CN114881481A - 一种基于预报不确定性的水库多阶段实时优化调度方法 - Google Patents

一种基于预报不确定性的水库多阶段实时优化调度方法 Download PDF

Info

Publication number
CN114881481A
CN114881481A CN202210511308.7A CN202210511308A CN114881481A CN 114881481 A CN114881481 A CN 114881481A CN 202210511308 A CN202210511308 A CN 202210511308A CN 114881481 A CN114881481 A CN 114881481A
Authority
CN
China
Prior art keywords
reservoir
scheduling
real
forecast
time
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
CN202210511308.7A
Other languages
English (en)
Other versions
CN114881481B (zh
Inventor
王家彪
朱薇儒
赵铜铁钢
李银林
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210511308.7A priority Critical patent/CN114881481B/zh
Publication of CN114881481A publication Critical patent/CN114881481A/zh
Application granted granted Critical
Publication of CN114881481B publication Critical patent/CN114881481B/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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

Abstract

本发明公开了一种基于预报不确定性的水库多阶段实时优化调度方法，包括S1、收集并整理水库实时调度所需的数据；S2、构建水库径流预报模型，实现水库径流预报；S3、水库多阶段径流预报不确定性分析；S4、构建水库实时优化调度模型，实现水库实时优化调度；S5、对水库实时优化调度方案进行收敛性分析；S6、实施水库实时优化调度方案，并进入下一调度阶段。优点是：能够综合多阶段预报信息，同时区分考虑多阶段预报的不确定性，既能充分利用预报信息，又能尽可能降低预报不确定性对实时调度方案的影响，从而显著提高水库调度效益，对于水库预报调度具有实践价值。

