt+Tf+1按下式计算：
Vt+1＝Vt+ItΔt-RtΔt；
Figure BDA0003288080240000032
其中，Vt为水库在第t时段的库容，It为水库在第t时段上游入库流量，Δt为时段间隔长度，If为预报阶段的平均入库流量。
综合调度决策阶段和预报阶段的约束与水量平衡关系，推理到调度决策阶段末水库库容的可行范围，如下式所示：
Figure BDA0003288080240000041
≤Vlim-IfTfΔt+RlimTfΔt；
当考虑径流预报不确定时，预报径流以概率的形式给出如下所示：
If～pI(If)；
其中，PI(If)表示预报阶段径流的概率密度函数，预报来水服从该分部函数。
随着预报径流的不确定性，预报阶段的平均下泄流量伴随不确定性，预报阶段的平均下泄流量服从以下分布：
Rf～pR(Rf)＝(Vt+1-Vlim)/(TfΔt)+pI(If)；
其中，PR(Rf)表示预报阶段水库下泄流量的概率密度函数。
由于水库的下泄流量需满足下游防洪站点的需求，不得超过最大下泄流量，具有不确定性的下泄流量则会给下游站点防洪安全带来一定的风险，所述风险率按照下式得到：
r＝1-pR(Rlim)；
其中，水库下泄的风险率表示为预报阶段下泄流量超过最大下泄流量Rlim的概率，而预报阶段下泄流量的概率密度函数无法直接获取；通过下泄流量与预报来水的水力关系，将风险率转化为径流预报概率密度函数的积分形式：
r＝1-pI(Rlim-(Vt+1-Vlim)/(TfΔt))；
给定一个风险率阈值ra，当风险率r小于等于ra时认为预报阶段的下泄流量满足下游站点防洪指标，得到以下不等式：
pI(Rlim-(Vt+1-Vlim)/(TfΔt))≥1-ra
Rlim-(Vt+1-Vlim)/(TfΔt)≥Prctile(PI(If),1-ra)；
其中，Prctile(PI(If),1-ra)表示关于径流概率预报If的1-ra百分位数，用Pr(If,1-ra)简写表示；由此推理得到考虑径流不确定性后调度决策阶段水库库容需满足的不等式，如下所示：
Vt+1≤Vlim+RlimTfΔt-Pr(If,1-ra)TfΔt；
通过所述调度模型，在防洪实时调度的过程中根据未来不确定性的径流预报结果，得到水库在下一决策阶段的安全蓄水范围。
进一步，步骤二中，所述定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型，包括：
考虑径流预报的实时防洪调度模型通常按照当前水库蓄水状态和预报来水情况分为蓄水过程、预泄过程和防洪过程；当预报来水小于某一阈值，且当前水位小于调度决策阶段水库水位允许最高值，按照一定下泄流量蓄水；当预报来水大于某一阈值且当前水库水位高于汛限水位时，按照安全泄量在有效的预见期内将水库水位预泄至汛限水位；当调度决策阶段来水大于防洪安全泄流量时，按照防洪调度规程进行削峰。
定义分级预报预泄调防洪调度规则HPFOR，所述HPFOR的思想是在安全泄流量以下设置多个流量，每个流量级别之间均建立一个子预报预泄调度规则。HPFOR考虑整个汛期的防洪调度，两个流量级别的调度规则如下：
(1)当预报流量If小于第一个流量级
Figure BDA0003288080240000051
的阈值
Figure BDA0003288080240000052
时，开始蓄水过程：将
Figure BDA0003288080240000053
作为最大下泄流量，按照步骤一的调度模型计算调度决策阶段水库库容最大值
Figure BDA0003288080240000054
若当前水位库容Vt小于
Figure BDA0003288080240000055
则按照一定流量，即最小生态流量或保证出力流量下泄进行蓄水，直到库容蓄至
Figure BDA0003288080240000056
为止；若当前水位库容Vt大于
Figure BDA0003288080240000057
则按照
Figure BDA0003288080240000058
下泄降低水位，直到库容降低至
Figure BDA0003288080240000059
为止。
(2)当预报流量If大于第一个流量级
Figure BDA00032880802400000510
的阈值
Figure BDA00032880802400000511
且小于第一个流量级
Figure BDA00032880802400000512
时，开始预泄过程：按照流量
Figure BDA00032880802400000513
下泄降低水位，直到库容降低至汛限水位为止。
(3)当预报流量If大于第一个流量级
Figure BDA0003288080240000061
且小于第二个流量级阈值
Figure BDA0003288080240000062
时，开始蓄水过程：将
Figure BDA0003288080240000063
作为最大下泄流量，计算调度决策阶段水库库容最大值V
Figure BDA0003288080240000064
若当前水位库容Vt小于
Figure BDA0003288080240000065
则按照流量
Figure BDA0003288080240000066
进行下泄蓄水，直到库容蓄至
Figure BDA0003288080240000067
为止；若当前水位库容Vt大于
Figure BDA0003288080240000068
则按照
Figure BDA0003288080240000069
下泄降低水位，直到库容降低至
Figure BDA00032880802400000610
为止。
(4)当预报流量If大于阈值
Figure BDA00032880802400000611
且当前入库流量小于安全泄流量Rlim时，开始预泄过程：按照流量
Figure BDA00032880802400000612
下泄降低水位，直到库容降低至汛限水位为止。
(5)当预报流量If大于阈值
Figure BDA00032880802400000613
且当前入库流量大于安全泄流量Rlim时，开始防洪调度：按照流量
Figure BDA00032880802400000614
削峰，保证下游防洪安全。
以每个流量等级下的流量阈值作为决策变量进行编码，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型。
进一步，步骤三中，所述采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解，包括：
(1)初始化外部档案区域搜索算法ArcRSEA的决策变量，每个个体的决策向量表示为x＝[x1,x2,…,xD]。
(2)对于每个权重向量，确定父代种群池MP，以二进制交叉算子和多项式变异操作作为再生过程的核心算子生成子代xc，并采用区域搜索策略和新的对比机制更新父代种群池。
(3)每一代更新种群后，将父代种群与外部档案集合并，并采用基于代价函数和cosine相似度的裁剪方法对合并种群进行裁剪。
(4)判断算法是否满足终止条件，若不满足，则重复步骤(2)和步骤(3)；若满足，则输出外部档案种群。
进一步，步骤(2)中，所述区域搜索策略如下：
1)根据子代xc与每个权重向量的cosine相似度来确定子代xc的所属区域；决策变量xc的目标向量与权重向量λj的cosine相似度定义如下：
Figure BDA0003288080240000071
其中，λj＝(λj,1,...,λj,m)T为权重向量，
Figure BDA0003288080240000072
Figure BDA0003288080240000073
fc为xc的目标向量。
2)将与决策变量xc的cosine相似度值最大的权重向量λj定义为x的所属区域r，如下式所示：
Figure BDA0003288080240000074
3)在对比父代解pk和子代解xc时，首先判定它们的所属区域，有且仅当以下两种情况出现的时候，子代xc才能替代父代pk：a)子代xc属于区域k；b)子代xc和父代pk都不属于区域k但cos<xc,λk>≥cos<pk,λk>。
步骤(3)中，所述裁剪方法如下：
1)根据种群个体的目标值，计算每个个体的代价函数值：
Figure BDA0003288080240000075
Figure BDA0003288080240000076
其中，costi为第i个个体的代价函数值，N为合并种群的个体规模，M为目标数，fm i为第i个个体的第m个目标值。
2)进行裁剪时，当cost值大于1的个体数Nc>1少于外部档案种群大小Narc时，按照cost值大小裁剪(N-Narc)个cost值最小的个体；当cost值大于1的个体数Nc>1大于外部档案种群大小Narc时，裁剪掉所有cost值小于1的个体后，计算剩下个体的cosine相似度矩阵：
Figure BDA0003288080240000077
3)找到cosine相似度最大的两个个体，删除两个个体中cost值较小的个体后，更新cosine相似度矩阵，按照所述步骤裁剪(Nc>1-Narc)个个体。
进一步，步骤四中，所述根据求解结果得到相应的非劣调度规则集，包括：
以金沙江下游溪洛渡、向家坝与三峡水库作为对象，建立总发电量最大、溪洛渡-向家坝动用防洪库容最小、三峡最高库水位最小、三峡最大下泄流量最小和和下游通航率最大为目标建共5个调度目标；考虑水位上下限、流量上下限、出力上下限、水量平衡和梯级水库间的水力联系共五个约束，建立多目标调度规则优化模型。
本发明的另一目的在于提供一种应用所述水库群多目标预报预泄调度规则优化方法的水库群多目标预报预泄调度规则优化系统，所述水库群多目标预报预泄调度规则优化系统包括：
调度模型考虑模块，用于根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；
优化模型构建模块，用于定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；
优化模型求解模块，用于采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；
非劣调度规则集获取模块，用于根据求解结果得到相应的非劣调度规则集。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；根据求解结果得到相应的非劣调度规则集。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；根据求解结果得到相应的非劣调度规则集。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述水库群多目标预报预泄调度规则优化系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的水库群多目标预报预泄调度规则优化方法，定义了一种考虑预报不确定性的预报预泄调度规则，该调度规则能够充分考虑径流预报的不确定性，从而降低防洪调度风险，并且能够根据预报径流合理利用防洪库容，增加水库发电效益。
相比于原有技术，本发明能够得到收敛性和分布性都更优的非劣解集，得到的优化调度规则可为实际防洪调度运行提供有力的技术支撑和决策支持。
本发明采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解，解决了传统MOEAs在在处理高维多目标调度规则优化问题时算法的优化效率低的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的水库群多目标预报预泄调度规则优化方法流程图。
图2是本发明实施例提供的水库群多目标预报预泄调度规则优化系统结构框图；
图中：1、调度模型考虑模块；2、优化模型构建模块；3、优化模型求解模块；4、非劣调度规则集获取模块。
图3是本发明实施例提供的分级预报预泄调防洪调度规则示意图。
图4是本发明实施例提供的溪洛渡、向家坝和三峡梯级水库群多目标分级预报预泄调度规则非劣前沿示意图。
图5(a)和图5(b)是本发明实施例提供的非劣调度集中发电目标最优的调度规则三峡水库在1981年和1998年汛期的流量过程以及水位过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，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，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种水库群多目标预报预泄调度规则优化方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的水库群多目标预报预泄调度规则优化方法包括以下步骤：