Description

一种基于预报不确定性的水库多阶段实时优化调度方法
技术领域
本发明涉及水库调度技术领域，尤其涉及一种基于预报不确定性的水库多阶段实时优化调度方法。
背景技术
我国水资源分布存在典型的时空分布不均特点，通过修建水库对天然径流进行调节能有效提高水资源利用率。水库实时调度根据时段初的水库蓄水状态和该时段的预报来水、用水信息,动态确定水库最优的放水过程,其目的是在保证大坝自身安全的前提下,既满足水库上、下游防洪渡汛要求,又尽可能发挥水库调度效益，将水资源动态地分配给不同供水区，减少不必要的弃水，以确定短期的管理运行策略，并使其与中长期最优运行策略的偏差最小。然而，水库用于兴利调度的库容有限，当前时段过多的利用库容可能导致未来阶段大量弃水，反之，当前遗留大量库容的话有可能导致未来阶段无水可用。因此，通过预报调度、充分利用好预报信息，制定合理的实时调度方案，实现当前阶段和未来阶段水库调蓄库容的合理分配对提高水库调度效益具有现实意义。
近年来，随着预报技术的不断提升，预报调度的预见期和可靠度也不断提升，径流预报在实时优化调度中发挥的作用越来越大，国内外相关研究也持续不断。径流预报为水库实时决策提供未来径流信息的同时，也带来了不确定性。目前国内外处理这种预报不确定性的主流方法是构建径流随机模型、采用风险对冲等策略将未来径流的不确定性显性或隐形地嵌入优化调度模型中。其中，风险对冲策略优化当前和未来两阶段的水库库容分配，使两阶段总效益的期望值最高。另外，也有研究考虑未来多个阶段的风险对冲策略。尽管如此，随着预报时段的增加，未来提供的有效信息越来越少，而引入的不确定性却越来越大。综合看，现有研究对于预报信息的利用仍然有待改善，存在不同时段笼统划分为一个阶段、具有同样的预报概率分布等问题，且未来不同阶段决策风险的差异在优化目标中未能得以有效区分。
针对上述问题，本发明提出了一种能综合多阶段预报信息，同时区分多阶段预报不确定性的实时优化调度方法，方法既能充分利用预报信息，又能尽可能降低预报不确定性对实时调度方案的影响，对于水库预报调度具有实践价值。
发明内容
本发明的目的在于提供一种基于预报不确定性的水库多阶段实时优化调度方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于预报不确定性的水库多阶段实时优化调度方法，包括如下步骤，
S1、收集并整理水库实时调度所需的数据；
S2、构建水库径流预报模型，实现水库径流预报；
S3、水库多阶段径流预报不确定性分析；
S4、构建水库实时优化调度模型，实现水库实时优化调度；
S5、对水库实时优化调度方案进行收敛性分析；
S6、实施水库实时优化调度方案，并进入下一调度阶段。
优选的，步骤S1中收集水库实时调度所需的数据包括水库特征库容、水库特征曲线、水库调度规则、水库历史实测径流序列以及水库调度用水效益；根据水库调度时段划分整理水库历史实测径流序列。
优选的，步骤S2具体包括如下内容，
S21、根据整理后的水库历史实测径流序列，采用自回归的方法，构建水库径流预报模型，如公式(1)；
Figure BDA0003638091950000021
其中，t为预报时段；Q(t)为水库在t预报时段的径流量；Q(t+1)为水库在t+1预报时段的径流量；μ为水库历史实测径流序列的均值；ρ为自回归相关系数；σ为标准差，代表预报不确定性；V为满足标准正态分布的随机变量，V在每个预报时段完全独立，与其他时段无关，V满足公式(2)和(3)，
E(V)＝0 (2)
E(V2)＝1 (3)
其中，水库历史实测径流序列的均值μ、自回归相关系数ρ和标准差σ由水库历史实测径流序列回归分析计算得出；
S22、利用构建的水库径流预报模型进行水库径流预报。
优选的，步骤S3具体为，水库当前径流预报时段的不确定性量化为σ0，由观测精度确定；水库未来多个径流预报时段的不确定性量化由公式(4)确定，
Figure BDA0003638091950000031
其中，i为径流预报时段编号；σi为水库第i个径流预报时段的不确定性量化；σi-1为水库第i-1个径流预报时段的不确定性量化；对于水库当前径流预报时段，i＝0。
优选的，步骤S4具体包括如下内容，
S41、将每一预报时段划分为一个调度阶段；
S42、根据水库调度任务，确定优化调度目标，进而构建水库实时优化调度模型，如公式(5)，
Figure BDA0003638091950000032
其中，B为效益函数；N为水库实时优化调度阶段总数，N＝1,2,3,……；Ki为考虑预报不确定影响下的不同预报时段的权重系数；Ri为第i个预报时段的水库出库流量，即优化调度方案，也是优化调度的决策变量；
S43、根据水库取用水能力和水库库容，确定水库优化调度约束条件；
S44、根据水库未来多个径流预报时段的不确定性量化，参照卡尔曼滤波方法中增益系数由方差倍比关系确定的思路计算权重系数Ki，如公式(6)和(7)，
Figure BDA0003638091950000033
Figure BDA0003638091950000034