S101，根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；
S102，定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；
S103，采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；
S104，根据求解结果得到相应的非劣调度规则集。
如图2所示，本发明实施例提供的水库群多目标预报预泄调度规则优化系统包括：
调度模型考虑模块1，用于根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；
优化模型构建模块2，用于定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；
优化模型求解模块3，用于采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；
非劣调度规则集获取模块4，用于根据求解结果得到相应的非劣调度规则集。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例
如图1所示，本发明实施例提供的基于外部档案区域搜索算法的水库群多目标预报预泄调度规则优化方法，包括以下步骤：
步骤S101.根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；
步骤S102.定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；
步骤S103.采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；
步骤S104.根据求解结果得到相应的非劣调度规则集
步骤S101.根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型。
在实时调度过程中，调度人员需要根据面临时段的入库流量、水库蓄水状态以及未来的水、雨情预报信息，对面临时段进行决策。因此，可将调度的决策过程分为调度决策阶段和预报阶段两个阶段。其中调度决策阶段仅考虑当前调度时段t，预报阶段根据径流预报的预见期考虑未来Tf个时段。在调度决策阶段和预报阶段需要满足以下约束条件：
调度决策阶段：
Rt≤Rlim
其中，Rt为调度决策阶段的下泄流量，Rlim为水库为保证下游站点防洪安全的最大下泄流量。
预报阶段：
Figure BDA0003288080240000121
Rf≤Rlim
其中，Tf为预测阶段的预报预见期，Vt+Tf+1表示预报阶段末水库库容，Vlim表示水库汛限水位所对应的库容，Rf表示预报阶段的平均下泄流量。
根据水量平衡关系，调度决策阶段末水库库容Vt+1与预报阶段末水库库容Vt+Tf+1可按下式计算：
Vt+1＝Vt+ItΔt-RtΔt
Figure BDA0003288080240000122
其中，Vt为水库在第t时段的库容，It为水库在第t时段上游入库流量，Δt为时段间隔长度，If为预报阶段的平均入库流量。
综合调度决策阶段和预报阶段的约束与水量平衡关系，可以推理到调度决策阶段末水库库容的可行范围，如下式：
Figure BDA0003288080240000123
≤Vlim-IfTfΔt+RlimTfΔt
当考虑径流预报不确定时，预报径流以概率的形式给出如下：
If～pI(If)
其中，PI(If)表示预报阶段径流的概率密度函数，预报来水服从该分部函数。
随着预报径流的不确定性，预报阶段的平均下泄流量也伴随了不确定性，预报阶段的平均下泄流量服从以下分布：
Rf～pR(Rf)＝(Vt+1-Vlim)/(TfΔt)+pI(If)
其中，PR(Rf)表示预报阶段水库下泄流量的概率密度函数。
由于水库的下泄流量需要满足下游防洪站点的需求，不得超过最大下泄流量，具有不确定性的下泄流量则会给下游站点防洪安全带来了一定的风险，其风险率可按照下式得到：
r＝1-pR(Rlim)
水库下泄的风险率表示为预报阶段下泄流量超过最大下泄流量Rlim的概率，而预报阶段下泄流量的概率密度函数无法直接获取。通过下泄流量与预报来水的水力关系，可将风险率转化为径流预报概率密度函数的积分形式：
r＝1-pI(Rlim-(Vt+1-Vlim)/(TfΔt))
给定一个风险率阈值ra，当风险率r小于等于ra时认为预报阶段的下泄流量满足下游站点防洪指标。得到以下不等式：
pI(Rlim-(Vt+1-Vlim)/(TfΔt))≥1-ra
Rlim-(Vt+1-Vlim)/(TfΔt)≥Prctile(PI(If),1-ra)
其中，Prctile(PI(If),1-ra)表示关于径流概率预报If的1-ra百分位数，用Pr(If,1-ra)简写表示。由此，可推理得到考虑了径流不确定性后调度决策阶段水库库容需满足的不等式，如下：
Vt+1≤Vlim+RlimTfΔt-Pr(If,1-ra)TfΔt
通过以上调度模型，能够在防洪实时调度的过程中根据未来不确定性的径流预报结果，得到水库在下一决策阶段的安全蓄水范围，既能够保障防洪安全，又能够有效利用库容增加水库其他综合效益。
步骤S102.定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型。
考虑径流预报的实时防洪调度模型通常按照当前水库蓄水状态和预报来水情况分为蓄水过程、预泄过程和防洪过程。当预报来水小于某一阈值，且当前水位小于调度决策阶段水库水位允许最高值，可按照一定下泄流量蓄水；当预报来水大于某一阈值且当前水库水位高于汛限水位时，需要按照安全泄量在有效的预见期内将水库水位预泄至汛限水位；当调度决策阶段来水大于防洪安全泄流量时，按照防洪调度规程进行削峰。
本发明定义了一种分级预报预泄调防洪调度规则(Hierarchical Pre-dischargeFlood Operation Rule，HPFOR)。HPFOR的思想主要是在安全泄流量以下设置多个流量，每个流量级别之间均建立一个子预报预泄调度规则。HPFOR考虑整个汛期的防洪调度，以两个流量级别为例详细描述，两个流量级的HPFOR示意图见图3，其调度规则如下：
1)当预报流量If小于第一个流量级
Figure BDA0003288080240000141
的阈值
Figure BDA0003288080240000142
时，开始蓄水过程：将R1lim作为最大下泄流量，按照步骤S1的调度模型计算调度决策阶段水库库容最大值
Figure BDA0003288080240000143
若当前水位库容Vt小于
Figure BDA0003288080240000144
则按照一定流量(最小生态流量或保证出力流量等)下泄进行蓄水，直到库容蓄至
Figure BDA0003288080240000145
为止；若当前水位库容Vt大于
Figure BDA0003288080240000146
则按照
Figure BDA0003288080240000147
下泄降低水位，直到库容降低至
Figure BDA0003288080240000148
为止。
2)当预报流量If大于第一个流量级
Figure BDA0003288080240000149
的阈值
Figure BDA00032880802400001410
且小于第一个流量级
Figure BDA00032880802400001411
时，开始预泄过程：按照流量
Figure BDA00032880802400001412
下泄降低水位，直到库容降低至汛限水位为止。
3)当预报流量If大于第一个流量级
Figure BDA00032880802400001413
且小于第二个流量级阈值
Figure BDA00032880802400001414
时，开始蓄水过程：将
Figure BDA00032880802400001415
作为最大下泄流量，计算调度决策阶段水库库容最大值
Figure BDA00032880802400001416
Figure BDA00032880802400001417
若当前水位库容Vt小于
Figure BDA00032880802400001418
则按照流量
Figure BDA00032880802400001419
进行下泄蓄水，直到库容蓄至
Figure BDA00032880802400001420
为止；若当前水位库容Vt大于
Figure BDA00032880802400001421
则按照
Figure BDA00032880802400001422
下泄降低水位，直到库容降低至
Figure BDA00032880802400001423
为止。
4)当预报流量If大于阈值
Figure BDA0003288080240000151
且当前入库流量小于安全泄流量Rlim时，开始预泄过程：按照流量
Figure BDA0003288080240000152
下泄降低水位，直到库容降低至汛限水位为止。
5)当预报流量If大于阈值R2 y且当前入库流量大于安全泄流量Rlim时，开始防洪调度：按照流量
Figure BDA0003288080240000153
削峰，以保证下游防洪安全。
以每个流量等级下的流量阈值作为决策变量进行编码，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型。
步骤S103.采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解，具体求解步骤如下；
1)初始化外部档案区域搜索算法(ArcRSEA)的决策变量，每个个体的决策向量表示为x＝[x1,x2,…,xD]。
2)对于每个权重向量，确定父代种群池MP，以二进制交叉算子和多项式变异操作作为再生过程的核心算子生成子代xc，最后采用区域搜索策略和新的对比机制更新父代种群池，区域搜索策略如下：
首先，根据子代xc与每个权重向量的cosine相似度来确定子代xc的所属区域。决策变量xc的目标向量与权重向量λj的cosine相似度定义如下：
Figure BDA0003288080240000154
其中，λj＝(λj,1,...,λj,m)T为权重向量，
Figure BDA0003288080240000155
λj,i≥0且
Figure BDA0003288080240000156
fc为xc的目标向量。
然后，将与决策变量xc的cosine相似度值最大的权重向量λj定义为x的所属区域r，如下式：
Figure BDA0003288080240000157
最好，在对比父代解pk和子代解xc时，首先判定它们的所属区域，有且仅当以下两种情况出现的时候，子代xc才能替代父代pk：a)子代xc属于区域k；b)子代xc和父代pk都不属于区域k但cos<xc,λk>≥cos<pk,λk>。
3)每一代更新种群后，将父代种群与外部档案集合并，并采用基于代价函数和cosine相似度的裁剪方法对合并种群进行裁剪，其具体裁剪方法如下：
首先，根据种群个体的目标值，计算每个个体的代价函数值：
Figure BDA0003288080240000161
Figure BDA0003288080240000162
其中，costi为第i个个体的代价函数值，N为合并种群的个体规模，M为目标数，
Figure BDA0003288080240000163
为第i个个体的第m个目标值。
进行裁剪时，当cost值大于1的个体数Nc>1少于外部档案种群大小Narc时，按照cost值大小裁剪(N-Narc)个cost值最小的个体；当cost值大于1的个体数Nc>1大于外部档案种群大小Narc时，首先裁剪掉所有cost值小于1的个体，然后计算剩下个体的cosine相似度矩阵：
Figure BDA0003288080240000164
找到cosine相似度最大的两个个体，删除两个个体中cost值较小的个体，然后更新cosine相似度矩阵，按照以上步骤裁剪(Nc>1-Narc)个个体。
4)判断算法是否满足终止条件，若不满足，重复2)、3)，若满足，输出外部档案种群。
步骤S104.根据求解结果得到相应的非劣调度规则集