其中，β为权重惩罚因子；K0为当前预报时段的权重系数；σ1为水库第1个径流预报时段的不确定性量化；σt为水库径流预报时段t的不确定性量化；σt+1为水库径流预报时段t+1的不确定性量化；
S45、采用遗传算法求解水库实时优化调度模型。
优选的，步骤S5具体包括如下内容，
S51、根据步骤S4依次计算水库实时优化调度阶段总数N的水库优化调度方案，获取随水库实时优化调度阶段总数N变化的水库优化调度方案R0(N)；
S52、分析水库优化调度方案R0(N)随水库实时优化调度阶段总数N变化的收敛性，当水库优化调度方案R0(N)随水库实时优化调度阶段总数N增加变化很小或不变时，本阶段调度结束，且水库优化调度方案R0(N)的收敛值即为本阶段水库优化调度方案。
优选的，步骤S6具体为，根据本阶段水库优化调度方案计算水库蓄水量和水位变化，并将其作为下一阶段调度的初始信息，返回步骤S22，进入下一阶段的调度。
本发明的有益效果是：1、本发明提供的实时优化调度方法能够综合多阶段预报信息，同时区分考虑多阶段预报的不确定性，既能充分利用预报信息，又能尽可能降低预报不确定性对实时调度方案的影响，从而显著提高水库调度效益，对于水库预报调度具有实践价值。2、本发明的实时优化调度方法提供了一种处理多阶段预报不确定性的思路，可推广于相关类似工程实践中，尤其是处理信息不确定性随时间不断增加的问题。
附图说明
图1是本发明实施例中优化调度方法的技术路线图；
图2是本发明实施例中流域的结构图；
图3是本发明实施例中获取的实测径流过程图；
图4是本发明实施例中调度方案随预报阶段总数增加的收敛情况对比图；
图5是本发明实施例中实时优化调度过程对比图；
图6是本发明实施例中预报阶段总数为2时的水库调度效益结果对比图。
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，以下结合附图，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方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，本实施例中，提供了一种基于预报不确定性的水库多阶段实时优化调度方法，包括如下步骤，
S1、收集并整理水库实时调度所需的数据；
S2、构建水库径流预报模型，实现水库径流预报；
S3、水库多阶段径流预报不确定性分析；
S4、构建水库实时优化调度模型，实现水库实时优化调度；
S5、对水库实时优化调度方案进行收敛性分析；
S6、实施水库实时优化调度方案，并进入下一调度阶段。
参见上述过程，本发明提供的调度方法主要包括六部分内容，分别为数据收集与整理、构建径流预报模型、不确定性分析、构建优化调度模型、收敛性分析、调度方案实施；下面分别针对这六部分内容进行详细说明。
一、数据收集与整理
该部分内容对应步骤S1；步骤S1中收集水库实时调度所需的数据包括水库特征库容、水库特征曲线、水库调度规则、水库历史实测径流序列以及水库调度用水效益等；根据水库调度时段划分整理水库历史实测径流序列。
二、构建径流预报模型
该部分内容对应步骤S2，步骤S2具体包括如下内容，
S21、根据整理后的水库历史实测径流序列，采用自回归的方法，构建水库径流预报模型，如公式(1)；
Figure BDA0003638091950000051
其中，t为预报时段；Q(t)为水库在t预报时段的径流量；Q(t+1)为水库在t+1预报时段的径流量；μ为水库历史实测径流序列的均值；ρ为自回归相关系数；σ为标准差，代表预报不确定性；V为满足标准正态分布的随机变量，V在每个预报时段完全独立，与其他时段无关，V满足公式(2)和(3)，
E(V)＝0 (2)
E(V2)＝1 (3)
其中，水库历史实测径流序列的均值μ、自回归相关系数ρ和标准差σ由水库历史实测径流序列回归分析计算得出；
S22、利用构建的水库径流预报模型进行水库径流预报。
三、不确定性分析
该部分内容对应步骤S3，步骤S3具体为，水库当前径流预报时段的不确定性量化为σ0，由观测精度确定；
水库未来多个径流预报时段的不确定性量化由公式(4)确定，
Figure BDA0003638091950000061
其中，i为径流预报时段编号；σi为水库第i个径流预报时段的不确定性量化；σi-1为水库第i-1个径流预报时段的不确定性量化；对于水库当前径流预报时段，i＝0。
四、构建优化调度模型
该部分内容对应步骤S4，步骤S4具体包括如下内容，
S41、将每一预报时段划分为一个调度阶段；
S42、根据水库调度任务，确定优化调度目标，进而构建水库实时优化调度模型，以供水调度为例，确定目标函数如公式(5)，
Figure BDA0003638091950000062
其中，B为效益函数；N为水库实时优化调度阶段总数，N＝1,2,3,……；Ki为考虑预报不确定影响下的不同预报时段的权重系数；Ri为第i个预报时段的水库出库流量，即优化调度方案，也是优化调度的决策变量；
S43、根据水库取用水能力和水库库容等信息，确定水库优化调度约束条件；