本发明以金沙江下游溪洛渡、向家坝与三峡水库作为对象；建立了总发电量最大、溪洛渡-向家坝动用防洪库容最小、三峡最高库水位最小、三峡最大下泄流量最小和和下游通航率最大为目标建共5个调度目标；考虑水位上下限、流量上下限、出力上下限、水量平衡和梯级水库间的水力联系共五个约束；建立了多目标调度规则优化模型。为了验证ArcRSEA的性能，选取目前比较常用的多目标求解方法MOPSO、MOEA/D和NSGAIII进行对比。评价指标采用HV指标，该指标可以同时评价一个解集的收敛性和分布性。HV值越大，性能越好。为了随机性，每个算法都运行20次，以平均值作为最终结果。
表1列出了4种算法在实施例中求解方案集的平均HV指标，从表中可以看出ArcRSEA的HV值最大，说明ArcRSEA得到的调度方案集的收敛性和分布性是4个算法中最好的。图4展示了溪洛渡、向家坝和三峡梯级水库群多目标HPFOR非劣前沿，雷达图中的每个线条代表一种方案。通过雷达图中各个目标坐标轴上的范围可以评价方案的收敛性，范围宽度越宽和值越优的方案集收敛性越好；通过各个方案的目标点在坐标轴上分布的均匀性可以评价方案的分布性，点在坐标轴上分布的越均匀，表示方案的分布性越好。
表1四种算法在实施例中求解方案集的平均HV指标
Figure BDA0003288080240000171
图5展示了非劣调度集中发电目标最优的调度规则三峡水库在1981年和1998年汛期的流量过程以及水位过程，从图中可以看出，发电效益最好的方案所提供的HPFOR与常规防洪调度规则最大的区别在于入库流量较小的情况，HPFOR在判断未来预报径流不大的情况下会根据两阶段模型一定程度的进行蓄水，增加水库水位、从而提高发电效益；HPFOR在判断未来即将需要防洪调度时，则会预泄库容，及时将水位降低至汛限水位，保障了水库的防洪安全。
表2给出了发电最优分级预报预泄防洪调度规则下三峡水库模拟调度结果。
表2发电最优分级预报预泄防洪调度规则下三峡水库模拟调度结果
Figure BDA0003288080240000172
Figure BDA0003288080240000181
Figure BDA0003288080240000191
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种水库群多目标预报预泄调度规则优化方法，其特征在于，所述水库群多目标预报预泄调度规则优化方法包括以下步骤：
步骤一，根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；
步骤二，定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；
步骤三，采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；
步骤四，根据求解结果得到相应的非劣调度规则集。
2.如权利要求1所述水库群多目标预报预泄调度规则优化方法，其特征在于，步骤一中，所述根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型，包括：
在实时调度过程中，调度人员根据面临时段的入库流量、水库蓄水状态以及未来的水、雨情预报信息对面临时段进行决策，故将调度的决策过程分为调度决策阶段和预报阶段两个阶段；其中，所述调度决策阶段仅考虑当前调度时段t，所述预报阶段根据径流预报的预见期考虑未来Tf个时段；在所述调度决策阶段和所述预报阶段满足以下约束条件：
调度决策阶段：
Rt≤Rlim；
其中，Rt为调度决策阶段的下泄流量，Rlim为水库为保证下游站点防洪安全的最大下泄流量；
预报阶段：
Figure FDA0003288080230000011
Rf≤Rlim；
其中，Tf为预测阶段的预报预见期，Vt+Tf+1表示预报阶段末水库库容，Vlim表示水库汛限水位所对应的库容，Rf表示预报阶段的平均下泄流量；
根据水量平衡关系，调度决策阶段末水库库容Vt+1与预报阶段末水库库容Vt+Tf+1按下式计算：
Vt+1＝Vt+ItΔt-RtΔt；
Figure FDA0003288080230000021
其中，Vt为水库在第t时段的库容，It为水库在第t时段上游入库流量，Δt为时段间隔长度，If为预报阶段的平均入库流量；
综合调度决策阶段和预报阶段的约束与水量平衡关系，推理到调度决策阶段末水库库容的可行范围，如下式所示：
Figure FDA0003288080230000022
当考虑径流预报不确定时，预报径流以概率的形式给出如下所示：
If～pI(If)；
其中，PI(If)表示预报阶段径流的概率密度函数，预报来水服从该分部函数；
随着预报径流的不确定性，预报阶段的平均下泄流量伴随不确定性，预报阶段的平均下泄流量服从以下分布：
Rf～pR(Rf)＝(Vt+1-Vlim)/(TfΔt)+pI(If)；
其中，PR(Rf)表示预报阶段水库下泄流量的概率密度函数；
由于水库的下泄流量需满足下游防洪站点的需求，不得超过最大下泄流量，具有不确定性的下泄流量则会给下游站点防洪安全带来一定的风险，所述风险率按照下式得到：
r＝1-pR(Rlim)；
其中，水库下泄的风险率表示为预报阶段下泄流量超过最大下泄流量Rlim的概率，而预报阶段下泄流量的概率密度函数无法直接获取；通过下泄流量与预报来水的水力关系，将风险率转化为径流预报概率密度函数的积分形式：
r＝1-pI(Rlim-(Vt+1-Vlim)/(TfΔt))；
给定一个风险率阈值ra，当风险率r小于等于ra时认为预报阶段的下泄流量满足下游站点防洪指标，得到以下不等式：
pI(Rlim-(Vt+1-Vlim)/(TfΔt))≥1-ra
Rlim-(Vt+1-Vlim)/(TfΔt)≥Prctile(PI(If),1-ra)；
其中，Prctile(PI(If),1-ra)表示关于径流概率预报If的1-ra百分位数，用Pr(If,1-ra)简写表示；由此推理得到考虑径流不确定性后调度决策阶段水库库容需满足的不等式，如下所示：
Vt+1≤Vlim+RlimTfΔt-Pr(If,1-ra)TfΔt；
通过所述调度模型，在防洪实时调度的过程中根据未来不确定性的径流预报结果，得到水库在决策阶段的安全蓄水范围。
3.如权利要求1所述水库群多目标预报预泄调度规则优化方法，其特征在于，步骤二中，所述定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型，包括：
考虑径流预报的实时防洪调度模型通常按照当前水库蓄水状态和预报来水情况分为蓄水过程、预泄过程和防洪过程；当预报来水小于某一阈值，且当前水位小于调度决策阶段水库水位允许最高值，按照一定下泄流量蓄水；当预报来水大于某一阈值且当前水库水位高于汛限水位时，按照安全泄量在有效的预见期内将水库水位预泄至汛限水位；当调度决策阶段来水大于防洪安全泄流量时，按照防洪调度规程进行削峰；
定义分级预报预泄调防洪调度规则HPFOR，所述HPFOR的思想是在安全泄流量以下设置多个流量，每个流量级别之间均建立一个子预报预泄调度规则；HPFOR考虑整个汛期的防洪调度，两个流量级别的调度规则如下：
(1)当预报流量If小于第一个流量级
Figure FDA0003288080230000041
的阈值
Figure FDA0003288080230000042
时，开始蓄水过程：将
Figure FDA0003288080230000043
作为最大下泄流量，按照步骤一的调度模型计算调度决策阶段水库库容最大值
Figure FDA0003288080230000044
若当前水位库容Vt小于
Figure FDA0003288080230000045
则按照一定流量，即最小生态流量或保证出力流量下泄进行蓄水，直到库容蓄至
Figure FDA0003288080230000046
为止；若当前水位库容Vt大于
Figure FDA0003288080230000047
则按照
Figure FDA0003288080230000048
下泄降低水位，直到库容降低至
Figure FDA0003288080230000049
为止；
(2)当预报流量If大于第一个流量级
Figure FDA00032880802300000410
的阈值
Figure FDA00032880802300000411
且小于第一个流量级
Figure FDA00032880802300000412
时，开始预泄过程：按照流量
Figure FDA00032880802300000413
下泄降低水位，直到库容降低至汛限水位为止；
(3)当预报流量If大于第一个流量级
Figure FDA00032880802300000414
且小于第二个流量级阈值R2y时，开始蓄水过程：将
Figure FDA00032880802300000415
作为最大下泄流量，计算调度决策阶段水库库容最大值
Figure FDA00032880802300000416
若当前水位库容Vt小于
Figure FDA00032880802300000417
则按照流量
Figure FDA00032880802300000418
进行下泄蓄水，直到库容蓄至
Figure FDA00032880802300000419
为止；若当前水位库容Vt大于
Figure FDA00032880802300000420
则按照
Figure FDA00032880802300000421
下泄降低水位，直到库容降低至
Figure FDA00032880802300000422
为止；
(4)当预报流量If大于阈值
Figure FDA00032880802300000423
且当前入库流量小于安全泄流量Rlim时，开始预泄过程：按照流量
Figure FDA00032880802300000424
下泄降低水位，直到库容降低至汛限水位为止；
(5)当预报流量If大于阈值
Figure FDA00032880802300000425
且当前入库流量大于安全泄流量Rlim时，开始防洪调度：按照流量
Figure FDA00032880802300000426
削峰，保证下游防洪安全；
以每个流量等级下的流量阈值作为决策变量进行编码，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型。
4.如权利要求1所述水库群多目标预报预泄调度规则优化方法，其特征在于，步骤三中，所述采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解，包括：
(1)初始化外部档案区域搜索算法ArcRSEA的决策变量，每个个体的决策向量表示为x＝[x1,x2,…,xD]；
(2)对于每个权重向量，确定父代种群池MP，以二进制交叉算子和多项式变异操作作为再生过程的核心算子生成子代xc，并采用区域搜索策略和新的对比机制更新父代种群池；
(3)每一代更新种群后，将父代种群与外部档案集合并，并采用基于代价函数和cosine相似度的裁剪方法对合并种群进行裁剪；
(4)判断算法是否满足终止条件，若不满足，则重复步骤(2)和步骤(3)；若满足，则输出外部档案种群。
5.如权利要求4所述水库群多目标预报预泄调度规则优化方法，其特征在于，步骤(2)中，所述区域搜索策略如下：
1)根据子代xc与每个权重向量的cosine相似度来确定子代xc的所属区域；决策变量xc的目标向量与权重向量λj的cosine相似度定义如下：
Figure FDA0003288080230000051
其中，λj＝(λj,1,...,λj,m)T为权重向量，
Figure FDA0003288080230000052
λj,i≥0且
Figure FDA0003288080230000053
fc为xc的目标向量；
2)将与决策变量xc的cosine相似度值最大的权重向量λj定义为x的所属区域r，如下式所示：
Figure FDA0003288080230000054
3)在对比父代解pk和子代解xc时，首先判定它们的所属区域，有且仅当以下两种情况出现的时候，子代xc才能替代父代pk：a)子代xc属于区域k；b)子代xc和父代pk都不属于区域k但cos〈xc,λk>≥cos<pk,λk>；
步骤(3)中，所述裁剪方法如下：
1)根据种群个体的目标值，计算每个个体的代价函数值：
Figure FDA0003288080230000055
Figure FDA0003288080230000061
其中，costi为第i个个体的代价函数值，N为合并种群的个体规模，M为目标数，
Figure FDA0003288080230000062