S44、根据水库未来多个径流预报时段的不确定性量化，参照卡尔曼滤波方法中增益系数由方差倍比关系确定的思路计算权重系数Ki，如公式(6)和(7)，
Figure BDA0003638091950000063
Figure BDA0003638091950000064
其中，β为权重惩罚因子，β的引入可避免σ0<<σ时对未来阶段预报信息利用率过于偏低；K0为当前预报时段的权重系数；σ1为水库第1个径流预报时段的不确定性量化；σt为水库径流预报时段t的不确定性量化；σt+1为水库径流预报时段t+1的不确定性量化；
S45、采用遗传算法求解水库实时优化调度模型。
五、收敛性分析
该部分内容对应步骤S5，步骤S5具体包括如下内容，
S51、根据步骤S4依次计算水库实时优化调度阶段总数N的水库优化调度方案，获取随水库实时优化调度阶段总数N变化的水库优化调度方案R0(N)；
S52、分析水库优化调度方案R0(N)随水库实时优化调度阶段总数N变化的收敛性，当水库优化调度方案R0(N)随水库实时优化调度阶段总数N增加变化很小或不变时，本阶段调度结束，且水库优化调度方案R0(N)的收敛值即为本阶段水库优化调度方案。
六、调度方案实施
该部分内容对应步骤S6，步骤S6具体为，根据本阶段水库优化调度方案计算水库蓄水量和水位变化，并将其作为下一阶段调度的初始信息，返回步骤S22，进入下一阶段的调度。
实施例二
本实施例中，如图2所示，以一个存在两用水户的水库为例，具体说明本发明方法的执行过程和有效性。本实施例中，上游河道入流至水库，水库调度满足下游两个用水户取水。
1、获取水库库容为25个单位水量，获取历史实测径流序列如图3所示。
2、由历史实测径流序列拟合计算出河道径流模型具体参数见表1。
表1
Figure BDA0003638091950000071
本实施例中，获取用水户的效益函数如下式所示，
Figure BDA0003638091950000072
其中，xj为第j个用户的取水量，0≤xj≤12；用户最大引水能力为12，公式中各参数值见表2。
表2
Figure BDA0003638091950000073
Figure BDA0003638091950000081
3、将用户取水量确定为决策变量，而水库调度放水过程作为间接决策变量至于约束条件中。确定优化目标函数如下：
Figure BDA0003638091950000082
权重惩罚因子β取为0.2，计算的多阶段权重系数K列于表3中。在查取表3中K值时，前N-1个K值直接采用表中列出值，第N个K值则为1减去前N-1个K值之和。例如，N为2时，K0为0.749，K1为0.167，K2为0.084。
表3
Figure BDA0003638091950000083
4、根据所获取的径流数据调度100个时段，即分为100个阶段，确定多阶段实时优化调度约束条件如下：
库容约束：Vi≤25；
放水能力约束：Ri≤Vi+Qi；
取水能力约束：x1i+x2i≤Ri，xij≤12，j＝1,2；
水量平衡约束：Vi＝Vi-1+Qi-Ri，i＝1,2,……,100；
初始条件V0＝0，Q0＝15；
其中，Vi和Qi分别为水库第i阶段的蓄水量和上游径流来水量。
5、根据建立的水库实时优化调度模型，采用遗传算法进行优化计算。首先，以100个时段两用水户的总用水效益为指标，分析随预报阶段总数N增加的调度方案收敛情况如图4所示，对应不同N的调度过程见图5。其中，N取值为0时，代表不考虑预报的实时调度结果。为便于分析本发明优势，传统优化调度方法总用水效益也绘于图4中。
通过权重系数表3和调度收敛结果图4皆可看出，当多阶段数目增加至3时，此时预报阶段的增加对调度总效益影响很小(权重系数小于0.02)，调度结果基本可达到收敛。此外，当预报阶段数从4增加至5时，不仅增加了水库实时优化调度模型的求解难度，而且受未来不确定影响、优化效益不增反降。可见，随着未来预报不确定性的增加，参与优化调度的时段数不宜过长。在本实施例中推荐的是采用预报时段数为2。
进一步分析图5还可看出，预报信息的引入有利于判断未来时段的丰枯情况，通过一些局部时段的微调更能实现水资源在当前阶段与未来时段的合理分配。
6、对比分析N＝2时，本发明调度方法与传统预报调度方法结果如图6所示。结合图4和图6，本发明方法在提高水库调度效益的同时也提高了调度结果的稳定性，可避免未来预报不确性的过多干扰，有利于提升水库预报调度水平。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于预报不确定性的水库多阶段实时优化调度方法，该方法能够综合多阶段预报信息，同时区分考虑多阶段预报的不确定性，既能充分利用预报信息，又能尽可能降低预报不确定性对实时调度方案的影响，从而显著提高水库调度效益，对于水库预报调度具有实践价值。该方法提供了一种处理多阶段预报不确定性的思路，可推广于相关类似工程实践中，尤其是处理信息不确定性随时间不断增加的问题。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种基于预报不确定性的水库多阶段实时优化调度方法，其特征在于：包括如下步骤，