为第i个个体的第m个目标值；
2)进行裁剪时，当cost值大于1的个体数Nc>1少于外部档案种群大小Narc时，按照cost值大小裁剪(N-Narc)个cost值最小的个体；当cost值大于1的个体数Nc>1大于外部档案种群大小Narc时，裁剪掉所有cost值小于1的个体后，计算剩下个体的cosine相似度矩阵：
Figure FDA0003288080230000063
3)找到cosine相似度最大的两个个体，删除两个个体中cost值较小的个体后，更新cosine相似度矩阵，按照所述步骤裁剪(Nc>1-Narc)个个体。
6.如权利要求1所述水库群多目标预报预泄调度规则优化方法，其特征在于，步骤四中，所述根据求解结果得到相应的非劣调度规则集，包括：
以流域梯级水库群作为对象，建立总发电量最大、上游梯级水库动用防洪库容最小、下游水库最高库水位最小、下游水库最大下泄流量最小和和下游通航率最大为目标建共5个调度目标；考虑水位上下限、流量上下限、出力上下限、水量平衡和梯级水库间的水力联系共五个约束，建立多目标调度规则优化模型。
7.一种应用如权利要求1～6任意一项所述水库群多目标预报预泄调度规则优化方法的水库群多目标预报预泄调度规则优化系统，其特征在于，所述水库群多目标预报预泄调度规则优化系统包括：
调度模型考虑模块，用于根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；
优化模型构建模块，用于定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；
优化模型求解模块，用于采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；
非劣调度规则集获取模块，用于根据求解结果得到相应的非劣调度规则集。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；根据求解结果得到相应的非劣调度规则集。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
根据水库防洪调度约束以及水量平衡方程推理考虑预报不确定性的调度模型；定义分级预报预泄调度规则形式，以不同等级流量阈值为待优变量，以总发电量最大、流域防洪安全和下游通航率最大为目标建立多目标调度规则优化模型；采用外部档案区域搜索算法对建立的多目标调度规则优化模型进行求解；根据求解结果得到相应的非劣调度规则集。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述水库群多目标预报预泄调度规则优化系统。
CN202111154415.0A 2021-09-29 2021-09-29 水库群多目标预报预泄调度规则优化方法、系统、介质 Active CN113935603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111154415.0A CN113935603B (zh) 2021-09-29 2021-09-29 水库群多目标预报预泄调度规则优化方法、系统、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111154415.0A CN113935603B (zh) 2021-09-29 2021-09-29 水库群多目标预报预泄调度规则优化方法、系统、介质

Publications (2)

Publication Number Publication Date
CN113935603A true CN113935603A (zh) 2022-01-14
CN113935603B CN113935603B (zh) 2023-06-02

Family

ID=79277252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111154415.0A Active CN113935603B (zh) 2021-09-29 2021-09-29 水库群多目标预报预泄调度规则优化方法、系统、介质

Country Status (1)

Country Link
CN (1) CN113935603B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564181A (zh) * 2022-09-02 2023-01-03 南京南瑞水利水电科技有限公司 一种基于调洪增发电量的洪水调度评价方法及系统
CN116882851A (zh) * 2023-09-08 2023-10-13 浙江远算科技有限公司 基于多尺度耦合仿真的水库群防洪系统评估方法与设备
CN116960988A (zh) * 2023-09-12 2023-10-27 浙江贵仁信息科技股份有限公司 一种水库优化调度方法、系统、设备以及介质
CN117010575A (zh) * 2023-09-27 2023-11-07 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
CN117332908A (zh) * 2023-12-01 2024-01-02 长江水利委员会水文局 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317787A1 (en) * 2014-03-28 2015-11-05 Intelliview Technologies Inc. Leak detection
CN107180313A (zh) * 2017-06-05 2017-09-19 中国水利水电科学研究院 基于风险对冲规则的大型水库汛末蓄水方案的编制方法
CN108985585A (zh) * 2018-06-28 2018-12-11 河海大学 一种考虑预报不确定性影响的水库洪水资源利用风险对冲决策方法
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
CN113837475A (zh) * 2021-09-27 2021-12-24 中水珠江规划勘测设计有限公司 有向图深度神经网络径流概率预报方法、系统、设备及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317787A1 (en) * 2014-03-28 2015-11-05 Intelliview Technologies Inc. Leak detection
CN107180313A (zh) * 2017-06-05 2017-09-19 中国水利水电科学研究院 基于风险对冲规则的大型水库汛末蓄水方案的编制方法
CN108985585A (zh) * 2018-06-28 2018-12-11 河海大学 一种考虑预报不确定性影响的水库洪水资源利用风险对冲决策方法
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
CN113837475A (zh) * 2021-09-27 2021-12-24 中水珠江规划勘测设计有限公司 有向图深度神经网络径流概率预报方法、系统、设备及终端

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564181A (zh) * 2022-09-02 2023-01-03 南京南瑞水利水电科技有限公司 一种基于调洪增发电量的洪水调度评价方法及系统
CN115564181B (zh) * 2022-09-02 2024-03-29 南京南瑞水利水电科技有限公司 一种基于调洪增发电量的洪水调度评价方法及系统
CN116882851A (zh) * 2023-09-08 2023-10-13 浙江远算科技有限公司 基于多尺度耦合仿真的水库群防洪系统评估方法与设备
CN116882851B (zh) * 2023-09-08 2023-11-28 浙江远算科技有限公司 基于多尺度耦合仿真的水库群防洪系统评估方法与设备
CN116960988A (zh) * 2023-09-12 2023-10-27 浙江贵仁信息科技股份有限公司 一种水库优化调度方法、系统、设备以及介质
CN116960988B (zh) * 2023-09-12 2023-12-15 浙江贵仁信息科技股份有限公司 一种水库优化调度方法、系统、设备以及介质
CN117010575A (zh) * 2023-09-27 2023-11-07 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
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
CN117332908A (zh) * 2023-12-01 2024-01-02 长江水利委员会水文局 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
CN117332908B (zh) * 2023-12-01 2024-02-13 长江水利委员会水文局 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

Also Published As

Publication number Publication date
CN113935603B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN113935603A (zh) 水库群多目标预报预泄调度规则优化方法、系统、介质
CN108448620B (zh) 基于综合性能指标的高渗透率分布式电源集群划分方法
CN109544998B (zh) 一种基于分布估计算法的航班时隙分配多目标优化方法
CN111817286B (zh) 一种用于直流微电网集群的虚假数据注入攻击的检测方法
CN108880886B (zh) 一种跨区域电力系统保护通信网规划方法
CN112966445B (zh) 一种基于强化学习模型fqi的水库防洪优化调度方法
WO2023245740A1 (zh) 一种基于蚁群算法的第四方物流运输路径规划方法
CN115439000A (zh) 考虑风光荷功率不确定性和相关性的配电网区块划分方法
CN115391385A (zh) 一种基于蚁群遗传动态融合算法的数据库查询优化方法
CN116488183A (zh) 一种含分布式电源的配电网优化调度方法
CN108330896B (zh) 一种梯级水库调度方法及系统
CN108564231B (zh) 一种大规模水电站水库群联合调度的代理优化降维方法
CN116923164A (zh) 考虑泊位分配的船舶充电控制方法及装置
CN110635486B (zh) 一种计及配电网络约束条件的负荷调频优化调度方法
CN113868812A (zh) 一种基于智能蚁群算法的中压配电网电缆路径规划方法
CN113486593A (zh) 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法
CN111697607B (zh) 一种多端柔性直流输电受端电网接入方法及系统
CN115511386B (zh) 基于多目标混合非洲秃鹫优化算法的多能系统调度方法
CN107911763B (zh) 一种基于QoS的智能配用电通信网EPON网络规划方法
CN112488564B (zh) 基于随机分形-逐次逼近算法的梯级电站调度方法及系统
CN115514001A (zh) 一种配电网光伏接纳能力计算方法、装置、设备及介质
CN111683376B (zh) 一种大田协同灌溉通信网络节点优化部署方法
CN117748555B (zh) 分布式光伏储能系统多目标优化配置方法及装置
Amjad et al. A two phase algorithm for fuzzy time series forecasting using genetic algorithm and particle swarm optimization techniques
CN115377990B (zh) 配电网网架优化方法、系统、配电网、设备及介质

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