S1、收集并整理水库实时调度所需的数据；
S2、构建水库径流预报模型，实现水库径流预报；
S3、水库多阶段径流预报不确定性分析；
S4、构建水库实时优化调度模型，实现水库实时优化调度；
S5、对水库实时优化调度方案进行收敛性分析；
S6、实施水库实时优化调度方案，并进入下一调度阶段。
2.根据权利要求1所述的基于预报不确定性的水库多阶段实时优化调度方法，其特征在于：步骤S1中收集水库实时调度所需的数据包括水库特征库容、水库特征曲线、水库调度规则、水库历史实测径流序列以及水库调度用水效益；根据水库调度时段划分整理水库历史实测径流序列。
3.根据权利要求2所述的基于预报不确定性的水库多阶段实时优化调度方法，其特征在于：步骤S2具体包括如下内容，
S21、根据整理后的水库历史实测径流序列，采用自回归的方法，构建水库径流预报模型，如公式(1)；
Figure FDA0003638091940000011
其中，t为预报时段；Q(t)为水库在t预报时段的径流量；Q(t+1)为水库在t+1预报时段的径流量；μ为水库历史实测径流序列的均值；ρ为自回归相关系数；σ为标准差，代表预报不确定性；V为满足标准正态分布的随机变量，V在每个预报时段完全独立，与其他时段无关，V满足公式(2)和(3)，
E(V)＝0 (2)
E(V2)＝1 (3)
其中，水库历史实测径流序列的均值μ、自回归相关系数ρ和标准差σ由水库历史实测径流序列回归分析计算得出；
S22、利用构建的水库径流预报模型进行水库径流预报。
4.根据权利要求3所述的基于预报不确定性的水库多阶段实时优化调度方法，其特征在于：步骤S3具体为，水库当前径流预报时段的不确定性量化为σ0，由观测精度确定；水库未来多个径流预报时段的不确定性量化由公式(4)确定，
Figure FDA0003638091940000021
其中，i为径流预报时段编号；σi为水库第i个径流预报时段的不确定性量化；σi-1为水库第i-1个径流预报时段的不确定性量化；对于水库当前径流预报时段，i＝0。
5.根据权利要求4所述的基于预报不确定性的水库多阶段实时优化调度方法，其特征在于：步骤S4具体包括如下内容，
S41、将每一预报时段划分为一个调度阶段；
S42、根据水库调度任务，确定优化调度目标，进而构建水库实时优化调度模型，如公式(5)，
Figure FDA0003638091940000022
其中，B为效益函数；N为水库实时优化调度阶段总数，N＝1,2,3,……；Ki为考虑预报不确定影响下的不同预报时段的权重系数；Ri为第i个预报时段的水库出库流量，即优化调度方案，也是优化调度的决策变量；
S43、根据水库取用水能力和水库库容，确定水库优化调度约束条件；
S44、根据水库未来多个径流预报时段的不确定性量化，参照卡尔曼滤波方法中增益系数由方差倍比关系确定的思路计算权重系数Ki，如公式(6)和(7)，
Figure FDA0003638091940000023
Figure FDA0003638091940000024
其中，β为权重惩罚因子；K0为当前预报时段的权重系数；σ1为水库第1个径流预报时段的不确定性量化；σt为水库径流预报时段t的不确定性量化；σt+1为水库径流预报时段t+1的不确定性量化；
S45、采用遗传算法求解水库实时优化调度模型。
6.根据权利要求5所述的基于预报不确定性的水库多阶段实时优化调度方法，其特征在于：步骤S5具体包括如下内容，
S51、根据步骤S4依次计算水库实时优化调度阶段总数N的水库优化调度方案，获取随水库实时优化调度阶段总数N变化的水库优化调度方案R0(N)；
S52、分析水库优化调度方案R0(N)随水库实时优化调度阶段总数N变化的收敛性，当水库优化调度方案R0(N)随水库实时优化调度阶段总数N增加变化很小或不变时，本阶段调度结束，且水库优化调度方案R0(N)的收敛值即为本阶段水库优化调度方案。
7.根据权利要求6所述的基于预报不确定性的水库多阶段实时优化调度方法，其特征在于：步骤S6具体为，根据本阶段水库优化调度方案计算水库蓄水量和水位变化，并将其作为下一阶段调度的初始信息，返回步骤S22，进入下一阶段的调度。
CN202210511308.7A 2022-05-11 2022-05-11 一种基于预报不确定性的水库多阶段实时优化调度方法 Active CN114881481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210511308.7A CN114881481B (zh) 2022-05-11 2022-05-11 一种基于预报不确定性的水库多阶段实时优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210511308.7A CN114881481B (zh) 2022-05-11 2022-05-11 一种基于预报不确定性的水库多阶段实时优化调度方法

Publications (2)

Publication Number Publication Date
CN114881481A true CN114881481A (zh) 2022-08-09
CN114881481B CN114881481B (zh) 2023-03-24

Family

ID=82675692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210511308.7A Active CN114881481B (zh) 2022-05-11 2022-05-11 一种基于预报不确定性的水库多阶段实时优化调度方法

Country Status (1)

Country Link
CN (1) CN114881481B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608513A (zh) * 2016-03-24 2016-05-25 大连理工大学 一种耦合长、中、短期径流预报信息的水库优化调度方法
CN109002932A (zh) * 2018-08-27 2018-12-14 河海大学 一种面向水电站水库的随机优化调度方法
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
CN111754099A (zh) * 2020-06-18 2020-10-09 清华大学 一种基于三阶段风险对冲规则的实时防洪调度方法
CN112711896A (zh) * 2021-01-05 2021-04-27 浙江大学 一种考虑多源预报误差不确定性的复杂水库群优化调度方法
CN112884232A (zh) * 2021-03-01 2021-06-01 北京师范大学 一种考虑丰、枯水期入流预报不确定性差异的水库生态调度方法
WO2021120787A1 (zh) * 2019-12-20 2021-06-24 华中科技大学 一种流域干支流大规模水库群模拟调度方法
US20220003893A1 (en) * 2019-10-16 2022-01-06 Dalian University Of Technology Forecast operation method for lowering reservoir flood limited water level considering forecast uncertainty

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608513A (zh) * 2016-03-24 2016-05-25 大连理工大学 一种耦合长、中、短期径流预报信息的水库优化调度方法
CN109002932A (zh) * 2018-08-27 2018-12-14 河海大学 一种面向水电站水库的随机优化调度方法
US20220003893A1 (en) * 2019-10-16 2022-01-06 Dalian University Of Technology Forecast operation method for lowering reservoir flood limited water level considering forecast uncertainty
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
WO2021120787A1 (zh) * 2019-12-20 2021-06-24 华中科技大学 一种流域干支流大规模水库群模拟调度方法
CN111754099A (zh) * 2020-06-18 2020-10-09 清华大学 一种基于三阶段风险对冲规则的实时防洪调度方法
CN112711896A (zh) * 2021-01-05 2021-04-27 浙江大学 一种考虑多源预报误差不确定性的复杂水库群优化调度方法
CN112884232A (zh) * 2021-03-01 2021-06-01 北京师范大学 一种考虑丰、枯水期入流预报不确定性差异的水库生态调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘艳丽等: "洪水预报不确定性分析及其在水库调度决策中的应用研究", 《水力发电学报》 *
唐国磊等: "一种考虑径流预报及其不确定性的水库优化调度模型", 《水利学报》 *

Also Published As

Publication number Publication date
CN114881481B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN103903452B (zh) 交通流短时预测方法
CN109685256B (zh) 一种面向总量控制的流域水量动态优化分配方法
CN110033164B (zh) 一种水库群联合防洪调度的风险评估与决策方法
CN108416468B (zh) 一种洪水超前预警预报方法
CN109598408B (zh) 一种兼顾用水公平性和重要性的年水量调度计划编制方法
CN102855524A (zh) 多年调节水库年末消落水位预测方法及系统
CN106557835B (zh) 基于景气指数的用电量预测方法和系统
CN106485346A (zh) 一种混联水库提前蓄水多目标优化调度方法
CN108985577B (zh) 一种基于推理机的水库群实时防洪调度显效水库智能识别方法
CN108985585A (zh) 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
CN115099477B (zh) 一种水库旱限水位优化及抗旱调度方法
CN113590676B (zh) 基于梯级联合等效防洪库容的流域防洪调度方法及系统
CN112884232A (zh) 一种考虑丰、枯水期入流预报不确定性差异的水库生态调度方法
CN106200381B (zh) 一种根据处理水量分阶段控制水厂运行的方法
CN114881481B (zh) 一种基于预报不确定性的水库多阶段实时优化调度方法
CN109299853B (zh) 一种基于联合概率分布的水库调度函数提取方法
CN109325610B (zh) 一种面向多水源梯级泵站调水系统的分段线性调度方法
CN116703134B (zh) 大型跨流域调水水库的多目标调度方法及系统
CN108090671B (zh) 一种多阶段域间-域内反馈迭代的跨流域负荷分配方法
CN102130955B (zh) 基于协同过滤的组合服务备选服务集生成系统及方法
CN116681180B (zh) 一种基于两层相似性度量的湖泊水位相似预报方法
CN115688022B (zh) 一种基于最邻近算法的流域单位线实时优选方法
CN110717838B (zh) 一种梯级电站多目标调度评价体系指标构建及等级划分方法
CN116681312A (zh) 一种面向生态的多目标水库优化调度决策方法及系统
CN114021902B (zh) 基于动态收索与离散机制的动态规划降维的水库调度方法

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